CN109544549A - 纺丝机故障监测方法、装置和服务器 - Google Patents

纺丝机故障监测方法、装置和服务器 Download PDF

Info

Publication number
CN109544549A
CN109544549A CN201811472778.7A CN201811472778A CN109544549A CN 109544549 A CN109544549 A CN 109544549A CN 201811472778 A CN201811472778 A CN 201811472778A CN 109544549 A CN109544549 A CN 109544549A
Authority
CN
China
Prior art keywords
spinning
spinning machine
window
fault
established
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811472778.7A
Other languages
English (en)
Inventor
马修·罗伯特·斯科特
黄鼎隆
董登科
刘政杰
夏冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Malong Technologies Co Ltd
Original Assignee
Shenzhen Malong Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Malong Technologies Co Ltd filed Critical Shenzhen Malong Technologies Co Ltd
Priority to CN201811472778.7A priority Critical patent/CN109544549A/zh
Priority to PCT/CN2018/122459 priority patent/WO2020113694A1/zh
Publication of CN109544549A publication Critical patent/CN109544549A/zh
Priority to CN201910602467.6A priority patent/CN110175659B/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本申请提供一种纺丝机故障监测方法、装置和服务器，该纺丝机故障监测方法用于实时监测运行状态下的纺丝机，包括：获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像；将所述预处理图像输入预先建立的卷积神经网络模型中，生成所述纺丝窗口的纺丝特征图；将所述纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。本发明的纺丝机故障监测方法，利用卷积神经网络及深度学习模型实时监测纺丝机纺丝窗口的运行状态，从而实现全天候监测纺丝机的故障，提高监控故障的效率，降低监控成本。

Description

纺丝机故障监测方法、装置和服务器
技术领域
本发明涉及工业纺织技术领域，具体而言，涉及一种纺丝机故障监测方法、装置、服务器和计算机存储介质。
背景技术
目前，在纺丝车间中，对于纺丝机的故障一般都是通过人工的方式进行监测，或者在纺丝机出丝线的下游安装特殊的硬件光电传感器或机械感应器进行丝线质量的监测，从而对故障进行监测。
由于纺丝机中拥有多个出丝线口，以及多个纺丝窗口，因此需要大量的工作人员，或者需要安装大量传感器来对故障进行实时的监测，导致其监测故障的成本较高。并且使用人工进行监测时，难免会出现监测的纰漏，监测效率较低。
发明内容
鉴于上述问题，本发明提供了一种纺丝机故障监测方法、装置、服务器和计算机存储介质，以实现全天候监测纺丝机的故障，提高监控故障的效率，降低监控成本。
为了实现上述目的，本发明采用如下的技术方案：
一种纺丝机故障监测方法，用于实时监测运行状态下的纺丝机，包括：
获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像；
将所述预处理图像输入预先建立的卷积神经网络模型中，生成所述纺丝窗口的纺丝特征图；
将所述纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。
优选地，所述“获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像”包括：
获取纺丝机的纺丝窗口的实时图像；
根据预设的帧数间隔和/或时间间隔，对所述实时图像进行帧采样，获得至少一个帧采样图像；
将所述至少一个帧采样图像按照预设规则进行拼接，生成所述预处理图像。
优选地，所述的纺丝机故障监测方法，还包括：
采集纺丝窗口的故障图像，利用故障图像生成故障图像训练样本，并对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。
优选地，所述“采集纺丝窗口的故障图像，利用故障图像生成故障图像训练样本，并对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练”包括：
采集至少一个所述纺丝窗口的故障图像；
对至少一个所述纺丝窗口的故障图像进行预处理，生成至少一个故障图像训练样本；
将所述至少一个故障图像训练样本输入所述预先建立的卷积神经网络模型中，对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。
本发明还提供一种纺丝机故障监测装置，用于实时监测运行状态下的纺丝机，包括：
图像预处理模块，用于获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像；
特征图获取模块，用于将所述预处理图像输入预先建立的卷积神经网络模型中，生成所述纺丝窗口的纺丝特征图；
故障监测模块，用于将所述纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。
优选地，所述图像预处理模块包括：
实时图像获取单元，用于获取纺丝机的纺丝窗口的实时图像；
帧采样单元，用于根据预设的帧数间隔和/或时间间隔，对所述实时图像进行帧采样，获得至少一个帧采样图像；
帧拼接单元，用于将所述至少一个帧采样图像按照预设规则进行拼接，生成所述预处理图像。
优选地，所述的纺丝机故障监测装置，还包括：
样本训练模块，用于采集纺丝窗口的故障图像，利用故障图像生成故障图像训练样本，并对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。
优选地，所述样本训练模块包括：
故障图像采集单元，用于采集至少一个所述纺丝窗口的故障图像；
图像预处理单元，用于对至少一个所述纺丝窗口的故障图像进行预处理，生成至少一个故障图像训练样本；
样本输入单元，用于将所述至少一个故障图像训练样本输入所述预先建立的卷积神经网络模型中，对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。
本发明还提供一种服务器，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述服务器执行所述的纺丝机故障监测方法。
本发明还提供一种计算机存储介质，其存储有所述的服务器中所使用的计算机程序。
本发明提供一种纺丝机故障监测方法，该方法用于实时监测运行状态下的纺丝机，包括：获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像；将所述预处理图像输入预先建立的卷积神经网络模型中，生成所述纺丝窗口的纺丝特征图；将所述纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。本发明的纺丝机故障监测方法，利用卷积神经网络及深度学习模型实时监测纺丝机纺丝窗口的运行状态，从而实现全天候监测纺丝机的故障，提高监控故障的效率，降低监控成本。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明范围的限定。
图1是本发明实施例1提供的一种纺丝机故障监测方法的流程图；
图2是本发明实施例2提供的一种纺丝机故障监测方法的图像预处理的流程图；
图3是本发明实施例3提供的一种纺丝机故障监测方法的流程图；
图4是本发明实施例4提供的一种纺丝机故障监测方法的进行样本训练的流程图；
图5是本发明实施例5提供的一种纺丝机故障监测装置的结构示意图；
图6是本发明实施例5提供的一种纺丝机故障监测装置的图像预处理模块的结构示意图；
图7是本发明实施例5提供的另一种纺丝机故障监测装置的结构示意图；
图8是本发明实施例5提供的一种纺丝机故障监测装置的样本训练模块的结构示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1是本发明实施例1提供的一种纺丝机故障监测方法的流程图，该方法用于实时监测运行状态下的纺丝机，包括如下步骤：
步骤S11：获取纺丝机的纺丝窗口的实时图像，并对实时图像进行预处理，获得纺丝窗口的预处理图像。
本发明实施例中，纺丝机是一种使成纤聚合物溶液或溶体形成丝状物的机器，是用于涤纶、锦纶和丙纶等的纺丝设备。其中，该纺丝机中设置有纺丝窗口，用于观察纺丝机内部出丝喷头的运行状况，以及出丝的质量，通过该纺丝窗口可以观察到许多细丝最后凝聚成线，并且可以观察到在纺丝运行中的出丝故障，例如出丝不均匀、断续、冒黑丝以及丝线错误纠缠等故障。其中，一台纺丝机中可以包括有多个进行出丝的喷头，相应地，每个喷头设置有纺纱窗口便于观察纺纱运行的状态。
本发明实施例中，在每个纺纱窗口前设置有摄像头，用于实时获取纺纱运行过程中纺纱窗口的实时图像。获取的纺纱窗口的实时图像可以传输至服务器中，该服务器在或去实时图像后，可以对实时图像进行预处理，宠儿获得预处理图像。其中，该预处理过程也可以在摄像头中进行，该摄像头中可以设置有预设的算法或应用程序，对采集的图像进行实时预处理，生成预处理图像后在传输至服务器中。该预处理过程在服务器中进行时，该服务器中也可以设置有预设的算法或应用程序，在接收实时图像后进行预处理，在此不再限定。
步骤S12：将预处理图像输入预先建立的卷积神经网络模型中，生成纺丝窗口的纺丝特征图。
本发明实施例中，服务器在获得预处理图像后，可以将预处理图像输入预先建立的卷积神经网络模型中，以经过卷积获得纺丝窗口的纺丝特征图。其中，该服务器中可以设置有多个卷积神经网络模型，每个卷积神经网络模型接收对应摄像头的预处理图像，以提高图像卷积提取特征的效率。
步骤S13：将纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。
本发明实施例中，服务器利用预先建立的卷积神经网络模型提取纺丝窗口的特征图后，将该特征图输入到预先建立的深度学习模型中，从而利用该深度学习模型判断纺丝机是否存在故障。其中，在纺丝机运作的过程中，因出现故障的效率较低，因此该深度学习模型在建立后即可使用，在使用过程中输入大量的正常的图像其输出的数据一致，当输出的数据出现不一致时，则可说明出现了故障。
本发明实施例中，上述卷积神经网络模型与深度学习模型连接，可以统一称为一个故障监测模型，该故障监测模型的输入端连接卷积神经网络模型，输出端连接深度学习模型。其中，该输出端的数据可以利用回归算法处理，进一步提高故障监测的精确度，例如可以使用softmax回归算法处理，以及sigmoid回归算法处理等，这里不做限定。
实施例2
图2是本发明实施例2提供的一种纺丝机故障监测方法的图像预处理的流程图，包括如下步骤：
步骤S21：获取纺丝机的纺丝窗口的实时图像。
步骤S22：根据预设的帧数间隔和/或时间间隔，对实时图像进行帧采样，获得至少一个帧采样图像。
本发明实施例中，在实时图像的预处理过程中，可以对该实时图像进行帧采样处理，可以在预设的时间间隔抽取实时图像预设数量的图像帧，例如在实时图像中每隔20秒抽取2个图像帧。同时，也可以在预设的帧数间隔抽取实时图像预设数量的图像帧，例如在实时图像中每隔100帧收取2个图像帧。
本发明实施例中，上述帧采样的过程可以利用算法或应用程序来实现，例如可以在服务器中设置有应用程序，将摄像头发送的实时图像利用该采样应用程序进行帧采样。其中，该进行帧采样的算法或应用程序还可以设置在摄像头中，摄像头采集实时图像后利用该算法或应用程序进行实时的帧采样。
步骤S23：将至少一个帧采样图像按照预设规则进行拼接，生成预处理图像。
本发明实施例中，在进行帧采样获得至少一个帧采样图像后，还可以按照预设规则利用算法或应用程序对至少一个帧采样图像进行拼接处理，生成预处理图像。其中，该预设规则即为图像拼接规则，用与按照一定的规则将多个图像拼接成一个图像，例如可以为将16张图像按照水平矩阵分布拼接成一个图像。上述拼接算法或应用程序可以设置在摄像机或服务器中，这里不做限定。最终，多个帧采样图像进行拼接处理后可以生成较少的预处理图像。
本发明实施例中，通过上述帧采样以及图像拼接的图像预处理方法，可以有效减少图像经过卷积神经网络模型进行卷积的时间，从而增加故障监测的效率。
实施例3
图3是本发明实施例3提供的一种纺丝机故障监测方法的流程图，该方法用于实时监测运行状态下的纺丝机，包括如下步骤：
步骤S31：获取纺丝机的纺丝窗口的实时图像，并对实时图像进行预处理，获得纺丝窗口的预处理图像。
此步骤与上述步骤S11一致，在此不再赘述。
步骤S32：将预处理图像输入预先建立的卷积神经网络模型中，生成纺丝窗口的纺丝特征图。
此步骤与上述步骤S12一致，在此不再赘述。
步骤S33：将纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。
此步骤与上述步骤S13一致，在此不再赘述。
步骤S34：采集纺丝窗口的故障图像，利用故障图像生成故障图像训练样本，并对预先建立的卷积神经网络模型及预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。
本发明实施例中，服务器在纺丝机发生故障时，还可以将识别的故障图像记录下来，生成故障训练样本，并可以利用该训练样本输入预先建立的卷积神经网络模型及预先建立的深度学习模型中进行重复训练，提高监控故障的精确率。其中，该故障图像还可以有纺丝机工作人员进行采集，并输入服务器中。
实施例4
图4是本发明实施例4提供的一种纺丝机故障监测方法的进行样本训练的流程图，包括如下步骤：
步骤S41：采集至少一个纺丝窗口的故障图像。
步骤S42：对至少一个纺丝窗口的故障图像进行预处理，生成至少一个故障图像训练样本。
步骤S43：将至少一个故障图像训练样本输入预先建立的卷积神经网络模型中，对预先建立的卷积神经网络模型及预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。
本发明实施例中，该服务器采集纺丝窗口的故障图像后，还对该故障图像进行预处理，具体地可以对故障图像进行拼接处理，其拼接处理的预设规则与上述实施例中的预设规则一致。同时，在进行拼接处理前也还可以进行帧采样。
实施例5
图5是本发明实施例5提供的一种纺丝机故障监测装置的结构示意图。
该纺丝机故障监测装置500包括：
图像预处理模块510，用于获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像。
特征图获取模块520，用于将所述预处理图像输入预先建立的卷积神经网络模型中，生成所述纺丝窗口的纺丝特征图。
故障监测模块530，用于将所述纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。
如图6所示，该图像预处理模块510包括：
实时图像获取单元511，用于获取纺丝机的纺丝窗口的实时图像。
帧采样单元512，用于根据预设的帧数间隔和/或时间间隔，对所述实时图像进行帧采样，获得至少一个帧采样图像。
帧拼接单元513，用于将所述至少一个帧采样图像按照预设规则进行拼接，生成所述预处理图像。
如图7所示，该纺丝机故障监测装置500还包括：
样本训练模块540，用于采集纺丝窗口的故障图像，利用故障图像生成故障图像训练样本，并对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。
如图8所示，该样本训练模块540包括：
故障图像采集单元541，用于采集至少一个所述纺丝窗口的故障图像。
图像预处理单元542，用于对至少一个所述纺丝窗口的故障图像进行预处理，生成至少一个故障图像训练样本。
样本输入单元543，用于将所述至少一个故障图像训练样本输入所述预先建立的卷积神经网络模型中，对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。
本发明实施例中，上述各个模块以及单元更加详细的功能描述可以参考前述实施例中相应部分的内容，在此不再赘述。
此外，本发明还提供了一种服务器，该服务器包括存储器和处理器，存储器可用于存储计算机程序，处理器通过运行所述计算机程序，从而使服务器执行上述方法或者上述纺丝机故障监测装置中的各个模块的功能。
存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种计算机存储介质，用于储存上述服务器中使用的计算机程序。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种纺丝机故障监测方法，用于实时监测运行状态下的纺丝机，其特征在于，包括：
获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像；
将所述预处理图像输入预先建立的卷积神经网络模型中，生成所述纺丝窗口的纺丝特征图；
将所述纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。
2.根据权利要求1所述的纺丝机故障监测方法，其特征在于，所述“获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像”包括：
获取纺丝机的纺丝窗口的实时图像；
根据预设的帧数间隔和/或时间间隔，对所述实时图像进行帧采样，获得至少一个帧采样图像；
将所述至少一个帧采样图像按照预设规则进行拼接，生成所述预处理图像。
3.根据权利要求1所述的纺丝机故障监测方法，其特征在于，还包括：
采集纺丝窗口的故障图像，利用故障图像生成故障图像训练样本，并对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。
4.根据权利要求3所述的纺丝机故障监测方法，其特征在于，所述“采集纺丝窗口的故障图像，利用故障图像生成故障图像训练样本，并对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练”包括：
采集至少一个所述纺丝窗口的故障图像；
对至少一个所述纺丝窗口的故障图像进行预处理，生成至少一个故障图像训练样本；
将所述至少一个故障图像训练样本输入所述预先建立的卷积神经网络模型中，对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。
5.一种纺丝机故障监测装置，用于实时监测运行状态下的纺丝机，其特征在于，包括：
图像预处理模块，用于获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像；
特征图获取模块，用于将所述预处理图像输入预先建立的卷积神经网络模型中，生成所述纺丝窗口的纺丝特征图；
故障监测模块，用于将所述纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。
6.根据权利要求5所述的纺丝机故障监测装置，其特征在于，所述图像预处理模块包括：
实时图像获取单元，用于获取纺丝机的纺丝窗口的实时图像；
帧采样单元，用于根据预设的帧数间隔和/或时间间隔，对所述实时图像进行帧采样，获得至少一个帧采样图像；
帧拼接单元，用于将所述至少一个帧采样图像按照预设规则进行拼接，生成所述预处理图像。
7.根据权利要求5所述的纺丝机故障监测装置，其特征在于，还包括：
样本训练模块，用于采集纺丝窗口的故障图像，利用故障图像生成故障图像训练样本，并对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。
8.根据权利要求7所述的纺丝机故障监测装置，其特征在于，所述样本训练模块包括：
故障图像采集单元，用于采集至少一个所述纺丝窗口的故障图像；
图像预处理单元，用于对至少一个所述纺丝窗口的故障图像进行预处理，生成至少一个故障图像训练样本；
样本输入单元，用于将所述至少一个故障图像训练样本输入所述预先建立的卷积神经网络模型中，对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。
9.一种服务器，其特征在于，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述服务器执行根据权利要求1至4中任一项所述的纺丝机故障监测方法。
10.一种计算机存储介质，其特征在于，其存储有权利要求9所述的服务器中所使用的计算机程序。
CN201811472778.7A 2018-12-04 2018-12-04 纺丝机故障监测方法、装置和服务器 Pending CN109544549A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201811472778.7A CN109544549A (zh) 2018-12-04 2018-12-04 纺丝机故障监测方法、装置和服务器
PCT/CN2018/122459 WO2020113694A1 (zh) 2018-12-04 2018-12-20 纺丝机故障监测方法、装置和服务器
CN201910602467.6A CN110175659B (zh) 2018-12-04 2019-07-05 纺丝机故障监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811472778.7A CN109544549A (zh) 2018-12-04 2018-12-04 纺丝机故障监测方法、装置和服务器

Publications (1)

Publication Number Publication Date
CN109544549A true CN109544549A (zh) 2019-03-29

Family

ID=65853632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811472778.7A Pending CN109544549A (zh) 2018-12-04 2018-12-04 纺丝机故障监测方法、装置和服务器

Country Status (2)

Country Link
CN (1) CN109544549A (zh)
WO (1) WO2020113694A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175601A (zh) * 2018-12-04 2019-08-27 深圳码隆科技有限公司 纺丝机监控方法、纺丝机监控设备和纺丝机

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951243A (zh) * 2020-08-11 2020-11-17 华北电力科学研究院有限责任公司 线性可变差动变压器的监测方法及装置
CN115221769B (zh) * 2021-04-15 2023-10-10 广州中国科学院先进技术研究所 一种故障预测方法、系统、电子设备和存储介质
CN113570473B (zh) * 2021-06-25 2024-02-09 深圳供电局有限公司 设备故障监测方法、装置、计算机设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180322623A1 (en) * 2017-05-08 2018-11-08 Aquifi, Inc. Systems and methods for inspection and defect detection using 3-d scanning
KR101895873B1 (ko) * 2017-06-15 2018-09-06 주식회사 에스엠비나 직물원단 검단방법 및 장치
CN107909107B (zh) * 2017-11-14 2020-09-15 深圳码隆科技有限公司 纤维检测方法、装置及电子设备
CN108389194B (zh) * 2018-02-24 2020-11-17 广州大久生物科技有限公司 基于人工智能的牛仔布水洗效果评价的图像识别方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175601A (zh) * 2018-12-04 2019-08-27 深圳码隆科技有限公司 纺丝机监控方法、纺丝机监控设备和纺丝机
CN110175601B (zh) * 2018-12-04 2021-12-28 深圳码隆科技有限公司 纺丝机监控方法、纺丝机监控设备和纺丝机

Also Published As

Publication number Publication date
WO2020113694A1 (zh) 2020-06-11

Similar Documents

Publication Publication Date Title
CN109544549A (zh) 纺丝机故障监测方法、装置和服务器
CN110909780B (zh) 一种图像识别模型训练和图像识别方法、装置及系统
CN109949286A (zh) 用于输出信息的方法和装置
CN109978805A (zh) 拍照处理方法、装置、移动终端以及存储介质
CN108809948A (zh) 一种基于深度学习的异常网络连接检测方法
CN108875837A (zh) 用于测试目标识别设备的装置及方法
CN113660483A (zh) 一种视频播放质量的实时监控方法、装置和计算机设备
CN109309817A (zh) 监控视频人脸识别osd的显示方法及装置
CN109636786A (zh) 一种图像识别模块的验证方法和装置
CN109615000A (zh) 故障识别方法、装置和服务器
FR3018118A1 (fr) Procede de test d'un systeme electronique
CN106874306A (zh) 人口信息人像比对系统关键性能指标评测方法
CN107885637A (zh) 一种服务器异常检测方法及装置
CN110163084A (zh) 操作员动作监督方法、装置及电子设备
DE102004008215A1 (de) Vorrichtung und Verfahren zur Taktwiedergewinnung und Augendiagrammerzeugung
CN113691801A (zh) 基于视频图像分析的视频监控设备故障监测方法及系统
CN111636123B (zh) 一种智能纺纱生产线故障检测系统
CN109583390A (zh) 纺丝机故障检测方法、装置和服务器
CN109063854A (zh) 智能运维云平台系统及其控制方法
CN111738312A (zh) 基于gis和虚拟现实融合的输电线状态监控方法、装置及计算机可读存储介质
CN111695445A (zh) 一种人脸识别的方法、装置、设备及计算机可读存储介质
CN108968892A (zh) 一种肠镜下盲区监测的系统及方法
CN109889258A (zh) 一种光网络故障校验方法和设备
CN114565870A (zh) 一种基于视觉的生产线管控方法及装置、系统、电子设备
CN110852998A (zh) 一种基于深度学习的泰勒锥检测方法及检测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190329

WD01 Invention patent application deemed withdrawn after publication