CN110245650A - 振动智能检测方法及相关产品 - Google Patents
振动智能检测方法及相关产品 Download PDFInfo
- Publication number
- CN110245650A CN110245650A CN201910735972.8A CN201910735972A CN110245650A CN 110245650 A CN110245650 A CN 110245650A CN 201910735972 A CN201910735972 A CN 201910735972A CN 110245650 A CN110245650 A CN 110245650A
- Authority
- CN
- China
- Prior art keywords
- image
- target type
- point
- characteristic point
- under test
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种振动智能检测方法及相关产品,所述方法应用于振动检测服务器,所述振动检测服务器与摄像监控系统通信连接,方法包括接收来自所述摄像监控系统采集的待测物体的原始监控视频,获取所述原始监控视频中的多帧图像,确定待测物体的影像形状特征、影像完整度和影像亮度属性,再根据多帧图像、影像形状特征、影像完整度和影像亮度属性,确定待提取的特征点的目标类型以及目标类型对应的目标数量,进一步确定待测物体的振动信息,最后确定待测物体的运行状态,并将运行状态发送给安全运行中心。可见,本申请有利于提高振动智能检测的高效性、准确性和便捷性。
Description
技术领域
本申请涉及互联网技术领域,具体涉及一种振动智能检测方法及相关产品。
背景技术
互联网Internet属于传媒领域,又称国际网络,是网络与网络之间所串连成的庞大网络,这些网络以一组通用的协议相连,形成逻辑上的单一巨大国际网络。“互联网+”利用信息通信技术以及互联网平台,让互联网与传统行业进行深度融合,创造新的发展生态。
以天然气管道检测行业为例,现如今天然气管道日益增多,天然气管道安全性至关重要,发生事故时危害性大,波及范围广。目前针对天然气管道的检测方法多采用本地化检测设备或人员现场检测,存在耗时耗力,使用环境受限,测试区小、难以实现远程监控等缺点,难以满足日益增多的天然气管道的智能化检测需求。
发明内容
本申请实施例提供了一种振动智能检测方法及相关产品,以期提高振动智能检测的高效性和便捷性。
具体的,本申请实施例所公开的振动检测方法中的数据传输流程可以基于互联网+技术,形成本地+云端或服务器的分布式智能化振动检测系统,一方面本地可以通过采集装置进行精确的原始影像采集和预处理,另一方面云端或服务器可以基于获取到的分布式数据,结合通过大数据技术统计分析得到的各类专用故障检测模型,预测被检测目标的故障,实现互联网与传统故障监测行业的深度融合,提高故障监测的智能性和准确度,满足天然气管道场景中的智能化的振动检测需求。
第一方面,本申请实施例提供一种振动智能检测方法,应用于振动检测服务器,所述振动检测服务器与摄像监控系统通信连接;所述方法包括:
接收来自所述摄像监控系统采集的待测物体的原始监控视频;
获取所述原始监控视频中的多帧图像,确定所述待测物体的影像形状特征、影像完整度和影像亮度属性;
根据所述多帧图像、所述影像形状特征、所述影像完整度和所述影像亮度属性以及预设的特征点类型组合策略,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量;
根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,确定所述待测物体的振动信息;
根据所述振动信息确定所述待测物体的运行状态,并将所述运行状态发送给安全运行中心。
第二方面,本申请实施例提供一种振动智能检测装置,应用于振动检测服务器,所述振动检测服务器与摄像监控系统通信连接;所述振动智能检测装置包括处理单元、通信单元和存储单元,其中,
所述处理单元,用于调用所述通信单元接收来自所述摄像监控系统采集的待测物体的原始监控视频;以及用于获取所述原始监控视频中的多帧图像,确定所述待测物体的影像形状特征、影像完整度和影像亮度属性;以及用于根据所述多帧图像、所述影像形状特征、所述影像完整度和所述影像亮度属性,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量;以及用于根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,确定所述待测物体的振动信息;以及用于根据所述振动信息确定所述待测物体的运行状态,并调用所述通信单元将所述运行状态发送给安全运行中心。
第三方面,本申请实施例提供一种振动检测服务器,包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行本申请实施例第一方面任一方法中的步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第二方面任一方法中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第二方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出,本申请实施例中,提供了一种振动智能检测方法及相关产品,所述方法应用于振动检测服务器,所述振动检测服务器与摄像监控系统通信连接,包括:接收来自所述摄像监控系统采集的待测物体的原始监控视频,获取所述原始监控视频中的多帧图像,确定所述待测物体的影像形状特征、影像完整度和影像亮度属性,再根据所述多帧图像、所述影像形状特征、所述影像完整度和所述影像亮度属性,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量,进一步确定所述待测物体的振动信息,最后确定所述待测物体的运行状态,并将所述运行状态发送给安全运行中心。可见,本申请通过振动分析,精准便捷的获取待测物体的运行状态,融合预设振动信息进行故障预测,有利于提高振动检测的有效性、便捷性和通用性;同时,所述振动智能检测装置不需要在被测物体上进行安装、随用随测并且能保存和分析大量振动物体使用时历史测试数据,有利于提高振动智能检测的高效性、准确性和便捷性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的振动检测服务器的示意图;
图2A是本申请实施例提供的一种振动智能检测方法的流程示意图;
图2B是本申请实施例提供的一种运动特征点跟踪的示意图;
图3是本申请实施例提供的一种振动检测服务器的结构示意图;
图4是本申请实施例提供的一种振动智能检测装置的功能单元组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面对本申请实施例进行详细介绍。
该振动智能检测方法属于非接触式的振动检测方法,如图1所示,待测物体130,一种振动检测服务器110与摄像监控系统120通信连接。其可以避免因特殊情况无法接触被测物体时而导致的无法获取测点数据的问题。
请参阅图2A,图2A是本申请实施例提供了一种振动智能检测方法的流程示意图,应用于振动检测服务器,所述振动检测服务器与摄像监控系统通信连接;如图所示,本振动智能检测方法包括:
S201,振动检测服务器接收来自所述摄像监控系统采集的待测物体的原始监控视频;
其中,所述原始监控视频包括多帧图像,所述多帧图像包括所述待测物体的影像和/或周围环境影像。
S202,所述振动检测服务器获取所述原始监控视频中的多帧图像,确定所述待测物体的影像形状特征、影像完整度和影像亮度属性;
S203,所述振动检测服务器根据所述多帧图像、所述影像形状特征、所述影像完整度和所述影像亮度属性,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量;
其中,所述目标类型包括角点、边缘点、亮区暗点和暗区亮点。
S204,所述振动检测服务器根据确定出的所述目标类型及所述目标类型对应的目标数量,确定所述待测物体的振动信息;
其中,所述待测物体的振动信息包括所述待测物体的振动幅度和振动频率。
S205,所述振动检测服务器根据所述振动信息确定所述待测物体的运行状态,并将所述运行状态发送给安全运行中心。
其中,所述将所述运行状态发送给安全运行中心包括所述待测物体的画面信息和提示声音信息,确保将所述待测物体的运行状态及时告知所述管理人员,所述运行状态用于指示所述安全运行中心的管理人员对所述待测物体及时进行管理检修工作。
可以看出,本申请实施例中,提供了一种振动智能检测方法及相关产品,所述方法应用于振动检测服务器,所述振动检测服务器与摄像监控系统通信连接,包括:接收来自所述摄像监控系统采集的待测物体的原始监控视频,获取所述原始监控视频中的多帧图像,确定所述待测物体的影像形状特征、影像完整度和影像亮度属性,再根据所述多帧图像、所述影像形状特征、所述影像完整度和所述影像亮度属性,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量,进一步确定所述待测物体的振动信息,最后确定所述待测物体的运行状态,并将所述运行状态发送给安全运行中心。可见,本申请通过振动分析,精准便捷的获取待测物体的运行状态,融合预设振动信息进行故障预测,有利于提高振动检测的有效性、便捷性和通用性;同时,所述振动智能检测装置不需要在被测物体上进行安装、随用随测并且能保存和分析大量振动物体使用时历史测试数据,有利于提高振动智能检测的高效性、准确性和便捷性。
在一个可能的示例中,所述振动检测服务器根据所述多帧图像、所述影像形状特征、所述影像完整度和所述影像亮度属性,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量,包括:振动检测服务器根据所述原始监控视频确定所述待测物体为待测天然气管道,根据所述影像形状特征确定所述待测天然气管道的拐点数量X,获取所述影像完整度Y和所述影像亮度属性Z,其中,X为非负整数,Y大于0且小于1,Z为正整数;所述振动检测服务器确定所述多帧图像中的特征点的目标类型,统计每个目标类型分别包括的特征点数量;所述振动检测服务器确定需要提取的所述多帧图像的初始特征点数量为M,其中,M为正整数,且M小于或等于所述多帧图像中每个参考类型的特征点数量,所述参考类型为所述目标类型中特征点数量不为零的目标类型;所述振动检测服务器根据参数组合(X,Y,Z)查询预设的映射关系表,获取所述参数组合(X,Y,Z)对应的特征点数量影响因子组合(S1,S2,S3,S4),其中,S1表示角点数量影响因子,S2表示边缘点数量影响因子,S3表示亮区暗点数量影响因子,S4表示暗区亮点数量影响因子;所述振动检测服务器根据如下特征点数量计算公式确定需要从所述多个特征点中提取的所述目标类型为角点的特征点数量A、所述目标类型为边缘点的特征点数量B、所述目标类型为亮区暗点的特征点数量C、所述目标类型为暗区亮点的特征点数量D,
A=(0.25+S1)×M,B=(0.25+S2)×M,
C=(0.25+S3)×M,D=(0.25+S4)×M,
其中,-0.25≦Si≦0.75,i=1,2,3,4,S1+S2+S3+S4=0,A、B、C、D为正整数。
其中,所述影像形状特征包括所述待测天然气管道的拐角区域特征,和/或所述待测天然气管道的直管区域特征。
其中,所述影像完整度包括所述待测天然气管道的影像占所述待测天然气管道整体的比例,所述影像完整度从0到1随面积占比的增加而升高。
其中,所述影像亮度属性包括根据所述多帧图像的亮度由低到高分为1到5级。
具体实现中,振动检测服务器根据所述影像形状特征确定所述多帧图像中待测天然气管道的拐点数量2,获取所述影像完整度1和所述影像亮度属性3,根据所述多帧图像中的特征点的目标类型,统计每个目标类型分别包括的特征点数量为角点320个,边缘点300个,亮区暗点120个,暗区亮点105个;根据每个目标类型分别包括的特征点数量,为了合理的减小运算量,先确定需要获取提取的所述多帧图像的初始特征点数量为100个,,根据参数组合(2,1,3)查询预设的映射关系表,获取所述参数组合(2,1,3)对应的特征点数量影响因子组合(0.15,0.15,-0.1,-0.2),通过下述计算得到需要从所述多个特征点中提取的目标类型为角点的特征点数量、目标类型为边缘点的特征点数量、目标类型为亮区暗点的特征点数量和目标类型为暗区亮点的特征点数量,
所述需要从所述多个特征点中提取的目标类型为角点的特征点数量=(0.25+0.15)×100=40,
所述需要从所述多个特征点中提取的目标类型为边缘点的特征点数量=(0.25+0.15)×100=40,
所述需要从所述多个特征点中提取的目标类型为亮区暗点的特征点数量=[0.25+(-0.1)]×100=15,
所述需要从所述多个特征点中提取的目标类型为暗区亮点的特征点数量=[0.25+(-0.2)]×100=5。
具体实现中,振动检测服务器根据所述影像形状特征确定所述多帧图像中待测天然气管道的拐点数量0,获取所述影像完整度1和所述影像亮度属性1,根据所述多帧图像中的特征点的目标类型,统计每个目标类型分别包括的特征点数量为为角点0个,边缘点500个,亮区暗点270个,暗区亮点120个;根据每个目标类型分别包括的特征点数量,为了合理的减小运算量,先确定需要获取提取的所述多帧图像的初始特征点数量为100个,根据参数组合(0,1,4)查询预设的映射关系表,获取所述参数组合(0,1,4)对应的特征点数量影响因子组合(-0.25,0.35,0.05,-0.15),通过下述计算得到需要从所述多个特征点中提取的目标类型为角点的特征点数量、目标类型为边缘点的特征点数量、目标类型为亮区暗点的特征点数量和目标类型为暗区亮点的特征点数量,
所述需要从所述多个特征点中提取的目标类型为角点的特征点数量=[0.25+(-0.25)]×100=0,
所述需要从所述多个特征点中提取的目标类型为边缘点的特征点数量=(0.25+0.35)×100=60,
所述需要从所述多个特征点中提取的目标类型为亮区暗点的特征点数量=(0.25+0.05)×100=30,
所述需要从所述多个特征点中提取的目标类型为暗区亮点的特征点数量=[0.25+(-0.15)]×100=10。
可见,本示例中,振动检测服务器根据所述多帧图像、所述影像形状特征、所述影像完整度和所述影像亮度属性,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量,根据获取到的待检测天然气管道的不同影像确定不同的提取方法,有利于针对图像中不同形状、大小天然气管道进行智能检测,优化了现有的振动智能检测方法,根据待检测天然气管道的多样性场景化,进一步确定待测天然气管道的振动状态,有利于提高了待测振动智能检测的准确性、高效性和便捷性。
在一个可能的示例中,所述振动检测服务器预设的映射关系表包括如下对应关系:参数组合(X1,Y1,Z1)与特征点数量影响因子组合(0.25,-0.05,-0.1,-0.1)之间的映射关系,X1取值范围是3≦X1≦6,Y1取值范围是0.7≦Y1≦1,Z1取值范围是4≦Z1≦5;以及参数组合(X2,Y2,Z2)与特征点数量影响因子组合(-0.15,0,-0.05,0.2)之间的映射关系,X2取值范围是0≦X2≦3,Y2取值范围是0.7≦Y2≦1,Z2取值范围是1≦Z2≦3;以及参数组合(X3,Y3,Z3)与特征点数量影响因子组合(-0.25,-0.1,0,0.35)之间的映射关系,X2取值范围是0≦X2≦2,Y2取值范围是0.2≦Y2≦0.6,Z2取值范围是1≦Z2≦3。
其中,所述参数组合与特征点数量影响因子组合存在多对多的映射关系。
其中,所述预设的映射关系表获取过程如下:获取大量的历史检测数据,根据随机提取策略和参数组合,确定相对应的特征点数量影响因子组合;通过大量的数据收集,记录多组参数组合与其对应的多组特征点数量影响因子组合,形成预设的映射关系表。
其中,获取大量的历史检测数据,根据随机提取策略和参数组合,确定相对应的特征点数量影响因子组合包括:根据所述待测天然气管道的历史检测数据,确定所述待测天然气管道的实际振动信息;根据随机提取策略,随机提取多组不同目标类型和数量的特征点组合,所述多组特征点组合均包括角点、边缘点、亮区暗点和暗区亮点;根据所述多组特征点组合中的特征点,确定所述待测天然气管道的多个测试振动信息,将所述多个测试振动信息与实际振动信息进行比对,确定至少一个测试振动信息与实际振动信息最为接近,记录该测试振动信息对应的特征点组合;根据所述待测天然气管道的多帧图像,确定所述待测天然气管道的拐点数量、影像完整度和影像亮度属性,即参数组合;根据记录的特征点组合与参数组合,得到相对应特征点数量影响因子组合。
在一个可能的示例中,所述振动检测服务器根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,确定所述待测物体的振动信息,包括:振动检测服务器根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,确定稳定的多个运动特征点;所述振动检测服务器对所述多个运动特征点进行跟踪,获得所述多个运动特征点的轨迹向量;所述振动检测服务器根据所述多个运动特征点的轨迹向量确定所述待测物体的振动信息。
其中,所述根据所述多个运动特征点的轨迹向量确定所述待测物体的振动信息包括:根据所述多个运动特征点的轨迹向量对应的帧序列,采用相位相关算法计算帧序列间的交叉互功率谱;对所述交叉互功率谱进行反傅立叶变换,获得所述目标视频中像素的振动信息。所述相位相关算法采用如下的公式计算交叉互功率谱:
上式中,Fa为a帧图像的傅立叶变换,为b帧图像的傅里叶变换的共轭信号,除式的下边为两个傅里叶变换的信号的相关积的模。R为本步骤的计算结果交叉互功率谱。获得交叉互功率谱后,其中包含频域噪音,因此可对其进行滤波处理,提升信噪比,以便提升后续提取的振动信息的准确度。
具体实现中,振动检测服务器确定出的待提取的特征点为150个角点、350个边缘点、250个亮区暗点和250个暗区亮点,确定稳定的多个运动特征点为45个角点、105个边缘点、75个亮区暗点和75个暗区亮点,对多个运动特征点进行跟踪,获得所述多个运动特征点的轨迹向量,进一步确定所述待测物体的振动信息。
可见,振动检测服务器根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,确定稳定的多个运动特征点,再对所述多个运动特征点进行跟踪,获得所述多个运动特征点的轨迹向量,根据所述多个运动特征点的轨迹向量确定所述待测物体的振动信息;有利于优化现有的振动智能检测方法,根据待检测物体的多样性场景化,有利于提高振动智能检测的高效性、准确性和便捷性。
在一个可能的示例中,所述振动检测服务器根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,确定稳定的多个运动特征点,包括:振动检测服务器根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,提取所述待提取的特征点作为初始特征点;所述振动检测服务器将所述初始特征点基于最小差值平方和SSD匹配,计算所述初始特征点的流向量;所述振动检测服务器根据所述流向量计算所述初始特征点的偏移距离;所述振动检测服务器确定所述偏移距离在第一阈值范围内的初始特征点为稳定的运动特征点。
其中,所述基于最小差值平方和SSD匹配包括所述SSD的值越小,说明所述初始特征点之间的相似度越大,根据这一原则可以确定初始特征点的运动轨迹,进而获得初始特征点的流向量。
其中,所述确定所述偏移距离在第一阈值范围内的初始特征点为稳定的运动特征点包括:获得多个初始特征点的偏移距离后,对这些值进行聚类,采用K-means聚类算法对所述多个偏移距离进行聚类,将k值设置为3,获得3个聚类类簇,再分别计算3个类簇的平均值,并获得第一聚类平均值,第二聚类平均值和第三聚类平均值,且第一聚类平均值<第二聚类平均值<第三聚类平均值;确定所述第二聚类平均值为第一阈值范围,确定所述偏移距离在第二聚类平均值中的初始特征点作为所述稳定的运动特征点。
进一步地,第一聚类平均值的类簇对应的初始特征点即可确定为静止点(背景点),第三聚类平均值的类簇对应的初始特征点即可确定为剧烈运动的点,第二聚类平均值的类簇对应的初始特征点确定为微小运动的点,即稳定的运动特征点。
可见,本示例中,振动检测服务器根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,提取所述待提取的特征点作为初始特征点,再将所述初始特征点基于最小差值平方和SSD匹配,计算所述初始特征点的流向量,接着根据所述流向量计算所述初始特征点的偏移距离,确定所述偏移距离在第一阈值范围内的初始特征点为稳定的运动特征点;通过对所述原始监控视频进行振动分析,有利于更加快速准确地获取所述待测物体的多个运动特征点,有利于提高振动智能检测的高效性和便捷性。
在一个可能的示例中,所述振动检测服务器对所述多个运动特征点进行跟踪,获得所述多个运动特征点的轨迹向量,包括:振动检测服务器根据所述多帧图像中的第一帧图像确定所述多个运动特征点中的每个运动特征点的跟踪窗格的大小和位置,所述跟踪窗格用于在所述多帧图像之间对所述运动特征点进行跟踪,所述第一帧图像中的跟踪窗格包含所述运动特征点;所述振动检测服务器在所述多帧图像之间利用所述跟踪窗格对确定的每个所述运动特征点进行跟踪,得到所述多个运动特征点的运动轨迹;所述振动检测服务器根据所述多个运动特征点的运动轨迹,获取所述多个运动特征点的轨迹向量。
其中,所述根据所述多帧图像中的第一帧图像确定所述多个运动特征点中的每个运动特征点的跟踪窗格的大小和位置,所述跟踪窗格用于在所述多帧图像之间对所述运动特征点进行跟踪包括:根据所述多帧图像中的第一帧图像确定所述多个运动特征点中任一角点的第一跟踪窗格的大小,所述第一跟踪窗格用于在多帧图像之间对所述任一角点进行跟踪;根据所述多帧图像中的第一帧图像确定所述多个运动特征点中任一边缘点的第二跟踪窗格的大小,所述第二跟踪窗格用于在多帧图像之间对所述任一边缘点进行跟踪;根据所述多帧图像中的第一帧图像确定所述多个运动特征点中任一亮区暗点的第三跟踪窗格的大小,所述第三跟踪窗格用于在多帧图像之间对所述任一亮区暗点进行跟踪;根据所述多帧图像中的第一帧图像确定所述多个运动特征点中任一暗区亮点的第四跟踪窗格的大小,所述第四跟踪窗格用于在多帧图像之间对所述任一暗区亮点进行跟踪,其中,所述第一跟踪窗格、第二跟踪窗格、第三跟踪窗格和第四跟踪窗格的位置均包含对应的被跟踪的所述运动特征点。
其中,所述根据所述多个运动特征点的运动轨迹,获取所述多个运动特征点的轨迹向量包括:获取所述多个运动特征点的第一颜色特征和第一位置参数;根据所述SSD值最小值匹配,确定所述多个运动特征点对应的第二颜色特征和第二位置参数;根据所述第一颜色特征和所述第二颜色特征计算获得第一运动方向,根据所述第一位置参数和所述第二位置参数计算获得第二运动方向;根据所述第一运动方向和所述第二运动方向,确定所述多个运动特征点的轨迹向量。
具体实现中,如图2B所示,振动检测服务器根据所述多帧图像中的第一帧图像G1确定所述运动特征点O的跟踪窗格的大小和位置,振动检测服务器在所述多帧图像G1、G2、G3、...到Gn-1、Gn之间利用所述跟踪窗格对运动特征点O进行跟踪,得到O的运动轨迹L,进而获取运动特征点O的轨迹向量。
可见,本示例中,振动检测服务器根据所述多帧图像中的第一帧图像确定所述运动特征点的跟踪窗格的大小和位置,在所述多帧图像之间利用所述跟踪窗格对确定的每个所述运动特征点进行跟踪,得到所述多个运动特征点的运动轨迹,再根据所述多个运动特征点的运动轨迹,获取所述多个运动特征点的轨迹向量。有利于准确地对每个运动特征点进行跟踪,及时掌握所述待测物体的运行状态,便于在发生运行异常时及时发现异常位置及异常情况,有利于提高振动智能检测的高效性和准确性。
在一个可能的示例中,所述振动检测服务器根据所述振动信息确定所述待测物体的运行状态,并将所述运行状态发送给安全运行中心,包括:振动检测服务器获取所述待测物体的材质、体积、形状、运行时长、运行环境和运行数据,生成所述待测物体的预设振动信息;所述振动检测服务器根据所述振动信息获取所述待测物体的振动幅度和振动频率;所述振动检测服务器根据所述多帧图像,获取所述待测物体的周围环境状态;所述振动检测服务器检测所述振动幅度和/或所述振动频率的变化情况,根据获取到的所述周围环境状态,将所述振动幅度和/或所述振动频率的变化情况与相应的所述预设振动信息进行比对,生成比对结果;所述振动检测服务器根据所述比对结果,确定所述待测物体的运行状态,并将所述运行状态发送给安全运行中心。
其中,所述预设振动信息包括预算出待测物体在不同健康状况(例如:关键零部件的松动、磨损、毁坏、故障、疲劳等状态)下对应的振动波形图、模态图、热力图等信息,形成大量故障数据库。
其中,所述获取所述待测物体的周围环境状态包括摄像监控设备的稳定性,所述待测物体紧挨物体的振动情况,和/或拍摄到的背景图像(例如周围的树木、石块)的振动情况。
具体实现中,振动检测服务器获取到所述待测物体的材质为钢材、管径1420毫米、运行时长为二年、运行环境为铺设在临近飞机场的小区中,生成所述待测物体的预设振动信息P,包括所述待测物体处于正常状态的预设振动信息P1,所述待测物体处于正常状态的预设振动信息P2,所述待测物体处于异常状态的预设振动信息P3;根据已经获得的振动信息获取所述待测物体的振动幅度和振动频率;确定所述周围环境状态在八点十五分受到飞机起飞引起的环境气压变化等影响,检测到振动幅度发生了V1到V2之间变化,五分钟后,又从V2变到V1,将振动幅度变化与预设振动信息P进行比对,最终确定所述振动幅度变化满足预设振动信息P2,则确定所述待测物体的运行状态正常状态。
可见,本示例中,振动检测服务器获取所述待测物体的材质、体积、形状、运行时长、运行环境和运行数据,生成所述待测物体的预设振动信息,根据所述振动信息获取所述待测物体的振动幅度和振动频率,同时根据所述多帧图像,获取所述待测物体的周围环境状态,接着检测所述振动幅度和/或所述振动频率的变化情况,根据获取到的所述周围环境状态,将所述振动幅度和/或所述振动频率的变化情况与相应的所述预设振动信息进行比对,生成比对结果;所述振动检测服务器根据所述比对结果,确定所述待测物体的运行状态,并将所述运行状态发送给安全运行中心。有利于在智能检测物体时结合具体场景,进行故障预测,并及时将所述运行状态发送给安全运行中心作出相应预警,有利于提高振动智能检测的高效性、准确性和便捷性。
与上述图2A所示的实施例一致的,请参阅图3,图3是本申请实施例提供的一种振动检测服务器500的结构示意图,如图所示,所述振动检测服务器300包括应用处理器310、存储器320、通信接口330以及一个或多个程序321,其中,所述一个或多个程序321被存储在上述存储器320中,并且被配置由上述应用处理器310执行,所述一个或多个程序321包括用于执行上述方法实施例中任一步骤的指令。
图4是本申请实施例中所涉及的振动智能检测装置400的功能单元组成框图。该振动智能检测装置400应用于振动检测服务器,所述振动检测服务器与摄像监控系统通信连接,包括处理单元401、通信单元402和存储单元403,其中,
所述处理单元401,用于执行如上述方法实施例中的任一步骤,且在执行诸如接收、发送等数据传输时,可选择的调用所述通信单元402来完成相应操作。下面进行示例说明。
所述处理单元401,用于调用所述通信单元402接收来自所述摄像监控系统采集的待测物体的原始监控视频;以及用于获取所述原始监控视频中的多帧图像,确定所述待测物体的影像形状特征、影像完整度和影像亮度属性;以及用于根据所述多帧图像、所述影像形状特征、所述影像完整度和所述影像亮度属性,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量;以及用于根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,确定所述待测物体的振动信息;以及用于根据所述振动信息确定所述待测物体的运行状态,并调用所述通信单元402将所述运行状态发送给安全运行中心。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
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,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元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器中。基于这样的理解,本申请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全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory ,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种振动智能检测方法,其特征在于,应用于振动检测服务器,所述振动检测服务器与摄像监控系统通信连接;所述方法包括:
接收来自所述摄像监控系统采集的待测物体的原始监控视频;
获取所述原始监控视频中的多帧图像,确定所述待测物体的影像形状特征、影像完整度和影像亮度属性;
根据所述多帧图像、所述影像形状特征、所述影像完整度和所述影像亮度属性,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量;
根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,确定所述待测物体的振动信息;
根据所述振动信息确定所述待测物体的运行状态,并将所述运行状态发送给安全运行中心。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多帧图像、所述影像形状特征、所述影像完整度和所述影像亮度属性,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量,包括:
根据所述原始监控视频确定所述待测物体为待测天然气管道,根据所述影像形状特征确定所述待测天然气管道的拐点数量X,获取所述影像完整度Y和所述影像亮度属性Z,其中,X为非负整数,Y大于0且小于1,Z为正整数;
确定所述多帧图像中的特征点的目标类型,统计每个目标类型分别包括的特征点数量;
确定需要提取的所述多帧图像的初始特征点数量为M,其中,M为正整数,且M小于或等于所述多帧图像中每个参考类型的特征点数量,所述参考类型为所述目标类型中特征点数量不为零的目标类型;
根据参数组合(X,Y,Z)查询预设的映射关系表,获取所述参数组合(X,Y,Z)对应的特征点数量影响因子组合(S1,S2,S3,S4),其中,S1表示角点数量影响因子,S2表示边缘点数量影响因子,S3表示亮区暗点数量影响因子,S4表示暗区亮点数量影响因子;
根据如下特征点数量计算公式确定需要从所述多个特征点中提取的所述目标类型为角点的特征点数量A、所述目标类型为边缘点的特征点数量B、所述目标类型为亮区暗点的特征点数量C、所述目标类型为暗区亮点的特征点数量D,
A=(0.25+S1)×M,B=(0.25+S2)×M,
C=(0.25+S3)×M,D=(0.25+S4)×M,
其中,-0.25≦Si≦0.75,i=1,2,3,4,S1+S2+S3+S4=0,A、B、C、D为正整数。
3.根据权利要求2所述的方法,其特征在于,所述预设的映射关系表包括如下对应关系:
参数组合(X1,Y1,Z1)与特征点数量影响因子组合(0.25,-0.05,
-0.1,-0.1)之间的映射关系,X1取值范围是3≦X1≦6,Y1取值范围是0.7≦Y1≦1,Z1取值范围是4≦Z1≦5;
以及参数组合(X2,Y2,Z2)与特征点数量影响因子组合(-0.15,0,
-0.05,0.2)之间的映射关系,X2取值范围是0≦X2≦3,Y2取值范围是0.7≦Y2≦1,Z2取值范围是1≦Z2≦3;
以及参数组合(X3,Y3,Z3)与特征点数量影响因子组合(-0.25,-0.1,0,0.35)之间的映射关系,X2取值范围是0≦X2≦2,Y2取值范围是0.2≦Y2≦0.6,Z2取值范围是1≦Z2≦3。
4.根据权利要求1所述的方法,其特征在于,所述根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,确定所述待测物体的振动信息,包括:
根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,确定稳定的多个运动特征点;
对所述多个运动特征点进行跟踪,获得所述多个运动特征点的轨迹向量;
根据所述多个运动特征点的轨迹向量确定所述待测物体的振动信息。
5.根据权利要求4所述的方法,其特征在于,所述根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,确定稳定的多个运动特征点,包括:
根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,提取所述待提取的特征点作为初始特征点;
将所述初始特征点基于最小差值平方和SSD匹配,计算所述初始特征点的流向量;
根据所述流向量计算所述初始特征点的偏移距离;
确定所述偏移距离在第一阈值范围内的初始特征点为稳定的运动特征点。
6.根据权利要求4或5任一项所述的方法,其特征在于,所述对所述多个运动特征点进行跟踪,获得所述多个运动特征点的轨迹向量,包括:
根据所述多帧图像中的第一帧图像确定所述多个运动特征点中的每个运动特征点的跟踪窗格的大小和位置,所述跟踪窗格用于在所述多帧图像之间对所述运动特征点进行跟踪,所述第一帧图像中的跟踪窗格包含所述运动特征点;
在所述多帧图像之间利用所述跟踪窗格对确定的每个所述运动特征点进行跟踪,得到所述多个运动特征点的运动轨迹;
根据所述多个运动特征点的运动轨迹,获取所述多个运动特征点的轨迹向量。
7.根据权利要求1所述的方法,其特征在于,所述根据所述振动信息确定所述待测物体的运行状态,并将所述运行状态发送给安全运行中心,包括:
获取所述待测物体的材质、体积、形状、运行时长、运行环境和运行数据,生成所述待测物体的预设振动信息;
根据所述振动信息获取所述待测物体的振动幅度和振动频率;
根据所述多帧图像,获取所述待测物体的周围环境状态;
检测所述振动幅度和/或所述振动频率的变化情况,根据获取到的所述周围环境状态,将所述振动幅度和/或所述振动频率的变化情况与相应的所述预设振动信息进行比对,生成比对结果;
根据所述比对结果,确定所述待测物体的运行状态,并将所述运行状态发送给安全运行中心。
8.一种振动智能检测装置,其特征在于,应用于振动检测服务器,所述振动检测服务器与摄像监控系统通信连接;所述振动智能检测装置包括处理单元、通信单元和存储单元,其中,
所述处理单元,用于调用所述通信单元接收来自所述摄像监控系统采集的待测物体的原始监控视频;以及用于获取所述原始监控视频中的多帧图像,确定所述待测物体的影像形状特征、影像完整度和影像亮度属性;以及用于根据所述多帧图像、所述影像形状特征、所述影像完整度和所述影像亮度属性,确定待提取的特征点的目标类型以及所述目标类型对应的目标数量;以及用于根据确定出的所述待提取的特征点的目标类型及所述目标类型对应的目标数量,确定所述待测物体的振动信息;以及用于根据所述振动信息确定所述待测物体的运行状态,并调用所述通信单元将所述运行状态发送给安全运行中心。
9.一种振动检测服务器,其特征在于,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-7任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910735972.8A CN110245650B (zh) | 2019-08-09 | 2019-08-09 | 振动智能检测方法及相关产品 |
PCT/CN2020/105734 WO2021027584A1 (zh) | 2019-08-09 | 2020-07-30 | 振动智能检测方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910735972.8A CN110245650B (zh) | 2019-08-09 | 2019-08-09 | 振动智能检测方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110245650A true CN110245650A (zh) | 2019-09-17 |
CN110245650B CN110245650B (zh) | 2019-12-03 |
Family
ID=67893856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910735972.8A Active CN110245650B (zh) | 2019-08-09 | 2019-08-09 | 振动智能检测方法及相关产品 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110245650B (zh) |
WO (1) | WO2021027584A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150413A (zh) * | 2020-09-01 | 2020-12-29 | 珠海格力电器股份有限公司 | 一种管路振动检测方法、装置、设备及存储介质 |
WO2021027584A1 (zh) * | 2019-08-09 | 2021-02-18 | 深圳市广宁股份有限公司 | 振动智能检测方法及相关产品 |
CN112528854A (zh) * | 2020-12-12 | 2021-03-19 | 南方电网调峰调频发电有限公司 | 振动对象监测方法、装置、计算机设备和存储介质 |
CN113464380A (zh) * | 2021-08-09 | 2021-10-01 | 观为监测技术无锡股份有限公司 | 一种塔筒安全性能确定方法、装置、设备及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642167B (zh) * | 2021-08-04 | 2023-09-08 | 北京市科学技术研究院城市安全与环境科学研究所 | 多措施组合轨道交通环境减振效果估计方法、装置和设备 |
CN114155218B (zh) * | 2021-11-26 | 2024-06-11 | 北京理工大学 | 一种螺纹连接旋转松动角度的测量方法、装置及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107328465A (zh) * | 2017-08-23 | 2017-11-07 | 国网福建省电力有限公司 | 海底电缆振动监测系统 |
CN107909575A (zh) * | 2017-12-30 | 2018-04-13 | 煤炭科学研究总院唐山研究院 | 针对振动筛运行状态的双目视觉在线检测装置及检测方法 |
CN107945166A (zh) * | 2017-11-24 | 2018-04-20 | 中国船舶重工集团公司第七〇九研究所 | 基于双目视觉的待测物体三维振动轨迹的测量方法 |
CN108458748A (zh) * | 2018-02-07 | 2018-08-28 | 王艳霞 | 一种管线运行状态检测装置 |
CN109345148A (zh) * | 2018-11-26 | 2019-02-15 | 南智(重庆)能源技术有限公司 | 天然气管道及场站工艺装置安全隐患识别的智能诊断方法 |
CN109584238A (zh) * | 2018-12-07 | 2019-04-05 | 北京航空航天大学 | 一种基于立体视觉的弓网运行状况在线检测系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102594595A (zh) * | 2012-02-08 | 2012-07-18 | 中国科学院上海微系统与信息技术研究所 | 一种基于无线传感器网络用于管网监测的混合系统 |
CA2921591A1 (en) * | 2013-08-18 | 2015-02-26 | Illusense Inc. | Systems and methods for optical scanning of fluid transport pipelines |
CN108680243A (zh) * | 2018-03-30 | 2018-10-19 | 昆山迈致治具科技有限公司 | 物体振动的检测方法、装置、系统及存储介质 |
CN109883533B (zh) * | 2019-01-21 | 2021-05-25 | 哈尔滨工业大学(深圳) | 基于机器视觉的低频振动测量方法 |
CN110245650B (zh) * | 2019-08-09 | 2019-12-03 | 深圳市广宁股份有限公司 | 振动智能检测方法及相关产品 |
-
2019
- 2019-08-09 CN CN201910735972.8A patent/CN110245650B/zh active Active
-
2020
- 2020-07-30 WO PCT/CN2020/105734 patent/WO2021027584A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107328465A (zh) * | 2017-08-23 | 2017-11-07 | 国网福建省电力有限公司 | 海底电缆振动监测系统 |
CN107945166A (zh) * | 2017-11-24 | 2018-04-20 | 中国船舶重工集团公司第七〇九研究所 | 基于双目视觉的待测物体三维振动轨迹的测量方法 |
CN107909575A (zh) * | 2017-12-30 | 2018-04-13 | 煤炭科学研究总院唐山研究院 | 针对振动筛运行状态的双目视觉在线检测装置及检测方法 |
CN108458748A (zh) * | 2018-02-07 | 2018-08-28 | 王艳霞 | 一种管线运行状态检测装置 |
CN109345148A (zh) * | 2018-11-26 | 2019-02-15 | 南智(重庆)能源技术有限公司 | 天然气管道及场站工艺装置安全隐患识别的智能诊断方法 |
CN109584238A (zh) * | 2018-12-07 | 2019-04-05 | 北京航空航天大学 | 一种基于立体视觉的弓网运行状况在线检测系统及方法 |
Non-Patent Citations (6)
Title |
---|
JIANNAN YAO ET AL: "Video-based measurement for transverse vibrations of moving catenaries in mine hoist using mean shift tracking", 《ADVANCES IN MECHANICAL ENGINEERING》 * |
付红丽: "基于视觉麦克风技术的振动监测研究", 《道客巴巴: HTTPS://WWW.DOC88.COM/P-4931662163487.HTML》 * |
代云超 等: "基于视频跟踪的大型结构低频振动研究", 《数据通信》 * |
杨硕 等: "基于双目视觉的振动筛运行状态在线检测方法", 《工矿自动化》 * |
王彤 等: "基于视频测量的运行状态模态分析", 《振动与冲击》 * |
范登科 等: "基于视频追踪的雨棚结构震动监测方法探讨", 《地理空间信息》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021027584A1 (zh) * | 2019-08-09 | 2021-02-18 | 深圳市广宁股份有限公司 | 振动智能检测方法及相关产品 |
CN112150413A (zh) * | 2020-09-01 | 2020-12-29 | 珠海格力电器股份有限公司 | 一种管路振动检测方法、装置、设备及存储介质 |
CN112528854A (zh) * | 2020-12-12 | 2021-03-19 | 南方电网调峰调频发电有限公司 | 振动对象监测方法、装置、计算机设备和存储介质 |
CN112528854B (zh) * | 2020-12-12 | 2023-07-25 | 南方电网调峰调频发电有限公司 | 振动对象监测方法、装置、计算机设备和存储介质 |
US11972557B2 (en) | 2020-12-12 | 2024-04-30 | Csg Power Generation Co., Ltd. | Vibration object monitoring method and apparatus, computer device and storage medium |
CN113464380A (zh) * | 2021-08-09 | 2021-10-01 | 观为监测技术无锡股份有限公司 | 一种塔筒安全性能确定方法、装置、设备及存储介质 |
CN113464380B (zh) * | 2021-08-09 | 2022-09-27 | 观为监测技术无锡股份有限公司 | 一种塔筒安全性能确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021027584A1 (zh) | 2021-02-18 |
CN110245650B (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245650B (zh) | 振动智能检测方法及相关产品 | |
WO2021036671A1 (zh) | 基于数字孪生的智能振动检测方法及装置 | |
CN109620244B (zh) | 基于条件生成对抗网络和svm的婴儿异常行为检测方法 | |
Zheng et al. | Sucker rod pumping diagnosis using valve working position and parameter optimal continuous hidden Markov model | |
CN109934268A (zh) | 异常交易检测方法及系统 | |
CN115577114A (zh) | 一种基于时序知识图谱的事件检测方法和装置 | |
CN106845526A (zh) | 一种基于大数据融合聚类分析的关联参数故障分类方法 | |
CN103793606A (zh) | 多源传感器目标综合识别系统性能评估方法 | |
CN110490486B (zh) | 一种企业大数据管理系统 | |
CN107808100B (zh) | 针对特定测试样本的隐写分析方法 | |
CN110414306B (zh) | 一种基于meanshift算法和SVM的婴儿异常行为检测方法 | |
CN110348508A (zh) | 检验异常值的数据核验方法及其系统、电子设备 | |
CN110334816A (zh) | 一种工业设备检测方法、装置、设备及可读存储介质 | |
CN110569876A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
CN110335313A (zh) | 音频采集设备定位方法及装置、说话人识别方法及系统 | |
Wen et al. | A new method for identifying the ball screw degradation level based on the multiple classifier system | |
CN116664551B (zh) | 基于机器视觉的显示屏检测方法、装置、设备及存储介质 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
CN103902798B (zh) | 数据预处理方法 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN109040084A (zh) | 一种网络流量异常检测方法、装置、设备及存储介质 | |
CN103914373B (zh) | 一种用于确定模块特征信息所对应的优先级的方法和设备 | |
CN111784379B (zh) | 追缴电费的估算方法、装置和异常案例的筛选方法、装置 | |
CN116486146A (zh) | 一种旋转机械设备的故障检测方法、系统、装置和介质 | |
CN110008972A (zh) | 用于数据增强的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |