CN110322439A - 一种自动检测轴承保持架歪斜的角点检测方法及系统 - Google Patents

一种自动检测轴承保持架歪斜的角点检测方法及系统 Download PDF

Info

Publication number
CN110322439A
CN110322439A CN201910567016.3A CN201910567016A CN110322439A CN 110322439 A CN110322439 A CN 110322439A CN 201910567016 A CN201910567016 A CN 201910567016A CN 110322439 A CN110322439 A CN 110322439A
Authority
CN
China
Prior art keywords
bearing retainer
image
retainer
acquisition
skew
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
CN201910567016.3A
Other languages
English (en)
Inventor
蔡凡
朱同波
王岳桦
胡志超
张云鹏
宫立达
苏燕云
彭川来
陈春彩
郑洪庆
林木泉
林志灿
王文武
林宗德
何其明
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.)
Minnan University of Science and Technology
Original Assignee
Minnan University of Science and Technology
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 Minnan University of Science and Technology filed Critical Minnan University of Science and Technology
Priority to CN201910567016.3A priority Critical patent/CN110322439A/zh
Publication of CN110322439A publication Critical patent/CN110322439A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Rolling Contact Bearings (AREA)

Abstract

本发明属于轴承保持架歪斜检测技术领域，公开了一种自动检测轴承保持架歪斜的角点检测方法及系统，摄像设备采集轴承保持架灰度图像数据；对采集的图像进行增强处理；对采集的轴承保持架灰度图像进行二值化处理；利用标准轴承保持架模板对二值化处理后的图像进行遍历，并实时获取标准轴承保持架模板的对角线上的像素信息，根据对角线上的像素信息确定采集图像的角点；根据获取的图像的角点测量轴承保持架歪斜程度；对轴承保持架稳定性进行预测；显示器显示采集的轴承保持架灰度图像数据、测量的歪斜程度、稳定性预测结果信息。本发明能够提升角点检测的准确率，有利于摄像头标定中对保持架歪斜程度参数的计算；节约了计算时间，提高了分析效率。

Description

一种自动检测轴承保持架歪斜的角点检测方法及系统
技术领域
本发明属于轴承保持架歪斜检测技术领域，尤其涉及一种自动检测轴承保持架歪斜的角点检测方法及系统。
背景技术
目前，最接近的现有技术：保持架(即轴承保持架，又称轴承保持器)，指部分地包裹全部或部分滚动体，并随之运动的轴承零件，用以隔离滚动体，通常还引导滚动体并将其保持在轴承内。滚动轴承在工作时，特别是载荷复杂且高速旋转时，保持架要承受很大的离心力、冲击和振动，保持架和滚动体之间存在较大的滑动摩擦，并产生大量的热量。力和热共同作用的结果会导致保持架故障，严重时会造成保持架烧伤和断裂。因此，要求保持架材料导热性好、耐磨性好、摩擦系数小，有较小的密度，一定的强度和韧性的配合、较好的弹性和刚度.与滚动体相近的膨胀系数.以及良好的加工工艺性能。另外，保持架还要受到化学介质，如润滑剂、润滑剂添加剂、有机溶剂和冷却剂等的作用。然而，现有轴承保持架歪斜的角点检测不准确；同时，不能对轴承保持架稳定性进行准确的预测；当保持架不稳定运行时，滚动体和保持架之间存在强烈的瞬时碰撞，从而加速保持架磨损，加速保持架和轴承失效。
综上所述，现有技术存在的问题是：现有轴承保持架歪斜的角点检测不准确；同时，不能对轴承保持架稳定性进行准确的预测；当保持架不稳定运行时，滚动体和保持架之间存在强烈的瞬时碰撞，从而加速保持架磨损，加速保持架和轴承失效。
发明内容
针对现有技术存在的问题，本发明提供了一种自动检测轴承保持架歪斜的角点检测方法及系统。
本发明是这样实现的，一种自动检测轴承保持架歪斜的角点检测方法，所述自动检测轴承保持架歪斜的角点检测方法包括以下步骤：
步骤一，摄像设备采集轴承保持架灰度图像数据；
步骤二，对采集的图像进行增强处理；
步骤三，对采集的轴承保持架灰度图像进行二值化处理；
步骤四，利用标准轴承保持架模板对二值化处理后的图像进行遍历，并实时获取标准轴承保持架模板的对角线上的像素信息，根据对角线上的像素信息确定采集图像的角点；
步骤五，根据获取的图像的角点测量轴承保持架歪斜程度；
步骤六，对轴承保持架稳定性进行预测；
步骤七，显示器显示采集的轴承保持架灰度图像数据、测量的歪斜程度、稳定性预测结果信息。
进一步，所述对采集的图像进行增强处理方法如下：
(1)通过图像处理程序计算所述轴承保持架图像的直方图，并将所述直方图的中值作为二值化初始中值Tinit；
(2)根据Tinit将所述轴承保持架图像的像素分成第一组像素和第二组像素，其中，所述第一组像素的灰度值满足条件G(x,y)≥Tinit，所述第二组像素的灰度值满足条件G(x,y)<Tinit；
(3)分别计算所述第一组像素和所述第二组像素中像素的平均灰度值u1、u2；
(4)根据u1、u2计算新的像素分组阈值T，其中，T＝(u1+u2)/2；
(5)将所述新的像素分组阈值T作为二值化中值，并重复执行(1)-(4)，直至T<Tinit；
(6)根据最终得到的像素分组阈值T对所述轴承保持架图像中的像素进行分组，得到所述二值化处理后的轴承保持架图像。
进一步，所述对轴承保持架稳定性进行预测方法如下：
(1)通过计算程序采用轴承保持架动力学模型ADORE计算轴承保持架保持架在转速和载荷作用下的保持架的不稳定度；
(2)构建核超限学习机KELM模型；
(3)对KELM模型进行训练；以轴承转速和载荷作为输入，以轴承保持架动力学模型ADORE计算得到的保持架不稳定度作为输出训练核超限学习机KELM模型；
(4)利用训练好的KELM模型对任意转速和载荷作用下的保持架不稳定度进行预测。
进一步，所述步骤(1)采取以下方法，由轴承保持架动力学模型ADORE计算时刻t下保持架的涡动速度ωc(t)以及旋转速度ωx(t)；
计算涡动速度ωc(t)与旋转速度ωx(t)之间的相对误差Δωc(t)，其表达式为：
计算时间历程T内相对误差Δωc(t)的均方根值Xrms，表达式为：
均方根值Xrms越大说明保持架的稳定性越差，将均方根值Xrms作为保持架的不稳定度。
本发明的另一目的在于提供一种基于所述自动检测轴承保持架歪斜的角点检测方法的自动检测轴承保持架歪斜的角点检测系统，所述自动检测轴承保持架歪斜的角点检测系统包括：
保持架图像采集模块，与主控模块连接，用于通过摄像设备采集轴承保持架灰度图像数据；
主控模块，与保持架图像采集模块、图像增强模块、图像处理模块、角点确定模块、测量模块、稳定性预测模块、显示模块连接，用于通过单片机控制各个模块正常工作；
图像增强模块，与主控模块连接，用于通过图像增强程序对采集的图像进行增强处理；
图像处理模块，与主控模块连接，用于通过图像处理程序对采集的轴承保持架灰度图像进行二值化处理；
角点确定模块，与主控模块连接，用于通过标准轴承保持架模板对二值化处理后的图像进行遍历，并实时获取标准轴承保持架模板的对角线上的像素信息，根据对角线上的像素信息确定采集图像的角点；
测量模块，与主控模块连接，用于通过测量程序根据获取的图像的角点测量轴承保持架歪斜程度；
稳定性预测模块，与主控模块连接，用于通过预测程序对轴承保持架稳定性进行预测；
显示模块，与主控模块连接，用于通过显示器显示采集的轴承保持架灰度图像数据、测量的歪斜程度、稳定性预测结果信息。
本发明的另一目的在于提供一种应用所述自动检测轴承保持架歪斜的角点检测方法的轴承保持架歪斜检测控制系统。
本发明的优点及积极效果为：本发明通过图像处理模块对获取的轴承保持架图像进行二值化处理，进而通过标准轴承保持架模板对二值化处理后的图像进行遍历，并实时获取标准轴承保持架模板的对角线上的像素信息，根据对角线上的像素信息确定采集图像的角点；能够提升角点检测的准确率，进而有利于摄像头标定中对保持架歪斜程度参数的计算；同时，通过稳定性预测模块采用轴承保持架动力学模型ADORE计算得到的保持架的不稳定度对KELM模型进行训练，则保持架在其他转速和载荷作用下的稳定性即可采用训练好的KELM模型进行预测，无需再采用动力学模型进行计算，节约了计算时间，提高了分析效率。采用核超限学习机的主要优势在于，核超限学习机模型鲁棒性和容错性强、泛化能力好。相比于现有的智能预测算法，核超限学习机的关键优势是需要设置的参数较少并且不存在重复运算，所以运算的速度较快。
附图说明
图1是本发明实施例提供的自动检测轴承保持架歪斜的角点检测方法流程图。
图2是本发明实施例提供的自动检测轴承保持架歪斜的角点检测系统结构示意图；
图中：1、保持架图像采集模块；2、主控模块；3、图像增强模块；4、图像处理模块；5、角点确定模块；6、测量模块；7、稳定性预测模块；8、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
针对现有技术存在的问题，本发明提供了一种自动检测轴承保持架歪斜的角点检测方法及系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的自动检测轴承保持架歪斜的角点检测方法包括以下步骤：
S101：通过保持架图像采集模块利用摄像设备采集轴承保持架灰度图像数据；
S102：主控模块通过图像增强模块利用图像增强程序对采集的图像进行增强处理；
S103：通过图像处理模块利用图像处理程序对采集的轴承保持架灰度图像进行二值化处理；
S104：通过角点确定模块利用标准轴承保持架模板对二值化处理后的图像进行遍历，并实时获取标准轴承保持架模板的对角线上的像素信息，根据对角线上的像素信息确定采集图像的角点；
S105：通过测量模块利用测量程序根据获取的图像的角点测量轴承保持架歪斜程度；
S106：通过稳定性预测模块利用预测程序对轴承保持架稳定性进行预测；
S107：通过显示模块利用显示器显示采集的轴承保持架灰度图像数据、测量的歪斜程度、稳定性预测结果信息。
如图2所示，本发明实施例提供的自动检测轴承保持架歪斜的角点检测系统包括：保持架图像采集模块1、主控模块2、图像增强模块3、图像处理模块4、角点确定模块5、测量模块6、稳定性预测模块7、显示模块8。
保持架图像采集模块1、主控模块2、图像增强模块3、图像处理模块4、角点确定模块5、测量模块6、稳定性预测模块7、显示模块8。
保持架图像采集模块1，与主控模块2连接，用于通过摄像设备采集轴承保持架灰度图像数据；
主控模块2，与保持架图像采集模块1、图像增强模块3、图像处理模块4、角点确定模块5、测量模块6、稳定性预测模块7、显示模块8连接，用于通过单片机控制各个模块正常工作；
图像增强模块3，与主控模块2连接，用于通过图像增强程序对采集的图像进行增强处理；
图像处理模块4，与主控模块2连接，用于通过图像处理程序对采集的轴承保持架灰度图像进行二值化处理；
角点确定模块5，与主控模块2连接，用于通过标准轴承保持架模板对二值化处理后的图像进行遍历，并实时获取标准轴承保持架模板的对角线上的像素信息，根据对角线上的像素信息确定采集图像的角点；
测量模块6，与主控模块2连接，用于通过测量程序根据获取的图像的角点测量轴承保持架歪斜程度；
稳定性预测模块7，与主控模块2连接，用于通过预测程序对轴承保持架稳定性进行预测；
显示模块8，与主控模块2连接，用于通过显示器显示采集的轴承保持架灰度图像数据、测量的歪斜程度、稳定性预测结果信息。
本发明提供的图像处理模块4处理方法如下：
A、通过图像处理程序计算所述轴承保持架图像的直方图，并将所述直方图的中值作为二值化初始中值Tinit；
B、根据Tinit将所述轴承保持架图像的像素分成第一组像素和第二组像素，其中，所述第一组像素的灰度值满足条件G(x,y)≥Tinit，所述第二组像素的灰度值满足条件G(x,y)<Tinit；
C、分别计算所述第一组像素和所述第二组像素中像素的平均灰度值u1、u2；
D、根据u1、u2计算新的像素分组阈值T，其中，T＝(u1+u2)/2；
E、将所述新的像素分组阈值T作为二值化中值，并重复执行步骤B-E，直至T<Tinit；
F、根据最终得到的像素分组阈值T对所述轴承保持架图像中的像素进行分组，得到所述二值化处理后的轴承保持架图像。
在本发明的优选实施例中，稳定性预测模块7预测方法如下：
(1)通过计算程序采用轴承保持架动力学模型ADORE计算轴承保持架保持架在转速和载荷作用下的保持架的不稳定度；
(2)构建核超限学习机KELM模型；
(3)对KELM模型进行训练；以轴承转速和载荷作为输入，以轴承保持架动力学模型ADORE计算得到的保持架不稳定度作为输出训练核超限学习机KELM模型；
(4)利用训练好的KELM模型对任意转速和载荷作用下的保持架不稳定度进行预测。
本发明提供的步骤(1)采取以下方法，由轴承保持架动力学模型ADORE计算时刻t下保持架的涡动速度ωc(t)以及旋转速度ωx(t)；
计算涡动速度ωc(t)与旋转速度ωx(t)之间的相对误差Δωc(t)，其表达式为：
计算时间历程T内相对误差Δωc(t)的均方根值Xrms，表达式为：
均方根值Xrms越大说明保持架的稳定性越差，将均方根值Xrms作为保持架的不稳定度。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (6)

1.一种自动检测轴承保持架歪斜的角点检测方法，其特征在于，所述自动检测轴承保持架歪斜的角点检测方法包括以下步骤：
步骤一，摄像设备采集轴承保持架灰度图像数据；
步骤二，对采集的图像进行增强处理；
步骤三，对采集的轴承保持架灰度图像进行二值化处理；
步骤四，利用标准轴承保持架模板对二值化处理后的图像进行遍历，并实时获取标准轴承保持架模板的对角线上的像素信息，根据对角线上的像素信息确定采集图像的角点；
步骤五，根据获取的图像的角点测量轴承保持架歪斜程度；
步骤六，对轴承保持架稳定性进行预测；
步骤七，显示器显示采集的轴承保持架灰度图像数据、测量的歪斜程度、稳定性预测结果信息。
2.如权利要求1所述的自动检测轴承保持架歪斜的角点检测方法，其特征在于，所述对采集的图像进行增强处理方法如下：
(1)通过图像处理程序计算所述轴承保持架图像的直方图，并将所述直方图的中值作为二值化初始中值Tinit；
(2)根据Tinit将所述轴承保持架图像的像素分成第一组像素和第二组像素，其中，所述第一组像素的灰度值满足条件G(x,y)≥Tinit，所述第二组像素的灰度值满足条件G(x,y)<Tinit；
(3)分别计算所述第一组像素和所述第二组像素中像素的平均灰度值u1、u2；
(4)根据u1、u2计算新的像素分组阈值T，其中，T＝(u1+u2)/2；
(5)将所述新的像素分组阈值T作为二值化中值，并重复执行(1)-(4)，直至T<Tinit；
(6)根据最终得到的像素分组阈值T对所述轴承保持架图像中的像素进行分组，得到所述二值化处理后的轴承保持架图像。
3.如权利要求1所述的自动检测轴承保持架歪斜的角点检测方法，其特征在于，所述对轴承保持架稳定性进行预测方法如下：
(1)通过计算程序采用轴承保持架动力学模型ADORE计算轴承保持架保持架在转速和载荷作用下的保持架的不稳定度；
(2)构建核超限学习机KELM模型；
(3)对KELM模型进行训练；以轴承转速和载荷作为输入，以轴承保持架动力学模型ADORE计算得到的保持架不稳定度作为输出训练核超限学习机KELM模型；
(4)利用训练好的KELM模型对任意转速和载荷作用下的保持架不稳定度进行预测。
4.如权利要求3所述的自动检测轴承保持架歪斜的角点检测方法，其特征在于，所述步骤(1)采取以下方法，由轴承保持架动力学模型ADORE计算时刻t下保持架的涡动速度ωc(t)以及旋转速度ωx(t)；
计算涡动速度ωc(t)与旋转速度ωx(t)之间的相对误差Δωc(t)，其表达式为：
计算时间历程T内相对误差Δωc(t)的均方根值Xrms，表达式为：
均方根值Xrms越大说明保持架的稳定性越差，将均方根值Xrms作为保持架的不稳定度。
5.一种基于权利要求1所述自动检测轴承保持架歪斜的角点检测方法的自动检测轴承保持架歪斜的角点检测系统，其特征在于，所述自动检测轴承保持架歪斜的角点检测系统包括：
保持架图像采集模块，与主控模块连接，用于通过摄像设备采集轴承保持架灰度图像数据；
主控模块，与保持架图像采集模块、图像增强模块、图像处理模块、角点确定模块、测量模块、稳定性预测模块、显示模块连接，用于通过单片机控制各个模块正常工作；
图像增强模块，与主控模块连接，用于通过图像增强程序对采集的图像进行增强处理；
图像处理模块，与主控模块连接，用于通过图像处理程序对采集的轴承保持架灰度图像进行二值化处理；
角点确定模块，与主控模块连接，用于通过标准轴承保持架模板对二值化处理后的图像进行遍历，并实时获取标准轴承保持架模板的对角线上的像素信息，根据对角线上的像素信息确定采集图像的角点；
测量模块，与主控模块连接，用于通过测量程序根据获取的图像的角点测量轴承保持架歪斜程度；
稳定性预测模块，与主控模块连接，用于通过预测程序对轴承保持架稳定性进行预测；
显示模块，与主控模块连接，用于通过显示器显示采集的轴承保持架灰度图像数据、测量的歪斜程度、稳定性预测结果信息。
6.一种应用权利要求1～4任意一项所述自动检测轴承保持架歪斜的角点检测方法的轴承保持架歪斜检测控制系统。
CN201910567016.3A 2019-06-27 2019-06-27 一种自动检测轴承保持架歪斜的角点检测方法及系统 Pending CN110322439A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910567016.3A CN110322439A (zh) 2019-06-27 2019-06-27 一种自动检测轴承保持架歪斜的角点检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910567016.3A CN110322439A (zh) 2019-06-27 2019-06-27 一种自动检测轴承保持架歪斜的角点检测方法及系统

Publications (1)

Publication Number Publication Date
CN110322439A true CN110322439A (zh) 2019-10-11

Family

ID=68120449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910567016.3A Pending CN110322439A (zh) 2019-06-27 2019-06-27 一种自动检测轴承保持架歪斜的角点检测方法及系统

Country Status (1)

Country Link
CN (1) CN110322439A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113192095A (zh) * 2021-05-20 2021-07-30 郑州轻工业大学 一种基于平行四边形对角线的角点检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113192095A (zh) * 2021-05-20 2021-07-30 郑州轻工业大学 一种基于平行四边形对角线的角点检测方法
CN113192095B (zh) * 2021-05-20 2022-09-23 郑州轻工业大学 一种基于平行四边形对角线的角点检测方法

Similar Documents

Publication Publication Date Title
CN102221556B (zh) 基于机器视觉的小型连接件外观缺陷在线检测装置与方法
Miao et al. A U-Net-based approach for tool wear area detection and identification
CN109969736A (zh) 一种大型运载皮带跑偏故障智能检测方法
CN106643965B (zh) 一种利用模板匹配精确识别液位的方法
CN103499585A (zh) 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置
Wang et al. Intelligent prediction of wear location and mechanism using image identification based on improved Faster R-CNN model
CN1587905A (zh) 电梯导轨垂直度检测机器人
CN115526515B (zh) 一种水利水电用闸门的安全监测系统
CN104613869A (zh) 一种基于最大内切圆的椭圆孔组检测方法和系统
CN111899216A (zh) 一种高铁接触网绝缘子紧固件的异常检测方法
CN110873718A (zh) 基于机器视觉的钢板表面缺陷检测系统及方法
CN105404866B (zh) 一种多模式自动实施人体状态感知的实现方法
CN110322439A (zh) 一种自动检测轴承保持架歪斜的角点检测方法及系统
Qiu et al. Rail fastener positioning based on double template matching
CN102609727A (zh) 基于无量纲特征提取的火灾火焰检测方法
CN117518982B (zh) 一种提高机床加工精度的方法及系统
CN206019585U (zh) 钢轨磨耗检测系统
Huo et al. VDDNet: An object detection model for measuring the vibration displacement of rotating structure
CN103644898A (zh) 河工模型试验水边界识别测量系统与测量方法
CN113781513B (zh) 一种电厂供水管道泄漏检测方法及系统
CN102542239B (zh) 一种烧结机尾红断面有效图像自动捕捉方法
CN114882009A (zh) 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统
Tan et al. RTS-LCSS: A New Method for Real-Time Monitoring of Pantograph Structure
CN104486581B (zh) 一种多仿生眼监控区域画面实时动态显示方法及系统
CN111340802A (zh) 一种采用人工智能技术进行自动化验布的智能验布机

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191011