CN110688944A - 一种基于图像识别和机器学习的螺栓松弛监测方法 - Google Patents
一种基于图像识别和机器学习的螺栓松弛监测方法 Download PDFInfo
- Publication number
- CN110688944A CN110688944A CN201910915093.3A CN201910915093A CN110688944A CN 110688944 A CN110688944 A CN 110688944A CN 201910915093 A CN201910915093 A CN 201910915093A CN 110688944 A CN110688944 A CN 110688944A
- Authority
- CN
- China
- Prior art keywords
- bolt
- picture
- group
- geometric characteristics
- monitoring method
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于图像识别和机器学习的螺栓松弛监测方法,首先训练支持向量机识别模型,然后采用训练好的支持向量机识别模型对被监测螺栓群的松弛情况进行定时监测。本发明相对于传统的人工、机械式螺栓检测方法省去了大量人力,不依赖于检修人员的个人经验,检测精确度较高。本发明主要使用的图像采集设备是ccd工业相机,相对于基于声、光、电等原理的接触式传感器,成本相对低廉,同时由于本发明是非接触式监测,不影响螺栓的正常工作。本发明相对于现有的图像检测技术,不需要在螺栓上添加额外标识物,对拍摄角度要求不高,适用性更广。
Description
技术领域
本发明属于螺栓检测技术领域,具体涉及一种基于图像识别和机器学习的螺栓松弛监测方法的设计。
背景技术
螺栓是桥梁结构的重要连接构件,主要运用于钢桁架桥主桁杆件连接、高速铁路声屏障立柱与桥梁结构连接等领域。受混凝土收缩徐变、脉动风荷载、车桥耦合振动等因素影响会使螺栓松弛,从而导致的螺栓承载力损失,影响桥梁工作性能,甚至引发事故。据调查显示,目前有33.3%的桥梁病害由螺栓连接失效导致,所以螺栓检测是桥梁健康监测中非常重要的一个部分。
目前主流的螺栓松弛检测手段仍然是人工目视检测、锤击法、扭矩扳手法等,这些方法相对简单,但有诸多局限。一方面费时费力,耗费大量人工且危险;另一方面这些方法的测试准确度极大地依赖于检测人员的个人经验,不同人的检测结果离散度大,可参考性差。最近也有相关人员研发出了基于声、电、磁等接触式传感器检测法,但其价格高昂,检测结果受自然环境条件影响大,实用性不高。
现有的基于图像识别的螺栓松弛检测方法,一方面需要在螺栓连接处人为添加标记符号或标识物,符号或标识物会随时间损坏脱落,导致难以进行图像判断;另一方面对于图像采集时的角度有较高要求,一般需要采集器镜头正对螺栓捕捉正六边形栓头或螺母的转角变化,这使得桥梁上一些螺栓位置不便安装图像采集器来获得易于识别的高质量图像。
发明内容
本发明的目的是针对现有各种螺栓松弛检测方法的局限性,提出了一种基于图像识别和机器学习的螺栓松弛监测方法,能够实现自动化、免标识物地检测螺栓的松弛情况,对螺栓图像采集角度和距离宽容度高,并且能满足不同位置的螺栓松弛检测。
本发明的技术方案为:一种基于图像识别和机器学习的螺栓松弛监测方法,包括以下步骤:
S1、在被监测螺栓群附近确定图像采集器的安装点位,安装图像采集器。
S2、开启图像采集器的图像拍摄功能,分阶段随机拧松被监测螺栓群中的螺栓,摄取得到n张螺栓被拧松的螺栓群图片,n为预设样本量。
S3、对n张螺栓群图片进行图像处理与分割,提取得到螺栓群中每个螺栓的几何特征。
S4、通过螺栓群中每个螺栓的几何特征训练得到支持向量机识别模型。
S5、判断支持向量机识别模型的识别准确率是否达到预设值α,若是则进入步骤S6,否则增加预设样本量n,返回步骤S2。
S6、采用支持向量机识别模型对被监测螺栓群的松弛情况进行定时监测。
进一步地,步骤S1中图像采集器的安装点位要求图像采集器在该点位拍摄画面清晰,并能完整拍摄到螺栓群中的每个螺栓。
进一步地,步骤S3包括以下分步骤:
S31、对螺栓群图片进行图片灰度化处理,得到灰度化图片。
S32、通过高斯滤波的方式对灰度化图片进行降噪,得到降噪后图片。
S33、基于最大类间方差法选取二值化阈值,对降噪后图片进行二值化处理,得到二值化图片。
S34、采用圆形霍夫变换对二值化图片进行提取,得到螺栓群中每个螺栓的栓头中心点。
S35、以每个螺栓的栓头中心点作为其位置特征点,通过坎尼算子进行边缘检测,分割得到每个螺栓的单个螺栓图片。
S36、采用坎尼算子对每个螺栓的单个螺栓图片进行几何特征提取,得到螺栓群中每个螺栓的几何特征。
进一步地,步骤S36中每个螺栓的几何特征包括螺栓栓头轮廓线最左端到最右端的水平距离R、六角螺母轮廓线最左端到最右端的水平距离R'和螺栓栓头中心点到栓杆与螺母交界线的最短距离L。
进一步地,步骤S4具体为:将每个螺栓的几何特征和松弛情况组成信息集,通过留一交叉验证的方式,利用所述信息集对线性支持向量机模型进行分类训练,得到支持向量机识别模型。
进一步地,步骤S6包括以下分步骤:
S61、每天通过图像采集器定时摄取被监测螺栓群的图片,并传输至远程服务器。
S62、在远程服务器中对被监测螺栓群的图片进行处理,汇总每个螺栓的几何特征并得到几何特征的平均值。
S63、将每个螺栓的几何特征及其平均值输入支持向量机识别模型进行判断,若判断某螺栓松弛或某螺栓一天中各时刻的几何特征离散度较大,则发出信号通知检修人员对该螺栓进行检修,否则将该螺栓未松弛的正常数据进行存档备份。
本发明的有益效果是:
(1)本发明相对于传统的人工、机械式螺栓检测方法省去了大量人力,不依赖于检修人员的个人经验,检测精确度较高。
(2)本发明主要使用的图像采集设备是ccd工业相机,相对于基于声、光、电等原理的接触式传感器,成本相对低廉,同时由于本发明是非接触式监测,不影响螺栓的正常工作。
(3)本发明相对于现有的图像检测技术,不需要在螺栓上添加额外标识物,对拍摄角度要求不高,适用性更广。
附图说明
图1所示为本发明实施例提供的一种基于图像识别和机器学习的螺栓松弛监测方法流程图。
图2所示为本发明实施例提供的图像采集器安装点位示意图。
图3所示为本发明实施例提供的被检测螺栓群示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解,附图中示出和描述的实施方式仅仅是示例性的,意在阐释本发明的原理和精神,而并非限制本发明的范围。
本发明实施例提供了一种基于图像识别和机器学习的螺栓松弛监测方法,如图1所示,包括以下步骤S1~S6:
S1、在被监测螺栓群附近确定图像采集器的安装点位,安装图像采集器。
本发明实施例中,图像采集器采用ccd工业相机,成本相对低廉。若图像采集器镜头正对柱脚螺栓监控螺母转角,则点位不好选,不便于安装。因此本发明实施例中,如图2所示,图像采集器可安装在被监控螺栓群附近,不要求正对螺母俯视位,允许有一定的拍摄角度,只要拍摄画面清晰,并能完整拍摄到螺栓群中的每个螺栓即可。
为了确定图像采集器的最佳安装点位,需要开启图像采集器的图像拍摄功能,测试每个安装点位是否合理,被拍摄螺栓是否在图像中心,成像是否正常等。
S2、开启图像采集器的图像拍摄功能,分阶段随机拧松被监测螺栓群中的螺栓,摄取得到n张螺栓被拧松的螺栓群图片,n为预设样本量。
本发明实施例中,如图3所示,被监测螺栓群共4个螺栓,个数较少,方便训练识别模型。设置这4个螺栓编号为1,2,3,4。分别拧松1,2,3,4号螺栓,拧松某编号螺栓时,其它螺栓紧固,摄取单个螺栓松弛时的共4张图片。再分别拧松1,3号螺栓、2,4号螺栓、1,2号螺栓和3,4号螺栓,摄取有两个螺栓松弛时的共4张图片。最后摄取四个螺栓同时紧固和同时拧松的各一张图片,总共得到10张螺栓群图片,则n=10。
S3、对n张螺栓群图片进行图像处理与分割,提取得到螺栓群中每个螺栓的几何特征。
步骤S3包括以下分步骤S31~S36:
S31、对螺栓群图片进行图片灰度化处理,得到灰度化图片。
S32、通过高斯滤波的方式对灰度化图片进行降噪,得到降噪后图片。
S33、基于最大类间方差法选取二值化阈值,对降噪后图片进行二值化处理,得到二值化图片。
S34、采用圆形霍夫变换对二值化图片进行提取,得到螺栓群中每个螺栓的栓头中心点,如图3所示。
S35、以每个螺栓的栓头中心点作为其位置特征点,通过坎尼算子进行边缘检测,分割得到每个螺栓的单个螺栓图片。
本发明实施例中对10张螺栓群图片进行分割,总共得到40张被分割后的单个螺栓图片。
S36、采用坎尼算子对每个螺栓的单个螺栓图片进行几何特征提取,得到螺栓群中每个螺栓的几何特征。
本发明实施例中,每个螺栓的几何特征包括螺栓栓头轮廓线最左端到最右端的水平距离R、六角螺母轮廓线最左端到最右端的水平距离R'和螺栓栓头中心点到栓杆与螺母交界线的最短距离L。提取这三个几何特征是因为它们之间的相对关系既可以反映螺栓的松紧情况,也可以一定程度上反映了拍摄角度和距离。
S4、通过螺栓群中每个螺栓的几何特征训练得到支持向量机识别模型。
将每个螺栓的几何特征和松弛情况组成信息集,通过留一交叉验证的方式,利用所述信息集对线性支持向量机模型进行分类训练,即每次只留下1个样本做测试集,其它样本做训练集,本发明实施例中共有40张被分割后的单个螺栓图片,共40个样本,因此对线性支持向量机模型训练40次,最终得到支持向量机识别模型。
S5、判断支持向量机识别模型的识别准确率是否达到预设值α,若是则进入步骤S6,否则增加预设样本量n,返回步骤S2。本发明实施例中,识别准确率的预设值α设置为90%。
S6、采用支持向量机识别模型对被监测螺栓群的松弛情况进行定时监测。
步骤S6包括以下分步骤S61~S63:
S61、每天通过图像采集器定时摄取被监测螺栓群的图片,并传输至远程服务器。
本发明实施例中,图像采集器可以在每天光线较好的情况下,如8:00,10:00,12:00,14:00,16:00,18:00这几个时段各采集一张图片传输至远程服务器。
S62、在远程服务器中对被监测螺栓群的图片进行处理,汇总每个螺栓的几何特征并得到几何特征的平均值。
S63、将每个螺栓的几何特征及其平均值输入支持向量机识别模型进行判断,若判断某螺栓松弛或某螺栓一天中各时刻的几何特征离散度较大,则发出信号通知检修人员对该螺栓进行检修,否则判断为该螺栓并未松弛,将该螺栓未松弛的正常数据进行存档备份。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种基于图像识别和机器学习的螺栓松弛监测方法,其特征在于,包括以下步骤:
S1、在被监测螺栓群附近确定图像采集器的安装点位,安装图像采集器;
S2、开启图像采集器的图像拍摄功能,分阶段随机拧松被监测螺栓群中的螺栓,摄取得到n张螺栓被拧松的螺栓群图片,n为预设样本量;
S3、对n张螺栓群图片进行图像处理与分割,提取得到螺栓群中每个螺栓的几何特征;
S4、通过螺栓群中每个螺栓的几何特征训练得到支持向量机识别模型;
S5、判断支持向量机识别模型的识别准确率是否达到预设值α,若是则进入步骤S6,否则增加预设样本量n,返回步骤S2;
S6、采用支持向量机识别模型对被监测螺栓群的松弛情况进行定时监测。
2.根据权利要求1所述的螺栓松弛监测方法,其特征在于,所述步骤S1中图像采集器的安装点位要求图像采集器在该点位拍摄画面清晰,并能完整拍摄到螺栓群中的每个螺栓。
3.根据权利要求1所述的螺栓松弛监测方法,其特征在于,所述步骤S3包括以下分步骤:
S31、对螺栓群图片进行图片灰度化处理,得到灰度化图片;
S32、通过高斯滤波的方式对灰度化图片进行降噪,得到降噪后图片;
S33、基于最大类间方差法选取二值化阈值,对降噪后图片进行二值化处理,得到二值化图片;
S34、采用圆形霍夫变换对二值化图片进行提取,得到螺栓群中每个螺栓的栓头中心点;
S35、以每个螺栓的栓头中心点作为其位置特征点,通过坎尼算子进行边缘检测,分割得到每个螺栓的单个螺栓图片;
S36、采用坎尼算子对每个螺栓的单个螺栓图片进行几何特征提取,得到螺栓群中每个螺栓的几何特征。
4.根据权利要求3所述的螺栓松弛监测方法,其特征在于,所述步骤S36中每个螺栓的几何特征包括螺栓栓头轮廓线最左端到最右端的水平距离R、六角螺母轮廓线最左端到最右端的水平距离R'和螺栓栓头中心点到栓杆与螺母交界线的最短距离L。
5.根据权利要求1所述的螺栓松弛监测方法,其特征在于,所述步骤S4具体为:将每个螺栓的几何特征和松弛情况组成信息集,通过留一交叉验证的方式,利用所述信息集对线性支持向量机模型进行分类训练,得到支持向量机识别模型。
6.根据权利要求1所述的螺栓松弛监测方法,其特征在于,所述步骤S6包括以下分步骤:
S61、每天通过图像采集器定时摄取被监测螺栓群的图片,并传输至远程服务器;
S62、在远程服务器中对被监测螺栓群的图片进行处理,汇总每个螺栓的几何特征并得到几何特征的平均值;
S63、将每个螺栓的几何特征及其平均值输入支持向量机识别模型进行判断,若判断某螺栓松弛或某螺栓一天中各时刻的几何特征离散度较大,则发出信号通知检修人员对该螺栓进行检修,否则将该螺栓未松弛的正常数据进行存档备份。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915093.3A CN110688944B (zh) | 2019-09-26 | 2019-09-26 | 一种基于图像识别和机器学习的螺栓松弛监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915093.3A CN110688944B (zh) | 2019-09-26 | 2019-09-26 | 一种基于图像识别和机器学习的螺栓松弛监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110688944A true CN110688944A (zh) | 2020-01-14 |
CN110688944B CN110688944B (zh) | 2022-06-21 |
Family
ID=69110208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910915093.3A Active CN110688944B (zh) | 2019-09-26 | 2019-09-26 | 一种基于图像识别和机器学习的螺栓松弛监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688944B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898575A (zh) * | 2020-08-06 | 2020-11-06 | 华北电力大学(保定) | 一种基于Faster R-CNN检测器的栓母对自动组合方法 |
CN111915561A (zh) * | 2020-06-30 | 2020-11-10 | 西安理工大学 | 一种基于图像识别和机器学习的螺栓状态监测方法 |
CN111932516A (zh) * | 2020-08-11 | 2020-11-13 | 西南交通大学 | 基于图像处理的免标识物双螺母六角螺栓松弛检测系统 |
CN112109767A (zh) * | 2020-09-21 | 2020-12-22 | 西南交通大学 | 一种城市地铁轨道螺栓压力信号检测系统及方法 |
CN112945437A (zh) * | 2021-01-29 | 2021-06-11 | 优势博研(北京)科技有限公司 | 一种基于视觉监控的螺栓松动检测装置 |
CN112967257A (zh) * | 2021-03-11 | 2021-06-15 | 杭州申昊科技股份有限公司 | 一种基于视角转换的地铁螺帽松动检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944122A (zh) * | 2010-09-17 | 2011-01-12 | 浙江工商大学 | 一种融合增量学习的支持向量机多类分类方法 |
CN103295027A (zh) * | 2013-05-17 | 2013-09-11 | 北京康拓红外技术股份有限公司 | 一种基于支持向量机的铁路货车挡键丢失故障识别方法 |
CN109190690A (zh) * | 2018-08-17 | 2019-01-11 | 东北大学 | 基于机器学习的swi图像的脑微出血点检测识别方法 |
CN110097536A (zh) * | 2019-04-10 | 2019-08-06 | 东南大学 | 基于深度学习和霍夫变换的六边形螺栓松动检测方法 |
-
2019
- 2019-09-26 CN CN201910915093.3A patent/CN110688944B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944122A (zh) * | 2010-09-17 | 2011-01-12 | 浙江工商大学 | 一种融合增量学习的支持向量机多类分类方法 |
CN103295027A (zh) * | 2013-05-17 | 2013-09-11 | 北京康拓红外技术股份有限公司 | 一种基于支持向量机的铁路货车挡键丢失故障识别方法 |
CN109190690A (zh) * | 2018-08-17 | 2019-01-11 | 东北大学 | 基于机器学习的swi图像的脑微出血点检测识别方法 |
CN110097536A (zh) * | 2019-04-10 | 2019-08-06 | 东南大学 | 基于深度学习和霍夫变换的六边形螺栓松动检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915561A (zh) * | 2020-06-30 | 2020-11-10 | 西安理工大学 | 一种基于图像识别和机器学习的螺栓状态监测方法 |
CN111898575A (zh) * | 2020-08-06 | 2020-11-06 | 华北电力大学(保定) | 一种基于Faster R-CNN检测器的栓母对自动组合方法 |
CN111898575B (zh) * | 2020-08-06 | 2022-09-02 | 华北电力大学(保定) | 一种基于Faster R-CNN检测器的栓母对自动组合方法 |
CN111932516A (zh) * | 2020-08-11 | 2020-11-13 | 西南交通大学 | 基于图像处理的免标识物双螺母六角螺栓松弛检测系统 |
CN112109767A (zh) * | 2020-09-21 | 2020-12-22 | 西南交通大学 | 一种城市地铁轨道螺栓压力信号检测系统及方法 |
CN112945437A (zh) * | 2021-01-29 | 2021-06-11 | 优势博研(北京)科技有限公司 | 一种基于视觉监控的螺栓松动检测装置 |
CN112967257A (zh) * | 2021-03-11 | 2021-06-15 | 杭州申昊科技股份有限公司 | 一种基于视角转换的地铁螺帽松动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110688944B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688944B (zh) | 一种基于图像识别和机器学习的螺栓松弛监测方法 | |
Zhao et al. | Improvement of canny algorithm based on pavement edge detection | |
CN109580657A (zh) | 一种桥梁质量检测中的裂缝检测方法 | |
CN107301777A (zh) | 基于视频检测技术的车辆违章变道检测方法 | |
CN109658397A (zh) | 一种轨道巡检方法及系统 | |
CN105652154A (zh) | 接触网运行状态安全监测分析系统 | |
CN103196372B (zh) | 一种电气化铁路接触网支持装置的光学成像检测方法 | |
CN102628854A (zh) | 汽车仪表板检测系统及方法 | |
CN110567680B (zh) | 一种基于角度比对的轨道扣件松动检测方法 | |
CN111462045B (zh) | 一种悬链支撑组件缺陷的检测方法 | |
CN108009574B (zh) | 一种轨道扣件检测方法 | |
CN111932516A (zh) | 基于图像处理的免标识物双螺母六角螺栓松弛检测系统 | |
CN106355580A (zh) | 一种杆塔倾倒的检测方法及装置 | |
CN105718964A (zh) | 一种输电线防振锤的视觉检测方法 | |
CN115557384A (zh) | 一种智慧工地塔吊监测系统 | |
CN103927553A (zh) | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 | |
CN115761487A (zh) | 一种基于机器视觉的中小跨径桥梁振动特性快速识别方法 | |
CN205726126U (zh) | 一种基于摄像头的高支模监测装置 | |
CN112288674A (zh) | 车载式接触网部件缺陷在线识别方法 | |
CN112781518B (zh) | 一种房屋形变监测方法及系统 | |
CN110175976A (zh) | 基于机器视觉的crtsⅱ板式无砟轨道裂缝检测分类方法 | |
CN111507300B (zh) | 一种保护区内打桩、钻探行为的快速识别方法 | |
CN116939532A (zh) | 一种基于5g的通信塔远程监测系统 | |
CN106153004A (zh) | 一种建筑物倾斜检测方法和装置 | |
CN111915561A (zh) | 一种基于图像识别和机器学习的螺栓状态监测方法 |
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 |