CN110956645B - 多模输出的智能振动检测方法及装置 - Google Patents

多模输出的智能振动检测方法及装置 Download PDF

Info

Publication number
CN110956645B
CN110956645B CN201910800074.6A CN201910800074A CN110956645B CN 110956645 B CN110956645 B CN 110956645B CN 201910800074 A CN201910800074 A CN 201910800074A CN 110956645 B CN110956645 B CN 110956645B
Authority
CN
China
Prior art keywords
vibration
feature points
fault
target video
engine
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.)
Active
Application number
CN201910800074.6A
Other languages
English (en)
Other versions
CN110956645A (zh
Inventor
高风波
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 Haoxi Intelligent Technology Co ltd
SHENZHEN GUANGNING INDUSTRIAL CO LTD
Original Assignee
Shenzhen Haoxi Intelligent Technology Co ltd
SHENZHEN GUANGNING INDUSTRIAL 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 Haoxi Intelligent Technology Co ltd, SHENZHEN GUANGNING INDUSTRIAL CO LTD filed Critical Shenzhen Haoxi Intelligent Technology Co ltd
Priority to CN201910800074.6A priority Critical patent/CN110956645B/zh
Publication of CN110956645A publication Critical patent/CN110956645A/zh
Priority to PCT/CN2020/105792 priority patent/WO2021036670A1/zh
Application granted granted Critical
Publication of CN110956645B publication Critical patent/CN110956645B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/02—Details or accessories of testing apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请实施例提供一种多模输出的智能振动检测方法及装置，方法包括：获取振动物体对应的目标视频；对目标视频进行参数提取，获得目标视频对应的振动参数；并行地对目标视频进行放大处理，获得放大输出视频；并行输出多种模式的稳定性数据，稳定性数据包括振动参数和放大输出视频，根据稳定性数据确定振动物体的振动情况。采用本申请实施例，通过并行地获取和输出多种模式的稳定性数据，丰富了振动检测结果的表现形式，提升了振动检测的精确度和有效性。

Description

多模输出的智能振动检测方法及装置
技术领域
本申请涉及互联网技术领域，具体涉及一种多模输出的智能振动检测方法及装置。
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。这种将计算机网络互相联接在一起的方法可称作“网络互联”，在这基础上发展出覆盖全世界的全球性互联网络称互联网，即是互相连接一起的网络结构。“互联网+”是创新2.0下的互联网发展的新业态，是知识社会创新2.0推动下的互联网形态演进及其催生的经济社会发展新形态。“互联网+”是互联网思维的进一步实践成果，推动经济形态不断地发生演变，从而带动社会经济实体的生命力，为改革、创新、发展提供广阔的网络平台。通俗的说，“互联网+”就是“互联网+各个传统行业”，但这并不是简单的两者相加，而是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。它代表一种新的社会形态，即充分发挥互联网在社会资源配置中的优化和集成作用，将互联网的创新成果深度融合于经济、社会各域之中，提升全社会的创新力和生产力，形成更广泛的以互联网为基础设施和实现工具的经济发展新形态。
传统的故障监测机制一般是采用本地化检测设备，如在专用房间布置激光多普勒测振仪LDVs，通过该设备进行本地化的振动检测，以及故障预测等，但是LDVs存在价格昂贵，使用环境受限(测试环境的温度、光照等环境影响会使测量结果严重变坏)，测试区域小、难以实现远程监控等缺点，难以满足日益增多的各类场景中的智能化的振动检测需求。
所有的机械和运动系统都会产生各种各样的振动，其中一些振动反映的是系统的正常运动状态，而另外一些则反映了系统的异常运动状态(内部故障、轴连接不平衡等)。所以，要预测性维护系统设备，振动检测都是重要的一环。现有的振动检测系统大多通过单独获取振动参数，或者单独获取振动图像来表征振动物体的振动，这导致振动情况不能够被很好地观察和理解。
发明内容
有鉴于此，本申请实施例的目的在于提供一种多模输出的智能振动检测方法及装置，通过并行地获取和输出多种模式的稳定性数据，丰富了振动检测结果的表现形式，提升了振动检测的精确度和有效性。
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，满足日益增多的各类场景中的智能化的振动检测需求。
为了解决上述技术问题，本申请实施例第一方面提供了一种振动检测方法，所述方法包括：
接收用户启动设备检测功能的指令，根据所述指令呈现车辆振动检测入口，所述车辆振动检测入口提供振动检测类型选项；
接收用户选择的发动机型号，或接收用户选择的车辆类型，并根据所述车辆类型定位发动机型号；
提示用户对所述发送机型号对应的发动机进行振动操作，所述振动操作包括驾驶操作，或空挡踩油门操作；
定位振动过程中的所述发送机为振动物体，获取所述振动物体对应的目标视频；
对所述目标视频进行参数提取，获得所述目标视频对应的振动参数；
并行地对所述目标视频进行放大处理，获得放大输出视频；
并行输出多种模式的稳定性数据，所述稳定性数据包括所述振动参数和所述放大输出视频，根据所述稳定性数据确定所述振动物体的振动情况。在一些可行的示例中，所述对所述目标视频进行参数提取，获得所述目标视频对应的振动参数，包括：
获取目标视频中发动机的多个图像帧，并对所述多个图像帧中的每个图像帧进行区域划分，获得N个区域；
确定N个区域中每个区域包含的关键点个数Mi,i∈[1,N]，关键点为振动产生位置；
按照每个区域包含的关键点个数进行初始特征点选取，选取个数为：
其中Ti表示第i个区域选取的特征点个数，N1表示包含关键点的区域个数，N2表示不包含关键点的区域个数，N＝N1+N2，R表示图像帧预设特征点选取个数，表示保留/>的整数值，/>表示保留/>的整数值；
按照每个区域选取的特征点个数Ti获得每个图像帧中提取的初始特征点，其中初始特征点个数为：
对所述初始特征点进行筛选，获得稳定的多个运动特征点；
对所述多个运动特征点进行光流跟踪，获得所述多个运动特征点的时间序列；
对所述多个运动特征点的时间序列进行滤波处理，获得滤波后信号；
对所述滤波后信号进行主成分分析，获得降维信号；
对所述降维信号进行参数提取，获得所述目标视频对应的振动参数。
在一些可行的示例中，所述对提取的初始特征点进行筛选，获得稳定的多个运动特征点，包括：
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；
根据所述初始特征点对应的流向量计算所述初始特征点的偏移距离；
对多个初始特征点对应的多个偏移距离进行聚类，采用K-means聚类算法对所述多个偏移距离进行聚类，其中，设置k值为4，获得4个聚类类簇；
对所述4个聚类类簇求平均值，并获得第一类簇平均值，第二类簇平均值、第三类簇平均值和第四类簇平均值，其中，第一类簇平均值<第二类簇平均值<第三类簇平均值<第四类簇平均值；
从第二类簇平均值和第三类簇平均值对应的聚类类簇中挑选方差小于第一方差阈值的多个偏移距离组成第五聚类类簇，并确定所述第五类簇中的偏移距离对应的初始特征点作为所述稳定的多个运动特征点。
在一些可行的示例中，对所述多个运动特征点进行光流跟踪，获得所述多个运动特征点的时间序列，包括：
确定所述多个运动特征点在第一帧图像中的位置；
根据特征点匹配和最小二乘法确定所述多个运动特征点在下一相邻帧图像中的位置；
重复上述确定多个运动特征点在下一相邻帧图像的位置，直到遍历完所述多个图像帧中的每一帧图像；
根据确定所述多个运动特征点的顺序和位置确定所述多个运动特征点的时间序列。
在一些可行的示例中，所述对所述目标视频进行放大处理，获得放大输出视频，包括：
将所述目标视频的多帧图像组成的帧序列进行空域金字塔分解，得到由多个不同空间分辨率的子图像组成的金字塔形结构；
对所述金字塔型结构中的多个子图像中每个子图像进行时域带通滤波处理，得到目标频带对应的变换信号；
对所述变换信号对应的位移进行A倍放大，获得放大后信号，其中A的取值范围为(3，Amax)，其中Amax的值由目标频带和变换信号的位移函数确定；
结合所述放大后信号和所述金字塔形结构进行金字塔重构，得到放大输出视频。
在一些可行的示例中，所述方法还包括振动情况验证，具体包括：
接收用户输入的故障视频和预测故障名称；
将所述预测故障名称与故障列表进行匹配，确定所述故障列表中是否包括所述预测故障名称，其中，所述故障列表包括多条故障信息，所述故障信息包括故障名称和与所述故障名称对应的稳定性数据；
当确定所述故障列表中包括所述预测故障名称时，获取所述故障视频对应的稳定性数据；
将所述故障视频对应的稳定性数据与所述故障名称对应的稳定性数据进行匹配，包括图像匹配和参数区间匹配；
当确定所述故障视频对应的稳定性数据与所述故障名称对应的稳定性数据匹配成功时，确定所述预测故障名称正确。
在一些可行的示例中，所述预测故障名称包括共振，方法还包括更新故障列表，具体包括：
获取车辆发动机型号对应的共振转速；
获取所述发动机型号在共振转速区间对应的共振目标视频，所述共振转速区间为与所述共振转速的差值绝对值小于第一预设阈值的转速值区间；
匹配所述发动机型号对应的稳定性预测模型，将所述共振目标视频输入所述稳定性预测模型，获取所述发动机型号对应发动机的共振数据；
将所述发动机型号及其对应的共振数据作为故障信息更新到所述故障列表。
本申请实施例第二方面公开一种振动检测装置，所述装置包括：
接收模块，用于接收用户启动设备检测功能的指令，根据所述指令呈现车辆振动检测入口，所述车辆振动检测入口提供振动检测类型选项，所述振动检测类型选项包括车辆类型或发动机型号；
选择模块，用于接收用户选择振动检测类型选项，并根据所述振动检测类型选项确定发动机型号；
提示模块，用于提示用户对所述发送机型号对应的发动机进行振动操作，所述振动操作包括驾驶操作，或空挡踩油门操作；
定位模块，用于定位振动过程中的所述发送机为振动物体，获取所述振动物体对应的目标视频；
提取模块，用于对所述目标视频进行参数提取，获得所述目标视频对应的振动参数；
放大模块，用于并行地对所述目标视频进行放大处理，获得放大输出视频；
确定模块，用于并行输出多种模式的稳定性数据，所述稳定性数据包括所述振动参数和所述放大输出视频，根据所述稳定性数据确定所述振动物体的振动情况。
本申请实施例第三方面公开了一种电子装置，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第一方面所述的方法中的步骤的指令。
本申请实施例第四方面公开一种存储介质，用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第一方面对应方法所述的步骤的指令。
可以看出，本申请实施例公开了一种振动检测方法和装置，通过接收用户指令，获取车辆振动检测入口，再接收用户选择的发动机型号，定位对应的发动机获得振动物体对应的目标视频；对目标视频进行参数提取，获得目标视频对应的振动参数；并行地对目标视频进行放大处理，获得放大输出视频；并行输出多种模式的稳定性数据，稳定性数据包括振动参数和放大输出视频，根据稳定性数据确定振动物体的振动情况。在这个过程中，目标视频的参数提取和放大处理并行地进行，可以提升振动检测效率，并行地输出参数提取获得的振动参数和放大处理后获得的放大输出视频，丰富了振动检测结果的表现形式，提升了振动检测的精确度和有效性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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1A为本申请实施例提供的一种振动传感装置结构框图。
图1B为本申请实施例提供的一种振动检测方法流程示意图。
图1C为本申请实施例提供的一种发动机的结构示意图。
图1D为本申请实施例提供的一种传感装置设置界面示意图。
图1E为本申请实施例提供的一种稳定性数据展示示意图。
图2为本申请实施例提供的一种对目标视频进行参数提取的方法。
图3为本申请实施例提供的一种振动情况验证方法的流程示意图。
图4是本申请实施例提供的一种电子装置的结构示意图。
图5为本申请实施例提供的一种振动检测装置的结构示意图。
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。
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。
首先介绍本申请实施例涉及的振动传感装置，请参阅图1A，图1A为本申请实施例提供的一种振动传感装置结构框图10，用于完成振动检测。该装置包括光学镜头11，面阵图像传感装置12，计算单元13，存储单元14，接口单元15。光学镜头11用于获取振动物体对应的目标图像，调整光学镜头11的焦距和光圈大小，使得可以在光学传感装置上形成振动物体的清晰影像。经过光学镜头11的振动物体影相经过面阵图像传感装置12(面阵图像传感装置可以是CMOS传感装置，或者CCD传感装置)转换为电信号数据。电信号储存在存储单元14，存储单元14由随机存取存储器(Random Access Memory，RAM)和只读存储器(Read-OnlyMemory，ROM)组成。计算单元13用来进行执行相应的算法。其中计算单元13包括CPU和GPU，可以用于交替进行稳定性预测模型中的振动参数提取过程和视频放大处理过程，获取到的振动参数和放大输出视频后组成稳定性数据。最后经过接口单元15与用户界面进行连接，并接受用户对振动传感装置进行设置。接口单元15还用于对稳定性数据进行输出，稳定性数据中的振动参数包括数值、振动波形图、模态图或频谱图，这些振动参数与放大输出视频进行多模输出，使得各种参数、图像和视频对比展示，全方面体现振动物体的振动情况。接口单元15可以为USB接口、RS232接口，或者其他接口，用于另外也可以通过提供的API接口设置传感装置。
其次，本申请实施例提供一种振动检测方法，应用于如图1A所示的振动传感装置，请参阅图1B，图1B为本申请实施例提供的一种振动检测方法流程示意图，如图1B所示，振动检测方法包括如下步骤：
101、接收用户启动设备检测功能的指令，根据所述指令呈现车辆振动检测入口，所述车辆振动检测入口提供振动检测类型选项，所述振动检测类型选项包括车辆类型或发动机型号。
振动物体包括内部相互作用产生机械振动的物体，包括引擎振动、发送机振动或者齿轮振动等，或者由于外力作用产生机械振动的物理，包括电线振动或桥梁振动等。振动物体在正常情况下会按照固定的频率机械振动，而当振动物体产生故障时，振动频率也会发生变化。因此，可以通过获取振动物体对应的目标视频，并进行分析确定振动物体的故障情况。
在振动物体为车辆发动机时，需要获取发送机的目标视频。振动检测传感装置与用户界面通过接口进行连接，在启动设备检测功能后，在用户界面为用户提供振动检测类型，如果用户知道自己车辆的发动机型号，则可以直接选择振动检测类型选项，如果不知道车辆发动机型号，则可以选择车辆类型。
102、接收用户选择振动检测类型选项，并根据所述振动检测类型选项确定发动机型号。
在用户选择了振动检测类型选项后，如果选择的是发动机型号，则可以直接确定发动机型号，如果选择了车辆类型，振动检测传感装置中的处理器可以联网获取车辆类型对应的发动机型号，或者直接从数据库中提取车辆类型对应的发动机型号。
103、提示用户对所述发送机型号对应的发动机进行振动操作，所述振动操作包括驾驶操作，或空挡踩油门操作。
要对发动机型号对应的发动机进行振动检测，那么需要使发动机振动。在车辆正常驾驶过程中，发动机处于工作状态，可以确定发动机会振动。但是在一些情况下的振动情况，正常驾驶过程中无法获得。例如需要获得发动机在共振或接近共振情况下的振动情况，正常驾驶时很难达到，并且共振情况下有安全风险，正常驾驶途中不支持该种操作，因此需要对发动机进行空挡踩油门操作获得振动情况。
104、定位振动过程中的所述发送机为振动物体，获取所述振动物体对应的目标视频。
定位振动过程中的发动机为振动物体，即如果发动机没有振动，或者振动的物体不为发动机，都不会作为振动物体进行目标视频采集。这样可以防止在发动机有多个的情况下，采集了非振动状态的发动机的视频，或者采集了其他振动物体的视频作为目标视频。提升了目标视频采集的效率和准确性。
可选的，所述获取振动物体对应的目标视频还包括：获取第一视频和第二视频，其中所述第一视频和第二视频为针对同一目标拍摄在相同时间内拍摄的不同源视频；获取述第一视频对应的第一帧图像和所述第二视频对应的第二帧图像；对所述第一帧图像和所述第二帧图像进行重叠，对所述第一帧图像和所述第二帧图像不能重叠的像素点进行清除；获得所述目标视频。
具体地，同一个振动物体在进行视频采集时，可能因为一些外界原因，例如摄像头晃动、摄像头故障等，使得采集的目标视频存在偏差，那么，用不同的摄像头在同一时间内拍摄同一振动物体的不同源视频，获得第一视频和第二视频，并且对第一视频对应的第一帧图像和第二视频对应的第二帧图像进行重叠，在摄像头正常的情况下，两个帧图像对应的像素点应该完全重叠，那么清除掉第一帧图像和第二帧图像不能重叠的像素点，即为清除两个摄像头中的拍摄偏差像素点，获得的即为噪声更少的帧图像。同样的，还可以对该振动物体拍摄更多的同一时间段内的不同源视频，进一步减少视频噪声。
105、对所述目标视频进行参数提取，获得所述目标视频对应的振动参数。
对目标视频进行参数提取，可以获得目标视频的振动情况在参数变化上的体现，例如获取到的振动参数可以是数值，包括振动幅度、振动周期、振动频率等，也可以是相关图像，包括振动波形图或频谱图等，这些振动参数可以有助于高效确定振动情况的相关结论。
可选的，获取目标视频中发动机的多个图像帧，并对图像帧进行区域划分，获得N个区域；确定N个区域中每个区域包含的关键点个数Mi,i∈[1,N]，关键点为振动产生位置；按照每个区域包含的关键点个数进行特征点选取，选取个数为：
其中Ti表示第i个区域选取的特征点个数，N1表示包含关键点的区域个数，N2表示不包含关键点的区域个数，N＝N1+N2，R表示图像帧预设特征点选取个数，表示保留/>的整数值，/>表示保留/>的整数值；
获得N个区域的实际提取的初始特征点个数为：对所述初始特征点进行筛选，获得稳定的多个运动特征点；对多个运动特征点进行光流跟踪，获得多个运动特征点的时间序列；对多个运动特征点的时间序列进行滤波处理，获得滤波后信号；对滤波后信号进行主成分分析，获得降维信号；对降维信号进行参数提取，获得目标视频对应的振动参数。
具体地，在本申请实施例中采用光流跟踪法进行振动参数提取。首先可以按照一定的周期获取目标视频对应的多帧图像，请参阅图1C，图1C为本申请实施例提供的一种发动机的结构示意图，如图1C所示，发动机中包括点火线圈110，凸轮机构111，气门112，活塞113，曲柄连杆机构114，曲轴115，润滑油底壳116和正时链条117，在发动机工作时，每个机构的振动情况不同。例如气门、活塞、点火线圈和正时链条一直处于工作状态，振动正是由于这些机构的工作引起振动。而中间连接结构如曲柄连杆机构或曲轴等，也会由于所连接机构的振动被带动，而不常工作的机构，例如润滑油底壳，振动频率相对较低。
根据上述内容，可以首先对图像帧进行区域划分，例如按照功能结构进行区域划分，也可以按照网格进行平均划分，例如图1C中图像帧由虚线1,2,3,4划分成5个区域。在划分区域后，确定每个区域中包含的关键点。假设关键点包括气门、活塞、点火线圈和正时链条，那么可知虚线1上方区域包含的关键点最多，为2个，其次是虚线1-2和虚线2-3分割的区域为1个，那么可以知道包括关键点的区域N1＝3，不包括关键点的区域N2＝2，假设预设期望提取的初始特征点个数为R，R可以为100,95等数值，为所有的包括关键点的区域按照每个区域的关键点个数比例分配90％的初始特征点，为所有不包括关键点的区域平均分配10％的初始特征点，因为初始特征点个数为正整数，因此对根据公式计算出的特征点选取个数进行取整，获得最终的初始特征点个数R’，为所有包括关键点的区域和不包括关键点的区域提取的初始特征点之和。
确定每个区域的初始特征点提取个数后，从图像帧的各个区域提取对应个数预设类型的特征点作为初始特征点，预设类型的特征点包括以下至少一种：角点、边缘点、暗区的亮点以及亮区的暗点。角点是轮廓之间的交点，对于同一场景，即使视角发生变化，角点通常具备稳定性质的特征，并且该点附近区域的像素点无论在梯度方向上还是其梯度幅值上有着较大变化。边缘点为振动物体与背景图像之间的交点，亮区的暗点和暗区的亮点与其他像素点之间的对比度高，都可以作为初始特征点，以便更好地进行运动特征点观测。
然后对选取的特征点进行筛选，获得稳定的多个运动特征点。再对运动特征点进行光流跟踪，获得运动特征点在时间轴上的运动轨迹，即时间序列。然后对时间序列进行滤波，滤除非需求频率的运动轨迹。其中，滤波可以是时域滤波或频域滤波。对滤波后的时间序列进行主成分分析(principal component analysis，PCA)，把多个指标合成为少数几个相互无关的综合指标(即主成分)，获得降维信号。最后对降维信号进行参数提取，获得目标视频对应的振动参数，包括振动最大幅度、振动幅度取区间分布，是否达到共振振幅等。
可选的，对提取的初始特征点进行筛选，获得稳定的多个运动特征点，包括：基于最小差值平方和SSD匹配，计算初始特征点的流向量；根据初始特征点对应的流向量计算初始特征点的偏移距离；对多个初始特征点对应的多个偏移距离进行聚类，采用K-means聚类算法对多个偏移距离进行聚类，其中，设置k值为4，获得4个聚类类簇；对4个聚类类簇求平均值，并获得第一类簇平均值，第二类簇平均值、第三类簇平均值和第四类簇平均值，其中，第一类簇平均值<第二类簇平均值<第三类簇平均值<第四类簇平均值；从第二类簇平均值和第三类簇平均值对应的聚类类簇中挑选方差小于第一方差阈值的多个偏移距离组成第五聚类类簇，并确定第五类簇中的偏移距离对应的初始特征点作为稳定的多个运动特征点。
具体地，选择初始特征点后，采用最小差值平方和(Sum of SquaredDifferences,SSD)匹配，计算初始特征点的流向量。SSD的值越小，说明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。再根据流向量计算初始特征点的偏移距离，例如对求模，获得/>即为初始特征点从点A到点B的偏移距离。
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4，获得4个聚类类簇，再分别计算4个类簇的平均值，并获得第一类簇平均值，第二类簇平均值、第三类簇平均值和第四类簇平均值，且第一类簇平均值<第二类簇平均值<第三类簇平均值<第四类簇平均值，其中第一类簇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)，第四类簇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(可能是一些不规律运动的点)，第二类簇平均值和第三类簇平均值的类簇对应的初始特征点运动幅度适中，最有可能为稳定的运动特征点。进一步地，机械振动的物体，其运动特征点进行一定幅度的往返运动，那么这些运动特征点的偏移距离方差也会是一个较稳定的值，因此，挑选第二类簇平均值和第三类簇平均值对应的聚类类簇中方差小于第一方差阈值的多个偏移距离组成第五聚类类簇，并确定第五类簇中的偏移距离对应的初始特征点作为稳定的多个运动特征点。该过程可以进一步提升获得的稳定的多个运动特征点的准确性。
可选的，对多个运动特征点进行光流跟踪，获得多个运动特征点的时间序列，包括：确定多个运动特征点在第一帧图像中的位置；根据特征点匹配和最小二乘法确定多个运动特征点在下一相邻帧图像中的位置；重复上述确定多个运动特征点在下一相邻帧图像的位置，直到遍历完多个图像帧中的每一帧图像；根据确定多个运动特征点的顺序和位置确定多个运动特征点的时间序列。
具体地，对运动特征点进行光流跟踪，就是假设在运动特征点在不同的图像帧中亮度色彩不发生变化，只有位置发生变化。因此，需要追踪相同的运动特征点在不同图像帧中的位置，一方面通过特征点的亮度或色彩匹配进行追踪，另一方面是通过区域划分和位置估算定位运动特征点的位置。定位到同一个运动特征点在不同的图像帧中的位置，位置可以通过坐标表示，就可以获得该运动特征点按时间顺序的一组数字序列，即为该运动特征点的时间序列。
可见，在本申请实施例中，通过对目标视频的多个图像帧中的每个图像帧进行区域划分，然后根据每个区域中包含的关键点计算每个区域对应选取的初始特征点个数，这样可以对不同区域的初始特征点进行更精确地分配，有助于后续稳定的多个运动特征点的获取，进而提升获得的振动参数的准确性和有效性；通过对获得的初始特征点进行偏移距离计算和偏移距离聚类完成筛选过程，获得稳定的多个运动特征点，可以提升获得的运动特征点的准确性；再对运动特征点进行光流跟踪，获得时间序列，再进一步进行滤波和振动参数提取。整个过程提升了振动参数提取的准确性。
另外，在某些情况下，可能只是想对发动机指定部位进行振动检测，那么对于发动机上的振动检测部位可以通过用户进行手动定位和选择。用户可以通过操作振动检测传感装置接口处的交互界面进行传感装置设置，进而确定进行振动检测的区域或部位。请参阅图1D，图1D为本申请实施例提供的一种传感装置设置界面示意图，如图1D所示，传感装置设置界面为用户提供“添加测试点”和“删除测试点”两种操作，当用户选择“添加测试点”后，可以通过触控或者参数输入定位到传感装置设置界面展示的振动物体的对应位置上，添加对应位置作为目标测试点，例如图1D中的1,2,3三个点。同样的，当用户选择“删除测试点”后，也可以通过触控或参数输入定位到振动物体的对应位置，并删除已选择的目标测试点。另外，还可以在传感装置设置界面进行播放、停止、循环、亮度调节等基本设置，便于用户进行观察和测试点选择。
可选的，在对提取的初始特征点进行筛选，获得稳定的多个运动特征点之前，所述方法还包括：接收用户的添加测试点操作，定位用户选择的多个可添加测试点；确定所述多个可添加测试点的之间的多个平面距离；对所述多个平面距离求取平均值，获得平均平面距离；确定所述平均平面距离是否小于第一距离阈值；若是，则获取所述多个平面距离中最小的K个距离值对应的多组近距离可添加测试点；将所述多组近距离可添加测试点进行同组融合，形成多个融合可添加测试点；将所述多个可添加测试点中未进行融合的剩余可添加测试点和所述多个融合可添加测试点共同作为目标测试点，获取所述目标测试点的图像帧作为所述目标视频的图像帧。
具体地，根据上述内容可知，用户可以在传感装置设置界面添加测试点和删除测试点，在添加测试点的时候，如果通过触控实现，触控范围是固定的，比如每次触控都是1cm2的范围，但是用户实际想选择的范围可能是10cm2，用户需要多次操作，且可能操作范围不能完全覆盖想选择的范围。因此，确定多个可添加测试点两两之间的多个平面距离，并对多个平面距离求取平均值，获得平均平面距离，其中平面距离是指在设置界面的画面上对应的距离。如果平均平面距离小于第一距离阈值，说明用户在很近的范围内选择测试点，可能是想选择一个较大区域作为测试点，那么可以选择距离最近的K个测试点进行同组融合，即以两个测试点之间的连线作为直径获得圆，圆所覆盖的区域即为融合可添加测试点。最后将融合后的融合可添加测试点和未融合的可添加测试点共同作为目标测试点，获取目标测试点的图像帧作为目标视频的图像帧进行后续振动参数提取，可以减少数据处理量，提升振动参数提取的效率。
106、并行地对所述目标视频进行放大处理，获得放大输出视频。
为了提升稳定性预测模型的运行效率，参数提取过程和视频放大处理过程需要并行进行，在同一个处理器中，通过并行的两个进程，或者通过同一个进程中的双线程对上述两个过程进行并行处理。
可选的，对目标视频进行放大处理，获得放大输出视频，包括：将目标视频的多帧图像组成的帧序列进行空域金字塔分解，得到由多个不同空间分辨率的子图像组成的金字塔形结构；对金字塔型结构中的多个子图像中每个子图像进行时域带通滤波处理，得到目标频带对应的变换信号；对变换信号对应的位移进行A倍放大，获得放大后信号，其中A的取值范围为(3，Amax),其中Amax的值由目标频带和变换信号的位移函数确定；结合放大后信号和金字塔形结构进行金字塔重构，得到放大输出视频。
具体地，对目标视频进行放大处理可以采用欧拉运动放大方法对目标视频进行放大，首先需要将目标视频中的像素转换成时间和空间的函数，即通过图像金字塔变换将目标视频的多帧图像组成的帧序列分解成多个不同空间分辨率、不同尺度大小的子图像以构成一个金字塔塔型结构，例如采用高斯金字塔对目标视频的多帧图像进行分解，即由一组在尺寸上逐层减半的图像序列组成金字塔结构，序列中的每一级图像均为其前一级图像低通滤波并隔行隔列采样的结果。
进行金字塔分解即对帧序列进行空域滤波，分解得到不同空间频率的频带，并对这些频带分别进行放大。因为处于不同空间频率的频带对应的信噪比不同，空间频率越低，图像噪声越少，信噪比越高，因此每层空间频率的频带可以设置不同的放大系数。例如可以使用一个线性可变的放大倍数来放大不同频率的频带。金字塔结构中，从顶层到底层，放大倍数依次降低。
通过金字塔处理得到不同空间频率的频带后，还可以对每个频带进行时域的带通滤波处理，以得到感兴趣的变换信号，即目标频带对应的变换信号，并只对目标频带对应的变换信号进行放大处理。在进行带通滤波处理时，可以采用理想带通滤波器，Butterworth带通滤波器，二阶无限脉冲响应滤波器等。
获得目标频带对应的变换信号后，令I(x，t)为点x在时刻t的灰度值，且初始值为f(x)，则：
其中δ(t)表示位移信号。
对I(x，t)放大α倍，即对位移信号δ(t)进行放大，且放大后的信号为：
因为微小运动进行放大时，倍数太小是没有意义的，因此A的最小取值大于3。另外，放大倍数与空间频率相关，且满足如下关系：
其中，空间频率为ω，目标频带的空间波长为λ，且λ＝2π/ω，则可通过目标频带和变换信号的位移函数确定α的最大值。Amax≤α。
获得放大后信号之后，将其重新与原本的频带相结合，再通过金字塔重构，例如拉普拉斯金字塔变换重构，得到放大后的图像，进行得到放大输出视频。
可见，在本申请实施例中，通过并行地获取振动参数和放大输出视频作为振动物体对应的稳定性参数，可以将两种类型的参数进行对应查看，进而更准确地反应振动物体的振动情况，提升了振动检测的精确度和有效性。
107、并行输出多种模式的稳定性数据，所述稳定性数据包括所述振动参数和所述放大输出视频，根据所述稳定性数据确定所述振动物体的振动情况。
具体地，通过上述并行的参数提取过程和放大处理过程，获得多种模式的稳定性数据，包括振动参数和放大输出视频，然后对这些稳定性数据并行地输出，可以对照地进行振动情况的观察和研究，丰富了振动情况的表现形式，进而提升了振动检测结果的准确性。
在获得振动物体对应的稳定性数据后，可以根据稳定性数据查看振动物体的振动情况。请参阅图1E，图1E为本申请实施例提供的一种稳定性数据展示示意图，如图1E所示，振动检测传感装置经过接口单元连接到用户界面，在用户界面对接口单元多模输出的稳定性数据进行展示，在左边区域进行放大视频的展示，在右边区域进行放大视频对应目标检测点的振动参数的展示，例如在图1E中，目标检测点为110对应的圆形区域，右边即为其对应的振动参数。在振动参数展示区域还可以选择展示频域波形图或频域波形图，还可以展示振动最大幅度、振动幅度取区间分布等具体参数值，通过多模输出结果确定所述振动物体的振动情况，得到振动物体是否包括故障，故障类型名称等结论。
可选的，方法还包括：接收用户输入的故障视频和预测故障名称；将预测故障名称与故障列表中的故障信息进行匹配，确定故障列表中是否包括预测故障名称，其中，故障信息包括故障名称和与故障名称对应的稳定性数据；确定与预测故障名称匹配的目标故障名称，获取故障视频对应的振动参数；将故障视频对应的振动参数与目标故障名称对应的稳定性参数进行匹配；当确定故障视频对应的振动参数与目标故障名称对应的稳定性参数匹配成功时，确定预测故障名称正确。
具体地，在对振动物体进行振动检测时，如果用户已经对振动情况有了一定的预判断，再将振动物体输入到振动检测模型中进行检测并获得全部的稳定性数据，就将耗费大量不必要的时间。可以获取用户预判断的预测故障名称和对应的故障视频，然后将预测故障名称与故障列表进行匹配，确定预测故障名称是否在故障列表中，如果在，则可以直接获取故障视频对应的振动参数，即不再获取故障视频对应的运动放大视频，然后将故障视频对应的振动参数与故障列表中对应的振动参数进行匹配。例如预测故障名称为“轴承损坏”，与故障列表匹配成功后，确定故障列表中也包括该故障名称，即为目标故障名称。获取故障视频对应的振动参数，并且将之与故障列表中“轴承损坏”这一目标故障名称对应的稳定性数据中的振动参数进行匹配，包括振动图像匹配或者参数区间匹配，振动图像匹配即时域波形图或者频域波形图的匹配，参数区间匹配即最大振幅值，振幅平均值等的匹配，图像匹配需要达到第一相似度即确定匹配成功，例如90％等，参数值匹配可以是差值小于第一预设差值即确定匹配成功，例如0.5等。确定振动参数匹配成功后，可以确定预测故障名称正确。
可选的，故障名称包括共振，方法还包括更新故障列表，具体包括：获取车辆发动机型号对应的共振转速；获取发动机型号在共振转速区间对应的共振目标视频，共振转速区间为与共振转速的差值绝对值小于第一预设阈值的转速值区间；匹配发动机型号对应的稳定性预测模型，将共振目标视频输入稳定性预测模型，获取发动机型号对应发动机的共振数据；将发动机型号及其对应的共振数据作为故障信息更新到故障列表中。
具体地，共振是一个很典型的振动故障，发送机都有共振频率，不同的发动机共振频率不同。当转速达到一定数值时，就可能产生共振问题。那么在构建发动机的故障列表时，就需要将共振这一故障更新到其中。首先需要获取车辆发动机型号对应的共振转速，这可以根据车辆性能参数直接获取，也可以进行自主实验获取。然后获取发送机型号在共振转速区间对应的共振目标视频，转速区间是指与共振转速的差值绝对值小于第一预设阈值的转速值区间，例如共振转速为1200rpm(转/分)，第一预设阈值为100，那么转速区间为1100rpm～1300rpm。在这个区间内，都可能在发动机对应的共振目标视频中显示出共振信息。因此将共振目标视频输入到稳定性预测模型中，获取其对应的稳定性数据作为共振数据。最后将发动机型号及其对应的共振数据作为故障信息更新到所述故障列表中，用于后续的故障预测验证。
可见，在本申请实施例公开的振动检测方法中，通过接收用户指令，获取车辆振动检测入口，再接收用户选择的发动机型号，定位对应的发动机获得振动物体对应的目标视频；对目标视频进行参数提取，获得目标视频对应的振动参数；并行地对目标视频进行放大处理，获得放大输出视频；并行输出多种模式的稳定性数据，稳定性数据包括振动参数和放大输出视频，根据稳定性数据确定振动物体的振动情况。在这个过程中，目标视频的参数提取和放大处理并行地进行，可以提升振动检测效率，并行地输出参数提取获得的振动参数和放大处理后获得的放大输出视频，丰富了振动检测结果的表现形式，提升了振动检测的精确度和有效性。
请参阅图2，图2为本申请实施例提供的一种对目标视频进行参数提取的方法，如图2所示，该方法包括如下步骤：
201、获取目标视频中发动机的多个图像帧，并对所述多个图像帧中的每个图像帧进行区域划分，获得N个区域；
202、确定N个区域中每个区域包含的关键点个数，并根据关键点个数确定每个区域选取的特征点个数；
203、按照每个区域选取的特征点个数获得每个图像帧中提取的初始特征点；
204、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；
205、根据所述初始特征点对应的流向量计算所述初始特征点的偏移距离；
206、对多个初始特征点对应的多个偏移距离进行聚类，采用K-means聚类算法对所述多个偏移距离进行聚类，其中，设置k值为4，获得4个聚类类簇；
207、对所述4个聚类类簇求平均值，并获得第一类簇平均值，第二类簇平均值、第三类簇平均值和第四类簇平均值，其中，第一类簇平均值<第二类簇平均值<第三类簇平均值<第四类簇平均值；
208、从第二类簇平均值和第三类簇平均值对应的聚类类簇中挑选方差小于第一方差阈值的多个偏移距离组成第五聚类类簇，并确定所述第五类簇中的偏移距离对应的初始特征点作为所述稳定的多个运动特征点；
209、确定所述多个运动特征点在第一帧图像中的位置；
210、根据特征点匹配和最小二乘法确定所述多个运动特征点在下一相邻帧图像中的位置；
211、重复上述确定多个运动特征点在下一相邻帧图像的位置，直到遍历完所述多个图像帧中的每一帧图像；
212、根据确定所述多个运动特征点的顺序和位置确定所述多个运动特征点的时间序列；
213、对所述多个运动特征点的时间序列进行滤波处理，获得滤波后信号，并对所述滤波后信号进行主成分分析，获得降维信号；
214、对所述降维信号进行参数提取，获得所述目标视频对应的振动参数。
其中，上述步骤201-步骤214的具体描述可以参照步骤101-107所描述的振动检测方法的相应描述，在此不再赘述。
可见，本申请实施例公开的对目标视频进行参数提取的方法中，通过对目标视频的多个图像帧中的每个图像帧进行区域划分，然后根据每个区域中包含的关键点计算每个区域对应选取的初始特征点个数，这样可以对不同区域的初始特征点进行更精确地分配，有助于后续稳定的多个运动特征点的获取，进而提升获得的振动参数的准确性和有效性；通过对获得的初始特征点进行偏移距离计算和偏移距离聚类完成筛选过程，获得稳定的多个运动特征点，可以提升获得的运动特征点的准确性；再对运动特征点进行光流跟踪，获得时间序列，再进一步进行滤波和振动参数提取。整个过程提升了振动参数提取的准确性。
请参阅图3，图3为本申请实施例提供的一种振动情况验证方法的流程示意图，如图3所示，该方法包括如下步骤：
301、获取车辆发动机型号对应的共振转速；
302、获取所述发动机型号在共振转速区间对应的共振目标视频，所述共振转速区间为与所述共振转速的差值绝对值小于第一预设阈值的转速值区间；
303、匹配所述发动机型号对应的稳定性预测模型，将所述共振目标视频输入所述稳定性预测模型，获取所述发动机型号对应发动机的共振数据；
304、将所述发动机型号及其对应的共振数据作为故障信息更新到所述故障列表中；
305、接收用户输入的故障视频和预测故障名称；
306、将所述预测故障名称与故障列表中的故障信息进行匹配，其中，所述故障信息包括故障名称和与所述故障名称对应的稳定性数据；
307、确定与所述预测故障名称匹配的目标故障名称，获取所述故障视频对应的振动参数；
308、将所述故障视频对应的振动参数与所述目标故障名称对应的稳定性参数进行匹配；
309、当确定所述故障视频对应的振动参数与所述目标故障名称对应的稳定性参数匹配成功时，确定所述预测故障名称正确。
其中，上述步骤301-步骤309的具体描述可以参照步骤101-步骤107所描述的振动检测方法的相应描述，在此不再赘述。
在本申请实施例中，通过获取车辆的发动机型号，在获取发动机型号对应的发动机在共振转速区间的共振目标视频以及其对应的共振数据，并将共振数据作为故障信息更新到故障列表中。在需要验证故障视频对应的预测故障名称是否正确时，可以获得故障视频对应的振动参数，并根据振动参数与故障列表中的稳定性参数匹配结果判定预测故障名称是否正确，而不需要再获取故障视频对应的运动放大视频，这一方面提升了振动情况验证的效率，另一方面通过与故障列表的匹配提升了振动情况验证的准确率。
如上述一致地，请参阅图4，图4是本申请实施例提供的一种电子装置的结构示意图，如图4所示，该电子装置包括处理器、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以下步骤的指令：
接收用户启动设备检测功能的指令，根据所述指令呈现车辆振动检测入口，所述车辆振动检测入口提供振动检测类型选项，所述振动检测类型选项包括车辆类型或发动机型号；
接收用户选择振动检测类型选项，并根据所述振动检测类型选项确定发动机型号；
提示用户对所述发送机型号对应的发动机进行振动操作，所述振动操作包括驾驶操作，或空挡踩油门操作；
定位振动过程中的所述发送机为振动物体，获取所述振动物体对应的目标视频；
对所述目标视频进行参数提取，获得所述目标视频对应的振动参数；
并行地对所述目标视频进行放大处理，获得放大输出视频；
并行输出多种模式的稳定性数据，所述稳定性数据包括所述振动参数和所述放大输出视频，根据所述稳定性数据确定所述振动物体的振动情况。
可以看出，本申请实施例中，电子装置通过接收用户指令，获取车辆振动检测入口，再接收用户选择的发动机型号，定位对应的发动机获得振动物体对应的目标视频；对目标视频进行参数提取，获得目标视频对应的振动参数；并行地对目标视频进行放大处理，获得放大输出视频；并行输出多种模式的稳定性数据，稳定性数据包括振动参数和放大输出视频，根据稳定性数据确定振动物体的振动情况。在这个过程中，目标视频的参数提取和放大处理并行地进行，可以提升振动检测效率，并行地输出参数提取获得的振动参数和放大处理后获得的放大输出视频，丰富了振动检测结果的表现形式，提升了振动检测的精确度和有效性。
在一个可能的示例中，所述对所述目标视频进行参数提取，获得所述目标视频对应的振动参数，包括：
获取目标视频中发动机的多个图像帧，并对所述多个图像帧中的每个图像帧进行区域划分，获得N个区域；
确定N个区域中每个区域包含的关键点个数Mi,i∈[1,N]，关键点为振动产生位置；
按照每个区域包含的关键点个数进行初始特征点选取，选取个数为：
其中Ti表示第i个区域选取的特征点个数，N1表示包含关键点的区域个数，N2表示不包含关键点的区域个数，N＝N1+N2，R表示图像帧预设特征点选取个数，表示保留/>的整数值，/>表示保留/>的整数值；
按照每个区域选取的特征点个数Ti获得每个图像帧中提取的初始特征点，其中初始特征点个数为：
对所述初始特征点进行筛选，获得稳定的多个运动特征点；
对所述多个运动特征点进行光流跟踪，获得所述多个运动特征点的时间序列；
对所述多个运动特征点的时间序列进行滤波处理，获得滤波后信号；
对所述滤波后信号进行主成分分析，获得降维信号；
对所述降维信号进行参数提取，获得所述目标视频对应的振动参数。
在一个可能的示例中，所述对提取的初始特征点进行筛选，获得稳定的多个运动特征点，包括：
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；
根据所述初始特征点对应的流向量计算所述初始特征点的偏移距离；
对多个初始特征点对应的多个偏移距离进行聚类，采用K-means聚类算法对所述多个偏移距离进行聚类，其中，设置k值为4，获得4个聚类类簇；
对所述4个聚类类簇求平均值，并获得第一类簇平均值，第二类簇平均值、第三类簇平均值和第四类簇平均值，其中，第一类簇平均值<第二类簇平均值<第三类簇平均值<第四类簇平均值；
从第二类簇平均值和第三类簇平均值对应的聚类类簇中挑选方差小于第一方差阈值的多个偏移距离组成第五聚类类簇，并确定所述第五类簇中的偏移距离对应的初始特征点作为所述稳定的多个运动特征点。
在一个可能的示例中，对所述多个运动特征点进行光流跟踪，获得所述多个运动特征点的时间序列，包括：
确定所述多个运动特征点在第一帧图像中的位置；
根据特征点匹配和最小二乘法确定所述多个运动特征点在下一相邻帧图像中的位置；
重复上述确定多个运动特征点在下一相邻帧图像的位置，直到遍历完所述多个图像帧中的每一帧图像；
根据确定所述多个运动特征点的顺序和位置确定所述多个运动特征点的时间序列。
在一个可能的示例中，所述对所述目标视频进行放大处理，获得放大输出视频，包括：
将所述目标视频的多帧图像组成的帧序列进行空域金字塔分解，得到由多个不同空间分辨率的子图像组成的金字塔形结构；
对所述金字塔型结构中的多个子图像中每个子图像进行时域带通滤波处理，得到目标频带对应的变换信号；
对所述变换信号对应的位移进行A倍放大，获得放大后信号，其中A的取值范围为(3，Amax),其中Amax的值由目标频带和变换信号的位移函数确定；
结合所述放大后信号和所述金字塔形结构进行金字塔重构，得到放大输出视频。
在一个可能的示例中，所述方法还包括振动情况验证，具体包括：
接收用户输入的故障视频和预测故障名称；
将所述预测故障名称与故障列表中的故障信息进行匹配，其中，所述故障信息包括故障名称和与所述故障名称对应的稳定性数据；
确定与所述预测故障名称匹配的目标故障名称，获取所述故障视频对应的振动参数；
将所述故障视频对应的振动参数与所述目标故障名称对应的稳定性参数进行匹配；
当确定所述故障视频对应的振动参数与所述目标故障名称对应的稳定性参数匹配成功时，确定所述预测故障名称正确。
在一个可能的示例中，所述故障名称包括共振，所述方法还包括更新故障列表，具体包括：
获取车辆发动机型号对应的共振转速；
获取所述发动机型号在共振转速区间对应的共振目标视频，所述共振转速区间为与所述共振转速的差值绝对值小于第一预设阈值的转速值区间；
匹配所述发动机型号对应的稳定性预测模型，将所述共振目标视频输入所述稳定性预测模型，获取所述发动机型号对应发动机的共振数据；
将所述发动机型号及其对应的共振数据作为故障信息更新到所述故障列表中。
请参阅图5，图5为本申请实施例提供的一种振动检测装置的结构示意图，如图5所示，所述振动检测装置500包括：
接收模块501，用于接收用户启动设备检测功能的指令，根据所述指令呈现车辆振动检测入口，所述车辆振动检测入口提供振动检测类型选项，所述振动检测类型选项包括车辆类型或发动机型号；
选择模块502，用于接收用户选择振动检测类型选项，并根据所述振动检测类型选项确定发动机型号；
提示模块503，用于提示用户对所述发送机型号对应的发动机进行振动操作，所述振动操作包括驾驶操作，或空挡踩油门操作；
定位模块504，用于定位振动过程中的所述发送机为振动物体，获取所述振动物体对应的目标视频；
提取模块505，用于对所述目标视频进行参数提取，获得所述目标视频对应的振动参数；
放大模块506，用于并行地对所述目标视频进行放大处理，获得放大输出视频；
确定模块507，用于并行输出多种模式的稳定性数据，所述稳定性数据包括所述振动参数和所述放大输出视频，根据所述稳定性数据确定所述振动物体的振动情况。
在此需要说明的是，上述接收模块501、选择模块502、提示模块503、定位模块504、提取模块505、放大模块506和确定模块507的具体工作过程参见上述步骤101-107所描述的振动检测方法的相应描述，在此不再赘述。
可以看出，本申请实施例公开的振动检测装置，通过接收用户指令，获取车辆振动检测入口，再接收用户选择的发动机型号，定位对应的发动机获得振动物体对应的目标视频；对目标视频进行参数提取，获得目标视频对应的振动参数；并行地对目标视频进行放大处理，获得放大输出视频；并行输出多种模式的稳定性数据，稳定性数据包括振动参数和放大输出视频，根据稳定性数据确定振动物体的振动情况。在这个过程中，目标视频的参数提取和放大处理并行地进行，可以提升振动检测效率，并行地输出参数提取获得的振动参数和放大处理后获得的放大输出视频，丰富了振动检测结果的表现形式，提升了振动检测的精确度和有效性。
在可选情况下，在所述对所述目标视频进行参数提取，获得所述目标视频对应的振动参数方面，所述提取模块505具体用于：
获取目标视频中发动机的多个图像帧，并对所述多个图像帧中的每个图像帧进行区域划分，获得N个区域；
确定N个区域中每个区域包含的关键点个数Mi,i∈[1,N]，关键点为振动产生位置；
按照每个区域包含的关键点个数进行初始特征点选取，选取个数为：
其中Ti表示第i个区域选取的特征点个数，N1表示包含关键点的区域个数，N2表示不包含关键点的区域个数，N＝N1+N2，R表示图像帧预设特征点选取个数，表示保留/>的整数值，/>表示保留/>的整数值；
按照每个区域选取的特征点个数Ti获得每个图像帧中提取的初始特征点，其中初始特征点个数为：
对所述初始特征点进行筛选，获得稳定的多个运动特征点；
对所述多个运动特征点进行光流跟踪，获得所述多个运动特征点的时间序列；
对所述多个运动特征点的时间序列进行滤波处理，获得滤波后信号；
对所述滤波后信号进行主成分分析，获得降维信号；
对所述降维信号进行参数提取，获得所述目标视频对应的振动参数。
在可选情况下，在对提取的初始特征点进行筛选，获得稳定的多个运动特征点方面，提取模块505还具体用于：
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；
根据所述初始特征点对应的流向量计算所述初始特征点的偏移距离；
对多个初始特征点对应的多个偏移距离进行聚类，采用K-means聚类算法对所述多个偏移距离进行聚类，其中，设置k值为4，获得4个聚类类簇；
对所述4个聚类类簇求平均值，并获得第一类簇平均值，第二类簇平均值、第三类簇平均值和第四类簇平均值，其中，第一类簇平均值<第二类簇平均值<第三类簇平均值<第四类簇平均值；
从第二类簇平均值和第三类簇平均值对应的聚类类簇中挑选方差小于第一方差阈值的多个偏移距离组成第五聚类类簇，并确定所述第五类簇中的偏移距离对应的初始特征点作为所述稳定的多个运动特征点。
在可选情况下，在对所述多个运动特征点进行光流跟踪，获得所述多个运动特征点的时间序列方面，所述提取模块505还具体用于：
确定所述多个运动特征点在第一帧图像中的位置；
根据特征点匹配和最小二乘法确定所述多个运动特征点在下一相邻帧图像中的位置；
重复上述确定多个运动特征点在下一相邻帧图像的位置，直到遍历完所述多个图像帧中的每一帧图像；
根据确定所述多个运动特征点的顺序和位置确定所述多个运动特征点的时间序列。
在可选情况下，在所述对所述目标视频进行放大处理，获得放大输出视频方面，所述放大模块506具体用于：
将所述目标视频的多帧图像组成的帧序列进行空域金字塔分解，得到由多个不同空间分辨率的子图像组成的金字塔形结构；
对所述金字塔型结构中的多个子图像中每个子图像进行时域带通滤波处理，得到目标频带对应的变换信号；
对所述变换信号对应的位移进行A倍放大，获得放大后信号，其中A的取值范围为(3，Amax),其中Amax的值由目标频带和变换信号的位移函数确定；
结合所述放大后信号和所述金字塔形结构进行金字塔重构，得到放大输出视频。
可选情况下，所述振动检测装置500还包括验证模块508，具体用于：
接收用户输入的故障视频和预测故障名称；
将所述预测故障名称与故障列表中的故障信息进行匹配，其中，所述故障信息包括故障名称和与所述故障名称对应的稳定性数据；
确定与所述预测故障名称匹配的目标故障名称，获取所述故障视频对应的振动参数；
将所述故障视频对应的振动参数与所述目标故障名称对应的稳定性参数进行匹配；
当确定所述故障视频对应的振动参数与所述目标故障名称对应的稳定性参数匹配成功时，确定所述预测故障名称正确。
可选情况下，所述故障名称包括共振，所述验证模块508还用于更新故障列表，具体用于：
获取车辆发动机型号对应的共振转速；
获取所述发动机型号在共振转速区间对应的共振目标视频，所述共振转速区间为与所述共振转速的差值绝对值小于第一预设阈值的转速值区间；
匹配所述发动机型号对应的稳定性预测模型，将所述共振目标视频输入所述稳定性预测模型，获取所述发动机型号对应发动机的共振数据；
将所述发动机型号及其对应的共振数据作为故障信息更新到所述故障列表中。
在一些实施例里，提供一种存储介质，用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上述任一方法所述的步骤的指令。
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可选实施例，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，所揭露的方法，可通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如所述单元的划分，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，方法或单元的间接耦合或通信连接，可以是电性或其它的形式。
所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，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序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所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 (9)

1.一种振动检测方法，其特征在于，应用于振动检测传感装置，所述方法包括：
接收用户启动设备检测功能的指令，根据所述指令呈现车辆振动检测入口，所述车辆振动检测入口提供振动检测类型选项，所述振动检测类型选项包括车辆类型或发动机型号；
接收用户选择振动检测类型选项，并根据所述振动检测类型选项确定发动机型号；
提示用户对所述发动机型号对应的发动机进行振动操作，所述振动操作包括驾驶操作，或空挡踩油门操作；
定位振动过程中的所述发动机为振动物体，获取所述振动物体对应的目标视频；
对所述目标视频进行参数提取，获得所述目标视频对应的振动参数，具体包括：
获取目标视频中发动机的多个图像帧，并对所述多个图像帧中的每个图像帧进行区域划分，获得N个区域；
确定N个区域中每个区域包含的关键点个数Mi,i∈[1,N]，关键点为振动产生位置；
按照每个区域包含的关键点个数进行初始特征点选取，选取个数为：
其中Ti表示第i个区域选取的特征点个数，N1表示包含关键点的区域个数，N2表示不包含关键点的区域个数，N＝N1+N2，R表示图像帧预设特征点选取个数，表示保留的整数值，/>表示保留/>的整数值；
按照每个区域选取的特征点个数Ti获得每个图像帧中提取的初始特征点，其中初始特征点个数为：
对所述初始特征点进行筛选，获得稳定的多个运动特征点；
对所述多个运动特征点进行光流跟踪，获得所述多个运动特征点的时间序列；
对所述多个运动特征点的时间序列进行滤波处理，获得滤波后信号；
对所述滤波后信号进行主成分分析，获得降维信号；
对所述降维信号进行参数提取，获得所述目标视频对应的振动参数；
并行地对所述目标视频进行放大处理，获得放大输出视频；
并行输出多种模式的稳定性数据，所述稳定性数据包括所述振动参数和所述放大输出视频，根据所述稳定性数据确定所述振动物体的振动情况。
2.根据权利要求1所述的方法，其特征在于，所述对所述初始特征点进行筛选，获得稳定的多个运动特征点，包括：
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；
根据所述初始特征点对应的流向量计算所述初始特征点的偏移距离；
对多个初始特征点对应的多个偏移距离进行聚类，采用K-means聚类算法对所述多个偏移距离进行聚类，其中，设置k值为4，获得4个聚类类簇；
对所述4个聚类类簇求平均值，并获得第一类簇平均值，第二类簇平均值、第三类簇平均值和第四类簇平均值，其中，第一类簇平均值<第二类簇平均值<第三类簇平均值<第四类簇平均值；
从第二类簇平均值和第三类簇平均值对应的聚类类簇中挑选方差小于第一方差阈值的多个偏移距离组成第五类簇，并确定所述第五类簇中的偏移距离对应的初始特征点作为所述稳定的多个运动特征点。
3.根据权利要求1或2所述的方法，其特征在于，对所述多个运动特征点进行光流跟踪，获得所述多个运动特征点的时间序列，包括：
确定所述多个运动特征点在第一帧图像中的位置；
根据特征点匹配和最小二乘法确定所述多个运动特征点在下一相邻帧图像中的位置；
重复上述确定所述多个运动特征点在下一相邻帧图像的位置，直到遍历完所述多个图像帧中的每一帧图像；
根据确定所述多个运动特征点的顺序和位置确定所述多个运动特征点的时间序列。
4.根据权利要求1所述的方法，其特征在于，所述对所述目标视频进行放大处理，获得放大输出视频，包括：
将所述目标视频的多帧图像组成的帧序列进行空域金字塔分解，得到由多个不同空间分辨率的子图像组成的金字塔形结构；
对所述金字塔型结构中的多个子图像中每个子图像进行时域带通滤波处理，得到目标频带对应的变换信号；
对所述变换信号对应的位移进行A倍放大，获得放大后信号，其中A的取值范围为(3，Amax),其中Amax的值由目标频带和变换信号的位移函数确定；
结合所述放大后信号和所述金字塔形结构进行金字塔重构，得到放大输出视频。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括振动情况验证，具体包括：
接收用户输入的故障视频和预测故障名称；
将所述预测故障名称与故障列表中的故障信息进行匹配，其中，所述故障信息包括故障名称和与所述故障名称对应的稳定性数据；
确定与所述预测故障名称匹配的目标故障名称，获取所述故障视频对应的振动参数；
将所述故障视频对应的振动参数与所述目标故障名称对应的稳定性参数进行匹配；
当确定所述故障视频对应的振动参数与所述目标故障名称对应的稳定性参数匹配成功时，确定所述预测故障名称正确。
6.根据权利要求5所述的方法，其特征在于，所述故障名称包括共振，所述方法还包括更新故障列表，具体包括：
获取车辆发动机型号对应的共振转速；
获取所述发动机型号在共振转速区间对应的共振目标视频，所述共振转速区间为与所述共振转速的差值绝对值小于第一预设阈值的转速值区间；
匹配所述发动机型号对应的稳定性预测模型，将所述共振目标视频输入所述稳定性预测模型，获取所述发动机型号对应发动机的共振数据；
将所述发动机型号及其对应的共振数据作为故障信息更新到所述故障列表中。
7.一种振动检测装置，其特征在于，所述装置包括：
接收模块，用于接收用户启动设备检测功能的指令，根据所述指令呈现车辆振动检测入口，所述车辆振动检测入口提供振动检测类型选项，所述振动检测类型选项包括车辆类型或发动机型号；
选择模块，用于接收用户选择振动检测类型选项，并根据所述振动检测类型选项确定发动机型号；
提示模块，用于提示用户对所述发动机型号对应的发动机进行振动操作，所述振动操作包括驾驶操作，或空挡踩油门操作；
定位模块，用于定位振动过程中的所述发动机为振动物体，获取所述振动物体对应的目标视频；
提取模块，用于对所述目标视频进行参数提取，获得所述目标视频对应的振动参数，具体包括：
获取目标视频中发动机的多个图像帧，并对所述多个图像帧中的每个图像帧进行区域划分，获得N个区域；
确定N个区域中每个区域包含的关键点个数Mi,i∈[1,N]，关键点为振动产生位置；
按照每个区域包含的关键点个数进行初始特征点选取，选取个数为：
其中Ti表示第i个区域选取的特征点个数，N1表示包含关键点的区域个数，N2表示不包含关键点的区域个数，N＝N1+N2，R表示图像帧预设特征点选取个数，表示保留的整数值，/>表示保留/>的整数值；
按照每个区域选取的特征点个数Ti获得每个图像帧中提取的初始特征点，其中初始特征点个数为：
对所述初始特征点进行筛选，获得稳定的多个运动特征点；
对所述多个运动特征点进行光流跟踪，获得所述多个运动特征点的时间序列；
对所述多个运动特征点的时间序列进行滤波处理，获得滤波后信号；
对所述滤波后信号进行主成分分析，获得降维信号；
对所述降维信号进行参数提取，获得所述目标视频对应的振动参数；
放大模块，用于并行地对所述目标视频进行放大处理，获得放大输出视频；
确定模块，用于并行输出多种模式的稳定性数据，所述稳定性数据包括所述振动参数和所述放大输出视频，根据所述稳定性数据确定所述振动物体的振动情况。
8.一种电子装置，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1-6任一项所述的方法中的步骤的指令。
9.一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1-6任一项所述的方法。
CN201910800074.6A 2019-08-28 2019-08-28 多模输出的智能振动检测方法及装置 Active CN110956645B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910800074.6A CN110956645B (zh) 2019-08-28 2019-08-28 多模输出的智能振动检测方法及装置
PCT/CN2020/105792 WO2021036670A1 (zh) 2019-08-28 2020-07-30 多模输出的智能振动检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910800074.6A CN110956645B (zh) 2019-08-28 2019-08-28 多模输出的智能振动检测方法及装置

Publications (2)

Publication Number Publication Date
CN110956645A CN110956645A (zh) 2020-04-03
CN110956645B true CN110956645B (zh) 2023-10-31

Family

ID=69975475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910800074.6A Active CN110956645B (zh) 2019-08-28 2019-08-28 多模输出的智能振动检测方法及装置

Country Status (2)

Country Link
CN (1) CN110956645B (zh)
WO (1) WO2021036670A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956645B (zh) * 2019-08-28 2023-10-31 深圳市广宁股份有限公司 多模输出的智能振动检测方法及装置
CN113848700A (zh) * 2020-06-28 2021-12-28 北京配天技术有限公司 一种机器人抖动抑制方法、装置、设备及可读存储介质
CN113158785B (zh) * 2021-03-11 2022-11-15 复旦大学 一种振荡信号模态参数的识别方法
CN113405644B (zh) * 2021-05-17 2022-04-08 中山大学 非接触的振动测量方法、装置和存储介质
CN114581252B (zh) * 2022-03-03 2024-04-05 平安科技（深圳）有限公司 目标案件的预测方法和装置、电子设备、存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106872011A (zh) * 2015-12-10 2017-06-20 空中客车防卫和太空有限责任公司 用于高速视频振动分析的模块化设备
CN108414240A (zh) * 2018-03-15 2018-08-17 广东工业大学 一种检测机器异常振动的方法与装置
CN110068388A (zh) * 2019-03-29 2019-07-30 南京航空航天大学 一种基于视觉和盲源分离的振动检测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101354315A (zh) * 2008-09-05 2009-01-28 爱立迈科（宁波）计测仪器有限公司 一种基于振动信号的发动机状态跟踪检测装置及方法
TW201120812A (en) * 2009-12-04 2011-06-16 Huper Lab Co Ltd Stabilization method for vibrating video frames
JP5797044B2 (ja) * 2011-07-25 2015-10-21 キヤノン株式会社 駆動装置および光学機器
CN106225681B (zh) * 2016-07-25 2019-03-12 上海米度测控科技有限公司 一种大跨度桥梁健康状态监测装置
CN108317997A (zh) * 2017-01-17 2018-07-24 大连因特视智能传感科技有限公司 基于视频分析的轨道车辆在隧道内的振动检测系统
CN110956645B (zh) * 2019-08-28 2023-10-31 深圳市广宁股份有限公司 多模输出的智能振动检测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106872011A (zh) * 2015-12-10 2017-06-20 空中客车防卫和太空有限责任公司 用于高速视频振动分析的模块化设备
CN108414240A (zh) * 2018-03-15 2018-08-17 广东工业大学 一种检测机器异常振动的方法与装置
CN110068388A (zh) * 2019-03-29 2019-07-30 南京航空航天大学 一种基于视觉和盲源分离的振动检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YongchaoYang,et al.Blind identificationoffull-fieldvibrationmodesfromvideo measurementswithphase-basedvideomotionmagnification.《Mechanical SystemsandSignalProcessing85(2017)》.2017,正文第567-590页. *
刘会兵等.基于CompactRIO的柴油机整机振动测试与分析.《内燃机与动力装置》.2010,正文第7-12页. *

Also Published As

Publication number Publication date
WO2021036670A1 (zh) 2021-03-04
CN110956645A (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
CN110956645B (zh) 多模输出的智能振动检测方法及装置
CN110378264B (zh) 目标跟踪方法及装置
CN110674700B (zh) 基于数字孪生模型的电子设备的智能健康预测方法及装置
CN110631690B (zh) 基于数字孪生的智能振动检测方法及装置
CN104205169A (zh) 基于异步光传感器估计光流的方法
JP6292122B2 (ja) オブジェクト情報抽出装置、オブジェクト情報抽出プログラム、及びオブジェクト情報抽出方法
WO2021052024A1 (zh) 洗衣机振动故障检测方法及装置
WO2021036634A1 (zh) 故障检测方法及相关产品
WO2021120591A1 (en) Systems and methods for adjusting a monitoring device
EP0847201A1 (fr) Système de suivi de mobiles en temps réel sur un terrain de sports
WO2021036669A1 (zh) 智能振动检测方法及相关产品
CN105574844B (zh) 辐射响应函数估计方法和装置
CN113160210A (zh) 基于深度相机的排水管道缺陷检测方法及装置
CN116596928B (zh) 基于图像特征的花生油杂质快速检测方法
CN108827876B (zh) 一种空化云空化强度的测量方法
CN116109962A (zh) 一种基于视频相位的振动频率测量方法、装置、电子设备及存储介质
CN113447111B (zh) 基于形态分量分析的视觉振动放大方法、检测方法及系统
JP5465001B2 (ja) 対象推定装置
CN105791666A (zh) 自动对焦装置
JP2010097507A (ja) 移動対象抽出装置、移動対象抽出方法及び移動対象抽出プログラム
JP2009116686A (ja) 撮像対象検出装置および方法
CN113538580B (zh) 一种基于视觉处理的振动测量方法和系统
JP2014142213A (ja) 撮影パラメータ決定装置及びその制御方法
Ye et al. Development and application of a more refined process for extracting rock crack width information based on artificial intelligence
CN116229085A (zh) 一种基于特征自适应融合的车间安全帽检测方法

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