CN111915561A - 一种基于图像识别和机器学习的螺栓状态监测方法 - Google Patents
一种基于图像识别和机器学习的螺栓状态监测方法 Download PDFInfo
- Publication number
- CN111915561A CN111915561A CN202010616617.1A CN202010616617A CN111915561A CN 111915561 A CN111915561 A CN 111915561A CN 202010616617 A CN202010616617 A CN 202010616617A CN 111915561 A CN111915561 A CN 111915561A
- Authority
- CN
- China
- Prior art keywords
- bolt
- image
- support vector
- picture
- formula
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000012706 support-vector machine Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 108010063499 Sigma Factor Proteins 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
Images
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
- G06F18/2411—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
- 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
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (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)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别和机器学习的螺栓状态监测方法,首先通过图像采集器摄取得到若干张螺栓图片,然后提取得到螺栓群中每个螺栓的HOG特征;通过每个螺栓的HOG特征训练得到支持向量机识别模型,最后采用支持向量机识别模型对轮毂螺栓状态进行定时监测;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。
Description
技术领域
本发明属于目标检测技术领域,具体涉及一种基于图像识别和机器学习的螺栓状态监测方法。
背景技术
螺栓是车辆轮毂上重要的固定构件,起着保证车辆安全、平稳运行的重要作用。车辆轮毂螺栓的丢失会造成轮胎脱落,对车辆运行和人员生命安全造成严重威胁。因此,车辆轮毂螺栓的定期检测对于保障车辆安全运行十分重要;
现有人工检测方法主要有目视检测、锤击法、扭矩扳手法等。这类方法检测不但检测效率较低、检测精度依赖于个人经验,而且操作过程存在一定的危险性。部分研究人员研发出了基于声、电、磁等接触式传感器的螺栓检测方法。这类方法采用的检测传感器价格高昂,检测结果受自然环境条件影响大。现有基于图像识别的螺栓检测方法需要在螺栓连接处人为添加标记符号或标识物,然而标记符号或标识物会随时间损坏脱落导致难以准确判断,尤其不利于恶劣环境下的螺栓检测和维护。
发明内容
本发明的目的是提供一种基于图像识别和机器学习的螺栓状态监测方法,能够实现对车辆不同位置轮毂螺栓的自动化检测。
本发明所采用的技术方案是,一种基于图像识别和机器学习的螺栓状态监测方法,具体按以下步骤实施:
步骤1,首先安装和固定图像采集器,图像采集器的间隔不小于车辆的宽度,高度与车辆轮毂高度一样;
步骤2,开启经步骤1安装的图像采集器,分阶段随机拧松和拧掉不同轮毂上的螺栓,摄取得到若干张螺栓图片,为样本量;
步骤3,对经步骤2得到的若干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HOG特征;
步骤4,通过经步骤3提取的每个螺栓的HOG特征训练得到支持向量机识别模型;
步骤5,判断支持向量机识别模型的识别准确率是否达到预设值,若是则进入步骤6,否则增加预设样本量,返回步骤2;
步骤6,采用支持向量机识别模型对轮毂螺栓状态进行定时监测。
本发明的特点还在于:
其中步骤1中图像采集器采用带补光功能的枪机,图像采集器镜头与轮毂非正对设置;
其中步骤3中轮胎螺栓的HOG特征数学表达式为:
式中,I(x,y)为原车牌图像在坐标(x,y)处像素的灰度值,GX(x,y)为该坐标处的水平梯度,GY(x,y)为该坐标处的垂直梯度,G(x,y)为该坐标处的梯度幅值,α为该坐标处的梯度方向;
其中步骤3具体包括以下步骤:
步骤3.1,对经步骤2得到的螺栓图片进行图片灰度化处理,得到灰度化图片,灰度化公式如下式:
式中,I(x,y)为原车牌图像在坐标(x,y)处像素的灰度值,R(x,y),G(x,y)和B(x,y)分别是原图像在(x,y)处的红、蓝、绿三通道颜色分量值;
步骤3.2,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,高斯滤波公式如下式:
步骤3.3,对降噪后的图片集进行Mean Shift,得到滤波后的螺栓样本集;
步骤3.4,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;
步骤3.5,采用圆形霍夫变换对二值化图片进行提取,得到螺栓样本集中每个螺栓的栓头中心点;
步骤3.6,以每个螺栓的栓头中心点作为其位置特征点,通过sobel算子进行边缘检测,分割得到每个螺栓的单个螺栓图片,sobel算子公式如式(4)和式(5)所示:
步骤3.7,最后对每个螺栓的单个螺栓图片进行HOG特征提取,得到螺栓样本集中每个螺栓的HOG特征;
其中步骤3.3中Mean Shift核心包括以下步骤:首先计算将mh(x)赋给x,若||mh(x)-x||≤ε结束,否则返回公式其中,G(x)是一个单位核函数,w(xi)≥0是采样点的权重系数,x为样本点均值,xi为样本点,ε为设定的误差限;
其中步骤4具体内容包括:
将每个螺栓的HOG特征和状态情况组成信息集,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,最终得到支持向量机识别模型,基于支撑向量机的轮胎螺丝模型采用RBF核函数,支撑向量机的目标函数和核函数分别如式(6)和式(7)所示:
式中,xi和xj分别为第i个和第j个螺栓样本,yi和yj分别为第i个和第j个螺栓样本到超平面的距离,n为训练样本总数,λi、λj、μi为拉格朗日算子,C为惩罚因子,σ为标准差;
其中步骤6具体内容包括:
步骤6.1,车辆来临时,打开检测功能,此时会判定是否有训练好的模型,同时检测图像采集器是否能正常工作,若都正常转到下一步;
步骤6.2,打开图像采集器,检测光线强度,判断是否开启补光,采集待检测车辆轮毂上的螺栓图像信息,依据通信服务,传入系统到后台;
步骤6.3,在系统后台中对采集的车辆的轮毂螺栓的图片进行处理,汇总每个螺栓的HOG并得到HOG特征集;
步骤6.4,将轮毂上每个螺栓的HOG输入支持向量机识别模型进行判断,并在系统界面上显示其实时检测结果,若判断某螺栓丢失或该螺栓的HOG特征离散度较大,则发出警告来通知修人员对该螺栓进行检修,同时系统对所有检测结果进行归类存入数据库。
本发明的有益效果是:
本发明的一种基于图像识别和机器学习的螺栓状态监测方法相对于传统的人工、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海康普通带红外功能的相机,相对于基于声、光、电等原理的接触式传感器,成本相对低廉,同时也能在暗光下工作。
附图说明
图1为本发明的一种基于图像识别和机器学习的螺栓状态检测方法的流程图;
图2为本发明的一种基于图像识别和机器学习的螺栓状态检测方法的图像采集器安装点位示意图;
图3为本发明的一种基于图像识别和机器学习的螺栓状态检测方法的被检测螺栓群示意图;
图4为本发明的一种基于图像识别和机器学习的螺栓状态检测方法的软件人机交互图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供了一种基于图像识别和机器学习的螺栓状态监测方法,如图1所示,具体按以下步骤实施:
步骤1,首先安装和固定图像采集器,图像采集器的间隔不小于车辆的宽度,高度与车辆轮毂高度一样:图像采集器采用带补光功能的枪机,成本相对低廉,图像采集器镜头不应正对对轮毂,需要有一定的拍摄角度,因此本发明安装方式如图2所示,这样的安装方式可以获取清晰的螺栓的状态图片,便于检测;为了确定图像采集器的最佳安装点位,需要开启图像采集功能,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;
步骤2,开启经步骤1安装的图像采集器,分阶段随机拧松和拧掉不同轮毂上的螺栓,摄取得到N(若干)张螺栓图片,N为样本量;
本发明实施例中,如图3所示,被监测车辆单个轮毂上主要性螺栓共6个,个数较少,方便训练识别模型,设置这6个螺栓编号为1,2,3,4,5,6,分别使1,2,3,4,5,6号螺栓处于不同状态,即松动、缺失,其它螺栓紧固,摄取单个螺栓不同状态、不同角度照片的共12张图片,即一个车辆需要拍摄288个图片,假设车辆数目为x,则N=288*x;
步骤3,对经步骤2得到的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HOG特征:
轮胎螺栓的HOG特征数学表达式为:
式中,I(x,y)为原车牌图像在坐标(x,y)处像素的灰度值,GX(x,y)为该坐标处的水平梯度,GY(x,y)为该坐标处的垂直梯度,G(x,y)为该坐标处的梯度幅值,α为该坐标处的梯度方向;
步骤3.1,对经步骤2得到的螺栓图片进行图片灰度化处理,得到灰度化图片,灰度化公式如下式:
式中,I(x,y)为原车牌图像在坐标(x,y)处像素的灰度值,R(x,y),G(x,y)和B(x,y)分别是原图像在(x,y)处的红、蓝、绿三通道颜色分量值;
步骤3.2,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,高斯滤波公式如下式:
步骤3.3,对降噪后的图片集进行Mean Shift,实现图像的低通边缘保留滤波效果,得到滤波后的螺栓样本集:
Mean Shift核心包括以下步骤:首先计算将mh(x)赋给x,若||mh(x)-x||≤ε结束,否则返回公式其中,G(x)是一个单位核函数,w(xi)≥0是采样点的权重系数,x为样本点均值,xi为样本点,ε为设定的误差限;
步骤3.4,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;
步骤3.5,采用圆形霍夫变换对二值化图片进行提取,得到螺栓样本集中每个螺栓的栓头中心点;
步骤3.6,以每个螺栓的栓头中心点作为其位置特征点,通过sobel算子进行边缘检测,分割得到每个螺栓的单个螺栓图片,sobel算子公式如式(4)和式(5)所示:
步骤3.7,最后对每个螺栓的单个螺栓图片进行HOG特征提取,得到螺栓样本集中每个螺栓的HOG特征。
步骤4,通过经步骤3提取的每个螺栓的HOG特征训练得到支持向量机识别模型:
将每个螺栓的HOG特征和状态情况组成信息集,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,最终得到支持向量机识别模型,基于支撑向量机的轮胎螺丝模型采用RBF核函数,支撑向量机的目标函数和核函数分别如式(6)和式(7)所示:
式中,xi和xj分别为第i个和第j个螺栓样本,yi和yj分别为第i个和第j个螺栓样本到超平面的距离,n为训练样本总数,λi、λj、μi为拉格朗日算子,C为惩罚因子,σ为标准差;
步骤5,判断支持向量机识别模型的识别准确率是否达到预设值,若是则进入步骤6,否则增加预设样本量,返回步骤2,本发明实施例中,识别准确率的预设值a设置为90%;
步骤6,如图4所示,采用支持向量机识别模型对被轮毂螺栓的状态进行定时监测,本发明通过核心的检测模块与相机模块、通信模块、数据模块、用户交互模块组合可实现螺检测的可视化过程:
步骤6.1,车辆来临时,打开检测功能,此时会判定是否有训练好的模型,同时检测图像采集器是否能正常工作,若都正常转到下一步;
步骤6.2,打开图像采集器,检测光线强度,判断是否开启补光,采集待检测车辆轮毂上的螺栓图像信息,依据通信服务,传入系统到后台;
步骤6.3,在系统后台中对采集的车辆的轮毂螺栓的图片进行处理,汇总每个螺栓的HOG并得到HOG特征集;
步骤6.4,将轮毂上每个螺栓的HOG输入支持向量机识别模型进行判断,并在系统界面上显示其实时检测结果,若判断某螺栓丢失或该螺栓的HOG特征离散度较大,则发出警告来通知修人员对该螺栓进行检修,同时系统对所有检测结果进行归类存入数据库。
Claims (7)
1.一种基于图像识别和机器学习的螺栓状态监测方法,其特征在于,具体按以下步骤实施:
步骤1,首先安装和固定图像采集器,图像采集器的间隔不小于车辆的宽度,高度与车辆轮毂高度一样;
步骤2,开启经步骤1安装的图像采集器,分阶段随机拧松和拧掉不同轮毂上的螺栓,摄取得到若干张螺栓图片,为样本量;
步骤3,对经步骤2得到的若干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HOG特征;
步骤4,通过经步骤3提取的每个螺栓的HOG特征训练得到支持向量机识别模型;
步骤5,判断支持向量机识别模型的识别准确率是否达到预设值,若是则进入步骤6,否则增加预设样本量,返回步骤2;
步骤6,采用支持向量机识别模型对轮毂螺栓状态进行定时监测。
2.根据权利要求1所述的一种基于图像识别和机器学习的螺栓状态监测方法,其特征在于,所述步骤1中图像采集器采用带补光功能的枪机,图像采集器镜头与轮毂非正对设置。
4.根据权利要求3所述的一种基于图像识别和机器学习的螺栓状态监测方法,其特征在于,所述步骤3具体包括以下步骤:
步骤3.1,对经步骤2得到的螺栓图片进行图片灰度化处理,得到灰度化图片,灰度化公式如下式:
式中,I(x,y)为原车牌图像在坐标(x,y)处像素的灰度值,R(x,y),G(x,y)和B(x,y)分别是原图像在(x,y)处的红、蓝、绿三通道颜色分量值;
步骤3.2,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,高斯滤波公式如下式:
步骤3.3,对降噪后的图片集进行Mean Shift,得到滤波后的螺栓样本集;
步骤3.4,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;
步骤3.5,采用圆形霍夫变换对二值化图片进行提取,得到螺栓样本集中每个螺栓的栓头中心点;
步骤3.6,以每个螺栓的栓头中心点作为其位置特征点,通过sobel算子进行边缘检测,分割得到每个螺栓的单个螺栓图片,sobel算子公式如式(4)和式(5)所示:
步骤3.7,最后对每个螺栓的单个螺栓图片进行HOG特征提取,得到螺栓样本集中每个螺栓的HOG特征。
6.根据权利要求1所述的一种基于图像识别和机器学习的螺栓状态监测方法,其特征在于,所述步骤4具体内容包括:
将每个螺栓的HOG特征和状态情况组成信息集,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,最终得到支持向量机识别模型,基于支撑向量机的轮胎螺丝模型采用RBF核函数,支撑向量机的目标函数和核函数分别如式(6)和式(7)所示:
式中,xi和xj分别为第i个和第j个螺栓样本,yi和yj分别为第i个和第j个螺栓样本到超平面的距离,n为训练样本总数,λi、λj、μi为拉格朗日算子,C为惩罚因子,σ为标准差;
7.根据权利要求1所述的一种基于图像识别和机器学习的螺栓状态监测方法,其特征在于,所述步骤6具体内容包括:
步骤6.1,车辆来临时,打开检测功能,此时会判定是否有训练好的模型,同时检测图像采集器是否能正常工作,若都正常转到下一步;
步骤6.2,打开图像采集器,检测光线强度,判断是否开启补光,采集待检测车辆轮毂上的螺栓图像信息,依据通信服务,传入系统到后台;
步骤6.3,在系统后台中对采集的车辆的轮毂螺栓的图片进行处理,汇总每个螺栓的HOG并得到HOG特征集;
步骤6.4,将轮毂上每个螺栓的HOG输入支持向量机识别模型进行判断,并在系统界面上显示其实时检测结果,若判断某螺栓丢失或该螺栓的HOG特征离散度较大,则发出警告来通知修人员对该螺栓进行检修,同时系统对所有检测结果进行归类存入数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010616617.1A CN111915561A (zh) | 2020-06-30 | 2020-06-30 | 一种基于图像识别和机器学习的螺栓状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010616617.1A CN111915561A (zh) | 2020-06-30 | 2020-06-30 | 一种基于图像识别和机器学习的螺栓状态监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111915561A true CN111915561A (zh) | 2020-11-10 |
Family
ID=73227064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010616617.1A Pending CN111915561A (zh) | 2020-06-30 | 2020-06-30 | 一种基于图像识别和机器学习的螺栓状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915561A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990132A (zh) * | 2021-04-27 | 2021-06-18 | 成都中轨轨道设备有限公司 | 一种轨道标号牌定位识别方法 |
CN113379712A (zh) * | 2021-06-23 | 2021-09-10 | 西南交通大学 | 一种基于计算机视觉的钢桥螺栓病害检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363812A (zh) * | 2019-07-10 | 2019-10-22 | 国网四川省电力公司电力科学研究院 | 一种图像识别方法 |
WO2019232862A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 |
CN110688944A (zh) * | 2019-09-26 | 2020-01-14 | 西南交通大学 | 一种基于图像识别和机器学习的螺栓松弛监测方法 |
-
2020
- 2020-06-30 CN CN202010616617.1A patent/CN111915561A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019232862A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 |
CN110363812A (zh) * | 2019-07-10 | 2019-10-22 | 国网四川省电力公司电力科学研究院 | 一种图像识别方法 |
CN110688944A (zh) * | 2019-09-26 | 2020-01-14 | 西南交通大学 | 一种基于图像识别和机器学习的螺栓松弛监测方法 |
Non-Patent Citations (3)
Title |
---|
冯敏等: "适用于无人机巡检图像的输电线路螺栓检测方法", 电力科学与技术学报 * |
李静;高晓蓉;杨凯;: "基于HOG特征及SVM的机车车底螺栓检测方法", 信息技术, no. 03 * |
王娜;万洪林;白成杰;: "基于SVM的离线图像目标分类算法", 计算机系统应用, no. 02 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990132A (zh) * | 2021-04-27 | 2021-06-18 | 成都中轨轨道设备有限公司 | 一种轨道标号牌定位识别方法 |
CN112990132B (zh) * | 2021-04-27 | 2023-01-03 | 成都中轨轨道设备有限公司 | 一种轨道标号牌定位识别方法 |
CN113379712A (zh) * | 2021-06-23 | 2021-09-10 | 西南交通大学 | 一种基于计算机视觉的钢桥螺栓病害检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102722704B (zh) | 一种融合视频动态跟踪的车牌识别方法和系统 | |
CN103235938B (zh) | 车牌检测与识别的方法及系统 | |
CN103714363B (zh) | 一种机动车尾气烟度视频识别系统 | |
CN109993056A (zh) | 一种识别车辆违章行为的方法、服务器及存储介质 | |
CN102231236B (zh) | 车辆计数方法和装置 | |
CN106960207A (zh) | 一种基于模板匹配的汽车驾驶位仪表区多指针式仪表自动识别系统及方法 | |
CN109784326A (zh) | 一种基于深度学习的车辆底盘检测方法 | |
CN105184271A (zh) | 一种基于深度学习的车辆自动检测方法 | |
CN108918532A (zh) | 一种快速道路交通标志破损检测系统及其检测方法 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN102298698A (zh) | 基于角点与边缘信息融合的遥感图像飞机检测方法 | |
CN104601956A (zh) | 基于固定翼无人机的输电线路在线监测系统及监测方法 | |
CN104268528A (zh) | 一种人群聚集区域检测方法和装置 | |
CN108009574B (zh) | 一种轨道扣件检测方法 | |
CN111242002B (zh) | 基于计算机视觉的共享单车规范化停放判定方法 | |
CN111915561A (zh) | 一种基于图像识别和机器学习的螺栓状态监测方法 | |
CN103902985A (zh) | 一种基于roi的强鲁棒性实时车道侦测算法 | |
CN103679146A (zh) | 基于高通滤波器和Hough变换的安全带智能检测方法 | |
CN105718964A (zh) | 一种输电线防振锤的视觉检测方法 | |
CN111105398A (zh) | 一种基于可见光图像数据的输电线路部件裂纹检测方法 | |
CN113192038A (zh) | 基于深度学习的已有火焰环境中异常烟火识别监测方法 | |
CN116309407A (zh) | 一种铁路接触网螺栓异常状态的检测方法 | |
CN107330440B (zh) | 基于图像识别的海洋状态计算方法 | |
CN114820626A (zh) | 一种汽车前脸零件配置智能检测方法 | |
CN105512662A (zh) | 一种无牌车辆检测方法及装置 |
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 |