CN112308073B - 废钢火车装卸料转载状态识别方法、系统、设备及介质 - Google Patents

废钢火车装卸料转载状态识别方法、系统、设备及介质 Download PDF

Info

Publication number
CN112308073B
CN112308073B CN202011233494.XA CN202011233494A CN112308073B CN 112308073 B CN112308073 B CN 112308073B CN 202011233494 A CN202011233494 A CN 202011233494A CN 112308073 B CN112308073 B CN 112308073B
Authority
CN
China
Prior art keywords
scrap steel
train
time
yard
real
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
CN202011233494.XA
Other languages
English (en)
Other versions
CN112308073A (zh
Inventor
刘斌
袁钰博
李邈
庞殊杨
黄达文
蒋小华
孙丹
龚强
贾鸿盛
毛尚伟
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.)
CISDI Chongqing Information Technology Co Ltd
Original Assignee
CISDI Chongqing Information Technology 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 CISDI Chongqing Information Technology Co Ltd filed Critical CISDI Chongqing Information Technology Co Ltd
Priority to CN202011233494.XA priority Critical patent/CN112308073B/zh
Publication of CN112308073A publication Critical patent/CN112308073A/zh
Application granted granted Critical
Publication of CN112308073B publication Critical patent/CN112308073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明提供一种废钢火车装卸料转载状态识别方法、系统、设备及介质，所述的方法包括：在废钢料场的上方设置相机，获取废钢料场图像；分别对所述废钢料场图像中的火车、废钢、人体进行标注，获取数据集；将所述数据集输入到神经网络中进行识别，并获取识别模型；通过识别模型对实时的废钢料场图像进行识别，确定废钢料场的关联信息，通过所述关联信息确认火车装卸料转载状态。在废钢料场火车转载的应用场景下，采集料场图像，该图像中包括火车、废钢或者人体，通过目标识别，确定所述关联信息，依据火车位置、废钢位置来判断火车是否达到废钢料场的指定位置，通过是否存在人体来保障安全生产，通过废钢数量的实时状态来确定火车转载状态。

Description

废钢火车装卸料转载状态识别方法、系统、设备及介质
技术领域
本发明涉及图像识别技术领域，特别是涉及一种废钢火车装卸料转载状态识别方法、系统、设备及介质。
背景技术
在露天的火车运输废钢站点中，会存在运输废钢的火车，运输废钢的火车需要进行装料和卸料的过程。运输废钢的火车装卸料过程中可能会存在人员滞留于火车火车厢上的情况和废钢料掉落的情况，会存在发生危险的可能性。以目前情况而言，运输废钢的火车装卸料过程中主要通过有经验的工人来识别运输废钢的火车的装卸料状态。但由于车辆较多、装卸料过程时间较长，若仅仅依靠人工识别，可能存在漏检、错检的情况。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种废钢火车装卸料转载状态识别方法、系统、设备及介质，用于解决现有技术中废钢火车装卸料转载状态检测不便的问题。
为实现上述目的及其他相关目的，本发明提供一种废钢火车装卸料转载状态识别方法，包括：
在废钢料场的上方设置相机，获取废钢料场图像；
分别对所述废钢料场图像中的火车、废钢、人体进行标注，获取数据集；
将所述数据集输入到神经网络中进行识别，并获取识别模型；
通过识别模型对实时的废钢料场图像进行识别，确定废钢料场的关联信息，通过所述关联信息确认火车装卸料转载状态，其中，所述关联信息至少包括以下之一：火车位置、废钢位置、废钢数量、人体。
可选的，所述火车位置所对应的区域中存在人体时，则进行报警并停止装卸。
可选的，当所述废钢数量大于预设的满载阈值时，则火车处于卸货状态；
通过识别模型对实时的废钢料场图像进行识别，确定实时的废钢数量；
当实时的废钢数量小于预设的空载阈值时，则火车处于完成卸货状态。
可选的，当所述废钢数量小于预设空载阈值时，则火车处于装载状态；
通过识别模型对实时的废钢料场图像进行识别，确定实时的废钢数量；
当实时的废钢数量大于预设的满载阈值时，则火车处于完成装载状态。
可选的，所述火车位置的数学表达为：
其中，UnitNxmin,UnitNymin为第N个火车在废钢料场图像中X和Y轴坐标的最小值；UnitNxmax,UnitNymax分别为第N个火车在废钢料场图像中X和Y轴坐标的最大值。
一种废钢火车装卸料转载状态识别方法，包括：
采集模块，用于在废钢料场的上方设置相机，获取废钢料场图像；
识别模块，用于分别对所述废钢料场图像中的火车、废钢物料、人体进行标注，获取数据集，将所述数据集输入到神经网络中进行识别，并获取识别模型其中通过边缘检测的方法对实时的废钢数量进行判断，其流程为获取含有装载废钢的火车的图像，选择感兴趣区域，进行图像滤波，使用阈值处理将图像中的高亮边缘提取出来，对提取出的边缘进行滤波处理最后显示出结果。进行边缘检测后，即可判断出所装物料的高度hsteel，同时已知火车装货部分固定高度htrain，满载时废钢数量Nmax，通过数学式Ntime＝(hsteel/htrain)×Nmax，计算出实时废钢数量Ntime。
处理模块，用于通过识别模型对实时的废钢料场图像进行识别，确定废钢料场的关联信息，通过所述关联信息确认火车装卸料转载状态，其中，所述关联信息至少包括以下之一：火车位置、废钢位置、废钢数量、人体；
所述采集模块、所述识别模块和所述处理模块连接。
可选的，当所述废钢数量大于预设的满载阈值时，则火车处于卸货状态；
通过识别模型对实时的废钢料场图像进行识别，确定实时的废钢数量；
当实时的废钢数量小于预设的空载阈值时，则火车处于完成卸货状态。
可选的，当所述废钢数量小于预设空载阈值时，则火车处于装载状态；
通过识别模型对实时的废钢料场图像进行识别，确定实时的废钢数量；
当实时的废钢数量大于预设的满载阈值时，则火车处于完成装载状态。
一种电子设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行一个或多个所述的方法。
一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行一个或多个所述的方法。
如上所述，本发明的废钢火车装卸料转载状态识别方法、系统、设备及介质，具有以下有益效果：
在废钢料场火车转载的应用场景下，采集料场图像，该图像中包括火车、废钢或者人体，通过目标识别，确定所述关联信息，依据火车位置、废钢位置来判断火车是否达到废钢料场的指定位置，通过是否存在人体来保障安全生产，通过废钢数量的实时状态来确定火车转载状态。
附图说明
图1显示为本发明实施例的带输送机构结构示意图。
图2显示为本发明实施例的放料装置结构示意图。
图3显示为使用边缘检测判断废钢数量的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
请参阅图1，本发明提供一种废钢火车装卸料转载状态识别方法，包括：
在废钢料场的上方设置相机，获取废钢料场图像；
分别对所述废钢料场图像中的火车、废钢、人体进行标注，获取数据集；
将所述数据集输入到神经网络中进行识别，并获取识别模型；
通过识别模型对实时的废钢料场图像进行识别，确定废钢料场的关联信息，通过所述关联信息确认火车装卸料转载状态，其中，所述关联信息至少包括以下之一：火车位置、废钢位置、废钢数量、人体。在废钢料场火车转载的应用场景下，采集料场图像，该图像中包括火车、废钢或者人体，通过目标识别，确定所述关联信息，依据火车位置、废钢位置来判断火车是否达到废钢料场的指定位置，通过是否存在人体来保障安全生产，通过废钢数量的实时状态来确定火车转载状态。
在一些实施过程中，所述火车位置所对应的区域中存在人体时，则进行报警并停止装卸。避免运输废钢的火车装卸料过程中可能会存在人员滞留于火车货车厢上的情况和废钢料掉落的情况，降低存在发生危险的可能性，保障安全生产。
在一些实施过程中，当所述废钢数量大于预设的满载阈值时，则火车处于卸货状态；
通过识别模型对实时的废钢料场图像进行识别，确定实时的废钢数量；
当实时的废钢数量小于预设的空载阈值时，则火车处于完成卸货状态。其中通过边缘检测的方法对实时的废钢数量进行判断，其流程为获取含有装载废钢的火车的图像，选择感兴趣区域，进行图像滤波，使用阈值处理将图像中的高亮边缘提取出来，对提取出的边缘进行滤波处理最后显示出结果。进行边缘检测后，即可判断出所装物料的高度hsteel，同时已知火车装货部分固定高度htrain，满载时废钢数量Nmax，通过数学式Ntime＝(hsteel/htrain)×Nmax，计算出实时废钢数量Ntime，请参阅图3，其中1表示火车，2表示废钢。
进一步地，使用相机获取废钢的图片，针对废钢数量的变化情况进行训练分析，得到废钢装卸货的目标分类模型，其中废钢数量变少的情况为C_decrease，废钢数量变多的情况为C_increase。然后使用废钢装卸货的目标分类模型对装卸货过程进行分类判断，如果出现废钢数量变少的情况C_decrease，则判断为火车的卸货过程；如果出现废钢数量变多的情况C_increase，则判断为火车的装货过程。
进一步地，使用相机获取废钢的图片，针对废钢的剩余数量进行训练分析，得到废钢装卸货的状态目标分类模型，其中废钢满载时为C_max，废钢没有剩余时的情况C_min，分析实时废钢有部分剩余情况C_t。基于物料剩余量情况分析废钢货车的装货或者卸货的状态。
对于装货过程，当实时剩余物料情况为C_min时，表示货车处于未装货状态；当实时剩余物料情况为C_t时，表示货车处于正在装货状态；当实时剩余物料情况为C_max时，表示货车处于装货完成状态。
对于卸货过程，当实时剩余物料情况为C_max时，表示货车处于未卸货状态；当实时剩余物料情况为C_t时，表示货车处于正在卸货状态；当实时剩余物料情况为C_max时，表示货车处于卸货完成状态。
在一些实施过程中，当所述废钢数量小于预设空载阈值时，则火车处于装载状态；
通过识别模型对实时的废钢料场图像进行识别，确定实时的废钢数量；
当实时的废钢数量大于预设的满载阈值时，则火车处于完成装载状态。
可选的，所述火车位置的数学表达为：
其中，UnitNxmin,UnitNymin为第N个火车在废钢料场图像中X和Y轴坐标的最小值；UnitNxmax,UnitNymax分别为第N个火车在废钢料场图像中X和Y轴坐标的最大值。
请参阅图2，本发明提供一种废钢火车装卸料转载状态识别方法，包括：
采集模块，用于在废钢料场的上方设置相机，获取废钢料场图像；
识别模块，用于分别对所述废钢料场图像中的火车、废钢、人体进行标注，获取数据集，将所述数据集输入到神经网络中进行识别，并获取识别模型；
其中通过边缘检测的方法对实时的废钢数量进行判断，其流程为获取含有装载废钢的火车的图像，选择感兴趣区域，进行图像滤波，使用阈值处理将图像中的高亮边缘提取出来，对提取出的边缘进行滤波处理最后显示出结果。进行边缘检测后，即可判断出所装物料的高度hsteel，同时已知火车装货部分固定高度htrain，满载时废钢数量Nmax，通过数学式Ntime＝(hsteel/htrain)×Nmax，计算出实时废钢数量Ntime，请参阅图3，其中1表示火车，2表示废钢。
处理模块，用于通过识别模型对实时的废钢料场图像进行识别，确定废钢料场的关联信息，通过所述关联信息确认火车装卸料转载状态，其中，所述关联信息至少包括以下之一：火车位置、废钢位置、废钢数量、人体；
所述采集模块、所述识别模块和所述处理模块连接。
可选的，当所述废钢数量大于预设的满载阈值时，则火车处于卸货状态；
通过识别模型对实时的废钢料场图像进行识别，确定实时的废钢数量；
当实时的废钢数量小于预设的空载阈值时，则火车处于完成卸货状态。
可选的，当所述废钢数量小于预设空载阈值时，则火车处于装载状态；
通过识别模型对实时的废钢料场图像进行识别，确定实时的废钢数量；
当实时的废钢数量大于预设的满载阈值时，则火车处于完成装载状态。
本发明实施例提供一种电子设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行一个或多个所述的方法。本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明实施例还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行中一个或多个所述的方法。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (8)

1.一种废钢火车装卸料转载状态识别方法，其特征在于，包括：
在废钢料场的上方设置相机，获取废钢料场图像；
分别对所述废钢料场图像中的火车、废钢、人体进行标注，获取数据集；
将所述数据集输入到神经网络中进行识别，并获取识别模型；
通过识别模型对实时的废钢料场图像进行识别，确定废钢料场的关联信息，通过所述关联信息确认火车装卸料转载状态，其中，所述关联信息至少包括以下之一：火车位置、废钢位置、废钢数量、人体；
当所述废钢数量大于预设的满载阈值时，则火车处于卸货状态；
通过识别模型对实时的废钢料场图像进行识别，确定实时的废钢数量；
当实时的废钢数量小于预设的空载阈值时，则火车处于完成卸货状态；通过边缘检测的方法对实时的实时废钢数量进行判断，其流程为获取含有装载废钢的火车的图像，选择感兴趣区域，进行图像滤波，使用阈值处理将图像中的高亮边缘提取出来，对提取出的边缘进行滤波处理最后显示出结果，进行边缘检测后，即可判断出所装物料的高度hsteel，同时已知火车装货部分固定高度htrain，满载时废钢数量Nmax，通过数学式Ntime＝(hsteel/htrain)×Nmax，计算出实时废钢数量Ntime；
当实时的废钢数量小于预设的空载阈值时，则火车处于完成卸货状态。
2.根据权利要求1所述的废钢火车装卸料转载状态识别方法，其特征在于，所述火车位置所对应的区域中存在人体时，则进行报警并停止装卸。
3.根据权利要求1所述的废钢火车装卸料转载状态识别方法，其特征在于，当所述废钢数量小于预设空载阈值时，则火车处于装载状态；
通过识别模型对实时的废钢料场图像进行识别，确定实时的废钢数量；
当实时的废钢数量大于预设的满载阈值时，则火车处于完成装载状态。
4.根据权利要求1所述的废钢火车装卸料转载状态识别方法，其特征在于，所述火车位置的数学表达为：
其中，UnitNxmin，UnitNymin为第N个火车在废钢料场图像中X和Y轴坐标的最小值；UnitNxmax，UnitNymax分别为第N个火车在废钢料场图像中X和Y轴坐标的最大值。
5.一种废钢火车装卸料转载状态识别系统，其特征在于，包括：
采集模块，用于在废钢料场的上方设置相机，获取废钢料场图像；
识别模块，用于分别对所述废钢料场图像中的火车、废钢、人体进行标注，获取数据集，将所述数据集输入到神经网络中进行识别，并获取识别模型；
处理模块，用于通过识别模型对实时的废钢料场图像进行识别，确定废钢料场的关联信息，通过所述关联信息确认火车装卸料转载状态，其中，所述关联信息至少包括以下之一：火车位置、废钢位置、废钢数量、人体；
所述采集模块、所述识别模块和所述处理模块连接；
所述处理模块还用于，通过识别模型对实时的废钢料场图像进行识别，确定实时的废钢数量；当实时的废钢数量小于预设的空载阈值时，则火车处于完成卸货状态；通过边缘检测的方法对实时的实时废钢数量进行判断，其流程为获取含有装载废钢的火车的图像，选择感兴趣区域，进行图像滤波，使用阈值处理将图像中的高亮边缘提取出来，对提取出的边缘进行滤波处理最后显示出结果，进行边缘检测后，即可判断出所装物料的高度hsteel，同时已知火车装货部分固定高度htrain，满载时废钢数量Nmax，通过数学式Ntime＝(hsteel/htrain)×Nmax，计算出实时废钢数量Ntime；当实时的废钢数量小于预设的空载阈值时，则火车处于完成卸货状态。
6.根据权利要求5所述的废钢火车装卸料转载状态识别系统，其特征在于，当所述废钢数量小于预设空载阈值时，则火车处于装载状态；
通过识别模型对实时的废钢料场图像进行识别，确定实时的废钢数量；
当实时的废钢数量大于预设的满载阈值时，则火车处于完成装载状态。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行如权利要求1-4中一个或多个所述的方法。
8.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-4中一个或多个所述的方法。
CN202011233494.XA 2020-11-06 2020-11-06 废钢火车装卸料转载状态识别方法、系统、设备及介质 Active CN112308073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011233494.XA CN112308073B (zh) 2020-11-06 2020-11-06 废钢火车装卸料转载状态识别方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011233494.XA CN112308073B (zh) 2020-11-06 2020-11-06 废钢火车装卸料转载状态识别方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN112308073A CN112308073A (zh) 2021-02-02
CN112308073B true CN112308073B (zh) 2023-08-25

Family

ID=74326563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011233494.XA Active CN112308073B (zh) 2020-11-06 2020-11-06 废钢火车装卸料转载状态识别方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN112308073B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004044683A2 (en) * 2002-11-06 2004-05-27 Simmonds Precision Products, Inc. Method for detection and recognition of fog presence within an aircraft compartment using video images
WO2010090605A1 (en) * 2009-02-06 2010-08-12 Agency For Science, Technology And Research Methods for examining a bonding structure of a substrate and bonding structure inspection devices
CN101833117A (zh) * 2010-05-24 2010-09-15 长沙博通电子科技有限公司 智能车辆安全视觉检测装置及运动目标跟踪方法
WO2015135015A1 (en) * 2014-03-11 2015-09-17 3D Image Automation Pty Ltd Train wagon 3d profiler
CN106985145A (zh) * 2017-04-24 2017-07-28 合肥工业大学 一种搬运输送机器人
CN108537628A (zh) * 2013-08-22 2018-09-14 贝斯普客公司 用于创造定制产品的方法和系统
CN109916912A (zh) * 2019-04-01 2019-06-21 北京通运腾达科技发展有限公司 一种铁轨扣件病害检测方法及系统
CN110188724A (zh) * 2019-06-05 2019-08-30 中冶赛迪重庆信息技术有限公司 基于深度学习的安全帽定位与颜色识别的方法及系统
CN110490146A (zh) * 2019-08-22 2019-11-22 北博（厦门）智能科技有限公司 基于深度学习的人工智能周界安防方法及服务端
WO2019232831A1 (zh) * 2018-06-06 2019-12-12 平安科技（深圳）有限公司 机场异物识别方法、装置、计算机设备及存储介质
WO2020023927A1 (en) * 2018-07-27 2020-01-30 The Heil Co. Refuse contamination analysis
CN110889334A (zh) * 2019-11-06 2020-03-17 江河瑞通（北京）技术有限公司 人员闯入识别方法及装置
CN111104816A (zh) * 2018-10-25 2020-05-05 杭州海康威视数字技术股份有限公司 一种目标物的姿态识别方法、装置及摄像机
CN111340116A (zh) * 2020-02-27 2020-06-26 中冶赛迪重庆信息技术有限公司 一种转炉火焰识别方法、系统、电子设备及介质
CN111382762A (zh) * 2018-12-28 2020-07-07 同方威视技术股份有限公司 空箱识别方法及系统
CN111415106A (zh) * 2020-04-29 2020-07-14 上海东普信息科技有限公司 货车装载率识别方法、装置、设备及存储介质
CN111559606A (zh) * 2020-06-02 2020-08-21 龙合智能装备制造有限公司 一种物料配送方法及智能机器人送料装置
CN111724338A (zh) * 2020-03-05 2020-09-29 中冶赛迪重庆信息技术有限公司 一种转盘异常识别方法、系统、电子设备及介质
WO2020215552A1 (zh) * 2019-04-26 2020-10-29 平安科技（深圳）有限公司 多目标跟踪方法、装置、计算机设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7505604B2 (en) * 2002-05-20 2009-03-17 Simmonds Precision Prodcuts, Inc. Method for detection and recognition of fog presence within an aircraft compartment using video images
US10861225B2 (en) * 2018-08-10 2020-12-08 Intel Corporation Neural network processing for multi-object 3D modeling
US20200074667A1 (en) * 2018-08-31 2020-03-05 Seven Tablets, Inc. Clothing Size Determination Systems and Methods of Use

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004044683A2 (en) * 2002-11-06 2004-05-27 Simmonds Precision Products, Inc. Method for detection and recognition of fog presence within an aircraft compartment using video images
WO2010090605A1 (en) * 2009-02-06 2010-08-12 Agency For Science, Technology And Research Methods for examining a bonding structure of a substrate and bonding structure inspection devices
CN101833117A (zh) * 2010-05-24 2010-09-15 长沙博通电子科技有限公司 智能车辆安全视觉检测装置及运动目标跟踪方法
CN108537628A (zh) * 2013-08-22 2018-09-14 贝斯普客公司 用于创造定制产品的方法和系统
WO2015135015A1 (en) * 2014-03-11 2015-09-17 3D Image Automation Pty Ltd Train wagon 3d profiler
CN106985145A (zh) * 2017-04-24 2017-07-28 合肥工业大学 一种搬运输送机器人
WO2019232831A1 (zh) * 2018-06-06 2019-12-12 平安科技（深圳）有限公司 机场异物识别方法、装置、计算机设备及存储介质
WO2020023927A1 (en) * 2018-07-27 2020-01-30 The Heil Co. Refuse contamination analysis
CN111104816A (zh) * 2018-10-25 2020-05-05 杭州海康威视数字技术股份有限公司 一种目标物的姿态识别方法、装置及摄像机
CN111382762A (zh) * 2018-12-28 2020-07-07 同方威视技术股份有限公司 空箱识别方法及系统
CN109916912A (zh) * 2019-04-01 2019-06-21 北京通运腾达科技发展有限公司 一种铁轨扣件病害检测方法及系统
WO2020215552A1 (zh) * 2019-04-26 2020-10-29 平安科技（深圳）有限公司 多目标跟踪方法、装置、计算机设备及存储介质
CN110188724A (zh) * 2019-06-05 2019-08-30 中冶赛迪重庆信息技术有限公司 基于深度学习的安全帽定位与颜色识别的方法及系统
CN110490146A (zh) * 2019-08-22 2019-11-22 北博（厦门）智能科技有限公司 基于深度学习的人工智能周界安防方法及服务端
CN110889334A (zh) * 2019-11-06 2020-03-17 江河瑞通（北京）技术有限公司 人员闯入识别方法及装置
CN111340116A (zh) * 2020-02-27 2020-06-26 中冶赛迪重庆信息技术有限公司 一种转炉火焰识别方法、系统、电子设备及介质
CN111724338A (zh) * 2020-03-05 2020-09-29 中冶赛迪重庆信息技术有限公司 一种转盘异常识别方法、系统、电子设备及介质
CN111415106A (zh) * 2020-04-29 2020-07-14 上海东普信息科技有限公司 货车装载率识别方法、装置、设备及存储介质
CN111559606A (zh) * 2020-06-02 2020-08-21 龙合智能装备制造有限公司 一种物料配送方法及智能机器人送料装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
内河船舶载重状态识别研究;任杰等;《仪表技术》(第6期);第38-40页 *

Also Published As

Publication number Publication date
CN112308073A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
DE102018006765B4 (de) Verfahren und system(e) für das management von frachtfahrzeugen
US20220084186A1 (en) Automated inspection system and associated method for assessing the condition of shipping containers
US20180038805A1 (en) Arrangement, method, apparatus and software for inspecting a container
CN112348791B (zh) 基于机器视觉的废钢智能检判方法、系统、介质及终端
CN111415106A (zh) 货车装载率识别方法、装置、设备及存储介质
CN112881412B (zh) 一种废钢产品中非金属异物检测方法
CN103996102A (zh) 一种集装箱箱体查验方法
CN111382762A (zh) 空箱识别方法及系统
CN111274951B (zh) 料箱状态的监控方法及装置、自动投料系统
CN112308003B (zh) 一种废钢货车装载状态识别方法、系统、设备及介质
CN112308073B (zh) 废钢火车装卸料转载状态识别方法、系统、设备及介质
CN113361953B (zh) 海关口岸货管现场机器人巡查方法及系统
CN116580357A (zh) 工人安全头盔实时检测方法、系统、设备及存储介质
DE102018006764B4 (de) Verfahren und system(e) für das management von frachtfahrzeugen
CN114742503B (zh) 一种基于深度学习的智慧物流拼车方法和装置
CN114270396A (zh) 集装箱锁销分拣方法、装置、设备及存储介质
CN114299282A (zh) 一种自动化码头集装箱的箱型识别系统及其方法
CN112308848A (zh) 一种废钢货车挡板状态识别方法、系统、电子设备及介质
CN113978987A (zh) 栈板物品打包提货方法、装置、设备及介质
CN113414136A (zh) 存储介质销毁方法、设备、系统及存储介质
TWI831010B (zh) 智慧監控廢棄物清理之系統與方法
CN113674302B (zh) 一种皮带机料面偏移识别方法、系统、电子设备及介质
Ji et al. A Computer Vision-Based System for Metal Sheet Pick Counting.
CN113963280B (zh) 用于料件智能检判的识别方法、装置及存储介质
CN116468792A (zh) 一种无人行车调运定位方法、装置、设备及介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing

Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd.

Address before: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing

Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant