CN112395928A - 一种设备状态运行自动检测的方法 - Google Patents
一种设备状态运行自动检测的方法 Download PDFInfo
- Publication number
- CN112395928A CN112395928A CN201910765429.2A CN201910765429A CN112395928A CN 112395928 A CN112395928 A CN 112395928A CN 201910765429 A CN201910765429 A CN 201910765429A CN 112395928 A CN112395928 A CN 112395928A
- Authority
- CN
- China
- Prior art keywords
- equipment
- indicator light
- detected
- image
- indicator
- 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 55
- 238000001514 detection method Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 15
- 239000003086 colorant Substances 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种设备运行状态自动检测的方法,包括:构建用于识别指示灯位置特征和形状特征的指示灯识别检测模型;然后利用指示灯识别检测模型,从包含待检测设备的图像中提取仅含待检测设备的指示灯的图像部分;再对含有待检测设备的指示灯的图像部分进行图像处理,以识别待检测设备的指示灯的状态,指示灯的状态包括指示灯的亮度和/或颜色;最后根据待检测设备的指示灯的状态判断待检测设备的运行状态。此方法操作简单、不需要特意改装设备,或者在设备上安装其他硬件设施,节省了人力和物力成本,实现了设备运行状态的自动化检测,提高了建筑物内设备的整体工作效率。
Description
技术领域
本发明涉及制造业设备状态运行检测技术领域,尤其涉及一种基于语义分割和图像处理相结合的设备运行状态检测方法。
背景技术
随着经济的不断发展,制造业在不断地升级改造,车间内生产线的运行效率也越来越受到重视。对车间设备管理和维护的要求也在不断提高,故需要监测设备的运行状态并提高其使用率。通常要实现设备状态检测,传统设备运行状态检测是作业人员在工作当中或者通过巡检来发现故障设备,但是容易造成发现不及时的情况,难免会出现漏报或误报等现象,且耗费时间和耗费人力,成本较高,还严重影响了车间的工作效率。也有一些工厂车间的工作人员会和相关设备厂家协商或者自行拆装设备安装一些可以检测设备运行状态的硬件设备,而这会涉及到网络部署、软件开发和一些基础设施投入,造成建设周期长、成本高。还因牵涉第三方开发导致项目设备运行检测效果的不确定性高,同时也有可能损坏设备,这会造成时间损失和财务损失。
因此有必要提出一种操作简单、不需要改装设备或者安装其他硬件设施、节省人力物力成本,实现设备运行状态的自动化的高效检测方法。
发明内容
为了解决上述设备运行状态检测现有技术存在的缺陷,本发明提供了一种基于语义分割和图像处理相结合的设备运行状态检测方法。
在一个实施例中,本发明提供的一种设备运行状态自动检测的方法,包括以下步骤:
S100,构建用于识别指示灯的特征的指示灯识别检测模型;其中,指示灯的特征包括指示灯的位置特征和指示灯的形状特征;
S200,利用指示灯识别检测模型,从包含待检测设备的图像中提取仅含待检测设备的指示灯的图像部分;
S300,对含待检测设备的指示灯的图像部分进行图像处理,以识别待检测设备的指示灯的状态;其中,指示灯的状态包括指示灯的亮度和/或颜色;
S400,根据待检测设备的指示灯的状态判断待检测设备的运行状态。
在一个实施例中,指示灯识别检测模型为基于语义分割的深度学习神经网络模型。
在一个实施例中,构建用于识别指示灯的特征的所述指示灯识别检测模型,具体包括以下步骤:
S110,利用摄像装置采集包含各目标设备在各种运行状态下的指示灯的图像;
S120,对采集到的图像进行标注;其中,标注包括定义采集到的图像中的指示灯的位置特征和形状特征;
S130,建立基于语义分割的深度学习神经网络模型,并利用已经标注的图像训练深度学习神经网络模型的参数,直到利用深度学习神经网络模型获得的指示灯的特征识别结果的正确率满足给定的要求;
S140,将满足给定要求的深度学习神经网络模型作为用于识别指示灯的特征的指示灯识别检测模型。
在一个实施例中,利用指示灯识别检测模型,从包含待检测设备的图像中提取含有待检测设备的指示灯的图像部分,具体包括以下步骤:
S210,利用摄像装置拍摄包含待检测设备的图像;
S220,利用指示灯识别检测模型识别拍摄的图像中待检测设备的指示灯的位置和特征,并从包含待检测设备的图像中提取仅含待检测设备的指示灯的图像部分。
在一个实施例中,在提取到的仅含待检测设备的指示灯的图像部分中,指示灯区域保留原有的色彩,指示灯轮廓及其周围的背景部分为黑色并且像素值为0。
在一个实施例中,对仅含待检测设备的指示灯的图像部分进行图像处理,以识别待检测设备的指示灯的状态,具体包括以下步骤:
对仅含待检测设备的指示灯的图像部分进行二值化阈值处理;
根据二值化阈值处理结果判断待检测设备的指示灯的明灭状态。
在一个实施例中,对仅含待检测设备的指示灯的图像部分进行二值化阈值处理,根据二值化阈值处理结果判断待检测设备的指示灯的明灭状态,具体包括以下步骤:
将仅含待检测设备的指示灯的图像部分中像素值大于等于阈值的区域视为明亮区域,并设置成白色;
将仅含待检测设备的指示灯的图像部分中像素值小于阈值的区域视为未亮区域,并设置为黑色;
统计仅含待检测设备的指示灯的图像部分中的每个指示灯的明亮区域。
在一个实施例中,对仅含待检测设备的指示灯的图像部分进行图像处理,以识别待检测设备的指示灯的状态,具体还包括以下步骤:
对仅含待检测设备的指示灯的图像部分中的每个指示灯的明亮区域识别其色彩。
在一个实施例中,对仅含待检测设备的指示灯的图像部分中的每个指示灯的明亮区域识别其色彩,具体包括以下步骤:
把只含有指示灯背景为黑色的RGB图像转化为HSV图像;
设定红、黄、绿颜色的阈值,统计在阈值内属于红、黄、绿颜色的像素点值;
比较三种颜色各自的像素点总值,将所述像素点总值最大的颜色作为检测出指示灯灯亮的颜色。
在一个实施例中,在根据待检测设备的指示灯的状态确定待检测设备的运行状态之后,将运行状态的检测结果记录到设备运行状态数据库当中,以便后续进行所有设备的运行率计算。
在一个实施例中,还包括一种实现设备运行状态自动检测方法的系统,系统包括:摄像装置、输入传输装置、存储装置、处理装置、输出传输装置、显示装置;
摄像装置的功能为对待检测区域的设备进行各场景各设备运行状态情况的图片采集;
输入传输装置的功能为把摄像装置采集的图片传输到存储装置进行信息保存;
处理装置的功能为实现对存储装置中的各图片进行基于语义分割和数字图像处理相结合的指示灯识别,包括实现指示灯识别检测模型建模过程和指示灯状态识别过程;
输出传输装置的功能为把处理装置处理后的指示灯代表的设备运行状态信息传输到显示装置;
显示装置的功能为显示调用摄像装置的图片或视频信息,以及显示待检测区域的设备运行状态信息。
与现有技术相比,本发明的一个或多个实施例可以具有如下优点:
本发明通过提出一种设备运行状态自动化检测的方法,利用建筑物内已有的安防摄像头或者独立安装的摄像装置拍摄待检测区域的指示灯图片,结合语义分割、图像处理或相结合的方法,构建指示灯识别检测模型,调用灯亮检测模块,颜色检测模块,根据指示灯不同的亮灯个数和颜色来对建筑物设备的各运行状态进行检测。此方法操作简单、不需要特意改装设备,或者在设备上安装其他硬件设施,节省人力和物力成本,实现了设备运行状态的自动化检测,提高了建筑物内设备的整体工作效率。
本发明的其它特征和优点将在随后的说明书中阐述,并且部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一示例的构建指示灯识别检测模型流程示意图;
图2是本发明一示例的指示灯状态识别过程流程示意图;
图3是本发明一示例的实现设备运行状态自动检测方法的系统示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合附图对本发明作进一步地详细说明,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
为了解决上述设备运行状态检测现有技术存在的缺陷,本发明提供了一种通过基于语义分割和图像处理相结合的指示灯识别来进行设备运行状态检测方法。
语义分割是计算机视觉的关键问题之一,现实生活中越来越多的应用场景需要从影像当中推理出相关的知识或语义,在语义分割中需要将视觉输入分为不同的语义可解释的类别,与图像分类、目标检测、图像分割相比,语义分割使人们对图像有了更细致的理解。
建筑物内需要采集的设备运行状态情况一般有:设备停止、设备待机、设备运行、设备故障、以及各状态发生的时间点。
在一个实施例中,如图1,是构建指示灯识别检测模型流程示意图。本发明提供的一种设备运行状态自动检测的方法,包括以下步骤:
S100,构建用于识别指示灯的特征的指示灯识别检测模型;其中,指示灯的特征包括指示灯的位置特征和指示灯的形状特征;
S200,利用指示灯识别检测模型,从包含待检测设备的图像中提取仅含待检测设备的指示灯的图像部分;
S300,对含待检测设备的指示灯的图像部分进行图像处理,以识别待检测设备的指示灯的状态;其中,指示灯的状态包括指示灯的亮度和/或颜色;
S400,根据待检测设备的指示灯的状态判断待检测设备的运行状态。
在一个实施例中,指示灯识别检测模型为基于语义分割的深度学习神经网络模型。
具体地,利用深度学习语义分割技术,检测监控视野内指示灯的位置信息(相应的坐标值)及掩膜(物体轮廓信息)。
在一个实施例中,构建用于识别指示灯的特征的所述指示灯识别检测模型,具体包括以下步骤:
S110,利用摄像装置采集包含各目标设备在各种运行状态下的指示灯的图像;
S120,对采集到的图像进行标注;其中,标注包括定义采集到的图像中的指示灯的位置特征和形状特征;
S130,建立基于语义分割的深度学习神经网络模型,并利用已经标注的图像训练深度学习神经网络模型的参数,直到利用深度学习神经网络模型获得的指示灯的特征识别结果的正确率满足给定的要求;优选地,当正确识别率≥90%的时候停止进行训练。
S140,将满足给定要求的深度学习神经网络模型作为用于识别指示灯的特征的指示灯识别检测模型。
在一个实施例中,利用指示灯识别检测模型,从包含待检测设备的图像中提取含有待检测设备的指示灯的图像部分,具体包括以下步骤:
S210,利用摄像装置拍摄包含待检测设备的图像;
S220,利用指示灯识别检测模型识别拍摄的图像中待检测设备的指示灯的位置和特征,并从包含待检测设备的图像中提取仅含待检测设备的指示灯的图像部分。
在一个实施例中,对只含有指示灯的图片进行图像处理方式包括:灰度化处理、高斯滤波平滑处理、二值化阈值处理、形态学噪声处理、连通区域分析等处理方式。
具体地,将待检测区域照片,输入到指示灯识别检测模型当中,卷积神经网络会捕捉到图像中指示灯的复杂特征,同时输出指示灯的坐标位置信息。根据输出的全卷积网络,输出指示灯的轮廓区域。
在一个实施例中,在提取到的仅含待检测设备的指示灯的图像部分中,指示灯区域保留原有的色彩,指示灯轮廓及其周围的背景部分为黑色并且像素值为0。
在一个实施例中,对仅含待检测设备的指示灯的图像部分进行图像处理,以识别待检测设备的指示灯的状态,具体包括以下步骤:
对仅含待检测设备的指示灯的图像部分进行二值化阈值处理;
根据二值化阈值处理结果判断待检测设备的指示灯的明灭状态。
具体地,将只含有指示灯的图像转化为灰度图像,并使用高斯滤波平滑处理,以减少高频噪声。
在一个实施例中,对仅含待检测设备的指示灯的图像部分进行二值化阈值处理,根据二值化阈值处理结果判断待检测设备的指示灯的明灭状态,具体包括以下步骤:
将仅含待检测设备的指示灯的图像部分中像素值大于等于阈值的区域视为明亮区域,并设置成白色,即把像素点值设为255;
将仅含待检测设备的指示灯的图像部分中像素值小于阈值的区域视为未亮区域,并设置为黑色,即把像素点值设为0;
此时图像中会仍然存在一些噪声点(即小斑点),需要膨胀和腐蚀去除。这样处理之后图像的阈值图像较之前相比,只留下较大的区域。相对于指示灯目标区域来说,会有一些剩余的嘈杂区域,通过连通区域分析,只保留单独的、大的区域,这样可检测出图像中最亮的区域,统计仅含待检测设备的指示灯的图像部分中的每个指示灯的明亮区域个数,从而判断当前灯亮的个数。
在一个实施例中,对仅含待检测设备的指示灯的图像部分进行图像处理,以识别待检测设备的指示灯的状态,具体还包括以下步骤:
对仅含待检测设备的指示灯的图像部分中的每个指示灯的明亮区域识别其色彩。
在一个实施例中,对仅含待检测设备的指示灯的图像部分中的每个指示灯的明亮区域识别其色彩,具体包括以下步骤:
把只含有指示灯背景为黑色的RGB图像转化为HSV图像;
设定红、黄、绿颜色的阈值,统计在阈值内属于红、黄、绿颜色的像素点值;
比较三种颜色各自的像素点总值,将所述像素点总值最大的颜色作为检测出指示灯灯亮的颜色。
具体地,颜色判断的阈值是根据公开的颜色库确认,对于亮灯的颜色判断,并不是标准的颜色,灯亮的中心会偏白一些,四周更偏向红、黄、绿相应颜色。通过现场采集的照片,综合中心及四周的颜色像素总值,来确定颜色阈值。
各颜色阈值范围设定如下:
红色的上限[150,1.3*hsv图像像素值的总和/检测区域的面积,140],下限[100,255,255]
黄色的上限[10,1.3*hsv图像像素值的总和/检测区域的面积,140],下限[60,255,255]
绿色的上限[70,1.3*hsv图像像素值的总和/检测区域的面积,140],下限[180,255,255]
其中,系数1.3是经验值数据,下限是公开的颜色范围值。
在一个实施例中,指示灯的亮度和颜色检测出来后,设备运行状态识别检测具体设置为:
S410,当某一个指示灯亮灯个数为0时,表明设备处于关机状态;
S420,当某一个指示灯亮灯个数为1时,需要调用颜色检测模型进一步判断灯亮的颜色,再判断设备具体的运行状态;
当某一个指示灯的红灯亮表示对应设备处于故障的运行状态、黄灯亮表示对应设备处于待机的运行状态,绿灯亮表示对应设备处于正常运行的运行状态;
S430,某一个指示灯亮灯个数为2时,需要调用颜色检测模型进一步判断灯亮的颜色,再判断设备具体的运行状态;
当检测到有红灯亮,即红灯+绿灯亮,或红灯+黄灯亮,表明设备处于故障状态;
当检测到是绿灯和黄灯两个灯同时亮,表明设备处于正常运行状态;
S440,当某一个指示灯亮灯个数为3时,无需调用颜色检测模型来判断灯亮的颜色,直接设置设备处于故障状态。
在一个实施例中,在根据待检测设备的指示灯的状态确定待检测设备的运行状态之后,将运行状态的检测结果记录到设备运行状态数据库当中,以便后续进行所有设备的运行率计算。
在一个实施例中,所述指示灯识别程序还能采用其他目标识别检测算法,如R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD等;
以及图像分割的方法,如阈值分割、区域分割、边缘分割、形态学分水岭分割等;
或者两者相结合来进行目标信息的提取。
在一个实施例中,如图3,是实现设备运行状态自动检测方法的系统示意图,还包括一种实现设备运行状态自动检测方法的系统,系统包括:摄像装置、输入传输装置、存储装置、处理装置、输出传输装置、显示装置;
摄像装置的功能为对待检测区域的设备进行各场景各设备运行状态情况的图片采集;
输入传输装置的功能为把摄像装置采集的图片传输到存储装置进行信息保存;
处理装置的功能为实现对存储装置中的各图片进行基于语义分割和数字图像处理相结合的指示灯识别,包括实现指示灯识别检测模型建模过程和指示灯状态识别过程;
输出传输装置的功能为把处理装置处理后的指示灯代表的设备运行状态信息传输到显示装置;
显示装置的功能为显示调用摄像装置的图片或视频信息,以及显示待检测区域的设备运行状态信息。
此外,如果遇到指示灯闪烁的情况,则需摄像装置连续采集2个闪烁周期的图片,然后每张图片仍然按照上述方法进行处理。在2个闪烁周期的图片中,指示灯识别检测模型识别出指示灯后,调用灯亮检测模块时如指示灯同一个位置为先亮后暗,则按正常指示灯状态识别过程处理;如果调用灯亮检测模块时指示灯同一个位置为先暗后亮,则按指示灯状态识别过程中故障运行状态处理。
综上所述,本发明实施例通过提出一种设备运行状态自动化检测的方法,利用建筑物内已有的安防摄像头或者独立安装的摄像装置拍摄待检测区域的指示灯图片,结合语义分割、图像处理或相结合的方法,构建指示灯识别检测模型,调用灯亮检测模块,颜色检测模块,根据指示灯不同的亮灯个数和颜色来对建筑物内设备的各运行状态进行检测。此方法操作简单、不需要特意改装设备,或者在设备上安装其他硬件设施,节省人力和物力成本,实现了设备运行状态的自动化检测,提高了建筑物内设备的整体工作效率。
虽然本发明公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所述技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,本发明的保护范围并不局限于文中公开的特定实施例,而是包括落入权利要求范围内的所有技术方案。
Claims (10)
1.一种设备运行状态自动检测的方法,其特征在于,包括以下步骤:
S100,构建用于识别指示灯的特征的指示灯识别检测模型;其中,所述指示灯的特征包括指示灯的位置特征和指示灯的形状特征;
S200,利用所述指示灯识别检测模型,从包含待检测设备的图像中提取仅含待检测设备的指示灯的图像部分;
S300,对仅含待检测设备的指示灯的图像部分进行图像处理,以识别待检测设备的指示灯的状态;其中,所述指示灯的状态包括指示灯的亮度和/或颜色;
S400,根据待检测设备的指示灯的状态判断待检测设备的运行状态。
2.根据权利要求1所述的设备运行状态自动检测的方法,其特征在于,
所述指示灯识别检测模型为基于语义分割的深度学习神经网络模型。
3.根据权利要求2所述的设备运行状态自动检测的方法,其特征在于,构建用于识别指示灯的特征的所述指示灯识别检测模型,具体包括以下步骤:
S110,利用摄像装置采集包含各目标设备在各种运行状态下的指示灯的图像;
S120,对采集到的图像进行标注;其中,所述标注包括定义采集到的图像中的指示灯的位置特征和形状特征;
S130,建立基于语义分割的深度学习神经网络模型,并利用已经标注的图像训练所述深度学习神经网络模型的参数,直到利用所述深度学习神经网络模型获得的指示灯的特征识别结果的正确率满足给定的要求;
S140,将满足给定要求的所述深度学习神经网络模型作为用于识别指示灯的特征的指示灯识别检测模型。
4.根据权利要求1至3中任意一项所述的设备运行状态自动检测的方法,其特征在于,利用所述指示灯识别检测模型,从包含待检测设备的图像中提取含有待检测设备的指示灯的图像部分,具体包括以下步骤:
S210,利用摄像装置拍摄包含待检测设备的图像;
S220,利用所述指示灯识别检测模型识别拍摄的图像中待检测设备的指示灯的位置和特征,并从包含待检测设备的图像中提取仅含待检测设备的指示灯的图像部分。
5.根据权利要求4所述的设备运行状态自动检测的方法,其特征在于:
在提取到的仅含待检测设备的指示灯的图像部分中,指示灯区域保留原有的色彩,指示灯轮廓及其周围的背景部分为黑色并且像素值为0。
6.根据权利要求5所述的设备运行状态自动检测的方法,其特征在于,所述对仅含待检测设备的指示灯的图像部分进行图像处理,以识别待检测设备的指示灯的状态,具体包括以下步骤:
对仅含待检测设备的指示灯的图像部分进行二值化阈值处理;
根据二值化阈值处理结果判断待检测设备的指示灯的明灭状态。
7.根据权利要求6所述的设备运行状态自动检测的方法,其特征在于,所述对仅含待检测设备的指示灯的图像部分进行二值化阈值处理,根据二值化阈值处理结果判断待检测设备的指示灯的明灭状态,具体包括以下步骤:
将仅含待检测设备的指示灯的图像部分中像素值大于等于阈值的区域视为明亮区域,并设置成白色;
将仅含待检测设备的指示灯的图像部分中像素值小于阈值的区域视为未亮区域,并设置为黑色;
统计仅含待检测设备的指示灯的图像部分中的每个指示灯的明亮区域。
8.根据权利要求6所述的设备运行状态自动检测的方法,其特征在于,所述对仅含待检测设备的指示灯的图像部分进行图像处理,以识别待检测设备的指示灯的状态,具体还包括以下步骤:
对仅含待检测设备的指示灯的图像部分中的每个指示灯的明亮区域识别其色彩。
9.根据权利要求8所述的设备运行状态自动检测的方法,其特征在于,所述对仅含待检测设备的指示灯的图像部分中的每个指示灯的明亮区域识别其色彩,具体包括以下步骤:
把只含有指示灯背景为黑色的RGB图像转化为HSV图像;
设定红、黄、绿颜色的阈值,统计在阈值内属于红、黄、绿颜色的像素点值;
比较三种颜色各自的像素点总值,将所述像素点总值最大的颜色作为检测出指示灯灯亮的颜色。
10.根据权利要求1所述的设备运行状态自动检测的方法,其特征在于,还包括:在根据待检测设备的指示灯的状态确定待检测设备的运行状态之后,将运行状态的检测结果记录到设备运行状态数据库当中,以便后续进行所有设备的运行率计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910765429.2A CN112395928A (zh) | 2019-08-19 | 2019-08-19 | 一种设备状态运行自动检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910765429.2A CN112395928A (zh) | 2019-08-19 | 2019-08-19 | 一种设备状态运行自动检测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112395928A true CN112395928A (zh) | 2021-02-23 |
Family
ID=74603540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910765429.2A Pending CN112395928A (zh) | 2019-08-19 | 2019-08-19 | 一种设备状态运行自动检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395928A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033548A (zh) * | 2021-03-04 | 2021-06-25 | 四川华能宝兴河水电有限责任公司 | 用于机组运行状态判断及监控对点的图像识别方法 |
CN113313003A (zh) * | 2021-05-24 | 2021-08-27 | 李要锋 | 一种监控装置及监控方法 |
CN113452962A (zh) * | 2021-06-22 | 2021-09-28 | 北京邮电大学 | 一种具有空间协同感知的数据中心增强巡检系统及方法 |
CN113709065A (zh) * | 2021-07-31 | 2021-11-26 | 苏州浪潮智能科技有限公司 | 交换机的面板灯的自动检测方法、系统、设备及存储介质 |
CN113938409A (zh) * | 2021-09-24 | 2022-01-14 | 五邑大学 | 交换机状态监测方法、装置及存储介质 |
CN114359843A (zh) * | 2022-03-21 | 2022-04-15 | 广州银狐科技股份有限公司 | 一种基于图像识别的aed设备状态监测方法及系统 |
CN114415674A (zh) * | 2021-12-29 | 2022-04-29 | 广西交控智维科技发展有限公司 | 机房运维系统 |
CN114820616A (zh) * | 2022-06-29 | 2022-07-29 | 北京蒙帕信创科技有限公司 | 一种用于闪烁模式指示灯的设备状态检测方法及装置 |
CN117549938A (zh) * | 2023-12-13 | 2024-02-13 | 中国铁道科学研究院集团有限公司 | 用于记录列控车载设备灯位状态信息的智能诊断分析系统 |
CN118115984A (zh) * | 2024-04-30 | 2024-05-31 | 国网山东省电力公司青岛供电公司 | 变电站智能巡视指示灯识别精度优化方法及系统 |
CN118115984B (zh) * | 2024-04-30 | 2024-06-28 | 国网山东省电力公司青岛供电公司 | 变电站智能巡视指示灯识别精度优化方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324957A (zh) * | 2013-06-25 | 2013-09-25 | 东软集团股份有限公司 | 信号灯状态的识别方法及识别装置 |
CN104714425A (zh) * | 2013-10-17 | 2015-06-17 | 洛克威尔自动控制技术股份有限公司 | 用于电子装置指示灯的指示灯解读装置及其方法 |
CN107832770A (zh) * | 2017-11-08 | 2018-03-23 | 浙江国自机器人技术有限公司 | 一种设备巡检方法、装置、系统、存储介质及巡检机器人 |
CN108010025A (zh) * | 2017-12-14 | 2018-05-08 | 浙江大学 | 基于rcnn的屏柜的开关与指示灯定位和状态识别方法 |
CN108449534A (zh) * | 2018-04-10 | 2018-08-24 | 深圳市宇通自动化设备有限公司 | 一种用于自动监测机房设备面板指示灯状态的装置及方法 |
CN109711414A (zh) * | 2018-12-19 | 2019-05-03 | 国网四川省电力公司信息通信公司 | 基于摄像头图像采集的设备指示灯颜色识别方法及系统 |
-
2019
- 2019-08-19 CN CN201910765429.2A patent/CN112395928A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324957A (zh) * | 2013-06-25 | 2013-09-25 | 东软集团股份有限公司 | 信号灯状态的识别方法及识别装置 |
CN104714425A (zh) * | 2013-10-17 | 2015-06-17 | 洛克威尔自动控制技术股份有限公司 | 用于电子装置指示灯的指示灯解读装置及其方法 |
CN107832770A (zh) * | 2017-11-08 | 2018-03-23 | 浙江国自机器人技术有限公司 | 一种设备巡检方法、装置、系统、存储介质及巡检机器人 |
CN108010025A (zh) * | 2017-12-14 | 2018-05-08 | 浙江大学 | 基于rcnn的屏柜的开关与指示灯定位和状态识别方法 |
CN108449534A (zh) * | 2018-04-10 | 2018-08-24 | 深圳市宇通自动化设备有限公司 | 一种用于自动监测机房设备面板指示灯状态的装置及方法 |
CN109711414A (zh) * | 2018-12-19 | 2019-05-03 | 国网四川省电力公司信息通信公司 | 基于摄像头图像采集的设备指示灯颜色识别方法及系统 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033548A (zh) * | 2021-03-04 | 2021-06-25 | 四川华能宝兴河水电有限责任公司 | 用于机组运行状态判断及监控对点的图像识别方法 |
CN113313003A (zh) * | 2021-05-24 | 2021-08-27 | 李要锋 | 一种监控装置及监控方法 |
CN113452962A (zh) * | 2021-06-22 | 2021-09-28 | 北京邮电大学 | 一种具有空间协同感知的数据中心增强巡检系统及方法 |
CN113452962B (zh) * | 2021-06-22 | 2022-08-05 | 北京邮电大学 | 一种具有空间协同感知的数据中心增强巡检系统及方法 |
CN113709065A (zh) * | 2021-07-31 | 2021-11-26 | 苏州浪潮智能科技有限公司 | 交换机的面板灯的自动检测方法、系统、设备及存储介质 |
CN113938409A (zh) * | 2021-09-24 | 2022-01-14 | 五邑大学 | 交换机状态监测方法、装置及存储介质 |
CN114415674A (zh) * | 2021-12-29 | 2022-04-29 | 广西交控智维科技发展有限公司 | 机房运维系统 |
CN114359843A (zh) * | 2022-03-21 | 2022-04-15 | 广州银狐科技股份有限公司 | 一种基于图像识别的aed设备状态监测方法及系统 |
CN114820616A (zh) * | 2022-06-29 | 2022-07-29 | 北京蒙帕信创科技有限公司 | 一种用于闪烁模式指示灯的设备状态检测方法及装置 |
CN114820616B (zh) * | 2022-06-29 | 2023-01-10 | 北京蒙帕信创科技有限公司 | 一种用于闪烁模式指示灯的设备状态检测方法及装置 |
CN117549938A (zh) * | 2023-12-13 | 2024-02-13 | 中国铁道科学研究院集团有限公司 | 用于记录列控车载设备灯位状态信息的智能诊断分析系统 |
CN118115984A (zh) * | 2024-04-30 | 2024-05-31 | 国网山东省电力公司青岛供电公司 | 变电站智能巡视指示灯识别精度优化方法及系统 |
CN118115984B (zh) * | 2024-04-30 | 2024-06-28 | 国网山东省电力公司青岛供电公司 | 变电站智能巡视指示灯识别精度优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395928A (zh) | 一种设备状态运行自动检测的方法 | |
CN107590499B (zh) | 一种基于视频的设备led指示灯状态监测方法及系统 | |
CN111259892A (zh) | 一种指示灯状态的巡检方法、装置、设备和介质 | |
WO2020007118A1 (zh) | 显示屏外围电路检测方法、装置、电子设备及存储介质 | |
CN109087363B (zh) | 一种基于hsv颜色空间的污水排放检测方法 | |
US11657599B2 (en) | Method for detecting appearance of six sides of chip multi-layer ceramic capacitor based on artificial intelligence | |
CN113887412B (zh) | 污染排放的检测方法、检测终端、监控系统及存储介质 | |
CN111289538A (zh) | 基于机器视觉的pcb板元件检测系统及检测方法 | |
WO2020007119A1 (zh) | 显示屏外围电路检测方法、装置、电子设备及存储介质 | |
CN106096603A (zh) | 一种融合多特征的动态火焰检测方法及装置 | |
CN107895362A (zh) | 一种微型接线端子质量检测的机器视觉方法 | |
CN111127810A (zh) | 机房明火自动告警方法及系统 | |
CN113723300A (zh) | 基于人工智能的火情监测方法、装置及存储介质 | |
CN115065798A (zh) | 一种基于大数据的视频分析监控系统 | |
CN112100039A (zh) | 一种设备故障报警方法及系统 | |
CN113033548A (zh) | 用于机组运行状态判断及监控对点的图像识别方法 | |
CN112560574A (zh) | 河流黑水排放检测方法及应用其的识别系统 | |
CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及系统 | |
CN104574313B (zh) | 红绿灯的红灯颜色增强方法及其增强系统 | |
CN114092437B (zh) | 一种变压器渗漏油检测方法 | |
CN115760854A (zh) | 基于深度学习的电力设备缺陷检测方法、装置及电子设备 | |
CN115661475A (zh) | 一种图像异物识别方法、装置、设备及存储介质 | |
CN115657509A (zh) | 一种生产场所无人值守远程移动监控控制系统 | |
CN112801963B (zh) | 一种视频图像遮挡检测方法及系统 | |
CN112347942A (zh) | 一种火焰识别的方法及装置 |
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 |