CN113111805A - 一种基于机器视觉的煤矿井下打钻数量统计方法 - Google Patents
一种基于机器视觉的煤矿井下打钻数量统计方法 Download PDFInfo
- Publication number
- CN113111805A CN113111805A CN202110422894.3A CN202110422894A CN113111805A CN 113111805 A CN113111805 A CN 113111805A CN 202110422894 A CN202110422894 A CN 202110422894A CN 113111805 A CN113111805 A CN 113111805A
- Authority
- CN
- China
- Prior art keywords
- drilling
- power head
- counting
- coal mine
- underground
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000003245 coal Substances 0.000 title claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000033001 locomotion Effects 0.000 claims abstract description 14
- 238000009432 framing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000002265 prevention Effects 0.000 claims abstract description 8
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 239000000428 dust Substances 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 238000012790 confirmation Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06T2207/30242—Counting objects in image
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)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于机器视觉的煤矿井下打钻数量统计方法，包括如下步骤：步骤一、对采集的井下防突打钻过程视频进行分帧；步骤二、对分帧得到的图像进行去雾和降噪处理以提高图像清晰度；步骤三、识别图像中钻机动力头的位置；步骤四、追踪钻机动力头的位置信息，识别其运动周期；步骤五、根据钻机动力头的运动周期进行钻杆计数；步骤六、根据人工计数反馈结果修正模型。该方法可以对煤矿井下防突打钻过程进行自动监控，并能根据人工反馈结果自动修正模型，提高计算精度，有利于提高煤矿安全管理效率及水平，在降低由人为因素导致的瓦斯超限等事故隐患的同时避免由于计数不准确造成的劳资纠纷。
Description
技术领域
本发明涉及井下煤炭打钻计数领域，具体是一种基于机器视觉的煤矿井下打钻数量统计方法。
背景技术
在含瓦斯煤层进行煤炭开采作业时，煤体中的瓦斯会逐步释放出来，当空气中的瓦斯含量达到一定浓度时，能使人因缺氧而窒息，并可能导致瓦斯爆炸等危险事故，严重威胁工人的身体健康和生命财产安全。
为了避免瓦斯超限，目前井下常采用的措施是对煤体进行防突打钻，并且进行瓦斯抽采以降低瓦斯含量，控制打钻的数量和钻深对于安全管理有重大意义。
但是在矿井现场，由于工人的劳动报酬普遍依靠打钻数量衡量，所以其倾向于虚报钻杆数量，导致管理部门对实际危险情况造成误判，严重时诱发重大安全事故，从而导致人员伤亡和财产损失。为减少工人虚报瞒报钻杆数量，井下实行打钻杆过程全程录像，有关人员根据录像中的钻杆数量来对工人进行计工计酬，此方法虽然提高的钻杆数量准确度，但是效率低下并且可能导致劳资纠纷。
因此，有必要提出一种提高井下打钻过程计数效率的方法，并能依据现场实际情况的实时反馈自动调整模型，有助于提高井下打钻计数过程的准确率。
发明内容
目前，针对井下钻杆计数主要包含两种方法：一种是人工计数，在打钻杆过程中由专门人员负责对钻杆数量进行计数，之后再由有关负责人对钻杆数量进行人工复核，此方法准确率高，但效率较低，需消耗大量人力；另一种是通过对钻杆或钻机本身涂抹特殊标记或颜料，或在钻机上加感应线圈，通过标记钻机的移动来自动计数，此方法可节省人力、提高效率，但结果受井下打钻过程及环境的复杂性影响，准确率不高。
为解决上述问题，本发明提供如下技术方案：一种基于机器视觉的煤矿井下打钻数量统计方法，其采集井下防突打钻过程视频作为原始数据，利用计算机视觉领域中的目标检测技术对所述原始数据进行分析得到打钻杆数量，其特征在于，包括如下步骤：
步骤一，对采集的井下防突打钻过程视频进行分帧；
步骤二，对分帧得到的图像进行清晰度提升处理；
步骤三，识别经清晰度提升处理后得到的图像中钻机动力头的位置；
步骤四，追踪钻机动力头的位置信息，识别其运动周期；
步骤五，根据钻机动力头的运动周期进行钻杆计数；
步骤六，根据人工计数反馈结果修正模型，或将历史监控视频输入模型中用以训练。
进一步，作为优选，步骤二中，所述清晰度提升处理包括图像去雾和图像降噪，其中图像去雾包括利用暗原色先验算法去除图像中由于打钻过程产生的尘雾，减轻其对钻机动力头的遮挡；图像降噪包括利用高斯滤波提高图像信噪比，降低由于井下光线暗淡、成像传输设备效果差造成的图像模糊。
进一步，作为优选，步骤三中，基于YOLOv4框架进行识别，且将YOLOv4配置文件与OpenCV的DNN(Deep Neural Network)模块结合创建网络模型，利用该网络模型的detect方法对经清晰度提升处理后得到的图像开展钻机动力头目标检测，根据置信度阈值筛选出满足条件的目标后框选，输出框选的中心像素位置作为钻机动力头的位置。
进一步，作为优选，步骤四中，所述运动周期为其时间-位置曲线中相邻峰的间距。
进一步，作为优选，步骤五中，所述钻机动力头的运动周期与钻杆计数数量一致。
进一步，作为优选，步骤六中，所述人工反馈包括如下步骤：井下人员打钻过程中通过矿用本安型手持计时装置，每打完一根钻杆记录下相应时刻并实时传输进目标识别网络中，以便根据人工计数反馈结果修正模型参数。
进一步，作为优选，所述间距的确认包括调用SciPy库中find_peaks函数找到峰的位置，再进行一阶差分得到峰间距。
进一步，作为优选，步骤六中，当新迁移至某一矿井工作面或启用新型号钻机时，采用人工计数反馈修正模型；当存在历史监控视频时，则将历史监控视频输入模型中用以训练，无需人工计数反馈。
与现有技术相比，本发明的有益效果是：
本发明提供的一种基于机器视觉的煤矿井下打钻数量统计方法，该方法首先对采集的井下防突打钻过程视频进行分帧，再对其进行去雾和降噪等提高图像清晰度的预处理，之后利用机器视觉中的方法进行钻机动力头目标识别，从而得到打钻杆的数量，最后结合人工实时反馈调整优化模型。该方法可以对煤矿井下防突打钻过程进行自动监控，并能根据人工反馈结果自动修正模型，提高计算精度，有利于提高煤矿安全管理效率及水平，在降低由人为因素导致的瓦斯超限等事故隐患的同时避免由于计数不准确造成的劳资纠纷。
附图说明
图1是本发明实施例中煤矿钻杆自动计数方法的流程示意图；
图2是某时刻钻机动力头位置识别结果；
图3是钻机动力头位置时序变化曲线；
图4是人工反馈修正示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1至图4，本实施例提供一种基于机器视觉的煤矿井下打钻数量统计方法，如图1所示，是本发明的流程图；
所述的方法包括：
S101，将采集的井下防突打钻过程视频进行分帧，使原始监控视频变为帧图片，提取间隔为每秒钟1张；
S102，对采集的图片进行预处理，包括图像去雾和图像降噪，分别使用暗原色先验算法和高斯滤波实现，可调用OpenCV库中的函数实现；
S103，识别图像中的钻机动力头的位置：首先下载开源的YOLOv4框架的配置文件和权值模型(yolov4.cfg，yolov4.weights)，以及coco.names样本类别，然后基于OpenCV的DNN模块加入YOLOv4配置文件实现网络模型创建，之后读取coco.names文件的类别形成列表，基于模型net对象的detect方法开展目标检测处理，根据置信度阈值筛选出满足条件的目标并对目标进行框选输出框选的中心像素位置作为钻机动力头的位置，钻机动力头的位置框选结果如图2所示；
S104，追踪钻机动力头的位置信息，识别其运动周期，可调用SciPy库中find_peaks函数找到峰的位置，再进行一阶差分得到峰间距即为运动周期，运动周期数量即为打钻杆数量。如图3所示为某矿井在一小时内打钻过程中钻机动力头的位置变化情况，识别得打钻数为66个，其实际打钻数量为61个，识别准确率达92.4％；
S105，人工计数反馈，修正模型参数。当钻杆自动计数系统迁移至某新矿井时，由于客观条件的改变，钻机动力头位置识别模型可能会产生识别误差，可以让工人利用矿用本安型手持计时装置向钻机动力头识别模型实时反馈打完一根钻杆的时间点，使其自动调整模型参数，提高识别准确率；同时，在工人的人工计数与自动计数结果不一致时，可以直接从如图4所示的钻机动力头位置-时间曲线与人工计数对比图中找出计数不一致的时刻，再从监控视频中找出对应时间点处打钻杆的情况，大大提升计数效率的同时，避免由于计酬不准导致的劳资纠纷。例如在图4中第1196s识别打进一根钻杆，但是人工反馈中没有计数，可以直接跳转视频至存疑处，降低了人工复核的成本，大大提高了工作效率，并且达到钻杆准确计数、降低瓦斯超限危险的目的。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以对本发明的这些实施例做出若干变更和修改，这些变更和修改也应视为本发明的保护范围。
Claims (8)
1.一种基于机器视觉的煤矿井下打钻数量统计方法，其采集井下防突打钻过程视频作为原始数据，利用计算机视觉领域中的目标检测技术对所述原始数据进行分析得到打钻杆数量，其特征在于，包括如下步骤：
步骤一，对采集的井下防突打钻过程视频进行分帧；
步骤二，对分帧得到的图像进行清晰度提升处理；
步骤三，识别经清晰度提升处理后得到的图像中钻机动力头的位置；
步骤四，追踪钻机动力头的位置信息，识别其运动周期；
步骤五，根据钻机动力头的运动周期进行钻杆计数；
步骤六，根据人工计数反馈结果修正模型，或将历史监控视频输入模型中用以训练。
2.根据权利要求1所述的一种基于机器视觉的煤矿井下打钻数量统计方法，其特征在于：步骤二中，所述清晰度提升处理包括图像去雾和图像降噪，其中图像去雾包括利用暗原色先验算法去除图像中由于打钻过程产生的尘雾，减轻其对钻机动力头的遮挡；图像降噪包括利用高斯滤波提高图像信噪比，降低由于井下光线暗淡、成像传输设备效果差造成的图像模糊。
3.根据权利要求1所述的一种基于机器视觉的煤矿井下打钻数量统计方法，其特征在于：步骤三中，基于YOLOv4框架进行识别，且将YOLOv4配置文件与OpenCV的DNN(DeepNeural Network)模块结合创建网络模型，利用该网络模型的detect方法对经清晰度提升处理后得到的图像开展钻机动力头目标检测，根据置信度阈值筛选出满足条件的目标后框选，输出框选的中心像素位置作为钻机动力头的位置。
4.根据权利要求1所述的一种基于机器视觉的煤矿井下打钻数量统计方法，其特征在于：步骤四中，所述运动周期为其时间-位置曲线中相邻峰的间距。
5.根据权利要求1所述的一种基于机器视觉的煤矿井下打钻数量统计方法，其特征在于：步骤五中，所述钻机动力头的运动周期与钻杆计数数量一致。
6.根据权利要求1所述的一种基于机器视觉的煤矿井下打钻数量统计方法，其特征在于：步骤六中，所述人工反馈包括如下步骤：井下人员打钻过程中通过矿用本安型手持计时装置，每打完一根钻杆记录下相应时刻并实时传输进目标识别网络中，以便根据人工计数反馈结果修正模型参数。
7.根据权利要求4所述的一种基于机器视觉的煤矿井下打钻数量统计方法，其特征在于：所述间距的确认包括调用SciPy库中find_peaks函数找到峰的位置，再进行一阶差分得到峰间距。
8.根据权利要求1所述的一种基于机器视觉的煤矿井下打钻数量统计方法，其特征在于：步骤六中，当新迁移至某一矿井工作面或启用新型号钻机时，采用人工计数反馈修正模型；当存在历史监控视频时，则将历史监控视频输入模型中用以训练，无需人工计数反馈。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110422894.3A CN113111805A (zh) | 2021-04-16 | 2021-04-16 | 一种基于机器视觉的煤矿井下打钻数量统计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110422894.3A CN113111805A (zh) | 2021-04-16 | 2021-04-16 | 一种基于机器视觉的煤矿井下打钻数量统计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113111805A true CN113111805A (zh) | 2021-07-13 |
Family
ID=76718666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110422894.3A Pending CN113111805A (zh) | 2021-04-16 | 2021-04-16 | 一种基于机器视觉的煤矿井下打钻数量统计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113111805A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570575A (zh) * | 2021-07-28 | 2021-10-29 | 精英数智科技股份有限公司 | 一种基于目标检测的钻探深度统计方法及系统 |
| CN114821453A (zh) * | 2022-06-30 | 2022-07-29 | 广州英码信息科技有限公司 | 基于目标检测的煤矿钻杆计数方法及计算机可读介质 |
| CN115131712A (zh) * | 2022-07-12 | 2022-09-30 | 安徽理工大学 | 一种计算机视觉驱动的钻杆智能计数方法 |
| CN117830908A (zh) * | 2024-01-09 | 2024-04-05 | 河南理工大学 | 一种自适应场景的煤矿钻杆计数方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764032A (zh) * | 2018-04-18 | 2018-11-06 | 北京百度网讯科技有限公司 | 煤矿探放水智能监控方法、装置、计算机设备及存储介质 |
| WO2019067894A1 (en) * | 2017-09-29 | 2019-04-04 | Genscape Intangible Holding, Inc. | METHOD AND SYSTEM FOR MONITORING THE DEVELOPMENT AND OPERATIONS OF AN OIL WELL |
| CN109800848A (zh) * | 2019-01-23 | 2019-05-24 | 中国科学院重庆绿色智能技术研究院 | 一种煤矿井下打钻数量的自动计数方法 |
| CN110009611A (zh) * | 2019-03-27 | 2019-07-12 | 中南民族大学 | 一种面向图像序列的视觉目标动态计数方法及系统 |
| CN112085010A (zh) * | 2020-10-28 | 2020-12-15 | 成都信息工程大学 | 一种基于图像识别的口罩检测和部署系统及方法 |
| CN112116633A (zh) * | 2020-09-25 | 2020-12-22 | 深圳爱莫科技有限公司 | 一种矿井打钻计数方法 |
-
2021
- 2021-04-16 CN CN202110422894.3A patent/CN113111805A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019067894A1 (en) * | 2017-09-29 | 2019-04-04 | Genscape Intangible Holding, Inc. | METHOD AND SYSTEM FOR MONITORING THE DEVELOPMENT AND OPERATIONS OF AN OIL WELL |
| CN108764032A (zh) * | 2018-04-18 | 2018-11-06 | 北京百度网讯科技有限公司 | 煤矿探放水智能监控方法、装置、计算机设备及存储介质 |
| CN109800848A (zh) * | 2019-01-23 | 2019-05-24 | 中国科学院重庆绿色智能技术研究院 | 一种煤矿井下打钻数量的自动计数方法 |
| CN110009611A (zh) * | 2019-03-27 | 2019-07-12 | 中南民族大学 | 一种面向图像序列的视觉目标动态计数方法及系统 |
| CN112116633A (zh) * | 2020-09-25 | 2020-12-22 | 深圳爱莫科技有限公司 | 一种矿井打钻计数方法 |
| CN112085010A (zh) * | 2020-10-28 | 2020-12-15 | 成都信息工程大学 | 一种基于图像识别的口罩检测和部署系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 彭业勋: "煤矿井下钻杆计数方法研究", 《中国优秀硕士学位论文_工程科技Ⅰ辑》, pages 2 * |
| 王杰: "基于机器视觉的煤矿井下钻杆计数方法研究与实现", 《中国优秀硕士学位论文_工程科技Ⅰ辑》, pages 021 - 395 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570575A (zh) * | 2021-07-28 | 2021-10-29 | 精英数智科技股份有限公司 | 一种基于目标检测的钻探深度统计方法及系统 |
| CN114821453A (zh) * | 2022-06-30 | 2022-07-29 | 广州英码信息科技有限公司 | 基于目标检测的煤矿钻杆计数方法及计算机可读介质 |
| CN115131712A (zh) * | 2022-07-12 | 2022-09-30 | 安徽理工大学 | 一种计算机视觉驱动的钻杆智能计数方法 |
| CN115131712B (zh) * | 2022-07-12 | 2024-07-16 | 安徽理工大学 | 一种计算机视觉驱动的钻杆智能计数方法 |
| CN117830908A (zh) * | 2024-01-09 | 2024-04-05 | 河南理工大学 | 一种自适应场景的煤矿钻杆计数方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113111805A (zh) | 一种基于机器视觉的煤矿井下打钻数量统计方法 | |
| CN111341068B (zh) | 一种基于深度学习的钻井现场危险区域预警系统构成方法 | |
| CN103096121B (zh) | 一种摄像头移动检测方法及装置 | |
| CN110287917B (zh) | 基建工地的安全管控系统和方法 | |
| CN115131712B (zh) | 一种计算机视觉驱动的钻杆智能计数方法 | |
| CN111259763B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
| Ahmadian Fard Fini et al. | Using existing site surveillance cameras to automatically measure the installation speed in prefabricated timber construction | |
| CN116993665A (zh) | 一种基于计算机视觉的建筑工程作业面施工进度的智能检测方法 | |
| CN118095867B (zh) | 基于视频处理和深度学习的消防设备检测评估系统及方法 | |
| CN114387564A (zh) | 一种基于YOLOv5的磕头机停抽检测方法 | |
| CN113052125B (zh) | 一种施工现场违章图像识别告警方法 | |
| CN109873990A (zh) | 一种基于计算机视觉的矿山非法开采预警方法 | |
| Tingjiang et al. | Research and application of downhole drilling depth based on computer vision technique | |
| CN112666911A (zh) | 协同控制系统 | |
| JP2007206843A (ja) | 水中または水面における移動体の計数方法、移動体の計数装置及び移動体の計数プログラム | |
| CN116758060A (zh) | 一种电池片立式花篮视觉检测系统 | |
| CN115829324A (zh) | 一种人员安全风险静默监视方法 | |
| CN112115876A (zh) | 一种基于3d卷积神经网络的水溶法实验过程识别方法 | |
| CN110826439A (zh) | 一种基于深度学习图像处理的电焊施工检测方法 | |
| CN110532893A (zh) | 电竞小地图图像中的图标检测方法 | |
| CN114419483B (zh) | 一种电力杆塔作业围栏违规设置的检测方法、系统及设备 | |
| CN115909623A (zh) | 一种综采工作面异常预警方法、系统、电子设备及介质 | |
| CN116069964B (zh) | 设备工作状态检测方法、装置、电子设备及存储介质 | |
| KR102679947B1 (ko) | 스마트 팩토리 모니터링 시스템 | |
| CN118363933A (zh) | 一种基于大数据分析的日志自动生成系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210713 |
|
| RJ01 | Rejection of invention patent application after publication |