CN113657338A - 传动装置状态识别方法、装置、计算机设备及存储介质 - Google Patents
传动装置状态识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113657338A CN113657338A CN202110984498.XA CN202110984498A CN113657338A CN 113657338 A CN113657338 A CN 113657338A CN 202110984498 A CN202110984498 A CN 202110984498A CN 113657338 A CN113657338 A CN 113657338A
- Authority
- CN
- China
- Prior art keywords
- target
- state
- characteristic
- feature
- transmission
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 105
- 238000000605 extraction Methods 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 238000013507 mapping Methods 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 44
- 230000003213 activating effect Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开一种传动装置状态识别方法、装置、计算机设备及存储介质，包括：采集目标传送装置运行状态下的视频数据；根据预设的抽帧规则对所述视频数据进行抽帧处理，生成多张目标帧图；将所述目标帧图分别输入至预设的状态识别模型的多个特征通道内，进行特征提取生成多个特征向量；通过对所述多个特征向量进行差异性计算，生成所述目标传送装置在不同时间内的特征差异向量；基于所述特征差异向量对所述目标传送装置的运行状态进行分类，生成所述目标传送装置的状态分类结果。该方法通过图像处理技术，快速的识别出传动装置的工作状态，能够有效的避免传动装置的低效率运行时长，提高了机械设备的工作效率。
Description
技术领域
本发明实施例涉及设备管理领域，尤其是一种传动装置状态识别方法、装置、计算机设备及存储介质。
背景技术
工矿企业在生产过程中部署了大量的传动装置，实现不同部件之间的力学传递。但是，设备在长期运转的过程当中出现震动和磨损时，传动装置往往会出现传动效率降低的问题。
本发明创造的发明人在研究中发现，当设备出现传动效率降低时，一般不易被用户发现，即当传动设备传动效率降低后，传动设备可能长时间处于低效率运转状态，直至被用户检修发现后进行修复。因此，现有技术中，机械设备存在传动效率降低的现象，且该现象无法被及时发现和修复，导致机械设备运转效率较低的问题。
发明内容
本发明实施例提供一种能够及时发现传动设备低效率运行的传动装置状态识别方法、装置、计算机设备及存储介质。
为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种传动装置状态识别方法，包括：
采集目标传送装置运行状态下的视频数据；
根据预设的抽帧规则对所述视频数据进行抽帧处理，生成多张目标帧图；
将所述目标帧图分别输入至预设的状态识别模型的多个特征通道内，进行特征提取生成多个特征向量，其中，所述状态识别模型的特征通道数量与目标帧图的数量相同；
通过对所述多个特征向量进行差异性计算，生成所述目标传送装置在不同时间内的特征差异向量；
基于所述特征差异向量对所述目标传送装置的运行状态进行分类，生成所述目标传送装置的状态分类结果。
可选地，所述采集目标传送装置运行状态下的视频数据包括：
获取所述目标传送装置运行状态下的扭矩数据，其中，所述扭矩数据通过设置在所述目标传送装置转动轴位置处的扭矩传感器采集；
将所述扭矩数据与预设的扭矩阈值区间进行比对；
当所述扭矩数据表征的数值未落入所述扭矩阈值区间内时，激活处于待机状态的影像采集装置，并采集所述视频数据。
可选地，所述根据预设的抽帧规则对所述视频数据进行抽帧处理，生成多张目标帧图包括：
采集所述目标传送装置的传送速度；
根据所述传送速度和预设的抽帧映射列表，生成抽帧间隔，其中，所述抽帧映射列表中记载传送速度与抽帧间隔之间的映射关系；
根据所述抽帧间隔对所述视频数据进行抽帧处理，生成所述多张目标帧图。
可选地，所述将所述目标帧图分别输入至预设的状态识别模型的多个特征通道内，进行特征提取生成多个特征向量之前，包括：
获取所述目标帧图的帧图数量；
根据所述帧图数量在预设的通道数据库内，调用与所述帧图数量相同的多个特征通道；
随机挑选所述多个特征通道中的一个特征通道为目标特征通道，并提取所述目标特征通道的参数数据；
将所述参数数据同步至所述多个特征通道中，以使所述多个特征通道具有相同的参数数据。
可选地，所述通过对所述多个特征向量进行差异性计算，生成所述目标传送装置在不同时间内的特征差异向量包括：
对所述多个特征向量中的相邻特征向量进行矩阵相减运算，生成至少两个差异特征矩阵；
对所述至少两个差异特征矩阵进行拼接生成全量差异特征矩阵；
将所述全量差异特征矩阵进行转置生成转置矩阵，并将所述全量差异特征矩阵与所述转置矩阵进行点积，生成所述特征差异向量。
可选地，所述基于所述特征差异向量对所述目标传送装置的运行状态进行分类，生成所述目标传送装置的状态分类结果包括：
将所述特征差异向量输入至预设的分类器中，计算所述特征差异向量的置信度；
根据预设的分类映射列表和所述置信度，生成所述目标传送装置的状态分类结果，其中，所述分类映射列表中记载不同置信度与状态分类结果之间的映射关系。
可选地，所述基于所述特征差异向量对所述目标传送装置的运行状态进行分类，生成所述目标传送装置的状态分类结果之后，包括：
根据所述状态分类结果生成所述转动轴的位置调整距离和调整方向；
根据所述调整方向和调整距离调整所述转动轴的位置，以使所述目标传送装置的运行状态维持正常。
为解决上述技术问题，本发明实施例还提供一种传动装置状态识别装置，包括：
采集模块，用于采集目标传送装置运行状态下的视频数据；
抽帧模块，用于根据预设的抽帧规则对所述视频数据进行抽帧处理，生成多张目标帧图；
处理模块，用于将所述目标帧图分别输入至预设的状态识别模型的多个特征通道内，进行特征提取生成多个特征向量，其中，所述状态识别模型的特征通道数量与目标帧图的数量相同；
计算模块，用于通过对所述多个特征向量进行差异性计算，生成所述目标传送装置在不同时间内的特征差异向量；
执行模块，用于基于所述特征差异向量对所述目标传送装置的运行状态进行分类，生成所述目标传送装置的状态分类结果。
可选地，所述传动装置状态识别装置，还包括：
第一获取子模块，用于获取所述目标传送装置运行状态下的扭矩数据，其中，所述扭矩数据通过设置在所述目标传送装置转动轴位置处的扭矩传感器采集；
第一比对子模块，用于将所述扭矩数据与预设的扭矩阈值区间进行比对；
第一执行子模块，用于当所述扭矩数据表征的数值未落入所述扭矩阈值区间内时，激活处于待机状态的影像采集装置，并采集所述视频数据。
可选地，所述传动装置状态识别装置，还包括：
第一采集子模块，用于采集所述目标传送装置的传送速度；
第一处理子模块，用于根据所述传送速度和预设的抽帧映射列表，生成抽帧间隔，其中，所述抽帧映射列表中记载传送速度与抽帧间隔之间的映射关系；
第一抽帧子模块，用于根据所述抽帧间隔对所述视频数据进行抽帧处理，生成所述多张目标帧图。
可选地，所述传动装置状态识别装置，还包括：
第二获取子模块，用于获取所述目标帧图的帧图数量；
第一调用子模块，用于根据所述帧图数量在预设的通道数据库内，调用与所述帧图数量相同的多个特征通道；
第二处理子模块，用于随机挑选所述多个特征通道中的一个特征通道为目标特征通道，并提取所述目标特征通道的参数数据；
第一同步子模块，用于将所述参数数据同步至所述多个特征通道中，以使所述多个特征通道具有相同的参数数据。
可选地，所述传动装置状态识别装置，还包括：
第一计算子模块，用于对所述多个特征向量中的相邻特征向量进行矩阵相减运算，生成至少两个差异特征矩阵；
第一拼接子模块，用于对所述至少两个差异特征矩阵进行拼接生成全量差异特征矩阵；
第二计算子模块，用于将所述全量差异特征矩阵进行转置生成转置矩阵，并将所述全量差异特征矩阵与所述转置矩阵进行点积，生成所述特征差异向量。
可选地，所述传动装置状态识别装置，还包括：
第三计算子模块，用于将所述特征差异向量输入至预设的分类器中，计算所述特征差异向量的置信度；
第一分类子模块，用于根据预设的分类映射列表和所述置信度，生成所述目标传送装置的状态分类结果，其中，所述分类映射列表中记载不同置信度与状态分类结果之间的映射关系。
可选地，所述传动装置状态识别装置，还包括：
第三处理子模块，用于根据所述状态分类结果生成所述转动轴的位置调整距离和调整方向；
第二执行子模块，用于根据所述调整方向和调整距离调整所述转动轴的位置，以使所述目标传送装置的运行状态维持正常。
为解决上述技术问题本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述传动装置状态识别方法的步骤。
为解决上述技术问题本发明实施例还提供一种计算机存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述传动装置状态识别方法的步骤。
本发明实施例的有益效果是：通过对运行状态的传动设备进行视频拍摄，并对拍摄的视频数据进行抽帧处理，得到多张用于表现传动设备运行的多张目标帧图，再通过多通道状态识别模型分别对多张目标帧图的特征向量进行提取。基于提取得到的多个特征向量，进行不同运动时刻之间的特征差异性计算，得到不同特征向量之间的特征差异向量，然后，对特征差异向量进行分类得到传动装置的状态分类结果，从而得知传动装置是否处于低效率工作状态。该方法通过图像处理技术，快速的识别出传动装置的工作状态，能够有效的避免传动装置的低效率运行时长，提高了机械设备的工作效率。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请一个具体实施例的传动装置状态识别方法的基本流程示意图；
图2为本申请一个具体实施例的视频数据采集的一种流程示意图；
图3为本申请一个具体实施例的抽取目标帧图的流程示意图；
图4为本申请一个具体实施例的确定状态识别模型特征通道的流程示意图；
图5为本申请一个具体实施例的计算特征差异向量的流程示意图；
图6为本申请一个具体实施例的进行状态分类的流程示意图；
图7为本申请一个实施例的根据状态分类结果调整目标传动装置的流程示意图；
图8为本申请一个实施例的传动装置状态识别装置基本结构示意图；
图9为本申请一个实施例的计算机设备的基本结构框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，这里所使用的“终端”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
请参阅图1，图1为本实施例传动装置状态识别方法的基本流程示意图。如图1所示，一种传动装置状态识别方法，包括：
S1100、采集目标传动装置状态下的视频数据；
本实施方式中，在目标传动装置的位置设置影像采集装置用于对目标传动设备的运行视频数据进行采集。用于进行视频数据采集的影像设备能够是摄像头，也能够是手机、平板电脑等集成有摄像头的电子设备。
对目标传动设备的视频数据采集是持续进行的，当目标传动设备开始工作时，即可通过影像采集装置对目标传动设备进行采集。但是，对目标传动装置的视频数据采集方式不局限于此，根据具体应用场景的不同，在一些实施方式中，视频数据的采集是在特定场景中进行的，例如，通过扭矩传感器采集目标传动装置传动轴位置处的扭矩数据，当扭矩数据偏离正常数值范围时，才启动影像采集装置进行视频数据采集。
当本实施方式的传动装置状态识别方法在终端设备上运行时，采集得到的视频数据被发送至终端设备的缓存中进行处理。当本实施方式中的传动装置状态识别方法在服务器端或者云端进行时，采集得到的视频数据通过数据流的方式，持续的发送到服务器端或者云端中。
S1200、根据预设的抽帧规则对所述视频数据进行抽帧处理，生成多张目标帧图；
当获取得到目标传动装置的视频数据后，需要对视频数据进行抽帧处理，抽帧处理的目的在于在视频数据中抽取多张目标帧图，方便后续进行图像处理。
对于视频数据的抽帧方式，通过预设的抽帧规则进行控制。抽帧规则的设置能够满足不同应用场景下的抽帧需要。例如，抽帧规则能够被设置为：通过检测传动装置运行的速度进行抽帧设定，传动装置运行的速度越快，则前后抽帧的间隔距离越小。但是，抽帧规则的设定不局限于此，在一些实施方式中，抽帧规则能够用于限定抽帧的数量，抽帧的数量设定为状态识别模型的通道数相同。在另一些实施方式中，抽帧规则还能够被设定为通过随机抽帧的方式，在视频数据中抽取随机数量的多张目标帧图。
抽取得到的目标帧图的数量能够为3张、4张或者更多张。用户能够根据实际环境的使用需求对目标帧图的数量进行设定，也能够根据历史数据的总结的经验设定最优值。
S1300、将所述目标帧图分别输入至预设的状态识别模型的多个特征通道内，进行特征提取生成多个特征向量，其中，所述状态识别模型的特征通道数量与目标帧图的数量相同；
将抽取得到的目标帧图分别输入至状态识别模型的多个特征通道内，进行特征提取。
状态识别模型具有多个特征通道，每个特征通道都有均为一个卷积神经网络，能够对目标帧图进行特征提取。状态识别模型的通道数量与目标帧图的数量相同，因此，进行图像输入时，每一张目标帧图均对应一个特征通道。
当目标帧图分别进入到对应的特征通道内后，特征通道通过卷积神经网络对目标帧图进行特征提取，多个特征通道生成多个特征向量。
本实施方式中状态识别模型的特征通道为相同特征通道，即每个特征通道均为相同的模型结构。但是，状态识别模型的特征通道结构不局限于此，在一些实施方式中，状态识别模型的特征通道能够选用不同类型的神经网络结构。
状态识别模型为预先训练至收敛状态的神经网络模型，训练时通过采集大量的训练样本，然后，对训练样本进行标注后，进行监督训练，直至状态识别模型在训练过程中，训练次数达到设定的次数或者准确率大于等于设定的数值后，表示状态识别模型被训练至收敛状态。
S1400、通过对所述多个特征向量进行差异性计算，生成所述目标传动装置在不同时间内的特征差异向量；
通过状态识别模型提取得到多个特征向量后，需要对特征向量进行差异性计算，生成目标传动装置在不同时间内的特征差异向量。
特征差异向量的计算方式能够为：将每个特征向量依次映射在卷积核为1*1，厚度也为1的空间内，生成展开后的特征向量，并且将多张展开后的特征向量依次进行排列生成全局向量。然后，将全局向量中每个展开后的特征向量按照其相邻关系进行矩阵相减运算。设定特征向量为n个，则相邻特征向量进行矩阵相减运算生成的差异特征矩阵为(n-1)个。
计算得到(n-1)个差异特征矩阵后，对差异特征矩阵依次进行拼接生成全量差异特征矩阵。对生成的全量差异特征矩阵进行转置生成转置矩阵，然后，对转置矩阵和全量差异特征矩阵进行点积运算，最终生成特征差异向量。
S1500、基于所述特征差异向量对所述目标传动装置的运行状态进行分类，生成所述目标传动装置的状态分类结果。
基于计算得到的特征差异向量对目标传动装置的运行状态进行分类，得到最终的状态分类结果。
将特征差异向量输入至预设的分类器中，计算特征差异向量的置信区间。具体的计算方式为：通过对特征差异向量的特征值及分类器的权重进行累加，生成全局特征值，然后，根据预设的置信度区间，确定全局特征值落入了哪一个置信区间内，进而得到特征差异向量对应的置信区间。
根据置信区间查询预设的分类映射列表，分类映射表中记载了不同置信区间与状态分类结果之间的映射关系，因此，通过查询该分类映射列表就能够得到该置信区间对应的状态分类结果完成分类。
上述实施方式通过对运行状态的传动设备进行视频拍摄，并对拍摄的视频数据进行抽帧处理，得到多张用于表现传动设备运行的多张目标帧图，再通过多通道状态识别模型分别对多张目标帧图的特征向量进行提取。基于提取得到的多个特征向量，进行不同运动时刻之间的特征差异性计算，得到不同特征向量之间的特征差异向量，然后，对特征差异向量进行分类得到传动装置的状态分类结果，从而得知传动装置是否处于低效率工作状态。该方法通过图像处理技术，快速的识别出传动装置的工作状态，能够有效的避免传动装置的低效率运行时长，提高了机械设备的工作效率。
在一些实施方式中，对目标传动装置的视频数据采集，需要在检测到目标传动装置出现异常时，才进行采集。请参阅图2，图2为本实施例视频数据采集的一种流程示意图。
如图2所示，S1100包括：
S1111、获取所述目标传动装置状态下的扭矩数据，其中，所述扭矩数据通过设置在所述目标传动装置转动轴位置处的扭矩传感器采集；
本实施方式中，目标传动装置包括转动轴，转动轴为目标传动装置用于提供或者接收机械力的轴，在传动轴处设置扭矩传感器用于检测目标传动装置的扭矩数据。扭矩传感器将采集的扭矩数据发送至本地终端进行处理，或者再由本地终端进行上传至服务器端或者云端进行处理。
S1112、将所述扭矩数据与预设的扭矩阈值区间进行比对；
将采集得到的扭矩数据和预设的扭矩阈值区间进行比对，扭矩阈值区间包括区间最大值和区间最小值，其中，区间最小值用于界定扭矩数据正常范围的最小值，而区间最大值则用于界定扭矩数据正常范围的最大值。
将采集得到的扭矩数据与扭矩阈值区间进行比对，当扭矩数据落入扭矩阈值区间时，表征扭矩数据在正常值范围内，说明目标传动装置运行正常；当扭矩数据落入扭矩阈值区间值以外时，表征扭矩数据在正常值范围以外，说明目标传动装置运行异常。
S1113、当所述扭矩数据表征的数值未落入所述扭矩阈值区间内时，激活处于待机状态的影像采集装置，并采集所述视频数据。
当扭矩数据落入扭矩阈值区间值以外时，表征扭矩数据在正常值范围以外，说明目标传动装置运行异常，此时，需要激活处于待机状态的影像采集装置，影像采集装置被激活后开始进行拍摄，得到对应的视频数据。
在进行视频数据采集时，将影像采集装置设置为待机状态，当检测到目标传动装置处于异常运行时，再激活影像采集装置，能够降低影像采集装置能耗，节约资源。
在一些实施方式中，对视频数据的抽帧方式，需要根据目标传动装置的传送速度进行相应的设定。请参阅图3，图3为本实施例抽取目标帧图的流程示意图。
如图3所示，S1200包括：
S1211、采集所述目标传动装置的传送速度；
采集目标传动装置的传送速度，具体的检测方式为：在转动轴位置处设置角速度传感器，通过检测转动轴的角速度得到目标传动装置的线速度。但是传送速度的检测不局限于此，在一些实施方式中，能够采用非接触的测距方式，例如：激光测速仪或者超声波测速仪等设备，对目标传动装置进行非接触式测速。
S1212、根据所述传送速度和预设的抽帧映射列表，生成抽帧间隔，其中，所述抽帧映射列表中记载传送速度与抽帧间隔之间的映射关系；
本实施方式中，预设值有抽帧映射列表，抽帧映射列表中记载传送速度与抽帧间隔之间的映射关系，例如，设定抽帧的公式表示为N+aM，其中，N表示随机抽取的第一张目标帧图所在的位置，a表示抽帧的次数，a的取值由0开始，依次增加，M表示抽帧间隔。抽帧间隔能够通过实验得到，例如，通过数据分析，当目标传动装置的传送速度为0.5米/秒时，M的取值为5，当目标传动装置的传送速度为1米/秒时，M的取值为3。但是，M的取值不局限于，根据具体应用场景的不同，为适应不同环境运行的需求，M的取值能够进行自定义设置。根据需要将传送速度和抽帧间隔之间的映射关系进行逐对存储，就能够生成抽帧映射列表。进行抽帧间隔运算时，只需要查询抽帧映射列表就能够得到传送速度对应的抽帧间隔。
S1213、根据所述抽帧间隔对所述视频数据进行抽帧处理，生成所述多张目标帧图。
当通过抽帧映射列表查询得到抽帧间隔后，通过随机抽帧的方法，在视频数据中抽取第一张目标帧图，也就是N，然后，进行第二张目标帧图的抽取，即抽取第N+M张帧图作为目标帧图，再后，进行第三张目标帧图的抽取，即抽取第N+2M张帧图作为第三张帧图，依次类推，每隔M张帧图就抽取一张目标帧图，直至抽取得到的目标帧图数量满足要求即可。
通过目标传动装置的传送速度对目标视频抽帧间隔进行调整，能够使抽取的目标帧图更能够反映出当前传送速度下目标传动装置的运动特征，进而使后续处理得到的差异特征更加明显，使分类结果更加的准确。
在一些实施方式中，
不同场景下，需要采集的目标帧图数量不同，例如，目标帧图的数量与目标传动装置的传送速度成正比，传送速度越快则对应的目标帧图越多，为了应对不同速度场景中目标帧图的变化，状态识别模型的特征通道被设置为可变。具体请参阅图4，图4为本实施例确定状态识别模型特征通道的流程示意图。
如图4所示，S1300之前包括：
S1221、获取所述目标帧图的帧图数量；
采集目标帧图的帧图数量，当通过检测目标传动装置的传送速度后，确定与该传送速度对应的帧图数量，然后，根据帧图数量提取对应的目标帧图。进行本实施方式的方案时，通过复用该帧图数量就能够得到目标帧图的帧图数量。
S1222、根据所述帧图数量在预设的通道数据库内，调用与所述帧图数量相同的多个特征通道；
本实施方式中，设置有通道数据库，通道数据库中存储不同的特征通道，每个特征通道具有相同的模型结构，但是，不同特征模型的模型参数不相同，不同模型参数对应不同的目标传动装置类型，通过识别目标传动装置的是皮带、传送带或者链条等不同的传动类型，确定目标传动装置类型。然后，根据该目标传动装置类型确定对应的特征通道，选取对应的特征通道后，再选取对应数量的其他特征通道，使选取的特征通道数量与目标帧图的数量相同。
S1223、确认所述多个特征通道中的一个特征通道为目标特征通道，并提取所述目标特征通道的参数数据；
确定选取的多个特征通道中与目标传动装置类型对应的特征通道为目标特征通道，然后提取目标特征通道的参数数据，参数数据包括目标特征通道作为卷积神经网络的权重值。
S1224、将所述参数数据同步至所述多个特征通道中，以使所述多个特征通道具有相同的参数数据。
提取得到目标特征通道的参数数据后，将参数数据进行同步至剩余的多个特征通道中，使多个特征通道具有针对该目标传动装置类型的专属参数数据，使多个特征通道能够用相同的参数数据对不同时间段内目标帧图进行特征提取，提高了差异性特征提取的准确率。
在一些实施方式中，需要通过差异特征计算多张目标帧图之间的特征差异向量。具体请参阅图5，图5为本实施例计算特征差异向量的流程示意图。
如图5所示，S1400包括：
S1411、对所述多个特征向量中的相邻特征向量进行矩阵相减运算，生成至少两个差异特征矩阵；
将每个特征向量依次映射在卷积核为1*1，厚度也为1的空间内，生成展开后的特征向量，并且将多张展开后的特征向量依次进行排列生成全局向量。然后，将全局向量中每个展开后的特征向量按照其相邻关系进行矩阵相减运算。生成至少两个差异特征矩阵。
3张目标帧图为本实施例最少的帧图数量，以3张目标帧图对应的3个为例，当3个特征向量依次拼接，并且进行相减运算后，由于特征向量本身就是由特征矩阵组成的因此，能够进行矩阵相减运算生成2个差异特征矩阵。当目标帧图为4张时，生成3个差异特征矩阵，当目标帧图为5张时，生成4个差异特征矩阵，以此类推。
S1412、对所述至少两个差异特征矩阵进行拼接生成全量差异特征矩阵；
计算得到(n-1)个差异特征矩阵后，对差异特征矩阵依次进行拼接生成全量差异特征矩阵。
S1413、将所述全量差异特征矩阵进行转置生成转置矩阵，并将所述全量差异特征矩阵与所述转置矩阵进行点积，生成所述特征差异向量。
对生成的全量差异特征矩阵进行转置生成转置矩阵，然后，对转置矩阵和全量差异特征矩阵进行点积运算，最终生成特征差异向量。
在一些实施方式中，通过分类器对特征差异向量进行分类得到状态分类结果。请参阅图6，图6为本实施方式中进行状态分类的流程示意图。
如图6所示，S1500包括：
1511、将所述特征差异向量输入至预设的分类器中，计算所述特征差异向量的置信区间；
将特征差异向量输入至预设的分类器中，计算特征差异向量的置信区间。具体的计算方式为：通过对特征差异向量的特征值及分类器的权重进行累加，生成全局特征值，然后，根据预设的置信度区间，确定全局特征值落入了哪一个置信区间内，进而得到特征差异向量对应的置信区间。
1512、根据预设的分类映射列表和所述置信区间，生成所述目标传动装置的状态分类结果，其中，所述分类映射列表中记载不同置信区间与状态分类结果之间的映射关系。
根据置信区间查询预设的分类映射列表，分类映射表中记载了不同置信区间与状态分类结果之间的映射关系，因此，通过查询该分类映射列表就能够得到该置信区间对应的状态分类结果完成分类。例如，在一些实施方式中，置信区间为0-1表示目标传动装置运行正常，置信区间大于1则表示目标传动装置运行异常，进一步的进行细分，还能够确定出置信区间对应的不同异常类型，生成对应的状态分类结果。
在一些实施方式中，当确定目标传动装置的状态分类结果后，需要对目标传动装置进行调整，以使目标传动装置运行回归常态。请参阅图7，图7为本实施例根据状态分类结果调整目标传动装置的流程示意图。
如图7所示，S1500之后包括：
S1521、根据所述状态分类结果生成所述转动轴的位置调整距离和调整方向；
根据分类得到的状态分类结果，确定转动轴的调整距离和调整方向。当状态分类结果显示目标传动装置运行正常时，确定转动轴的调整距离为0，调整方向为任意；当状态分类的结果为打滑时，将传动轴的位置向绷紧传送带、皮带或者链条的方向移动一个单位距离；当状态分类的结果为绷紧时，将传动轴的位置向放松传送带、皮带或者链条的方向移动一个单位距离。
S1522、根据所述调整方向和调整距离调整所述转动轴的位置，以使所述目标传动装置的运行状态维持正常。
计算得到调整方向和调整距离后，通过驱动电机调整转动轴的位置。
通过调整位置，然后再进行运行状态监测的方式，使整个调整的过程形成一个闭环反馈的过程，进行不断的位置移动直至目标传动装置的运行状态为正常后，结束调整。采用本实施方式的技术方案，能够使目标传动装置自动完成故障排除，提高了目标传动装置的传动效率和使用效率。
为解决上述技术问题，本发明实施例还提供传动装置状态识别装置。具体请参阅图8，图8为本实施例传动装置状态识别装置基本结构示意图。
如图8所示，一种传动装置状态识别装置，包括：采集模块1100、抽帧模块1200、处理模块1300、计算模块1400和执行模块1500。其中，采集模块1100用于采集目标传送装置运行状态下的视频数据；抽帧模块1200用于根据预设的抽帧规则对所述视频数据进行抽帧处理，生成多张目标帧图；处理模块1300用于将所述目标帧图分别输入至预设的状态识别模型的多个特征通道内，进行特征提取生成多个特征向量，其中，所述状态识别模型的特征通道数量与目标帧图的数量相同；计算模块1400用于通过对所述多个特征向量进行差异性计算，生成所述目标传送装置在不同时间内的特征差异向量；执行模块1500用于基于所述特征差异向量对所述目标传送装置的运行状态进行分类，生成所述目标传送装置的状态分类结果。
传动装置状态识别装置通过对运行状态的传动设备进行视频拍摄，并对拍摄的视频数据进行抽帧处理，得到多张用于表现传动设备运行的多张目标帧图，再通过多通道状态识别模型分别对多张目标帧图的特征向量进行提取。基于提取得到的多个特征向量，进行不同运动时刻之间的特征差异性计算，得到不同特征向量之间的特征差异向量，然后，对特征差异向量进行分类得到传动装置的状态分类结果，从而得知传动装置是否处于低效率工作状态。该方法通过图像处理技术，快速的识别出传动装置的工作状态，能够有效的避免传动装置的低效率运行时长，提高了机械设备的工作效率。
在一些实施方式中，所述传动装置状态识别装置，还包括：第一获取子模块、第一比对子模块和第一执行子模块。其中，第一获取子模块用于获取所述目标传送装置运行状态下的扭矩数据，其中，所述扭矩数据通过设置在所述目标传送装置转动轴位置处的扭矩传感器采集；第一比对子模块用于将所述扭矩数据与预设的扭矩阈值区间进行比对；第一执行子模块用于当所述扭矩数据表征的数值未落入所述扭矩阈值区间内时，激活处于待机状态的影像采集装置，并采集所述视频数据。
在一些实施方式中，所述传动装置状态识别装置，还包括：第一采集子模块、第一处理子模块和第一抽帧子模块。其中，第一采集子模块用于采集所述目标传送装置的传送速度；第一处理子模块用于根据所述传送速度和预设的抽帧映射列表，生成抽帧间隔，其中，所述抽帧映射列表中记载传送速度与抽帧间隔之间的映射关系；第一抽帧子模块用于根据所述抽帧间隔对所述视频数据进行抽帧处理，生成所述多张目标帧图。
在一些实施方式中，所述传动装置状态识别装置，还包括：第二获取子模块、第一调用子模块、第二处理子模块和第一同步子模块。其中，第二获取子模块用于获取所述目标帧图的帧图数量；第一调用子模块用于根据所述帧图数量在预设的通道数据库内，调用与所述帧图数量相同的多个特征通道；第二处理子模块用于随机挑选所述多个特征通道中的一个特征通道为目标特征通道，并提取所述目标特征通道的参数数据；第一同步子模块用于将所述参数数据同步至所述多个特征通道中，以使所述多个特征通道具有相同的参数数据。
在一些实施方式中，所述传动装置状态识别装置，还包括：第一计算子模块、第一拼接子模块和第二计算子模块。其中，第一计算子模块用于对所述多个特征向量中的相邻特征向量进行矩阵相减运算，生成至少两个差异特征矩阵；第一拼接子模块用于对所述至少两个差异特征矩阵进行拼接生成全量差异特征矩阵；第二计算子模块用于将所述全量差异特征矩阵进行转置生成转置矩阵，并将所述全量差异特征矩阵与所述转置矩阵进行点积，生成所述特征差异向量。
在一些实施方式中，所述传动装置状态识别装置，还包括：第三计算子模块和第一分类子模块。其中，第三计算子模块用于将所述特征差异向量输入至预设的分类器中，计算所述特征差异向量的置信度；第一分类子模块用于根据预设的分类映射列表和所述置信度，生成所述目标传送装置的状态分类结果，其中，所述分类映射列表中记载不同置信度与状态分类结果之间的映射关系。
在一些实施方式中，所述传动装置状态识别装置，还包括：第三处理子模块和第二执行子模块。其中，第三处理子模块用于根据所述状态分类结果生成所述转动轴的位置调整距离和调整方向；第二执行子模块用于根据所述调整方向和调整距离调整所述转动轴的位置，以使所述目标传送装置的运行状态维持正常。
为解决上述技术问题，本发明实施例还提供计算机设备。具体请参阅图9，图9为本实施例计算机设备基本结构框图。
如图9所示，计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种传动装置状态识别方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种传动装置状态识别方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施方式中处理器用于执行图8中采集模块1100、抽帧模块1200、处理模块1300、计算模块1400和执行模块1500的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有传动装置状态识别装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
计算机设备通过对运行状态的传动设备进行视频拍摄，并对拍摄的视频数据进行抽帧处理，得到多张用于表现传动设备运行的多张目标帧图，再通过多通道状态识别模型分别对多张目标帧图的特征向量进行提取。基于提取得到的多个特征向量，进行不同运动时刻之间的特征差异性计算，得到不同特征向量之间的特征差异向量，然后，对特征差异向量进行分类得到传动装置的状态分类结果，从而得知传动装置是否处于低效率工作状态。该方法通过图像处理技术，快速的识别出传动装置的工作状态，能够有效的避免传动装置的低效率运行时长，提高了机械设备的工作效率。
本发明还提供一种计算机存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例传动装置状态识别方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
本发明还提供一种计算机存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例传动装置状态识别方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种传动装置状态识别方法，其特征在于，包括：
采集目标传送装置运行状态下的视频数据；
根据预设的抽帧规则对所述视频数据进行抽帧处理，生成多张目标帧图；
将所述目标帧图分别输入至预设的状态识别模型的多个特征通道内，进行特征提取生成多个特征向量，其中，所述状态识别模型的特征通道数量与目标帧图的数量相同；
通过对所述多个特征向量进行差异性计算，生成所述目标传送装置在不同时间内的特征差异向量；
基于所述特征差异向量对所述目标传送装置的运行状态进行分类，生成所述目标传送装置的状态分类结果。
2.根据权利要求1所述的传动装置状态识别方法，其特征在于，所述采集目标传送装置运行状态下的视频数据包括：
获取所述目标传送装置运行状态下的扭矩数据，其中，所述扭矩数据通过设置在所述目标传送装置转动轴位置处的扭矩传感器采集；
将所述扭矩数据与预设的扭矩阈值区间进行比对；
当所述扭矩数据表征的数值未落入所述扭矩阈值区间内时，激活处于待机状态的影像采集装置，并采集所述视频数据。
3.根据权利要求1所述的传动装置状态识别方法，其特征在于，所述根据预设的抽帧规则对所述视频数据进行抽帧处理，生成多张目标帧图包括：
采集所述目标传送装置的传送速度；
根据所述传送速度和预设的抽帧映射列表，生成抽帧间隔，其中，所述抽帧映射列表中记载传送速度与抽帧间隔之间的映射关系；
根据所述抽帧间隔对所述视频数据进行抽帧处理，生成所述多张目标帧图。
4.根据权利要求1所述的传动装置状态识别方法，其特征在于，所述将所述目标帧图分别输入至预设的状态识别模型的多个特征通道内，进行特征提取生成多个特征向量之前，包括：
获取所述目标帧图的帧图数量；
根据所述帧图数量在预设的通道数据库内，调用与所述帧图数量相同的多个特征通道；
随机挑选所述多个特征通道中的一个特征通道为目标特征通道，并提取所述目标特征通道的参数数据；
将所述参数数据同步至所述多个特征通道中，以使所述多个特征通道具有相同的参数数据。
5.根据权利要求1所述的传动装置状态识别方法，其特征在于，所述通过对所述多个特征向量进行差异性计算，生成所述目标传送装置在不同时间内的特征差异向量包括：
对所述多个特征向量中的相邻特征向量进行矩阵相减运算，生成至少两个差异特征矩阵；
对所述至少两个差异特征矩阵进行拼接生成全量差异特征矩阵；
将所述全量差异特征矩阵进行转置生成转置矩阵，并将所述全量差异特征矩阵与所述转置矩阵进行点积，生成所述特征差异向量。
6.根据权利要求1所述的传动装置状态识别方法，其特征在于，所述基于所述特征差异向量对所述目标传送装置的运行状态进行分类，生成所述目标传送装置的状态分类结果包括：
将所述特征差异向量输入至预设的分类器中，计算所述特征差异向量的置信度；
根据预设的分类映射列表和所述置信度，生成所述目标传送装置的状态分类结果，其中，所述分类映射列表中记载不同置信度与状态分类结果之间的映射关系。
7.根据权利要求2所述的传动装置状态识别方法，其特征在于，所述基于所述特征差异向量对所述目标传送装置的运行状态进行分类，生成所述目标传送装置的状态分类结果之后，包括：
根据所述状态分类结果生成所述转动轴的位置调整距离和调整方向；
根据所述调整方向和调整距离调整所述转动轴的位置，以使所述目标传送装置的运行状态维持正常。
8.一种传动装置状态识别装置，其特征在于，包括：
采集模块，用于采集目标传送装置运行状态下的视频数据；
抽帧模块，用于根据预设的抽帧规则对所述视频数据进行抽帧处理，生成多张目标帧图；
处理模块，用于将所述目标帧图分别输入至预设的状态识别模型的多个特征通道内，进行特征提取生成多个特征向量，其中，所述状态识别模型的特征通道数量与目标帧图的数量相同；
计算模块，用于通过对所述多个特征向量进行差异性计算，生成所述目标传送装置在不同时间内的特征差异向量；
执行模块，用于基于所述特征差异向量对所述目标传送装置的运行状态进行分类，生成所述目标传送装置的状态分类结果。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述传动装置状态识别方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述传动装置状态识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110984498.XA CN113657338A (zh) | 2021-08-25 | 2021-08-25 | 传动装置状态识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110984498.XA CN113657338A (zh) | 2021-08-25 | 2021-08-25 | 传动装置状态识别方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113657338A true CN113657338A (zh) | 2021-11-16 |
Family
ID=78482030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110984498.XA Pending CN113657338A (zh) | 2021-08-25 | 2021-08-25 | 传动装置状态识别方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657338A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109994116A (zh) * | 2019-03-11 | 2019-07-09 | 南京邮电大学 | 一种基于会议场景小样本条件下的声纹准确识别方法 |
| CN110263216A (zh) * | 2019-06-13 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 一种视频分类的方法、视频分类模型训练的方法及装置 |
| CN110969066A (zh) * | 2018-09-30 | 2020-04-07 | 北京金山云网络技术有限公司 | 直播视频的识别方法、装置及电子设备 |
| CN111179230A (zh) * | 2019-12-18 | 2020-05-19 | 星际空间（天津）科技发展有限公司 | 遥感影像对比变化检测方法、装置、存储介质及电子设备 |
| CN111310817A (zh) * | 2020-02-10 | 2020-06-19 | 深圳大学 | 谱聚类方法、装置、系统、计算机设备和存储介质 |
| CN111523347A (zh) * | 2019-02-01 | 2020-08-11 | 北京奇虎科技有限公司 | 图像侦测方法、装置、计算机设备及存储介质 |
| CN111554268A (zh) * | 2020-07-13 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 基于语言模型的语言识别方法、文本分类方法和装置 |
| CN111914789A (zh) * | 2020-08-13 | 2020-11-10 | 杭州云笔智能科技有限公司 | 一种确定目标设备运行状态的方法和系统 |
| CN113132690A (zh) * | 2021-04-22 | 2021-07-16 | 北京房江湖科技有限公司 | 施工过程视频的生成方法、装置以及电子设备、存储介质 |
-
2021
- 2021-08-25 CN CN202110984498.XA patent/CN113657338A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969066A (zh) * | 2018-09-30 | 2020-04-07 | 北京金山云网络技术有限公司 | 直播视频的识别方法、装置及电子设备 |
| CN111523347A (zh) * | 2019-02-01 | 2020-08-11 | 北京奇虎科技有限公司 | 图像侦测方法、装置、计算机设备及存储介质 |
| CN109994116A (zh) * | 2019-03-11 | 2019-07-09 | 南京邮电大学 | 一种基于会议场景小样本条件下的声纹准确识别方法 |
| CN110263216A (zh) * | 2019-06-13 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 一种视频分类的方法、视频分类模型训练的方法及装置 |
| CN111179230A (zh) * | 2019-12-18 | 2020-05-19 | 星际空间（天津）科技发展有限公司 | 遥感影像对比变化检测方法、装置、存储介质及电子设备 |
| CN111310817A (zh) * | 2020-02-10 | 2020-06-19 | 深圳大学 | 谱聚类方法、装置、系统、计算机设备和存储介质 |
| CN111554268A (zh) * | 2020-07-13 | 2020-08-18 | 腾讯科技（深圳）有限公司 | 基于语言模型的语言识别方法、文本分类方法和装置 |
| CN111914789A (zh) * | 2020-08-13 | 2020-11-10 | 杭州云笔智能科技有限公司 | 一种确定目标设备运行状态的方法和系统 |
| CN113132690A (zh) * | 2021-04-22 | 2021-07-16 | 北京房江湖科技有限公司 | 施工过程视频的生成方法、装置以及电子设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111523347A (zh) | 图像侦测方法、装置、计算机设备及存储介质 | |
| CN111177095A (zh) | 日志分析方法、装置、计算机设备及存储介质 | |
| CN111178456A (zh) | 异常指标检测方法、装置、计算机设备和存储介质 | |
| CN111325051B (zh) | 一种基于人脸图像roi选取的人脸识别方法及装置 | |
| Yan et al. | SeTraStream: semantic-aware trajectory construction over streaming movement data | |
| CN115013298B (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
| CN112580512B (zh) | 一种基于通道裁剪的轻量级无人机目标检测方法 | |
| US11416717B2 (en) | Classification model building apparatus and classification model building method thereof | |
| CN102375987B (zh) | 图像处理设备及图像特征向量提取与图像匹配方法 | |
| CN111488855A (zh) | 疲劳驾驶检测方法、装置、计算机设备和存储介质 | |
| Dai et al. | Respire: Reducing spatial–temporal redundancy for efficient edge-based industrial video analytics | |
| CN111507138A (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
| CN109117771B (zh) | 一种基于锚节点的图像中暴力事件检测系统及方法 | |
| CN114529583B (zh) | 基于残差回归网络的电力设备跟踪方法及跟踪系统 | |
| CN111582356B (zh) | 一种目标信息统一表示及关联方法 | |
| CN110555120A (zh) | 图片压缩控制方法、装置、计算机设备及存储介质 | |
| CN108446688B (zh) | 人脸图像性别判断方法、装置、计算机设备及存储介质 | |
| CN113657338A (zh) | 传动装置状态识别方法、装置、计算机设备及存储介质 | |
| CN108596068B (zh) | 一种动作识别的方法和装置 | |
| CN110705971A (zh) | 基于深度学习的考勤管理系统及方法 | |
| CN112464989B (zh) | 一种基于目标检测网络的闭环检测方法 | |
| CN107193965B (zh) | 一种基于BoVW算法的快速室内定位方法 | |
| CN115393618A (zh) | 基于改进YOLOv5的小样本野生动物检测方法 | |
| CN113554034A (zh) | 关键点检测模型构建方法、检测方法、装置、设备及介质 | |
| CN102143378B (zh) | 一种图像品质的判断方法 |
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 |