CN113723521A - 一种电机异响识别方法和识别系统 - Google Patents
一种电机异响识别方法和识别系统 Download PDFInfo
- Publication number
- CN113723521A CN113723521A CN202111016341.4A CN202111016341A CN113723521A CN 113723521 A CN113723521 A CN 113723521A CN 202111016341 A CN202111016341 A CN 202111016341A CN 113723521 A CN113723521 A CN 113723521A
- Authority
- CN
- China
- Prior art keywords
- sound
- motor
- abnormal
- processing module
- abnormal sound
- 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.)
- Withdrawn
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000007405 data analysis Methods 0.000 claims abstract description 17
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 44
- 230000005236 sound signal Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 241001270131 Agaricus moelleri Species 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000000737 periodic effect Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 206010011878 Deafness Diseases 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 208000016354 hearing loss disease Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 231100000895 deafness Toxicity 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 231100000888 hearing loss Toxicity 0.000 description 1
- 230000010370 hearing loss Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000009427 motor defect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种电机异响识别方法及识别系统，一种电机异响识别方法包括步骤如下：音频采集、音频处理、图像读取和图像分析，识别系统包括声音采集存储模块、信号处理模块、图片处理模块、数据分析模块、机器视觉识别系统和中央处理模块；声音采集模块采集的声音输入信号处理模块，信号处理模块、图片处理模块、数据分析模块、机器视觉识别系统和中央处理模块保持数据交互，通过该系统完成电机异响识别方法。本发明进行异响识别，识别准确率高，识别速度快。
Description
技术领域
本发明涉及电机检测技术领域，尤其是指一种电机异响识别方法和识别系统。
背景技术
工业上制造出的电机，可能会存在机构上的问题或缺陷。其中一些缺陷无法用肉眼识别，根据经验，可用声学手段来识别此类缺陷。目前流行的声学方法是专业听音人员直接人耳听音，来判断电机工作时有无异响，并根据异响将其归类为某种缺陷类型。采用人耳听音的方法，主要有以下缺点：听觉感觉带有个人主观性，影响判断；异响的识别完全依赖于听音人员的经验，经验不同的人员之间存在较大差异；长期听音会导致听力损失甚至耳聋。
因此需要使用计算机自动识别电机音频异响的方法，来代替人耳听音。但现有的异响自动识别方法，在设计或实施时存在以下困难：
1、不同异响类型，其区别主要体现在信号的局部细节。由于电机音频的时域信号具有变化剧烈、易混有噪声等特点，难以观察到时域信号的局部细节；采用傅里叶变换可把信号从时域转换到频域进行观察，但傅里叶变换是一种全局变换，也不能用于信号的局部分析。因此传统的时域分析法和傅里叶变换法，都不适合进行异响识别。
2、对于电机异响，难以建立准确的数学模型来对其进行特征描述，导致计算机缺乏异响的判定准则。
发明内容
针对现有技术的不足，本发明公开了一种电机异响识别方法和识别系统。
本发明所采用的技术方案如下：
一种电机异响识别方法，包括以下步骤：
步骤S1：采集待测样品电机的工作中的声音，并保存为音频文件；
步骤S2：读取音频文件后，对音频信号进行短时傅里叶变换，通过对信号进行时域和频域的联合分析得到谱图；
步骤S3：将谱图去除坐标标尺后保存为图片，作为电机异响的特征图，读取特征图获得各像素的灰度；
步骤S4：将读取的特征图与已知类型异响的特征图进行图像匹配，利用灰度数据计算出相似度，根据相似度判定待测样品电机的异响类型；其中将已知类型异响的特征图作为模板，且基于灰度数据计算相似度的公式为：
其中，S(x,y)为待测样品电机的特征图上像素(x,y)的灰度，T(x，y)为模板上像素(x,y)的灰度，待测样品电机的特征图和模板的大小均为M×N像素，D为全部像素灰度的平均误差平方和。
其进一步的技术特征在于：在步骤S2中，短时傅里叶变换算法如下：
其中，t为时间，Ω为频率，x(t)为电机音频信号，g(τ)为一给定窗函数；STFTx(t，Ω)为信号的短时傅里叶变换，是(t，Ω)的二维函数；
对上式两边同时取模平方，有：
Sx(t，Ω)为电机音频信号x(t)的短时傅里叶谱或称为谱图，且是(t，Ω)的二维函数，将谱图表示为强度图的形式。
其进一步的技术特征在于：所述步骤S3中还包括：对读取的特征图进行预处理，将读取的特征图中需要的信号突出。
一种电机异响识别系统，包括
声音采集存储模块，用于采集待测样品电机的工作中的声音，并保存为音频文件；
信号处理模块，用于读取音频文件，对音频信号进行短时傅里叶变换，通过对信号进行时域和频域的联合分析得到谱图；
图片处理模块，用于将谱图去除坐标标尺后保存为图片，作为电机异响的特征图；
机器视觉识别系统，用于读取特征图获得各像素的灰度；
数据分析模块，用于读取的特征图与已知类型异响的特征图进行图像匹配，利用灰度数据计算出相似度，根据相似度判定待测样品电机的异响类型；其中将已知类型异响的特征图作为模板，且基于灰度数据计算相似度的公式为：
其中，S(x,y)为待测样品电机的特征图上像素(x,y)的灰度，T(x，y)为模板上像素(x,y)的灰度，待测样品电机的特征图和模板的大小均为M×N像素，D为全部像素灰度的平均误差平方和。
其进一步的技术特征在于：所述信号处理模块、所述数据分析模块、所述图片处理模块和所述机器视觉识别系统与中央处理模块保持数据交互；所述信号处理模块将谱图输入至所述图片处理模块；所述图片处理模块将特征图输入至所述机器视觉识别系统，所述机器视觉识别系统将图像灰度数据上传至所述数据分析模块，所述中央处理模块利用数据分析模块计算出的相似度进行对比分析并判别异响识别结果。
其进一步的技术特征在于：所述声音采集模块包括声音采集卡和传声器，所述传声器采集工作中的电机的声音，所述声音采集卡将所述传声器获取的音频信号转换为数字信号，经过DSP音效芯片处理，将所述数字信号转换为模拟信号输出。
其进一步的技术特征在于：所述机器视觉识别系统为图像摄取装置，用于特征图识别和建图。
其进一步的技术特征在于：所述数据分析模块用于执行算数运算或逻辑运算。
其进一步的技术特征在于：所述中央处理模块为采用STM32芯片。
本发明的上述技术方案相比现有技术具有以下优点：
1、本发明较大程度地排除了工业噪声的干扰，可以准确提取电机音频特征，并且根据异响识别出电机缺陷的类型。
2、本发明具有可反映信号局部细节、可自动利用判据进行异响识别、识别准确率高、识别速度快等特点。
3、本发明提取特征图作为判定准则，使得中央处理模块更容易接受和对比分析。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。
图1是本发明的识别方法的流程图。
图2是谱图表示为强度图的示意图。
图3是本发明的三种异响情况的特征图模板的示意图。
图4为待测样品A的特征图。
图5为待测样品B的特征图。
图6为待测样品C的特征图。
图7是本发明的识别系统的系统框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例1：
结合图1和图2，一种电机异响识别方法，包括以下步骤：
步骤S1：采集待测样品电机的工作中的电机声音，并保存为音频文件；
步骤S2：读取音频文件后，对音频信号进行短时傅里叶变换，通过对信号进行时域和频域的联合分析得到谱图；
短时傅里叶变换算法如下：
其中，t为时间，Ω为频率，x(t)为电机音频信号，g(τ)为一给定窗函数；STFTx(t，Ω)为信号的短时傅里叶变换，是(t，Ω)的二维函数；
对上式两边同时取模平方，有：
Sx(t，Ω)为电机音频信号x(t)的短时傅里叶谱或称为谱图，且是(t，Ω)的二维函数，将谱图表示为强度图的形式。
步骤S3：将谱图去除坐标标尺后保存为图片，作为电机异响的特征图，对读取的特征图进行预处理，将读取的特征图中需要的信号突出，预处理后的特征图获得各像素的灰度；
步骤S4：将读取的特征图与已知类型异响的特征图进行图像匹配，利用灰度数据计算出相似度，根据相似度判定待测样品电机的异响类型；其中将已知类型异响的特征图作为模板，且基于灰度数据计算相似度的公式为：
其中，S(x,y)为待测样品特征图上像素(x,y)的灰度，T(x，y)为模板上像素(x,y)的灰度，待测样品电机的特征图和模板的大小均为M×N像素，D为全部像素灰度的平均误差平方和；D越小，表明待测样品电机的特征图与模板的特征图相似度越高，判定待测样品电机的异响类型。
如图3所示，已知类型异响的异响情况有三种，包括无异响、瞬时尖锐异响和周期性异响，将异响情况的特征图作为模板。
如图4所示，将样品A分别与三个模板进行匹配，根据步骤S4中的公式计算得到的D值如下表1所示，其中无异响模板的D值最小，因此判定样品A的异响类型为无异响。
表1
| 无异响 | 瞬时尖锐异响 | 周期性异响 |
| 35.45 | 40.86 | 40.28 |
如图5所示，将样品B分别与三个模板进行匹配，根据步骤S4中的公式计算得到的D值如下表2所示，其中瞬时尖锐异响模板的D值最小，因此判定样品B的异响类型为瞬时尖锐异响。
表2
| 无异响 | 瞬时尖锐异响 | 周期性异响 |
| 40.42 | 35.30 | 39.95 |
如图6所示，将样品C分别与三个模板进行匹配，根据步骤S4中的公式计算得到的D值如下表3所示，其中周期性异响模板的D值最小，因此判定样品C的异响类型为周期性异响。
表3
| 无异响 | 瞬时尖锐异响 | 周期性异响 |
| 41.42 | 41.87 | 36.87 |
另外，一个可选实施例中，若对识别的结果不满意，可以更换一组模板，进行复判。
一个可选实施例中，被识别后的样品的特征图，可以添加到模板库中，成为可供使用的模板。
实施例2：
如图7所示，一种电机异响识别系统，包括：
声音采集存储模块，用于采集待测样品电机的工作中的声音，并保存为音频文件；声音采集模块包括声音采集卡和传声器，传声器采集工作中的电机的声音，声音采集卡将传声器获取的音频信号转换为数字信号，经过DSP音效芯片处理，将数字信号转换为模拟信号输出。
信号处理模块，用于读取音频文件，对音频信号进行短时傅里叶变换通过对信号进行时域和频域的联合分析得到谱图；
图片处理模块，用于将谱图去除坐标标尺后保存为bmp格式的图片，作为电机异响的特征图；
机器视觉识别系统，用于读取特征图获得各像素的灰度；具体地，机器视觉识别系统为图像摄取装置，用于特征图识别和建图。
数据分析模块，用于读取的特征图与已知类型异响的特征图进行图像匹配，利用灰度数据计算出相似度。数据分析模块用于执行算数运算或逻辑运算。
数据存储模块、信号处理模块、数据分析模块、图片处理模块和机器视觉识别系统与中央处理模块保持数据交互。优选地，中央处理模块为采用STM32芯片。信号处理模块将谱图输入至图片处理模块，图片处理模块将特征图输入至机器视觉识别系统，机器视觉识别系统将图像灰度数据上传至数据分析模块，中央处理模块利用数据分析模块计算出的相似度进行对比分析并判别异响识别结果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种电机异响识别方法，其特征在于包括以下步骤：
步骤S1：采集待测样品电机的工作中的声音，并保存为音频文件；
步骤S2：读取音频文件后，对音频信号进行短时傅里叶变换，通过对信号进行时域和频域的联合分析得到谱图；
步骤S3：将谱图去除坐标标尺后保存为图片，作为电机异响的特征图，读取特征图获得各像素的灰度；
步骤S4：将读取的特征图与已知类型异响的特征图进行图像匹配，利用灰度数据计算出相似度，根据相似度判定待测样品电机的异响类型；其中将已知类型异响的特征图作为模板，且基于灰度数据计算相似度的公式为：
其中，S(x,y)为待测样品电机的特征图上像素(x,y)的灰度，T(x，y)为模板上像素(x,y)的灰度，待测样品电机的特征图和模板的大小均为M×N像素，D为全部像素灰度的平均误差平方和。
2.根据权利要求1所述的电机异响识别方法，其特征在于：在步骤S2中，短时傅里叶变换算法如下：
其中，t为时间，Ω为频率，x(t)为电机音频信号，g(τ)为一给定窗函数；STFTx(t，Ω)为信号的短时傅里叶变换，是(t，Ω)的二维函数；
对上式两边同时取模平方，有：
Sx(t，Ω)为电机音频信号x(t)的短时傅里叶谱或称为谱图，且是(t，Ω)的二维函数，将谱图表示为强度图的形式。
3.根据权利要求1所述的电机异响识别方法，其特征在于：所述步骤S3中还包括：对读取的特征图进行预处理，将读取的特征图中需要的信号突出。
4.一种电机异响识别系统，其特征在于：包括
声音采集存储模块，用于采集待测样品电机的工作中的声音，并保存为音频文件；
信号处理模块，用于读取音频文件，对音频信号进行短时傅里叶变换，通过对信号进行时域和频域的联合分析得到谱图；
图片处理模块，用于将谱图去除坐标标尺后保存为图片，作为电机异响的特征图；
机器视觉识别系统，用于读取特征图获得各像素的灰度；
数据分析模块，用于读取的特征图与已知类型异响的特征图进行图像匹配，利用灰度数据计算出相似度，根据相似度判定待测样品电机的异响类型；其中将已知类型异响的特征图作为模板，且基于灰度数据计算相似度的公式为：
其中，S(x,y)为待测样品电机的特征图上像素(x,y)的灰度，T(x，y)为模板上像素(x,y)的灰度，待测样品电机的特征图和模板的大小均为M×N像素，D为全部像素灰度的平均误差平方和。
5.根据权利要求4所述的电机异响识别系统，其特征在于：所述信号处理模块、所述数据分析模块、所述图片处理模块和所述机器视觉识别系统与中央处理模块保持数据交互；所述信号处理模块将谱图输入至所述图片处理模块；所述图片处理模块将特征图输入至所述机器视觉识别系统，所述机器视觉识别系统将图像灰度数据上传至所述数据分析模块，所述中央处理模块利用数据分析模块计算出的相似度进行对比分析并判别异响识别结果。
6.根据权利要求4所述的电机异响识别系统，其特征在于：所述声音采集模块包括声音采集卡和传声器，所述传声器采集工作中的电机的声音，所述声音采集卡将所述传声器获取的音频信号转换为数字信号，经过DSP音效芯片处理，将所述数字信号转换为模拟信号输出。
7.根据权利要求4所述的电机异响识别系统，其特征在于：所述机器视觉识别系统为图像摄取装置，用于特征图识别和建图。
8.据权利要求4所述的电机异响识别系统，其特征在于：所述数据分析模块用于执行算数运算或逻辑运算。
9.根据权利要求5所述的电机异响识别系统，其特征在于：所述中央处理模块为采用STM32芯片。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111016341.4A CN113723521A (zh) | 2021-08-31 | 2021-08-31 | 一种电机异响识别方法和识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111016341.4A CN113723521A (zh) | 2021-08-31 | 2021-08-31 | 一种电机异响识别方法和识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113723521A true CN113723521A (zh) | 2021-11-30 |
Family
ID=78680080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111016341.4A Withdrawn CN113723521A (zh) | 2021-08-31 | 2021-08-31 | 一种电机异响识别方法和识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723521A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114719961A (zh) * | 2022-04-12 | 2022-07-08 | 树根互联股份有限公司 | 机器异响识别方法、装置、计算机设备及可读存储介质 |
| CN115602195A (zh) * | 2022-12-12 | 2023-01-13 | 杭州兆华电子股份有限公司（Cn） | 一种汽车后视镜电机转动异响测试的方法 |
-
2021
- 2021-08-31 CN CN202111016341.4A patent/CN113723521A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114719961A (zh) * | 2022-04-12 | 2022-07-08 | 树根互联股份有限公司 | 机器异响识别方法、装置、计算机设备及可读存储介质 |
| CN114719961B (zh) * | 2022-04-12 | 2024-05-31 | 树根互联股份有限公司 | 机器异响识别方法、装置、计算机设备及可读存储介质 |
| CN115602195A (zh) * | 2022-12-12 | 2023-01-13 | 杭州兆华电子股份有限公司（Cn） | 一种汽车后视镜电机转动异响测试的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113723521A (zh) | 一种电机异响识别方法和识别系统 | |
| CN105989836B (zh) | 一种语音采集方法、装置及终端设备 | |
| CN109060371A (zh) | 一种汽车零部件异响检测装置 | |
| CN110378618A (zh) | 基于在线烟丝表面缺陷检测的质量评价方法及系统 | |
| CN111508517A (zh) | 一种基于噪声特征的微电机智能品控方法 | |
| CN106952654A (zh) | 机器人降噪方法、装置及机器人 | |
| CN116563273B (zh) | 用于钢材缺陷的检测预警方法及系统 | |
| CN117116290B (zh) | 基于多维特征的数控机床部件缺陷定位方法和相关设备 | |
| CN111868823A (zh) | 一种声源分离方法、装置及设备 | |
| CN111256596B (zh) | 基于cv技术的尺寸测量方法、装置、计算机设备及介质 | |
| CN109997186B (zh) | 一种用于分类声环境的设备和方法 | |
| CN110988137A (zh) | 一种基于时频域特征的异音检测系统及方法 | |
| CN113820333A (zh) | 电池极片异常检测方法、装置、上位机及检测系统 | |
| CN114184684A (zh) | 一种刀具切削状态在线检测方法及系统 | |
| CN105916090A (zh) | 一种基于智能化语音识别技术的助听器系统 | |
| CN111710332A (zh) | 语音处理方法、装置、电子设备及存储介质 | |
| CN114242085A (zh) | 旋转设备的故障诊断方法、装置 | |
| CN115438698A (zh) | 一种基于图像处理的电力设备声音识别方法及系统 | |
| CN114566185A (zh) | 一种异响自动检测方法、设备及计算机可读存储介质 | |
| CN112419304B (zh) | 一种面向一维数据的多阶段目标检测方法及装置 | |
| CN113155271B (zh) | 声振检测方法、系统、终端及介质 | |
| CN115728382A (zh) | 水果成熟度检测方法、装置、设备及存储介质 | |
| CN106326882A (zh) | 一种基于图像质量评估技术的指纹识别系统及方法 | |
| CN116863957B (zh) | 工业设备运行状态的识别方法、装置、设备及存储介质 | |
| CN109613001B (zh) | 一种基于视觉传达的信号接收处理装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211130 |
|
| WW01 | Invention patent application withdrawn after publication |