CN113804470A - 一种穴盘育苗流水线的故障检测反馈方法 - Google Patents

一种穴盘育苗流水线的故障检测反馈方法 Download PDF

Info

Publication number
CN113804470A
CN113804470A CN202110945033.3A CN202110945033A CN113804470A CN 113804470 A CN113804470 A CN 113804470A CN 202110945033 A CN202110945033 A CN 202110945033A CN 113804470 A CN113804470 A CN 113804470A
Authority
CN
China
Prior art keywords
plug
fault detection
value
feedback method
clustering
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.)
Granted
Application number
CN202110945033.3A
Other languages
English (en)
Other versions
CN113804470B (zh
Inventor
吴玺志
杜明昊
郝凤琦
白金强
唐勇伟
程大全
张晓捷
李秀华
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.)
Qilu University of Technology
Shandong Computer Science Center National Super Computing Center in Jinan
Original Assignee
Shandong Computer Science Center National Super Computing Center in Jinan
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 Shandong Computer Science Center National Super Computing Center in Jinan filed Critical Shandong Computer Science Center National Super Computing Center in Jinan
Publication of CN113804470A publication Critical patent/CN113804470A/zh
Application granted granted Critical
Publication of CN113804470B publication Critical patent/CN113804470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sowing (AREA)
  • Pretreatment Of Seeds And Plants (AREA)
  • Cultivation Receptacles Or Flower-Pots, Or Pots For Seedlings (AREA)

Abstract

一种穴盘育苗流水线的故障检测反馈方法，包括：五级流水线故障检测反馈方法。本发明基于智能补种机构，重点利用穴盘图像的识别结果，对流水线的组成部分进行故障诊断。提出基于五级流水线思想的故障检测反馈方法和基于Grubbs算法的故障检测方法，分别从播种密度和播种率两个方面进行故障检测，能够有效发现流水线补种环节前的故障并及时反馈，能够改善流水线运行环境，提高播种精度和育苗效率。本发明可应用于其他使用穴盘的流水线中，适应性强。

Description

一种穴盘育苗流水线的故障检测反馈方法
技术领域
本发明公开一种穴盘育苗流水线的故障检测反馈方法，属于智慧农业机械智能检测的技术领域。
背景技术
穴盘育苗是一穴一粒，一次性成苗的现代化育苗技术，具有生产效率高、成活率高、适合运输和移栽、便于管理的优点，已成为许多国家专业化商品苗生产的主要方式。如附图1所示，此类成套设备可将基质装盘、轮压成穴、滚筒播种、智能补种、基质覆盖和喷洒浇水等多道工序，在一条流水作业线上自动完成。如附图2所示，从左到右分别为基质装盘装置、轮压成穴装置和滚筒播种装置。由于在穴盘育苗流水线过程中机械装置不间断的运转，容易出现因长时间工作而导致的磨损、异常等工作状态，如果未能及时发现并修复将影响后续流水线的正常工作。而在实际流水线过程中，往往难以察觉流水线某一环节的异常情况，导致播种精度不高，育苗效率较低的问题。
发明内容
针对现有技术的问题，本发明公开一种穴盘育苗流水线的故障检测反馈方法。
本发明的概述：
如附图3所示，本发明将对“自动化补种”的前级“滚筒播种”环节进行故障检测。首先利用“自动化补种”环节的工业相机对穴盘进行图像识别，以识别出空穴位置，然后利用本发明所述方法对识别出空穴位置进行故障诊断，以便发现流水线“滚筒播种”环节的异常情况，从而改善流水线运行环境，提高育苗效率。所述方法包括基于五级流水线的故障检测和基于Grubbs算法的故障检测，分别从播种密度和播种率两个方面进行故障检测：既可以直接采用五级流水线方法进行故障定位；也可以，先采用Grubbs算法确定空穴率低的穴盘，其次采用五级流水线方法进行故障定位，能利用有限的处理器资源提高故障检测的准确率。本发明可应用于其他使用穴盘的流水线中，具有较强的适应性。
本发明详细的技术方案如下：
一种穴盘育苗流水线的故障检测反馈方法，其特征在于，包括：五级流水线故障检测反馈方法，具体包括取指(IF)、译码(ID)、执行(EX)、访存(MEM)与回写(WB)，本发明采用此技术特征是基于5级流水线故障检测反馈执行过程，大幅度提高指令的执行速度，即：当穴盘育苗流水线运行时，基于五级流水线思想的故障检测反馈方法如附图4所示，此方法可以分段执行不同的操作，提高了故障检测的效率；
所述取指，用于根据穴盘的图像识别结果，得到一个表示空穴位置的二维数组array[x][y]，所述x、y维数值与穴盘的格数对应，0表示空穴，用1表示非空穴；
所述译码，用于所述二位数组进行译码操作，转化为用于聚类的坐标值，规则如下：将穴盘置于二维坐标空间中，穴盘的行对应X轴，穴盘的列对应Y轴，每个穴孔都有唯一的二维坐标值；
所述执行，用于对译码后生成的数据集采用引入核函数的Mean-shift(即：均值迁移)聚类算法进行聚类操作，该算法广泛应用于聚类、图像平滑、图像分割、目标跟踪等方面：
首先，随机选取二维坐标系中的空穴点为圆心，r为半径，在该半径范围内具有样本向量，求得所述圆心到所有样本向量的加权平均向量；
然后，以圆心与加权平均向量的和为新的圆心，反复迭代，直到新的圆心不再变化，聚类操作完成；
其中，在r为半径的范围Sr内，为了使任意样本点对于样本X的贡献不同，在Mean-Shift向量形式中增加核函数，其中加入核函数后的Mean Shift向量形式表示为：
Figure BDA0003216459940000021
在公式(I)中，
Figure BDA0003216459940000022
为核函数，Sr为待聚类的数据集；
所述访存，用于将聚类结果保存，供后续故障检测反馈使用；所述聚类结果包括聚类后数据集大小、聚类数目、聚类中心点；
所述回写，用于将得到的聚类中心点进行一次曲线拟合，在曲线附近的1个穴孔范围内，当空穴数大于等于N时，则判断补种环节前的流水线发生故障。此处的N值可以是预设值，也可以是经验值，即可以通过前期流水线发生故障时所述在曲线附近的1个穴孔范围内对应空穴数N来确定，优选的，所述N为5。
根据本发明优选的，所述穴盘育苗流水线的故障检测反馈方法，还包括：
在所述五级流水线故障检测反馈方法之前，还包括基于Grubbs算法的故障检测反馈方法：
一组数据集中，如果某些数据偏离平均值很远，那么此类数据称作“可疑值”，可以用统计学方法进行判断，从数据集中找出这些“异常值”。在穴盘育苗流水线中统计每个穴盘的播种率，若出现异常播种率(低播种率)则可判定补种环节前的流水线发生故障，需要进行反馈；
数据获取：获取穴盘的播种率；
计算播种的平均值
Figure BDA0003216459940000023
和标准差σ；
计算Gi：
Figure BDA0003216459940000031
确定检出水平α：为了确保结果的可信度，设定检出水平α＝0.05，则置信概率P＝0.95；
判断是否为可疑值：通过查询格拉布斯表，获得置信概率为P和样本大小M处的临界值，所述样本大小M为穴盘的个数；
若Gi＞临界值则为可疑值；
将所有样本数据按照上述步骤计算是否为可疑值，所述样本数据是指穴盘上的空穴：
若为可疑值，则需要进行反馈；
若针对不同穴盘连续n次判定，所述空穴存在可疑值时，且可疑值小于平均值，则有p＝1-αn的几率可确定播种环节出现故障，其中α为检出水平。
本发明的优势在于：
1、本发明基于智能补种机构，重点利用穴盘图像的识别结果，对流水线的组成部分进行故障诊断。提出基于五级流水线思想的故障检测反馈方法和基于Grubbs算法的故障检测方法，分别从播种密度和播种率两个方面进行故障检测，能够有效发现流水线补种环节前的故障并及时反馈，能够改善流水线运行环境，提高播种精度和育苗效率。本发明可应用于其他使用穴盘的流水线中，适应性强。
2、本发明提出了引入核函数的Mean-shift聚类算法对空穴进行聚类分析，然后对聚类中心进行曲线拟合，通过判断在曲线附近的1个穴孔范围内，空穴数是否大于等于预设数值N，确定流水线播种环节是否发生故障，故障检测置信度高。
附图说明
图1穴盘育苗流水线过程示意图；
图2a、2b和2c分别是穴盘育苗流水线实物展示图，其中图2a基质装盘装置实物图；图2b是轮压成穴装置实物图；图2c是滚筒播种装置实物图；
图3本发明的补种机构在穴盘育苗环节中的位置示意图；
图4是本发明中基于五级流水线的故障检测反馈执行过程，行标记：表示运行时间，即各个穴盘在流水线中所在该时刻所对应的子阶段；列标记：表示某个穴盘，即流水线依次处理的穴盘编号；
图5是本发明所述方法中的空穴译码示意图，行标记与列标记分别为穴孔在穴盘位置中的横纵坐标值；提高执行速度的原理：当穴盘连续出现时，让不同阶段的操作重叠，从而实现多步并行处理，以加速程序运行过程；
图6是Mean-shift聚类操作示意图，横坐标与纵坐标分别对应穴孔在穴盘位置中的实际位置；
图7是曲线拟合示意图；
图8是应用例1中空穴分布图；
图9是应用例1中所述曲线拟合示意图；
图10是应用例2中空穴分布图；
图11是应用例2中所述曲线拟合示意图；
在图5-11中，所述横纵坐标与穴盘的实际位置相对应，横坐标对应穴盘的行数，列坐标对应穴盘的列数。
具体实施方式
下面结合实施例和说明书附图对本发明做详细的说明，但不限于此。
实施例1、
一种穴盘育苗流水线的故障检测反馈方法，包括：五级流水线故障检测反馈方法，具体包括取指(IF)、译码(ID)、执行(EX)、访存(MEM)与回写(WB)，本发明采用此技术特征是基于五级流水线故障检测反馈执行过程，大幅度提高指令的执行速度，即：当穴盘育苗流水线运行时，基于五级流水线思想的故障检测反馈方法如附图4所示，此方法可以分段执行不同的操作，提高了故障检测的效率；
所述取指，用于根据穴盘的图像识别结果，得到一个表示空穴位置的二维数组array[x][y]，所述x、y维数值与穴盘的格数对应，0表示空穴，用1表示非空穴，从穴盘识别结果中得到的二维数组相当于取指令操作；
所述译码，用于所述二位数组进行译码操作，转化为用于聚类的坐标值，规则如下：将穴盘置于二维坐标空间中，穴盘的行对应X轴，穴盘的列对应Y轴，每个穴孔都有唯一的二维坐标值，如附图5所示的空穴位置可转化为坐标(0,3)、(4,3)、(5,0)、(6,2)、(6,3)、(9,3)、(9,4)、(11,6)、(14,3)，上述坐标值即为译码后将生成的待聚类数据集；
所述执行，用于对译码后生成的数据集采用引入核函数的Mean-shift聚类算法进行聚类操作：
首先，随机选取二维坐标系中的空穴点为圆心，r为半径，在该半径范围内具有样本向量，求得所述圆心到所有样本向量的加权平均向量；
然后，以圆心与加权平均向量的和为新的圆心，反复迭代，直到新的圆心不再变化，聚类操作完成；
其中，在r为半径的范围Sr内，为了使任意样本点对于样本X的贡献不同，在Mean-Shift向量形式中增加核函数，其中加入核函数后的Mean Shift向量形式表示为：
Figure BDA0003216459940000041
在公式(I)中，
Figure BDA0003216459940000051
为核函数，Sr为待聚类的数据集；对附图5利用上述聚类操作后得到如附图6所示的聚类图；
所述访存，用于将聚类结果保存，供后续故障检测反馈使用；所述聚类结果包括聚类后数据集大小、聚类数目、聚类中心点；
所述回写，用于将得到的聚类中心点进行一次曲线拟合，在曲线附近的1个穴孔范围内，当空穴数大于等于N时，则判断补种环节前的流水线发生故障。此处的N值可以是预设值，也可以是经验值，即可以通过前期流水线发生故障时所述在曲线附近的1个穴孔范围内对应空穴数N来确定，优选的，所述N为5。如附图7所示，为附图5、6穴盘经过分析后得到的拟合曲线示意图，判断补种环节前的流水线发生故障，经查看在穴盘育苗流水线在播种环节，滚筒对应位置因磨损或负压导致播种精度过低。
实施例2、
如实施例1所述的一种穴盘育苗流水线的故障检测反馈方法，还包括：在所述五级流水线故障检测反馈方法之前，还包括基于Grubbs算法的故障检测反馈方法：
数据获取：获取穴盘的播种率，已有10个穴盘的播种率，分别为：0.93,0.92,0.95,0.93,0.91,0.93,0.91,0.93,0.90,0.86；
计算播种的平均值
Figure BDA0003216459940000052
和标准差σ，计算上述数据的平均值
Figure BDA0003216459940000053
标准差σ＝0.025；
计算Gi：
Figure BDA0003216459940000054
那么上述数据得到的G10＝2.28；
确定检出水平α：为了确保结果的可信度，设定检出水平α＝0.05，则置信概率P＝0.95；
判断是否为可疑值：通过查询格拉布斯表，获得置信度概率P和样本大小M处的临界值G0.95(10)＝2.176，所述样本大小M为穴盘的个数；
若Gi＞临界值则为可疑值；Gi>G0.95(10)则为可疑值，上述数据的G10>G0.95(10)，可以判定为可疑值；
将所有样本数据按照上述步骤计算是否为可疑值，所述样本数据是指穴盘上的空穴：
若为可疑值，则需要进行反馈；
若针对不同穴盘连续n次判定，所述空穴存在可疑值时，且可疑值小于平均值，则有几率为p＝1-αn的可确定播种环节出现故障，其中α为检出水平。在本实施例中，若针对不同穴盘连续2次判定，所述空穴存在可疑值时，且可疑值小于平均值，99.75％的几率可确定播种环节出现故障。可疑值是过大或过小的值，可能比“穴盘平均空穴率”
Figure BDA0003216459940000061
高，高的话自然没出现故障，只有低于平均值才判定为故障。
利用本发明所述一种穴盘育苗流水线的故障检测反馈方法的实际应用如下：
应用例1、
某时刻通过Grubbs算法检测到异常值，此时的空穴分布如下图8所示：
若没有进一步分析，则会误判为故障；
若进行五级流水线故障反馈方法：则可判断在曲线上下一格范围内的空穴数少于5，属于正常漏播情况，如图9所示。
应用例2、
组合采用Grubbs算法和五级流水线故障反馈方法：
某时刻通过Grubbs算法检测到异常值，此时的空穴分布如附图10所示：
进行下一步的五级流水线故障反馈方法：则可判断在曲线上下一格范围内的空穴数大于5，属于故障情况，如图11所示。
根据本发明实施例和应用例总结如下：
(1)单独采用五级流水线故障反馈方法：
当空穴数低时,此时属于正常漏播情况，此时没必要进行五级流水线故障反馈方法。若依然采用五级流水线故障反馈方法，则造成了处理器资源浪费。
(2)单独采用Grubbs算法故障反馈方法：
当空穴数高且空穴在穴盘中较为分散时，也可能属于正常漏播情况，需要进一步通过五级流水线故障反馈方法。若没有进一步判断，则容易造成故障误判。
(3)组合采用Grubbs算法和五级流水线故障反馈方法：
只有空穴数较高时通过五级流水线故障反馈方法进行处理，即避免了处理器资源浪费，又提高了故障检测的准确率。

Claims (2)

1.一种穴盘育苗流水线的故障检测反馈方法，其特征在于，包括：五级流水线故障检测反馈方法，具体包括取指、译码、执行、访存与回写；
所述取指，用于根据穴盘的图像识别结果，得到一个表示空穴位置的二维数组array[x][y]，所述x、y维数值与穴盘的格数对应，0表示空穴，用1表示非空穴；
所述译码，用于所述二位数组进行译码操作，转化为用于聚类的坐标值，规则如下：将穴盘置于二维坐标空间中，穴盘的行对应X轴，穴盘的列对应Y轴，每个穴孔都有唯一的二维坐标值；
所述执行，用于对译码后生成的数据集采用引入核函数的Mean-shift聚类算法进行聚类操作：
首先，随机选取二维坐标系中的空穴点为圆心，r为半径，在该半径范围内具有样本向量，求得所述圆心到所有样本向量的加权平均向量；
然后，以圆心与加权平均向量的和为新的圆心，反复迭代，直到新的圆心不再变化，聚类操作完成；
其中，在r为半径的范围Sr内，为了使任意样本点对于样本X的贡献不同，在Mean-Shift向量形式中增加核函数，其中加入核函数后的Mean Shift向量形式表示为：
Figure FDA0003216459930000011
在公式(I)中，
Figure FDA0003216459930000012
为核函数，Sr为待聚类的数据集；
所述访存，用于将聚类结果保存，供后续故障检测反馈使用；
所述回写，用于将得到的聚类中心点进行一次曲线拟合，在曲线附近的1个穴孔范围内，当空穴数大于等于N时，则判断补种环节前的流水线发生故障。
2.根据权利要求1所述一种穴盘育苗流水线的故障检测反馈方法，其特征在于，所述穴盘育苗流水线的故障检测反馈方法，还包括：
在所述五级流水线故障检测反馈方法之前，还包括基于Grubbs算法的故障检测反馈方法：
数据获取：获取穴盘的播种率；
计算播种的平均值
Figure FDA0003216459930000014
和标准差σ；
计算Gi：
Figure FDA0003216459930000013
确定检出水平α：设定检出水平α＝0.05，则置信概率P＝0.95；
判断是否为可疑值：通过查询格拉布斯表，获得置信度概率P和样本大小M处的临界值，所述样本大小M为穴盘的个数；
若Gi＞临界值则为可疑值；
将所有样本数据按照上述步骤计算是否为可疑值，所述样本数据是指穴盘上的空穴：
若为可疑值，则需要进行反馈；
若针对不同穴盘连续n次判定，所述空穴存在可疑值时，且可疑值小于平均值，则有p＝1-αn可确定播种环节出现故障，其中α为检出水平。
CN202110945033.3A 2021-04-14 2021-08-17 一种穴盘育苗流水线的故障检测反馈方法 Active CN113804470B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021104012031 2021-04-14
CN202110401203 2021-04-14

Publications (2)

Publication Number Publication Date
CN113804470A true CN113804470A (zh) 2021-12-17
CN113804470B CN113804470B (zh) 2023-12-01

Family

ID=78893775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110945033.3A Active CN113804470B (zh) 2021-04-14 2021-08-17 一种穴盘育苗流水线的故障检测反馈方法

Country Status (1)

Country Link
CN (1) CN113804470B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360282A (zh) * 2011-09-26 2012-02-22 杭州中天微系统有限公司 快速处置分支指令预测错误的流水线处理器装置
CN103822793A (zh) * 2014-01-20 2014-05-28 北京邮电大学 一种复杂设备声学故障识别定位方法
US20140303931A1 (en) * 2005-12-28 2014-10-09 Takashi Suzuki Information processing apparatus and apparatus for evaluating whether an information processing method is possible
CN105784393A (zh) * 2016-01-20 2016-07-20 石河子大学 一种移栽机试验台性能检测系统
CN107271187A (zh) * 2017-08-09 2017-10-20 西华大学 一种对汽车变速器轴承故障进行定量诊断的方法
CN107463898A (zh) * 2017-08-01 2017-12-12 闽江学院 基于视觉传感网络的舞台表演行为异常监控方法
WO2019020028A1 (zh) * 2017-07-26 2019-01-31 华为技术有限公司 共享资源分配方法及装置
CN109472317A (zh) * 2018-11-22 2019-03-15 哈尔滨工业大学 多维信号的实时故障检测与实时故障隔离方法
US20200160061A1 (en) * 2017-12-11 2020-05-21 Zhuhai Da Hengqin Technology Development Co., Ltd. Automatic ship tracking method and system based on deep learning network and mean shift
CN111207912A (zh) * 2020-02-28 2020-05-29 齐鲁工业大学 光学元件散射光束的空间分布检测方法
WO2020170391A1 (ja) * 2019-02-21 2020-08-27 日本電気株式会社 学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体
CN111656788A (zh) * 2018-01-29 2020-09-11 Vid拓展公司 低复杂度的帧速率上变换
CN112527999A (zh) * 2020-12-22 2021-03-19 江苏省农业科学院 引入农业领域知识的抽取式智能问答方法及系统
US20220276235A1 (en) * 2019-07-18 2022-09-01 Essenlix Corporation Imaging based homogeneous assay

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140303931A1 (en) * 2005-12-28 2014-10-09 Takashi Suzuki Information processing apparatus and apparatus for evaluating whether an information processing method is possible
CN102360282A (zh) * 2011-09-26 2012-02-22 杭州中天微系统有限公司 快速处置分支指令预测错误的流水线处理器装置
CN103822793A (zh) * 2014-01-20 2014-05-28 北京邮电大学 一种复杂设备声学故障识别定位方法
CN105784393A (zh) * 2016-01-20 2016-07-20 石河子大学 一种移栽机试验台性能检测系统
WO2019020028A1 (zh) * 2017-07-26 2019-01-31 华为技术有限公司 共享资源分配方法及装置
CN107463898A (zh) * 2017-08-01 2017-12-12 闽江学院 基于视觉传感网络的舞台表演行为异常监控方法
CN107271187A (zh) * 2017-08-09 2017-10-20 西华大学 一种对汽车变速器轴承故障进行定量诊断的方法
US20200160061A1 (en) * 2017-12-11 2020-05-21 Zhuhai Da Hengqin Technology Development Co., Ltd. Automatic ship tracking method and system based on deep learning network and mean shift
CN111656788A (zh) * 2018-01-29 2020-09-11 Vid拓展公司 低复杂度的帧速率上变换
CN109472317A (zh) * 2018-11-22 2019-03-15 哈尔滨工业大学 多维信号的实时故障检测与实时故障隔离方法
WO2020170391A1 (ja) * 2019-02-21 2020-08-27 日本電気株式会社 学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体
US20220276235A1 (en) * 2019-07-18 2022-09-01 Essenlix Corporation Imaging based homogeneous assay
CN111207912A (zh) * 2020-02-28 2020-05-29 齐鲁工业大学 光学元件散射光束的空间分布检测方法
CN112527999A (zh) * 2020-12-22 2021-03-19 江苏省农业科学院 引入农业领域知识的抽取式智能问答方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李军利 等: "一种半监督SVDD-KFCM算法及其在轴承故障检测中的应用", 《计算机科学》, pages 134 - 137 *

Also Published As

Publication number Publication date
CN113804470B (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
Song et al. Kiwifruit detection in field images using Faster R-CNN with VGG16
CN111062278B (zh) 基于改进残差网络的异常行为识别方法
CN113838054B (zh) 基于人工智能的机械零件表面损伤检测方法
US11448570B2 (en) Method and system for unsupervised anomaly detection and accountability with majority voting for high-dimensional sensor data
CN111507261B (zh) 一种基于视觉目标定位的工序操作质量监控方法
CN104680509A (zh) 一种实时圆形印刷图像缺陷检测方法
CN111398176A (zh) 基于像元尺度特征的水体水色异常遥感识别方法和装置
CN112860183A (zh) 基于高阶矩匹配的多源蒸馏-迁移机械故障智能诊断方法
Zhao et al. Deep‐learning‐based automatic evaluation of rice seed germination rate
CN113804470A (zh) 一种穴盘育苗流水线的故障检测反馈方法
CN117392469B (zh) 基于机器视觉的钙钛矿电池表面涂膜检测方法及系统
CN112926592B (zh) 一种基于改进Fast算法的商标检索方法及装置
Lin et al. Citrus segmentation for automatic harvester combined with adaboost classifier and Leung-Malik filter bank
CN115690104B (zh) 一种晶圆裂缝检测方法、装置及存储介质
CN108960565B (zh) 柔性材料卷对卷加工设备的性能检测方法、系统及其组件
CN115878987A (zh) 一种基于贡献值和因果图的故障定位方法
Gurav et al. Prostate cancer detection using histopathology images and classification using improved RideNN
AU2021101682A4 (en) Automatic plant leaf disease diagnosis with machine learning and deep convolutional neural networks
CN115329902A (zh) 一种数控卷板机产品异常数据分析识别方法
EP4356313A1 (en) Analyzing measurement results of a communications network or other target system
CN112560039B (zh) 一种计算机安全防护方法
Yang et al. Convolutional autoencoder-based sensor fault classification
CN111258788A (zh) 磁盘故障预测方法、装置及计算机可读存储介质
Bo et al. Path recognition method of agricultural wheeled-mobile robot in shadow environment
CN113435309B (zh) 一种基于行向量网格分类的水稻秧苗行识别方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230111

Address after: No.19, shoukexueyuan Road, East Jingshi Road, Jinan City, Shandong Province

Applicant after: SHANDONG COMPUTER SCIENCE CENTER(NATIONAL SUPERCOMPUTER CENTER IN JINAN)

Applicant after: Qilu University of Technology

Address before: No.19, shoukexueyuan Road, East Jingshi Road, Jinan City, Shandong Province

Applicant before: SHANDONG COMPUTER SCIENCE CENTER(NATIONAL SUPERCOMPUTER CENTER IN JINAN)

GR01 Patent grant
GR01 Patent grant