CN114049300A - 一种基于目标检测的料场皮带堵料的检测方法 - Google Patents

一种基于目标检测的料场皮带堵料的检测方法 Download PDF

Info

Publication number
CN114049300A
CN114049300A CN202111182045.1A CN202111182045A CN114049300A CN 114049300 A CN114049300 A CN 114049300A CN 202111182045 A CN202111182045 A CN 202111182045A CN 114049300 A CN114049300 A CN 114049300A
Authority
CN
China
Prior art keywords
belt
target detection
blockage
network model
image
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
Application number
CN202111182045.1A
Other languages
English (en)
Inventor
张超
刘礼杰
蔡炜
路万林
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.)
Wisdri Engineering and Research Incorporation Ltd
Original Assignee
Wisdri Engineering and Research Incorporation Ltd
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 Wisdri Engineering and Research Incorporation Ltd filed Critical Wisdri Engineering and Research Incorporation Ltd
Priority to CN202111182045.1A priority Critical patent/CN114049300A/zh
Publication of CN114049300A publication Critical patent/CN114049300A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

一种基于目标检测的料场皮带堵料的检测方法，包括：获得运载过程中的皮带运行的视频画面；对皮带堵料视频图像的历史数据进行收集，对皮带堵料区域的定位和标注，形成皮带堵料的图像数据集；利用目标检测的算法对图像数据集进行高度总结和特征提取，得到包含皮带堵料区域的目标检测的模型；利用得到的目标检测模型，对实时采集的皮带运行视频中的当前帧图像进行识别，找出当前图像是否存在堵料现象及存在堵料情况下的堵料区域，达到对皮带堵料进行实时检测的目的。本发明相对于现有技术，不需要人工实时进行视频监控和判别，减少人力成本；并且相对于人工的检测和判别，本发明准确率更高，实现了皮带运输状态实时检测的自动化与无人化功能。

Description

一种基于目标检测的料场皮带堵料的检测方法
技术领域
本发明涉及的是目标检测领域，特别涉及一种基于目标检测的料场皮带堵料的检测方法。
背景技术
皮带输送机是工矿企业运送原料最经济、最高效、最便捷的方法，皮带机也是常用的动力输送机，应用广泛，物美价廉。皮带机的主要任务是将散装物料通过皮带机输送系统顺利运送到目的地，如果皮带机系统发生堵塞现象，停工停产，会造成生产工艺流程中断。如果所运输的物料遇到障碍物，或者接触到因侵蚀而出现坑洼的皮带表面，物流即会改变正常的运输方向，从而导致运输物料的堆积，出现料流堵塞现象。因此，一旦发生物料堵塞问，检修恢复时间需要数个小时的时间，无法正常作业生产，造成生产和经济的双重损失。
在生产线附近安装相关的检测设备可以减少这一现象的发生，但是视频检测系统每日会产生数量众多的视频图像，如果堵塞状态完全依靠人工去进行识别，不仅工作量显得尤为巨大，而且效率非常低下，另一方面长时间作业会产生疲劳进而带来漏判、错判的现象，难以保证作业的质量，并且存在安全隐患。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于目标检测的料场皮带堵料的检测方法。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
一种基于目标检测的料场皮带堵料的检测方法，包括
S100.对皮带堵料视频图像的历史数据进行收集，然后对皮带堵料区域进行定位和标注，形成皮带堵料的图像数据集；
S200.构建基于神经网络的目标检测网络模型作为皮带堵料的检测器,将皮带堵料的图像数据集输入到目标检测网络中进行训练，得到皮带堵料的目标检测网络模型；
S300.提取实时采集的皮带运行视频中的当前帧图像，利用训练完成的皮带堵料的目标检测网络模型对当前帧图像进行检测，根据检测结果达到对皮带料流运输状态进行检测的目的。
进一步地，S100的具体方法为：对皮带堵料的图像及其堵料的区域进行定位和标定；对满足堵料的每一帧图像进行定位和标定，为图像贴上包含堵料区域的坐标位置信息的标签，将标注好的数据分为两部分，一部分是训练集，用于训练目标检测网络模型；另一部分是测试集，用于测试目标检测网络模型检测效果。
进一步地，皮带堵料的定义为：皮带料流超过皮带正常流动高度的预设范围到皮带料流填满整个料流口。
进一步地，S200的方法具体包括：
S201.将图像数据集中的训练集作为目标检测网络模型的输入，设置好目标检测训练参数，得到基于堵料状态检测的初始目标检测；
S202.将图像数据集中的测试集输入到训练好的初始目标检测网络模型，通过初始目标检测网络模型对测试集中的图像进行识别，得到当前图像是否存在堵料的标签及相应的堵料区域，并与测试集中当前图像的真实状态进行统计与匹配，当匹配准确度大于预设阈值时，即确定当前目标检测网络模型为皮带堵料检测的目标检测网络模型。
进一步地，当匹配准确度小于预设阈值时，则当前初始目标检测网络模型无法满足要求，则重新执行步骤S201-S202，直到测试集匹配准确度达到预设阈值。
进一步地，目标检测网络模型，采用了多个卷积神经网络对基本的图像特征进行提取，在卷积神经网络的预设层之间设置了快捷链路。
进一步地，目标检测网络模型，采用256*256*3作为输入，采用256个残差组件，每个残差组件有两个卷积层和一个快捷链路。
进一步地，目标检测网络模型，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框。
进一步地，目标检测网络模型，预测对象类别时使用logistic的输出进行预测。
进一步地，S300还包括：若该帧图像被基于皮带堵料状态的目标检测模型检测为堵料帧，则表示当前皮带料为堵料状态，并根据检测到的区域进行圈定，实时通过报警方式通知给相关责任人，保证堵料的及时处理；若该帧属于正常帧，则表示当前皮带上传送正常。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明公开了一种基于目标检测的料场皮带堵料的检测方法，用于原料厂皮带运输机堵料状态的视频检测，包括：获得运载过程中的皮带运行的视频画面；通过对皮带堵料视频图像的历史数据进行收集，然后进行皮带堵料区域的定位和标注，形成皮带堵料的图像数据集；利用目标检测的算法对图像数据集进行高度总结和特征提取，得到包含皮带堵料区域的目标检测的模型；利用得到的目标检测模型，对实时采集的皮带运行视频中的当前帧图像进行识别，找出当前图像是否存在堵料现象及存在堵料情况下的堵料区域，达到对皮带堵料进行实时检测的目的。本发明相对于现有技术，不需要人工实时进行视频监控和判别，减少人工的工作时间和人力成本；并且相对于人工的检测和判别，本发明对于皮带堵料的判断准确率更高，实现了皮带运输状态实时检测的自动化与无人化功能。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例1中，一种基于目标检测的料场皮带堵料的检测方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题，本发明实施例提供一种基于目标检测的料场皮带堵料的检测方法。
实施例1
本实施例公开了一种基于目标检测的料场皮带堵料的检测方法，包括
S100.对皮带堵料视频图像的历史数据进行收集，然后对皮带堵料区域进行定位和标注，形成皮带堵料的图像数据集；
在本实施例中，S100的具体方法为：对皮带堵料的图像及其堵料的区域进行定位和标定；对满足堵料的每一帧图像进行定位和标定，为图像贴上包含堵料区域的坐标位置信息的标签，将标注好的数据分为两部分，一部分是训练集，用于训练目标检测网络模型；另一部分是测试集，用于测试目标检测网络模型检测效果。具体的，皮带堵料的定义为：皮带料流超过皮带正常流动高度的预设范围到皮带料流填满整个料流口。
S200.构建基于神经网络的目标检测网络模型作为皮带堵料的检测器,将皮带堵料的图像数据集输入到目标检测网络中进行训练，得到皮带堵料的目标检测网络模型。
在本实施例中，S200的方法具体包括：
S201.将图像数据集中的训练集作为目标检测网络模型的输入，设置好目标检测训练参数，得到基于堵料状态检测的初始目标检测；
S202.将图像数据集中的测试集输入到训练好的初始目标检测网络模型，通过初始目标检测网络模型对测试集中的图像进行识别，得到当前图像是否存在堵料的标签及相应的堵料区域，并与测试集中当前图像的真实状态进行统计与匹配，当匹配准确度大于预设阈值时，即确定当前目标检测网络模型为皮带堵料检测的目标检测网络模型。在一些优选实施例中，当匹配准确度小于预设阈值时，则当前初始目标检测网络模型无法满足要求，则重新执行步骤S201-S202，直到测试集匹配准确度达到预设阈值。
在本实施例中，目标检测网络模型，采用了多个卷积神经网络对基本的图像特征进行提取，在卷积神经网络的预设层之间设置了快捷链路。具体的，优选采用了53个卷积神经网络，它借鉴了残差网络residualnetwork的做法，在一些层之间设置了快捷链路(shortcutconnections)。
在本实施例中，目标检测网络模型，采用256*256*3作为输入，采用256个残差组件，每个残差组件有两个卷积层和一个快捷链路。
在本实施例中，目标检测网络模型，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框。目标检测网络模型，预测对象类别时使用logistic的输出进行预测，能够支持多标签对象。
S300.提取实时采集的皮带运行视频中的当前帧图像，利用训练完成的皮带堵料的目标检测网络模型对当前帧图像进行检测，根据检测结果达到对皮带料流运输状态进行检测的目的。
具体的，S300还包括：若该帧图像被基于皮带堵料状态的目标检测模型检测为堵料帧，则表示当前皮带料为堵料状态，并根据检测到的区域进行圈定，实时通过报警方式通知给相关责任人，保证堵料的及时处理；若该帧属于正常帧，则表示当前皮带上传送正常。
本实施例公开的一种基于目标检测的料场皮带堵料的检测方法，用于原料厂皮带运输机堵料状态的视频检测，包括：获得运载过程中的皮带运行的视频画面；通过对皮带堵料视频图像的历史数据进行收集，然后进行皮带堵料区域的定位和标注，形成皮带堵料的图像数据集；利用目标检测的算法对图像数据集进行高度总结和特征提取，得到包含皮带堵料区域的目标检测的模型；利用得到的目标检测模型，对实时采集的皮带运行视频中的当前帧图像进行识别，找出当前图像是否存在堵料现象及存在堵料情况下的堵料区域，达到对皮带堵料进行实时检测的目的。本发明相对于现有技术，不需要人工实时进行视频监控和判别，减少人工的工作时间和人力成本；并且相对于人工的检测和判别，本发明对于皮带堵料的判断准确率更高，实现了皮带运输状态实时检测的自动化与无人化功能。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (10)

1.一种基于目标检测的料场皮带堵料的检测方法，其特征在于，包括
S100.对皮带堵料视频图像的历史数据进行收集，然后对皮带堵料区域进行定位和标注，形成皮带堵料的图像数据集；
S200.构建基于神经网络的目标检测网络作为皮带堵料的检测器，将皮带堵料的图像数据集输入到目标检测网络中进行训练，得到皮带堵料的目标检测网络模型；
S300.提取实时采集的皮带运行视频中的当前帧图像，利用训练完成的皮带堵料的目标检测网络模型对当前帧图像进行检测，根据检测结果达到对皮带料流运输状态进行检测的目的。
2.如权利要求1所述的一种基于目标检测的料场皮带堵料的检测方法，其特征在于，S100的具体方法为：对皮带堵料的图像及其堵料的区域进行定位和标定；对满足堵料的每一帧图像进行定位和标定，为图像贴上包含堵料区域的坐标位置信息的标签，将标注好的数据分为两部分，一部分是训练集，用于训练目标检测网络模型；另一部分是测试集，用于测试目标检测网络模型检测效果。
3.如权利要求1所述的一种基于目标检测的料场皮带堵料的检测方法，其特征在于，皮带堵料的定义为：皮带料流超过皮带正常流动高度的预设范围到皮带料流填满整个料流口。
4.如权利要求2所述的一种基于目标检测的料场皮带堵料的检测方法，其特征在于，S200的方法具体包括：
S201.将图像数据集中的训练集作为目标检测网络模型的输入，设置好目标检测训练参数，得到基于堵料状态检测的初始目标检测；
S202.将图像数据集中的测试集输入到训练好的初始目标检测网络模型，通过初始目标检测网络模型对测试集中的图像进行识别，得到当前图像是否存在堵料的标签及相应的堵料区域，并与测试集中当前图像的真实状态进行统计与匹配，当匹配准确度大于预设阈值时，即确定当前目标检测网络模型为皮带堵料检测的目标检测网络模型。
5.如权利要求4所述的一种基于目标检测的料场皮带堵料的检测方法，其特征在于，当匹配准确度小于预设阈值时，则当前初始目标检测网络模型无法满足要求，则重新执行步骤S201-S202，直到测试集匹配准确度达到预设阈值。
6.如权利要求4所述的一种基于目标检测的料场皮带堵料的检测方法，其特征在于，目标检测网络模型，采用了多个卷积神经网络对基本的图像特征进行提取，在卷积神经网络的预设层之间设置了快捷链路。
7.如权利要求4所述的一种基于目标检测的料场皮带堵料的检测方法，其特征在于，目标检测网络模型，采用256*256*3作为输入，采用256个残差组件，每个残差组件有两个卷积层和一个快捷链路。
8.如权利要求4所述的一种基于目标检测的料场皮带堵料的检测方法，其特征在于，目标检测网络模型，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框。
9.如权利要求4的一种基于目标检测的料场皮带堵料的检测方法，其特征在于，目标检测网络模型，预测对象类别时使用logistic的输出进行预测。
10.如权利要求1的一种基于目标检测的料场皮带堵料的检测方法，其特征在于，S300还包括：若该帧图像被基于皮带堵料状态的目标检测模型检测为堵料帧，则表示当前皮带料为堵料状态，并根据检测到的区域进行圈定，实时通过报警方式通知给相关责任人，保证堵料的及时处理；若该帧属于正常帧，则表示当前皮带上传送正常。
CN202111182045.1A 2021-10-11 2021-10-11 一种基于目标检测的料场皮带堵料的检测方法 Pending CN114049300A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111182045.1A CN114049300A (zh) 2021-10-11 2021-10-11 一种基于目标检测的料场皮带堵料的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111182045.1A CN114049300A (zh) 2021-10-11 2021-10-11 一种基于目标检测的料场皮带堵料的检测方法

Publications (1)

Publication Number Publication Date
CN114049300A true CN114049300A (zh) 2022-02-15

Family

ID=80205267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111182045.1A Pending CN114049300A (zh) 2021-10-11 2021-10-11 一种基于目标检测的料场皮带堵料的检测方法

Country Status (1)

Country Link
CN (1) CN114049300A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018025937A (ja) * 2016-08-09 2018-02-15 住友ゴム工業株式会社 高分子材料モデルの作成方法
CN112046957A (zh) * 2019-06-05 2020-12-08 西安瑞德宝尔智能科技有限公司 矿石堵料监控及处理的方法及装置
CN112926535A (zh) * 2021-04-02 2021-06-08 北京电旗连江科技发展有限公司 一种基于机器人的仓库安全监测、盘点方法及系统
US20210191424A1 (en) * 2019-12-23 2021-06-24 Lyft, Inc Camera-sensor fusion module for surface detection and fleet vehicle control systems and methods
CN113291703A (zh) * 2020-08-31 2021-08-24 湖南长天自控工程有限公司 一种卸料口堵料检测方法及装置
CN113420694A (zh) * 2021-06-30 2021-09-21 上海东普信息科技有限公司 快递流水线的堵塞识别方法、系统、电子设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018025937A (ja) * 2016-08-09 2018-02-15 住友ゴム工業株式会社 高分子材料モデルの作成方法
CN112046957A (zh) * 2019-06-05 2020-12-08 西安瑞德宝尔智能科技有限公司 矿石堵料监控及处理的方法及装置
US20210191424A1 (en) * 2019-12-23 2021-06-24 Lyft, Inc Camera-sensor fusion module for surface detection and fleet vehicle control systems and methods
CN113291703A (zh) * 2020-08-31 2021-08-24 湖南长天自控工程有限公司 一种卸料口堵料检测方法及装置
CN112926535A (zh) * 2021-04-02 2021-06-08 北京电旗连江科技发展有限公司 一种基于机器人的仓库安全监测、盘点方法及系统
CN113420694A (zh) * 2021-06-30 2021-09-21 上海东普信息科技有限公司 快递流水线的堵塞识别方法、系统、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
WO2020005541A1 (en) Machine learning analysis of piping and instrumentation diagrams
CN114049301A (zh) 一种基于目标检测的料场皮带堵料的检测系统
CN110046570B (zh) 一种粮仓粮食库存动态监管方法和装置
US11985194B2 (en) Methods and internet of things systems for predicting filter element replacement at gate station for smart gas
CN111275951A (zh) 一种信息处理方法、装置、设备及计算机存储介质
KR20220073314A (ko) 공정 모니터링 시스템 및 방법
CN116902536A (zh) 一种皮带机智能纠偏系统
CN115861845A (zh) 一种湿地监测方法及系统
CN113934536B (zh) 面向边缘计算的数据采集方法
CN114049300A (zh) 一种基于目标检测的料场皮带堵料的检测方法
KR102185017B1 (ko) 가스공급시설 정보관리 및 예지보전 통합 시스템
CN113487262A (zh) 一种基于图像识别的智能货架物料管理系统及方法
CN115063337A (zh) 埋地管道智能维修决策方法及装置
CN112329953A (zh) 一种工业炉全流程智能诊断和优化运行系统
EP4318278A1 (en) Method and apparatus for processing runoff abnormal abrupt-change data
CN115934979A (zh) 一种基于多采集端的土壤侵蚀信息管理方法及系统
CN116259008A (zh) 一种基于计算机视觉的水位实时监测方法
CN111317953A (zh) 一种基于智能算法的消防用水管网漏水监测方法
CN114192583B (zh) 一种基于Scada平台的带钢轧制过程质量监控方法和系统
CN110907135A (zh) 一种制程设备的控制方法及装置
CN115082841A (zh) 一种仓储物流机器人工作区域异常监测方法
EP4016408A1 (en) Maintenance assistance system and maintenance assistance method
CN113989546A (zh) 一种基于神经网络的料场皮带运输监控方法
CN116310760B (zh) 基于机器视觉的智能水利监测系统
CN114049302A (zh) 一种基于神经网络的料场皮带运输监控系统

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