CN114723691A - 基于人工智能的液压系统漏油故障程度检测方法 - Google Patents

基于人工智能的液压系统漏油故障程度检测方法 Download PDF

Info

Publication number
CN114723691A
CN114723691A CN202210308332.0A CN202210308332A CN114723691A CN 114723691 A CN114723691 A CN 114723691A CN 202210308332 A CN202210308332 A CN 202210308332A CN 114723691 A CN114723691 A CN 114723691A
Authority
CN
China
Prior art keywords
leakage
pixel point
hydraulic oil
area
oil leakage
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
CN202210308332.0A
Other languages
English (en)
Other versions
CN114723691B (zh
Inventor
张保廷
徐根保
唐成颖
王凤
熊健
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.)
Jiangsu Xinzhiyang New Energy Technology Co ltd
Original Assignee
Jiangsu Xinzhiyang New Energy Technology Co 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 Jiangsu Xinzhiyang New Energy Technology Co ltd filed Critical Jiangsu Xinzhiyang New Energy Technology Co ltd
Priority to CN202210308332.0A priority Critical patent/CN114723691B/zh
Publication of CN114723691A publication Critical patent/CN114723691A/zh
Application granted granted Critical
Publication of CN114723691B publication Critical patent/CN114723691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明涉及基于人工智能的液压系统漏油故障程度检测方法，属于液压系统漏油检测领域。方法包括以下步骤：获取液压系统下地面区域RGB图像，基于所述RGB图像中各像素点的像素值，判别所述RGB图像中的疑似液压油泄露区域；根据所述疑似液压油泄露区域中各像素点的描述子与未发生泄露时对应像素点的描述子，计算所述疑似液压油泄露区域中各像素点的泄露置信度；判断所述疑似液压油泄露区域中各像素点的泄露置信度是否大于设定像素点置信度，若大于设定像素点置信度，将对应的像素点记为泄露像素点，并根据所述泄露像素点判定液压油泄露的严重程度。本发明属于一种自动检测方法，解决了依靠人工检测存在的消耗较大人力资源的问题。

Description

基于人工智能的液压系统漏油故障程度检测方法
技术领域
本发明涉及液压系统漏油检测领域，具体涉及基于人工智能的液压系统漏油故障程度检测方法。
背景技术
对于液压系统所能发生的故障而言，液压油泄漏出现频率较高；液压油泄漏不仅造成液压油资源的浪费，同时也会对环境造成污染，系统工作效率低下，问题严重时将导致液压系统无法正常运行。
目前一般是通过运维操作师进行人工观测的方法对液压系统漏油现象进行检测，需要消耗较大人力资源；如何实现对液压系统漏油现象的自动检测是减少人力资源消耗需要解决的重要问题。
发明内容
本发明的目的在于提供一种基于人工智能的液压系统漏油故障程度检测方法，用于解决现有依靠人工对液压系统是否出现液压油泄露情况进行检测时存在的消耗较大人力资源的问题。
为了解决上述问题，本发明的一种基于人工智能的液压系统漏油故障程度检测方法的技术方案，包括以下步骤：
获取液压系统下地面区域RGB图像，基于所述RGB图像中各像素点的像素值，判别所述RGB图像中的疑似液压油泄露区域；
根据所述疑似液压油泄露区域中各像素点的描述子与未发生泄露时对应像素点的描述子，计算所述疑似液压油泄露区域中各像素点的泄露置信度；所述描述子包括梯度信息、亮度信息和饱和度信息；
判断所述疑似液压油泄露区域中各像素点的泄露置信度是否大于设定像素点置信度，若大于设定像素点置信度，将对应的像素点记为泄露像素点，并根据所述泄露像素点判定液压油泄露的严重程度。
有益效果：本发明通过液压系统下地面区域RGB图像的各像素点的像素值信息先得到了疑似液压油泄露区域，然后进一步计算了疑似液压油泄露区域中的各像素点的泄露置信度，将泄露置信度大于设定阈值的像素点判断为泄露像素点，然后根据泄露像素点判定液压油泄露的严重程度；本发明在疑似液压油泄露区域的基础上又从区域内各像素点的角度进一步判定了各像素点的泄露置信度，两层判定机制可以较为准确地检测液压油系统是否发生液压油泄露；本发明基于液压系统下地面区域RGB图像来判断液压油泄露的严重程度，属于一种自动检测方法，解决了依靠人工检测存在的消耗较大人力资源的问题。
进一步地，所述描述子为：
Figure BDA0003566885380000021
Figure BDA0003566885380000022
其中，ω为描述子，vA为对应像素点的明度，sA为对应像素点的饱和度，gA为对应像素点的梯度幅值，gAx为对应像素点的水平方向梯度幅值，gAy为对应像素点的竖直方向梯度幅值。
进一步地，所述根据所述疑似液压油泄露区域中各像素点的描述子与未发生泄露时对应像素点的描述子，计算所述疑似液压油泄露区域中各像素点的泄露置信度，包括：
利用如下公式计算所述疑似液压油泄露区域中各像素点的泄露置信度：
Figure BDA0003566885380000023
其中，R为疑似液压油泄露区域中某一像素点的泄露置信度，ωi为ω中第i个元素，vi为v中第i个元素，v为未发生泄露时对应像素点的描述子。
进一步地，所述并根据所述泄露像素点判定液压油泄露的严重程度，包括：
根据泄露像素点的个数计算泄露像素点的总面积；
根据所述泄露像素点的总面积、各泄露像素点对应的明度和饱和度计算泄露严重程度。
进一步地，所述根据所述泄露像素点的总面积、各泄露像素点对应的明度和饱和度计算泄露严重程度，包括：
利用如下计算公式计算泄露严重程度：
Figure BDA0003566885380000031
其中，K为泄露严重程度，M为泄露像素点的总面积，mean()为取均值，S(x,y)为泄露像素点的饱和度，V(x,y)为泄露像素点的明度，x为泄露像素点的横坐标，y为泄露像素点的纵坐标，
Figure BDA0003566885380000032
为泄露像素点的集合，c为常数，0<c<1，a1为像素点的饱和度对应的权重，a2为像素点的明度对应的权重。
进一步地，若不大于设定像素点置信度，将对应的像素点记为未泄露像素点。
附图说明
图1是本发明的基于人工智能的液压系统漏油故障程度检测方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚，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介绍。
本实施例旨在解决现有依靠人工对液压系统是否出现液压油泄露情况进行检测时存在的消耗较大人力资源的问题，如图1所示，本实施例的基于人工智能的液压系统漏油故障程度检测方法包括以下步骤：
(1)获取液压系统下地面区域RGB图像，基于所述RGB图像中各像素点的像素值，判别所述RGB图像中的疑似液压油泄露区域；
当液压系统出现了液压油泄露故障时，液压油会流到液压系统下方地面，液压系统下方地面区域会被液压油污染；由于液压系统一般设置在机械厂房内，机械厂房内环境较差，地面多为水泥等材质，若地面某一区域被液压油覆盖，该区域的颜色相较于未被液压油覆盖之前的颜色会暗。鉴于此，本实施例在液压系统周围设置了图像采集设备，用于采集液压系统下地面区域的RGB图像。本实施例为了在液压系统出现液压油泄露时及时发现该液压油泄露情况，对液压系统下地面区域的图像进行实时采集；作为其它实施方式，也可以每间隔设定时间采集一次。
为了判断液压系统下地面区域是否被液压油覆盖，考虑到被液压油覆盖区域相较于未被液压油覆盖区域的颜色会变暗，本实施例通过K-means聚类算法对图像进行聚类分析，设置K＝2，将两像素点对应的像素值差异大小作为两像素点之间的距离，不断迭代，直至满足迭代条件。迭代完成后，可以得到两个聚类簇，获取两聚类簇对应的聚类中心像素点的像素值，将其中像素值较小的聚类中心像素点对应的聚类簇记为疑似液压油泄露聚类簇，将疑似液压油泄露聚类簇中各像素点组成的连通域作为疑似液压油泄露区域。
本实施例采用K-means聚类算法判定疑似液压油区域，作为其它实施方式，也可以采用K-means聚类算法之外的其它方法将液压系统下地面区域的像素点分为2类，比如阈值分割算法和小波变换等方法。
(2)根据所述疑似液压油泄露区域中各像素点的描述子与未发生泄露时对应像素点的描述子，计算所述疑似液压油泄露区域中各像素点的泄露置信度；
考虑到地面上阴影区域与被液压油覆盖区域颜色较为相似，地面上阴影区域相较于未被液压油和阴影覆盖区域也较暗，为了排除掉阴影区域的干扰，准确判定液压油覆盖区域，本实施例还计算了疑似液压油泄露区域中各像素点的泄露置信度，具体过程如下：
①对液压系统下地面区域RGB图像进行HSV转换处理，以得到对应的液压系统下地面区域HSV图像。对于RGB中任一像素点，转换后对应像素点的明度V为：
Figure BDA0003566885380000051
转换后对应像素点的饱和度S为：
Figure BDA0003566885380000052
其中，
Figure BDA0003566885380000053
将RGB图像转换为对应的HSV图像是现有技术，此处不再过多说明。
②对于疑似液压油泄露区域中的任意一个像素点A(x,y)，计算该像素点的梯度幅值，记为
Figure BDA0003566885380000054
GAx为该像素点相对于水平相邻像素点在水平方向的梯度，GAy为该像素点相对于竖直相邻像素点在竖直方向的梯度。梯度计算方法为现有技术，此处不再赘述。
③根据疑似液压油泄露区域中各像素点的明度、饱和度和梯度幅值，构建各像素点的描述子：
Figure BDA0003566885380000055
其中，vA为对应像素点的明度，sA为对应像素点的饱和度。
④根据疑似液压油泄露区域中各像素点的描述子与未发生泄露时对应像素点的描述子，计算所述疑似液压油泄露区域中各像素点的泄露置信度，计算公式为：
Figure BDA0003566885380000056
其中，R为疑似液压油泄露区域中某一像素点的泄露置信度，ωi为ω中第i个元素，vi为v中第i个元素，v为未发生泄露时对应像素点的描述子，||·||2表示L2范数。R越大，像素点对应的地面区域被液压油覆盖的置信度越高。
当液压系统下方地面区域有液压油覆盖时，被覆盖区域的颜色相较于被覆盖之前将变深变暗，对应的HSV图像中被覆盖区域内的像素点相较于未被覆盖区域的像素点而言，被覆盖区域内的像素点的明度较低、饱和度较高。而对于阴影覆盖区域而言，由于机械场内设施位置相对光源位置没有发生变化，阴影区域的像素点的明度和饱和度不会发生变化。因此，本实施例基于像素点的明度和饱和度信息可以作为评价某一像素点是否为被液压油覆盖的依据。
疑似液压油泄露区域中各像素点的梯度信息可以反映各像素点的纹理信息。若地面上被覆盖了液压油，地面上相对于未覆盖液压油时就会多出一层油膜，一方面，结合光反射和光折射现象，该油膜会改变液压系统下地面区域图像中的成像效果，导致图像中液压系统下地面区域的纹理信息相较于未被液压油覆盖时对应的纹理信息发生变化；另一方面，液压油中可能会有油污等杂质，液压油覆盖地面之后也会改变液压系统下地面区域图像中的成像效果，导致纹理信息的变化。而对于阴影覆盖区域而言，由于机械场内设施位置相对光源位置没有发生变化，阴影区域的像素点的纹理信息不会发生变化。因此，本实施例基于像素点的梯度信息可以作为评价某一像素点是否为被液压油覆盖的依据。
需要说明的是：上述步骤(1)判定出的疑似液压油泄露区域的个数可能不唯一，当判定出的疑似液压油泄露区域的个数为2个以上时，对每一个疑似泄露区域中的每个像素点分别进行计算和判别即可。
(3)判断所述疑似液压油泄露区域中各像素点的泄露置信度是否大于设定像素点置信度，若大于设定像素点置信度，将对应的像素点记为泄露像素点，并根据所述泄露像素点判定液压油泄露的严重程度。
当疑似液压油泄露区域中的像素点的泄露置信度大于设定像素点置信度时，即可将该像素点判定为液压油覆盖区域的像素点，也即泄露像素点。本实施例是步骤(1)判定得到了疑似泄露区域，由于疑似泄露区域中的各像素点均为像素值相对较小的像素点，而被液压油覆盖区域的像素点的像素值通常相较于正常情况下较小，疑似泄露区域中基本上已经包括了所有可能的泄露像素点，因此本实施例只需针对疑似泄露区域中的各像素点构建描述子和进行判别即可，相较于直接对图片中的各像素点构建描述子和进行判别的方法，本实施例减小了计算量。
得到了各泄露像素点之后，根据泄露像素点的个数计算泄露像素点的总面积，总面积越大，泄露越严重；
考虑到液压油覆盖区域的油层厚度可以通过被覆盖区域颜色变暗的程度体现，液压油覆盖区域的油层厚度越大，泄露越严重；本实施例根据所述泄露像素点的总面积、各泄露像素点对应的明度和饱和度计算泄露严重程度，本实施例计算泄露严重程度的公式为：
Figure BDA0003566885380000071
其中，K为泄露严重程度，M为泄露像素点的总面积，mean()为取均值，S(x,y)为泄露像素点的饱和度，V(x,y)为泄露像素点的明度，x为泄露像素点的横坐标，y为泄露像素点的纵坐标，
Figure BDA0003566885380000072
为泄露像素点的集合，c为常数，0<c<1，a1为像素点的饱和度对应的权重，a2为像素点的明度对应的权重，a1和a2的值根据经验值进行设定即可。
泄露严重程度K与液压系统漏油故障程度成正比，泄露严重程度K越大，液压系统漏油故障程度越大；泄露严重程度K越小，液压系统漏油故障程度越小。若泄露严重程度K小于设定泄露严重程度阈值，判定液压系统无漏油故障，该泄露严重程度阈值可以根据机械厂房的实际情况和液压系统的类型实际情况设定。
本实施例通过液压系统下地面区域RGB图像的各像素点的像素值信息先得到了疑似液压油泄露区域，然后进一步计算了疑似液压油泄露区域中的各像素点的泄露置信度，将泄露置信度大于设定阈值的像素点判断为泄露像素点，然后根据泄露像素点判定液压油泄露的严重程度；本实施例在疑似液压油泄露区域的基础上又从区域内各像素点的角度进一步判定了各像素点的泄露置信度，两层判定机制可以较为准确地检测液压油系统是否发生液压油泄露；本实施例基于液压系统下地面区域RGB图像来判断液压油泄露的严重程度，属于一种自动检测方法，解决了依靠人工检测存在的消耗较大人力资源的问题。
需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (6)

1.一种基于人工智能的液压系统漏油故障程度检测方法，其特征在于，包括以下步骤：
获取液压系统下地面区域RGB图像，基于所述RGB图像中各像素点的像素值，判别所述RGB图像中的疑似液压油泄露区域；
根据所述疑似液压油泄露区域中各像素点的描述子与未发生泄露时对应像素点的描述子，计算所述疑似液压油泄露区域中各像素点的泄露置信度；所述描述子包括梯度信息、亮度信息和饱和度信息；
判断所述疑似液压油泄露区域中各像素点的泄露置信度是否大于设定像素点置信度，若大于设定像素点置信度，将对应的像素点记为泄露像素点，并根据所述泄露像素点判定液压油泄露的严重程度。
2.根据权利要求1所述的基于人工智能的液压系统漏油故障程度检测方法，其特征在于，所述描述子为：
Figure FDA0003566885370000011
Figure FDA0003566885370000012
其中，ω为描述子，vA为对应像素点的明度，sA为对应像素点的饱和度，gA为对应像素点的梯度幅值，gAx为对应像素点的水平方向梯度幅值，gAy为对应像素点的竖直方向梯度幅值。
3.根据权利要求2所述的基于人工智能的液压系统漏油故障程度检测方法，其特征在于，所述根据所述疑似液压油泄露区域中各像素点的描述子与未发生泄露时对应像素点的描述子，计算所述疑似液压油泄露区域中各像素点的泄露置信度，包括：
利用如下公式计算所述疑似液压油泄露区域中各像素点的泄露置信度：
Figure FDA0003566885370000013
其中，R为疑似液压油泄露区域中某一像素点的泄露置信度，ωi为ω中第i个元素，vi为v中第i个元素，v为未发生泄露时对应像素点的描述子。
4.根据权利要求1所述的基于人工智能的液压系统漏油故障程度检测方法，其特征在于，所述并根据所述泄露像素点判定液压油泄露的严重程度，包括：
根据泄露像素点的个数计算泄露像素点的总面积；
根据所述泄露像素点的总面积、各泄露像素点对应的明度和饱和度计算泄露严重程度。
5.根据权利要求4所述的基于人工智能的液压系统漏油故障程度检测方法，其特征在于，所述根据所述泄露像素点的总面积、各泄露像素点对应的明度和饱和度计算泄露严重程度，包括：
利用如下计算公式计算泄露严重程度：
Figure FDA0003566885370000021
其中，K为泄露严重程度，M为泄露像素点的总面积，mean()为取均值，S(x,y)为泄露像素点的饱和度，V(x,y)为泄露像素点的明度，x为泄露像素点的横坐标，y为泄露像素点的纵坐标，
Figure FDA0003566885370000022
为泄露像素点的集合，c为常数，0<c<1，a1为像素点的饱和度对应的权重，a2为像素点的明度对应的权重。
6.根据权利要求1所述的基于人工智能的液压系统漏油故障程度检测方法，其特征在于，若不大于设定像素点置信度，将对应的像素点记为未泄露像素点。
CN202210308332.0A 2022-03-28 2022-03-28 基于人工智能的液压系统漏油故障程度检测方法 Active CN114723691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210308332.0A CN114723691B (zh) 2022-03-28 2022-03-28 基于人工智能的液压系统漏油故障程度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210308332.0A CN114723691B (zh) 2022-03-28 2022-03-28 基于人工智能的液压系统漏油故障程度检测方法

Publications (2)

Publication Number Publication Date
CN114723691A true CN114723691A (zh) 2022-07-08
CN114723691B CN114723691B (zh) 2022-12-23

Family

ID=82240351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210308332.0A Active CN114723691B (zh) 2022-03-28 2022-03-28 基于人工智能的液压系统漏油故障程度检测方法

Country Status (1)

Country Link
CN (1) CN114723691B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311443A (zh) * 2022-10-12 2022-11-08 江苏高晟机械有限公司 一种液压泵漏油识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521618A (zh) * 2011-11-11 2012-06-27 北京大学 局部描述子的提取方法、图片检索方法及图像匹配方法
US20120321172A1 (en) * 2010-02-26 2012-12-20 Jachalsky Joern Confidence map, method for generating the same and method for refining a disparity map
CN107240149A (zh) * 2017-06-14 2017-10-10 广东工业大学 基于图像处理的物体三维模型构建方法
CN109488888A (zh) * 2018-11-06 2019-03-19 沈阳天眼智云信息科技有限公司 基于对红外温度场多元分析的金属管道泄漏监测方法
EP3505898A1 (en) * 2017-12-27 2019-07-03 Mitsubishi Heavy Industries, Ltd. Liquid leakage detection system and liquid leakage detection method
CN111079818A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车车钩托梁折断检测方法
CN111982415A (zh) * 2019-05-24 2020-11-24 杭州海康威视数字技术股份有限公司 一种管道泄漏检测方法、装置
US20210110522A1 (en) * 2018-12-14 2021-04-15 Shenzhen Sensetime Technology Co., Ltd. Image processing method and apparatus, and storage medium

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120321172A1 (en) * 2010-02-26 2012-12-20 Jachalsky Joern Confidence map, method for generating the same and method for refining a disparity map
CN102521618A (zh) * 2011-11-11 2012-06-27 北京大学 局部描述子的提取方法、图片检索方法及图像匹配方法
CN107240149A (zh) * 2017-06-14 2017-10-10 广东工业大学 基于图像处理的物体三维模型构建方法
EP3505898A1 (en) * 2017-12-27 2019-07-03 Mitsubishi Heavy Industries, Ltd. Liquid leakage detection system and liquid leakage detection method
CN109488888A (zh) * 2018-11-06 2019-03-19 沈阳天眼智云信息科技有限公司 基于对红外温度场多元分析的金属管道泄漏监测方法
US20210110522A1 (en) * 2018-12-14 2021-04-15 Shenzhen Sensetime Technology Co., Ltd. Image processing method and apparatus, and storage medium
CN111982415A (zh) * 2019-05-24 2020-11-24 杭州海康威视数字技术股份有限公司 一种管道泄漏检测方法、装置
CN111079818A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车车钩托梁折断检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311443A (zh) * 2022-10-12 2022-11-08 江苏高晟机械有限公司 一种液压泵漏油识别方法

Also Published As

Publication number Publication date
CN114723691B (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
US11221107B2 (en) Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing
CN114359416B (zh) 一种建筑物外墙空鼓渗漏异常检测及定位方法
CN114627316B (zh) 基于人工智能的液压系统漏油检测方法
CN104483326B (zh) 基于深度信念网络的高压线绝缘子缺陷检测方法及系统
CN115100212B (zh) 一种润滑油污染程度检测方法
CN112149543B (zh) 一种基于计算机视觉的建筑扬尘识别系统与方法
CN109472261B (zh) 一种基于计算机视觉的粮仓储粮数量变化自动监测方法
CN115115638B (zh) 一种液压系统漏油检测及判定方法
CN113313107B (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN110503637B (zh) 一种基于卷积神经网络的道路裂缝自动检测方法
CN115082744B (zh) 一种基于人工智能的太阳能集热效率分析方法及系统
CN107045723A (zh) 基于透射率动态检测的烟雾识别方法
CN112215815A (zh) 一种用于建筑工地的裸土覆盖自动检测方法
CN114723691B (zh) 基于人工智能的液压系统漏油故障程度检测方法
CN114549441A (zh) 基于图像处理的吸管缺陷检测方法
CN114387455A (zh) 一种基于人工智能的污水排放实时监测方法、系统及设备
CN108665468B (zh) 一种提取直线塔绝缘子串的装置及方法
CN114445331A (zh) 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置
CN117252868A (zh) 基于机器视觉的直流屏缺陷检测方法
CN114677336A (zh) 一种基于红外图像的幕墙面板损伤识别方法
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
TWI465699B (zh) 水位量測方法
CN112541478A (zh) 一种基于双目摄像头的绝缘子串污损检测方法及系统
CN114820611B (zh) 基于人工智能的机械零件质量评估方法及系统
CN108830834B (zh) 一种爬索机器人视频缺陷信息自动提取方法

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
GR01 Patent grant
GR01 Patent grant