CN114757905A - 一种基于视觉的卷绳缠绕异常检测装置及方法 - Google Patents
一种基于视觉的卷绳缠绕异常检测装置及方法 Download PDFInfo
- Publication number
- CN114757905A CN114757905A CN202210366363.1A CN202210366363A CN114757905A CN 114757905 A CN114757905 A CN 114757905A CN 202210366363 A CN202210366363 A CN 202210366363A CN 114757905 A CN114757905 A CN 114757905A
- Authority
- CN
- China
- Prior art keywords
- winding
- detection
- abnormal
- rope
- abnormity
- 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
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
- G06F18/21—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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/002—Generating a prealarm to the central station
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/50—Constructional details
- H04N23/54—Mounting of pick-up tubes, electronic image sensors, deviation or focusing coils
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/57—Mechanical or electrical details of cameras or camera modules specially adapted for being embedded in other devices
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
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)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉的卷绳缠绕异常检测装置及方法,其中检测装置包括工业摄像头以及与工业摄像头相连的工控机,所述工业摄像头架设在钢绳卷轴应用现场并适于实时采集钢绳卷轴的图像,所述工控机内设有缠绕异常检测模块,所述缠绕异常检测模块适于接收工业摄像头传输而来的图像并进行缠绕异常判断。本发明利用工业摄像机采集钢绳卷轴的图像,然后在工控机中进行纹理检测和高性能边缘检测,得到最终的异常检测判断,从而实现实时检测是否出现缠绕异常,便于及时停止错误缠绕操作并重新进行正确缠绕操作,降低损失。
Description
技术领域
本发明涉及视觉检测技术领域,尤其涉及一种基于视觉的卷绳缠绕异常检测装置及方法。
背景技术
在各类工程应用中,为了避免钢绳因为受力不均匀或者互相碾压等原因造成的磨损,卷轴在收回钢绳时,通常都要求严格按照钢绳缠绕的先后顺序进行逐圈排列。但是在实际操作过程中,难免会出现缠绕异常现象出现,主要分成一下两种:
异常缠绕类型A:钢绳经过了多圈的非规则缠绕,每圈缠绕方向都不完全一致。
异常缠绕类型B:绝大多数钢绳缠绕正常,只有少数几圈出现明显的缠绕方向偏差。
在钢绳卷轴应用现场,由于没有自动检测报警装置,当操作员发现时,缠绕异常现象往往已经发生很久,造成钢绳损坏,导致经济损失。
发明内容
本发明的目的是针对现有技术的不足之处而提出一种基于视觉的卷绳缠绕异常检测装置及方法,在卷轴在收回钢绳,当出现缠绕异常时,能够及时检测出来,便于及时停止错误缠绕操作并重新进行正确缠绕操作,降低损失。
实现本发明目的技术方案是:
一种基于视觉的卷绳缠绕异常检测装置,包括工业摄像头以及与工业摄像头相连的工控机,所述工业摄像头架设在钢绳卷轴应用现场并适于实时采集钢绳卷轴的图像,所述工控机内设有缠绕异常检测模块,所述缠绕异常检测模块适于接收工业摄像头传输而来的图像并进行缠绕异常判断。
进一步地,还包括与缠绕异常检测模块相连的报警模块,所述报警模块采用安装在钢绳卷轴应用现场的信号报警器或适于向外部系统发送报警数据。
进一步地,所述工业摄像头与工控机之间通过USB线或以太网线相连。
一种基于视觉的卷绳缠绕异常检测方法,采用如上所述的基于视觉的卷绳缠绕异常检测装置,包括以下步骤:
步骤S1:通过工业摄像头对钢绳卷轴进行持续拍摄,并将实时采集的图像传输至工控机;
步骤S2:工控机的缠绕异常检测模块对接收到的钢绳卷轴画面进行预处理;
步骤S3:对预处理后的钢绳卷轴画面进行卷绳ROI(Region of Interests)提取,从而从图像中取出卷绳所在区域;
步骤S4:对于选定的卷绳ROI区域,分别进行纹理检测和高性能边缘检测,判断是否存在异常缠绕类型A和异常缠绕类型B;
步骤S5:将所述异常缠绕类型A和异常缠绕类型B的检测结果汇总后输出至外部系统,并在出现缠绕异常时发出报警信号。
进一步地,所述步骤S4中的纹理检测基于HOG(Histogram of OrientedGradients)方法,具体包括以下步骤:
步骤S41:对选定的卷绳ROI区域划分成预设大小的多个子区域,根据经验,子区域尺寸通常采用16x16或32x32像素尺寸,然后分别计算每个子区域内的纹理方向与强度;
步骤S42:利用机器学习方法,对获得的HOG特征分布进行分类,具体的,将不同方向的纹理强度组成一个固定长度的多维向量,通过训练一个分类器对这些向量进行分类;
判断纹理特征是否分布均匀,具体地,通过人工来判断、并对用于分类器训练的训练样本进行标注,通过已进行良好训练的分类器,即可实现判断纹理特征是否均匀;若卷绳ROI区域内的纹理特征分布均匀,则不存在异常缠绕类型A;否则,则认为存在异常缠绕类型A。
进一步地,所述机器学习方法为SVM(Support Vector Machine)方法。
进一步地,所述步骤S4中的高性能边缘检测基于UCM(Ultrametric Contour Map)方法,检测卷绳ROI区域内的有效边缘以及获得所述有效边缘的像素权重,当所述有效边缘的像素权重相接近,则不存在异常缠绕类型B,否则,则认为存在异常缠绕类型B。具体地,在卷绳ROI区域内,通过UCM方法,计算每个有效边缘对应的像素权重,对属于有效边缘的像素权重进行累加。正常缠绕时,卷绳ROI区域内的有效边缘的像素权重比较均匀,而且取值都小于阈值T,所述阈值T根据经验预先设定;当异常缠绕B存在时,会存在像素权重明显大于阈值T的边缘,并且该边缘的像素权重强度会明显大于卷绳ROI区域内的其他边缘的像素权重。
进一步地,所述步骤S2中的预处理包括对采集的图像进行图像滤波处理和图像增强处理。
采用了上述技术方案,本发明具有以下的有益效果:
(1)本发明检测装置利用摄像机采集钢绳卷轴的图像,然后通过工控机中的缠绕异常检测模块实时检测是否出现缠绕异常,当出现缠绕异常时,能够及时检测出来,便于及时停止错误缠绕操作并重新进行正确缠绕操作,降低损失。
(2)本发明检测装置还设有报警模块,通过信号报警器或直接向外部系统发送报警数据,及时提醒操作人员,响应迅速。
(3)本发明工业摄像头和工控机之间提供了两种连接方式,适应不同场景使用需求,适用范围广。
(4)本发明检测方法通过对实时采集的图像进行处理,提取卷绳ROI区域,将钢绳卷轴缠绕异常画面分成两大类,分别进行纹理检测判断是否存在异常缠绕类型A以及进行高性能边缘检测判断是否存在异常缠绕类型B,从而准确地判断出缠绕异常现象;当发现缠绕异常时,及时报警,并将异常画面输出至外部系统。
(5)本发明检测方法的纹理检测基于HOG方法,通过将选定的卷绳ROI区域划分成多个子区域,对子区域内的纹理方向与强度进行计算,从而保证测试结果的准确性;通过机器学习方法,对获得的HOG特征分布进行分类,从而高效准确地判断纹理特征是否分布,进而判断是否存在异常缠绕类型A。
(6)本发明的机器学习方法为SVM方法,在小样本、非线性及高维模式识别中具有明显优势,能够高效准确地进行分类。
(7)本发明基于UCM方法进行高性能边缘检测,检测有效边缘的同时计算有效边缘的像素权重,通过像素权重客观地反映出是否存在异常缠绕类型B。
(8)本发明通过对采集的图像进行预处理,减少外部干扰,从而提高后期分析地准确度。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1为本发明基于视觉的卷绳缠绕异常检测装置的结构简图;
图2为本发明基于视觉的卷绳缠绕异常检测方法的流程图。
附图中的标号为:
工业摄像头1、工控机2。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
(实施例1)
如图1所示的基于视觉的卷绳缠绕异常检测装置,包括相连设置的工业摄像头1、工控机2和报警模块,其中工控机2内设有缠绕异常检测模块,报警模块与缠绕异常检测模块电连接,工业摄像头1架设在钢绳卷轴应用现场,用于实时采集钢绳卷轴的图像,同时将采集的图像传输至工控机内,缠绕异常检测模块接收工业摄像头1传输而来的图像并进行缠绕异常判断,当出现缠绕异常时,能够及时检测出来,便于及时停止错误缠绕操作并重新进行正确缠绕操作,降低损失。
报警模块采用安装在钢绳卷轴应用现场的信号报警器或直接向外部系统发送报警数据,信号报警器可以是声音信号报警器或者光信号报警器,从而直观地及时提醒操作人员,提高响应速度。工业摄像头1与工控机2之间通过USB线或以太网线相连,从而实现数据传输,本实施例提供了两种连接方式,适应不同场景使用需求,适用范围广。
如图2所示,采用上述卷绳缠绕异常检测装置进行卷绳缠绕异常检测的方法,通过对实时采集的图像进行处理,提取卷绳ROI区域,将钢绳卷轴缠绕异常画面分成两大类,分别进行纹理检测判断是否存在异常缠绕类型A以及进行高性能边缘检测判断是否存在异常缠绕类型B,从而准确地判断出缠绕异常现象;当发现缠绕异常时,及时报警,并将异常画面输出至外部系统,具体包括以下步骤:
步骤S1:通过工业摄像头1对钢绳卷轴进行持续拍摄,并将实时采集的图像传输至工控机2;
步骤S2:工控机2的缠绕异常检测模块对接收到的钢绳卷轴画面进行预处理,包括对采集的图像进行图像滤波处理和图像增强处理,减少外部干扰,从而提高后期分析地准确度;
步骤S3:对预处理后的钢绳卷轴画面进行卷绳ROI提取,从而从图像中取出卷绳所在区域。由于钢绳卷轴与工业摄像头1的位置相对固定,因此通常可以通过人工划分选择卷绳ROI;若存在多个卷绳,则分别给出所在区域;
步骤S4:对于选定的卷绳ROI区域,分别进行纹理检测和高性能边缘检测,判断是否存在异常缠绕类型A和异常缠绕类型B;
具体地,其中纹理检测基于HOG方法,包括以下步骤:
步骤S41:对选定的卷绳ROI区域划分成预设大小的多个子区域,根据经验,子区域尺寸通常采用16x16或32x32像素尺寸,然后分别计算每个子区域内的纹理方向与强度,从而保证测试结果的准确性;
步骤S42:利用机器学习方法,优选SVM方法,在小样本、非线性及高维模式识别中具有明显优势,能够高效准确地进行分类,从而对获得的HOG特征分布进行分类,具体的,将不同方向的纹理强度组成一个固定长度的多维向量,通过训练一个分类器对这些向量进行分类;
判断纹理特征是否分布均匀,具体地,通过人工来判断、并对用于分类器训练的训练样本进行标注,通过已进行良好训练的分类器,即可实现判断纹理特征是否均匀;若卷绳ROI区域内的纹理特征分布均匀,则不存在异常缠绕类型A;否则,则认为存在异常缠绕类型A。
高性能边缘检测基于UCM方法,检测卷绳ROI区域内的有效边缘以及有效边缘的像素权重,若有效边缘的像素权重相接近,则不存在异常缠绕类型B,否则,则认为存在异常缠绕类型B。具体地,在卷绳ROI区域内,通过UCM方法,计算每个有效边缘对应的像素权重,对属于有效边缘的像素权重进行累加。正常缠绕时,卷绳ROI区域内的有效边缘的像素权重比较均匀,而且取值都小于阈值T,所述阈值T根据经验预先设定,如阈值T取值50;当异常缠绕B存在时,会存在像素权重明显大于阈值T的边缘,并且该边缘的像素权重强度会明显大于卷绳ROI区域内的其他边缘的像素权重。
步骤S5:将异常缠绕类型A和异常缠绕类型B的检测结果汇总后输出至外部系统,包括检测数据以及出现异常的画面,并在出现缠绕异常时发出报警信号,从而及时提醒操作人员停止错误缠绕,报警信号可以是声音报警信号、光警报信号,也可以是通过现场总线等通讯链路发送的报警数据等。
本实施例通过图像处理技术对钢绳的缠绕异常现象进行实时、在线检测,及时发现异常状况并给出报警,从而有效避免因为缠绕异常带来的钢绳损坏,降低经济损失;同时,检测装置结构简单、成本低廉、方便部署,适用多种工业现场,应用范围广。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于视觉的卷绳缠绕异常检测装置,其特征在于:包括工业摄像头以及与工业摄像头相连的工控机,所述工业摄像头架设在钢绳卷轴应用现场并适于实时采集钢绳卷轴的图像,所述工控机内设有缠绕异常检测模块,所述缠绕异常检测模块适于接收工业摄像头传输而来的图像并进行缠绕异常判断。
2.根据权利要求1所述的一种基于视觉的卷绳缠绕异常检测装置,其特征在于:还包括与缠绕异常检测模块相连的报警模块,所述报警模块采用安装在钢绳卷轴应用现场的信号报警器或适于向外部系统发送报警数据。
3.根据权利要求1所述的一种基于视觉的卷绳缠绕异常检测装置,其特征在于:所述工业摄像头与工控机之间通过USB线或以太网线相连。
4.一种基于视觉的卷绳缠绕异常检测方法,其特征在于:采用如权利要求1至3任一项所述的基于视觉的卷绳缠绕异常检测装置,包括以下步骤:
步骤S1:通过工业摄像头对钢绳卷轴进行持续拍摄,并将实时采集的图像传输至工控机;
步骤S2:工控机的缠绕异常检测模块对接收到的钢绳卷轴画面进行预处理;
步骤S3:对预处理后的钢绳卷轴画面进行卷绳ROI提取,从而从图像中取出卷绳所在区域;
步骤S4:对于选定的卷绳ROI区域,分别进行纹理检测和高性能边缘检测,判断是否存在异常缠绕类型A和异常缠绕类型B;
步骤S5:将所述异常缠绕类型A和异常缠绕类型B的检测结果汇总后输出至外部系统,并在出现缠绕异常时发出报警信号。
5.根据权利要求4所述的一种基于视觉的卷绳缠绕异常检测方法,其特征在于:所述步骤S4中的纹理检测基于HOG方法,具体包括以下步骤:
步骤S41:对选定的卷绳ROI区域划分成预设大小的多个子区域,分别计算每个子区域内的纹理方向与强度;
步骤S42:利用机器学习方法,对获得的HOG特征分布进行分类,判断纹理特征是否分布均匀,若卷绳ROI区域内的纹理特征分布均匀,则不存在异常缠绕类型A;否则,则认为存在异常缠绕类型A。
6.根据权利要求5所述的一种基于视觉的卷绳缠绕异常检测方法,其特征在于:所述机器学习方法为SVM方法。
7.根据权利要求4所述的一种基于视觉的卷绳缠绕异常检测方法,其特征在于:所述步骤S4中的高性能边缘检测基于UCM方法,检测卷绳ROI区域内的有效边缘以及获得所述有效边缘的像素权重,当所述有效边缘的像素权重相接近,则不存在异常缠绕类型B,否则,则认为存在异常缠绕类型B。
8.根据权利要求4所述的一种基于视觉的卷绳缠绕异常检测方法,其特征在于:所述步骤S2中的预处理包括对采集的图像进行图像滤波处理和图像增强处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210366363.1A CN114757905A (zh) | 2022-04-08 | 2022-04-08 | 一种基于视觉的卷绳缠绕异常检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210366363.1A CN114757905A (zh) | 2022-04-08 | 2022-04-08 | 一种基于视觉的卷绳缠绕异常检测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114757905A true CN114757905A (zh) | 2022-07-15 |
Family
ID=82330051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210366363.1A Pending CN114757905A (zh) | 2022-04-08 | 2022-04-08 | 一种基于视觉的卷绳缠绕异常检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757905A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024026769A1 (zh) * | 2022-08-04 | 2024-02-08 | 中交第二航务工程局有限公司 | 基于机器视觉的索股无人跟随牵引智能识别系统和方法 |
-
2022
- 2022-04-08 CN CN202210366363.1A patent/CN114757905A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024026769A1 (zh) * | 2022-08-04 | 2024-02-08 | 中交第二航务工程局有限公司 | 基于机器视觉的索股无人跟随牵引智能识别系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN110458839B (zh) | 一种有效的电线电缆监测系统 | |
CN110458157B (zh) | 一种电力电缆生产过程智能监控系统 | |
CN104535356A (zh) | 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统 | |
CN113283344A (zh) | 一种基于语义分割网络的矿用输送带跑偏检测方法 | |
CN108491807B (zh) | 一种奶牛发情行为实时监测方法及系统 | |
CN110493574B (zh) | 基于流媒体和ai技术的安监可视化系统 | |
CN115184726B (zh) | 一种智能电网故障实时监测定位系统及方法 | |
CN111368727A (zh) | 配电室巡检人员着装检测方法、存储介质、系统、装置 | |
CN112633052A (zh) | 一种皮带撕裂检测方法 | |
CN114757905A (zh) | 一种基于视觉的卷绳缠绕异常检测装置及方法 | |
CN110691224A (zh) | 一种变电站周界视频智能检测系统 | |
CN116797977A (zh) | 巡检机器人动态目标识别与测温方法、装置和存储介质 | |
CN114627388B (zh) | 输电线路异物检测设备及其异物检测方法 | |
CN111339906A (zh) | 一种图像处理设备和图像处理系统 | |
CN114155472A (zh) | 厂区场景临空面防护设备异常状态检测方法、装置和设备 | |
CN112489018A (zh) | 一种电力线智能巡线方法及巡线 | |
CN111830051A (zh) | 一种基于深度学习的变电站设备漏油检测方法及检测系统 | |
CN114841932A (zh) | 光伏电站的光伏板的异物检测方法、系统、设备及介质 | |
CN110992339B (zh) | 基于相机和机器学习的辊道线轮毂的检测定位方法及系统 | |
CN113033355A (zh) | 一种基于密集输电通道的异常目标识别方法和装置 | |
Tupper et al. | Pedestrian proximity detection using RGB-D data | |
CN112241707A (zh) | 一种风电场智能视频识别装置 | |
CN117811218B (zh) | 一种无人机输变配一体化协同巡检方法 | |
CN109214390B (zh) | 基于机器视觉原理的栅栏状态检测方法及系统 |
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 |