CN114766044A - 识别工业线缆的方法 - Google Patents
识别工业线缆的方法 Download PDFInfo
- Publication number
- CN114766044A CN114766044A CN202080083093.2A CN202080083093A CN114766044A CN 114766044 A CN114766044 A CN 114766044A CN 202080083093 A CN202080083093 A CN 202080083093A CN 114766044 A CN114766044 A CN 114766044A
- Authority
- CN
- China
- Prior art keywords
- cable
- components
- industrial
- component
- shielding
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000004020 conductor Substances 0.000 claims description 22
- 238000009413 insulation Methods 0.000 claims description 17
- 238000013473 artificial intelligence Methods 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 230000008054 signal transmission Effects 0.000 claims description 10
- 230000005693 optoelectronics Effects 0.000 claims description 4
- 230000004224 protection Effects 0.000 claims description 3
- 210000004907 gland Anatomy 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000012549 training Methods 0.000 description 33
- 239000011888 foil Substances 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000006750 UV protection Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0627—Directed, with specific intent or strategy using item specifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Biodiversity & Conservation Biology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Insulated Conductors (AREA)
- Image Analysis (AREA)
- Electric Cable Installation (AREA)
Abstract
为了节省工业线缆供应商的人员开支,并保证其客户及时可靠地在全球数据业务中获得恒定的高品质标准,本发明提出了一种识别工业线缆的方法,包括如下步骤:a.从至少一个图像文件中自动视觉识别工业线缆(100)的多个不同组件(10、2、3、3’、3”);b.分析组件(10、2、3、3’、3”)之间的几何关系和/或功能联系;c.使用步骤b中所获得的信息从图像文件中提取组件(10、2、3、3’、3”)的各个特征。通过将视觉分析与现有知识相结合,任选地可能还辅以学习知识,提供了一种功能上非常可靠的识别工业线缆的方法。
Description
技术领域
本发明涉及一种根据独立权利要求1的前序部分所述的识别工业线缆的方法。
线缆厂商和线缆供应商需要识别工业线缆的方法来答复客户针对产品的问题,从而酌情为各个客户提供合适的报价。客户咨询通常涉及客户现有的工业线缆和相应的兼容性。客户一般已经拥有一根或多根工业线缆。目的通常是寻找具有相同或相似功能的相同或替代工业线缆。为此,可以将工业线缆分配给预设的功能类别。功能类别可以例如是但不限于:电能传输、电子信号传输(模拟和数字)、光信号传输、气动(例如气压传输)以及少数应用领域的液体(例如冷却液)转移。
背景技术
在现有技术中,线缆供应商通常以例如数码照片、图像文件等视觉媒体形式接收、分析和答复客户咨询。
目前,此类咨询由线缆供应商的有经验员工手动单独答复。
现有技术的缺陷在于,此类方法成本过高且依赖于个人,这有时会导致客户不希望的等待时间,特别是在国际货物和数据业务中。如果这样的员工从线缆供应商企业离职,则须以书面形式留档知识和/或培训同事,否则企业可能会缺失相应的知识。这会使得所有相关人员陷入困境,危及到始终保持高品质的客户服务标准。
发明内容
本发明的目的是提出一种识别工业线缆的方法,该方法能够节省线缆供应商的人员开支,确保其客户即使在全球数据业务中也能快速可靠地获得恒定的高品质标准。
该目的通过独立权利要求的特征实现。
本发明的有利技术方案参阅从属权利要求。
一种识别工业线缆的方法,包括如下步骤:
a.从至少一个图像文件中自动视觉识别至少一根工业线缆的多个不同组件;
b.分析这些组件之间的几何关系和/或功能联系;
c.使用步骤b中所获得的信息从图像文件中提取组件的各个特征。
这样特别有利的原因在于,上述方法能够自动执行,而无需人工即人力干预。无论昼夜和日期,来自世界各地的咨询皆可通过例如内部计算服务器上运行的计算机程序或者有利地云应用中仅需很少维护工作地得到立即、适当且恒定的高品质处理。为此,计算服务器可以具有至少一个微处理器和组合程序/数据存储器。上述方法可以作为计算机程序的组成部分存储在数据存储器中。
经证实特别有利的是,步骤c使用步骤b中所获得的信息来完成。最后,采取这种方式,上述方法中可以考虑到有关工业线缆功能和结构的特殊知识。例如,该知识涉及载流量、耐温性、防潮保护、耐候性、耐臭氧性和抗紫外线性以及屏蔽绝缘性能,因而涉及绝缘层和屏蔽层的材料和厚度,例如编织屏蔽层的材料和设计,特别是单根绞线、屏蔽(层)和/或绝缘层形成共同电导体的同属性等。
可以在技术人员创建计算机程序期间或在技术人员的支持下,即在步骤a之前,预先将该知识引入上述方法中。补充地,在一个优选实施方案中,系统还可以通过自学习方式生成附加知识。
例如,上述方法可以执行如下:图像文件由工业线缆的横截面图组成,其中尤其包括屏蔽双绞线(“shielded Twisted Pair”)。在步骤a中,所获得的信息是存在至少被其自身绝缘层包围的双绞线。由此,在步骤b中可以得出,双绞线同样具备屏蔽的可能性很高,因为经验表明,鲜少存在具有自身绝缘层但无自身屏蔽层的双绞线。例如,这种经验可能已经预先编程到系统中。但替代地或补充地,可以使用自学习算法在足够长的时间段内,即通过足够多的不同分析,从方法本身获得这种知识。
在许多情况下,特别是当几种如此高的概率相关联时,可以假设几乎确定的事实。为此,上述方法中可以指定对应概率的一个或多个阈值。
然而,在步骤a中,替代地或补充地可能认识到,双绞导体被布置于绝缘层内的任何屏蔽层包围,但在步骤a中未能准确识别这种屏蔽类型。
通过来自步骤b的所述编程知识,可以在步骤c中也得出结论,该屏蔽必然是屏蔽箔,因为如步骤b所知,只有屏蔽箔才能用于屏蔽双绞线。换而言之:根据步骤b所涉及的编程和/或自学知识,可以获知不存在屏蔽不是由屏蔽箔制成的那种屏蔽双绞线。相反,识别出屏蔽双绞线就意味着识别的屏蔽必然由箔制成。
在一个优选实施方案中,至少一些如下组件类别可用于步骤a:
-线;
-绞合线;
-外屏蔽层;
-外护套;
-内护套;
-绝缘层;
-单独屏蔽层。
此外,当然相对普通的可视觉识别特征(诸如线和/或整体工业线缆的颜色和标签)也可以在分配中发挥作用。
具体而言,工业线缆的线还可以由至少一项如下特征来表征:
-相应电导体/相应线缆芯的厚度和形状;
-导体绝缘层的厚度和形状;
-线缆屏蔽层的类型和形状。
为此,步骤a可以有利地包括:
通过人工智能(AI),将组件自动视觉识别为单个对象,并将组件分配给工业线缆的组件类别。
可选地,在步骤a中,附加地也可以将所识别的组件分配给至少一个功能类别。
为了实现自动标识,可以手动地(即通过人力活动)预先(即在步骤a之前)“教导”系统来识别和表征组件。这里不仅训练了组件类别,例如“芯线”、“绞合线”、“绝缘层”、“屏蔽层”、“线缆护套”等,也可以为先前选择的组件分配具体的内部类型通称。这些分配是根据先前在训练其人工智能(AI)期间向系统教导的那些类别而完成。
为此,系统通过人工智能(AI)预先从手动创建的与训练图像相关的训练表中学习。通过这个学习过程,系统随后能够在所述步骤a中针对新添加的图像文件或其定义部分将其中找到的组件独立地分配给这些组件类别。
为此,时间上在执行步骤a之前首先手动执行所述训练。
在一个简单示例中,一系列训练图像均包括一根屏蔽双绞线,其中双绞线对被屏蔽层和导体绝缘层包围。将芯线对、其芯线、其导体及其绝缘层以及可选的屏蔽层及其护套层以几何信息形式作为坐标手动输入到系统中。就此而言,AI仅视为“黑盒(Black Box)”,即仅考虑其功能。如果上述方法此时应用于用户数据,即分析客户转发的图像文件中以横截面显示的工业线缆图像,则在图像中清楚地看到例如双绞线屏蔽时,便已经视为可识别,因为它在位置和纹理上与训练图像的屏蔽非常相似。
尽管这种训练最初需要人工,即人力,但原则上仅需一次,然后即可根据需要随时使用上述方法,具有成本效益。
就此,训练包括首先读入大量训练图像并例如通过训练表将相应组件类别手动分配给相关训练图像的过程。
在一个优选改进方案中,可以通过将训练表中的一行分配给每个组件的每个训练图像来进行这种分配。在训练表中,除了多列参考训练图像外,还有一列组件类别和显示组件确切位置的四列,例如以X轴和Y轴和/或例如通过向量和/或极坐标及其在图像中的高度和宽度来确切说明组件在图像中的确切位置。
在另一示例中,训练图像显示了具有特定大电流线的工业线缆横截面。大电流线具有名称(例如“Delta Power 03”)和/或内部商品编号(例如“10470032634”)。训练表则有正好一行训练图像组件组合,其中在工业线缆的横截面中可以找到例如训练图像条目“Bild(图像)4813”、各个组件的内部类型名称、位置信息(例如XY位置数值“92,25,178,75”或对应极坐标数值)以及组件的高度和宽度和/或中心和半径。技术人员可以预先手动输入识别符、相对位置和尺寸(高度/宽度;中心/半径或它们相对于各种组件的比率)。如果使用商品编号,特别有利的是可以系统维护这些商品编号。这样仅略有不同的组件也可能具备互有一定相似性的商品编号,例如仅在最后一位或几位有所不同。在此情况下,必要时也可以为训练表减少商品编号,或者可以采取任何其他方式使用AI技术,例如通过分配给一般术语而进行粗略分配。
在另一个优选实施方案中,组件的商品编号也可以用来代表相似的组件,以实现稍微粗糙的筛选进而获得有意义的分配。通过这种方式,例如仅绝缘层颜色不同的不同信号线尽管有很小的差异,但可以分配给共同的组件类别。
优选地,在训练范围内,AI对大量训练图像调整其神经元连接的权重,以便能够确定位于图像上的组件,包括组件的位置和尺寸。在此情形下,AI能够独立提取有关确定的特征(如边缘、纹理等),进而也能在训练之外以相同的方式识别包含训练组件的未知图像。当然,这个原理可以通过训练表以相同的方式应用于任何其他视觉特征。特别地,统计评估在这里是有意义的,其中每个单独训练图像的视觉特征可以视为所谓的“样本”,即从与相应特征相关的全部特征中随机选择数据。
然后,在步骤a中可以从例如源自客户咨询的任何图像文件识别出全部AI已知的组件(即分配给已知类别,如“大电流线”),并进行本地化。
替代地或补充地,对象也可以采取相同的方式分配给具体的构形。如果组件类别专门针对非常特定的产品进行训练,即不仅仅是一般性的,例如“大电流线”或“信号线”,而是如上例所述,特指内部商品编号“10470032634”,则将待分析对象分配给这些组件类别。
替代地或补充地,训练也可以参考相应组件的特定已知特征。
正如若干试验和测试运行表明,这个原理有时非常适用于线缆领域技术人员最初不会预期的特征。例如,还可以尤其就材料和/或生产方法方面对AI进行训练。这一点合理地通过与相应领域中采用的生产方法和材料相对应的训练图像来实现。训练图像上显示的对象可以但不必显示来自线缆方面的组件。确切而言,这些对象仅需具有在相应检查中十分重要的相应生产和材料特定属性,例如“塑料”、“金属”、“绞合”“编织”和/或“箔”。替代地,AI也可以仅处理来自线缆生产方面的组件的训练图像,特别是精确处理相关的组件,例如“线缆护套层”,但随后的特征重点是材料和生产方法。具体而言,可以根据经验使训练适应要手动检查的相应学习结果。
在非常特殊的实施方案中,例如还可以随后在第一步骤中将识别为“电能芯线”的对象分配给相应的材料和/或生产方法,进而进行预选,由此在第三步骤中进行最终的产品特定分配。
通过上述方法,还可以识别一个或多个图像中显示的组件,例如“绞合导体”、“绝缘层”、“屏蔽层”、“线缆护套”等。
这些组件(例如绝缘层)可以根据几何特性(例如厚度和形状)来分类,还可以通过所述编程在功能上分类,例如在耐温性、柔性、电蠕变性方面进行分类。替代地或补充地,它们可以根据材料和生产方法分配,也可以根据例如特定产品分配。
此外,工业线缆可以由一项或多项如下特征来表征:
o外径;
o外屏蔽层的存在和,如有必要,类型;
o其线根数;
o其芯线厚度;
o其芯线的材料和/或生产方法;
o其芯线的各个绝缘层的厚度、形状和/或位置;
o这些绝缘层的材料和/或生产方法;
o单独屏蔽层和/或单独PE线(保护接地线)的存在以及,如有必要,类型和形状;
o线缆护套的厚度和形状;以及
o对特定的线缆密封套的适用性,
本领域技术人员清楚的是,涉及尺寸的特征可以有利地以它们彼此之间的相对大小来考虑。
在另一个优选实施方案中,各个线可以由至少一项如下特征来表征:
o其尺寸和几何形状;
o至少一个功能类别;
o其在线缆中的几何排列,
其中,本领域技术人员清楚的是,涉及尺寸的特征可以有利地以它们彼此之间的相对大小来考虑。
功能类别可以包括至少一项如下特征:
-电能传输;
-模拟和/或数字电子信号传输;
-光和/或光电信号传输;
-气动,例如气压传输。
如下组件类别也可额外用于步骤a:
-绞合线;
-绝缘层;
-屏蔽层。
绞合线还可以由至少一项如下特征表征:
o其几何尺寸;
o其功能类别;
o其在线缆中的位置,即在线缆横截面中的位置,
本领域技术人员清楚的是,涉及尺寸的特征可以有利地以它们彼此之间的相对大小来考虑。
功能类别可以由如下特征之一构成:
-电能传输;
-模拟和/或数字电子信号传输;
-光和光电信号传输;
-气动,例如气压传输;
-数据传输。
特别地,上述方法可以采取上述方式将基于人工智能(AI)的自动视觉识别(通常通过“卷积神经网络(CNN)”)与后续算法的图像处理相结合。
优选地,单个组件的学习过程和分析可在考虑工业线缆的其他组件的物理结构的情况下进行。基于线缆横截面的数字图像,可以通过本发明提出的过程准确识别工业线缆的组件,尤其是根据它们之间的功能关系进行几何描述。通过线缆识别和算法分析的有利顺序处理链能够对工业线缆实现分层描述。
特别有利的是,可能进行定性分配和比较,这在现有技术中无法用先前的自动识别来反映。根据本发明的方法的特征尤其在于结合例如借助“卷积神经网络”(CNN)的基于AI的自动视觉识别与随后的算法图像处理,同时考虑到工业线缆的物理结构,即彼此的功能和几何关系。
具体实施方式
下面结合附图说明本发明的优选实施例并在下文予以详述。为此,本发明提出了一种用于从数字图像文件中识别工业线缆100的系统。图中:
图1示出了待识别工业线缆的待分析图像;
图2示出了从属于图像的数字图像文件中识别工业线缆组件的方法的流程图。
这些附图包含部分简化示意图。在一定程度上,相同的附图标记用于相同的元素,但也可能用于不同的元件。相同要件的不同视图可以按不同比例缩放。
图1示出了待识别工业线缆100的待分析图像。该图像是客户转发的图像文件的内容。该图像显示出线缆横截面,其具有外侧线缆护套101和以编织屏蔽层的形式嵌入其中的屏蔽层103(为了清楚起见,在附图中未以图形方式示出)。该线缆护套101内布置有如下组件:
-一根带有四根单独双绞线的四倍(4-fach)双绞线1;
-两根单独的一倍(1-fach)双绞线1;
-五根单独的同轴线2、2’、2”;
-一根具有三根电能芯线30、30’、30”的电能线3。
在上下文中,为了清楚起见,相同的组件(即原则上重复的组件)并不皆有自己的附图标记。
仅此粗略清单便已适用于根本上表征工业线缆100并将其与功能上相当的其他工业线缆关联起来。
为了更精确地分配给它们各自的组件类别,已列出的组件又通过其他组件及其各自的特性来详细说明。
在两根单独的一倍双绞线1’中,只有一根明确标有附图标记,即代表了另一根。在这些单独的一倍双绞线中,每对双绞芯均对由两根芯线10’组成,两根芯线又分别由双绞线导体15’和围绕其的导体绝缘层14’形成。该芯线对具有双绞线护套11’作为其自身护套,其内部布置有双绞线屏蔽箔13’(为清楚起见,图中未示出)。
如上所述,四倍双绞线1具有四根单独的双绞线,它们又各自具有两根双绞芯线10。这些芯线10中的每一根由双绞线导体15和包围其的导体绝缘层14形成。两根双绞芯线10共同形成双绞芯线对。每对双绞芯线对均被其自身的芯线对护套和位于其中的屏蔽箔包围,该芯线对护套和位于其中的屏蔽箔属于相应的双绞线(为了清楚起见,本图未标有附图标记)。四根双绞线一起被双绞线护套11和位于其中的公共屏蔽箔13包围。
为了清楚起见,五根同轴线2、2’、2”中只有三根标有至少一个附图标记。这些同轴线之一完全指定为代表其他同轴线。它具有被同轴绝缘层24包围的内侧电导体25。它又被内屏蔽层23包围,该内屏蔽层23又被同轴线护套22包围。
此外,工业线缆100包括具有三根电能芯线30、30’、30”的电能线3。通过上述方式,此处也仅完全标记一根电能芯线30。电能芯线30、30’、30”分别具有电能线绞合线35作为电导体,其均被芯线绝缘层34包围。这三根电能芯线30、30’、30”共同被电能线护套31包围,该电能线护套31也是电能线3的组成部分。
图2示出了从该图像文件中示例性自动识别工业线缆100的方法的流程图。
上述方法通过计算服务器上的计算机程序来执行,包括如下步骤:
a.通过自动视觉识别从图像文件中自动识别工业线缆100的基本组件10、10’、2、2’、2”、30、30’、30”,并且借助于人工智能(AI)将基本组件10、10’、2、2’、2”、30、30’、30”分配为各个对象;
b.分析各个组件10、10’、2、2’、2”、30、30’、30”之间的几何关系和/或功能联系;
c.使用步骤b中所获得的信息,从图像文件中提取基本组件10、10’、2、2’、2”、30、30’、30”的各个特征。
在步骤a中,首先通过所谓的“卷积神经网络(CNN)”将如下组件相互分离,即识别为不同的对象并分配给不同的组件类别。
这样,系统就在步骤a中基于方法前的训练识别如下内容:
-“线缆护套”类别的第一对象101;
-“四倍双绞线”类别的第二对象1;
-“一倍双绞线”类别的两个第三对象10’;
-“同轴线”类别的五个第四对象2、2’、2”;
-“电能线”类别的第五对象3。
也可以根据先前训练的类型将对象分配给具体的公司内部或公共产品,即它们的产品名称和/或商品编号。
在步骤b中,程序首先识别几何关系,即线缆护套101包围其他对象。通过其编程知识,该程序得出结论,另外的绝缘层和绞合线以及可能还有另外的屏蔽层位于已识别的线缆护套101内部,即使是视觉上并未识别出这些对象。
在步骤c中,识别组件10、10’、2、2’、2”、30、30’、30”的其他各个特征。这包括例如将电能线3和与之相关的电能线30、30’、30”分配给电能传输。
根据相同的原理,可以根据其层次结构推导出另外视觉/几何特征。算法图像处理是指特殊的物理特征,例如重复排列和部件的大小比例。
例如,上述方法可以执行如下:
图1所示图像的图像文件包括工业线缆100的横截面图,其具有第三对象,即屏蔽一倍双绞线(“shielded single Twisted Pair”屏蔽单个双绞线)1’。为此,在步骤a中,首先获得的信息是存在被其自身的护套包围的双绞线1’。由此,可以在步骤b中得出结论,一倍双绞线1’也很有可能具有屏蔽层13’,因为经验表明(该知识最终被编程到系统中)鲜少存在双绞线具有绝缘层但无屏蔽的情况。在另一个实施方案中,这样的知识也可以由系统以自学习方式根据其自身的经验生成。
然而,在步骤a中,例如在四倍双绞线1的情况下,也可以通过视觉分析识别出双绞线导体1被布置于双绞线护套11内的任何双绞线屏蔽层13包围,而在步骤a中未准确识别出该双绞线屏蔽层13的类型。
根据步骤b中所获得的信息,在步骤c中可得出结论,在这两种情况下,均有双绞线屏蔽层13、13’,且其必然是屏蔽箔,因为原则上只有屏蔽箔才能用于屏蔽双绞线1、1’。
采取这种方式,通过将现有知识与视觉分析相结合,任选地可能还辅以学习知识,提供了一种非常可靠的用于识别工业线缆的功能性系统。
尽管图中以组合方式示出本发明的各个方面或特征,但本领域技术人员将清楚理解所图示和所讨论的组合并非唯一可行的组合,除非另作说明。尤其是不同实施例中相互对应的单元或特征整体可以互换。
附图标记列表
100 工业线缆
101 线缆护套
103 外屏蔽层/外屏蔽/编织屏蔽层
1 四倍双绞线
1’ 一倍双绞线
10、10’ 双绞芯线
11、11’ 双绞线护套
13、13’ 双绞线屏蔽/屏蔽箔
14、14’ 双绞线导体绝缘层
15、15’ 双绞线导体
2、2’、2” 同轴线
22 同轴线护套层
23 内屏蔽层
24 同轴绝缘层
25 内侧电导体
3 电能线
30、30’、30” 电能芯线
31 电能线护套
34 芯线绝缘层
35 电能线绞合线
Claims (12)
1.一种识别工业线缆(100)的方法,具有如下步骤:
a.从至少一个图像文件中自动视觉标识至少一根工业线缆(100)的多个不同组件(10、2、3、3’、3”);
b.分析所述组件(10、2、3、3’、3”)之间的几何关系和/或功能联系;
c.使用步骤b中所获得的信息从所述图像文件中提取所述组件(10、2、3、3’、3”)的各个特征。
2.根据权利要求1所述的方法,其中,步骤a包括:至少将所述组件(10、2、3、3’、3”)自动视觉识别为单个对象,并通过人工智能(AI)将所述组件(10、2、3、3’、3”)分配给组件类别。
3.根据权利要求2所述的方法,其中,至少如下组件类别可用于步骤a:
-线(10、10’、2、2’、2”);
-外屏蔽层(103);
-线缆护套(101)。
4.根据权利要求3所述的方法,其中,所述线(10、10’、2、2’、2”)还由如下一项或多项特征来表征:
-至少一根具有电导体(15、15’、25、35)和包围其的导体绝缘层(14、22)的线芯(10、10’、2、2’、2”、30、30’、30”)的厚度和形状;
-所述导体绝缘层(14、14’、24、34)的厚度和形状;
-如有必要,线屏蔽层(13、23)的类型和形状。
5.根据权利要求3至4中任一项所述的方法,其中,所述工业线缆(100)还由如下一项或多项特征来表征:
o外径;
o外屏蔽层(103)的存在和如有必要类型;
o其线(1、1’、2、3)的数量;
o其芯线(15、15’、25、35)的厚度;
o其芯线(15、15’、25、35)的材料和/或生产方法;
o其芯线(14、14’、24、34)的各个绝缘层的厚度、形状和/或位置;
o这些绝缘层(14、14’、24、34)的材料和/或生产方法;
o各个屏蔽层(23、13)和/或各个PE线(保护接地线)的存在以及如有必要类型和形状;
o所述线缆护套(101)的厚度和形状;以及
o其对一个或多个特定的线缆密封套的适用性。
6.根据权利要求3至5中任一项所述的方法,其中,所述线(1、1’、2、2’、2”’、3、3’、3”)还由至少一项如下特征来表征:
o其尺寸和几何形状;
o至少一个功能类别;
o其在所述工业线缆(100)中的几何排列。
7.根据权利要求6所述的方法,其中,所述功能类别包括至少一项如下特征:
-电能传输;
-模拟和/或数字电子信号传输;
-光和光电信号传输;
-气动,例如气压传输。
8.根据权利要求3至7中任一项所述的方法,其中,如下组件类别额外地还可用于步骤a:
-电导体/绞合线(15、15’、25、35);
-绝缘层(14、14’、24、34);
-屏蔽层(13、13’、23)。
9.根据权利要求8所述的方法,其中,所述工业线缆(100)的线(1、1’、2、2’、2”、3)还由至少一项如下特征来表征:
o其几何尺寸;
o其功能类别。
10.根据权利要求9所述的方法,其中,步骤a中的至少一个组件附加地关联到至少一项如下功能类别:
-电能传输;
-模拟和/或数字电子信号传输;
-光和光电信号传输;
-气动,例如气压传输。
11.根据权利要求2至10中任一项所述的方法,其中,使用商品编号作为组件类别。
12.根据权利要求2至11中任一项所述的方法,其中,使用产品名称作为组件类别。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019133193.5A DE102019133193A1 (de) | 2019-12-05 | 2019-12-05 | Verfahren zur Identifikation von Industriekabeln |
DE102019133193.5 | 2019-12-05 | ||
PCT/DE2020/100999 WO2021110208A1 (de) | 2019-12-05 | 2020-11-25 | Verfahren zur identifikation von industriekabeln |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114766044A true CN114766044A (zh) | 2022-07-19 |
Family
ID=73835300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080083093.2A Pending CN114766044A (zh) | 2019-12-05 | 2020-11-25 | 识别工业线缆的方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220415062A1 (zh) |
EP (1) | EP4070264A1 (zh) |
CN (1) | CN114766044A (zh) |
DE (1) | DE102019133193A1 (zh) |
WO (1) | WO2021110208A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113701651A (zh) * | 2021-10-20 | 2021-11-26 | 国网天津市电力公司电力科学研究院 | 一种电缆绝缘线芯尺寸检测方法、装置及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020164133A1 (en) * | 2001-03-13 | 2002-11-07 | Rattazzi Dean J. | Method and system for identifying optical fibers and buffer tubes |
US7468489B2 (en) * | 2006-04-24 | 2008-12-23 | Commscope, Inc. Of North Carolina | Cable having internal identifying indicia and associated methods |
DE102014005242B3 (de) * | 2014-04-08 | 2015-07-09 | SLE quality engineering GmbH & Co. KG | Verfahren und Vorrichtung zum Bestimmen einer Winkellage von Einzelleitungen an einer vorbestimmten Querschnittsstelle in einer mehradrigen Mantelleitung |
PL234021B1 (pl) * | 2017-04-21 | 2020-01-31 | Dtp Spolka Z Ograniczona Odpowiedzialnoscia | Urządzenie do identyfikacji oznaczeń przewodów i sposób identyfikacji oznaczeń przewodów |
CN110363773B (zh) * | 2018-12-19 | 2022-11-08 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于图像处理的电缆类别检测系统和检测方法 |
CN109829508B (zh) * | 2019-02-25 | 2022-11-08 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于形状投影的电缆类别检测系统和检测方法 |
-
2019
- 2019-12-05 DE DE102019133193.5A patent/DE102019133193A1/de active Pending
-
2020
- 2020-11-25 US US17/781,284 patent/US20220415062A1/en active Pending
- 2020-11-25 WO PCT/DE2020/100999 patent/WO2021110208A1/de unknown
- 2020-11-25 EP EP20824444.2A patent/EP4070264A1/de active Pending
- 2020-11-25 CN CN202080083093.2A patent/CN114766044A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4070264A1 (de) | 2022-10-12 |
DE102019133193A1 (de) | 2021-06-10 |
WO2021110208A1 (de) | 2021-06-10 |
US20220415062A1 (en) | 2022-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9837778B2 (en) | Automatic-robotic-cable-connector-assembly system | |
CN110827297A (zh) | 基于改进的条件生成对抗网络的绝缘子分割方法 | |
CN109472264B (zh) | 用于生成物体检测模型的方法和装置 | |
CN112598343B (zh) | 一种对数据中心的风险巡检方法、装置、设备及存储介质 | |
CN109190646B (zh) | 一种基于神经网络的数据预测方法、装置及神经网络系统 | |
CN114766044A (zh) | 识别工业线缆的方法 | |
CN108491825A (zh) | 信息生成方法和装置 | |
CN112001317A (zh) | 基于语义信息的导线缺陷识别方法、系统及终端设备 | |
CN112381800A (zh) | 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质 | |
CN116309303A (zh) | 基于红外图像的电气设备缺陷检测方法、装置及相关设备 | |
CN116718600A (zh) | 一种用于对线束产品进行智能化检测的检测装置 | |
CN111680236A (zh) | 菜单显示方法、装置、终端设备及存储介质 | |
CN109255187B (zh) | 分析方法及装置 | |
CN108447118A (zh) | 3d视觉呈现的大数据可视化方法、装置及电子设备 | |
CN111048245B (zh) | 汽车通信线缆 | |
CA2702580C (en) | Wiring harness manufacturing method and system | |
CN116626542A (zh) | 一种线束产品的智能化检测系统 | |
CN112102302B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN114449362A (zh) | 视频封面的选取方法、装置、设备及存储介质 | |
Altarazi et al. | Integration of process planning and scheduling with sequence dependent setup time: a case study from electrical wires and power cable industry | |
CN117745721B (zh) | 一种基于标识解析的排产计划优化方法及相关设备 | |
DE102021111592A1 (de) | Verfahren zur automatische Konfiguration industrieller Steckverbinder | |
CN110954957A (zh) | 三维地震数据的空间融合方法及计算机可读存储介质 | |
CN117744954B (zh) | 一种基于标识解析的智能排产方法及相关设备 | |
CN107146295A (zh) | 设备的巡检方法、装置和系统 |
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 |