CN114841945A - 基于深度学习的海洋绞车自动排缆视觉检测方法及系统 - Google Patents
基于深度学习的海洋绞车自动排缆视觉检测方法及系统 Download PDFInfo
- Publication number
- CN114841945A CN114841945A CN202210444164.8A CN202210444164A CN114841945A CN 114841945 A CN114841945 A CN 114841945A CN 202210444164 A CN202210444164 A CN 202210444164A CN 114841945 A CN114841945 A CN 114841945A
- Authority
- CN
- China
- Prior art keywords
- cable
- deep learning
- arrangement
- visual detection
- cable arrangement
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66D—CAPSTANS; WINCHES; TACKLES, e.g. PULLEY BLOCKS; HOISTS
- B66D1/00—Rope, cable, or chain winding mechanisms; Capstans
- B66D1/28—Other constructional details
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66D—CAPSTANS; WINCHES; TACKLES, e.g. PULLEY BLOCKS; HOISTS
- B66D1/00—Rope, cable, or chain winding mechanisms; Capstans
- B66D1/28—Other constructional details
- B66D1/36—Guiding, or otherwise ensuring winding in an orderly manner, of ropes, cables, or chains
-
- 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
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- 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
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的海洋绞车自动排缆视觉检测方法及系统,所述系统包括一组阵列排布的视觉检测相机、分布式光源、光线传感器、图像采集与处理模块以及控制器,所述方法用于识别需要修正的排缆参数并反馈,帮助实现海洋绞车有序自动排缆。本发明通过阵列相机对排缆过程进行实时监控,根据粗定位结果设置不同的图像处理参数,提高了针对各类出错类型的识别精度,从而实现了海洋绞车快速有序自动排缆过程的视觉检测,有利于提高缆绳使用寿命和海洋绞车运行、海洋装备作业的安全性。
Description
技术领域
本发明涉及机器视觉,特别是一种基于深度学习的海洋绞车自动排缆视觉检测方法及系统。
背景技术
随着人口的迅速膨胀、土地资源的枯竭和环境的不断恶化,世界各国都把目光投向了富含石油、天然气和矿产资源的海洋。船用绞车是水面保障系统中的关键甲板机械设备,广泛应用于以母船为主的深海作业过程中,海洋资源勘探开发设备的收放及其固定。近年来,海洋资源的勘探和开发逐渐从近海转向深海。随着设备作业深度的不断增加,海上绞车缆绳要求超长,甚至达到10000米。在绞车运行期间,缆绳从卷筒上松开,以便船用设备在海上运行;重放船用设备时,电缆应有序排列并存放在卷筒内。然而,由于受缆绳长度、复杂多变的海况和工作条件的影响,绞车有时会出现缆绳无序(空槽、咬缆绳、背缆绳)和缆绳卡死现象,导致船舶设备收放作业暂停甚至失效。无序的缆绳和缆绳夹持导致相互挤压,容易损坏缆绳,而船用绞车缆绳一般为脐带缆,不仅具有牵引和吊装功能,还具有深海供电、控制和通信功能。缆索问题使得船用设备无法预期运行或设备无法恢复,这已成为船用绞车和船用设备运行中的安全隐患。
目前,绞车有两种自动排线方式:机械控制和电气控制。机械式自动强电缆敷设方式属于间接驱动方式,将储缆滚筒主轴与电缆敷设螺杆连接,驱动电缆铺设机构与电缆储存卷筒的电源相连,并以机械传动比对电缆储存卷筒的主轴施加作用力排缆丝杠协同运动进行自动电缆敷设。电气控制自动排缆要领重要有两类,一类是根据检测到的卷筒转速、丝杆转速或位移,反馈丝杆转速或位移来控制转速及转向使导缆轮与储缆卷筒之间协调运动,实现自动排缆;另一类是通过检测缆绳偏角,使排缆机构与储缆卷筒协同运动,实现自动排缆。缆绳排列密实整齐主要是通过机械传动关系(机械式强排缆)、检测卷筒与丝杆转速或缆绳偏角(电控式排缆)并进行相应控制来间接保证。由于没有直接代表排线质量的物理量,自动排线过程中存在摩擦磨损、检测误差和信号干扰,一旦排线出现偏差,电缆排列控制器无法知道,也无法实现自动纠偏,只能手动观察和干预,这会对船用绞车和船用设备的操作造成潜在的安全隐患。
发明内容
发明目的:本发明的目的是提供一种基于深度学习的海洋绞车自动排缆视觉检测方法及系统,从而提高缆绳使用寿命和海洋绞车运行、海洋装备作业的安全性。
技术方案:本发明所述的一种基于深度学习的海洋绞车自动排缆视觉检测方法,包括以下步骤:
(1)数台近景相机呈线性排布在储缆卷筒一侧,分别监控不同段的储缆卷筒是否出现错排﹑夹缆现象,在储缆卷筒旋转过程中根据排缆的进度确定用来识别的相机,相邻相机视野重叠处附近触发相邻相机同时工作一段时间,避免识别盲区的出现;
(2)制作用于深度学习算法训练的错排﹑夹缆样本图像训练集,使用刚制作的训练集训练,训练出适用于监控排缆过程的深度学习算法;
(3)根据排缆时可能出现的不同类型的错排﹑夹缆样本图像,测试并获取相对应的神经网络参数,与相对的错排﹑夹缆类型形成映射关系,从而提高分类量化排缆误差精度;
(4)在缆绳卷入过程中利用步骤(2)中的深度学习算法对排缆过程进行监控,出现错排﹑夹缆现象后,通过对应的相机对现场情况采集的图像即时识别出多种不同的错误类型反馈对应的图像处理参数,并给出出错位置的粗定位;
(5)根据步骤(4)中给出的图像处理参数与粗定位信息,利用数字图像的处理方法提取缆绳轮廓信息,对于不同的错误类型设置不同的图像处理阈值,提高精度,量化需要修正的排缆参数并给出反馈;
(6)记录各次错误发生时及发生后的绞车状态参数,包括速度、位置、加速度、振动等信息,用于后续分析;
(7)根据步骤(6)中记录的绞车状态参数,使用神经网络训练,输出大概率出错位置,将位置信息反馈给上位机;
(8)上位机根据步骤(7)中反馈的参数利用控制器调整当前排缆状态;出现错误时控制作动器位置,纠正错误;如错误严重,立即停止。
所述步骤(1)具体为:
在储缆卷筒旋转排缆过程中卷筒表面与相机的距离WD不断在变化,根据自动变焦算法计算出当前相机的焦距f′;
当前相机的焦距f′其公式如式(1)所示:
其中,WD′为当前储缆卷筒与相机之间的距离,计算公式如式(2)所示,I为相机感光元件尺寸(长或宽),O为视野范围(长或宽);
WD′=WD-ΔWD (2)
其中,WD为初始状态下储缆卷筒与相机之间的距离,ΔWD为在旋转排缆过程中储缆卷筒与相机之间的距离变化量。
所述步骤(2)中制作用于深度学习算法训练的错排﹑夹缆样本图像训练集具体包括:
(2.1)采集多种排缆过程中会出现的错排﹑夹缆图像;
(2.2)对采集的图像统一图像尺寸、添加标签,构成训练样本集。
所述步骤(5)中数字图像的处理方法具体为:
(5.1)将采集的当前图片做适当的处理,以消除噪声等其他干扰;
(5.2)将步骤(4)中获取到的错误图片进行二值化处理,使图像中的信息更加纯粹,突出边缘亮度变化;
(5.3)对边缘进行检测,提取错误缆绳的边缘轮廓。
一种基于深度学习的海洋绞车自动排缆视觉检测系统,所述系统包括一组阵列排布的视觉检测相机、分布式光源、光照传感器、图像采集与处理模块以及控制器;所述处理模块采用了上述的一种基于深度学习的海洋绞车自动排缆视觉检测方法,用于识别需要修正的排缆参数并反馈,帮助实现海洋绞车有序自动排缆。
所述视觉检测相机线性排布在储缆卷筒一侧,并通过图像采集与上位机的处理模块相连;所述分布式光源包括N个光源,光源的个数由储缆卷筒的长度而定,并均匀分布安装,增强被检测缆绳的光照亮度,提高对错误排缆的视觉检测成像效果以及检测精度;所述光照传感器安装在视觉检测相机附近,检测当前光照情况,以提高识别的稳定性和鲁棒性;所述控制器安装在储缆卷筒一侧与上位机相连;
上述的视觉检测相机排布方式根据储缆卷筒长度L及视野计算公式(1)得出,计算出不同长度的储缆卷筒对应的视觉检测相机个数N,每个视觉检测相机则对应一个光源;
视野计算公式:
其中,f为镜头焦距(取镜头焦距最大值),WD为工作距离,即镜面到储缆卷筒缆绳表面的距离,I为相机感光元件尺寸(长或宽),O为视野范围(长或宽);
一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的一种基于深度学习的海洋绞车自动排缆视觉检测方法。
一种计算机设备,包括储存器、处理器及存储在存储器上并可再处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的一种基于深度学习的海洋绞车自动排缆视觉检测方法。
有益效果:与现有技术相比,本发明具有如下优点:
1、本发明确保了相机在排缆过程中无需移动就能实时捕捉缆绳缠绕到储缆卷筒卷入、放出位置;
2、本发明对阵列相机采集的图片采用深度学习的方法检测夹缆和错排现象并进行粗定位,增加了检测精度,减少了错误识别的概率;
3、本发明实现了海洋绞车快速有序自动排缆,避免了排缆过程中出现错排、夹缆现象,提高了缆绳使用寿命和海洋绞车运行的安全性。
附图说明
图1为本发明所述系统的硬件示意图;
图2为本发明所述算法的步骤流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,本发明所述的一种基于深度学习的海洋绞车自动排缆视觉检测系统,所述系统包括一组阵列排布的视觉检测相机B、分布式光源A、图像采集E与处理模块F、光照传感器G以及控制器H。
本发明提出的基于深度学习的海洋绞车自动排缆视觉检测装置,所述的视觉检测相机B线性排布在储缆卷筒C的一侧,并通过图像采集E与上位机处理模块F相连;所述分布式光源A包括N个光源,光源的个数由储缆卷筒C的长度而定,并均匀分布安装,增强被检测缆绳的光照亮度,提高对错误排缆的视觉检测成像效果以及检测精度。所述光照传感器G安装在视觉检测相机B附近,检测当前光照情况是否符合海洋光照环境下的照明,以提高识别的稳定性和鲁棒性;所述控制器H安装在储缆卷筒一侧与上位机相连;
对于上述的视觉检测相机排布,根据储缆卷筒长度L及视野计算公式,可计算出不同长度的储缆卷筒对应的视觉检测相机个数N,每个视觉检测相机则对应一个光源;
视野计算公式:
其中,f为镜头焦距(取镜头焦距最大值),WD为工作距离,即镜面到储缆卷筒缆绳表面的距离,I为相机感光元件尺寸(长或宽),O为视野范围(长或宽)。
如图2所示,一种基于深度学习的海洋绞车自动排缆视觉检测方法,包括如下步骤:
(1)三台近景相机a、b、c呈线性排布在储缆卷筒C一侧,分别监控不同段的储缆卷筒是否出现错排﹑夹缆现象,在储缆卷筒C旋转过程中根据排缆的进度可以确定用来识别的相机相邻相机视野重叠处附近触发相邻相机同时工作一段时间,避免识别盲区的出现;
其中在储缆卷筒旋转排缆过程中卷筒表面与相机的距离WD不断在变化因此根据自动变焦算法计算出当前相机的焦距f′;
当前相机的焦距f′其公式如式(2)所示:
WD′为当前储缆卷筒与相机之间的距离,I为相机感光元件尺寸(长或宽),O为视野范围(长或宽)。
其中WD′的计算公式如式(3)所示:
WD′=WD-ΔWD (3)
WD为初始状态下储缆卷筒与相机之间的距离,ΔWD为在旋转排缆过程中储缆卷筒与相机之间的距离变化量。
(2)制作用于深度学习算法训练的错排﹑夹缆样本图像训练集,使用刚制作的训练集训练,训练出适用于监控排缆过程的深度学习算法;
其中制作用于深度学习算法训练的错排﹑夹缆样本图像训练集具体包括:
(2.1)采集多种排缆过程中会出现的错排﹑夹缆图像;
(2.2)对采集的图像统一图像尺寸、添加标签,构成训练样本集。
(3)根据排缆时可能出现的不同类型的错排﹑夹缆样本图像,测试并获取相对应的神经网络参数,与相对的错排﹑夹缆类型形成映射关系,从而提高分类量化排缆误差精度。
(4)在缆绳D卷入过程中利用步骤(2)中的深度学习算法对排缆过程进行监控,出现错排﹑夹缆现象后,通过对应的相机对现场情况采集的图像即时识别出多种不同的错误类型反馈对应的图像处理参数,并给出出错位置的粗定位。
(5)根据步骤(4)中给出的图像处理参数与粗定位信息,利用数字图像的处理方法提取缆绳轮廓信息,对于不同的错误类型设置不同的图像处理阈值,提高精度,量化需要修正的排缆参数并给出反馈;
其中数字图像的处理方法具体包括:
(5.1)将采集的当前图片做适当的处理,以消除噪声等其他干扰;
(5.2)将步骤(4)中获取到的错误图片进行二值化处理,使图像中的信息更加纯粹,突出边缘亮度变化;
(5.3)对边缘进行检测,提取错误缆绳的边缘轮廓。
(6)在排缆过程中记录下各次错误发生时及发生后的绞车状态参数,包括速度、位置、加速度、振动等信息,用于后续分析。
(7)根据步骤(6)中记录的绞车状态参数,使用神经网络训练,输出大概率出错位置,将位置信息反馈给上位机,提高视觉检测方法的准确性。
(8)上位机根据步骤(7)中反馈的参数利用控制器调整当前排缆状态;出现错误时控制作动器位置,纠正错误;如错误严重,立即停止;实现海洋绞车快速有序自动排缆,避免排缆过程中出现错排、夹缆现象,提高缆绳使用寿命和海洋绞车运行、海洋装备作业的安全性。本发明专利以错排夹缆举例,实际还可推广到其他类似的错误故障。
一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的一种基于深度学习的海洋绞车自动排缆视觉检测方法。
一种计算机设备,包括储存器、处理器及存储在存储器上并可再处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的一种基于深度学习的海洋绞车自动排缆视觉检测方法。
Claims (10)
1.一种基于深度学习的海洋绞车自动排缆视觉检测方法,其特征在于,包括以下步骤:
(1)数台近景相机呈线性排布在储缆卷筒一侧,分别监控不同段的储缆卷筒是否出现错排﹑夹缆现象,在储缆卷筒旋转过程中根据排缆的进度确定用来识别的相机,相邻相机视野重叠处附近触发相邻相机同时工作一段时间,避免识别盲区的出现;
(2)采集错排的样本图像并制作用于深度学习算法训练的错排﹑夹缆样本图像训练集,使用刚采集制作的训练集训练,训练出适用于监控排缆过程的深度学习算法;
(3)根据排缆时可能出现的不同类型的错排﹑夹缆样本图像,测试并获取相对应的神经网络参数,与相对的错排﹑夹缆类型形成映射关系,从而提高分类量化排缆误差精度;
(4)在缆绳卷入过程中利用步骤(2)中的深度学习算法对排缆过程进行监控,出现错排﹑夹缆现象后,通过对应的相机对现场情况采集的图像即时识别出多种不同的错误类型反馈对应的图像处理参数,并给出出错位置的粗定位;
(5)根据步骤(4)中给出的图像处理参数与粗定位信息,利用数字图像的处理方法提取缆绳轮廓信息,对于不同的错误类型设置不同的图像处理阈值,提高精度,量化需要修正的排缆参数并给出反馈;
(6)记录各次错误发生时及发生后的绞车状态参数,用于后续分析;
(7)根据步骤(6)中记录的绞车状态参数,使用神经网络训练,输出大概率出错位置,将位置信息反馈给上位机;
(8)上位机根据步骤(7)中反馈的参数利用控制器调整当前排缆状态;出现错误时控制作动器位置,纠正错误;如错误严重,立即停止。
3.根据权利要求1所述的一种基于深度学习的海洋绞车自动排缆视觉检测方法,其特征在于,所述步骤(2)中制作用于深度学习算法训练的错排﹑夹缆样本图像训练集具体包括:
(2.1)采集错排﹑夹缆图像;
(2.2)对采集的图像统一图像尺寸、添加标签,构成训练样本集。
4.根据权利要求1所述的一种基于深度学习的海洋绞车自动排缆视觉检测方法,其特征在于,所述步骤(5)中数字图像的处理方法具体为:
(5.1)将采集的当前图片做适当的处理,以消除其他干扰;
(5.2)将步骤(4)中获取到的错误图片进行二值化处理,使图像中的信息更加纯粹,突出边缘亮度变化;
(5.3)对边缘进行检测,提取错误缆绳的边缘轮廓。
5.根据权利要求1所述的一种基于深度学习的海洋绞车自动排缆视觉检测方法,其特征在于,步骤(6)所述的绞车状态参数包括速度、位置、加速度、振动。
6.根据权利要求4所述的一种基于深度学习的海洋绞车自动排缆视觉检测方法,其特征在于,步骤(5.1)所述的其他干扰包括噪声。
7.一种基于深度学习的海洋绞车自动排缆视觉检测系统,其特征在于,所述系统包括一组阵列排布的视觉检测相机、分布式光源、光源传感器、图像采集与处理模块以及控制器;所述处理模块采用了如权利要求1-6任一项所述的一种基于深度学习的海洋绞车自动排缆视觉检测方法,用于识别需要修正的排缆参数并反馈,帮助实现海洋绞车有序自动排缆。
8.根据权利要求7所述的一种基于深度学习的海洋绞车自动排缆视觉检测系统,其特征在于,所述视觉检测相机线性排布在储缆卷筒一侧,并通过图像采集与上位机的处理模块相连;所述分布式光源包括N个光源,光源的个数由储缆卷筒的长度而定,并均匀分布安装;所述光照传感器安装在视觉检测相机附近,检测当前光照情况,以提高识别的稳定性和鲁棒性;所述控制器安装在储缆卷筒一侧与上位机相连;
上述的视觉检测相机排布方式根据储缆卷筒长度L及视野计算公式得出,计算出不同长度的储缆卷筒对应的视觉检测相机个数N,每个视觉检测相机则对应一个光源;
视野计算公式:
其中,f为镜头焦距,WD为工作距离,即镜面到储缆卷筒缆绳表面的距离,I为相机感光元件尺寸,O为视野范围;
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的一种基于深度学习的海洋绞车自动排缆视觉检测方法。
10.一种计算机设备,包括储存器、处理器及存储在存储器上并可再处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的一种基于深度学习的海洋绞车自动排缆视觉检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210444164.8A CN114841945A (zh) | 2022-04-26 | 2022-04-26 | 基于深度学习的海洋绞车自动排缆视觉检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210444164.8A CN114841945A (zh) | 2022-04-26 | 2022-04-26 | 基于深度学习的海洋绞车自动排缆视觉检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841945A true CN114841945A (zh) | 2022-08-02 |
Family
ID=82566699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210444164.8A Pending CN114841945A (zh) | 2022-04-26 | 2022-04-26 | 基于深度学习的海洋绞车自动排缆视觉检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841945A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117571723A (zh) * | 2024-01-16 | 2024-02-20 | 宁德时代新能源科技股份有限公司 | 电池焊渣的检测方法及系统 |
-
2022
- 2022-04-26 CN CN202210444164.8A patent/CN114841945A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117571723A (zh) * | 2024-01-16 | 2024-02-20 | 宁德时代新能源科技股份有限公司 | 电池焊渣的检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2914540B1 (en) | Control system for cables or similar | |
KR101911756B1 (ko) | 해상 부이의 실시간 원격 모니터링 시스템 | |
WO2003058545A1 (en) | A coiled tubing inspection system using image pattern recognition | |
CN114841945A (zh) | 基于深度学习的海洋绞车自动排缆视觉检测方法及系统 | |
US8718352B2 (en) | System and method for testing ropes | |
US8141260B2 (en) | Cable fleet angle sensor | |
EP2712802B1 (en) | An underwater cable deployment system and method | |
CN104979740B (zh) | 在多线铠装电缆内的预定横截面位置确定单线角位置的方法和装置 | |
KR20080066809A (ko) | 트래블링 와이어 케이블을 검사하기 위한 방법 및 장치 | |
CN104054006B (zh) | 装有仪器的水下缆线的低张力回收设备与方法 | |
CN108037132B (zh) | 一种用于干电池浆层纸卷绕缺陷检测的视觉传感器系统及方法 | |
CN110872038B (zh) | 电梯绳伸长测量装置 | |
US9599736B2 (en) | Operation managing system for driving a navigation control device according to a degraded operating mode | |
KR20090117496A (ko) | 케이블의 권취상태 감시방법 | |
US20150096484A1 (en) | Wing Releasing System for a Navigation Control Device | |
CN104297250A (zh) | 一种纱线毛羽检测装置 | |
JP2016138432A (ja) | 水底地盤貫入深度計測装置 | |
BR102015026491B1 (pt) | Linha de detecção sísmica, sistema de detecção sísmica e método de operação de uma linha de detecção sísmica | |
JP2016017423A (ja) | 風力発電装置の監視システム | |
CN204203106U (zh) | 一种纱线毛羽检测装置 | |
CN207832131U (zh) | 基于线阵相机的编织纱线速度与长度的测量系统 | |
CN112816964B (zh) | 一种水雷光引信现场标定装置及方法 | |
CN215666846U (zh) | 一种用于科考船绞车系统缆绳温度检测装置 | |
CN115981190A (zh) | 一种基于无人船的rov布放回收装置远程控制方法及系统 | |
JP2584347B2 (ja) | 水中ケーブルの船上監視方式及びその装置 |
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 |