CN114998352A - 一种基于图像处理的生产设备故障检测方法 - Google Patents
一种基于图像处理的生产设备故障检测方法 Download PDFInfo
- Publication number
- CN114998352A CN114998352A CN202210935647.8A CN202210935647A CN114998352A CN 114998352 A CN114998352 A CN 114998352A CN 202210935647 A CN202210935647 A CN 202210935647A CN 114998352 A CN114998352 A CN 114998352A
- Authority
- CN
- China
- Prior art keywords
- fault
- image
- production equipment
- data
- temperature
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的生产设备故障检测方法,具体涉及故障检测技术领域,通过像素点的热缺陷分析对故障区域面积的像素进行整合,对故障面积中的质心坐标进行计算,对故障区域的故障点进行定位标记,确定故障点的位置,同时利用数字图像处理方法,通过对红外成像设备的图像进行做差,并进行二值化处理计算出差值图像平均标准差,对比已知判定参数来判断红外成像设备的非均匀性,建立评价指标与评价准则体系来确定生产设备评价参数,根据评价参数判断生产设备故障是否合格,避免因噪声影响成像的精准性,提高对生产设备的检测精度,有利于对设备的故障检测工作。
Description
技术领域
本发明涉及故障检测技术领域,更具体地说,本发明涉及一种基于图像处理的生产设备故障检测方法。
背景技术
进气压力传感器,简称MAP,它以真空管连接进气歧管,随着引擎不同的转速负荷,感应进气歧管内的真空变化,再从感知器内部电阻的改变,转换成电压信号,供ECU修正喷油量和点火正时角度,电喷发动机中采用进气压力传感器来检测进气量的称为D型喷射系统(速度密度型)。
图像处理技术是用计算机对图像信息进行处理的技术,主要包括图像数字化、图像增强和复原、图像数据编码、图像分割和图像识别等,点阵图像(Image)由各像素点和颜色组合而成,使用摄像机、扫描仪、数码相机等设备获得,也可以使用绘图软件生成,图像表示的画面细腻,层次和色彩丰富,图像的各像素点逐点存储在计算机中,占用的存储空间大,图像增强的目的是改善图像的视觉效果,它是各种技术的汇集,还没有形成一套通用的理论,常用的图像增强技术有对比度处理、直方图修正、噪音处理、边缘增强、变换处理和伪彩色等,在多媒体应用中,对各类图像主要进行图像增强处理,各类图像处理软件一般都支持图像增强技术,图像恢复的目的是力求图像保持本来面目,用来纠正图像在形成、传输、存储、记录和显示过程中产生的变质和失真,图像恢复必须首先建立图像变质模型,然后按照其褪化的逆过程恢复图像,图像识别也称模式识别,就是对图像进行特征抽取,然后根据图形的几何及纹理特征对图像进行分类,并对整个图像作结构上的分析,通常在识别之前,要对图像进行预处理,包括滤除噪声和干扰、提高对比度、增强边缘、几何校正等,图像识别的应用范围极其广泛,如工业自动控制系统、指纹识别系统以及医学上的癌细胞识别等,图像编码的目的是为了解决数字图像占用空间大,特别是在做数字传输时占用频带太宽的问题,图像编码的核心技术是图像压缩,对那些实在无法承受的负荷,只好利用数据压缩使图像数据达到有关设备能够承受的水平,评价图像压缩技术要考虑三个方面的因素:压缩比、算法的复杂程度和重现精度,图像分割是数字图像处理中的关键技术之一,图像分割是将图像中有意义的特征部分提取出来,其有意义的特征有图像中的边缘、区域等,这是进一步进行图像识别、分析和理解的基础,图像描述是图像识别和理解的必要前提,作为最简单的二值图像可采用其几何特性描述物体的特性,一般图像的描述方法采用二维形状描述,它有边界描述和区域描述两类方法,对于特殊的纹理图像可采用二维纹理特征描述,随着图像处理研究的深入发展,已开始进行三维物体描述的研究,提出了体积描述、表面描述、广义圆柱体描述等方法。
目前,基于进气压力传感器的生产加工中,通常需对生产设备进行故障检测,仅仅依靠人工进行设备检测在工作过程中极易出现疲劳、遗漏等情况,造成漏检、错检的情况出现,易造成生产安全隐患,单一的视频监控难以辨识设备的具体故障情况,对环境噪声发生误报现象,受噪音影响严重会使图像不清晰、图像失真将直接影响到侦察监视与定位的准确性,因此需一种基于图像处理的生产设备故障检测方法来解决上述问题。
发明内容
为了克服现有技术的上述缺陷,本发明提供了一种基于图像处理的生产设备故障检测方法,本发明所要解决的技术问题是:仅仅依靠人工进行设备检测在工作过程中极易出现疲劳、遗漏等情况,造成漏检、错检的情况出现,易造成生产安全隐患,单一的视频监控难以辨识设备的具体故障情况,对环境噪声发生误报现象,受噪音影响严重会使图像不清晰、图像失真将直接影响到侦察监视与定位的准确性的问题。
为实现上述目的,本发明提供如下技术方案:一种基于图像处理的生产设备故障检测方法,包括以下步骤:
S1、通过图像采集设备采集同一空间的所有生产设备的红外图像,并且通过数据库进行储存;
S2、对所获取的红外图像进行二值化处理:将获取的红外图像以预设阈值Q将图像进行二值化处理,并且计算差值图像标准差,得到二值图像;
S3、将二值图像进行边缘分割:采用坎尼检测器边缘分割来获取图像边缘,经边缘检测后,分割得到两个白色矩形框,且边框宽度为单个像素,通过加权求和方式计算矩形和图像白色边框部分面积;
S4、通过建立评价指标与评价准则体系来确定生产设备评价参数,根据评价参数判断生产设备故障是否合格。
作为本发明的进一步方案:所述S1中,所述图像采集设备设置为红外成像设备,通过在红外成像设备中设定测温范围,并且捕捉不同温度下红外成像设备和待测生产设备的图像。
作为本发明的进一步方案:所述S1中所获取的红外成像中提取红外图像温度数据,通过温度与灰度的提取判断故障区域特征,具体判断方式如下:
S101、通过获取红外图像中单个像素的温度值与灰度值进行数据拟合,多个检测像素点的温度值与灰度值通过数据拟合方式进行计算得到灰度值G,T表示温度值,且具体拟合关系如下:
G={-【(T-实际温度值)/标准灰度值】2};
S102、通过对温度值与灰度值的拟合,并且计算各像素点的相对温差W,对多个检测像素点的样本数据进行判断,并且划分热缺陷等级,且具体计算公式如下:
其中T1为故障相发热点的温度,T2为正常相对点的温度,T0为环境温度或环境参照体温度,通过计算各像素点的相对温差W判断热缺陷等级;
S103、通过像素点的热缺陷分析对故障区域面积的像素进行整合,对故障面积中的质心坐标进行计算,对故障区域的故障点进行定位标记,具体表示为:
其中,A表示故障区域面积(故障区域总像素点),E为故障区域,Z为X轴的像素数,C为Y轴的像素数,最终故障点用以(X丨,Y丨)来进行表示。
作为本发明的进一步方案:所述S2中所二值化处理的数值大于等于阈值Q的点为1,小于阈值Q的点为0,及得到灰度值为1的白色、灰度值为0黑白相间的二值化图像。
作为本发明的进一步方案:所述差值图像标准差的计算公式如下:
作为本发明的进一步方案:所述计算二值图像标准差中,且背景为黑色像素的限定下,图像标准差越大,噪声元素越多,非均匀性越明显。
作为本发明的进一步方案:所述S4中具体实施步骤如下:
S401、通过计算所得到的各生产设备故障数据用以【X1、X2、X3...Xn】来表示,即故障区域像素数据信息,针对【X1、X2、X3...Xn】的独立测量判断生产设备是否合格。
其中Xi为可疑数据Xn+1前的第i测量值。
其次求得测量列项的标准差:
则认为测量值Xn+1含有较大误差,待测生产设备为不正常设备,若否则认为Xn+1不含较大误差,为正常设备,不影响正常使用。
S403、通过将【X1、X2、X3...Xn】中多组故障数据带入中进行
计算,根据测量次数n和选取的显著度a算出HWi范围,其中HWi即作为生产设备故障的评价
参数,若带入的数据满足不等式,则判定生产设备数值差异过大,设备不合格,即可通过噪
声的量来体现生产设备的非均匀性,判断生产设备使用的可行性。
作为本发明的进一步方案:所述S403中具体计算步骤如下:
即:
作为本发明的进一步方案:所述S1中通过数据库进行储存的方式包括顺序存储方法、链接存储方法、索引存储方法和散列存储方法,且四种存储方法进行组合使用对数据结构进行存储映像,采用存储数组中内容的部分元素作为映射函数的输入,依据存储数据的部分内容找到数据在数组中的存储位置实现快速访问。
本发明的有益效果在于:通过获取红外图像中单个像素的温度值与灰度值进行数据拟合,通过像素点的热缺陷分析对故障区域面积的像素进行整合,对故障面积中的质心坐标进行计算,对故障区域的故障点进行定位标记,确定故障点的位置,有利于对生产设备的故障检测及应急处理,同时利用数字图像处理方法,通过对红外成像设备的图像进行做差,并进行二值化处理计算出差值图像平均标准差,对比已知判定参数来判断红外成像设备的非均匀性,建立评价指标与评价准则体系来确定生产设备评价参数,根据评价参数判断生产设备故障是否合格,避免因噪声影响成像的精准性,提高对生产设备的检测精度,有利于对设备的故障检测工作。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
一种基于图像处理的生产设备故障检测方法,包括以下步骤:
S1、通过图像采集设备采集同一空间的所有生产设备的红外图像,并且通过数据库进行储存;
S2、对所获取的红外图像进行二值化处理:将获取的红外图像以预设阈值Q将图像进行二值化处理,并且计算差值图像标准差,得到二值图像;
S3、将二值图像进行边缘分割:采用坎尼检测器边缘分割来获取图像边缘,经边缘检测后,分割得到两个白色矩形框,且边框宽度为单个像素,通过加权求和方式计算矩形和图像白色边框部分面积;
S4、通过建立评价指标与评价准则体系来确定生产设备评价参数,根据评价参数判断生产设备故障是否合格。
S1中,图像采集设备设置为红外成像设备,通过在红外成像设备中设定测温范围,并且捕捉不同温度下红外成像设备和待测生产设备的图像。
S1中所获取的红外成像中提取红外图像温度数据,通过温度与灰度的提取判断故障区域特征,具体判断方式如下:
S101、通过获取红外图像中单个像素的温度值与灰度值进行数据拟合,多个检测像素点的温度值与灰度值通过数据拟合方式进行计算得到灰度值G,T表示温度值,且具体拟合关系如下:
G={-【(T-实际温度值)/标准灰度值】2};
S102、通过对温度值与灰度值的拟合,并且计算各像素点的相对温差W,对多个检测像素点的样本数据进行判断,并且划分热缺陷等级,且具体计算公式如下:
其中T1为故障相发热点的温度,T2为正常相对点的温度,T0为环境温度或环境参照体温度,通过计算各像素点的相对温差W判断热缺陷等级;
S103、通过像素点的热缺陷分析对故障区域面积的像素进行整合,对故障面积中的质心坐标进行计算,对故障区域的故障点进行定位标记,具体表示为:
其中,A表示故障区域面积(故障区域总像素点),E为故障区域,Z为X轴的像素数,C为Y轴的像素数,最终故障点用以(X丨,Y丨)来进行表示。
S2中所二值化处理的数值大于等于阈值Q的点为1,小于阈值Q的点为0,及得到灰度值为1的白色、灰度值为0黑白相间的二值化图像。
差值图像标准差的计算公式如下:
计算二值图像标准差中,且背景为黑色像素的限定下,图像标准差越大,噪声元素越多,非均匀性越明显。
S4中具体实施步骤如下:
S401、通过计算所得到的各生产设备故障数据用以【X1、X2、X3...Xn】来表示,即故障区域像素数据信息,针对【X1、X2、X3...Xn】的独立测量判断生产设备是否合格。
其中Xi为可疑数据Xn+1前的第i测量值。
其次求得测量列项的标准差:
则认为测量值Xn+1含有较大误差,待测生产设备为不正常设备,若否则认为Xn+1不含较大误差,为正常设备,不影响正常使用。
S403、通过将【X1、X2、X3...Xn】中多组故障数据带入中进行
计算,根据测量次数n和选取的显著度a算出HWi范围,其中HWi即作为生产设备故障的评价
参数,若带入的数据满足不等式,则判定生产设备数值差异过大,设备不合格,即可通过噪
声的量来体现生产设备的非均匀性,判断生产设备使用的可行性。
S403中具体计算步骤如下:
即:
S1中通过数据库进行储存的方式包括顺序存储方法、链接存储方法、索引存储方法和散列存储方法,且四种存储方法进行组合使用对数据结构进行存储映像,采用存储数组中内容的部分元素作为映射函数的输入,依据存储数据的部分内容找到数据在数组中的存储位置实现快速访问。
综上可知,本发明:
通过获取红外图像中单个像素的温度值与灰度值进行数据拟合,通过像素点的热缺陷分析对故障区域面积的像素进行整合,对故障面积中的质心坐标进行计算,对故障区域的故障点进行定位标记,确定故障点的位置,有利于对生产设备的故障检测及应急处理,同时利用数字图像处理方法,通过对红外成像设备的图像进行做差,并进行二值化处理计算出差值图像平均标准差,对比已知判定参数来判断红外成像设备的非均匀性,建立评价指标与评价准则体系来确定生产设备评价参数,根据评价参数判断生产设备故障是否合格,避免因噪声影响成像的精准性,提高对生产设备的检测精度,有利于对设备的故障检测工作。
最后应说明的几点是:虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明的基础上,以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于图像处理的生产设备故障检测方法,其特征在于,包括以下步骤:
S1、通过图像采集设备采集同一空间的所有生产设备的红外图像,并且通过数据库进行储存;
S2、对所获取的红外图像进行二值化处理:将获取的红外图像以预设阈值Q将图像进行二值化处理,并且计算差值图像标准差,得到二值图像;
S3、将二值图像进行边缘分割:采用坎尼检测器边缘分割来获取图像边缘,经边缘检测后,分割得到两个白色矩形框,且边框宽度为单个像素,通过加权求和方式计算矩形和图像白色边框部分面积;
S4、通过建立评价指标与评价准则体系来确定生产设备评价参数,根据评价参数判断生产设备故障是否合格。
2.根据权利要求1所述的一种基于图像处理的生产设备故障检测方法,其特征在于:所述S1中,所述图像采集设备设置为红外成像设备,通过在红外成像设备中设定测温范围,并且捕捉不同温度下红外成像设备和待测生产设备的图像。
3.根据权利要求2所述的一种基于图像处理的生产设备故障检测方法,其特征在于:所述S1中所获取的红外成像中提取红外图像温度数据,通过温度与灰度的提取判断故障区域特征,具体判断方式如下:
S101、通过获取红外图像中单个像素的温度值与灰度值进行数据拟合,多个检测像素点的温度值与灰度值通过数据拟合方式进行计算得到灰度值G,T表示温度值,且具体拟合关系如下:
G={-【(T-实际温度值)/标准灰度值】2};
S102、通过对温度值与灰度值的拟合,并且计算各像素点的相对温差W,对多个检测像素点的样本数据进行判断,并且划分热缺陷等级,且具体计算公式如下:
其中T1为故障相发热点的温度,T2为正常相对点的温度,T0为环境温度或环境参照体温度,通过计算各像素点的相对温差W判断热缺陷等级;
S103、通过像素点的热缺陷分析对故障区域面积的像素进行整合,对故障面积中的质心坐标进行计算,对故障区域的故障点进行定位标记,具体表示为:
其中,A表示故障区域面积(故障区域总像素点),E为故障区域,Z为X轴的像素数,C为Y轴的像素数,最终故障点用以(X丨,Y丨)来进行表示。
4.根据权利要求1所述的一种基于图像处理的生产设备故障检测方法,其特征在于:所述S2中所二值化处理的数值大于等于阈值Q的点为1,小于阈值Q的点为0,及得到灰度值为1的白色、灰度值为0黑白相间的二值化图像。
5.根据权利要求1所述的一种基于图像处理的生产设备故障检测方法,其特征在于:所述计算二值图像标准差中,且背景为黑色像素的限定下,图像标准差越大,噪声元素越多,非均匀性越明显。
6.根据权利要求1所述的一种基于图像处理的生产设备故障检测方法,其特征在于:所述S4中具体实施步骤如下:
S401、通过计算所得到的各生产设备故障数据用以【X1、X2、X3...Xn】来表示,即故障区域像素数据信息,针对【X1、X2、X3...Xn】的独立测量判断生产设备是否合格;
其中Xi为可疑数据Xn+1前的第i测量值;
其次求得测量列项的标准差:
则认为测量值Xn+1含有较大误差,待测生产设备为不正常设备,若否则认为Xn+1不含较大误差,为正常设备,不影响正常使用;
7.根据权利要求1所述的一种基于图像处理的生产设备故障检测方法,其特征在于:所述S1中通过数据库进行储存的方式包括顺序存储方法、链接存储方法、索引存储方法和散列存储方法,且四种存储方法进行组合使用对数据结构进行存储映像,采用存储数组中内容的部分元素作为映射函数的输入,依据存储数据的部分内容找到数据在数组中的存储位置实现快速访问。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210935647.8A CN114998352A (zh) | 2022-08-05 | 2022-08-05 | 一种基于图像处理的生产设备故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210935647.8A CN114998352A (zh) | 2022-08-05 | 2022-08-05 | 一种基于图像处理的生产设备故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114998352A true CN114998352A (zh) | 2022-09-02 |
Family
ID=83023176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210935647.8A Pending CN114998352A (zh) | 2022-08-05 | 2022-08-05 | 一种基于图像处理的生产设备故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998352A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109634A (zh) * | 2023-04-12 | 2023-05-12 | 苏州誉阵自动化科技有限公司 | 基于大数据处理的圆状物外观数据检测系统及方法 |
CN116611823A (zh) * | 2023-07-21 | 2023-08-18 | 济宁正东化工有限公司 | 一种基于机器视觉的高压釜运行监管系统 |
CN116823233A (zh) * | 2023-08-30 | 2023-09-29 | 青岛巨商汇网络科技有限公司 | 一种基于全周期运维的用户数据处理方法及系统 |
CN117871540A (zh) * | 2024-03-13 | 2024-04-12 | 西安路泰机械制造有限公司 | 基于图像采集的沥青搅拌设备缺陷检测方法 |
CN117873007A (zh) * | 2024-03-11 | 2024-04-12 | 成都秦川物联网科技股份有限公司 | 基于工业物联网的制造流程管理方法、系统、设备及介质 |
CN117873007B (zh) * | 2024-03-11 | 2024-05-24 | 成都秦川物联网科技股份有限公司 | 基于工业物联网的制造流程管理方法、系统、设备及介质 |
-
2022
- 2022-08-05 CN CN202210935647.8A patent/CN114998352A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109634A (zh) * | 2023-04-12 | 2023-05-12 | 苏州誉阵自动化科技有限公司 | 基于大数据处理的圆状物外观数据检测系统及方法 |
CN116109634B (zh) * | 2023-04-12 | 2023-06-16 | 苏州誉阵自动化科技有限公司 | 基于大数据处理的圆状物外观数据检测系统及方法 |
CN116611823A (zh) * | 2023-07-21 | 2023-08-18 | 济宁正东化工有限公司 | 一种基于机器视觉的高压釜运行监管系统 |
CN116611823B (zh) * | 2023-07-21 | 2023-10-17 | 济宁正东化工有限公司 | 一种基于机器视觉的高压釜运行监管系统 |
CN116823233A (zh) * | 2023-08-30 | 2023-09-29 | 青岛巨商汇网络科技有限公司 | 一种基于全周期运维的用户数据处理方法及系统 |
CN116823233B (zh) * | 2023-08-30 | 2023-11-07 | 青岛巨商汇网络科技有限公司 | 一种基于全周期运维的用户数据处理方法及系统 |
CN117873007A (zh) * | 2024-03-11 | 2024-04-12 | 成都秦川物联网科技股份有限公司 | 基于工业物联网的制造流程管理方法、系统、设备及介质 |
CN117873007B (zh) * | 2024-03-11 | 2024-05-24 | 成都秦川物联网科技股份有限公司 | 基于工业物联网的制造流程管理方法、系统、设备及介质 |
CN117871540A (zh) * | 2024-03-13 | 2024-04-12 | 西安路泰机械制造有限公司 | 基于图像采集的沥青搅拌设备缺陷检测方法 |
CN117871540B (zh) * | 2024-03-13 | 2024-05-28 | 西安路泰机械制造有限公司 | 基于图像采集的沥青搅拌设备缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114998352A (zh) | 一种基于图像处理的生产设备故障检测方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN110322522B (zh) | 一种基于目标识别区域截取的车辆颜色识别方法 | |
CN105338342B (zh) | 一种图像坏点的检测方法及装置 | |
CN110174404B (zh) | 一种药粒在线缺陷检测装置及系统 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN117237368B (zh) | 一种桥梁裂缝检测方法及系统 | |
CN111369516A (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
CN109886931A (zh) | 基于bp神经网络的轮速传感器齿圈表面缺陷检测方法 | |
CN116109635B (zh) | 复合悬式绝缘子表面质量检测方法、装置、设备及介质 | |
CN108871185B (zh) | 零件检测的方法、装置、设备以及计算机可读存储介质 | |
CN115100206A (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN115239661A (zh) | 基于图像处理的机械零件毛刺检测方法及系统 | |
CN109948629B (zh) | 一种基于sift特征的gis设备x射线图像故障检测方法 | |
CN113781537A (zh) | 一种轨道弹条扣件缺陷识别方法、装置和计算机设备 | |
CN113222937A (zh) | 一种核燃料芯块外观周面缺陷的检测方法及检测装置 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN117649404A (zh) | 一种基于图像数据分析的药品包装盒质量检测方法及系统 | |
JP3972647B2 (ja) | 画像診断装置,画像診断システム及び画像診断方法 | |
CN116188510A (zh) | 一种基于多传感器的企业排放数据采集系统 | |
CN114638822B (zh) | 一种利用光学手段的汽车盖板表面质量检测方法及系统 | |
CN107123105A (zh) | 基于fast算法的图像匹配缺陷检测方法 | |
CN115424189B (zh) | 一种可对象状态识别防漏检的图像识别系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220902 |
|
RJ01 | Rejection of invention patent application after publication |