CN115082763A - 一种隔离换向开关状态识别方法及系统 - Google Patents
一种隔离换向开关状态识别方法及系统 Download PDFInfo
- Publication number
- CN115082763A CN115082763A CN202211002600.2A CN202211002600A CN115082763A CN 115082763 A CN115082763 A CN 115082763A CN 202211002600 A CN202211002600 A CN 202211002600A CN 115082763 A CN115082763 A CN 115082763A
- Authority
- CN
- China
- Prior art keywords
- points
- point
- value
- pixel
- acquiring
- 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
Links
Images
Classifications
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种隔离换向开关状态识别方法及系统。该方法包括:采集隔离换向开关的红外图像,将红外图像中像素点分为正常点、边缘点和噪声点;对红外图像中所有正常点和噪声点进行双边滤波;选取任意边缘点为目标点构建窗口,获取目标点对应的梯度方向将窗口划分为待处理区域和基准区域;获取基准区域对应的多个备选区域,并从多个备选区域中得到替换区域;根据替换区域中的像素点对待处理区域赋值得到新的窗口,采用双边滤波算子对新的窗口滤波处理得到目标点的自适应滤波值;进而得到滤波处理后的增强图像;将增强图像输入训练完成的分类神经网络得到隔离换向开关的开关状态;提高了对开关状态获取的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种隔离换向开关状态识别方法及系统。
背景技术
隔离换向开关是矿用隔爆型真空电磁起动器的重要部件,一般安装在起动器壳子内,也被称为换相隔离开关,作用是能够改变电源相序;该开关正常的工作状态是:无载状态下断开或闭合电路,闭合状态下能够长期承载额定电流,短时承载过载电流。
隔离换向开关大多是矿用,一般安装在户外,当电路出现问题时需要将该隔离换向开关断开;然而该开关在户外会出现卡涩、拒动等机械故障,从而导致开关触头分合闸不到位,对检修电路人员的安全没有保障。
采用人员外出对开关情况检查时,可能由于安装位置以及光照条件的影响没有较好的观察条件,因此大多利用机器视觉对隔离换向开关的状态进行观测,而采用机器视觉进行观测的结果好坏与图像质量密不可分,现有为提高图像质量进行滤波的方法往往对边缘的细节进行抑制,从而导致边缘部分细节缺失,使得后续基于图像进行检测的结果准确性较差。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种隔离换向开关状态识别方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种隔离换向开关状态识别方法,该方法包括以下步骤:
采集隔离换向开关的红外图像;获取红外图像中像素点与其邻域像素点之间的灰度差值,根据灰度差值将红外图像中像素点分为非正常点和正常点;
获取每个所述非正常点与其邻域像素点之间的灰度差值的平均值,基于平均值将所述非正常点分为边缘点和噪声点;对红外图像中所有正常点和噪声点进行双边滤波,对所有边缘点进行自适应双边滤波,得到滤波处理后的红外图像记为增强图像;
将所述增强图像输入训练完成的分类神经网络,所述分类神经网络的输出为所述隔离换向开关的开关状态;
其中,所述自适应双边滤波的方法为:
选取任意边缘点为目标点,以所述目标点为中心构建预设大小的窗口,获取所述目标点对应的梯度方向,基于所述梯度方向将所述窗口划分为两个区域,梯度方向所在区域为待处理区域,另一区域为基准区域;
获取所述基准区域对应的多个备选区域,计算所述基准区域的基准平均灰度值以及每个备选区域的平均灰度值;获取每个备选区域的平均灰度值与所述基准平均灰度值的差值,所述差值最小时对应的所述备选区域为替换区域;
将所述替换区域中像素点的灰度值赋值于所述待处理区域中对应像素点,以得到所述目标点对应的新的窗口,采用双边滤波算子对新的窗口滤波处理得到所述目标点的自适应滤波值。
优选的,所述根据灰度差值将红外图像中像素点分为非正常点和正常点的步骤,包括:
获取每个像素点与其邻域像素点之间灰度差值的最大值,将所述最大值记为所述像素点的梯度值,当所述梯度值大于梯度阈值时,所述像素点为非正常点;所述梯度值小于梯度阈值时,所述像素点为正常点。
优选的,所述基于平均值将所述非正常点分为边缘点和噪声点的步骤,包括:
当所述平均值大于差异阈值时,所述非正常点为噪声点;当所述平均值小于差异阈值时,所述非正常点为边缘点。
优选的,所述获取所述目标点对应的梯度方向的步骤,包括:
获取所述目标点与其邻域像素点之间灰度差值的最大值,将所述最大值对应的邻域像素点记为标记点,所述目标点到所述标记点的方向为所述目标点的梯度方向。
优选的,所述基于所述梯度方向将所述窗口划分为两个区域的步骤,包括:
获取所述梯度方向的垂直方向,过所述目标点沿着所述梯度方向的垂直方向作直线,所述直线将所述窗口划分为两个区域。
优选的,所述获取所述基准区域对应的多个备选区域的步骤,包括:
以所述基准区域的每条边为公共边,基于公共边获取所述基准区域的多个形状相反的区域,形状相反的区域为所述基准区域的备选区域。
第二方面,本发明另一个实施例提供了一种隔离换向开关状态识别系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器在执行所述计算机程序时实现如上述一种隔离换向开关状态识别方法所述的步骤。
本发明具有如下有益效果:将红外图像中所有像素点根据灰度信息分为三类分别为:正常点、边缘点和噪声点;针对性的对边缘点的双边滤波进行改进,避免滤波处理之后边缘点的细节信息丢失;边缘点的双边滤波的改进是对边缘点进行自适应的双边滤波,根据每个边缘点周围区域像素点的灰度信息自适应重新赋值,根据重新赋值得到每个边缘点周围新的窗口区域,采用双边滤波算子对新的窗口区域进行滤波卷积操作得到每个边缘点的自适应滤波值,对边缘点周围的细节信息进行较好的保留,使得滤波处理后的增强图像的图像质量更好,将质量更好的图像输入分类神经网络中得到隔离换向开关的开关状态,保证了对状态分析准确性的同时还提高了效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种隔离换向开关状态识别方法流程图;
图2为本发明一个实施例所提供的一种目标点对应的基准区域的示意图;
图3为本发明一个实施例所提供的一种基准区域对应的多个备选区域的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种隔离换向开关状态识别方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种隔离换向开关状态识别方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种隔离换向开关状态识别方法流程图,该方法包括以下步骤:
步骤S100,采集隔离换向开关的红外图像;获取红外图像中像素点与其邻域像素点之间的灰度差值,根据灰度差值将红外图像中像素点分为非正常点和正常点。
具体的,由于隔离换向开关的安装环境一般较差,采用常规相机进行图像采集时可能会由于安装环境的光线昏暗导致图像的效果较差,因此本发明实施例中采用红外采集设备对隔离换向开关进行图像采集得到对应的红外图像;红外采集设备安装在隔离换向开关的上方,以方便对隔离换向开关进行图像采集。
进一步的,获取到的红外图像不可避免的会受到环境因素的干扰,图像中包含部分噪声点,而噪声点对于后续计算机对特征的提取造成较大的误差,因此首先需要对红外图像进行去噪处理,以提升红外图像的图像质量。
本发明实施例首先对红外图像中的像素点进行区分,将红外图像中像素点初步划分为正常点和非正常点,非正常点包括红外图像中的边缘点以及噪声点;对红外图像中的像素点进行区分的具体方法为:
设定一个3*3大小的窗口在红外图像上滑动遍历,以红外图像中每个像素点为中心点,计算该中心点与窗口内其他像素点之间的灰度差值,即计算该中心点与其八邻域像素点之间的灰度差值;每个中心点对应8个灰度差值,选取8个灰度差值中的最大值,最大的灰度差值对应的邻域像素点记为标记点;中心点到该标记点的方向为该中心点的梯度方向,最大的灰度差值为该中心点的梯度值;以此类推,获取红外图像中每个像素点对应的梯度值以及梯度方向。
由于边缘点以及噪声点与其周围像素点存在灰度变化较大,因此边缘点以及噪声点存在较大的灰度梯度;将红外图像中所有梯度值大于梯度阈值的像素点标记为非正常点,梯度值小于梯度阈值的像素点标记为正常点,由此得到红外图像中所有正常点和非正常点。
本发明实施例中梯度阈值的获取方法可采用大津阈值法得到,大津阈值算法为现有公知技术,不再赘述。
步骤S200,获取每个非正常点与其邻域像素点之间的灰度差值的平均值,基于平均值将非正常点分为边缘点和噪声点;对红外图像中所有正常点和噪声点进行双边滤波,对所有边缘点进行自适应双边滤波,得到滤波处理后的红外图像记为增强图像。
由步骤S100中将红外图像中的所有像素点划分为正常点和非正常点,由于非正常点中包含边缘点以及噪声点,因此需要对所有非正常点中的边缘点和噪声点进行筛选;边缘点可以视为两个不同色块中相邻的像素点,因此边缘点会存在部分与其灰度值相似的点,而噪声点为孤立点,其周围像素点与噪声点之间的灰度差异均较大,结合每个非正常点的周围像素点灰度情况对噪声点和边缘点进行区分。
本发明实施例中以每个非正常点与其八邻域像素点之间的灰度差值的平均值进行判断;首先以每个非正常点为中心像素点构建3*3大小的窗口,计算窗口内每个像素点与该中心像素点之间的灰度差值的平均值,平均值的计算如下:
以此类推,获取红外图像中所有非正常点对应的平均值,当平均值大于差异阈值时,表明该非正常点与其邻域像素点之间的灰度差异较大,则非正常点为噪声点;反之,当平均值小于差异阈值时,非正常点为边缘点。
本发明实施例中的差异阈值的获取方法采用大津阈值法,具体方法为公知技术不再赘述。
由此,将红外图像中所有的像素点划分为三个类别,分别为正常点、噪声点以及边缘点;在对红外图像的图像进行处理时需要将噪声点去除,现有去除噪声滤波的方法包括高斯滤波、中值滤波以及均值滤波等,但是这些滤波方法在去除噪声的同时对削弱图像中的边缘信息,从而导致图像中的边缘细节模糊,因此本发明实施例采用双边滤波对红外图像进行处理。
双边滤波是一种非线性滤波,它的基本思路是同时考虑像素点的空域信息和值域信息;根据像素点灰度值对待滤波像素点的邻域做一个分割和分类,再对该点所属的类别赋予相对较高的权重,然后对邻域灰度值进行加权求和得到滤波后的去噪图像。双边滤波算法相较于高斯滤波、中值滤波以及均值滤波等几种方法能够较好的保留图像的边缘信息,通过双边滤波算子计算像素点空域和像素域的结果,令两个值相乘得到对应的特征值,将每个像素点对应的特征值与灰度值进行相乘的累加作为分子,每个像素点的特征值的累加作为分母,则该分子和分母的比值即为该像素点的新像素值。
进一步的,考虑到双边滤波对于噪声点的去除效果较好,但是对于边缘点的细节处理具有较大的损失;本发明实施例中采用常规的双边滤波对红外图像中的所有正常点和噪声点进行滤波处理,得到每个正常点以及每个噪声点滤波处理后的新像素值;为避免常规的双边滤波算法将边缘信息削弱,对红外图像中边缘点采用自适应双边滤波算法进行滤波处理,具体方法为:
以待滤波的边缘点为目标点,获取以该目标点为中心的5*5大小的窗口区域,通过该窗口区域内的像素点获取该目标点的梯度方向,梯度方向的获取方法与步骤S100中方法一致,即计算该目标点与其八邻域像素点之间的灰度差值,目标点到灰度差值最大的像素点的方向为该目标点的梯度方向;获取该梯度方向的反方向,由于边缘点可视为两种不同色差区域的交界处,因此目标点的梯度方向可认为是该像素点从此区域到另一个区域的方向,而该目标点的梯度方向的反方向可认为是该像素点指向其所在区域内部的方向,即梯度方向的反方向对应的区域是与该目标点的灰度值较为接近的区域。
进一步的,在获取目标点的梯度方向之后,根据该梯度方向的垂直方向作直线,该直线经过目标点并将目标点对应的5*5窗口区域划分为两个区域,将目标点的梯度方向的反方向所在的区域标记为基准区域,目标点的梯度方向所在区域标记为待处理区域,对待处理区域进行后续处理。
以基准区域为中心获取周围的多个形状相反的区域,将形状相反的区域标记为备选区域,若基准区域为三角形区域,则该三角形区域每条边作为公共边对应一个备选区域从而得到三个备选区域;若基准区域为矩形区域,则该矩形区域的每条边作为公共边对应一个备选区域从而得到四个备选区域;计算基准区域的基准平均灰度值及其对应的每个备选区域的平均灰度值,基于平均灰度值获取每个备选区域与该基准区域的灰度差异度,灰度差异度的计算为:
平均灰度值之间的差值越大,对应灰度差异度越大;作为一个示例,请参阅图2和图3,其分别示出一种目标点对应的基准区域的示意图以及一种基准区域对应的多个备选区域的示意图;包括目标点的梯度方向10、梯度方向的反方向20、梯度方向的垂直方向的直线30、基准区域40、基准区域40的备选区域401、基准区域40的备选区域402以及基准区域40的备选区域403;分别计算基准区域40的基准平均灰度值以及该基准区域40对应的备选区域401的平均灰度值、备选区域402的平均灰度值和备选区域403的平均灰度值;分别获取基准区域40与备选区域401、备选区域402以及备选区域403之间的平均灰度值的差值,该差值为对应的灰度差异度。
以此类推,获取基准区域与其对应的每个备选区域的灰度差异度,选取灰度差异度最小的备选区域作为替换区域,将该替换区域中所有像素点的灰度值对应赋值于待处理区域的像素点,即对目标点对应的5*5窗口区域中一半区域的像素点灰度值进行更新,得到新的窗口区域,以双边滤波算法的算子对新的窗口区域进行滤波处理得到目标点的自适应滤波值。
对红外图像中所有的边缘点采用上述自适应双边滤波的方法得到对应的自适应滤波值,结合常规的双边滤波对正常点和噪声点处理后的滤波值,得到该红外图像对应的滤波后的增强图像。
步骤S300,将增强图像输入训练完成的分类神经网络,分类神经网络的输出为隔离换向开关的开关状态。
由步骤S200中得到红外图像滤波处理后的增强图像,本发明实施例中采用LBP算子对增强图像进行处理提取增强图像中的纹理特征,将提取纹理特征后的增强图像输入训练完成的分类神经网络中,由分类神经网络输出此时增强图像中隔离换向开关的开关状态。
分类神经网络的训练过程中,网络的输入为双边滤波去噪后并提取纹理特征后的增强图像,损失函数采用交叉熵损失函数,分类神经网络的输出为隔离换向开关的开关状态。
综上所述,本发明实施例通过红外图像中每个像素点与其邻域像素点之间的灰度差值将像素点分为正常点和非正常点,进一步对每个非正常点与其邻域像素点之间的灰度差值的平均值将所有的非正常点划分为噪声点和边缘点,对正常点以及噪声点采用常规的双边滤波算法进行滤波处理;对边缘点进行自适应双边滤波,首先以每个边缘点为中心构建窗口,根据边缘点的梯度方向将窗口划分为两个区域分别为基准区域和待处理区域,通过对基准区域周围的备选区域平均灰度值进行分析得到替换区域,将替换区域的像素点的灰度值赋值于待处理区域的对应像素点上,得到边缘点对应的新的窗口,采用双边滤波算子对新的窗口进行滤波处理得到边缘点的自适应滤波值,以此类推,对红外图像中所有像素点进行滤波处理得到对应的增强图像,将增强图像输入分类神经网络进行隔离换向开关的状态识别,识别结果更加高效准确。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种隔离换向开关状态识别系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种隔离换向开关状态识别方法实施例中的步骤,例如图1所示的步骤。该一种隔离换向开关状态识别方法在上述实施例中已经详细说明,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种隔离换向开关状态识别方法,其特征在于,该方法包括以下步骤:
采集隔离换向开关的红外图像;获取红外图像中像素点与其邻域像素点之间的灰度差值,根据灰度差值将红外图像中像素点分为非正常点和正常点;
获取每个所述非正常点与其邻域像素点之间的灰度差值的平均值,基于平均值将所述非正常点分为边缘点和噪声点;对红外图像中所有正常点和噪声点进行双边滤波,对所有边缘点进行自适应双边滤波,得到滤波处理后的红外图像记为增强图像;
将所述增强图像输入训练完成的分类神经网络,所述分类神经网络的输出为所述隔离换向开关的开关状态;
其中,所述自适应双边滤波的方法为:
选取任意边缘点为目标点,以所述目标点为中心构建预设大小的窗口,获取所述目标点对应的梯度方向,基于所述梯度方向将所述窗口划分为两个区域,梯度方向所在区域为待处理区域,另一区域为基准区域;
获取所述基准区域对应的多个备选区域,计算所述基准区域的基准平均灰度值以及每个备选区域的平均灰度值;获取每个备选区域的平均灰度值与所述基准平均灰度值的差值,所述差值最小时对应的所述备选区域为替换区域;
将所述替换区域中像素点的灰度值赋值于所述待处理区域中对应像素点,以得到所述目标点对应的新的窗口,采用双边滤波算子对新的窗口滤波处理得到所述目标点的自适应滤波值。
2.根据权利要求1所述的一种隔离换向开关状态识别方法,其特征在于,所述根据灰度差值将红外图像中像素点分为非正常点和正常点的步骤,包括:
获取每个像素点与其邻域像素点之间灰度差值的最大值,将所述最大值记为所述像素点的梯度值,当所述梯度值大于梯度阈值时,所述像素点为非正常点;所述梯度值小于梯度阈值时,所述像素点为正常点。
3.根据权利要求1所述的一种隔离换向开关状态识别方法,其特征在于,所述基于平均值将所述非正常点分为边缘点和噪声点的步骤,包括:
当所述平均值大于差异阈值时,所述非正常点为噪声点;当所述平均值小于差异阈值时,所述非正常点为边缘点。
4.根据权利要求1所述的一种隔离换向开关状态识别方法,其特征在于,所述获取所述目标点对应的梯度方向的步骤,包括:
获取所述目标点与其邻域像素点之间灰度差值的最大值,将所述最大值对应的邻域像素点记为标记点,所述目标点到所述标记点的方向为所述目标点的梯度方向。
5.根据权利要求1所述的一种隔离换向开关状态识别方法,其特征在于,所述基于所述梯度方向将所述窗口划分为两个区域的步骤,包括:
获取所述梯度方向的垂直方向,过所述目标点沿着所述梯度方向的垂直方向作直线,所述直线将所述窗口划分为两个区域。
6.根据权利要求1所述的一种隔离换向开关状态识别方法,其特征在于,所述获取所述基准区域对应的多个备选区域的步骤,包括:
以所述基准区域的每条边为公共边,基于公共边获取所述基准区域的多个形状相反的区域,形状相反的区域为所述基准区域的备选区域。
7.一种隔离换向开关状态识别系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器在执行所述计算机程序时,实现上述权利要求1-6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211002600.2A CN115082763B (zh) | 2022-08-22 | 2022-08-22 | 一种隔离换向开关状态识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211002600.2A CN115082763B (zh) | 2022-08-22 | 2022-08-22 | 一种隔离换向开关状态识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082763A true CN115082763A (zh) | 2022-09-20 |
CN115082763B CN115082763B (zh) | 2022-11-29 |
Family
ID=83244533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211002600.2A Active CN115082763B (zh) | 2022-08-22 | 2022-08-22 | 一种隔离换向开关状态识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082763B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375588A (zh) * | 2022-10-25 | 2022-11-22 | 山东旗胜电气股份有限公司 | 基于红外成像的电网变压器故障识别方法 |
CN116309602A (zh) * | 2023-05-24 | 2023-06-23 | 济南章力机械有限公司 | 基于机器视觉的数控钻铣床工作状态检测方法 |
CN117173703A (zh) * | 2023-11-02 | 2023-12-05 | 温州华嘉电器有限公司 | 一种隔离开关状态识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204857508U (zh) * | 2015-07-31 | 2015-12-09 | 西安科技大学 | 一种带试验功能的防爆开关联锁机构 |
CN207039492U (zh) * | 2017-08-10 | 2018-02-23 | 太原惠特科技有限公司 | 矿用隔爆型双回路切换控制器 |
CN113503188A (zh) * | 2021-07-15 | 2021-10-15 | 淮北祥泰科技有限责任公司 | 一种用于智能开关的安全分析系统 |
-
2022
- 2022-08-22 CN CN202211002600.2A patent/CN115082763B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204857508U (zh) * | 2015-07-31 | 2015-12-09 | 西安科技大学 | 一种带试验功能的防爆开关联锁机构 |
CN207039492U (zh) * | 2017-08-10 | 2018-02-23 | 太原惠特科技有限公司 | 矿用隔爆型双回路切换控制器 |
CN113503188A (zh) * | 2021-07-15 | 2021-10-15 | 淮北祥泰科技有限责任公司 | 一种用于智能开关的安全分析系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375588A (zh) * | 2022-10-25 | 2022-11-22 | 山东旗胜电气股份有限公司 | 基于红外成像的电网变压器故障识别方法 |
CN115375588B (zh) * | 2022-10-25 | 2023-02-07 | 山东旗胜电气股份有限公司 | 基于红外成像的电网变压器故障识别方法 |
CN116309602A (zh) * | 2023-05-24 | 2023-06-23 | 济南章力机械有限公司 | 基于机器视觉的数控钻铣床工作状态检测方法 |
CN116309602B (zh) * | 2023-05-24 | 2023-08-04 | 济南章力机械有限公司 | 基于机器视觉的数控钻铣床工作状态检测方法 |
CN117173703A (zh) * | 2023-11-02 | 2023-12-05 | 温州华嘉电器有限公司 | 一种隔离开关状态识别方法 |
CN117173703B (zh) * | 2023-11-02 | 2024-01-16 | 温州华嘉电器有限公司 | 一种隔离开关状态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115082763B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082763B (zh) | 一种隔离换向开关状态识别方法及系统 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
JP4746050B2 (ja) | ビデオデータを処理するための方法及びシステム | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN103185730B (zh) | 缺陷分类法则建立方法、缺陷分类与致命缺陷判断方法 | |
CN109685766B (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
Hocenski et al. | Improved canny edge detector in ceramic tiles defect detection | |
CN112991302B (zh) | 基于超像素的柔性ic基板变色缺陷检测方法和装置 | |
US20070263922A1 (en) | Multiple optical input inspection system | |
CN109934221B (zh) | 基于注意力机制的电力设备自动分析识别监控方法及系统 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN111178395B (zh) | 一种隔离开关状态识别方法及装置 | |
CN109359554A (zh) | 一种基于多合成图像处理技术的森林火灾识别方法 | |
CN115330795B (zh) | 布匹毛刺缺陷检测方法 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN115272335A (zh) | 基于显著性检测的冶金金属表面缺陷检测方法 | |
CN114881869A (zh) | 一种巡检视频图像预处理方法 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
CN113129265B (zh) | 瓷砖表面缺陷检测方法、装置及存储介质 | |
Shambhu et al. | Edge-based segmentation for accurate detection of malaria parasites in microscopic blood smear images: A novel approach using FCM and MPP algorithms | |
CN115761611A (zh) | 基于图像对比异常检测的多阶段多底图图像差异过滤方法 | |
CN115908261A (zh) | 一种基于铸件x射线图像的缺陷评级方法及系统 | |
CN115100648A (zh) | 细胞显微图像中多通道荧光杂质的滤除方法和装置 | |
CN115082741A (zh) | 基于图像处理的废旧纺织品分类方法 |
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 |