CN115619748A - 一种风电叶片涂胶过程胶色异常的监测方法 - Google Patents
一种风电叶片涂胶过程胶色异常的监测方法 Download PDFInfo
- Publication number
- CN115619748A CN115619748A CN202211324542.5A CN202211324542A CN115619748A CN 115619748 A CN115619748 A CN 115619748A CN 202211324542 A CN202211324542 A CN 202211324542A CN 115619748 A CN115619748 A CN 115619748A
- Authority
- CN
- China
- Prior art keywords
- image
- gluing
- glue
- standard
- color
- 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种风电叶片涂胶过程胶色异常的监测方法,属于风电叶片涂胶监测技术领域。该方法首先获取涂胶区域图像信息,并对涂胶区域图像进行去背景化,分割出胶体图像;然后对胶体图像进行标准化采样,得到统一像素大小的标准胶体图像,将标准胶体图像从RGB颜色空间转换为HSV颜色空间,并进行颜色直方图特征提取;再计算标准胶体图像的特征值,形成该幅图像的标准二维特征值数据网格,最后将标准二维特征值数据网格导入预训练好的神经网络模型中,判定该幅图像的色差是否在规定范围内;若不在,则报警提醒停止涂胶;若在,则继续采集下一幅涂胶区域图像。该方法不影响原有涂胶作业质量效率,识别准确率高,识别速度快,能够有效防止涂胶事故发生。
Description
技术领域
本发明涉及风电叶片涂胶监测技术领域,特别是指一种风电叶片涂胶过程胶色异常的监测方法。
背景技术
涂胶是风电叶片生产中至关重要的环节,在进行风电叶片的涂胶合模时,首先安置好两半叶片壳体,之后工人利用混胶机、胶靴等涂胶设备在壳体前后缘、主梁、腹板、小腹板以及后缘梁处涂粘接胶,涂胶完成后进行合模,利用粘接胶粘合两壳体及支撑结构。涂胶的质量直接影响到风电叶片的合模效果,从而影响着叶片后期运行服役期间的安全性和稳定性。
目前的风电叶片生产在涂胶过程中,为了防止胶体凝固采用AB胶分离存储的方式,涂胶时AB胶经胶机混合搅拌后输送至涂胶执行机构。而混合胶的粘接性能与AB胶的混合比例密切相关,当混合比例出现一定的偏差时,会大大降低混合胶的粘接性能,导致叶片合模失败,甚至为叶片后期服役埋下安全隐患。所以在涂胶过程中需要对AB胶的比例需要进行严格的控制。
而要对AB胶的混合比例进行监测,最直观的方式是通过观察混合后的胶体颜色是否异常来判断。因为当AB胶的混合比例出现偏差时,混合后的胶体颜色会发生改变。所以通过监测混合胶颜色是否在正常阈值内,便可对AB胶的混合比例进行有效的控制。
在目前的涂胶工艺中,对AB胶的混合比例监测虽然也是通过胶体颜色偏差来实现,但往往是以涂胶工人肉眼观察的方式。但人的视觉对色差的感知能力有限,AB胶的混合比例偏差达到阈值时所带来的混合胶色差又较小,这种方式仅仅依靠工人的经验和视觉无法及时识别,只有当AB胶的混合比例偏差达到较大程度时才能够发现问题。而由于混合胶本身的流体性质和接触时易粘连的情况,所以也无法使用色差计来检测胶色是否异常。在目前的风电叶片涂胶合模领域中,缺少结合风电叶片生产的实际工艺、适应生产现场作业环境的胶色实时监测方法及装置,所以无法对混合胶的比例进行实时把控。
现有技术中涉及的水性工业面漆色差检测装置,通过设计了一套带有支撑结构的色差检测装置来减少因为人为因素造成的色差测量结果偏差,进而可以增加测量结果额度准确性,但其装置内部的检测功能仍靠色差计来实现,由于胶体本身的流体性质和易粘连的特性,依靠色差计并不能实现胶体的颜色监测。
另,现有技术中公开的自动补光色差检测的喷绘机,通过设置补光装置改进了现有技术在实际使用过程中存在着打印人工检测色差时因为室内灯光条件不同,导致视觉色差的问题。通过设置补光装置消除电脑监视器的显示色差,从而避免人工检测色差时因为室内灯光条件不同,导致视觉色差的情况,提高了产品质量和可靠性,但其并不适用于风电叶片涂胶的胶色监测。
现有技术中公开的色差检测系统,提供了一种包括灯箱、传输机构和移动终端的色差检测系统,其中移动终端的摄像模块位于灯箱开设的图像采集孔上,移动终端用于通过摄像模块实时采集待识别锁体的图像,并用于将待识别锁体的图像输入预先训练好的预测模型进行色差检测,以获取基于待识别锁体的色差检测结果并显示。该色差检测系统利用摄像模块和训练好的预测模型进行色差检测,但仅适用于小型独立物件的表面色差检测。
发明内容
本发明要解决的技术问题是提供一种风电叶片涂胶过程胶色异常的监测方法。
该方法包括步骤如下:
S1:涂胶区域图像信息获取;
S2:对涂胶区域图像进行去背景化,从所获涂胶区域图像中分割出胶体图像;
S3:对S2中得到的胶体图像进行标准化采样,得到统一像素大小的标准胶体图像(像素大小一般为512×512);
S4:将标准胶体图像从RGB颜色空间转换为HSV颜色空间,并在HSV颜色空间中进行颜色直方图特征提取;
S5:计算标准胶体图像的特征值,形成该幅图像的标准二维特征值数据网格;
S6:将标准二维特征值数据网格导入预训练好的神经网络模型中,从而判定该幅图像的色差是否在规定范围内(一般,图像经处理后得到特征数据二维矩阵(28×28),该矩阵输入训练好的模型中即可判定色差是否合格);
S7:若S6中判定不在规定范围内,输出结果为不合格,则进行报警提醒工人停止涂胶;若S6中判定在规定范围内,输出结果为合格,则继续采集下一幅涂胶区域图像。
其中,S1中涂胶区域图像信息通过工业相机拍摄获取,图像信息包括胶体、叶片壳体以及其他背景。
上述,工业相机搭载在胶靴上,胶靴为风电叶片进行涂胶,工业相机位于胶靴行进方向的反方向一侧,即已涂胶的一侧。
S2中涂胶区域图像信息除胶体本身外均为无关信息。胶体与叶片壳体和其他背景在RGB颜色空间中区别较大,因此,采用基于阈值的图像分割方法分割出胶体图像,去除除胶体本身的其他无关背景。
上述胶体为AB胶混合后通过胶靴涂在叶片壳体边缘。
S3中标准化采样指通过对胶体图像进行切割、截取或随机采样后复原,形成统一像素大小的标准胶体图像。其中,统一像素依照工业相机成相质量以及服务器处理能力事先设定。所述的服务器用于所述图像处理过程。
S4中标准胶体图像从RGB颜色空间以像素点为单位,通过公式转换至HSV颜色空间,HSV颜色空间在光源恒定的条件下明度V保持不变;
在HSV颜色空间中采取非均匀量化的方式提取颜色直方图特征。其中,分均匀量化的方式具体为:将图像的HSV三分量按照一定的量化级数(H分量(0-360°)分为14级、S分量(0-1)分为8级,V分量(0-1)分为7级,具体分级中,非均匀分即可,可根据最终颜色直方图特征的差异表征效果进行调整)进行非均匀量化后,即将相近的分量值映射到对应的量化级数中;颜色直方图特征为各分量数值的像素数量分布统计。
非均匀量化的颜色直方图特征提取方式可加快监测效率。
S5中标准胶体图像的特征值F以像素点为单位计算,将每个像素点的H、S、V分量按量化级数加权计算得到该像素点的特征值;标准二维特征值数据网格由每个像素点的特征值组合而成。
其中,特征值F计算过程具体为:
F=Ls×Lv×f(Hij)+Lv×f(Sij)+f(Vij)
式中,Ls、Lv为S和V分量的量化级别个数,f(Hij)、f(Sij)、f(Vij)为该像素点HSV三分量各自映射的量化值。
量化级数为非均匀量化的颜色直方图特征提取方式的参数之一。
S6中神经网络模型为预训练好的高准确率高效率模型。神经网络模型的判定结果为胶色色差合格或不合格。
S7中输出结果为合格时,间隔3S再次采集图像;判定结果为不合格,则进行报警,报警方式为声光报警。声光报警器安装于涂胶设备上。
并且,判定结果存储在服务器中。
本发明的上述技术方案的有益效果如下:
上述方案中,通过对涂胶区域图像去背景化来获得混合胶的胶体图像,进行标准化采样使胶体图像像素大小统一便于后期处理,转换胶体图像颜色空间并以非均匀量化的方式进行颜色直方图特征提取,并计算形成胶体图像的标准二维特征值数据网格,从而导入预训练的神经网络模型最终实现色差异常识别,有利于在涂胶过程中实时监测混合胶色差是否在合格范围内,当混合胶色差超出合格范围,即AB胶的混合比例偏差过大时,进行声光报警,提醒工作人员暂停涂胶作业,防止因AB胶的混合比例异常影响叶片正常合模。此外,本发明涉及的胶色异常监测装置,通过图像采集模块中的工业相机实时采集涂胶区域图像;通过采集辅助模块中的D65恒定光源保持图像采集环境光线条件恒定;通过采集辅助模块中的连接杆实现整体装置的固定以及位置调整;通过图像处理模块实现胶体图像的处理及最终色差合格判定,并存储判定结果;通过声光报警模块将判定结果转化为可视化信息,实现人机信息畅通。该胶色异常监测装置配合胶色异常监测方法,在不影响原有涂胶作业质量效率的前提下,可实现对混合胶胶色的实时监测,并保持较高识别准确率与快速的识别速度,支持监测记录查询,有效达到对AB胶混合比例实时把控的目的,防止涂胶事故发生。
附图说明
图1为本发明的风电叶片涂胶过程胶色异常的监测方法流程图;
图2为本发明的风电叶片涂胶过程胶色异常的监测过程示意图;
图3为本发明的风电叶片涂胶过程胶色异常的监测系统结构图。
其中:1-工业相机;2-连接杆;3-胶靴;4-D65标准光源;5-混合胶;6-胶管。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明提供一种风电叶片涂胶过程胶色异常的监测方法。
如图1所示,该方法包括步骤如下:
S1:涂胶区域图像信息获取;
S2:对涂胶区域图像进行去背景化,从所获涂胶区域图像中分割出胶体图像;
S3:对S2中得到的胶体图像进行标准化采样,得到统一像素大小的标准胶体图像;
S4:将标准胶体图像从RGB颜色空间转换为HSV颜色空间,并在HSV颜色空间中进行颜色直方图特征提取;
S5:计算标准胶体图像的特征值,形成该幅图像的标准二维特征值数据网格;
S6:将标准二维特征值数据网格导入预训练好的神经网络模型中,从而判定该幅图像的色差是否在规定范围内;
S7:若S6中判定不在规定范围内,输出结果为不合格,则进行报警提醒工人停止涂胶;若S6中判定在规定范围内,输出结果为合格,则继续采集下一幅涂胶区域图像。
该方法涉及的装置结构如图2和图3所示。
该监测装置包括图像采集模块、采集辅助模块、图像处理模块、声光报警模块。
其中,图像采集模块包括安装在胶靴3上的工业相机1。在涂胶过程中以3S间隔持续拍摄涂胶区域图像,直至出现色差不合格或涂胶结束。
工业相机1安装在胶靴3行进方向的反方向一侧,即已涂胶的一侧。
工业相机1在拍摄涂胶区域图像后将图像上传至图像处理模块。
采集辅助模块包括胶靴3与工业相机1之间的连接杆2、安装在胶靴3上的D65标准光源4。
连接杆2起连接和固定支撑作用。
连接杆2可绕胶靴3转动,用以在涂胶行进方向发生改变时调整整体装置位置。
D65标准光源4用于维持拍摄环境光线条件。
D65标准光源以45度角度照射胶体表面。
图像处理模块用于将图像采集模块采集到的图像进行图像分割、标准化采样、颜色空间转换、特征值计算,用于最终实现色差判定。
在判定结果为不合格时,图像处理模块会向涂胶设备综合控制系统反馈。
涂胶设备控制装置安装在涂胶设备上。
涂胶设备综合控制装置用于综合控制涂胶设备各模块。。
图像处理模块会将图像处理结果存储在服务器中。
图像处理模块的载体为服务器。
声光报警模块用于在混合胶色差不合格,即AB胶的混合比例偏差较大时进行声光报警,提醒工人暂停涂胶作业,排除故障。
声光报警功能由声光报警器实现。
声光报警器发出声光报警的方式为接收来自涂胶设备综合控制系统的指令。
声光报警器安装在涂胶设备上。
在具体应用中,按如下步骤监测:
S1:涂胶区域图像信息获取;
S2:对涂胶区域图像进行去背景化,从所获涂胶区域图像中分割出胶体图像,具体步骤如下:
S21:在RGB颜色空间中对涂胶区域图像进行颜色直方图特征提取;
S22:使用颜色挑选库函数根据胶体颜色确定色板上下限阈值;
S23:根据确定好的色板阈值范围提取胶体像素;
S24:在原始图像顶部添加遮罩,分割胶体图像;
S3:对S2中得到的胶体图像进行标准化采样,得到统一像素大小的标准胶体图像;
S4:将标准胶体图像从RGB颜色空间转换为HSV颜色空间,并在HSV颜色空间中进行颜色直方图特征提取,具体步骤如下:
S41:以像素点为单位将标准胶体图像从RGB颜色空间转换至HSV颜色空间:
V=Cmax/255 (3)
其中,H∈[0,360°],s,S∈[0,1],V∈[0,1]。式中Cmax和Cmin分别为某一像素点R,G,B三分量中的最大值与最小值。
S42:采用非均匀量化的方式在HSV颜色空间中进行颜色直方图特征提取,H、S、V分量的量化级数分别为LH、LS、LV,确定各量化值对应的分量取值范围;
S5:计算标准胶体图像的特征值,形成该幅图像的标准二维特征值数据网格,具体的,标准胶体图像的特征值以像素点为单位计算,将每个像素点的H、S、V分量按量化级数加权计算得到该像素点的特征值:
F=Ls×Lv×f(Hij)+Lv×f(Sij)+f(Vij) (4)
式中:LS、LV为S、V分量的量化级数;f(Hij)、f(Sij)、f(Vij)分别为某像素点所对应的量化值。像素点特征值F的取值范围为[0,LH×LS×LV-1]。
S6:将标准二维特征值数据网格导入预训练好的神经网络模型中,从而判定该幅图像的色差是否在规定范围内;
S7:若S6中判定不在规定范围内,输出结果为不合格,则进行报警提醒工人停止涂胶;若S6中判定在规定范围内,输出结果为合格,则继续采集下一幅涂胶区域图像。
具体的装置如图2所示,工业相机1在正常涂胶过程中每隔3S采集一次图像,并将采集到的涂胶区域图像上传至服务器。连接杆2起连接和支撑固定作用,连接工业相机1、D65标准光源2和胶管6,且连接杆2可绕胶管6转动,从而在涂胶行进方向发生改变时调整胶色异常监测装置位置。胶靴3是涂胶设备的执行末端,混合胶5从胶靴3下端涂在叶片壳体上。D65标准光源4搭载于连接杆2上,其光线方向如图中虚线部分所示,与涂胶表面呈45°角。
在进行风电叶片涂胶过程前,首先根据涂胶行进方向转动连接杆2,调整胶色异常检测装置在正确位置,然后开始正常涂胶。在风电叶片涂胶过程中,D65标准光源4为工业相机1提供稳定的光线条件,从而保证图像采集质量,工业相机1在拍摄照片后将图像上传至服务器中,经过一系列图像处理及模型判定后,将指令发送至涂胶设备综合控制系统,服务器与涂胶设备综合控制系统双向通信,在混合胶胶色不合格,即AB胶的混合比例偏差较大时,由控制系统下达指令给声光报警器发出声光报警,提醒工人暂停涂胶作业,进行故障排查。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种风电叶片涂胶过程胶色异常的监测方法,其特征在于,包括步骤如下:
S1:涂胶区域图像信息获取;
S2:对涂胶区域图像进行去背景化,从所获涂胶区域图像中分割出胶体图像;
S3:对S2中得到的胶体图像进行标准化采样,得到统一像素大小的标准胶体图像;
S4:将标准胶体图像从RGB颜色空间转换为HSV颜色空间,并在HSV颜色空间中进行颜色直方图特征提取;
S5:计算标准胶体图像的特征值,形成该幅图像的标准二维特征值数据网格;
S6:将标准二维特征值数据网格导入预训练好的神经网络模型中,从而判定该幅图像的色差是否在规定范围内;
S7:若S6中判定不在规定范围内,输出结果为不合格,则进行报警提醒工人停止涂胶;若S6中判定在规定范围内,输出结果为合格,则继续采集下一幅涂胶区域图像。
2.根据权利要求1所述的风电叶片涂胶过程胶色异常的监测方法,其特征在于,所述S1中涂胶区域图像信息通过工业相机拍摄获取。
3.根据权利要求2所述的风电叶片涂胶过程胶色异常的监测方法,其特征在于,所述工业相机搭载在胶靴上,胶靴为风电叶片进行涂胶,工业相机位于胶靴行进方向的反方向一侧。
4.根据权利要求1所述的风电叶片涂胶过程胶色异常的监测方法,其特征在于,所述S2中采用基于阈值的图像分割方法分割出胶体图像,去除除胶体本身的其他无关背景。
5.根据权利要求1所述的风电叶片涂胶过程胶色异常的监测方法,其特征在于,所述S3中标准化采样指通过对胶体图像进行切割、截取或随机采样后复原,形成统一像素大小的标准胶体图像。
6.根据权利要求1所述的风电叶片涂胶过程胶色异常的监测方法,其特征在于,所述S4中标准胶体图像从RGB颜色空间以像素点为单位,通过公式转换至HSV颜色空间,HSV颜色空间在光源恒定的条件下明度V保持不变;
在HSV颜色空间中采取非均匀量化的方式提取颜色直方图特征。
7.根据权利要求1所述的风电叶片涂胶过程胶色异常的监测方法,其特征在于,所述S5中标准胶体图像的特征值以像素点为单位计算,将每个像素点的H、S、V分量按量化级数加权计算得到该像素点的特征值;标准二维特征值数据网格由每个像素点的特征值组合而成。
8.根据权利要求1所述的风电叶片涂胶过程胶色异常的监测方法,其特征在于,所述S6中神经网络模型为预训练好的卷积神经网络模型。
9.根据权利要求1所述的风电叶片涂胶过程胶色异常的监测方法,其特征在于,所述S7中输出结果为合格时,间隔3S再次采集图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211324542.5A CN115619748A (zh) | 2022-10-27 | 2022-10-27 | 一种风电叶片涂胶过程胶色异常的监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211324542.5A CN115619748A (zh) | 2022-10-27 | 2022-10-27 | 一种风电叶片涂胶过程胶色异常的监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115619748A true CN115619748A (zh) | 2023-01-17 |
Family
ID=84865133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211324542.5A Pending CN115619748A (zh) | 2022-10-27 | 2022-10-27 | 一种风电叶片涂胶过程胶色异常的监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619748A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670864A (zh) * | 2023-12-28 | 2024-03-08 | 北汽利戴工业技术服务(北京)有限公司 | 基于工业相机的图像识别系统 |
-
2022
- 2022-10-27 CN CN202211324542.5A patent/CN115619748A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670864A (zh) * | 2023-12-28 | 2024-03-08 | 北汽利戴工业技术服务(北京)有限公司 | 基于工业相机的图像识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107014827B (zh) | 基于影像处理的输电线路缺陷分析方法、装置和系统 | |
CN111381579B (zh) | 一种云台故障检测方法、装置、计算机设备及存储介质 | |
US11676257B2 (en) | Method and device for detecting defect of meal box, server, and storage medium | |
KR20200031860A (ko) | 안전점검 기준표와 분류별 결함 데이터를 활용한 풍력 발전기 블레이드 안전 관리 시스템 및 방법 | |
US9786042B2 (en) | Algorithm for measuring wear pin length using an input image | |
US20190370999A1 (en) | Method, system and equipment for automatically detecting and tracking blade | |
CN115619748A (zh) | 一种风电叶片涂胶过程胶色异常的监测方法 | |
CN110493574B (zh) | 基于流媒体和ai技术的安监可视化系统 | |
CN113589837A (zh) | 一种基于边缘云的电力实时巡检方法 | |
CN113554004B (zh) | 搅拌车溢料检测方法、检测系统、电子设备及搅拌站 | |
CN112947511A (zh) | 一种无人机巡检风机叶片的方法 | |
CN113988573A (zh) | 基于电力系统巡检无人机的风险判断方法、系统和介质 | |
CN112949457A (zh) | 基于增强现实技术的维修方法、装置及系统 | |
CN115936672A (zh) | 一种智慧电网在线安全运维管理方法和系统 | |
CN115865915A (zh) | 基于边缘计算的无人机巡检图像实时识别方法及系统 | |
CN115082813A (zh) | 检测方法、无人机、检测系统及介质 | |
CN112526565A (zh) | 输电线安全距离监测系统、方法及巡检设备 | |
CN116225070A (zh) | 一种基于无人机自动巡护的环境监测方法及系统 | |
CN116331220B (zh) | 一种自动驾驶车辆的车道偏离预警方法及预警系统 | |
CN114757905A (zh) | 一种基于视觉的卷绳缠绕异常检测装置及方法 | |
CN115684853A (zh) | 搭载紫外成像仪的无人机输电线路故障检测方法及系统 | |
CN115355952A (zh) | 一种原油储罐智能巡检系统 | |
CN113408396B (zh) | 一种基于云计算的桥梁智能感知系统 | |
CN115174856A (zh) | 电力智能视频分析监控结构、系统、方法及其存储介质 | |
CN111028289B (zh) | 基于模板匹配的变电站内设备异物定位方法 |
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 |