CN115661763A - 一种基于视觉图像分析的设备监控自动控制系统 - Google Patents
一种基于视觉图像分析的设备监控自动控制系统 Download PDFInfo
- Publication number
- CN115661763A CN115661763A CN202211675225.8A CN202211675225A CN115661763A CN 115661763 A CN115661763 A CN 115661763A CN 202211675225 A CN202211675225 A CN 202211675225A CN 115661763 A CN115661763 A CN 115661763A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- sample
- image recognition
- assignment
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 14
- 238000010191 image analysis Methods 0.000 title claims abstract description 13
- 230000000007 visual effect Effects 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 58
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000009471 action Effects 0.000 claims abstract description 13
- 239000000463 material Substances 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 3
- 235000003642 hunger Nutrition 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000037351 starvation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 238000009776 industrial production Methods 0.000 abstract description 6
- 239000003245 coal Substances 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 239000008187 granular material Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010011878 Deafness Diseases 0.000 description 1
- 201000010001 Silicosis Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010370 hearing loss Effects 0.000 description 1
- 231100000888 hearing loss Toxicity 0.000 description 1
- 208000016354 hearing loss disease Diseases 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 206010035653 pneumoconiosis Diseases 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明提供一种基于视觉图像分析的设备监控自动控制系统,所述自动控制系统包括摄像系统、图像识别系统、容错指令系统,执行系统;摄像系统拍摄目标图像,所述目标图像进入图像识别系统,所述图像识别系统通过识别目标图像产生判断结果,所述判断结果进入容错指令系统,容错指令系统按照一定逻辑筛选出输出结果,执行系统根据所述输出结果执行自动控制动作;所述图像识别系统包括参数优化神经网络模块,图像识别神经网络模块,所述参数优化神经网络模块通过训练样本得到优化的参数w和b;本发明方法能够实现老旧工业产线的部分工业自动化要求,提高产线的工作效率、可靠性及安全性;解决了老旧产线无法自动化抬犁问题。实现了现场无人值守要求。
Description
技术领域
本发明涉及图像识别领域,特别是指一种基于视觉图像分析的设备监控自动控制系统。
背景技术
在现有的工业自动控制领域,常用的技术手段是采用传感器探测温度、高度、密度、重量、液面高度等参数,进而作出判断,进一步实现控制动作,但是对于震动较大,无法测量重量,同时形状多变无法测量高度的颗粒状物体,比如粉煤灰,现有的测量物理量的技术手段无能为力,因此存在应用图像识别技术的需求。
同时由于在工业领域,自动控制系统一旦出现错误动作,往往损失较大,因此对自动控制的准确率有较高的要求,现有的图像识别技术,由于准确率达不到,尤其是针对难以检测的形状多变的颗粒状堆料,图像识别技术很难实际应用,特别是在下列应用场景。
应用场景:在工业生产领域,在传送带在输送物料时,通过犁煤器的起落犁来实现对传送带两旁的料仓进行下料。现有技术是现场专职人员通过目测对料仓的堆积情况进行判断,当发现料仓达到起抬犁煤器的标准时,通过对讲机告知控制中心的人员,操作员收到通知后手动操作PLC系统控制抬犁。
现有应用场景的不足之处有以下几点:
人力资源的浪费。
现场人员身体安全隐患:现场在输送物料时有巨大的噪音及粉尘,长时间在该环境下工作的人员会对听力、呼吸系统造成损伤,导致听力下降,矽肺尘肺等慢性病。
人为误判:精神力不集中或突发事件会影响现场人员对抬犁指令发出的时间不准确,导致生产事故。
通讯设备故障:对讲机故障无法将现场人员的抬犁指令传送到控制中心,导致生产事故。
控制中心控制器硬件故障:抬犁动作需很强的及时性,一旦控制器硬件故障会无法及时抬犁,导致生产事故。
综上,上述应用场景存在应用自动控制系统的需求,但存在技术难题:料场中颗粒煤料属于颗粒料,其形状、大小均在不断变化,同时应用场景震动较大,难以检测温度、高度、密度、重量、液面高度等物理参数并应用于自动控制系统。
针对工业自动控制领域现有技术中,存在应用图像识别技术的需求,但是图像识别技术的准确率无法满足工业自动控制领域的高要求的技术问题,尤其是当颗粒料湿度较大,粘连在料仓壁时,二维的图像识别技术的应用尤其困难,本发明应用多种技术手段,实现了图像识别技术的工业领域的应用。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于视觉图像分析的设备监控自动控制系统,能够实现老旧工业产线的部分工业自动化要求,提高产线的工作效率、可靠性及安全性。
本发明采用的技术方案,
一种基于视觉图像分析的设备监控自动控制系统,所述自动控制系统包括摄像系统、图像识别系统、容错指令系统,执行系统;
摄像系统拍摄目标图像,所述目标图像进入图像识别系统,所述图像识别系统通过识别目标图像产生判断结果,所述判断结果进入容错指令系统,容错指令系统按照一定逻辑筛选出输出结果,执行系统根据所述输出结果执行自动控制动作;
所述图像识别系统包括参数优化神经网络模块,图像识别神经网络模块,所述参数优化神经网络模块通过训练样本得到优化的参数w和b,所述图像识别神经网络模块根据所述优化的参数w和b生成图像掩模模板;所述训练样本包括样本图像和样本图像参数,其中,样本图像参数用于表示在样本图像缺料或不缺料;
根据所述优化的参数w和b及所述参数优化神经网络模块生成掩模模板,所述图像识别神经网络模块利用所述掩模模板对待处理图像进行图像掩模处理,得到掩模处理后的图像,根据所述图像识别神经网络模块和优化的参数w和b分析所述掩模处理后的图像,得到所述掩模处理后的图像的分析结果,所述分析结果包括:缺料和不缺料中至少一项。
具体地,所述根据训练样本得到优化的参数w和b包括:将所述优化的参数参数w、b设定为第1赋值;在一个周期内,根据所述第1赋值和第1样本获取所述第1样本对应的掩模模板,所述训练样本包括了第1至n个样本;并依据所述第1样本对应的掩模模板对所述第1样本进行图像掩模处理;并通过所述图像识别神经网络模块,根据所述第1赋值对经过所述图像掩模处理的所述第1样本进行分析,并得到第1样本的分析结果;重复上述周期,并获取第1至n个在第1赋值下的分析结果;
依次将所述优化的参数w和b设定为第2至X赋值,并依次获取第1至n个样本在第2赋值下的分析结果,直至在第X赋值下的分析结果;
根据第1至X赋值下的分析结果,确定目标赋值,并将所述目标赋值作为所述优化的参数w和b的值。
具体地,所述根据所述图像识别神经网络模块和优化的参数w和b分析所述掩模处理后的图像,得到所述掩模处理后的图像的分析结果,包括:
通过所述图像识别神经网络模块,根据所述目标赋值对所述掩模处理后的图像进行分析,并得到所述掩模处理后的图像的分析结果。
具体地,所述根据第1至X赋值下的分析结果,确定目标赋值,并将所述目标赋值作为所述优化的参数w和b的值,包括:
依据
M表示掩模模板的中心点的距离;
具体地,工作流程还包括神经网络参数优化,所述神经网络参数优化时输入至少包括两组样本图片,至少输出两组神经网络优化的参数。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
本发明提供一种基于视觉图像分析的设备监控自动控制系统,所述自动控制系统包括摄像系统、图像识别系统、容错指令系统,执行系统;摄像系统拍摄目标图像,所述目标图像进入图像识别系统,所述图像识别系统通过识别目标图像产生判断结果,所述判断结果进入容错指令系统,容错指令系统按照一定逻辑筛选出输出结果,执行系统根据所述输出结果执行自动控制动作;所述图像识别系统包括参数优化神经网络模块,图像识别神经网络模块,所述参数优化神经网络模块通过训练样本得到优化的参数w和b,所述图像识别神经网络模块根据所述优化的参数w和b生成图像掩模模板;所述训练样本包括样本图像和样本图像参数,其中,样本图像参数用于表示在样本图像缺料或不缺料;本发明提供的方法能够实现老旧工业产线的部分工业自动化要求,提高产线的工作效率、可靠性及安全性;解决了老旧产线无法自动化抬犁问题。实现了现场无人值守要求。
附图说明
图1为本发明实施例提供的基于视觉图像分析的设备监控自动控制系统;
图2为本发明实施例提供的图像识别系统方法流程图;
图3为本发明实施例提供的场景实例图;
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
本发明提供一种基于视觉图像分析的设备监控自动控制系统,本发明提供的方法能够实现老旧工业产线的部分工业自动化要求,提高产线的工作效率、可靠性及安全性;解决了老旧产线无法自动化抬犁问题。实现了现场无人值守要求。
如图1为本发明实施例提供的基于视觉图像分析的设备监控自动控制系统;本实施例由摄像系统、图像识别系统、容错指令系统,执行系统组成。
其中摄像系统:考虑到颗粒料的精度要求高,cmos类图像传感器难以满足,选用了精度较高的CCD(Charge Coupled Device,电荷耦合元件)类型摄像头
图像识别系统:基于卷积神经网络(Convolutional Neural Networks, CNN)的图像识别技术,还包括参数反向传播、多图像掩模技术手段。
容错指令系统:累计图像识别系统,并在累计数达到一定数值时,按照一定标准,根据识别结果的集中度,向执行系统发出指令。
执行系统:抬起犁煤器、落下犁煤器;
工作流程如下:摄像系统拍摄目标图像,目标图像进入图像识别系统,图像识别系统经过识别产生目标图片识别结果,目标图片识别结果进入容错指令系统,容错指令系统按照一定逻辑筛选出结果并发出指令,执行系统根据容错指令系统的指令执行动作,具体如下:
所述图像识别系统包括参数优化神经网络模块,图像识别神经网络模块,所述参数优化神经网络模块通过训练样本得到优化的参数w和b,所述图像识别神经网络模块根据所述优化的参数w和b生成图像掩模模板;所述训练样本包括样本图像和样本图像参数,其中,样本图像参数用于表示在样本图像缺料或不缺料;
根据所述优化的参数w和b及所述参数优化神经网络模块生成掩模模板,所述图像识别神经网络模块利用所述掩模模板对待处理图像进行图像掩模处理,得到掩模处理后的图像,根据所述图像识别神经网络模块和优化的参数w和b分析所述掩模处理后的图像,得到所述掩模处理后的图像的分析结果,所述分析结果包括:缺料和不缺料中至少一项。
具体地,所述根据训练样本得到优化的参数w和b包括:将所述优化的参数参数w、b设定为第1赋值;在一个周期内,根据所述第1赋值和第1样本获取所述第1样本对应的掩模模板,所述训练样本包括了第1至n个样本;并依据所述第1样本对应的掩模模板对所述第1样本进行图像掩模处理;并通过所述图像识别神经网络模块,根据所述第1赋值对经过所述图像掩模处理的所述第1样本进行分析,并得到第1样本的分析结果;重复上述周期,并获取第1至n个在第1赋值下的分析结果;
依次将所述优化的参数w和b设定为第2至X赋值,并依次获取第1至n个样本在第2赋值下的分析结果,直至在第X赋值下的分析结果;
根据第1至X赋值下的分析结果,确定目标赋值,并将所述目标赋值作为所述优化的参数w和b的值。
具体地,所述根据所述图像识别神经网络模块和优化的参数w和b分析所述掩模处理后的图像,得到所述掩模处理后的图像的分析结果,包括:
通过所述图像识别神经网络模块,根据所述目标赋值对所述掩模处理后的图像进行分析,并得到所述掩模处理后的图像的分析结果。
具体地,所述根据第1至X赋值下的分析结果,确定目标赋值,并将所述目标赋值作为所述优化的参数w和b的值,包括:
依据
M表示掩模模板的中心点的距离;
具体地,工作流程还包括神经网络参数优化,所述神经网络参数优化时输入至少包括两组样本图片,至少输出两组神经网络优化的参数;
实际工作中,料仓状态分为缺料、不缺料两种状态,当出现料仓缺料的状态时,需要自动控制犁煤器下落,从而给缺料的料仓添加煤料,但是对于颗粒状的煤料,在湿度较大时,还存在料仓壁沾有煤料的状态,普通图像识别系统很容易误报为不缺料,但实际上已经处于缺料的状态,此种状态对图像识别系统是巨大的挑战,实际实验中确实误报率较高的缺点,根本原因是图像识别系统二维特性造成的,因此,在本系统中,对于参数的优化准备了两组样本图像,分别为缺料组图片,粘料组图片,每组1000张图片,缺料组图片为料仓壁干净的缺料/不缺料的样本图片,粘料组图片为料仓壁不干净的缺料/不缺料的样本图片,两组样本图片进入图像识别系统的参数优化神经网络模块,从而输出两组最优的参数w,b,w,b为神经网络模块的可调参数。
上述参数优化训练完成后,即可进入实时监测工作流程,具体是:使用拍摄设备每
秒钟拍摄一张目标图像,利用优化的参数w和b及参数优化神经网络模块生成两组掩
模模板,利用图像识别神经网络模块 进行识别从而生成两个结果,选择其中
两个相同的结果为正确结果,即当系统依照两组两张掩模模板识别结果为相同时,识别结
果进入容错指令系统,当识别结果不相同时,识别结果予以抛弃,有益效果是当图像识别神
经网络模块 判断失误时,错误指令不会进入容错指令系统,图片识别结果
进入容错指令系统后,容错指令系统将对识别结果进一步容错,具体逻辑是:首先判断图片
识别结果数量是否达到60个,当数量达到60个时,输出与图片识别结果相对应的指令,指令
的性质依据60个图片识别结果中占50%以上的图片识别结果,如:60个图片识别结果中,显
示缺料的有40个,显示不缺料的有20个,则输出缺料指令,落下犁煤器给料仓加料,有益效
果是进一步剔除错误的图片识别结果,执行系统根据指令产生动作,如果显示缺料的判断
结果占50%以上,则执行下落犁煤器进料,
摄像系统拍摄料仓的图片,速率为每秒钟一张目标图像,目标图像进入图像识别系统进行识别,容错指令系统的识别周期设计为60张为一周期,此识别周期大约是1-2分钟出现一次指令执行犁煤器抬/落动作,基本满足料仓的进料的工作需求,经过对本实施例的样品试验,已连续运行80多天,无一起图像识别错误,按每分钟输出一次图片识别结果计算,故障率至少低于十万分之一。本发明解决了长期困扰行业的犁煤器的自动控制难题。
本发明提供一种基于视觉图像分析的设备监控自动控制系统,所述自动控制系统包括摄像系统、图像识别系统、容错指令系统,执行系统;摄像系统拍摄目标图像,所述目标图像进入图像识别系统,所述图像识别系统通过识别目标图像产生判断结果,所述判断结果进入容错指令系统,容错指令系统按照一定逻辑筛选出输出结果,执行系统根据所述输出结果执行自动控制动作;所述图像识别系统包括参数优化神经网络模块,图像识别神经网络模块,所述参数优化神经网络模块通过训练样本得到优化的参数w和b,所述图像识别神经网络模块根据所述优化的参数w和b生成图像掩模模板;所述训练样本包括样本图像和样本图像参数,其中,样本图像参数用于表示在样本图像缺料或不缺料;本发明提供的方法能够实现老旧工业产线的部分工业自动化要求,提高产线的工作效率、可靠性及安全性;解决了老旧产线无法自动化抬犁问题。实现了现场无人值守要求。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、 “包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均属于侵犯本发明保护范围的行为。
Claims (5)
1.一种基于视觉图像分析的设备监控自动控制系统,其特征在于,所述自动控制系统包括摄像系统、图像识别系统、容错指令系统,执行系统;
摄像系统拍摄目标图像,所述目标图像进入图像识别系统,所述图像识别系统通过识别目标图像产生判断结果,所述判断结果进入容错指令系统,容错指令系统按照一定逻辑筛选出输出结果,执行系统根据所述输出结果执行自动控制动作;
所述图像识别系统包括参数优化神经网络模块,图像识别神经网络模块,所述参数优化神经网络模块通过训练样本得到优化的参数w和b,所述图像识别神经网络模块根据所述优化的参数w和b生成图像掩模模板;所述训练样本包括样本图像和样本图像参数,其中,样本图像参数用于表示在样本图像缺料或不缺料;
根据所述优化的参数w和b及所述参数优化神经网络模块生成掩模模板,所述图像识别神经网络模块利用所述掩模模板对待处理图像进行图像掩模处理,得到掩模处理后的图像,根据所述图像识别神经网络模块和优化的参数w和b分析所述掩模处理后的图像,得到所述掩模处理后的图像的分析结果,所述分析结果包括:缺料和不缺料中至少一项。
2.根据权利要求1所述的一种基于视觉图像分析的设备监控自动控制系统,其特征在于,所述根据训练样本得到优化的参数w和b包括:将所述优化的参数参数w、b设定为第1赋值;在一个周期内,根据所述第1赋值和第1样本获取所述第1样本对应的掩模模板,所述训练样本包括了第1至n个样本;并依据所述第1样本对应的掩模模板对所述第1样本进行图像掩模处理;并通过所述图像识别神经网络模块,根据所述第1赋值对经过所述图像掩模处理的所述第1样本进行分析,并得到第1样本的分析结果;重复上述周期,并获取第1至n个在第1赋值下的分析结果;
依次将所述优化的参数w和b设定为第2至X赋值,并依次获取第1至n个样本在第2赋值下的分析结果,直至在第X赋值下的分析结果;
根据第1至X赋值下的分析结果,确定目标赋值,并将所述目标赋值作为所述优化的参数w和b的值。
3.根据权利要求2所述的一种基于视觉图像分析的设备监控自动控制系统,其特征在于,所述根据所述图像识别神经网络模块和优化的参数w和b分析所述掩模处理后的图像,得到所述掩模处理后的图像的分析结果,包括:
通过所述图像识别神经网络模块,根据所述目标赋值对所述掩模处理后的图像进行分析,并得到所述掩模处理后的图像的分析结果。
5.根据权利要求1所述的基于视觉图像分析的设备监控自动控制系统,其特征在于,工作流程还包括神经网络参数优化,所述神经网络参数优化时输入至少包括两组样本图片,至少输出两组神经网络优化的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211675225.8A CN115661763A (zh) | 2022-12-26 | 2022-12-26 | 一种基于视觉图像分析的设备监控自动控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211675225.8A CN115661763A (zh) | 2022-12-26 | 2022-12-26 | 一种基于视觉图像分析的设备监控自动控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661763A true CN115661763A (zh) | 2023-01-31 |
Family
ID=85022992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211675225.8A Pending CN115661763A (zh) | 2022-12-26 | 2022-12-26 | 一种基于视觉图像分析的设备监控自动控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661763A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6085127A (en) * | 1997-03-18 | 2000-07-04 | Aurora Flight Sciences Corporation | Fault tolerant automatic control system utilizing analytic redundancy |
CN104217433A (zh) * | 2014-08-29 | 2014-12-17 | 华为技术有限公司 | 一种分析图像的方法及装置 |
CN106770332A (zh) * | 2017-02-14 | 2017-05-31 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
CN111273549A (zh) * | 2020-02-21 | 2020-06-12 | 大连海事大学 | 一种智能船舶自动舵系统的模糊自适应输出反馈容错控制方法及系统 |
CN112748755A (zh) * | 2019-10-30 | 2021-05-04 | 山东科技大学 | 一种基于视觉识别的温度控制装置 |
-
2022
- 2022-12-26 CN CN202211675225.8A patent/CN115661763A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6085127A (en) * | 1997-03-18 | 2000-07-04 | Aurora Flight Sciences Corporation | Fault tolerant automatic control system utilizing analytic redundancy |
CN104217433A (zh) * | 2014-08-29 | 2014-12-17 | 华为技术有限公司 | 一种分析图像的方法及装置 |
CN106770332A (zh) * | 2017-02-14 | 2017-05-31 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
CN112748755A (zh) * | 2019-10-30 | 2021-05-04 | 山东科技大学 | 一种基于视觉识别的温度控制装置 |
CN111273549A (zh) * | 2020-02-21 | 2020-06-12 | 大连海事大学 | 一种智能船舶自动舵系统的模糊自适应输出反馈容错控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
王文成;李世厚;魏江海;李春林;: "基于图像处理的给矿粒度检测及控制设计" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106568783B (zh) | 一种五金零件缺陷检测系统及方法 | |
CN105388162B (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
CN110648364B (zh) | 一种多维度空间固废视觉检测定位及识别方法与系统 | |
CN103776841B (zh) | 合成革缺陷自动检测装置及检测方法 | |
CN103157607A (zh) | 一种物品识别与分拣装置及其方法 | |
CN101807061B (zh) | 集成电路切筋系统的视觉检测控制系统及方法 | |
JP2015124955A (ja) | ごみ攪拌状態検出装置およびごみ攪拌状態検出方法 | |
CN103934211A (zh) | 基于立体视觉的产品三维尺寸分拣系统 | |
CN107220969A (zh) | 产品灯位的测试方法及检测系统 | |
CN112150439A (zh) | 注塑件的自动分拣设备及分拣方法 | |
CN104132945A (zh) | 一种基于光纤传导的棒材表面质量在线视觉检测装置 | |
CN113894055A (zh) | 基于机器视觉的五金件表面缺陷检测分类系统及方法 | |
CN115908432A (zh) | 一种物料输出品质检测系统及预测方法 | |
CN111524136A (zh) | 装箱异常检测系统及方法 | |
CN108776966A (zh) | 一种磁体外观缺陷检测的方法及系统 | |
JP6795562B2 (ja) | 検査装置及び機械学習方法 | |
CN115661763A (zh) | 一种基于视觉图像分析的设备监控自动控制系统 | |
CN114140684A (zh) | 堵煤漏煤检测方法、装置、设备及存储介质 | |
WO2024055796A1 (zh) | 一种缺陷检测系统、方法、装置、电子设备及存储介质 | |
CN116165220B (zh) | 一种基于人工智能的aoi内观检测装置及方法 | |
Hristov et al. | Application of machine learning for improving the algorithm for capturing, orienting and placing an object with 6-axis robot and 2d visual inspection camera | |
CN115608643A (zh) | 工业互联网的工业检测方法及系统 | |
CN117120951A (zh) | 生产线的异常预兆检测装置、方法及程序以及制造装置及检点装置 | |
CN104515862A (zh) | 自动光学检测方法及实施该方法的自动光学检测系统 | |
TWI832435B (zh) | 水質監視系統及電腦可讀取記錄媒體 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230131 |