CN115965604A - 一种基于箱包配件的箱包安全监控方法及系统 - Google Patents
一种基于箱包配件的箱包安全监控方法及系统 Download PDFInfo
- Publication number
- CN115965604A CN115965604A CN202211730292.5A CN202211730292A CN115965604A CN 115965604 A CN115965604 A CN 115965604A CN 202211730292 A CN202211730292 A CN 202211730292A CN 115965604 A CN115965604 A CN 115965604A
- Authority
- CN
- China
- Prior art keywords
- quality monitoring
- pull rod
- luggage
- image information
- monitoring result
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 416
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000009863 impact test Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000007547 defect Effects 0.000 claims description 33
- 238000003754 machining Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005336 cracking Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于箱包配件的箱包安全监控方法及系统,应用于数据处理技术领域,该方法包括:通过采集目标箱包内拉杆配件的图像信息,将图像信息输入第一拉杆质量监控单元和第二拉杆质量监控单元内,获得第一拉杆质量监控结果和第二拉杆质量监控结果,对第一拉杆质量监控结果和第二拉杆质量监控结果加权计算,获得拉杆配件质量监控结果。对采集预设滚筒冲击试验后的第三图像信息。将第三图像信息输入箱包质量监控单元内,获得箱包配件质量监控结果。将拉杆配件质量监控结果和箱包配件质量监控结果输入综合评估单元内,获得目标箱包的安全质量监控结果。解决了现有技术中对于箱包的质量安全检测存在检测效率低,检测准确率低的技术问题。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基于箱包配件的箱包安全监控方法及系统。
背景技术
旅行箱包是日常出行的必需品,其用于存放用户出行所需的衣物、个人护理用品等,而旅行箱包的质量安全则决定着用户出行体验。然而,在现有技术中对于箱包的质量检测多采用人工抽验的方式,箱包的质量检测效率较低,且由于采用抽验的方式,使得产品中存在大量的未检验的产品,导致检测准确性降低。
因此,在现有技术中对于箱包的质量安全检测存在检测效率低,检测准确率低的技术问题。
发明内容
本申请通过提供一种基于箱包配件的箱包安全监控方法及系统,解决了在现有技术中对于箱包的质量安全检测存在检测效率低,检测准确率低的技术问题。
本申请提供一种基于箱包配件的箱包安全监控方法,所述方法包括:采集待进行检测的目标箱包内拉杆配件的第一图像信息和第二图像信息,其中,第二图像信息包括于所述第一图像信息内;将所述第一图像信息输入安全质量监控模型内的第一拉杆质量监控单元内,获得第一拉杆质量监控结果;将所述第二图像信息输入所述安全质量监控模型内的第二拉杆质量监控单元内,获得第二拉杆质量监控结果,对所述第一拉杆质量监控结果和第二拉杆质量监控结果加权计算,获得拉杆配件质量监控结果;对所述目标箱包的箱包配件进行预设滚筒冲击试验,并在实验结束后获得所述箱包配件的第三图像信息;将所述第三图像信息输入所述安全质量监控模型内的箱包质量监控单元内,获得箱包配件质量监控结果;将所述拉杆配件质量监控结果和所述箱包配件质量监控结果输入安全质量监控模型内的综合评估单元内,获得所述目标箱包的安全质量监控结果。
本申请还提供了一种基于箱包配件的箱包安全监控系统所述系统包括:图像采集模块,用于采集待进行检测的目标箱包内拉杆配件的第一图像信息和第二图像信息,其中,第二图像信息包括于所述第一图像信息内;第一拉杆质量监控结果获取模块,用于将所述第一图像信息输入安全质量监控模型内的第一拉杆质量监控单元内,获得第一拉杆质量监控结果;配件质量监控结果获取模块,用于将所述第二图像信息输入所述安全质量监控模型内的第二拉杆质量监控单元内,获得第二拉杆质量监控结果,对所述第一拉杆质量监控结果和第二拉杆质量监控结果加权计算,获得拉杆配件质量监控结果;第三图像信息获取模块,用于对所述目标箱包的箱包配件进行预设滚筒冲击试验,并在实验结束后获得所述箱包配件的第三图像信息;箱包配件质量监控结果获取模块,用于将所述第三图像信息输入所述安全质量监控模型内的箱包质量监控单元内,获得箱包配件质量监控结果;箱包安全质量监控结果获取模块,用于将所述拉杆配件质量监控结果和所述箱包配件质量监控结果输入安全质量监控模型内的综合评估单元内,获得所述目标箱包的安全质量监控结果。
本申请还提供了一种电子设备,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现本申请实施例提供的一种基于箱包配件的箱包安全监控方法。
本申请实施例提供一种计算机可读存储介质,存储有计算机程序,该程序被处理器执行时,实现本申请实施例提供的一种基于箱包配件的箱包安全监控方法。
拟通过本申请提出的一种基于箱包配件的箱包安全监控方法及系统,通过采集目标箱包内拉杆配件的图像信息。将图像信息输入第一拉杆质量监控单元和第二拉杆质量监控单元内,获得第一拉杆质量监控结果和第二拉杆质量监控结果,对第一拉杆质量监控结果和第二拉杆质量监控结果加权计算,获得拉杆配件质量监控结果。对采集预设滚筒冲击试验后的第三图像信息。将第三图像信息输入箱包质量监控单元内,获得箱包配件质量监控结果。将拉杆配件质量监控结果和箱包配件质量监控结果输入综合评估单元内,获得目标箱包的安全质量监控结果。在目标箱包的安全质量监控结果获取的过程中,并不需要人工操作,使得箱包的安全质量检测的效率进一步提升,同时由于采用了多维度综合评价的方式,提高了箱包的安全质量检测的准确性,实现了更为快速、准确的箱包的安全质量检测。解决了现有技术中对于箱包的质量安全检测存在检测效率低,检测准确率低的技术问题。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请实施例提供的一种基于箱包配件的箱包安全监控方法的流程示意图;
图2为本申请实施例提供的一种基于箱包配件的箱包安全监控方法获取获得第一拉杆质量监控结果的流程示意图;
图3为本申请实施例提供的一种基于箱包配件的箱包安全监控方法获得第二拉杆质量监控结果的流程示意图;
图4为本申请实施例提供的一种基于箱包配件的箱包安全监控方法的系统的结构示意图;
图5为本发明实施例提供的一种基于箱包配件的箱包安全监控方法的系统电子设备的结构示意图。
附图标记说明:图像采集模块11,第一拉杆质量监控结果获取模块12,配件质量监控结果获取模块13,第三图像信息获取模块14,箱包配件质量监控结果获取模块15,箱包安全质量监控结果获取模块16。
具体实施方式
实施例一
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,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它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上,所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
如图1所示,本申请实施例提供了一种基于箱包配件的箱包安全监控方法,包括:
S10:采集待进行检测的目标箱包内拉杆配件的第一图像信息和第二图像信息,其中,第二图像信息包括于所述第一图像信息内;
S20:将所述第一图像信息输入安全质量监控模型内的第一拉杆质量监控单元内,获得第一拉杆质量监控结果;
S30:将所述第二图像信息输入所述安全质量监控模型内的第二拉杆质量监控单元内,获得第二拉杆质量监控结果,对所述第一拉杆质量监控结果和第二拉杆质量监控结果加权计算,获得拉杆配件质量监控结果;
具体的,采集待检测的目标箱包内拉杆配件的第一图像信息和第二图像信息。其中,第二图像信息包括于所述第一图像信息内,第一图像信息为目标箱包内拉杆配件的全部图像,第二图像信息为第一图像信息中具体部位的图像。随后,将第一图像信息输入安全质量监控模型内的第一拉杆质量监控单元内,获取第一拉杆质量监控结果。随后,将第二图像信息输入所述安全质量监控模型内的第二拉杆质量监控单元内,获取第二拉杆质量监控结果。其中第一拉杆质量监控单元和第二拉杆质量监控单元,分别用于获取拉杆配件的质量等级和把手部分的质量等级。并根据获取的第一拉杆质量监控结果和第二拉杆质量监控结果进行加权计算,得到拉杆配件质量监控结果,在对第一拉杆质量监控结果和第二拉杆质量监控结果进行加权计算时,通过预设的权重系数确定加权计算的权重,根据加权计算结果,获取拉杆配件质量监控结果。
本申请实施例提供的方法S10还包括:
S11:通过图像采集装置,采集所述拉杆配件的全部部分的图像,获得所述第一图像信息;
S12:通过图像采集装置,采集所述拉杆配件的把手部分的图像,获得所述第二图像信息,其中,所述第二图像信息的分辨率大于所述第一图像信息。
具体的,通过图像采集装置,采集拉杆配件的全部部分的图像,得到第一图像信息。进一步,通过图像采集装置,采集所述拉杆配件的把手部分的图像,获得所述第二图像信息,其中,所述第二图像信息的分辨率大于所述第一图像信息。
如图2所示,本申请实施例提供的方法S20还包括:
S21:获取多个拉杆配件的全部部分的图像,获得多个样本第一图像信息;
S22:检测所述多个样本第一图像信息内的加工孔间距,获得多个样本加工孔间距信息;
S23:基于卷积神经网络,构建所述第一拉杆质量监控单元,所述第一拉杆质量监控单元的输入数据为第一图像信息,输出数据为加工孔间距信息;
S24:采用所述多个样本第一图像信息和所述多个样本加工孔间距信息作为构建数据,对所述第一拉杆质量监控单元进行监督训练和验证,直到第一拉杆质量监控单元收敛或准确率达到预设要求;
S25:将所述第一图像信息输入所述第一拉杆质量监控单元,获得预测加工孔间距信息;
S26:根据标准预测加工孔间距信息,分析所述预测加工孔间距信息偏离所述标准预测加工孔间距信息的程度,获得所述第一拉杆质量监控结果,其中,第一拉杆质量监控结果包括拉杆配件的质量等级。
具体的,在获取第一拉杆质量监控结果时,通过获取多个拉杆配件的全部部分的图像,获得多个样本第一图像信息。随后,检测多个样本第一图像信息内的加工孔间距,获得多个样本加工孔间距信息。随后,以样本加工孔间距信息为监督数据,以样本第一图像信息为训练数据,基于卷积神经网络,训练第一拉杆质量监控单元,所述第一拉杆质量监控单元的输入数据为第一图像信息,输出数据为加工孔间距信息。采用所述多个样本第一图像信息和所述多个样本加工孔间距信息作为构建数据,对所述第一拉杆质量监控单元进行监督训练和验证,直到第一拉杆质量监控单元收敛或准确率达到预设要求,完成对第一拉杆质量监控单元的训练。进一步,将第一图像信息输入所述第一拉杆质量监控单元,获得预测加工孔间距信息。最后,根据标准预测加工孔间距信息,分析预测加工孔间距信息偏离所述标准预测加工孔间距信息的程度,即预测加工孔间距信息偏差,获得第一拉杆质量监控结果,在获得第一拉杆质量监控结果中包含具体的拉杆配件的质量等级,预测加工孔间距信息偏差越大拉杆配件的质量等级越低。
如图3所示,本申请实施例提供的方法S30还包括:
S31:获取多个拉杆配件的把手部分的图像,获得多个样本第二图像信息;
S32:检测所述多个样本第二图像信息内毛刺缺陷的数量,获得多个样本毛刺数量信息;
S33:基于卷积神经网络,构建所述第二拉杆质量监控单元,所述第二拉杆质量监控单元的输入数据为第二图像信息,输出数据为毛刺数量信息;
S34:采用所述多个样本第二图像信息和多个样本毛刺数量信息作为构建数据,对所述第二拉杆质量监控单元进行监督训练和验证,直到所述第二拉杆质量监控单元收敛或准确率符合预设要求;
S35:将所述第二图像信息输入所述第二拉杆质量监控单元,获得预测毛刺数量信息;
S36:根据所述预测毛刺数量信息的大小,获得所述第二拉杆质量监控结果,其中,第二拉杆质量监控结果包括拉杆配件把手部分的质量等级。
具体的,获取多个拉杆配件的把手部分的图像,获得多个样本第二图像信息,随后,检测多个样本第二图像信息内毛刺缺陷的数量,获得多个样本毛刺数量信息。进一步,以多个样本毛刺数量信息为监督数据,以多个样本第二图像信息为训练数据,基于卷积神经网络,训练所述第二拉杆质量监控单元,所述第二拉杆质量监控单元的输入数据为第二图像信息,输出数据为毛刺数量信息。随后,采用多个样本第二图像信息和多个样本毛刺数量信息作为构建数据,对训练的第二拉杆质量监控单元进行监督训练和验证,直到所述第二拉杆质量监控单元收敛或准确率符合预设要求,完成对第二拉杆质量监控单元的训练。最后,将将所述第二图像信息输入所述第二拉杆质量监控单元,获得预测毛刺数量信息。并根据预测毛刺数量信息的大小,获得所述第二拉杆质量监控结果,其中,第二拉杆质量监控结果包括拉杆配件把手部分的质量等级,其中预测毛刺数量信息中预测毛刺数量越多拉杆配件把手部分的质量等级越低。
本申请实施例提供的方法S30还包括:
S37:获取预设权重系数集合,其中,所述预设权重系数集合包括分别与所述第一拉杆质量监控结果和第二拉杆质量监控结果对应的第一权重系数和第二权重系数;
S38:采用所述第一权重系数和第二权重系数,对所述第一拉杆质量监控结果和第二拉杆质量监控结果加权计算,获得所述拉杆配件质量监控结果。
具体的,获取预设权重系数集合,其中,在预设权重系数集合包括分别与所述第一拉杆质量监控结果和第二拉杆质量监控结果对应的第一权重系数和第二权重系数。具体的权重系数分配可以根据实际的质量偏向进行分配,如质量偏向为减少毛刺,则对应的第二权重系数越高。进一步,采用第一权重系数和第二权重系数,对所述第一拉杆质量监控结果和第二拉杆质量监控结果加权计算,获得所述拉杆配件质量监控结果,即获取把手部分的质量等级和拉杆配件的质量等级的综合加权计算等级。
S40:对所述目标箱包的箱包配件进行预设滚筒冲击试验,并在实验结束后获得所述箱包配件的第三图像信息;
S50:将所述第三图像信息输入所述安全质量监控模型内的箱包质量监控单元内,获得箱包配件质量监控结果;
S60:将所述拉杆配件质量监控结果和所述箱包配件质量监控结果输入安全质量监控模型内的综合评估单元内,获得所述目标箱包的安全质量监控结果。
具体的,对目标箱包的箱包配件进行预设滚筒冲击试验,并在实验结束后获得所述箱包配件的第三图像信息。其中滚筒冲击试验为适用于行李箱在运输过程中滚轮撞击性试验。随后,将第三图像信息输入所述安全质量监控模型内的箱包质量监控单元内,获得箱包配件质量监控结果。其中,安全质量监控模型中的箱包质量监控单元用于在进行预设滚筒冲击试验后,根据第三图像信息对箱包质量进行检测,获取箱包配件质量监控结果。最后,将上述步骤获取的拉杆配件质量监控结果和所述箱包配件质量监控结果输入安全质量监控模型内的综合评估单元内,获得所述目标箱包的安全质量监控结果。其中综合评估单元用于根据拉杆配件质量监控结果和箱包配件质量监控结果,进行综合评价,得到最终的目标箱包的安全质量监控结果。由于在目标箱包的安全质量监控结果获取的过程中,并不需要人工操作,使得箱包的安全质量检测的效率进一步提升,同时由于采用了多维度综合评价的方式,提高了箱包的安全质量检测的准确性,实现了更为快速、准确的箱包的安全质量检测。
本申请实施例提供的方法S50还包括:
S51:获取历史时间内对箱包配件进行预设滚筒冲击试验的图像,获得多个样本第三图像信息;
S52:获取所述多个样本第三图像信息内缺陷、开裂部分的数量,获得多个样本缺陷数量信息;
S50:基于卷积神经网络,构建所述箱包质量监控单元,所述箱包质量监控单元的输入数据为第三图像信息,输出数据为缺陷数量信息;
S56:采用所述多个样本第三图像信息和所述多个样本缺陷数量信息作为构建数据,对所述箱包质量监控单元进行监督训练和验证,直到箱包质量监控单元收敛或准确率达到预设要求;
S57:将所述第三图像信息输入所述箱包质量监控单元,获得预测缺陷数量信息;
S58:根据所述预测缺陷数量信息的大小,获得所述箱包配件质量监控结果,其中,箱包配件质量监控结果包括箱包配件的质量等级。
具体的,获取历史时间内箱包配件进行预设滚筒冲击试验的图像,获得多个样本第三图像信息,随后,获取多个样本第三图像信息内缺陷、开裂部分的数量,获得多个样本缺陷数量信息。根据多个样本缺陷数量信息和样本第三图像信息,以多个样本缺陷数量信息为监督数据以样本第三图像信息为训练数据,基于卷积神经网络,构建所述箱包质量监控单元,所述箱包质量监控单元的输入数据为第三图像信息,输出数据为缺陷数量信息。采用所述多个样本第三图像信息和所述多个样本缺陷数量信息作为构建数据,对所述箱包质量监控单元进行监督训练和验证,直到箱包质量监控单元收敛或准确率达到预设要求,完成对所述箱包质量监控单元的训练。将所述第三图像信息输入所述箱包质量监控单元,获得预测缺陷数量信息。根据所述预测缺陷数量信息的大小,获得所述箱包配件质量监控结果,其中,箱包配件质量监控结果包括箱包配件的质量等级,预测缺陷数量信息中缺陷数量越多,箱包配件的质量等级越差。
本申请实施例提供的方法S60还包括:
S61:获取多个样本拉杆配件质量监控结果和多个样本箱包配件质量监控结果;
S62:对所述多个样本拉杆配件质量监控结果和多个样本箱包配件质量监控结果进行随机组合和综合质量评估,获得多个样本安全质量监控结果;
S63:基于拉杆配件质量监控结果和箱包配件质量监控结果作为第一坐标轴和第二坐标轴上的坐标值,构建所述综合评估单元内的评估坐标系;
S64:将所述多个样本拉杆配件质量监控结果和多个样本箱包配件质量监控结果进行随机组合并输入所述评估坐标系,获得多个样本坐标点,每个样本坐标点与一样本安全质量监控结果对应,获得所述综合评估单元;
S65:将所述拉杆配件质量监控结果和所述箱包配件质量监控结果输入所述评估坐标系内,获得目标坐标点;
S66:获取所述目标坐标点最邻近的K个样本坐标点,并获取所述K个样本坐标点对应的K个样本安全质量监控结果,K为奇数;
S67:将所述K个样本安全质量监控结果内出现频率最大的样本安全质量监控结果作为所述目标箱包的安全质量监控结果,其中,若至少两个样本安全质量监控结果的出现频率相同,则扩大K值。
具体的,获取多个样本拉杆配件质量监控结果和多个样本箱包配件质量监控结果。对所述多个样本拉杆配件质量监控结果和多个样本箱包配件质量监控结果进行随机组合和综合质量评估,获取多个样本安全质量监控结果。进一步,基于拉杆配件质量监控结果和箱包配件质量监控结果作为第一坐标轴和第二坐标轴上的坐标值,构建所述综合评估单元内的评估坐标系。随后,将多个样本拉杆配件质量监控结果和多个样本箱包配件质量监控结果进行随机组合并输入所述评估坐标系,获得多个样本坐标点,且每个样本坐标点与一种安全质量监控结果对应,获得所述综合评估单元。进一步的,将所述拉杆配件质量监控结果和所述箱包配件质量监控结果输入所述评估坐标系内,获得目标坐标点。随后,获取目标坐标点最邻近的K个样本坐标点,并获取所述K个样本坐标点对应的K个样本安全质量监控结果,K为奇数。即获取目标坐标点邻近的样本坐标点,并获取样本坐标点对应的K个样本安全质量监控结果。最后,将K个样本安全质量监控结果内出现频率最大的样本安全质量监控结果作为所述目标箱包的安全质量监控结果。并且,当获取的K个样本安全质量监控结果中存在两种出现频率最大的样本安全质量监控结果出现频率相同,则继续扩大K的取值,增加邻近的K个样本坐标点获取的数量。
本发明实施例所提供的技术方案,通过采集待进行检测的目标箱包内拉杆配件的第一图像信息和第二图像信息,其中,第二图像信息包括于所述第一图像信息内。将所述第一图像信息输入安全质量监控模型内的第一拉杆质量监控单元内,获得第一拉杆质量监控结果。将所述第二图像信息输入所述安全质量监控模型内的第二拉杆质量监控单元内,获得第二拉杆质量监控结果,对所述第一拉杆质量监控结果和第二拉杆质量监控结果加权计算,获得拉杆配件质量监控结果。对所述目标箱包的箱包配件进行预设滚筒冲击试验,并在实验结束后获得所述箱包配件的第三图像信息。将所述第三图像信息输入所述安全质量监控模型内的箱包质量监控单元内,获得箱包配件质量监控结果。将所述拉杆配件质量监控结果和所述箱包配件质量监控结果输入安全质量监控模型内的综合评估单元内,获得所述目标箱包的安全质量监控结果。在目标箱包的安全质量监控结果获取的过程中,并不需要人工操作,使得箱包的安全质量检测的效率进一步提升,同时由于采用了多维度综合评价的方式,提高了箱包的安全质量检测的准确性,实现了更为快速、准确的箱包的安全质量检测。解决了现有技术中对于箱包的质量安全检测存在检测效率低,检测准确率低的技术问题。
实施例二
基于与前述实施例中一种基于箱包配件的箱包安全监控方法同样发明构思,本发明还提供了一种基于箱包配件的箱包安全监控方法的系统,系统可以由硬件和/或软件的方式来实现,一般可集成于电子设备中,用于执行本发明任意实施例所提供的方法。如图4所示,所述系统包括:
图像采集模块11,用于采集待进行检测的目标箱包内拉杆配件的第一图像信息和第二图像信息,其中,第二图像信息包括于所述第一图像信息内;
第一拉杆质量监控结果获取模块12,用于将所述第一图像信息输入安全质量监控模型内的第一拉杆质量监控单元内,获得第一拉杆质量监控结果;
配件质量监控结果获取模块13,用于将所述第二图像信息输入所述安全质量监控模型内的第二拉杆质量监控单元内,获得第二拉杆质量监控结果,对所述第一拉杆质量监控结果和第二拉杆质量监控结果加权计算,获得拉杆配件质量监控结果;
第三图像信息获取模块14,用于对所述目标箱包的箱包配件进行预设滚筒冲击试验,并在实验结束后获得所述箱包配件的第三图像信息;
箱包配件质量监控结果获取模块15,用于将所述第三图像信息输入所述安全质量监控模型内的箱包质量监控单元内,获得箱包配件质量监控结果;
箱包安全质量监控结果获取模块16,用于将所述拉杆配件质量监控结果和所述箱包配件质量监控结果输入安全质量监控模型内的综合评估单元内,获得所述目标箱包的安全质量监控结果。
进一步地,所述图像采集模块11还用于:
通过图像采集装置,采集所述拉杆配件的全部部分的图像,获得所述第一图像信息;
通过图像采集装置,采集所述拉杆配件的把手部分的图像,获得所述第二图像信息,其中,所述第二图像信息的分辨率大于所述第一图像信息。
进一步地,所述第一拉杆质量监控结果获取模块12还用于:
获取多个拉杆配件的全部部分的图像,获得多个样本第一图像信息;
检测所述多个样本第一图像信息内的加工孔间距,获得多个样本加工孔间距信息;
基于卷积神经网络,构建所述第一拉杆质量监控单元,所述第一拉杆质量监控单元的输入数据为第一图像信息,输出数据为加工孔间距信息;
采用所述多个样本第一图像信息和所述多个样本加工孔间距信息作为构建数据,对所述第一拉杆质量监控单元进行监督训练和验证,直到第一拉杆质量监控单元收敛或准确率达到预设要求;
将所述第一图像信息输入所述第一拉杆质量监控单元,获得预测加工孔间距信息;
根据标准预测加工孔间距信息,分析所述预测加工孔间距信息偏离所述标准预测加工孔间距信息的程度,获得所述第一拉杆质量监控结果,其中,第一拉杆质量监控结果包括拉杆配件的质量等级。
进一步地,所述配件质量监控结果获取模块13还用于:
获取多个拉杆配件的把手部分的图像,获得多个样本第二图像信息;
检测所述多个样本第二图像信息内毛刺缺陷的数量,获得多个样本毛刺数量信息;
基于卷积神经网络,构建所述第二拉杆质量监控单元,所述第二拉杆质量监控单元的输入数据为第二图像信息,输出数据为毛刺数量信息;
采用所述多个样本第二图像信息和多个样本毛刺数量信息作为构建数据,对所述第二拉杆质量监控单元进行监督训练和验证,直到所述第二拉杆质量监控单元收敛或准确率符合预设要求;
将所述第二图像信息输入所述第二拉杆质量监控单元,获得预测毛刺数量信息;
根据所述预测毛刺数量信息的大小,获得所述第二拉杆质量监控结果,其中,第二拉杆质量监控结果包括拉杆配件把手部分的质量等级。
进一步地,所述配件质量监控结果获取模块13还用于:
获取预设权重系数集合,其中,所述预设权重系数集合包括分别与所述第一拉杆质量监控结果和第二拉杆质量监控结果对应的第一权重系数和第二权重系数;
采用所述第一权重系数和第二权重系数,对所述第一拉杆质量监控结果和第二拉杆质量监控结果加权计算,获得所述拉杆配件质量监控结果。
进一步地,所述箱包配件质量监控结果获取模块15还用于:
获取历史时间内对箱包配件进行预设滚筒冲击试验的图像,获得多个样本第三图像信息;
获取所述多个样本第三图像信息内缺陷、开裂部分的数量,获得多个样本缺陷数量信息;
基于卷积神经网络,构建所述箱包质量监控单元,所述箱包质量监控单元的输入数据为第三图像信息,输出数据为缺陷数量信息;
采用所述多个样本第三图像信息和所述多个样本缺陷数量信息作为构建数据,对所述箱包质量监控单元进行监督训练和验证,直到箱包质量监控单元收敛或准确率达到预设要求;
将所述第三图像信息输入所述箱包质量监控单元,获得预测缺陷数量信息;
根据所述预测缺陷数量信息的大小,获得所述箱包配件质量监控结果,其中,箱包配件质量监控结果包括箱包配件的质量等级。
进一步地,所述箱包安全质量监控结果获取模块16还用于:
获取多个样本拉杆配件质量监控结果和多个样本箱包配件质量监控结果;
对所述多个样本拉杆配件质量监控结果和多个样本箱包配件质量监控结果进行随机组合和综合质量评估,获得多个样本安全质量监控结果;
基于拉杆配件质量监控结果和箱包配件质量监控结果作为第一坐标轴和第二坐标轴上的坐标值,构建所述综合评估单元内的评估坐标系;
将所述多个样本拉杆配件质量监控结果和多个样本箱包配件质量监控结果进行随机组合并输入所述评估坐标系,获得多个样本坐标点,每个样本坐标点与一样本安全质量监控结果对应,获得所述综合评估单元;
将所述拉杆配件质量监控结果和所述箱包配件质量监控结果输入所述评估坐标系内,获得目标坐标点;
获取所述目标坐标点最邻近的K个样本坐标点,并获取所述K个样本坐标点对应的K个样本安全质量监控结果,K为奇数;
将所述K个样本安全质量监控结果内出现频率最大的样本安全质量监控结果作为所述目标箱包的安全质量监控结果,其中,若至少两个样本安全质量监控结果的出现频率相同,则扩大K值。
本发明实施例所提供的一种基于箱包配件的箱包安全监控系统可执行本发明任意实施例所提供的一种基于箱包配件的箱包安全监控系统方法,具备执行方法相应的功能模块和有益效果。
所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例三
图5为本发明实施例三提供的电子设备的结构示意图,示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图5所示,该电子设备包括处理器31、存储器32、输入装置33及输出装置34;电子设备中处理器31的数量可以是一个或多个,图5中以一个处理器31为例,电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的一种基于箱包配件的箱包安全监控方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述一种基于箱包配件的箱包安全监控方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于箱包配件的箱包安全监控方法,其特征在于,所述方法包括:
采集待进行检测的目标箱包内拉杆配件的第一图像信息和第二图像信息,其中,第二图像信息包括于所述第一图像信息内;
将所述第一图像信息输入安全质量监控模型内的第一拉杆质量监控单元内,获得第一拉杆质量监控结果;
将所述第二图像信息输入所述安全质量监控模型内的第二拉杆质量监控单元内,获得第二拉杆质量监控结果,对所述第一拉杆质量监控结果和第二拉杆质量监控结果加权计算,获得拉杆配件质量监控结果;
对所述目标箱包的箱包配件进行预设滚筒冲击试验,并在实验结束后获得所述箱包配件的第三图像信息;
将所述第三图像信息输入所述安全质量监控模型内的箱包质量监控单元内,获得箱包配件质量监控结果;
将所述拉杆配件质量监控结果和所述箱包配件质量监控结果输入安全质量监控模型内的综合评估单元内,获得所述目标箱包的安全质量监控结果。
2.根据权利要求1所述的方法,其特征在于,采集待进行检测的目标箱包内拉杆配件的第一图像信息和第二图像信息,其中,第二图像信息包括于所述第一图像信息内,包括:
通过图像采集装置,采集所述拉杆配件的全部部分的图像,获得所述第一图像信息;
通过图像采集装置,采集所述拉杆配件的把手部分的图像,获得所述第二图像信息,其中,所述第二图像信息的分辨率大于所述第一图像信息。
3.根据权利要求1所述的方法,其特征在于,将所述第一图像信息输入安全质量监控模型内的第一拉杆质量监控单元内,获得第一拉杆质量监控结果,包括:
获取多个拉杆配件的全部部分的图像,获得多个样本第一图像信息;
检测所述多个样本第一图像信息内的加工孔间距,获得多个样本加工孔间距信息;
基于卷积神经网络,构建所述第一拉杆质量监控单元,所述第一拉杆质量监控单元的输入数据为第一图像信息,输出数据为加工孔间距信息;
采用所述多个样本第一图像信息和所述多个样本加工孔间距信息作为构建数据,对所述第一拉杆质量监控单元进行监督训练和验证,直到第一拉杆质量监控单元收敛或准确率达到预设要求;
将所述第一图像信息输入所述第一拉杆质量监控单元,获得预测加工孔间距信息;
根据标准预测加工孔间距信息,分析所述预测加工孔间距信息偏离所述标准预测加工孔间距信息的程度,获得所述第一拉杆质量监控结果,其中,第一拉杆质量监控结果包括拉杆配件的质量等级。
4.根据权利要求1所述的方法,其特征在于,将所述第二图像信息输入所述安全质量监控模型内的第二拉杆质量监控单元内,获得第二拉杆质量监控结果,包括:
获取多个拉杆配件的把手部分的图像,获得多个样本第二图像信息;
检测所述多个样本第二图像信息内毛刺缺陷的数量,获得多个样本毛刺数量信息;
基于卷积神经网络,构建所述第二拉杆质量监控单元,所述第二拉杆质量监控单元的输入数据为第二图像信息,输出数据为毛刺数量信息;
采用所述多个样本第二图像信息和多个样本毛刺数量信息作为构建数据,对所述第二拉杆质量监控单元进行监督训练和验证,直到所述第二拉杆质量监控单元收敛或准确率符合预设要求;
将所述第二图像信息输入所述第二拉杆质量监控单元,获得预测毛刺数量信息;
根据所述预测毛刺数量信息的大小,获得所述第二拉杆质量监控结果,其中,第二拉杆质量监控结果包括拉杆配件把手部分的质量等级。
5.根据权利要求1所述的方法,其特征在于,对所述第一拉杆质量监控结果和第二拉杆质量监控结果加权计算,包括:
获取预设权重系数集合,其中,所述预设权重系数集合包括分别与所述第一拉杆质量监控结果和第二拉杆质量监控结果对应的第一权重系数和第二权重系数;
采用所述第一权重系数和第二权重系数,对所述第一拉杆质量监控结果和第二拉杆质量监控结果加权计算,获得所述拉杆配件质量监控结果。
6.根据权利要求1所述的方法,其特征在于,将所述第三图像信息输入所述安全质量监控模型内的箱包质量监控单元内,获得箱包配件质量监控结果;
获取历史时间内对箱包配件进行预设滚筒冲击试验的图像,获得多个样本第三图像信息;
获取所述多个样本第三图像信息内缺陷、开裂部分的数量,获得多个样本缺陷数量信息;
基于卷积神经网络,构建所述箱包质量监控单元,所述箱包质量监控单元的输入数据为第三图像信息,输出数据为缺陷数量信息;
采用所述多个样本第三图像信息和所述多个样本缺陷数量信息作为构建数据,对所述箱包质量监控单元进行监督训练和验证,直到箱包质量监控单元收敛或准确率达到预设要求;
将所述第三图像信息输入所述箱包质量监控单元,获得预测缺陷数量信息;
根据所述预测缺陷数量信息的大小,获得所述箱包配件质量监控结果,其中,箱包配件质量监控结果包括箱包配件的质量等级。
7.根据权利要求1所述的方法,其特征在于,将所述拉杆配件质量监控结果和所述箱包配件质量监控结果输入安全质量监控模型内的综合评估单元内,包括:
获取多个样本拉杆配件质量监控结果和多个样本箱包配件质量监控结果;
对所述多个样本拉杆配件质量监控结果和多个样本箱包配件质量监控结果进行随机组合和综合质量评估,获得多个样本安全质量监控结果;
基于拉杆配件质量监控结果和箱包配件质量监控结果作为第一坐标轴和第二坐标轴上的坐标值,构建所述综合评估单元内的评估坐标系;
将所述多个样本拉杆配件质量监控结果和多个样本箱包配件质量监控结果进行随机组合并输入所述评估坐标系,获得多个样本坐标点,每个样本坐标点与一样本安全质量监控结果对应,获得所述综合评估单元;
将所述拉杆配件质量监控结果和所述箱包配件质量监控结果输入所述评估坐标系内,获得目标坐标点;
获取所述目标坐标点最邻近的K个样本坐标点,并获取所述K个样本坐标点对应的K个样本安全质量监控结果,K为奇数;
将所述K个样本安全质量监控结果内出现频率最大的样本安全质量监控结果作为所述目标箱包的安全质量监控结果,其中,若至少两个样本安全质量监控结果的出现频率相同,则扩大K值。
8.一种基于箱包配件的箱包安全监控系统,其特征在于,所述系统包括:
图像采集模块,用于采集待进行检测的目标箱包内拉杆配件的第一图像信息和第二图像信息,其中,第二图像信息包括于所述第一图像信息内;
第一拉杆质量监控结果获取模块,用于将所述第一图像信息输入安全质量监控模型内的第一拉杆质量监控单元内,获得第一拉杆质量监控结果;
配件质量监控结果获取模块,用于将所述第二图像信息输入所述安全质量监控模型内的第二拉杆质量监控单元内,获得第二拉杆质量监控结果,对所述第一拉杆质量监控结果和第二拉杆质量监控结果加权计算,获得拉杆配件质量监控结果;
第三图像信息获取模块,用于对所述目标箱包的箱包配件进行预设滚筒冲击试验,并在实验结束后获得所述箱包配件的第三图像信息;
箱包配件质量监控结果获取模块,用于将所述第三图像信息输入所述安全质量监控模型内的箱包质量监控单元内,获得箱包配件质量监控结果;
箱包安全质量监控结果获取模块,用于将所述拉杆配件质量监控结果和所述箱包配件质量监控结果输入安全质量监控模型内的综合评估单元内,获得所述目标箱包的安全质量监控结果。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至7任一项所述的一种基于箱包配件的箱包安全监控方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的一种基于箱包配件的箱包安全监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211730292.5A CN115965604B (zh) | 2022-12-30 | 2022-12-30 | 一种基于箱包配件的箱包安全监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211730292.5A CN115965604B (zh) | 2022-12-30 | 2022-12-30 | 一种基于箱包配件的箱包安全监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115965604A true CN115965604A (zh) | 2023-04-14 |
CN115965604B CN115965604B (zh) | 2023-07-07 |
Family
ID=85904715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211730292.5A Active CN115965604B (zh) | 2022-12-30 | 2022-12-30 | 一种基于箱包配件的箱包安全监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115965604B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090169051A1 (en) * | 2007-12-31 | 2009-07-02 | Ge Homeland Protection, Inc. | System and method for detecting items of interest through mass estimation |
US20190324432A1 (en) * | 2017-08-02 | 2019-10-24 | Strong Force Iot Portfolio 2016, Llc | Data monitoring systems and methods to update input channel routing in response to an alarm state |
CN110579476A (zh) * | 2018-06-11 | 2019-12-17 | 衢州学院 | 一种基于机器视觉的冲裁断面质量检测装置 |
CN111311546A (zh) * | 2020-01-19 | 2020-06-19 | 上海箱云物流科技有限公司 | 集装箱检测方法、装置及计算机可读存储介质 |
JP2020131865A (ja) * | 2019-02-18 | 2020-08-31 | 矢崎エナジーシステム株式会社 | 安全監視装置および安全監視方法 |
CN111768409A (zh) * | 2020-09-03 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 基于人工智能的箱式结构检测方法及装置 |
DE102019206833A1 (de) * | 2019-05-10 | 2020-11-12 | Dürr Systems Ag | Verfahren zur Analyse von Qualitätsmängeln |
CN112434695A (zh) * | 2020-11-20 | 2021-03-02 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于深度学习的上拉杆故障检测方法 |
CN112700404A (zh) * | 2020-12-11 | 2021-04-23 | 岳阳市青方环保科技有限公司 | 一种瓦楞纸箱印刷质量检测方法及装置 |
US20210209418A1 (en) * | 2020-01-02 | 2021-07-08 | Applied Materials Israel Ltd. | Machine learning-based defect detection of a specimen |
CN113222926A (zh) * | 2021-05-06 | 2021-08-06 | 西安电子科技大学 | 基于深度支持向量数据描述模型的拉链异常检测方法 |
CN114998306A (zh) * | 2022-06-30 | 2022-09-02 | 马鞍山久泰渔具有限公司 | 渔具箱包的品质自动监测系统 |
CN115239725A (zh) * | 2022-09-22 | 2022-10-25 | 张家港大裕橡胶制品有限公司 | 一种橡胶手套胶浸涂层视觉监测方法及系统 |
-
2022
- 2022-12-30 CN CN202211730292.5A patent/CN115965604B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090169051A1 (en) * | 2007-12-31 | 2009-07-02 | Ge Homeland Protection, Inc. | System and method for detecting items of interest through mass estimation |
US20190324432A1 (en) * | 2017-08-02 | 2019-10-24 | Strong Force Iot Portfolio 2016, Llc | Data monitoring systems and methods to update input channel routing in response to an alarm state |
CN110579476A (zh) * | 2018-06-11 | 2019-12-17 | 衢州学院 | 一种基于机器视觉的冲裁断面质量检测装置 |
JP2020131865A (ja) * | 2019-02-18 | 2020-08-31 | 矢崎エナジーシステム株式会社 | 安全監視装置および安全監視方法 |
DE102019206833A1 (de) * | 2019-05-10 | 2020-11-12 | Dürr Systems Ag | Verfahren zur Analyse von Qualitätsmängeln |
US20210209418A1 (en) * | 2020-01-02 | 2021-07-08 | Applied Materials Israel Ltd. | Machine learning-based defect detection of a specimen |
CN111311546A (zh) * | 2020-01-19 | 2020-06-19 | 上海箱云物流科技有限公司 | 集装箱检测方法、装置及计算机可读存储介质 |
CN111768409A (zh) * | 2020-09-03 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 基于人工智能的箱式结构检测方法及装置 |
CN112434695A (zh) * | 2020-11-20 | 2021-03-02 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于深度学习的上拉杆故障检测方法 |
CN112700404A (zh) * | 2020-12-11 | 2021-04-23 | 岳阳市青方环保科技有限公司 | 一种瓦楞纸箱印刷质量检测方法及装置 |
CN113222926A (zh) * | 2021-05-06 | 2021-08-06 | 西安电子科技大学 | 基于深度支持向量数据描述模型的拉链异常检测方法 |
CN114998306A (zh) * | 2022-06-30 | 2022-09-02 | 马鞍山久泰渔具有限公司 | 渔具箱包的品质自动监测系统 |
CN115239725A (zh) * | 2022-09-22 | 2022-10-25 | 张家港大裕橡胶制品有限公司 | 一种橡胶手套胶浸涂层视觉监测方法及系统 |
Non-Patent Citations (5)
Title |
---|
ALESSIO P ET AL.: "Automated Deep Learning for Threat Detection in Luggage from X-ray Images", 《ANALYSIS OF EXPERIMENTAL ALGORITHMS》, pages 505 - 512 * |
RAFSANJANY K. ETAL.: "Contrast Enhancement of Medical X-Ray Image using Morphological Operators with Optimal Structuring Element", 《ARXIV》, pages 1 - 5 * |
于谦: "基于机器视觉的啤酒箱印刷质量检测系统设计", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, pages 024 - 216 * |
刘新国等: "旅行箱包产品质量安全风险监测与分析", 《质量探索》, pages 42 - 43 * |
薛敏;杨健;谭帅;侍洪波;: "基于多数据结构的集成质量监控方法", 华东理工大学学报(自然科学版), no. 06, pages 103 - 110 * |
Also Published As
Publication number | Publication date |
---|---|
CN115965604B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
US10664754B2 (en) | Information processing apparatus | |
RU2435189C2 (ru) | Способ поиска неисправного блока в динамической системе | |
CN106548206B (zh) | 基于最小生成树的多模态磁共振影像数据分类方法 | |
US10611086B2 (en) | System and method for evaluating additive manufacturing index | |
CN111290967A (zh) | 一种软件缺陷预测方法、装置、设备及存储介质 | |
CN109815855B (zh) | 一种基于机器学习的电子设备自动测试方法及系统 | |
Wang et al. | Remaining useful life prediction of bearings based on convolution attention mechanism and temporal convolution network | |
CN107908807B (zh) | 一种基于贝叶斯理论的小子样可靠性评定方法 | |
Shi et al. | Intelligent fault diagnosis of rolling mills based on dual attention-guided deep learning method under imbalanced data conditions | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN111445025B (zh) | 确定业务模型超参数的方法和装置 | |
CN115965604B (zh) | 一种基于箱包配件的箱包安全监控方法及系统 | |
CN113627539A (zh) | 滚动轴承复合故障诊断方法、系统、存储介质及计算设备 | |
CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
CN116186507A (zh) | 一种特征子集的选取方法、装置及存储介质 | |
CN115248993A (zh) | 一种仿真场景模型真实性检测方法、装置及存储介质 | |
CN113779391A (zh) | 基于建模的智能锁开锁推荐方法、系统、装置及存储介质 | |
CN113552804A (zh) | 一种基于qr-frols算法的转子系统narx建模方法 | |
CN113722308A (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
CN107506824B (zh) | 一种配电网的不良观测数据检测方法及装置 | |
CN111259494A (zh) | 重机设备健康监测分析方法 | |
CN112423031A (zh) | 基于iptv的kpi监测方法、装置及其系统 | |
KR102525561B1 (ko) | 시계열 추론 데이터 생성 장치 및 그 방법 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A luggage safety monitoring method and system based on luggage accessories Effective date of registration: 20231221 Granted publication date: 20230707 Pledgee: Industrial and Commercial Bank of China Limited Pinghu sub branch Pledgor: Pinghu Kaixin Plastic Industry Co.,Ltd. Registration number: Y2023980072654 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |