CN116087221A - 一种基于计算机视觉的空冷器积灰状态检测装置及方法 - Google Patents
一种基于计算机视觉的空冷器积灰状态检测装置及方法 Download PDFInfo
- Publication number
- CN116087221A CN116087221A CN202310188457.9A CN202310188457A CN116087221A CN 116087221 A CN116087221 A CN 116087221A CN 202310188457 A CN202310188457 A CN 202310188457A CN 116087221 A CN116087221 A CN 116087221A
- Authority
- CN
- China
- Prior art keywords
- air cooler
- image
- state detection
- gray
- computer vision
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/06—Systems determining the position data of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
- G01N2021/945—Liquid or solid deposits of macroscopic size on surfaces, e.g. drops, films, or clustered contaminants
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Chemical & Material Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于计算机视觉的空冷器积灰状态检测装置及方法,包括外壳1,所述外壳1底部设有底盘17,所述底盘17四角处转动连接有轮体,位于两侧的两个所述轮体同步转动,任一同轴的两个所述轮体传动连接有驱动机构,所述外壳1相对的两个端部设有超声波传感器2,所述外壳1一端设有红外和可见光摄像头4,所述红外和可见光摄像头4与其中一端的超声波传感器2位于同侧,所述红外和可见光摄像头4底部设有用于减震的弹簧20,所述超声波传感器2上设有超声波连接块14,所述外壳1上设有报警灯3,所述底盘17下方设有用于吸附空冷器的吸附结构。
Description
技术领域
本发明属于直接空冷器的翅片表面积灰的在线探测领域,尤其涉及一种基于计算机视觉的空冷器积灰状态检测装置及方法。
背景技术
直接空冷器是用来冷却电厂汽轮机的排气的换热器,空冷器的吹风动力由其内部的冷却风机提供,冷却介质为环境中的空气,通过空气在空冷器和外部的流通进行换热。换热后的空气冷凝成水,收集后经过冷凝水泵送回到汽轮机的回热系统。
直接空冷器由于其具有耗水量小的优点,可以不受场址的限制,所以在富煤缺水地区得到了广泛应用。然而由于空冷器常年暴露于室外,常常会遭到风沙和灰尘的侵蚀使其换热性能受到影响。空冷器在冬季运行时容易发生冻结、热污染等问题。
通过对直接空冷器表面进行实时探测,可以使运营维护人员实时对空冷器状态进行探测和评估,保障了空冷机组的安全运行。目前直接空冷机组大都没有应用基于红外图像的计算机视觉监测系统,使得对于空冷器表面的积灰探测具有很大的误差性和盲目性,检测过程也很繁琐。
发明内容
本发明的目的是为了解决电厂直接空冷器表面换热翅片检测方法复杂、检测运营成本高、检测效果差等问题,提出了一种基于计算机视觉的空冷器积灰状态检测装置及方法,使得更加智能高效、安全、准确的对空冷器表面积灰状态进行检测。
一方面为实现上述目的,本发明提供了一种基于计算机视觉的空冷器积灰状态检测装置,包括外壳,所述外壳底部设有底盘,所述底盘四角处转动连接有轮体,位于两侧的两个所述轮体同步转动,任一同轴的两个所述轮体传动连接有驱动机构,所述外壳相对的两个端部设有超声波传感器,所述外壳一端设有红外和可见光摄像头,所述红外和可见光摄像头与其中一端的超声波传感器位于同侧,所述红外和可见光摄像头底部设有用于减震的弹簧,所述超声波传感器上设有超声波连接块,所述外壳上设有报警灯,所述底盘下方设有用于吸附空冷器的吸附结构。
可选的,所述超声波传感器与所述底盘呈45°,用于边缘检测。
可选的,所述轮体包括同步轮连接外轮、同步轮和同步轮连接内轮;
所述同步轮连接外轮、所述同步轮连接内轮和所述同步轮同轴连接。
可选的,所述驱动机构包括直流减速电机,所述直流减速电机固定在后桥上,所述后桥两侧设有联轴器,所述联轴器与前轴通过夹紧轴方式连接;
所述前轴和后轴与所述同步轮设有免检衬套,所述免检衬套上设有同步带,所述前轴与所述后轴同步转动;
所述后轴上设有轴承座,所述轴承座两侧设有轴承。
可选的,所述吸附机构包括磁铁架,所述磁铁架位于所述后桥上,所述磁铁架上设有磁铁轮。
另一方面为实现上述目的,本发明还提供了基于计算机视觉的空冷器积灰状态检测方法,包括:
S1、获取原始空冷器积灰图像,对所述原始空冷器积灰图像进行处理,获取融合图像;
S2、基于卷积神经网络识别算法对所述融合图像进行检测识别分类,获取识别结果,实现对所述空冷器积灰状态的检测。
可选的,对所述原始空冷器积灰图像进行处理,获取融合图像包括:
将所述原始空冷器积灰图像输入远程服务器,基于优化Canny边缘检测算法,对所述原始空冷器积灰图像进行处理获取去噪后的空冷器积灰图像;
基于Inception-v4的红外和可见光融合方法对所述去噪后的空冷器积灰图像进行融合,获取融合图像。
可选的,基于优化Canny边缘检测算法,对所述原始空冷器积灰图像进行处理获取去噪后的空冷器积灰图像包括:
构建滑动窗口,基于所述滑动窗口获取窗口内极值的平均值;
将所述窗口内极值的平均值与若干个像素点的灰度值进行对比,获取正常点和噪声点,其中所述正常点的灰度值小于所述窗口内极值的平均值,所述噪声点的灰度值不小于所述窗口内极值的平均值;
基于所述正常点和所述噪声点,获取滤波结果;
基于所述滤波结果和中值滤波,对所述原始空冷器积灰图像进行滤波处理,获取滤波处理后的空冷器积灰图像;
获取若干个偏导数,基于若干个所述偏导数,获取梯度幅值;
基于所述梯度幅值,对所述滤波处理后的空冷器积灰图像进行区域划分,获取边缘图像;
对所述边缘图像进行重构,获取去噪后的空冷器积灰图像。
可选的,基于Inception-v4的红外和可见光融合方法对所述去噪后的空冷器积灰图像进行融合,获取融合图像包括:
基于所述积灰热像图对所述去噪后的空冷器积灰图像进行分解,获取基础层图像和细节层图像;
基于平均权重策略,将所述基础层图像进行融合,获取新的基础层图像;
基于所述Inception-v4对所述细节层图像进行特征提取,获取若干个特征层;
将若干个所述特征层进行处理,获取最大权重层;
基于所述最大权重层和所述细节层图像,获取新的细节层图像;
将所述新的基础层图像和所述新的细节层图像进行重建,获取融合图像。
可选的,基于卷积神经网络识别算法对所述融合图像进行检测识别分类,获取识别结果还包括:
若所述识别结果异常,对所述空冷器积灰状态检测装置进行报警控制;
若所述识别结果正常,则将所述空冷器积灰状态检测装置返回S1。
本发明具有以下有益效果:
本发明提供了一种基于计算机视觉的空冷器积灰状态检测装置及方法,能够提高空冷器凝气监测的准确性和便捷性,提高空冷凝器清洗维护装置智能化运维水平;采用可见光和红外光融合的方法可以使监测识别更直接、智能、精确,机油良好的实时性,实时采集空冷凝器表面的可见光和红外图像,利用卷积神经网络的方法更加适合电厂空冷器场景,根据积灰图像的轮廓特征和颜色特征实现积灰识别,相比较传统方法具有绿色、准确、安全高效等优点,并且结构简单、合理、造价低廉,可以针对直接空冷器实现自动检测,方便维护人员日常检修和清洗工作,节约了能源;能够提高日常空冷凝器的检测效率,实现空冷凝器清洗维护与日常监测智能化运营。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例基于计算机视觉的空冷器积灰状态检测装置的俯视图,其中1-外壳,2-超声波传感器,3-报警灯,4-红外和可见光摄像头,5-同步轮连接外轮,6-同步带,7-同步轮;
图2为本发明实施例基于计算机视觉的空冷器积灰状态检测装置的仰视图,其中8-联轴器,9-后桥,10-前轴,11-后轴,12-轴承座,13-同步轮连接内轮;
图3为本发明实施例基于计算机视觉的空冷器积灰状态检测装置的等轴测示意图,其中14-超声波连接块,15-磁铁架,16-磁铁轮;
图4为本发明实施例基于计算机视觉的空冷器积灰状态检测装置的爆炸示意图,其中17-底盘,18-轴承,19-直流减速电机,20-弹簧,21-免检衬套;
图5为本发明实施例基于计算机视觉的空冷器积灰状态检测装置的可见光和红外光融合检测方法示意图;
图6为本发明实施例基于计算机视觉的空冷器积灰状态检测方法的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1-4所示,本实施例中提供一种基于计算机视觉的空冷器积灰状态检测装置,包括:外壳1、超声波传感器2、报警灯3、红外和可见光摄像头4、同步轮连接外轮5、同步带6、同步轮7、联轴器8、后桥9、前轴10、后轴11、轴承座12、同步轮连接内轮13、超声波连接块14、磁铁架15、磁铁轮16、底盘17、轴承18、直流减速电机19、弹簧20、免检衬套21。
报警灯3安装在外壳1上,用于报警和显示异常;装置的前端安装2个超声波传感器2,装置的后端安装2个超声波传感器2,超声传感器2与水平呈45°,用于探测装置在空冷器表面的边缘检测;红外和可见光摄像头4底部安装有弹簧20,使实现防抖和自校正功能。同步轮连接内轮13与同步轮连接外轮5用沉头螺丝与同步轮7外侧固定,同步轮7与前轴10和后轴11通过免检衬套21固定。探测器前端直流减速电机19直连联轴器8,联轴器8带动前轴10旋转进而带动同步轮7旋转。探测器后端轴承座12与底盘17固定,轴承座12两侧内有轴承18,后轴11穿进轴承18内圈外端用卡簧固定。后轴11直连后端的同步轮7。前端和后端用同步带6方式传动。探测器驱动端通过直流减速电机19进行行进控制。小车的转向采用差速控制方式。直流减速电机19固定在后桥9中,磁铁架15固定在后桥9上,上面安装有多个具有吸附能力的磁铁轮16,可以实现探测装置与空冷器表面的磁吸附。同时后桥9上有支撑柱,弹簧20可以套在上面,可以实现减震的作用。各种控制器及电路装置安装在底盘上。
红外和可见光摄像头4安装在探测装置前端。同步轮7与前轴10和后轴11连接采用P型顶丝固定方式。同步轮7采用尼龙材料,同步带6采用聚氨酯材料,外壳1、底盘17、前轴10和后轴11都采用非金属材料。
红外和可见光摄像头4前端安装有报警灯3及相关传感器,若镜头温度超过设定值触发报警,报警信号传递给树莓派控制器,将摄像头关闭,同时蜂鸣器以一定的频率响应,提醒工作人员。
直流减速电机19旋转时,带动联轴器8旋转,联轴器8通过连杆带动同步轮7进行运动,实现探测装置的自动前进和后退。直流减速电机19与同步轮7采用联轴器相连接。
实施例二
如图5-6所示,本实施例中提供一种基于计算机视觉的空冷器积灰状态检测方法,包括:
探测装置到达指定工位后,对空冷器表面进行实时拍摄,通过红外和可见光摄像头4得到空冷器热表面的积灰热像图,并通过无线传输方式将图像传输给远端服务器。远端服务器利用优化Canny边缘检测算法处理积灰和环境的边缘特征,并将积灰与环境区域进行划分,划分出积灰与环境的边缘。
优化Canny边缘检测算法具体步骤如下:
1)建立一个滑动窗口,求得窗口内极值得平均值
其中,Gmax和Gmin分别指窗口内灰度值的最大值和最小值。
2)将窗口内每一点得像素点的灰度值与进行对比,如果窗口内某一点的,则将其视为异常点,否则视为正常点。
3)因为噪声是孤立存在的,而边缘点是连续存在的,所以根据公式可以分离出边缘点和噪声点,提取边缘点的依据是像素点之间的距离。
利用公式:
其中,G(x,y)指在(x,y)坐标下的灰度值,G(x+1,y)指在(x+1,y)坐标下的灰度值。
分离孤立的噪声点,并且将正常点的中值作为滤波结果。
4)利用小波分解对图像进行分解,分解为低频子图像(LL)子图像、水平高频(HL)子图像、垂直高频(HH)子图像、高频(HH)子图像,根据信号和噪声在小波上的差异对HL、LH和HH进行阈值化处理。对阈值化处理的HL、LH和HH阈值子图像采用自适应中值滤波方法进行过滤图像。有效消除噪声并保留原图像特征。
5)在梯度计算方面,分别计算水平方向、垂直方向、对角线45°、对角线135°方向上的偏导数,分别用P0°、P90°、P45°和P135°表示,分别计为:
P0°(i,j)=I(i,j+1)-I(i,j-1) (3)
P90°(i,j)=I(i+1,j)-I(i-1,j) (4)
P45°(i,j)=I(i-1,j+1)-I(i+1,j-1) (5)
P135°(i,j)=I(i+1,j+1)-I(i-1,j-1) (6)
其中,I表示数列矩阵,P0°为水平方向梯度的偏导数,I(i,j+1)-I(i,j-1)表示2x2邻域内偏导数的有限差分,方向为水平方向,P90°为垂直方向的梯度的偏导数,I(i+1,j)-I(i-1,j)表示2x2邻域内偏导数的有限差分,方向为垂直方向,P45°为对角线45°梯度方向的偏导数,I(i-1,j+1)-I(i+1,j-1)表示2x2邻域内偏导数的有限差分,方向为45°方向,P135°为对角线135°梯度方向的偏导数,I(i+1,j+1)-I(i-1,j-1)表示2x2邻域内偏导数的有限差分,方向为135°方向。
利用下面公式求水平方向的差分H0°(i,j)和垂直方向的差分H90°(i,j)分别为:
可以得到梯度幅值W(i,j)为:
梯度的方向为:
6)阈值的设定,根据图像灰度值直方图得到图像的灰度最大值Wmax和灰度最小值Wmin,取作为划分依据,K为图像的灰度均值,将原始图像分成高灰度区域M和低灰度区域N。求出高灰度M区域的灰度最小值W1和灰度最大值W2并取K1为M区图像的灰度均值,作为M区域的划分,其低灰度区域为M2,高灰度区域为M1。分别求出其高灰度区域的M1的灰度最小值W11和灰度最大值W22,以K2为M2区图像的灰度均值,作为划分依据,将高灰度区域M1分为前景和背景。同理求出低灰度区域M1的灰度最小值W33和灰度最大值W44,以K3为M3区图像的灰度均值,作为划分依据,将其分为前景和背景。分别求出M1区域和M2区域的前景和背景灰度均值为:
其中,G1为M1区域的前景灰度均值,G2为M1区域的背景灰度均值,G3为M2区域前景灰度均值,G4为M2区域背景灰度均值,E(i,j)表示图像中点(i,j)的灰度值,F(i,j)表示点(i,j)的加权系数
并根据此原理求出新的阈值K4,
7)进行小波重构,得到去噪后的空冷器表面图像。
经过拍摄处理后的空冷器表面图像,通过卷积神经网络图像进行检测识别分类。远端服务器以翅片换热系数下降率平均值ηac作为划分依据,将采集到的红外图像识划分为四个类别:轻度、中度、重度、无法判定。针对异常红外图像,可以给出报警。
若图像存在异常泄露、遮挡点、以及缺陷点等进行报警,其检测方法包括以下步骤:针对增强后的图片,通过调用已有YOLOV5目标检测算法进行异常点检测,得到分类结果;若检测到腐蚀严重图片和异常点图片,进行信息存储并上传到终端服务器方便运维人员查看;若无异常点则不执行信息存储操作。
控制器通过远程无线的方式将图像数据逐帧传输到电脑服务器终端,图像识别程序采用优化Canny边缘检测算法进行图像处理,并通过卷积神经网络进行识别积灰程度。
所述的红外和可见光图像经过Canny边缘检测算法处理分割处理后,得到处理后得空冷器图像特征,空冷器表面图像网络经过基于Inception-v4的红外和可见光融合方法进行图像识别,包括:将原拍摄图像分解成基础部分和细节部分,基础部分利用平均权重策略进行融合,生成新的基础部分;利用Inception-v4对细节部分进行提取特征,得到多个特征层,对特征层进行L2正则化、卷积运算双线性插值上采样和最大选择策略得到最大权重层,由最大权重层和细节相乘得到新的细节部分;最后通过将基础部分和新的细节部分进行重建。基础部分融合,具体表现为将空冷器可见光图像基础部分乘以其权重系数,空冷器红外图像基础部分乘以其权重系数,二者相加就是融合后的基础部分;细节部分融合:先用Inception-v4提取特征,得到特征层,从而得到最大权重层,最后将最大权重层作为细节部分的权重系数得到细节部分融合图像。图像重建,得到融合后的基础部分和细节部分,将二者相加就得到最后的融合图像。
为了实现对于积灰的检测,针对采集到的可见光和红外图像,本发明用如下技术方案:将源图像记为Ik,Ik通过均值滤波得到基础部分和细节部分基础部分使用平均权重的方法融合得到Fb,细节部分通过Inception-v4处理后得到最大权重层,并与原图细节部分进行计算得到Fd,最后重建融合后的基础部分Fb和细节部分Fd。基础部分融合:本方法使用平均权重策略对基础部分融合。如公式1所示,和为两种源图像基础部分在(x,y)处的像素值,Fb(x,y)为融合后基础部分在(x,y)出的像素值,λ1和λ2为图像的权重,根据经验各取0.5。细节部分融合:对于细节部分,先用Inception-v4进行提取特征,得到特征层,然后由特征层得到最大权重层。最后,将最大权重层分别作为和权重系数,最后得到融合图像Fd。
具体步骤如下:
1)提取积灰图像特征,选取inception-v4网络其中第i层作为特征提取层,记为i∈{1,2,3,4,5},表示第k个细节部分经过inception-v4网络提取特征得到的第i个特征层,m表示第i个特征层的通道数m∈{1,2,…,5},m=64×2i-1,
2)L1进行正则化处理,如下公式,表示在特征层(x,y)处的一个M向量,表示经过L1正则化,
3)进行卷积运算,利用3×3步长为1的卷积核[2,1,2;4,6,4;2,1,2]在上移动进行卷积运算得到之后由得到权重层其中,表示3×3步长为1的卷积核[2,1,2;4,6,4;2,1,2]与进行卷积运算的结果,表示第k个细节部分图像的第i个全中层在(x,y)处的权重值,n取2,
4)双线性上插值上采样,和是经inception-v4得到,记的长宽为(w,h),表示第k个细节部分图像的第i个全中层的权重值,记的长宽为(W,H),对进行双线性差值上采样得到使(w,h)和(W,H)相等,二者的关系式如下,其中i∈{1,2,3,4,5},
5)选择最大策略,为第k个细节部分图像的5个权重层,是一个5维向量,i∈{1,2,3,4,5},经最大策略选择后得到即为第k个细节部分图像的最大权重层,最后融合得到下式:
其中,Fd为细节融合结果,为细节部分图像的最大权重层。
6)图像重建:基础部分融合和表示红外和可见光两种源图像在(x,y)处的像素值,λ1和λ2为二者的权重,根据经验去取0.4和0.6。Fd(x,y)为上述细节融合部分,将基础融合与细节部分相加进行重建得到最后的融合图像:
F(x,y)=Fb(x,y)+Fd(x,y) (22)。
服务器终端根据图像数据进行计算,得到空冷器表面积灰程度的数据信息。控制器与远程服务器之间进行无线通信,终端服务器可根据图像积灰区域进行运动决策分析,定制积灰程序阈值。当左方积灰面积超过右方正常区域时,算法标记为左转动作的标签;当右方积灰面积超过左方正常区域时,算法标记为右转动作的标签。控制小车的直行,左转、右转达到最优探测路径规划。
在车身周围安装了4个超声波传感器2,与底盘17基准面呈45度,用于测量小车与空冷器表面边缘的距离。当小车距离边缘较远时,超声波传感器信号为高电平;当小车处于空冷器边缘时,超声波传感器信号为低电平。设定好小车与空冷器边缘之间的最小安全距离,当距离小于这个阈值并且时间超过0.2秒,小车将会采取措施,防止其从空冷器掉下造成伤害。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于计算机视觉的空冷器积灰状态检测装置,其特征在于,包括外壳(1),所述外壳(1)底部设有底盘(17),所述底盘(17)四角处转动连接有轮体,位于两侧的两个所述轮体同步转动,任一同轴的两个所述轮体传动连接有驱动机构,所述外壳(1)相对的两个端部设有超声波传感器(2),所述外壳(1)一端设有红外和可见光摄像头(4),所述红外和可见光摄像头(4)与其中一端的超声波传感器(2)位于同侧,所述红外和可见光摄像头(4)底部设有用于减震的弹簧(20),所述超声波传感器(2)上设有超声波连接块(14),所述外壳(1)上设有报警灯(3),所述底盘(17)下方设有用于吸附空冷器的吸附结构。
2.如权利要求1所述的基于计算机视觉的空冷器积灰状态检测装置,其特征在于,所述超声波传感器(2)与所述底盘(17)呈45°,用于边缘检测。
3.如权利要求1所述的基于计算机视觉的空冷器积灰状态检测装置,其特征在于,所述轮体包括同步轮连接外轮(5)、同步轮(7)和同步轮连接内轮(13);
所述同步轮连接外轮(5)、所述同步轮连接内轮(13)和所述同步轮(7)同轴连接。
4.如权利要求1所述的基于计算机视觉的空冷器积灰状态检测装置,其特征在于,所述驱动机构包括直流减速电机(19),所述直流减速电机(19)固定在后桥(9)上,所述后桥(9)两侧设有联轴器(8),所述联轴器(8)与前轴(10)通过夹紧轴方式连接;
所述前轴(10)和后轴(11)与所述同步轮(7)设有免检衬套(21),所述免检衬套(21)上设有同步带(6),所述前轴与所述后轴(11)同步转动;
所述后轴(11)上设有轴承座(12),所述轴承座(12)两侧设有轴承(18)。
5.如权利要求4所述的基于计算机视觉的空冷器积灰状态检测装置,其特征在于,所述吸附机构包括磁铁架(15),所述磁铁架(15)位于所述后桥(9)上,所述磁铁架(15)上设有磁铁轮(16)。
6.一种权利要求1-5任一项所述的基于计算机视觉的空冷器积灰状态检测装置的状态检测方法,其特征在于,包括:
S1、获取原始空冷器积灰图像,对所述原始空冷器积灰图像进行处理,获取融合图像;
S2、基于卷积神经网络识别算法对所述融合图像进行检测识别分类,获取识别结果,实现对所述空冷器积灰状态的检测。
7.如权利要求6所述的基于计算机视觉的空冷器积灰状态检测方法,其特征在于,对所述原始空冷器积灰图像进行处理,获取融合图像包括:
将所述原始空冷器积灰图像输入远程服务器,基于优化Canny边缘检测算法,对所述原始空冷器积灰图像进行处理获取去噪后的空冷器积灰图像;
基于Inception-v4的红外和可见光融合方法对所述去噪后的空冷器积灰图像进行融合,获取融合图像。
8.如权利要求7所述的基于计算机视觉的空冷器积灰状态检测方法,其特征在于,基于优化Canny边缘检测算法,对所述原始空冷器积灰图像进行处理获取去噪后的空冷器积灰图像包括:
构建滑动窗口,基于所述滑动窗口获取窗口内极值的平均值;
将所述窗口内极值的平均值与若干个像素点的灰度值进行对比,获取正常点和噪声点,其中所述正常点的灰度值小于所述窗口内极值的平均值,所述噪声点的灰度值不小于所述窗口内极值的平均值;
基于所述正常点和所述噪声点,获取滤波结果;
基于所述滤波结果和中值滤波,对所述原始空冷器积灰图像进行滤波处理,获取滤波处理后的空冷器积灰图像;
获取若干个偏导数,基于若干个所述偏导数,获取梯度幅值;
基于所述梯度幅值,对所述滤波处理后的空冷器积灰图像进行区域划分,获取边缘图像;
对所述边缘图像进行重构,获取去噪后的空冷器积灰图像。
9.如权利要求7所述的基于计算机视觉的空冷器积灰状态检测方法,其特征在于,基于Inception-v4的红外和可见光融合方法对所述去噪后的空冷器积灰图像进行融合,获取融合图像包括:
基于所述积灰热像图对所述去噪后的空冷器积灰图像进行分解,获取基础层图像和细节层图像;
基于平均权重策略,将所述基础层图像进行融合,获取新的基础层图像;
基于所述Inception-v4对所述细节层图像进行特征提取,获取若干个特征层;
将若干个所述特征层进行处理,获取最大权重层;
基于所述最大权重层和所述细节层图像,获取新的细节层图像;
将所述新的基础层图像和所述新的细节层图像进行重建,获取融合图像。
10.如权利要求6所述的基于计算机视觉的空冷器积灰状态检测方法,其特征在于,基于卷积神经网络识别算法对所述融合图像进行检测识别分类,获取识别结果还包括:
若所述识别结果异常,对所述空冷器积灰状态检测装置进行报警控制;
若所述识别结果正常,则将所述空冷器积灰状态检测装置返回S1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310188457.9A CN116087221B (zh) | 2023-03-02 | 2023-03-02 | 一种基于计算机视觉的空冷器积灰状态检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310188457.9A CN116087221B (zh) | 2023-03-02 | 2023-03-02 | 一种基于计算机视觉的空冷器积灰状态检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116087221A true CN116087221A (zh) | 2023-05-09 |
CN116087221B CN116087221B (zh) | 2023-09-08 |
Family
ID=86188138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310188457.9A Active CN116087221B (zh) | 2023-03-02 | 2023-03-02 | 一种基于计算机视觉的空冷器积灰状态检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116087221B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070154205A1 (en) * | 2005-12-30 | 2007-07-05 | Honeywell International Inc. | Transport system for monitoring industrial process |
CN207704265U (zh) * | 2017-09-04 | 2018-08-07 | 武汉木一科技有限公司 | 一种无人驾驶式自动扫洗一体化装置 |
CN211362270U (zh) * | 2019-08-30 | 2020-08-28 | 河南宇光智德电气科技有限公司 | 一种数据中心网络设备智能巡检机器人 |
CN112428280A (zh) * | 2020-05-08 | 2021-03-02 | 北京理工大学 | 一种危险气体巡检机器人系统 |
GB202105651D0 (en) * | 2021-04-20 | 2021-06-02 | Garriga Casanovas Arnau | Device for simultaneous NDE measurement and localization for inspection scans of components |
CN113947555A (zh) * | 2021-09-26 | 2022-01-18 | 国网陕西省电力公司西咸新区供电公司 | 基于深度神经网络的红外与可见光融合的视觉系统及方法 |
-
2023
- 2023-03-02 CN CN202310188457.9A patent/CN116087221B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070154205A1 (en) * | 2005-12-30 | 2007-07-05 | Honeywell International Inc. | Transport system for monitoring industrial process |
CN207704265U (zh) * | 2017-09-04 | 2018-08-07 | 武汉木一科技有限公司 | 一种无人驾驶式自动扫洗一体化装置 |
CN211362270U (zh) * | 2019-08-30 | 2020-08-28 | 河南宇光智德电气科技有限公司 | 一种数据中心网络设备智能巡检机器人 |
CN112428280A (zh) * | 2020-05-08 | 2021-03-02 | 北京理工大学 | 一种危险气体巡检机器人系统 |
GB202105651D0 (en) * | 2021-04-20 | 2021-06-02 | Garriga Casanovas Arnau | Device for simultaneous NDE measurement and localization for inspection scans of components |
CN113947555A (zh) * | 2021-09-26 | 2022-01-18 | 国网陕西省电力公司西咸新区供电公司 | 基于深度神经网络的红外与可见光融合的视觉系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116087221B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11288818B2 (en) | Methods, systems, and computer readable media for estimation of optical flow, depth, and egomotion using neural network trained using event-based learning | |
CN109716108A (zh) | 一种基于双目图像分析的沥青路面病害检测系统 | |
CN109816698B (zh) | 基于尺度自适应核相关滤波的无人机视觉目标跟踪方法 | |
CN112598701B (zh) | 一种养殖场目标自动跟踪监测视频采集系统与方法 | |
JP2015156212A (ja) | 映像ソース及び画像ソースにおける静止要素を検出するための方法、システム、撮像装置、可動装置、及びプログラム製品 | |
CN206074832U (zh) | 一种地铁车辆车顶受电弓异物检测系统 | |
CN110825123A (zh) | 一种基于运动算法的自动跟随载物车的控制系统及方法 | |
CN111353496B (zh) | 一种红外弱小目标实时检测方法 | |
CN116087221B (zh) | 一种基于计算机视觉的空冷器积灰状态检测装置及方法 | |
CN109229206A (zh) | 一种车辆及其转向角度的检测方法和系统 | |
CN115294200A (zh) | 一种多传感器融合的全天时三维目标检测方法 | |
CN112163557A (zh) | 基于3d结构光的人脸识别方法及装置 | |
Palvanov et al. | DHCNN for visibility estimation in foggy weather conditions | |
CN109389075B (zh) | 智能烟机镜头模糊自检方法 | |
CN115035000B (zh) | 一种道路扬尘图像识别方法及系统 | |
Zhang et al. | Building a stereo and wide-view hybrid RGB/FIR imaging system for autonomous vehicle | |
CN109398533A (zh) | 一种移动平台及移动平台长时间跟踪的方法 | |
CN113284134B (zh) | 一种地质勘测用无人机飞行平台 | |
CN209274766U (zh) | 一种移动平台 | |
CN109373375B (zh) | 智能烟机精度镜头模糊自检方法 | |
TWI700593B (zh) | 應用飛行載具之汙染源搜尋系統及其方法 | |
Kumar et al. | Improved YOLOv3-tiny Object Detector with Dilated CNN for Drone-Captured Images | |
Nguyen et al. | M2gan: A multi-stage self-attention network for image rain removal on autonomous vehicles | |
CN113110562A (zh) | 一种基于多个广角摄像头的无人机避障装置及其避障方法 | |
Yang et al. | Language-driven All-in-one Adverse Weather Removal |
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 |