CN116152156A - 基于视觉技术的皮带打褶状态自动检测方法、系统及设备 - Google Patents

基于视觉技术的皮带打褶状态自动检测方法、系统及设备 Download PDF

Info

Publication number
CN116152156A
CN116152156A CN202211477985.8A CN202211477985A CN116152156A CN 116152156 A CN116152156 A CN 116152156A CN 202211477985 A CN202211477985 A CN 202211477985A CN 116152156 A CN116152156 A CN 116152156A
Authority
CN
China
Prior art keywords
data
belt
pleating
training
algorithm
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
Application number
CN202211477985.8A
Other languages
English (en)
Inventor
郑安
张集
杨立勇
李广山
李刚
巴特尔
姜楠
孙佰明
包永胜
朱勇
赵坤
贾莉
程仁静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Uaneng Yimin Coal Power Co Ltd
Original Assignee
Uaneng Yimin Coal Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Uaneng Yimin Coal Power Co Ltd filed Critical Uaneng Yimin Coal Power Co Ltd
Priority to CN202211477985.8A priority Critical patent/CN116152156A/zh
Priority to LU503994A priority patent/LU503994B1/en
Publication of CN116152156A publication Critical patent/CN116152156A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于视觉技术的皮带打褶状态自动检测方法、系统及设备包括，本方法首先收集监控图像数据，并对所述数据进行预处理，再根据预处理后的数据建立样本数据训练模型，最后通过训练模型中的数据经过校验后构成新算法模型，并由新算法模型输出结果。本方法主要用于对输煤皮带因为传送带速度差、系统迟滞等原因引起的皮带打褶，进行检测和预警，以解决传统技术不能及时检测皮带打褶而引发的故障问题。

Description

基于视觉技术的皮带打褶状态自动检测方法、系统及设备
技术领域
本发明涉及视觉识别应用技术领域，尤其涉及一种基于视觉技术的皮带打褶状态自动检测方法、系统及设备。
背景技术
由于目前的传统技术不能自主检测皮带打褶状态，一旦出现皮带打褶，机器不能主动识别，需进行人力探查，费时又耗力，且有时在传送带行进过程中皮带的状态难以辨认，无法及时发现皮带破损会造成难以估量的损失。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于视觉技术的皮带打褶状态自动检测方法、系统及设备，能够解决人力探查费时又耗力，且有时在传送带行进过程中皮带的状态难以辨认，无法及时发现皮带破损会造成难以估量的损失的问题。
为解决上述技术问题，本发明提供如下技术方案，一种基于视觉技术的皮带打褶状态自动检测方法，包括：
收集监控图像数据，并对所述数据进行预处理；
根据预处理后的数据建立样本数据训练模型；
训练模型中的数据经过校验后构成新算法模型，并由新算法模型输出结果。
作为本发明所述的基于视觉技术的皮带打褶状态自动检测方法的一种优选方案，其中：所述预处理包括，判断收集到的监控数据是否为新数据；
若为新数据，则对新数据进行数据清洗，完成数据清洗后对数据进行自动标注；
若为已有数据，则直接从样本库中取出数据，所述数据直接生成训练数据，导入样本数据训练模型中。
作为本发明所述的基于视觉技术的皮带打褶状态自动检测方法的一种优选方案，其中：所述标注包括，对排查出现异常的数据标红处理，对排查未出现异常的数据标灰处理。
作为本发明所述的基于视觉技术的皮带打褶状态自动检测方法的一种优选方案，其中：所述建立样本数据训练模型包括，依据所述训练数据经皮带打褶检测算法、YOLOV4算法测算后生成训练模型。
作为本发明所述的基于视觉技术的皮带打褶状态自动检测方法的一种优选方案，其中：所述YOLOV4算法包括，通过主要的算法框架，提升运算的运行速度和准确度，并且在正负样本定义阶段采用了跨邻域网格的匹配策略，从而得到更多的正样本。
作为本发明所述的基于视觉技术的皮带打褶状态自动检测方法的一种优选方案，其中：所述皮带打褶检测算法包括，若数据标注为红色，则在算法中转录为1；
若数据标注为灰色，则在算法中转录为0；
算法中的一组数据自上一组数据结束后的第一位数起，结束于数字1，每组数据为一个周期T，第i组数据为周期Ti。
作为本发明所述的基于视觉技术的皮带打褶状态自动检测方法的一种优选方案，其中：所述皮带打褶检测算法还包括，当每个周期结束时，即算法中出现1时，系统发出预警响应，对工作人员进行故障示警。
作为本发明所述的基于视觉技术的皮带打褶状态自动检测方法的一种优选方案，其中：所述训练模型中的数据经过校验后构成新算法模型包括，
训练模型通过加入测试数据对模型进行测试，测试是否能得到反馈结果；
若能够得到反馈结果，则根据反馈结果构成新算法模型；
若不能得到反馈结果，则从样本库中取出数据，自生成训练数据流程开始进行重新运算，直至得到反馈结果。
所述训练模型包括，训练模型的训练流程为对大数据进行处理和训练，完成大数据训练后依据数据进行网络调参优化，并根据最终的优化结果建立训练模型。
作为本发明所述的基于视觉技术的皮带打褶状态自动检测系统的一种优选方案，其中：包括，
图像采集模块，用于采集监控图像数据；
数据处理模块，用于对采集到的数据进行处理；
训练模型，用于对数据进行训练；
新算法模型，用于输出最终结果。
作为本发明所述的基于视觉技术的皮带打褶状态自动检测设备的一种优选方案，其中：所述处理器执行所述计算机程序时实现基于视觉技术的皮带打褶状态自动检测方法及系统的步骤。
本发明的有益效果：本发明基于视觉技术的自动检测方法，得到了样本数据训练模型和新算法模型，样本数据训练模型和新算法模型可以通过数据测算、数据增强来达到皮带打褶状态自动检测的技术效果，本发明支持整套的算法定制服务，并且数据标定，算法训练均需在线下而非在云端进行，从而保证数据的安全可靠，保证模型训练的速度及结果、精度的一致性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种基于视觉技术的皮带打褶状态自动检测方法流程示意图；
图2为本发明一个实施例提供的一种基于视觉技术的皮带打褶状态自动检测方法和系统的算法模型流程示意图。
图3为本发明一个实施例提供的一种基于视觉技术的皮带打褶状态自动检测系统的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-2，为本发明的第一个实施例，该实施例提供了一种基于视觉技术的皮带打褶状态自动检测方法、系统及设备，包括：
S1：收集监控图像数据，并对所述数据进行预处理；
更进一步的，所述预处理包括，判断收集到的监控数据是否为新数据；
若为新数据，则对新数据进行数据清洗，完成数据清洗后对数据进行自动标注；
若为已有数据，则直接从样本库中取出数据，所述数据直接生成训练数据，导入样本数据训练模型中。
应说明的是，所述标注包括，对排查出现异常的数据标红处理，对排查未出现异常的数据标灰处理。
S2：根据预处理后的数据建立样本数据训练模型；
更进一步的，所述建立样本数据训练模型包括，依据所述训练数据经皮带打褶检测算法、YOLOV4算法测算后生成训练模型。
应说明的是，所述YOLOV4算法包括，通过主要的算法框架，提升运算的运行速度和准确度，并且在正负样本定义阶段采用了跨邻域网格的匹配策略，从而得到更多的正样本。
更进一步的，所述皮带打褶检测算法包括，若数据标注为红色，则在算法中转录为1；
若数据标注为灰色，则在算法中转录为0；
算法中的一组数据自上一组数据结束后的第一位数起，结束于数字1，每组数据为一个周期T，第i组数据为周期Ti。
应说明的是，所述皮带打褶检测算法还包括，当每个周期结束时，即算法中出现1时，系统发出预警响应，对工作人员进行故障示警。
S3：训练模型中的数据经过校验后构成新算法模型，并由新算法模型输出结果。
更进一步的，所述训练模型中的数据经过校验后构成新算法模型包括，
训练模型通过加入测试数据对模型进行测试，测试是否能得到反馈结果；
若能够得到反馈结果，则根据反馈结果构成新算法模型；
若不能得到反馈结果，则从样本库中取出数据，自生成训练数据流程开始进行重新运算，直至得到反馈结果。
应说明的是，所述训练模型包括，训练模型的训练流程为对大数据进行处理和训练，完成大数据训练后依据数据进行网络调参优化，并根据最终的优化结果建立训练模型。
实施例2
参照图1，为本发明的一个实施例，提供了一种基于视觉技术的皮带打褶状态自动检测系统，为了验证本发明的有益效果，通过实验进行科学论证。
一种基于视觉技术的皮带打褶状态自动检测系统，其特征在于：包括，
图像采集模块，用于采集监控图像数据；
数据处理模块，用于对采集到的数据进行处理；
训练模型，用于对数据进行训练；
新算法模型，用于输出最终结果。
以图2所示的算法模型流程示意图为例作为输入，以图3所示的系统流程图进行操作。
本发明技术部分有益效果如下表所示：
Figure SMS_1
本发明是一种基于视觉技术的皮带打褶状态自动检测技术，主要用于对输煤皮带因为传送带速度差、系统迟滞等原因引起的皮带打褶，进行检测和预警。本方法首先收集监控图像数据，并对所述数据进行预处理，再根据预处理后的数据建立样本数据训练模型，最后通过训练模型中的数据经过校验后构成新算法模型，并由新算法模型输出结果。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种基于视觉技术的皮带打褶状态自动检测方法，其特征在于：包括，
收集监控图像数据，并对所述数据进行预处理；
根据预处理后的数据建立样本数据训练模型；
训练模型中的数据经过校验后构成新算法模型，并由新算法模型输出结果。
2.如权利要求1所述的一种基于视觉技术的皮带打褶状态自动检测方法，其特征在于：所述预处理包括，判断收集到的监控数据是否为新数据；
若为新数据，则对新数据进行数据清洗，完成数据清洗后对数据进行自动标注；
若为已有数据，则直接从样本库中取出数据，所述数据直接生成训练数据，导入样本数据训练模型中。
3.如权利要求2所述的一种基于视觉技术的皮带打褶状态自动检测方法，其特征在于：所述标注包括，对排查出现异常的数据标红处理，对排查未出现异常的数据标灰处理。
4.如权利要求3所述的一种基于视觉技术的皮带打褶状态自动检测方法，其特征在于：所述建立样本数据训练模型包括，依据所述训练数据经皮带打褶检测算法、YOLOV4算法测算后生成训练模型。
5.如权利要求4所述的一种基于视觉技术的皮带打褶状态自动检测方法，其特征在于：所述YOLOV4算法包括，通过主要的算法框架，提升运算的运行速度和准确度，并且在正负样本定义阶段采用了跨邻域网格的匹配策略，从而得到更多的正样本。
6.如权利要求5所述的一种基于视觉技术的皮带打褶状态自动检测方法，其特征在于：所述皮带打褶检测算法包括，若数据标注为红色，则在算法中转录为1；
若数据标注为灰色，则在算法中转录为0；
算法中的一组数据自上一组数据结束后的第一位数起，结束于数字1，每组数据为一个周期T，第i组数据为周期Ti。
7.如权利要求6所述的一种基于视觉技术的皮带打褶状态自动检测方法，其特征在于：所述皮带打褶检测算法还包括，当每个周期结束时，即算法中出现1时，系统发出预警响应，对工作人员进行故障示警。
8.如权利要求7所述的一种基于视觉技术的皮带打褶状态自动检测方法，其特征在于：所述训练模型中的数据经过校验后构成新算法模型包括，
训练模型通过加入测试数据对模型进行测试，测试是否能得到反馈结果；
若能够得到反馈结果，则根据反馈结果构成新算法模型；
若不能得到反馈结果，则从样本库中取出数据，自生成训练数据流程开始进行重新运算，直至得到反馈结果。
所述训练模型包括，训练模型的训练流程为对大数据进行处理和训练，完成大数据训练后依据数据进行网络调参优化，并根据最终的优化结果建立训练模型。
9.一种基于视觉技术的皮带打褶状态自动检测系统，其特征在于：包括，
图像采集模块，用于采集监控图像数据；
数据处理模块，用于对采集到的数据进行处理；
训练模型，用于对数据进行训练；
新算法模型，用于输出最终结果。
10.一种基于视觉技术的皮带打褶状态自动检测设备，包括存储器和处理器，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
CN202211477985.8A 2022-11-23 2022-11-23 基于视觉技术的皮带打褶状态自动检测方法、系统及设备 Pending CN116152156A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211477985.8A CN116152156A (zh) 2022-11-23 2022-11-23 基于视觉技术的皮带打褶状态自动检测方法、系统及设备
LU503994A LU503994B1 (en) 2022-11-23 2023-04-19 Method, System And Equipment For Automatic Detection Of Belt Folding State Based On Vision Technology

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211477985.8A CN116152156A (zh) 2022-11-23 2022-11-23 基于视觉技术的皮带打褶状态自动检测方法、系统及设备

Publications (1)

Publication Number Publication Date
CN116152156A true CN116152156A (zh) 2023-05-23

Family

ID=86359043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211477985.8A Pending CN116152156A (zh) 2022-11-23 2022-11-23 基于视觉技术的皮带打褶状态自动检测方法、系统及设备

Country Status (2)

Country Link
CN (1) CN116152156A (zh)
LU (1) LU503994B1 (zh)

Also Published As

Publication number Publication date
LU503994B1 (en) 2023-10-19

Similar Documents

Publication Publication Date Title
CN104535356B (zh) 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统
CN109086780B (zh) 用于检测电极片毛刺的方法和装置
CN106951556A (zh) 离线环境下配电网图模的一致性校验方法和系统
CN116337868B (zh) 一种表面缺陷检测方法及检测系统
CN110378618A (zh) 基于在线烟丝表面缺陷检测的质量评价方法及系统
CN110472866A (zh) 一种工单质检分析方法及装置
CN112419268A (zh) 一种输电线路图像缺陷检测方法、装置、设备及介质
CN110969600A (zh) 一种产品缺陷检测方法、装置、电子设备及存储介质
CN110728315B (zh) 一种实时质量控制方法，系统和设备
CN112308850A (zh) 一种多尺度特征融合的输电线路检测方法与系统
US20190188574A1 (en) Ground truth generation framework for determination of algorithm accuracy at scale
CN114441463B (zh) 全光谱水质数据分析方法
CN115376074A (zh) 输电线路监拍装置识别效果评估方法及系统
CN117076935A (zh) 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN117974398A (zh) 基于多源数据的施工安全监管系统
CN113850773A (zh) 一种检测方法、装置、设备及计算机可读存储介质
CN109815124A (zh) 基于mbse的联锁功能缺陷分析的方法及装置、联锁系统
CN103593429B (zh) 一种检测商品模板失效的方法及装置
CN116152156A (zh) 基于视觉技术的皮带打褶状态自动检测方法、系统及设备
CN110322772A (zh) 一种基于bim的实验室桥梁监测演示教学系统
CN111415326A (zh) 一种用于铁路接触网螺栓异常状态的检测方法及系统
CN116954628A (zh) 一种支持cicd的自动化代码合并方法及系统
CN109783713A (zh) 一种动态网站分类方法、系统、设备及介质
CN116503707A (zh) 一种基于改进yolox的安全帽佩戴检测方法及装置
CN113033845B (zh) 一种电力传输资源共建共享的建设方法及装置

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