CN116725546A - 一种基于深度学习结合角点检测数字心电图机检定方法 - Google Patents
一种基于深度学习结合角点检测数字心电图机检定方法 Download PDFInfo
- Publication number
- CN116725546A CN116725546A CN202310695816.XA CN202310695816A CN116725546A CN 116725546 A CN116725546 A CN 116725546A CN 202310695816 A CN202310695816 A CN 202310695816A CN 116725546 A CN116725546 A CN 116725546A
- Authority
- CN
- China
- Prior art keywords
- key
- sift
- test
- corner
- electrocardiograph
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
- A61B2560/0228—Operational features of calibration, e.g. protocols for calibrating sensors using calibration standards
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于深度学习结合角点检测数字心电图机检定方法，包括制作纸质仿真检定心电图数据集，对纸质仿真检定心电图数据集进行数字图像处理，提取SIFT角点特征；通过SIFT角点检测算法对数字图像处理后的纸质仿真检定心电图数据集进行角点检测，并选择多个SIFT角点关键点作为DeepLabCut纸质仿真检定心电图训练数据集的标注；采用DeepLabCut对纸质仿真检定心电图数据集进行测试，预测多个关键点的位置；根据预测出的关键点位置，计算幅度参数和时间参数，将所述幅度参数与时间参数作为数字心电图机检定所需的幅度‑时间参数，并转换物理量。
Description
技术领域
本发明涉及计量技术领域，尤其涉及一种基于深度学习结合角点检测数字心电图机检定方法。
背景技术
数字心电图机检定是由法制计量部门或法定授权组织，按照检定规程，通过实验确定数字心电图机是否满足规定要求。JJG 1041—2008数字心电图机检定规程要求的心电图机计量标准配套设备包括信号发生器、模拟阻抗电路、分规、刻度尺，由检定人员使用分规、刻度尺测量波形图样特征参数进行检定。实际操作中要测的检定数据多且复杂，存在容易出错、工作量大、人工操作复杂培训时间长、成本较高、效率低等问题，因此如何实现数字心电图机检定自动化、智能化，成为亟待解决的问题。
面向数字心电图机检定方法，主要为电信号处理方法和基于机器视觉的图像识别方法。发明CN104840194B、CN104720790A等，采用数字心电图机输出的心电数据输入到识别模块进行电信号处理分析。专利CN115512130A、CN101978931B采用图像识别方法对心电信号进行特征参数提取。
上述具体专利对比文件为：
1)、“一种纸质心电图波形参数自动测量方法”，专利号CN115512130A，该发明属于数字图像处理技术领域，特指一种纸质心电图波形参数自动测量方法，包括心电图图像采集、心电图图像倾斜检测及校正、心电图去除网格特征、心电图波形提取以及心电图数据计算，该发明以高分辨率的工业相机搭配AI算法，完成自动识别、检测、计算指定区域内的心电图波形，提取视野范围内的波峰、波谷、水平线，自动标记测量点，识别等值线位置，识别心跳波形，识别电压波形、获得数据，检测效率高，测量数据精度高，提高了心电图机指标检定的鲁棒性和可靠性。本发明关键点与特征参数提取方法与上述专利不同，采用DeepLabCut深度学习结合SIFT角点检测方法，能简化深度学习训练集构造过程，简化检定流程，降低人工标记工作量。
2)、“一种数字心电图机检定方法及系统”，专利号CN104840194B，该发明公开了一种数字心电图机检定方法及系统，用于实现对数字心电图机的智能检定。本发明通过接入模块接收被检定的数字心电图机输出的心电数据，并将接收到的心电数据传输给识别模块，识别模块识别接收到的心电数据所属的检定项，再通过判断模块根据识别结果，利用检定标准判断接收的心电数据是否合格。本发明可以实现对数字心电图机进行智能检定，提高检定效率，减少人为误差，提高检定准确率，同时，适用于现有的检定仪。本发明特征参数提取方法与上述专利不同，上述专利处理的心电信号通过数据线传输到检定系统，对于模拟心电波形选择不同的模拟心电模板，采用移动窗口的方式，本发明对纸质心电仿真心电图像采用DeepLabCut深度学习结合SIFT角点检测方法，检测鲁棒性更高，泛化能力更强。
3)、“多通道同步心电图机检定仪”，专利号CN104720790A。该发明提供一种多通道同步心电图机检定仪，属于测量人体或人体各部分的生物电信号领域。该检定仪具有用于存储数据库内心电波形数据并将其转换为心电图仪能够检测到的电势波形的人体心电信号模拟模块及用于对人体心电信号模拟模块的波形与心电图仪实际采集到波形进行比较，判断所述心电图仪的检测功能和分析功能是否合格的心电图仪检定模块。该检定仪可以模拟真实的心电图机工作状态，实现12导联标准和异常心电波形信号的同步输出，用于对心电图机自动分析功能的测量评价。本发明检测方法与上述专利不同，上述发明通过波形比较模块比较采集模块与人体心电模拟模块内存储的心电模块是否相同或是否满足最小偏差，本发明详细描述特征点的提取方法与特征参数计算方法，通过特征点提取与检定参数计算来达到检定心电图机的目的。
4)“一种心电诊断分析系统的检定装置及方法”，专利号CN101978931B，该发明公开了一种心电诊断分析系统的检定装置及方法，包括：中央处理模块、电源模块、人机沟通模块、标定模块、微弱信号模块和通信模块；所述电源模块、人机沟通模块和所述标定模块均与所述中央处理模块连接；所述中央处理模块通过所述微弱信号模块与外接的心电诊断分析系统连接；所述中央处理模块通过所述通信模块分别与外接的智能终端设备或心电诊断分析系统相连。本发明通过程序设计实现检定过程的自动化，消除过去检定中人工测量带来的效率低下及人工误差等问题，大大提高相应项目的检定效率、准确率；并且具有防作弊算法模块，能够防止不良心电诊断分析设备厂家通过技术作弊应对检定要求。本发明图像处理方法与上述不同，上述发明通过图像获取模块将所述波形数信号转化为图像数据回传给所述智能终端设备，本发明直接对数字心电图机打印出的纸质仿真心电图像进行特征点检测与特征参数提取，保留纸质心电图特征点的图像特征。
发明内容
为解决上述技术问题，本发明的目的是提供一种基于深度学习结合角点检测数字心电图机检定方法。
本发明的目的通过以下的技术方案来实现：
一种基于深度学习结合角点检测数字心电图机检定方法，包括：
A、制作纸质仿真检定心电图数据集，对纸质仿真检定心电图数据集进行数字图像处理，提取SIFT角点特征；
B、通过SIFT角点检测算法对数字图像处理后的纸质仿真检定心电图数据集进行角点检测，并选择多个SIFT角点关键点作为DeepLabCut纸质仿真检定心电图训练数据集的标注；
C、采用DeepLabCut对纸质仿真检定心电图数据集进行测试，预测多个关键点的位置；
D、根据预测出的关键点位置，计算幅度参数和时间参数，将所述幅度参数与时间参数作为数字心电图机检定所需的幅度-时间参数，并转换物理量。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
通过引入SIFT角点、人工选择，提高关键点预测精度、鲁棒性，简化DeepLabCut训练集构造过程、检定流程，降低人工标记工作量，提高检定效率，获得检定心电图机所需21项幅度-时间参数；直接对数字心电图机打印出的纸质仿真心电图像进行特征点检测与特征参数提取，保留纸质心电图特征点的图像特征，符合JJG 1041—2008数字心电图机检定规程要求。该方法为数字心电图机自动智能检定提供一种新解决方案，具有自动化程度高、速度快、劳动成本低和对准精度高的特点，具有实际意义和推广价值。
附图说明
图1是基于深度学习结合角点检测数字心电图机检定方法流程图；
图2是基于深度学习结合角点检测数字心电图机检定方法中纸质仿真检定心电图的17个关键点示意图；
图3是基于深度学习结合角点检测数字心电图机检定方法中SIFT角点关键点与非SIFT角点关键点示意图；
图中：31-SIFT角点关键点；32-非SIFT角点关键点。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示，为基于深度学习结合角点检测数字心电图机检定方法，包括：
步骤10制作纸质仿真检定心电图数据集，对纸质仿真检定心电图数据集进行数字图像处理，提取SIFT角点特征；
步骤20通过SIFT角点检测算法对数字图像处理后的纸质仿真检定心电图数据集进行角点检测，并选择多个SIFT角点关键点作为DeepLabCut纸质仿真检定心电图训练数据集的标注；
步骤30采用DeepLabCut对纸质仿真检定心电图数据集进行测试，预测多个关键点的位置；
步骤40根据预测出的关键点位置，计算幅度参数和时间参数，将所述幅度参数与时间参数作为数字心电图机检定所需的幅度-时间参数，并转换物理量。
上述步骤10具体包括：对纸质仿真检定心电图数据集进行数字图像处理包括灰度化、二值化与中值滤波；纸质仿真检定心电图数据集为Iorigin，Iorigin图像数据集为{Forigin-1,Forigin-2,Forigin-3,……,Forigin-N}，其中N为Iorigin中图像数量；建立图像像素坐标系，坐标原点O为图像左上顶点，x轴正方向为水平向右、y轴正方向为垂直向下；对Iorigin作灰度化处理得Igrey,Igrey图像数据集为{Fgrey-1,Fgrey-2,Fgrey-3,……,Fgrey-N}，其中N为Igrey中图像数量；对Igrey作二值化处理得Ibinary,Ibinary数据集为{Fbinary-1,Fbinary-2,Fbinary-3,……,Fbinary-N}，其中N为Ibinary中图像数量；对Ibinary作中值滤波处理得Imedian filtering,Imedian filtering数据集为{Fmedian filtering-1,Fmedian filtering-2,Fmedian filtering-3,……,Fmedian filtering-N}，其中N为Imedian filtering中图像数量。
上述步骤20具体包括：SIFT角点检测算法检测的对象是Imedian filtering，经SIFT角点检测算法处理,ISIFT图像数据集为{FSIFT-1,FSIFT-2,FSIFT-3,……,FSIFT-N}，其中N为ISIFT中图像数量，对于每一个FSIFT-i，i∈N，包含SIFT角点图像与坐标，其中：
{PSIFT-1,PSIFT-2,PSIFT-3,……,PSIFT-n}构成SIFT角点子集iSIFT，在iSIFT中有若干PSIFT-i是标注纸质仿真检定心电图训练数据集所需关键点，(xclick,yclick)为人工标注点击采样点坐标，可根据下面的公式SIFT角点辅助人工选择高精度关键点，并筛除冗余SIFT角点，采点容错距离为α：
得到SIFT角点关键点31子集iSIFT-key，iSIFT-key为{PSIFT-key-1,PSIFT-key-2,PSIFT-key-3,……,PSIFT-key-n}，其中n为SIFT角点关键点个数，n<17，本实施例选择17个关键点，p1-p17(如图2所示)。
人工选择出非SIFT角点关键点32，{Pnon-SIFT-key-1,Pnon-SIFT-key-2,Pnon-SIFT-key-3,……,Pnon-SIFT-key-n}构成非SIFT角点关键点子集inon-SIFT，由SIFT角点关键点子集iSIFT与非SIFT角点关键点子集inon-SIFT，合并为关键点标注子集ikey-label：
iSIFT∪inon-SIFT＝ikey-label (2)
ikey-label包含{Pkey-label-1,Pkey-label-2,Pkey-label-3,……,Pkey-label-17}，对于每一个Iorigin图像数据集中的Forigin-i都有相应的关键点子集ikey-label(如图3所示)。
上述步骤30具体包括：将Iorigin与相应的关键点子集ikey-label转换为训练集格式后输入到DeepLabCut进行训练，训练完成后的DeepLabCut模型对纸质仿真检定心电图进行关键点检测，可检测得{Pkey-test-1,Pkey-test-2,Pkey-test-3,……,Pkey-test-17}，对于Pkey-test-i包含x坐标与y坐标，可表示为{(xkey-test-1,ykey-test-1),(xkey-test-2,ykey-test-2),(xkey-test-3,ykey-test-3),……,(xkey-test-17,ykey-test-17)}。
上述步骤40具体包括：计算计算出10项幅度参数(A1—A10)和11项时间参数(T1—T11)，作为数字心电图机检定所需的21项幅度-时间参数。根据{(xkey-test-1,ykey-test-1),(xkey-test-2,ykey-test-2),(xkey-test-3,ykey-test-3),……,(xkey-test-17,ykey-test-17)}计算得到的幅值参数为hAi(pix)，幅值参数为wTi(pix)，即以像素(pix)为单位。
在标准检定条件下(心电图机的记录灵敏度S为10mm/mV，心电图机检定图样的记录速度为v为25mm/s)，检定图样网格纵向每个小格电压V为0.1mV，横向每小格时间t为0.04s，采集图样设备分辨率DPI。用(24)(25)(26)式分别计算检定图样每个小格中包含的像素点个数Pn、检定的ECG信号幅值参数HAi(mm)、检定的ECG时间参数WTi(mm)，即以毫米(mm)为单位。
在标准检定条件下，根据规程文件JJG 1041-2008，确定检定参数的标准值。用(27)式将物理量HAi(mm)转换为即以毫伏(mV)为单位；用(28)式将物理量WTi(mm)转换为/>即以毫秒(ms)为单位。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (7)
1.一种基于深度学习结合角点检测数字心电图机检定方法，其特征在于，所述方法包括：
A、制作纸质仿真检定心电图数据集，对纸质仿真检定心电图数据集进行数字图像处理，提取SIFT角点特征；
B、通过SIFT角点检测算法对数字图像处理后的纸质仿真检定心电图数据集进行角点检测，并选择多个SIFT角点关键点作为DeepLabCut纸质仿真检定心电图训练数据集的标注；
C、采用DeepLabCut对纸质仿真检定心电图数据集进行测试，预测多个关键点的位置；
D、根据预测出的关键点位置，计算幅度参数和时间参数，将所述幅度参数与时间参数作为数字心电图机检定所需的幅度-时间参数，并转换物理量。
2.如权利要求1所述的基于深度学习结合角点检测数字心电图机检定方法，其特征在于，所述步骤A中对纸质仿真检定心电图数据集进行数字图像处理包括灰度化、二值化与中值滤波。
3.如权利要求1所述的基于深度学习结合角点检测数字心电图机检定方法，其特征在于，所述A中纸质仿真检定心电图数据集为Iorigin，Iorigin图像数据集为{Forigin-1,Forigin-2,Forigin-3,……,Forigin-N}，其中N为Iorigin中图像数量。
4.如权利要求2所述的基于深度学习结合角点检测数字心电图机检定方法，其特征在于，所述灰度化处理包括建立图像像素坐标系，坐标原点O为图像左上顶点，x轴正方向为水平向右、y轴正方向为垂直向下；
对Iorigin作灰度化处理得Igrey,Igrey图像数据集为{Fgrey-1,Fgrey-2,Fgrey-3,……,Fgrey-N}，其中N为Igrey中图像数量；对Igrey作二值化处理得Ibinary,Ibinary数据集为{Fbinary-1,Fbinary-2,Fbinary-3,……,Fbinary-N}，其中N为Ibinary中图像数量；对Ibinary作中值滤波处理得Imedian filtering,Imedian filtering数据集为{Fmedian filtering-1,Fmedian filtering-2,Fmedian filtering-3,……,Fmedian filtering-N}，其中N为Imedian filtering中图像数量。
5.如权利要求1所述的基于深度学习结合角点检测数字心电图机检定方法，其特征在于，所述B中SIFT角点检测算法检测的对象是Imedian filtering，经SIFT角点检测算法处理,ISIFT图像数据集为{FSIFT-1,FSIFT-2,FSIFT-3,……,FSIFT-N}，其中N为ISIFT中图像数量，对于每一个FSIFT-i，i∈N，包含SIFT角点图像与坐标，其中：
{PSIFT-1,PSIFT-2,PSIFT-3,……,PSIFT-n}构成SIFT角点子集iSIFT，在iSIFT中有若干PSIFT-i是标注纸质仿真检定心电图训练数据集所需关键点，(xclick,yclick)为人工标注点击采样点坐标，根据公式(1)和(2)SIFT角点辅助选择高精度关键点，并筛除冗余SIFT角点，采点容错距离为α：
得到SIFT角点关键点子集iSIFT-key，iSIFT-key为{PSIFT-key-1,PSIFT-key-2,PSIFT-key-3,……,PSIFT-key-n}，其中n为SIFT角点关键点个数，n<17；
选择出非SIFT角点关键点，{Pnon-SIFT-key-1,Pnon-SIFT-key-2,Pnon-SIFT-key-3,……,Pnon-SIFT-key-n}构成非SIFT角点关键点子集inon-SIFT，由SIFT角点关键点子集iSIFT与非SIFT角点关键点子集inon-SIFT，合并为关键点标注子集ikey-label：
iSIFT∪inon-SIFT＝ikey-label (2)
ikey-label包含{Pkey-label-1,Pkey-label-2,Pkey-label-3,……,Pkey-label-17}，对于每一个Iorigin图像数据集中的Forigin-i都有相应的关键点子集ikey-label。
6.如权利要求1所述的基于深度学习结合角点检测数字心电图机检定方法，其特征在于，所述C中，将Iorigin与相应的关键点子集ikey-label转换为训练集格式后输入到DeepLabCut进行训练，训练完成后的DeepLabCut模型对纸质仿真检定心电图进行关键点检测，检测得{Pkey-test-1,Pkey-test-2,Pkey-test-3,……,Pkey-test-17}，对于Pkey-test-i包含x坐标与y坐标，表示为{(xkey-test-1,ykey-test-1),(xkey-test-2,ykey-test-2),(xkey-test-3,ykey-test-3),……,(xkey-test-17,ykey-test-17)}。
7.如权利要求1所述的基于深度学习结合角点检测数字心电图机检定方法，其特征在于，所述D中计算幅度参数A1—A10和时间参数T1—T11，作为数字心电图检定所需的幅度-时间参数，根据{(xkey-test-1,ykey-test-1),(xkey-test-2,ykey-test-2),(xkey-test-3,ykey-test-3),……,(xkey-test-17,ykey-test-17)}计算得到的幅值参数为hAi(pix)，时间参数为wTi(pix)，即以像素(pix)为单位；
在心电图机的记录灵敏度S为10mm/mV，心电图机检定图样的记录速度为v为25mm/s，检定图样网格纵向每个小格电压V为0.1mV，横向每小格时间t为0.04s，采集图样设备分辨率DPI；用公式(24)(25)(26)分别计算检定图样每个小格中包含的像素点个数Pn、检定的ECG信号幅值参数HAi(mm)、检定的ECG时间参数WTi(mm)，即以毫米为单位，
确定检定参数的标准值；通过公式(27)将物理量HAi(mm)转换为即以毫伏为单位；用公式(28)将物理量WTi(mm)转换为/>即以毫秒为单位；
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310695816.XA CN116725546A (zh) | 2023-06-12 | 2023-06-12 | 一种基于深度学习结合角点检测数字心电图机检定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310695816.XA CN116725546A (zh) | 2023-06-12 | 2023-06-12 | 一种基于深度学习结合角点检测数字心电图机检定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116725546A true CN116725546A (zh) | 2023-09-12 |
Family
ID=87909198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310695816.XA Pending CN116725546A (zh) | 2023-06-12 | 2023-06-12 | 一种基于深度学习结合角点检测数字心电图机检定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116725546A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117292329A (zh) * | 2023-11-24 | 2023-12-26 | 烟台大学 | 一种建筑机器人工作异常监测方法、系统、介质及设备 |
-
2023
- 2023-06-12 CN CN202310695816.XA patent/CN116725546A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117292329A (zh) * | 2023-11-24 | 2023-12-26 | 烟台大学 | 一种建筑机器人工作异常监测方法、系统、介质及设备 |
| CN117292329B (zh) * | 2023-11-24 | 2024-03-08 | 烟台大学 | 一种建筑机器人工作异常监测方法、系统、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103207987B (zh) | 一种指针式仪表的示数识别方法 | |
| CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
| CN101152081B (zh) | 减少了电极系统特定的ecg解译的方法和设备 | |
| CN110411580B (zh) | 一种电力设备发热缺陷的诊断方法以及诊断系统 | |
| CN105205984A (zh) | 一种用于特高压输电线路的巡检仪 | |
| JPS6399840A (ja) | 生体信号計測装置 | |
| CN116725546A (zh) | 一种基于深度学习结合角点检测数字心电图机检定方法 | |
| CN105091922A (zh) | 一种基于虚拟表盘的指针表读数识别方法 | |
| CN108764134A (zh) | 一种适用于巡检机器人的多类型仪表自动定位与识别方法 | |
| CN105976411B (zh) | 一种用于电阻抗断层成像数据采集系统的前置测量模块及标校方法 | |
| CN102274051A (zh) | 一种超声图像膀胱容积自动测量方法及系统 | |
| CN108000239A (zh) | 数控加工在线检测系统 | |
| CN116839650B (zh) | 一种智能化仪器仪表检定系统及方法 | |
| CN100470578C (zh) | 基于计算机视觉的科学仪器工作状态监测方法 | |
| CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
| Zhao et al. | Research on remote meter automatic reading based on computer vision | |
| CN105769177A (zh) | 心电信号检定记录分析装置 | |
| CN108898187A (zh) | 一种自动识别配电房指示设备图像的方法及装置 | |
| Ganesh et al. | Combining optical character recognition with paper ECG digitization | |
| CN108645490A (zh) | 基于图像处理技术的冷水水表视觉检测系统及检测方法 | |
| CN111060703B (zh) | 一种试纸传感器分析方法、设备及系统 | |
| CN116958983A (zh) | 一种基于机器视觉的指针式压力表自动校验仪示值读数方法 | |
| CN116907586A (zh) | 一种基于云计算的超声设备运行状态管理系统及方法 | |
| CN111568428A (zh) | 一种人体关节活动度检测系统以及检测方法 | |
| CN115752800A (zh) | 一种基于互联网的医用无线体温监测系统 |
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 |