CN116797801A - 一种柔性铝合金导体的质量评估方法及系统 - Google Patents
一种柔性铝合金导体的质量评估方法及系统 Download PDFInfo
- Publication number
- CN116797801A CN116797801A CN202310006182.2A CN202310006182A CN116797801A CN 116797801 A CN116797801 A CN 116797801A CN 202310006182 A CN202310006182 A CN 202310006182A CN 116797801 A CN116797801 A CN 116797801A
- Authority
- CN
- China
- Prior art keywords
- image
- section
- flexibility
- aluminum alloy
- conductor
- 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
- 239000004020 conductor Substances 0.000 title claims abstract description 117
- 229910000838 Al alloy Inorganic materials 0.000 title claims abstract description 99
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 31
- 230000006835 compression Effects 0.000 claims abstract description 70
- 238000007906 compression Methods 0.000 claims abstract description 70
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000013441 quality evaluation Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 62
- 239000000463 material Substances 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 39
- 230000005540 biological transmission Effects 0.000 claims description 22
- 238000005056 compaction Methods 0.000 claims description 9
- 238000013506 data mapping Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 7
- 239000010410 layer Substances 0.000 description 111
- 230000000694 effects Effects 0.000 description 6
- 229910052782 aluminium Inorganic materials 0.000 description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002955 isolation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000956 alloy Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000005253 cladding Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种柔性铝合金导体的质量评估方法及系统,涉及图像识别技术领域,方法包括:根据图像识别装置对目标铝合金导体进行横截面图像采集,再进行标准化处理,获取第一待识别图像并输入像素分解模型中,之后对截面的空间进行分析,获取截面空间分布特征,获取目标铝合金导体的N个层级分布信息后与截面空间分布特征进行截面压紧系数计算,输出N‑1个截面压紧系数后进行导体柔性质量评估,获取第一柔性评估结果,解决了现有技术中对铝合金导体的质量检测要求高、但又达不到对铝合金导体中的层级逐个进行检测的技术问题,实现了通过高精度识别导体截面,建立多通道分析模型进行评估,提高了对于铝合金导体柔性质量评估的精确性。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种柔性铝合金导体的质量评估方法及系统。
背景技术
随着科学技术的发展,特别是铝合金技术领域的发展,铝材主要指铝箔、铝带、铝板等。在工业行业上主要原辅材料产品,在市场上需求量很大、同时也就衍生了很多厂家,而不同的厂家的产品参差不齐,面临许多的质量的问题,比如焦印、杂质、擦伤、刮伤、凸点、凹坑和针孔、洞眼等都是一大难题。
而对导体铝合金材料的质量检测涉及材料化学成分、抗拉强度、断后延伸率、导电率、材料密度等内容,要求应全部符合标准要求,才能证明铝合金电缆的导体材料合格,若使用混料或不合格的材料会产生严重的安全事故。
一般在对铝合金导体进行检测时,由于铝合金导体中存在多个层级,而大型装置只能专业针对一种领域进行检测,但铝合金所含性能较多,若每层分别检测,则会花费巨大的时间和人力成本。
现有技术中对铝合金导体的质量检测要求高、但又达不到对铝合金导体中的层级逐个进行检测,使得质量检测非常复杂。
发明内容
本申请提供了一种柔性铝合金导体的质量评估方法及系统,用于针对解决现有技术中存在的对铝合金导体的质量检测要求高、但又达不到对铝合金导体中的层级逐个进行检测的技术问题。
鉴于上述问题,本申请提供了一种柔性铝合金导体的质量评估方法及系统。
第一方面,本申请提供了一种柔性铝合金导体的质量评估方法,所述方法包括:根据所述图像识别装置对目标铝合金导体进行横截面图像采集,获取横截面图像集合;通过对所述横截面图像集合进行标准化处理,获取第一待识别图像;将所述第一待识别图像输入像素分解模型中,根据所述像素分解模型,获取图像的像素分解结果;基于所述像素分解结果对截面的空间进行分析,获取截面空间分布特征;获取所述目标铝合金导体的N个层级分布信息,其中,N为大于0的正整数;基于所述N个层级分布信息和所述截面空间分布特征进行截面压紧系数计算,输出N-1个截面压紧系数;以所述N-1个截面压紧系数进行导体柔性质量评估,获取第一柔性评估结果。
第二方面,本申请提供了一种柔性铝合金导体的质量评估系统,所述系统包括:横截面图像集合模块,所述横截面图像集合模块用于根据所述图像识别装置对目标铝合金导体进行横截面图像采集,获取横截面图像集合;第一待识别图像模块,所述第一待识别图像模块用于通过对所述横截面图像集合进行标准化处理,获取第一待识别图像;像素分解结果获取模块,所述像素分解结果获取模块用于将所述第一待识别图像输入像素分解模型中,根据所述像素分解模型,获取图像的像素分解结果;截面空间分布特征获取模块,所述截面空间分布特征获取模块用于基于所述像素分解结果对截面的空间进行分析,获取截面空间分布特征;N个层级分布信息获取模块,所述N个层级分布信息获取模块用于获取所述目标铝合金导体的N个层级分布信息,其中,N为大于0的正整数;输出模块,所述输出模块用于基于所述N个层级分布信息和所述截面空间分布特征进行截面压紧系数计算,输出N-1个截面压紧系数;第一柔性评估结果获取模块,所述第一柔性评估结果获取模块用于以所述N-1个截面压紧系数进行导体柔性质量评估,获取第一柔性评估结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的一种柔性铝合金导体的质量评估方法,涉及图像识别技术领域,解决了现有技术中对铝合金导体的质量检测要求高、但又达不到对铝合金导体中的层级逐个进行检测的技术问题,达到了通过高精度识别导体截面,建立多通道分析模型进行评估,提高了对于铝合金导体柔性质量评估的精确性。
附图说明
图1为本申请提供了一种柔性铝合金导体的质量评估方法流程示意图;
图2为本申请提供了一种柔性铝合金导体的质量评估方法中柔性评估结果获取流程示意图;
图3为本申请提供了一种柔性铝合金导体的质量评估方法中数据映射传输流程示意图;
图4为本申请提供了一种柔性铝合金导体的质量评估方法中像素分解流程示意图;
图5为本申请提供了一种柔性铝合金导体的质量评估系统结构示意图。
附图标记说明:横截面图像集合模块1,第一待识别图像模块2,像素分解结果获取模块3,截面空间分布特征获取模块4,N个层级分布信息获取模块5,输出模块6,第一柔性评估结果获取模块7。
具体实施方式
本申请通过提供一种柔性铝合金导体的质量评估方法,用于解决现有技术中对铝合金导体的质量检测要求高、但又达不到对铝合金导体中的层级逐个进行检测的技术问题。
实施例一
如图1所示,本申请实施例提供了一种柔性铝合金导体的质量评估方法,该方法应用于一种柔性铝合金导体的质量评估系统,该方法包括:
步骤S100:根据所述图像识别装置对目标铝合金导体进行横截面图像采集,获取横截面图像集合;
具体而言,本申请实施例提供的一种柔性铝合金导体的质量评估方法应用于一种柔性铝合金导体的质量评估系统,该一种柔性铝合金导体的质量评估系统与图像识别装置通信连接,该图像识别装置用于进行图像参数采集与识别。
确定目标铝合金导体的横截面,再使用图像识别装置对目标铝合金导体的横截面图像进行采集,其中该图像识别装置包含但不仅限于电荷耦合器件(CCD)、线扫描器和平面扫描器、互补型金属氧化物半导体(CMOS)、感光像元电路、电荷注射器件(CID)等,对目标铝合金导体的横截面的图像进行连续多张的采集与汇总,进而整合出目标铝合金导体的横截面图像集合,为后期获取第一柔性评估结果做为重要参考依据。
步骤S200:通过对所述横截面图像集合进行标准化处理,获取第一待识别图像;
具体而言,在所获目标铝合金导体横截面图像集合的基础上,对该横截面图像集合进行标准化处理,其中对图像进行标准化处理主要是用来加速收敛,其标准化处理的目的是为了对横截面图像集合中所存在的不同维度数据所产生的不同分析标准进行统一,从而增加数据处理后的有效性,进一步获得第一待识别图像,进而为获取第一柔性评估结果做保障。
步骤S300:将所述第一待识别图像输入像素分解模型中,根据所述像素分解模型,获取图像的像素分解结果;
具体而言,根据上述所获第一待识别图像将其输入像素分解模型,其中像素分解模型需要获取该图像的图像识别精度、光谱特征以及该光谱特征的面积百分比等,其中,所述像素分解模型是一种基于边缘检测的分割方法,即数字图像分割的过程,能够采用边缘检测算法进行边缘定位,从而按照导体截面进行像素识别和标记,按照标记好的像素进行截面空间的分割,或者利用小波变化对图像进行分解,将图像分解成层状态的细节图像,吸收小波变化的优点,更容易提取原始图像的结构信息和细节信息,进一步的将图像分解为若干个小离散点的像素,并同时将各像素的颜色值用量化的离散值来表示该图像,即最终所获图像的像素分解结果,为后续获取第一柔性评估结果夯实基础。
步骤S400:基于所述像素分解结果对截面的空间进行分析,获取截面空间分布特征;
具体而言,在上述所获图像的像素分解结果的基础上,对截面的空间进行分析,其中对截面空间进行分析时由于在同一卷层的材料中,其像素的颜色、大小以及边缘灰度都是一样的,根据像素分解后,由像素分解结果来确定截面空间内的分布特征,从而获取截面空间分布特征,进而增加截面导体分析的准确性,对获取第一柔性评估结果有着推动的作用。
步骤S500:获取所述目标铝合金导体的N个层级分布信息,其中,N为大于0的正整数;
具体而言,目标铝合金导体存在多个层,其中一般包括导体外包层、导体填充层和导体外护层等,具体包含缆线、填充层、包带、隔离层、铠装层及外护层等,将目标铝合金导体划分为N个层级,并同时获得目标铝合金导体的N个层级分布信息,其中N为大于0的正整数,从而所获目标铝合金导体的N个层级分布信息,并对后期获取第一柔性评估结果有着深远的影响。
步骤S600:基于所述N个层级分布信息和所述截面空间分布特征进行截面压紧系数计算,输出N-1个截面压紧系数;
具体而言,在所获N个层级分布信息与所获截面空间分布特征进行截面压紧系数计算,其中截面压紧系数是指纹线的实际截面积与按绞线外径计算的圆面积之比,用百分数表示,即目标铝合金的线芯导体实际截面积与线芯轮廓截面积之比,其中包含比如填充层、包带、隔离层、铠装层及外护层使用的材料,并匹配提取其原本的物理属性,拉伸度、延展性等;
其中,圆形线芯截面压紧系数=每根单线戴面积之和/绞合线芯外接圆面积;
扇形、瓦形线芯截面压紧系数=每根单线截面积之和/绞合线芯轮座面积(即压辊孔型截面);
其中在N个层级中的每个层与每个层之间都存在一定的容置空间,同时,在进行铝合金导体使用时,可能会进行延展、二次拉伸等操作,故此关于截面压紧系数的分析,是能够根据截面的空间分布对截面各个层之间进行二次处理的柔性程度的分析,在此基础上输出N-1个截面压紧系数,以此达到对第一柔性评估结果的获取更为精准化。
步骤S700:以所述N-1个截面压紧系数进行导体柔性质量评估,获取第一柔性评估结果。
具体而言,根据所得N-1个截面压紧系数对目标铝合金导体进行导体柔性质量评估,其中在导体柔性质量评估中,是对N-1个截面压紧系数进行柔性评估的,其评估可以通过设置一些样本数据进行对应非线性函数的训练,来分析其各层压紧系数的表现,对N-1个截面压紧系进行分区计算,或通过配置权重来进行权重加合进而更精准的获得第一柔性评估结果,根据第一柔性评估结果更好的实现质量评估的精确性。
进一步的,根据图像识别装置对目标铝合金导体进行横截面图像采集,再对横截面图像集合进行标准化处理,获取第一待识别图像并输入像素分解模型中,获取图像的像素分解结果后对截面的空间进行分析,获取截面空间分布特征,获取目标铝合金导体的N个层级分布信息,基于N个层级分布信息和截面空间分布特征进行截面压紧系数计算,输出N-1个截面压紧系数后进行导体柔性质量评估,获取第一柔性评估结果,本发明解决了现有技术中原有的铝曲服强度低、抗蠕变性较差,人工检测铝材的效率低不能满足现状,使得质量不便检测的技术问题,实现了机器视觉替代人工快速完成对铝材的截面分层检测,解放人工检测,提升生产效率和质量评估的精确性。
进一步而言,如图2所示,本申请步骤S200还包括:
步骤S210:通过对所述横截面图像进行标准化处理,获取标准化图像集合;
步骤S220:对所述第一待识别图像进行特征识别,对所述标准化图像集合进行图像遍历,获取第二待识别图像,其中,所述第二待识别图像与所述第一待识别图像相似;
步骤S230:根据所述第二待识别图像,获取第二柔性评估结果;
步骤S240:根据所述第一柔性评估结果和所述第二柔性评估结果,获取柔性评估结果。
具体而言,在对横截面图像进行标准化处理,从而获得标准化图像集合,其中对目标铝合金的横截面图像的标准化处理时,根据一般所使用z-score标准化,其z-score标准化的公式表达式为:
其中为横截面图像数据的值、/>为该横截面图像数据组的平均数、/>为该组数据的标准差、/>为横截面图像数据的偏离值,/>和/>可以实现数据分布的中心化和缩放成标准正态分布,/>是通过网络来学习的参数可以实现缩放和移动,从而统一横截面图像集合中不同维度数据产生的不同分析标准,在对横截面图像采集时,有可能由于光源的变化导致影响图片的准确性因此,再进一步的在对第一待识别图像进行特征识别的基础上,对所得标准化图像集合进行图像遍历,其中是根据第一待识别图像所识别的特征在标准化图像集合中进行遍历比对,提取与第一待识别图像特征匹配度高的图像作为第二待识别图像,故第二待识别图像与第一待识别图像相似,进而将根据所获第二待识别图像生成第二柔性评估结果,进一步将第一柔性评估结果与第二柔性进行整合,最终获取柔性评估结果,达到为后期提升目标铝合金导体的质量提供重要依据的技术效果。
进一步而言,本申请步骤S240包括:
步骤S241:通过对所述N-1个截面压紧系数进行铝合金拉制柔性相关度分析,获取N-1个拉制柔性相关度;
步骤S242:以所述N-1个拉制柔性相关度,获取所述柔性评估结果,计算公式如下:
其中,为导体截面第i层的第一柔性评估结果;/>为所述第一柔性评估结果;/>为所述第一柔性评估结果的拉制柔性相关度;/>为导体截面第i层的第二柔性评估结果;/>为所述第二柔性评估结果;/>为所述第二柔性评估结果的拉制柔性相关度。
具体而言,对所获目标铝合金导体的N个层级分布信息以及所获截面空间分布特征进行截面压紧系数的计算,进而输出N-1个截面压紧系数,进一步根据所获N-1个截面压紧系数进行铝合金拉制柔性相关度分析,其中铝合金拉制柔性相关度是指相邻两个层之间的空间在拉制时其柔性的相关度,示例性的在目标铝合金导体中的内层的填充层、绝缘保护层的相关度不同,其计算公式如下:
其中,为导体截面第i层的第一柔性评估结果;/>为所述第一柔性评估结果;/>为所述第一柔性评估结果的拉制柔性相关度;/>为导体截面第i层的第二柔性评估结果;/>为所述第二柔性评估结果;/>为所述第二柔性评估结果的拉制柔性相关度。
并进一步将所获第一柔性评估结果的拉制柔性相关度,即、所获第二柔性评估结果的拉制柔性相关度,即/>、所获导体截面第i层的第二柔性评估结果,即/>,带入上述计算公式,从而获得第一柔性评估结果,即/>与第二柔性评估结果,即,最终将根据N-1个拉制柔性相关度所获的第一柔性评估结果与第二柔性评估结果进行处理与整合,最终获取柔性评估结果,以保证提高目标铝合金导体的质量时的准确性。
进一步而言,如图3所示,本申请步骤S600还包括:
步骤S610:基于所述N个层级分布信息,搭建截面压紧系数计算模型,其中,所述截面压紧系数计算模型包括N-1个子模型,每个子模型用于输入N个层级中相邻两层的截面数据;
步骤S620:获取所述目标铝合金的N层材料属性信息;
步骤S630:基于所述N层材料属性信息,建立信息传输通道层;
步骤S640:将所述信息传输通道层嵌入至所述截面压紧系数计算模型的计算输入层,用于与所述N-1个子模型实现信息通道的数据映射传输。
具体而言,在所获目标铝合金导体的N个层级分布信息的基础上,搭建截面压紧系数计算模型,其中截面压紧系数是指纹线的实际截面积与按绞线外径计算的圆面积之比,用百分数表示,即目标铝合金的线芯导体实际截面积与线芯轮廓截面积之比,其中包含比如填充层、包带、隔离层、铠装层及外护层使用的材料,并匹配提取其原本的物理属性,拉伸度、延展性等;
其中,圆形线芯截面压紧系数=每根单线戴面积之和/绞合线芯外接圆面积;
扇形、瓦形线芯截面压紧系数=每根单线截面积之和/绞合线芯轮座面积(即压辊孔型截面);
由于目标铝合金导体即使紧压后,其导体之间仍存在一些间隙,为了能表示紧压的程度将导体不含间隙(即紧压后的有效导体截面积)与导体含间隙的截面积的比值来表示紧压程度,即将整个导体的有效截面填充到轮廓载面中,有效截面所填充的截面百分率,所以截面压紧系数越大,说明实际的有效截而与加工后轮廓截面的比值越大,因此就越紧密,反之则越松散,以此完成截面压紧系数计算模型的搭建,所搭建的截面压紧系数计算模型是用来表示目标铝合金导体实际的称重截面和目标铝合金导体外径的轮廓面积的比值,其所反应的是导体紧压的程度,在理想状态下,若压紧后目标铝合金导体的实际截面与目标铝合金的轮廓截面相同时,则压紧系数为1,即零间隙,且所搭建的截面压紧系数计算模型中的截面压紧系数计算公式为:
目标铝合金的实际截面积与目标铝合金的外径计算的圆面积之比,并用百分数进行表示;
其中截面压紧系数计算模型包括N-1个子模型,同时每个子模型用于输入N个层级中相邻两层的截面数据,N-1个子模型用于构成整个截面压紧系数计算模型,而每个子模型是为计算相邻两层的一个压紧系数,整个截面压紧系数是对每个层都进行最后的输出,即截面压紧系数计算模型结合N-1个子模型的输出结果,输出最终的截面的整体的压紧的一个系数。
进一步的,获取目标铝合金的N层材料属性信息,其中在目标铝合金的N层材料中每一层对应的材料,比如所使用的绝缘层材料、防护层材料,合金百分比等,由于在导体杆进行拉制的过程中,拉制后截面的变化情况,与其材料的物理属性、抗拉性、延展性、硬度、形变等存在相关性,因此,通过针对每一层,分析其所包含的两层材料来对两层中的空间压紧系数进行进一步的分析,为此,设置与N-1个子模型对应的N-1个通道层,即在所得N层材料属性信息的基础上,建立信息传输通道层,该信息传输通道层起到了提供数据传输作用包含传输信息的数据通路、计算机系统中传送信息和数据的装置等,主要有主存储器读写通道和输入、输出通道,并同时能接收中央处理机的命令,独立执行通道程序,协助中央处理机控制与管理外部设备,控制设备与内存直接进行数据交换,它有自己的通道命令,通道指令的格式一般由:操作码,记数段,内存地址段,结束标志组成,可由CPU执行相应指令来启动通道,并在操作结束时向CPU发出中断信号,以此完成信息传输通道的建立。
并将所建立的信息传输通道层嵌入至上述所搭建的界面雅集系数计算模型的计算输入层,即当进行对应计算时,将相邻两层的材料属性进行输入,结合空间中孔隙的分布大小,其中口昂减重的孔隙分布大小可以根据所获图像中的像素进行统计,进一步更好的与截面压紧系数计算模型中的N-1个子模型进行实现新系统到的数据映射传输,从而达到最终对第一柔性评估结果的获取提供参考的技术效果。
进一步而言,本申请步骤S640包括:
步骤S641:基于所述N个层级分布信息,对所述截面空间分布特征进行分层,获取N-1个空间层分布特征;
步骤S642:基于所述信息传输通道层进行相邻两层材料属性的组合,获取N-1组属性材料信息;
步骤S643:以所述N-1个空间层分布特征、所述N-1组属性材料信息映射输入所述N-1个子模型中进行空间适应度分析,获取所述N-1个截面压紧系数。
具体而言,基于所获目标铝合金导体的N个层级分布信息,对目标铝合金导体的截面空间分布特征进行分层,其中截面空间分布的层级包含缆线、填充层、包带、隔离层、铠装层及外护层等,同时上述缆线的导体芯为铝合金制成,还包含导体芯的外部绕包矿物质防火层,防火层的外部包覆有绝缘层,多根缆线密实排列,由绕包带绕包两层,绕包层外依次包覆隔离层、铠装层及外护层,绕包层与隔离层之间填充有填充层,将不同层级的特征进行提取整合与分层,同时每两层之间仅存在一个空间层,进一步的基于N层分布信息获取N-1层分布特征。
将所建立的信息传输通道层进行相邻两层材料属性的组合,并获取N-1足属性材料信息,进一步将所获N-1个空间层分布特征与所获N-1组属性材料信息映射输入截面压紧系数计算模型中的N-1个子模型中进行空间适应度分析,其中在N-1个子模型中所进行的空间适应度分析是指截面空间压紧后,每一层之间空间的适应度,即当每一层进行压紧时,用于在每一层进行压紧时的空间大小适应性,在此基础上,进一步获取N-1个截面压紧系数,最终达到获取第一柔性评估结果的技术效果。
进一步而言,如图4所示,本申请步骤S300还包括:
步骤S310:获取所述第一待识别图像的图像识别精度;
步骤S320:判断所述图像识别精度是否满足所述像素分解模型的需求识别精度,若所述图像识别精度不满足所述像素分解模型的需求识别精度,获取拼接指令;
步骤S330:根据所述拼接指令,对所述第一待识别图像进行关键像素定位,输出定位关键图像;
步骤S340:以所述定位关键图像进行拼接图像分析,获取待拼接图像;
步骤S350:将所述待拼接图像拼接至所述第一待识别图像,用于进行像素分解。
具体而言,在所获第一待识别图像基础上,进一步获取第一待识别图像的图像识别精度,其中若原本图像包括所有横截面会造成精度的不足,因此,需要首先确定要分析的所处层,进一步的将所获第一待识别图像的图像精度与像素分解模型的需求识别精度相比较,其中像素分解模型需要获取该图像的图像识别精度、光谱特征以及该光谱特征的面积百分比等,进一步的将图像分解为若干个小离散点的像素,并同时将各像素的颜色值用量化的离散值来表示该图像,即最终所获图像的像素分解结果,若所获图像识别精度不满足像素分解模型中的需求识别精度,则生成并获取拼接指令,同时根据所获拼接指令对第一待识别图像进行关键像素定位,其关键像素的确定是将像素分解模型中需求识别精度与第一待识别图像中图像识别精度内的像素块吻合度高并占总数比例大的,将其视为关键像素并对其进行定位,在此基础上,输出定位关键图像。
对所获定位关键图像进行拼接图像分析,将定位关键图像所处位置、所处层级以及所需拼接位置进行整合,进一步获取待拼接图像,并在所获带拼接图像的基础上,将其拼接至第一待识别图像,示例性的,若要分析的所处层为内置填充层与绝缘层,再将具体定位进行高精度图像的拼接,使得拼接所获图像用于像素分解,进而更高效的获取第一柔性评估结果。
进一步而言,本申请步骤S220还包括:
步骤S221:将所述第一待识别图像输入图像特征识别模型中,根据所述图像特征识别模型,获取图像采集角特征、图像基色特征和采集对象重合率特征;
步骤S222:以所述图像采集角特征、图像基色特征和采集对象重合率特征作为遍历指标对所述标准化图像集合进行图像相似度遍历,获取所述第二待识别图像。
具体而言,将所获第一待识别图像输入图像特征识别模型中,其中该图像特征识别模型用于获取图像采集角特征,即所采集图像时的截面角以及镜头角等、图像基色特征,即所采集图像中的基本组成色块以及颜色等、采集对象重合率特征,即所采集图像中的对象所处范围的大小或有无遮挡等,并基于图像特征识别模型中的图像采集角特征、图像基色特征和采集对象重合率特征作为遍历指标,进一步的对所获标准化图像集合进行图像相似度的遍历,从而获取第二待识别图像,示例性的,图像特征识别模型将会根据遍历指标对图像采集角特征、图像基色特征和采集对象重合率特征进行匹配,并同时需要在标准化图像集合的基础上,将所采集的目标图像区域进行等块划分,再根据每一个等块所捕捉到的图像信息进行遍历、识别和筛查,在对图像采集集合进行图像识别的过程中,可以通过以卷积核特征比对的方式进行实现,示例性的,根据标准化图像集合中所获取的目标图像信息,在所获取的目标图像信息的基础上,对该目标图像信息进行等分,同时根据图像等分中第一个区域设为起始点,即所获得的第一区域,标识为零点区域,再从第一区域开始进行遍历,将每一个区域中所得到的信息与第一待识别图像特征进行匹配,后续每一次基于标准化图像集合所进行的图像相似度遍历,均以所述零点位置为基准点,并将遍历指标所对应的信息进行标识记录,再通过对区域进行标识和分区,对标准化图像集合中的目标图像进行区域分区编码,为后续准确获取第二待识别图像,与第一待识别图像的遍历指标进行对比,提高获取第二待识别图像的准确性,为后期获取柔性评估结果夯实了基础。
实施例二
基于与前述实施例中一种柔性铝合金导体的质量评估方法相同的发明构思,如图5所示,本申请提供了一种柔性铝合金导体的质量评估系统,系统包括:
横截面图像集合模块1,所述横截面图像集合模块1用于根据所述图像识别装置对目标铝合金导体进行横截面图像采集,获取横截面图像集合;
第一待识别图像模块2,所述第一待识别图像模块2用于通过对所述横截面图像集合进行标准化处理,获取第一待识别图像;
像素分解结果获取模块3,所述像素分解结果获取模块3用于将所述第一待识别图像输入像素分解模型中,根据所述像素分解模型,获取图像的像素分解结果;
截面空间分布特征获取模块4,所述截面空间分布特征获取模块4用于基于所述像素分解结果对截面的空间进行分析,获取截面空间分布特征;
N个层级分布信息获取模块5,所述N个层级分布信息获取模块5用于获取所述目标铝合金导体的N个层级分布信息,其中,N为大于0的正整数;
输出模块6,所述输出模块6用于基于所述N个层级分布信息和所述截面空间分布特征进行截面压紧系数计算,输出N-1个截面压紧系数;
第一柔性评估结果获取模块7,所述第一柔性评估结果获取模块7用于以所述N-1个截面压紧系数进行导体柔性质量评估,获取第一柔性评估结果。
进一步而言,系统还包括:
标准化图像集合获取模块,标准化图像集合获取模块用于通过对所述横截面图像进行标准化处理,获取标准化图像集合;
第二待识别图像模块,第二待识别图像模块用于对所述第一待识别图像进行特征识别,对所述标准化图像集合进行图像遍历,获取第二待识别图像,其中,所述第二待识别图像与所述第一待识别图像相似;
第二柔性评估结果模块,第二柔性评估结果模块用于根据所述第二待识别图像,获取第二柔性评估结果;
柔性评估结果模块,柔性评估结果模块用于根据所述第一柔性评估结果和所述第二柔性评估结果,获取柔性评估结果。
进一步而言,系统还包括:
拉制柔性相关度模块,拉制柔性相关度模块用于通过对所述N-1个截面压紧系数进行铝合金拉制柔性相关度分析,获取N-1个拉制柔性相关度;
第二柔性评估结果获取模块,第二柔性评估结果获取模块用于以所述N-1个拉制柔性相关度,获取所述柔性评估结果,计算公式如下:
其中,为导体截面第i层的第一柔性评估结果;/>为所述第一柔性评估结果;/>为所述第一柔性评估结果的拉制柔性相关度;/>为所述第二柔性评估结果;/>为所述第二柔性评估结果的拉制柔性相关度。
进一步而言,系统还包括:
截面压紧系数计算模型搭建模块,截面压紧系数计算模型搭建模块用于基于所述N个层级分布信息,搭建截面压紧系数计算模型,其中,所述截面压紧系数计算模型包括N-1个子模型,每个子模型用于输入N个层级中相邻两层的截面数据;
材料属性信息模块,材料属性信息模块用于获取所述目标铝合金的N层材料属性信息;
信息传输通道层建立模块,信息传输通道层建立模块用于基于所述N层材料属性信息,建立信息传输通道层;
数据映射传输模块,数据映射传输模块用于将所述信息传输通道层嵌入至所述截面压紧系数计算模型的计算输入层,用于与所述N-1个子模型实现信息通道的数据映射传输。
进一步而言,系统还包括:
空间层分布特征模块,空间层分布特征模块用于基于所述N个层级分布信息,对所述截面空间分布特征进行分层,获取N-1个空间层分布特征;
属性材料信息模块,属性材料信息模块用于基于所述信息传输通道层进行相邻两层材料属性的组合,获取N-1组属性材料信息;
截面压紧系数获取模块,截面压紧系数获取模块用于以所述N-1个空间层分布特征、所述N-1组属性材料信息映射输入所述N-1个子模型中进行空间适应度分析,获取所述N-1个截面压紧系数。
进一步而言,系统还包括:
图像识别精度模块,图像识别精度模块用于获取所述第一待识别图像的图像识别精度;
拼接指令获取模块,拼接指令获取模块用于判断所述图像识别精度是否满足所述像素分解模型的需求识别精度,若所述图像识别精度不满足所述像素分解模型的需求识别精度,获取拼接指令;
定位关键图像输出模块,定位关键图像输出模块用于根据所述拼接指令,对所述第一待识别图像进行关键像素定位,输出定位关键图像;
待拼接图像获取模块,待拼接图像获取模块用于以所述定位关键图像进行拼接图像分析,获取待拼接图像;
像素分解模块,像素分解模块用于将所述待拼接图像拼接至所述第一待识别图像,用于进行像素分解。
进一步而言,系统还包括:
图像特征识别模型提取模块,图像特征识别模型提取模块用于将所述第一待识别图像输入图像特征识别模型中,根据所述图像特征识别模型,获取图像采集角特征、图像基色特征和采集对象重合率特征;
第二待识别图像获取模块,第二待识别图像获取模块用于以所述图像采集角特征、图像基色特征和采集对象重合率特征作为遍历指标对所述标准化图像集合进行图像相似度遍历,获取所述第二待识别图像。
本说明书通过前述对一种柔性铝合金导体的质量评估方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种柔性铝合金导体的质量评估方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业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公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种柔性铝合金导体的质量评估方法,其特征在于,所述方法应用于一种柔性铝合金导体的质量评估系统,所述系统与图像识别装置通信连接,所述方法包括:
根据所述图像识别装置对目标铝合金导体进行横截面图像采集,获取横截面图像集合;
通过对所述横截面图像集合进行标准化处理,获取第一待识别图像;
将所述第一待识别图像输入像素分解模型中,根据所述像素分解模型,获取图像的像素分解结果;
基于所述像素分解结果对截面的空间进行分析,获取截面空间分布特征;
获取所述目标铝合金导体的N个层级分布信息,其中,N为大于0的正整数;
基于所述N个层级分布信息和所述截面空间分布特征进行截面压紧系数计算,输出N-1个截面压紧系数;
以所述N-1个截面压紧系数进行导体柔性质量评估,获取第一柔性评估结果。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
通过对所述横截面图像进行标准化处理,获取标准化图像集合;
对所述第一待识别图像进行特征识别,对所述标准化图像集合进行图像遍历,获取第二待识别图像,其中,所述第二待识别图像与所述第一待识别图像相似;
根据所述第二待识别图像,获取第二柔性评估结果;
根据所述第一柔性评估结果和所述第二柔性评估结果,获取柔性评估结果。
3.如权利要求2所述的方法,其特征在于,根据所述第一柔性评估结果和所述第二柔性评估结果,获取柔性评估结果,方法还包括:
通过对所述N-1个截面压紧系数进行铝合金拉制柔性相关度分析,获取N-1个拉制柔性相关度;
以所述N-1个拉制柔性相关度,获取所述柔性评估结果,计算公式如下:
其中,为导体截面第i层的第一柔性评估结果;/>为所述第一柔性评估结果;/>为所述第一柔性评估结果的拉制柔性相关度;/>为导体截面第i层的第二柔性评估结果;/>为所述第二柔性评估结果;/>为所述第二柔性评估结果的拉制柔性相关度。
4.如权利要求1所述的方法,其特征在于,所述方法包括:
基于所述N个层级分布信息,搭建截面压紧系数计算模型,其中,所述截面压紧系数计算模型包括N-1个子模型,每个子模型用于输入N个层级中相邻两层的截面数据;
获取所述目标铝合金的N层材料属性信息;
基于所述N层材料属性信息,建立信息传输通道层;
将所述信息传输通道层嵌入至所述截面压紧系数计算模型的计算输入层,用于与所述N-1个子模型实现信息通道的数据映射传输。
5.如权利要求4所述的方法,其特征在于,所述基于所述N个层级分布信息和所述截面空间分布特征进行截面压紧系数计算,包括:
基于所述N个层级分布信息,对所述截面空间分布特征进行分层,获取N-1个空间层分布特征;
基于所述信息传输通道层进行相邻两层材料属性的组合,获取N-1组属性材料信息;
以所述N-1个空间层分布特征、所述N-1组属性材料信息映射输入所述N-1个子模型中进行空间适应度分析,获取所述N-1个截面压紧系数。
6.如权利要求1所述的方法,其特征在于,所述将所述第一待识别图像输入像素分解模型中之前,包括:
获取所述第一待识别图像的图像识别精度;
判断所述图像识别精度是否满足所述像素分解模型的需求识别精度,若所述图像识别精度不满足所述像素分解模型的需求识别精度,获取拼接指令;
根据所述拼接指令,对所述第一待识别图像进行关键像素定位,输出定位关键图像;
以所述定位关键图像进行拼接图像分析,获取待拼接图像;
将所述待拼接图像拼接至所述第一待识别图像,用于进行像素分解。
7.如权利要求2所述的方法,其特征在于,所述方法包括:
将所述第一待识别图像输入图像特征识别模型中,根据所述图像特征识别模型,获取图像采集角特征、图像基色特征和采集对象重合率特征;
以所述图像采集角特征、图像基色特征和采集对象重合率特征作为遍历指标对所述标准化图像集合进行图像相似度遍历,获取所述第二待识别图像。
8.一种柔性铝合金导体的质量评估系统,其特征在于,所述系统与图像识别装置通信连接,所述系统包括:
横截面图像集合模块,所述横截面图像集合模块用于根据所述图像识别装置对目标铝合金导体进行横截面图像采集,获取横截面图像集合;
第一待识别图像模块,所述第一待识别图像模块用于通过对所述横截面图像集合进行标准化处理,获取第一待识别图像;
像素分解结果获取模块,所述像素分解结果获取模块用于将所述第一待识别图像输入像素分解模型中,根据所述像素分解模型,获取图像的像素分解结果;
截面空间分布特征获取模块,所述截面空间分布特征获取模块用于基于所述像素分解结果对截面的空间进行分析,获取截面空间分布特征;
N个层级分布信息获取模块,所述N个层级分布信息获取模块用于获取所述目标铝合金导体的N个层级分布信息,其中,N为大于0的正整数;
输出模块,所述输出模块用于基于所述N个层级分布信息和所述截面空间分布特征进行截面压紧系数计算,输出N-1个截面压紧系数;
第一柔性评估结果获取模块,所述第一柔性评估结果获取模块用于以所述N-1个截面压紧系数进行导体柔性质量评估,获取第一柔性评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310006182.2A CN116797801B (zh) | 2023-01-04 | 2023-01-04 | 一种柔性铝合金导体的质量评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310006182.2A CN116797801B (zh) | 2023-01-04 | 2023-01-04 | 一种柔性铝合金导体的质量评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116797801A true CN116797801A (zh) | 2023-09-22 |
CN116797801B CN116797801B (zh) | 2023-11-21 |
Family
ID=88046727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310006182.2A Active CN116797801B (zh) | 2023-01-04 | 2023-01-04 | 一种柔性铝合金导体的质量评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797801B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117848974A (zh) * | 2024-03-07 | 2024-04-09 | 陕西长空齿轮有限责任公司 | 一种合金表面氧化金相检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070026594A1 (en) * | 2005-07-28 | 2007-02-01 | Mitsubishi Electric Corporation | Method and apparatus for evaluating semiconductor layers |
CN102163478A (zh) * | 2011-03-15 | 2011-08-24 | 安徽欣意电缆有限公司 | 铝合金导体线芯紧压绞合方法 |
CN103021573A (zh) * | 2012-12-18 | 2013-04-03 | 重庆泰山电缆有限公司 | 电缆用外层高紧密度紧压圆形铝导体制备方法 |
US20150185145A1 (en) * | 2013-12-30 | 2015-07-02 | Electric Power Research Institute, Inc. | Apparatus and method for evaluating power transmission conductors |
CN106623990A (zh) * | 2017-01-24 | 2017-05-10 | 天津航天长征火箭制造有限公司 | 一种大直径铝合金非均匀截面框环精确加工方法 |
CN110489718A (zh) * | 2019-07-26 | 2019-11-22 | 浙江锋锂新能源科技有限公司 | 铝塑膜冲壳深度的检测方法 |
CN110927159A (zh) * | 2019-11-12 | 2020-03-27 | 国网天津市电力公司电力科学研究院 | 一种配网电缆导体线芯紧压系数快速检测方法 |
CN111010860A (zh) * | 2019-12-18 | 2020-04-14 | 合肥学院 | 多通道间柔性无缝电磁屏蔽立体片式tr组件及封装方法 |
CN111931898A (zh) * | 2020-07-23 | 2020-11-13 | 兰州理工大学 | 一种基于深度免疫克隆算法的电解铝智能配铝调度方法 |
CN115187927A (zh) * | 2022-07-27 | 2022-10-14 | 上海志远生态园林工程有限公司 | 一种观景座椅远程监测管理方法及系统 |
-
2023
- 2023-01-04 CN CN202310006182.2A patent/CN116797801B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070026594A1 (en) * | 2005-07-28 | 2007-02-01 | Mitsubishi Electric Corporation | Method and apparatus for evaluating semiconductor layers |
CN102163478A (zh) * | 2011-03-15 | 2011-08-24 | 安徽欣意电缆有限公司 | 铝合金导体线芯紧压绞合方法 |
CN103021573A (zh) * | 2012-12-18 | 2013-04-03 | 重庆泰山电缆有限公司 | 电缆用外层高紧密度紧压圆形铝导体制备方法 |
US20150185145A1 (en) * | 2013-12-30 | 2015-07-02 | Electric Power Research Institute, Inc. | Apparatus and method for evaluating power transmission conductors |
CN106623990A (zh) * | 2017-01-24 | 2017-05-10 | 天津航天长征火箭制造有限公司 | 一种大直径铝合金非均匀截面框环精确加工方法 |
CN110489718A (zh) * | 2019-07-26 | 2019-11-22 | 浙江锋锂新能源科技有限公司 | 铝塑膜冲壳深度的检测方法 |
CN110927159A (zh) * | 2019-11-12 | 2020-03-27 | 国网天津市电力公司电力科学研究院 | 一种配网电缆导体线芯紧压系数快速检测方法 |
CN111010860A (zh) * | 2019-12-18 | 2020-04-14 | 合肥学院 | 多通道间柔性无缝电磁屏蔽立体片式tr组件及封装方法 |
CN111931898A (zh) * | 2020-07-23 | 2020-11-13 | 兰州理工大学 | 一种基于深度免疫克隆算法的电解铝智能配铝调度方法 |
CN115187927A (zh) * | 2022-07-27 | 2022-10-14 | 上海志远生态园林工程有限公司 | 一种观景座椅远程监测管理方法及系统 |
Non-Patent Citations (2)
Title |
---|
徐健;周志祥;: "基于激光检测的老旧桥梁破损程度评估", 激光杂志, no. 05 * |
朱甫泉;朱永强;: "铝合金电缆在中低压配电系统设计中的应用", 建筑电气, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117848974A (zh) * | 2024-03-07 | 2024-04-09 | 陕西长空齿轮有限责任公司 | 一种合金表面氧化金相检测方法及系统 |
CN117848974B (zh) * | 2024-03-07 | 2024-05-28 | 陕西长空齿轮有限责任公司 | 一种合金表面氧化金相检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116797801B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023134791A2 (zh) | 一种环境安防工程监测数据管理方法及系统 | |
CN116797801B (zh) | 一种柔性铝合金导体的质量评估方法及系统 | |
Horé et al. | Is there a relationship between peak‐signal‐to‐noise ratio and structural similarity index measure? | |
Gore et al. | Full reference image quality metrics for JPEG compressed images | |
CN110827311B (zh) | 一种基于成像法的电缆导体截面积测量方法及系统 | |
CN114120361B (zh) | 一种基于编解码结构的人群计数定位方法 | |
CN103544703A (zh) | 数字图像拼接检测方法 | |
CN108932498B (zh) | 办公场所指纹识别鉴权机构 | |
CN115326809A (zh) | 一种隧道衬砌表观裂纹检测方法及检测装置 | |
CN115205318A (zh) | 一种海缆表面缺陷识别的方法及系统 | |
KR102583854B1 (ko) | 하네스 케이블 제작 공정에서 산출되는 케이블의 불량 여부를 판단하기 위한 공정 모니터링 장치 및 그 동작 방법 | |
CN117146739B (zh) | 用于光学瞄准镜的测角检定方法及系统 | |
CN117036756B (zh) | 基于变分自动编码器的遥感图像匹配方法及系统 | |
CN116778520B (zh) | 一种海量证照数据质量检验方法 | |
CN117350964A (zh) | 一种基于跨模态多层次特征融合的电力设备检测方法 | |
CN113901868B (zh) | 一种变电现场安全监控方法及系统 | |
CN113298102B (zh) | 一种目标分类模型的训练方法及装置 | |
CN114373109B (zh) | 一种基于深度学习的自然图像抠图方法及抠图装置 | |
CN112241765B (zh) | 一种基于多尺度卷积和注意力机制的图像分类模型及方法 | |
CN115278255B (zh) | 一种用于力量器械安全管理的数据存储系统 | |
WO2024092968A1 (zh) | 一种路面裂缝检测方法、介质及系统 | |
CN115766976B (zh) | 一种图像显示系统及其控制方法 | |
CN118279673A (zh) | 一种电缆指纹识别方法及系统 | |
CN117934870A (zh) | 一种基于纹理辅助的岩芯自动识别方法及系统 | |
CN116980602A (zh) | 一种图片压缩质量损失评估方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |