CN116842830A - 一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法 - Google Patents
一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法 Download PDFInfo
- Publication number
- CN116842830A CN116842830A CN202310733862.4A CN202310733862A CN116842830A CN 116842830 A CN116842830 A CN 116842830A CN 202310733862 A CN202310733862 A CN 202310733862A CN 116842830 A CN116842830 A CN 116842830A
- Authority
- CN
- China
- Prior art keywords
- cleaning
- motor train
- train unit
- automatic cleaning
- machine learning
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 title claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000002689 soil Substances 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005201 scrubbing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 239000003599 detergent Substances 0.000 description 1
- -1 dust Chemical class 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B3/00—Cleaning by methods involving the use or presence of liquid or steam
- B08B3/02—Cleaning by the force of jets or sprays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法。首先，利用3D建模软件建立动车运用所的清洗车间自动清洗装置的3D模型；布置包括但不限于图像传感器、压力传感器在内的各式传感器以采集动车组表面污渍数据以及清洗装置工作数据；自动清洗装置清洗动车组表面，虚拟模型同步动态显示清洗过程；清洗完成后识别未完全洗净的顽固污渍并标记分布区域，进行二次清洗；统计顽固污渍出现次数较多的区域，结合动车组实际运营工况进行机器学习对污渍重点分布区域进行预测，以动态调整自动清洗装置的清洗参数，提高清洗效率，节省人力成本。
Description
技术领域
本发明涉及一种基于数字孪生和机器学习的清洗方法，特别涉及一种在动车运用所清洗车间内的动车组清洗方法。
背景技术
动车组在每天的运营过程中，受气候、环境、自身因素影响，会在动车组外表面积累大量污垢，动车组表面污垢主要包括两类，一类是沉积在车体外表面的固体物质，例如：灰尘、铁屑、碳粉、蛋白质等有机化合物，另一类是附着在外表面的油污与油脂。为了更好的进行日常运用及各级修，有必要对污垢进行清洁，而现阶段的主要清洗工艺为：水射流、刷洗、人工清洗等，其中水射流和刷洗工艺不具有通用性，清洗参数受清洗对象影响较大；人工清洗效果较好，但与现代自动化生产不适应，且人力成本较大，清洗效率较低。
数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。机器学习是让计算机像人类一样学习和行动的科学，通过以观察和现实世界互动的形式向他们提供数据和信息，以自主的方式改善他们的学习。
在动车清洗车间应用数字孪生和机器学习技术，能够直观地显示动车组实时清洗进度、清洁程度、提高清洗效率、节约人力成本。
发明内容
本发明对传统的建模和数据监测方法的优缺点进行互补，并基于数字孪生技术、机器学习技术对动车运用所动车清洗车间提出的一种动车组外表面自动清洗方法，旨在解决现有的清洗车间一次清洗效果不佳、人力资源要求高、效率不高等问题。
为解决上述问题，本发明提供了如下技术方案：
本发明提供了一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法，其包括以下步骤：
步骤一：建立动车运用所清洗车间自动清洗装置和动车组的虚拟3D模型；
步骤二：在动车运用所清洗车间的自动清洗装置周边布置包括工业图像传感器、速度传感器、压力传感器在内的传感器，通过多传感器融合监测获取现场实时工况，对各传感器采集的实时数据进行处理，使实时数据在虚拟3D模型上动态可视化，实时显示动车组在清洗车间的清洗状态；
步骤三：自动清洗装置根据当前的自动清洗策略对动车组表面进行第一次自动清洗，自动清洗完成后，通过工业图像传感器统计动车组表面的残留污渍并标记污渍所在车厢及具体位置，应用机器视觉技术将第一次自动清洗结束后的残留污渍进行统计，得到残留污渍在动车组表面的分布情况；
步骤四：自动清洗装置根据步骤三得到的残留污渍在动车组表面的分布情况进行二次清洗；
步骤五：根据步骤三得到的残留污渍在动车组表面的分布情况，通过机器学习更新自动清洗装置的自动清洗策略，用于下一待清洗动车组表面的第一次自动清洗。
本发明与现有技术对比，本发明的有益效果包括：
1、本发明通过应用数字孪生技术，建立虚拟3D模型来映射实体模型的工作状态，能够直观地显示出动车组清洗进度、动车组外表面清洁程度。
2、本发明应用了机器学习算法，将采集的数据进行处理，可快速准确地识别出第一次自动清洗中未彻底清洗干净的区域，并在下次清洗中进行针对性清洗。将数据进行统计，以在下个清洗循环中预测重点清洗区域，能够在一定程度上提高第一次自动清洗的清洁效率。
3、本方法自动化程度较高，能够大幅度节约人力成本，降低事故发生率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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他的附图。
图1为本发明的一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法的总体流程图；
图2为一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法中捕捉污渍、划分污渍区域功能流程图；
图3为一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法功能模块逻辑简图。
图4为本发明实施例中DBSCAN空间聚类算法的示意图。
具体实施方式
下面结合具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。
如图1所示，本实施例提供了一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法的具体方案，其主要步骤如下所述：
步骤一：运用3D建模软件UG建立动车运用所清洗车间自动清洗装置和动车组的虚拟3D模型，确保各部位能正常模拟实时现场工况，作为数字孪生系统的虚拟3D模型。所述步骤一中虚拟3D模型采用OPC_UA传输协议与物理实体进行数据传输。
步骤二：在动车运用所清洗车间的自动清洗装置周边布置多个包括但不限于工业图像传感器、速度传感器、压力传感器在内的各式传感器，通过多传感器融合监测获取现场实时工况，重点关注动车组表面污渍情况。对各传感器采集的实时数据进行处理，使实时数据能够在虚拟3D模型上动态可视化，实时显示动车组在清洗车间的清洗状态。同时记录采集的各类数据以便给二次清洗区域提供数据支持。
步骤三：自动清洗装置根据当前的自动清洗策略对动车组表面进行第一次自动清洗，自动清洗完成后，通过工业图像传感器统计动车组表面的残留污渍并标记污渍所在车厢及具体位置，应用机器视觉技术将第一次自动清洗结束后的残留污渍进行统计，得到残留污渍在动车组表面的分布情况.步骤三中的机器视觉技术，是将所述工业图像传感器捕捉的污渍图像进行预处理，提取污渍图像，根据图像的色彩信息将其灰度化，通过灰度值来判断污渍以及体现脏污程度。
步骤四：自动清洗装置根据步骤三得到的残留污渍在动车组表面的分布情况进行二次清洗；
，结合动车组实际运营工况，如南方气候与北方气候存在差异等，空气质量也不同，对动车组表面脏污程度会产生较大影响，基于以上不同环境造成的污渍分布和脏污程度，通过采集的大量数据进行机器学习以预测污渍重点分布区域。
步骤五：根据步骤三得到的残留污渍在动车组表面的分布情况，通过机器学习更新自动清洗装置的自动清洗策略，用于下一待清洗动车组表面的第一次自动清洗.自动清洗装置基于机器学习结果动态调整自动清洗策略，包括但不限于重点清洗区域、毛刷转速、自动清洗装置喷嘴压力等，继而提高清洗效率，节约人力成本，至此结束一个清洗循环。调整后的清洗策略是为了给下个清洗循环提供预测数据支持，以便更好地提高清洗效果和清洗效率。
在本发明的一个优选实施例中，所述步骤二中工业图像传感器，其实质为全局快门图像传感器，可将高分辨率与高速性能相结合，可捕捉快速运用物体的清晰图像，且不会出现运动伪影，工业图像传感器可以将未经压缩的原始图像数据直接传至PC端，方便后续的图像处理工作。在本发明中，图像传感器用于捕捉自动清洗完成后残留的污渍位置以及脏污程度。
在本发明的一个具体实施例中，图像灰度化采用加权平均法来对图像进行预处理，根据重要性将三个分量用不同的权值进行加权平均，根据加权平均得出的灰度值结果进行灰度值等级分类以判断脏污程度，加权平均值算法公式如下所示。
Ggray＝0.299×R+0.587×G+0.114×B
在预处理后采用基于边缘检测的图像分割方法，并采用Prewitt算子、Gauss-Laplacian算子进行边缘检测，对污渍图像进行分割。
本发明实施例中的机器学习，其原理为将历次出现的顽固污渍的坐标以数据集的形式，运用DBSCAN空间聚类算法(如图4所示)，将顽固污渍出现较多次数的区域识别出来，从而划分出需要重点清洗的区域，调整清洗策略。
所述机器学习的方法具体包括以下步骤：
步骤一：在清洗车间的有效清洗范围内建立三维世界坐标系。
步骤二：记录每次自动清洗结束后的顽固污渍的中心坐标。
步骤三：将记录的坐标点数据集标准化，扫描全部坐标点的Eps领域来搜索簇，并形成临时聚类簇。合并临时聚类簇得到聚类簇，重复操作直到全部临时聚类簇被处理完毕，当没有新的点添加到任何簇时，迭代过程结束。
步骤四：根据聚类簇划分区域，标记为重点清洗区域，根据区域划分结果调整清洗策略(多次清洗、加大毛刷转速，重复多次冲洗，加大洗涤剂浓度、用量等)。
本实施例首先利用布置的工业图像传感器、速度传感器、压力传感器等各式传感器采集数据，并通过OPC_UA传输协议传输至数字孪生平台，与建立的虚拟3D模型相互配合使3D模型用于模拟运行、参数可视化等以实时显示动车组在清洗车间的清洗状态，把采集的数据记录下来。然后进行第一次自动清洗，在动车组第一次自动清洗工作完成后，通过工业图像传感器获得动车组表面情况的原始图像数据，对原始图像数据进行灰度处理，以加权平均法得到图像的灰度值。得到灰度值后采用基于边缘检测的图像分割方法，采用Prewitt算子、Gauss-Laplacian算子进行边缘检测，再通过基于灰度共生矩阵的方法提取纹理特征，最终达到从原始图像数据中识别残留污渍的目的。做完以上工作，对残留污渍进行针对性的第二次清洗，与此同时，统计残留污渍的坐标，以点数据集的形式运用DBSCAN空间聚类算法统计出残留污渍出现较多的区域，从而划分出一个需要重点清洗的区域，至此就结束一个清洗循环。在下一个清洗循环之前，此前划分的重点清洗区域将发挥作用，自动调整了第一次自动清洗的清洗策略，在下一个清洗循环的第一次自动清洗中，就可以更有效的清洁动车组表面。循环往复，根据不同气候，不同地区，各动车运用所就会产生不同的、有针对性的清洗策略。
可见，本实施例采用的数字孪生平台一定程度上降低了工作人员验收清洗成果的工作量。采用的第一次自动清洗加第二次清洗的方法，特别是动态调整清洗策略的第一次自动清洗方法，较大程度上减轻了工作人员的配置以及工作量，而且能够根据不同地区、不同气候产生具有不同特点的清洗策略。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法，其特征在于，包括以下步骤：
步骤一：建立动车运用所清洗车间自动清洗装置和动车组的虚拟3D模型；
步骤二：在动车运用所清洗车间的自动清洗装置周边布置包括工业图像传感器、速度传感器、压力传感器在内的传感器，通过多传感器融合监测获取现场实时工况，对各传感器采集的实时数据进行处理，使实时数据在虚拟3D模型上动态可视化，实时显示动车组在清洗车间的清洗状态；
步骤三：自动清洗装置根据当前的自动清洗策略对动车组表面进行第一次自动清洗，自动清洗完成后，通过工业图像传感器统计动车组表面的残留污渍并标记污渍所在车厢及具体位置，应用机器视觉技术将第一次自动清洗结束后的残留污渍进行统计，得到残留污渍在动车组表面的分布情况；
步骤四：自动清洗装置根据步骤三得到的残留污渍在动车组表面的分布情况进行二次清洗；
步骤五：根据步骤三得到的残留污渍在动车组表面的分布情况，通过机器学习更新自动清洗装置的自动清洗策略，用于下一待清洗动车组表面的第一次自动清洗。
2.根据权利要求1所述的一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法，其特征在于，所述步骤一中，通过3D建模软件UG建立动车运用所清洗车间自动清洗装置和动车组的虚拟3D模型；虚拟3D模型采用OPC_UA传输协议与物理实体进行数据传输。
3.根据权利要求1所述的一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法，其特征在于，所述步骤二中，所述工业图像传感器为全局快门图像传感器，工业图像传感器用于捕捉自动清洗过程中污渍的位置以及脏污程度。
4.根据权利要求1所述的一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法，其特征在于，所述步骤三中的机器视觉技术，是将所述工业图像传感器捕捉的污渍图像进行预处理，提取污渍图像，根据图像的色彩信息将其灰度化，通过灰度值来判断污渍以及体现脏污程度。
5.根据权利要求4所述的一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法，其特征在于，所述的提取污渍图像为：在预处理后采用基于边缘检测的图像分割方法，并采用Prewitt算子、Gauss-Laplacian算子进行边缘检测，对污渍图像进行分割。
6.根据权利要求4所述的一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法，其特征在于，所述的灰度化采用加权平均法，工业图像传感器将三个分量R、G、B用不同的权值进行加权平均，根据加权平均得出的灰度值结果Ggray进行灰度值等级分类以判断脏污程度，加权平均值公式如下所示：
Ggray＝0.299×R+0.587×G+0.114×B。
7.根据权利要求1所述的一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法，其特征在于，所述步骤五中的机器学习为将历次出现的顽固污渍的坐标以数据集的形式，运用DBSCAN空间聚类算法，将顽固污渍出现较多次数的区域识别出来，从而划分出需要重点清洗的区域，调整自动清洗装置的自动清洗策略。
8.根据权利要求1所述的基于数字孪生和机器学习的动车组表面清洗方法，其特征在于，所述步骤五中的通过机器学习更新自动清洗装置的自动清洗策略，具体包括以下步骤：
步骤一：在清洗车间的有效清洗范围内建立三维世界坐标系；
步骤二：将每列动车组第一次自动清洗结束后的顽固污渍中心坐标进行记录；
步骤三：将记录的坐标点数据集标准化，扫描全部坐标点的Epsilon领域来搜索簇，并形成临时聚类簇；合并临时聚类簇得到聚类簇，直到全部临时聚类簇被处理完毕；
步骤四：根据聚类簇划分区域，标记为重点清洗区域，根据区域划分结果更新自动清洗装置的自动清洗策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310733862.4A CN116842830A (zh) | 2023-06-20 | 2023-06-20 | 一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310733862.4A CN116842830A (zh) | 2023-06-20 | 2023-06-20 | 一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116842830A true CN116842830A (zh) | 2023-10-03 |
Family
ID=88173585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310733862.4A Pending CN116842830A (zh) | 2023-06-20 | 2023-06-20 | 一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842830A (zh) |
-
2023
- 2023-06-20 CN CN202310733862.4A patent/CN116842830A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chengyang et al. | Spindle thermal error prediction approach based on thermal infrared images: A deep learning method | |
| CN103913468B (zh) | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 | |
| CN112991347B (zh) | 一种基于三维的列车螺栓松动检测方法 | |
| CN107909575B (zh) | 针对振动筛运行状态的双目视觉在线检测装置及检测方法 | |
| CN113284109B (zh) | 管道缺陷识别方法、装置、终端设备及存储介质 | |
| CN111013857A (zh) | 一种喷涂机器人控制系统及控制方法 | |
| CN112966576B (zh) | 基于多光源图像的绝缘子水冲洗机器人瞄准系统及方法 | |
| CN111523540A (zh) | 基于深度学习的金属表面缺陷检测方法 | |
| CN110219271A (zh) | 一种应用于自动清扫车的垃圾分类智能视觉系统及方法 | |
| CN111496786A (zh) | 一种基于点云模型规划机械臂作业加工轨迹方法 | |
| CN113962951B (zh) | 检测分割模型的训练方法及装置、目标检测方法及装置 | |
| CN113111875A (zh) | 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法 | |
| CN210386980U (zh) | 一种基于机器视觉的冷床智能控制系统 | |
| CN116231504A (zh) | 一种升压站远程智能巡检方法、装置及系统 | |
| CN116797944A (zh) | 一种基于无人机图像识别光伏面板清洁度的检测方法及系统 | |
| CN115439643A (zh) | 一种基于单目测量的道路病害尺寸分析与管理方法 | |
| CN115187879A (zh) | 一种基于YOLOv5的楼栋检测与楼层定位方法及装置 | |
| CN112530267B (zh) | 一种基于计算机视觉的机械臂智能示教方法及应用 | |
| CN116842830A (zh) | 一种基于机器学习与数据驱动数字孪生平台的动车组表面清洗方法 | |
| CN117876329A (zh) | 一种基于雷达、视频和数据分析的道路病害实时检测方法 | |
| CN116840242A (zh) | 一种汽车冲压件缺陷检测系统及方法 | |
| CN112633090A (zh) | 机器人视觉的集中风系统内部霉菌与积尘辨识方法及应用 | |
| CN116388669A (zh) | 一种基于Swin Transformer的光伏板异物检测与清洁方法 | |
| CN116912158A (zh) | 工件质检方法、装置、设备和可读存储介质 | |
| CN113781436B (zh) | 一种基于摄像机和角度测量的高压开关状态监测方法 |
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 |