CN117115751A - 基于工业互联网的设备监控方法及系统 - Google Patents
基于工业互联网的设备监控方法及系统 Download PDFInfo
- Publication number
- CN117115751A CN117115751A CN202311230639.4A CN202311230639A CN117115751A CN 117115751 A CN117115751 A CN 117115751A CN 202311230639 A CN202311230639 A CN 202311230639A CN 117115751 A CN117115751 A CN 117115751A
- Authority
- CN
- China
- Prior art keywords
- product
- periodic
- monitoring video
- difference
- pipeline
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004519 manufacturing process Methods 0.000 claims abstract description 79
- 230000000737 periodic effect Effects 0.000 claims abstract description 69
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 230000005856 abnormality Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 235000012206 bottled water Nutrition 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- 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)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于工业互联网技术领域,提供了基于工业互联网的设备监控方法及系统,基于工业互联网,实时获取流水线的监控视频,对所述监控视频进行产品识别,确定流水线上输送的产品类型;根据所述产品类型,匹配对应的标准数量差;将所述监控视频进行周期性分割处理,得到多个周期分割视频,识别并计算相邻的两个周期分割视频中产品通过数量的实际数量差;将所述实际数量差与所述标准数量差进行比较,得到数量差比较结果;根据所述数量差比较结果,判断是否存在设备异常,能够通过比较相邻时间段内流水线上所通过产品的数量,来判断流水线运行过程是否出现异常,无需设置多个摄像头来观察多个流水线电气设备,且判断流程简易,准确度高。
Description
技术领域
本发明属于工业互联网技术领域,尤其涉及基于工业互联网的设备监控方法及系统。
背景技术
工业互联网是新一代信息通信技术与工业经济深度融合的新型基础设施、应用模式和工业生态,通过对人、机、物、系统等的全面连接,构建起覆盖全产业链、全价值链的全新制造和服务体系,为工业乃至产业数字化、网络化、智能化发展提供了实现途径。
目前很多工业产品都是流水线化生产模式,而生产产品的流水线涉及多个电气设备,且这些电气设备都是相互配合工作的,如果流水线中的某一设备出现问题时,会影响到整体流水线对产品的生产、运输,相应的,因此对流水线的电气设备进行工作状态的监控十分必要。
目前在基于工业互联网来对流水线电气设备进行监控时,通常是通过观察设备的运行状态来分析电气设备是否存在异常,但是流水线上的电气设备不仅数量较多,且工作状态各有不同、工作状态的判断也较为复杂,因此仅通过观察设备的运行状态难以准确的分析出流水线在工作时是否出现了异常。
发明内容
本发明实施例的目的在于提供基于工业互联网的设备监控方法,旨在解决通过观察设备的运行状态难以准确的分析出流水线在工作时是否出现了异常的问题。
为实现上述目的,本发明实施例提供如下技术方案:
基于工业互联网的设备监控方法,所述方法具体包括以下步骤:
基于工业互联网,实时获取流水线的监控视频,对所述监控视频进行产品识别,确定流水线上输送的产品类型;
根据所述产品类型,匹配对应的标准数量差;
将所述监控视频进行周期性分割处理,得到多个周期分割视频,识别并计算相邻的两个周期分割视频中产品通过数量的实际数量差;
将所述实际数量差与所述标准数量差进行比较,得到数量差比较结果;
根据所述数量差比较结果,判断是否存在设备异常。
作为本发明实施例技术方案进一步的限定,所述基于工业互联网,实时获取流水线的监控视频,对所述监控视频进行产品识别,确定流水线上输送的产品类型的步骤包括:
基于工业互联网,实时获取流水线的监控视频;
对所述监控视频进行初始化的逐帧处理,得到多个逐帧图片;
对多个所述逐帧图片进行目标筛选,得到目标图片,并从所述目标图片中提取非流水线目标图像;
基于预设的产品图像数据库,对所述非流水线目标图像进行产品识别,确定流水线上输送的产品类型。
作为本发明实施例技术方案进一步的限定,所述基于预设的产品图像数据库,对所述非流水线目标图像进行产品识别,确定流水线上输送的产品类型的步骤包括:
对所述非流水线目标图像进行识别,获取产品色彩分布;
按照所述产品色彩分布,在预设的产品图像数据库中进行色彩分布匹配,确定目标匹配图像。
作为本发明实施例技术方案进一步的限定,所述根据所述产品类型,匹配对应的标准数量差的步骤包括:
根据所述产品类型,获取产品生产计划单;
对所述产品生产计划单进行内容识别,获取所述产品类型的周期性通过数量范围;
将所述周期性通过数量范围中的最大值与最小值相减,得到标准数量差。
作为本发明实施例技术方案进一步的限定,所述将所述监控视频进行周期性分割处理,得到多个周期分割视频,识别并计算相邻的两个周期分割视频中产品通过数量的实际数量差的步骤包括:
将所述监控视频进行周期性分割处理,得到多个周期分割视频;
识别每个所述周期分割视频中的流水线上的产品通过数量;
将相邻的两个周期分割视频对应的产品通过数量相减,得到实际数量差。
作为本发明实施例技术方案进一步的限定,所述根据所述数量差比较结果,判断是否存在设备异常的步骤包括:
根据所述数量差比较结果,判断实际数量差是否小于标准数量差;
若所述实际数量差小于所述标准数量差,则设备正常运行;
若所述实际数量差不小于所述标准数量差,则设备存在异常。
基于工业互联网的设备监控系统,所述系统包括获取监控视频单元、产品类型匹配单元、监控视频周期性分割单元、数量差比较单元和设备异常判断单元,其中:
获取监控视频单元,用于基于工业互联网,实时获取流水线的监控视频,对所述监控视频进行产品识别,确定流水线上输送的产品类型;
产品类型匹配单元,用于根据所述产品类型,匹配对应的标准数量差;
监控视频周期性分割单元,用于将所述监控视频进行周期性分割处理,得到多个周期分割视频,识别并计算相邻的两个周期分割视频中产品通过数量的实际数量差;
数量差比较单元,用于将所述实际数量差与所述标准数量差进行比较,得到数量差比较结果;
设备异常判断单元,用于根据所述数量差比较结果,判断是否存在设备异常。
作为本发明实施例技术方案进一步的限定,所述获取监控视频单元具体包括:
监控视频获取模块,用于基于工业互联网,实时获取流水线的监控视频;
逐帧图片获取模块,用于对所述监控视频进行初始化的逐帧处理,得到多个逐帧图片;
非流水线目标图像提取模块,用于对多个所述逐帧图片进行目标筛选,得到目标图片,并从所述目标图片中提取非流水线目标图像;
产品类型确定模块,用于基于预设的产品图像数据库,对所述非流水线目标图像进行产品识别,确定流水线上输送的产品类型。
作为本发明实施例技术方案进一步的限定,所述产品类型匹配单元具体包括:
产品生产计划单调取模块,用于根据所述产品类型,获取产品生产计划单;
周期性通过数量范围获取模块,用于对所述产品生产计划单进行内容识别,获取所述产品类型的周期性通过数量范围;
标准数量差确定模块,用于将所述周期性通过数量范围中的最大值与最小值相减,得到标准数量差。
作为本发明实施例技术方案进一步的限定,所述监控视频周期性分割单元具体包括:
监控视频分割模块,用于将所述监控视频进行周期性分割处理,得到多个周期分割视频;
产品通过数量识别模块,用于识别每个所述周期分割视频中的流水线上的产品通过数量;
实际数量差确定模块,用于将相邻的两个周期分割视频对应的产品通过数量相减,得到实际数量差。
本发明通过基于工业互联网,实时获取流水线的监控视频,对所述监控视频进行产品识别,确定流水线上输送的产品类型;根据所述产品类型,匹配对应的标准数量差;将所述监控视频进行周期性分割处理,得到多个周期分割视频,识别并计算相邻的两个周期分割视频中产品通过数量的实际数量差;将所述实际数量差与所述标准数量差进行比较,得到数量差比较结果;根据所述数量差比较结果,判断是否存在设备异常。能够通过比较相邻时间段内流水线上所通过产品的数量,来判断流水线运行过程是否出现异常,无需设置多个摄像头来观察多个流水线电气设备,且判断流程简易,准确度高。
附图说明
图1示出了本发明实施例提供的方法的流程图。
图2示出了本发明实施例提供的方法中确定流水线上输送的产品类型的流程图。
图3示出了本发明实施例提供的方法中识别非流水线目标图像的流程图。
图4示出了本发明实施例提供的方法中匹配标准数量差的流程图。
图5示出了本发明实施例提供的方法中识别并计算实际数量差的流程图。
图6示出了本发明实施例提供的方法中判断是否存在设备异常的流程图。
图7示出了本发明实施例提供的系统的应用架构图。
图8示出了本发明实施例提供的系统中获取监控视频单元的结构框图。
图9示出了本发明实施例提供的系统中产品类型匹配单元的结构框图。
图10示出了本发明实施例提供的系统中设备异常判断单元的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1示出了本发明实施例提供的方法的流程图。
具体的,基于工业互联网的设备监控方法,所述方法具体包括以下步骤:
步骤S101,基于工业互联网,实时获取流水线的监控视频,对所述监控视频进行产品识别,确定流水线上输送的产品类型。
在本发明实施例中,在流水线车间内设置高清监控摄像头,且该高清监控摄像头置于流水线的上方,上述的高清监控摄像头具有储存功能以及视频上传功能,高清监控摄像头通过无线网或者数据传输线连入工业互联网(后台)中,监控人员可以通过工业互联网来实时获取高清监控摄像头对流水线的监控视频,且工业互联网会对流水线上输送的产品进行识别,以确定该产品的类型。
具体的,图2示出了本发明实施例提供的方法中确定流水线上输送的产品类型的流程图。
其中,在本发明的优选实施方式中,所述基于工业互联网,实时获取流水线的监控视频,对所述监控视频进行产品识别,确定流水线上输送的产品类型具体包括以下步骤:
步骤S1011,基于工业互联网,实时获取流水线的监控视频。
步骤S1012,对所述监控视频进行初始化的逐帧处理,得到多个逐帧图片。
步骤S1014,对多个所述逐帧图片进行目标筛选,得到目标图片,并从所述目标图片中提取非流水线目标图像。
步骤S1014,基于预设的产品图像数据库,对所述非流水线目标图像进行产品识别,确定流水线上输送的产品类型。
在本发明实施例中,在通过工业互联网获取了预设时段的监控视频后,利用电脑对该预设时段的监控视频进行初始化的逐帧处理,得到若干个逐帧图片,这些逐帧图片中有些是包含着流水线以及产品,有些则只包含了流水线,因此为能够得到只包含产品的逐帧图片,还需要对上述的若干个逐帧图片进行筛选,并筛选出只包含有产品的逐帧图片,然后通过图像抽取技术将产品的轮廓从筛选出的指定逐帧图片中提取出来,得到所需非流水线目标图像(产品图像),之后调取后台中的预设产品图像数据库中的多张产品图像,且每张产品图像对应一个确定的产品类型,并将非流水线目标图像与这些产品图像逐个进行比较,在非流水线目标图像与数据库中的某一产品图像相同或者相似度极高时,确定非流水线目标图像中的产品与数据库中的该产品图像中的产品为同一产品,进一步的确定流水线上输送的产品类型。
具体的,图3示出了本发明实施例提供的方法中识别非流水线目标图像的流程图。
其中,在本发明的优选实施方式中,所述基于预设的产品图像数据库,对所述非流水线目标图像进行产品识别,确定流水线上输送的产品类型具体包括以下步骤:
步骤S10141,对所述非流水线目标图像进行识别,获取产品色彩分布。
步骤S10142,按照所述产品色彩分布,在预设的产品图像数据库中进行色彩分布匹配,确定目标匹配图像。
步骤S10143,根据所述目标匹配图像,确定流水线上输送的产品类型。
在本发明实施例中,流水线上输送的产品的外表面一定具有色彩分布,其可以是一种颜色,也可以是多种颜色排列组合,不同的产品的外表面具有不同的颜色分布,例如瓶装水,其瓶身为蓝色,瓶盖为红色,则瓶装水具有瓶盖红色、瓶身蓝色的色彩分布;
可以理解的是,工业互联网对非流水线目标图像进行解析、识别,并获取非流水线目标图像中的产品的色彩分布,然后根据该特定的色彩分布与预设的产品图像数据库中的不同产品图像中的色彩分布相匹配,以确定目标匹配图像,最后根据目标匹配图像来确定流水线上具体输送的产品类型;
可以理解的是,通过对产品图像中的产品外表面的色彩分布识别、比对,可以准确的确定出产品图像中包括的产品类型,且由于色彩分布具有独特位置分布、独特面积分布的特点,因此对产品类型的确定具有极高的准确性。
进一步的,所述基于工业互联网的设备监控方法还包括以下步骤:
步骤S102,根据所述产品类型,匹配对应的标准数量差。
在本发明的实施例中,在将产品投入生产线上生产之前,制定产品生产计划单,且该产品生产计划单包括不同产品类型的产品的生产目标及要求,上述的生产目标及要求可以包括有:产品在流水线上输送的速率、产品在指定时间内在流水线上通过的数量范围(周期性通过数量范围)等;
工业互联网根据流水线上确定的产品类型来调取数据库中的产品生产计划单,并对产品生产计划单进行内容识别,找出流水线上的产品类型所对应的产品生产目标及要求,并获取产品类型对应的周期性通过数量范围,之后工业互联网将确定的周期性通过数量范围中的最大值与最小值相减,得到标准数量差。
具体的,图4示出了本发明实施例提供的方法中匹配标准数量差的流程图。
其中,所述根据所述产品类型,匹配对应的标准数量差具体包括以下步骤:
步骤S1021:根据所述产品类型,获取产品生产计划单。
步骤S1022:对所述产品生产计划单进行内容识别,获取所述产品类型的周期性通过数量范围。
步骤S1023:将所述周期性通过数量范围中的最大值与最小值相减,得到标准数量差。
进一步的,所述基于工业互联网的设备监控方法还包括以下步骤:
步骤S103,将所述监控视频进行周期性分割处理,得到多个周期分割视频,识别并计算相邻的两个周期分割视频中产品通过数量的实际数量差。
在本发明实施例中,将监控视频周期性分割成两段或者两段以上,并得到两个或两个以上的周期分割视频,每段周期分割视频的时长相同,通过上述的色彩分布识别方法对每个周期分割视频中的流水线上的产品进行识别,并计算出每个周期分割视频中的流水线上的产品通过数量,之后将相邻的两个周期分割视频所识别出的产品通过数量相减,以得到实际数量差,该实际数量差可以为正数、也可以为负数,如果是负数,取其绝对值。
具体的,图5示出了本发明实施例提供的方法中识别并计算实际数量差的流程图。
其中,将所述监控视频进行周期性分割处理,得到多个周期分割视频,识别并计算相邻的两个周期分割视频中产品通过数量的实际数量差具体包括以下步骤:
步骤S1031,将所述监控视频进行周期性分割处理,得到多个周期分割视频。
步骤S1032,识别每个所述周期分割视频中的流水线上的产品通过数量。
步骤S1033,将相邻的两个周期分割视频对应的产品通过数量相减,得到实际数量差。
进一步的,所述基于工业互联网的设备监控方法还包括以下步骤:
S104,将所述实际数量差与所述标准数量差进行比较,得到数量差比较结果。
在本发明的实施例中,将实际数量差与标准数量差进行比较,优选的由实际数量差减去标准数量差,并得到数量差比较结果,该数量差比较结果为一数值。
进一步的,所述基于工业互联网的设备监控方法还包括以下步骤:
步骤S105,根据所述数量差比较结果,判断是否存在设备异常。
在本发明实施例中,根据数量差比较结果,判断实际数量差是否小于标准数量差,如果实际数量差小于所述标准数量差,则设备正常运行,所述实际数量差不小于所述标准数量差,则设备存在异常,并提醒工作人员对流水线电气设备进行检修。
具体的,图6示出了本发明实施例提供的方法中判断是否存在设备异常的流程图。
其中,根据所述数量差比较结果,判断是否存在设备异常具体包括以下步骤:
步骤S1051,根据所述数量差比较结果,判断实际数量差是否小于标准数量差。
步骤S1052,若所述实际数量差小于所述标准数量差,则设备正常运行。
步骤S1053,若所述实际数量差不小于所述标准数量差,则设备存在异常。
进一步的,图7示出了本发明实施例提供的系统的应用架构图。
其中,在本发明提供的又一个优选实施方式中,基于工业互联网的设备监控系统,包括:
获取监控视频单元101,用于基于工业互联网,实时获取流水线的监控视频,对所述监控视频进行产品识别,确定流水线上输送的产品类型。
在流水线车间内设置高清监控摄像头,且该高清监控摄像头置于流水线的上方,上述的高清监控摄像头具有储存功能以及视频上传功能,高清监控摄像头通过无线网或者数据传输线连入工业互联网(后台)中,打开获取监控视频单元101,可以实时获取高清监控摄像头对流水线的监控视频,且工业互联网会对流水线上输送的产品进行识别,以确定该产品的类型。
具体的,图8示出了本发明实施例提供的系统中获取监控视频单元101的结构框图。
其中,在本发明提供的优选实施方式中,所述获取监控视频单元101具体包括:
监控视频获取模块1011,用于基于工业互联网,实时获取流水线的监控视频。
逐帧图片获取模块1012,用于对所述监控视频进行初始化的逐帧处理,得到多个逐帧图片。
非流水线目标图像提取模块1014,用于对多个所述逐帧图片进行目标筛选,得到目标图片,并从所述目标图片中提取非流水线目标图像。
产品类型确定模块1014,用于基于预设的产品图像数据库,对所述非流水线目标图像进行产品识别,确定流水线上输送的产品类型。
在本发明实施例中,监控视频获取模块1011获取了预设时段的监控视频后,利用电脑对该预设时段的监控视频进行初始化的逐帧处理,得到若干个逐帧图片,这些逐帧图片中有些是包含着流水线以及产品,有些则只包含了流水线,因此为能够得到只包含产品的逐帧图片,还需要对上述的若干个逐帧图片进行筛选,并筛选出只包含有产品的逐帧图片,然后通过图像抽取技术将产品的轮廓从筛选出的指定逐帧图片中提取出来,得到所需非流水线目标图像(产品图像),之后调取后台中的预设产品图像数据库中的多张产品图像,且每张产品图像对应一个确定的产品类型,并将非流水线目标图像与这些产品图像逐个进行比较,在非流水线目标图像与数据库中的某一产品图像相同或者相似度极高时,确定非流水线目标图像中的产品与数据库中的该产品图像中的产品为同一产品,进一步的确定流水线上输送的产品类型。
进一步的,所述基于工业互联网的设备监控系统还包括:
产品类型匹配单元102,用于根据所述产品类型,匹配对应的标准数量差。
具体的,图9示出了本发明实施例提供的系统中产品类型匹配单元102的结构框图。
其中,在本发明提供的优选实施方式中,所述产品类型匹配单元102具体包括:
产品生产计划单调取模块1021,用于根据所述产品类型,获取产品生产计划单。
周期性通过数量范围获取模块1022,用于对所述产品生产计划单进行内容识别,获取所述产品类型的周期性通过数量范围。
标准数量差确定模块1023,用于将所述周期性通过数量范围中的最大值与最小值相减,得到标准数量差。
在本发明实施例中,在将产品投入生产线上生产之前,制定产品生产计划单,且该产品生产计划单包括不同产品类型的产品的生产目标及要求,上述的生产目标及要求可以包括有:产品在流水线上输送的速率、产品在指定时间内在流水线上通过的数量范围(周期性通过数量范围)等;
产品生产计划单调取模块1021根据流水线上确定的产品类型来调取数据库中的产品生产计划单,并对产品生产计划单进行内容识别,找出流水线上的产品类型所对应的产品生产目标及要求,并获取产品类型对应的周期性通过数量范围,之后工业互联网将确定的周期性通过数量范围中的最大值与最小值相减,得到标准数量差。
进一步的,所述基于工业互联网的设备监控系统还包括:
监控视频周期性分割单元103,用于将所述监控视频进行周期性分割处理,得到多个周期分割视频,识别并计算相邻的两个周期分割视频中产品通过数量的实际数量差。
具体的,图10示出了本发明实施例提供的系统中设备异常判断单元103的结构框图。
其中,在本发明提供的优选实施方式中,所述设备异常判断单元103具体包括:
监控视频分割模块1031,用于将所述监控视频进行周期性分割处理,得到多个周期分割视频。
产品通过数量识别模块1032,用于识别每个所述周期分割视频中的流水线上的产品通过数量。
实际数量差确定模块1033,用于将相邻的两个周期分割视频对应的产品通过数量相减,得到实际数量差。
进一步的,本基于工业互联网的设备监控系统还包括:
数量差比较单元104,用于将所述实际数量差与所述标准数量差进行比较,得到数量差比较结果。
在本发明实施例中,监控视频分割模块1031将监控视频周期性分割成两段或者两段以上,并得到两个或两个以上的周期分割视频,每段周期分割视频的时长相同,通过上述的色彩分布识别方法对每个周期分割视频中的流水线上的产品进行识别,并计算出每个周期分割视频中的流水线上的产品通过数量,之后将相邻的两个周期分割视频所识别出的产品通过数量相减,以得到实际数量差,该实际数量差可以为正数、也可以为负数,如果是负数,取其绝对值;
将实际数量差与标准数量差进行比较,优选的由实际数量差减去标准数量差,并得到数量差比较结果,该数量差比较结果为一数值。
进一步的,所述基于工业互联网的设备监控系统还包括:
设备异常判断单元105,用于根据所述数量差比较结果,判断是否存在设备异常,若所述实际数量差小于所述标准数量差,则设备正常运行,若所述实际数量差不小于所述标准数量差,则设备存在异常。
在本发明的实施例中,设备异常判断单元105根据数量差比较结果,判断实际数量差是否小于标准数量差,如果实际数量差小于所述标准数量差,则设备正常运行,所述实际数量差不小于所述标准数量差,则设备存在异常,并提醒工作人员对流水线电气设备进行检修。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
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,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于工业互联网的设备监控方法,其特征在于,所述方法具体包括以下步骤:
基于工业互联网,实时获取流水线的监控视频,对所述监控视频进行产品识别,确定流水线上输送的产品类型;
根据所述产品类型,匹配对应的标准数量差;
将所述监控视频进行周期性分割处理,得到多个周期分割视频,识别并计算相邻的两个周期分割视频中产品通过数量的实际数量差;
将所述实际数量差与所述标准数量差进行比较,得到数量差比较结果;
根据所述数量差比较结果,判断是否存在设备异常。
2.根据权利要求1所述的基于工业互联网的设备监控方法,其特征在于,所述基于工业互联网,实时获取流水线的监控视频,对所述监控视频进行产品识别,确定流水线上输送的产品类型的步骤包括:
基于工业互联网,实时获取流水线的监控视频;
对所述监控视频进行初始化的逐帧处理,得到多个逐帧图片;
对多个所述逐帧图片进行目标筛选,得到目标图片,并从所述目标图片中提取非流水线目标图像;
基于预设的产品图像数据库,对所述非流水线目标图像进行产品识别,确定流水线上输送的产品类型。
3.根据权利要求2所述的基于工业互联网的设备监控方法,其特征在于,所述基于预设的产品图像数据库,对所述非流水线目标图像进行产品识别,确定流水线上输送的产品类型的步骤包括:
对所述非流水线目标图像进行识别,获取产品色彩分布;
按照所述产品色彩分布,在预设的产品图像数据库中进行色彩分布匹配,确定目标匹配图像;
根据所述目标匹配图像,确定流水线上输送的产品类型。
4.根据权利要求1所述的基于工业互联网的设备监控方法,其特征在于,所述根据所述产品类型,匹配对应的标准数量差的步骤包括:
根据所述产品类型,获取产品生产计划单;
对所述产品生产计划单进行内容识别,获取所述产品类型的周期性通过数量范围;
将所述周期性通过数量范围中的最大值与最小值相减,得到标准数量差。
5.根据权利要求1所述的基于工业互联网的设备监控方法,其特征在于,所述将所述监控视频进行周期性分割处理,得到多个周期分割视频,识别并计算相邻的两个周期分割视频中产品通过数量的实际数量差的步骤包括:
将所述监控视频进行周期性分割处理,得到多个周期分割视频;
识别每个所述周期分割视频中的流水线上的产品通过数量;
将相邻的两个周期分割视频对应的产品通过数量相减,得到实际数量差。
6.根据权利要求1所述的基于工业互联网的设备监控方法,其特征在于,所述根据所述数量差比较结果,判断是否存在设备异常的步骤包括:
根据所述数量差比较结果,判断实际数量差是否小于标准数量差;
若所述实际数量差小于所述标准数量差,则设备正常运行;
若所述实际数量差不小于所述标准数量差,则设备存在异常。
7.基于工业互联网的设备监控系统,其特征在于,所述系统包括获取监控视频单元、产品类型匹配单元、监控视频周期性分割单元、数量差比较单元和设备异常判断单元,其中:
获取监控视频单元,用于基于工业互联网,实时获取流水线的监控视频,对所述监控视频进行产品识别,确定流水线上输送的产品类型;
产品类型匹配单元,用于根据所述产品类型,匹配对应的标准数量差;
监控视频周期性分割单元,用于将所述监控视频进行周期性分割处理,得到多个周期分割视频,识别并计算相邻的两个周期分割视频中产品通过数量的实际数量差;
数量差比较单元,用于将所述实际数量差与所述标准数量差进行比较,得到数量差比较结果;
设备异常判断单元,用于根据所述数量差比较结果,判断是否存在设备异常。
8.根据权利要求7所述的基于工业互联网的设备监控系统,其特征在于,所述获取监控视频单元具体包括:
监控视频获取模块,用于基于工业互联网,实时获取流水线的监控视频;
逐帧图片获取模块,用于对所述监控视频进行初始化的逐帧处理,得到多个逐帧图片;
非流水线目标图像提取模块,用于对多个所述逐帧图片进行目标筛选,得到目标图片,并从所述目标图片中提取非流水线目标图像;
产品类型确定模块,用于基于预设的产品图像数据库,对所述非流水线目标图像进行产品识别,确定流水线上输送的产品类型。
9.根据权利要求7所述的基于工业互联网的设备监控系统,其特征在于,所述产品类型匹配单元具体包括:
产品生产计划单调取模块,用于根据所述产品类型,获取产品生产计划单;
周期性通过数量范围获取模块,用于对所述产品生产计划单进行内容识别,获取所述产品类型的周期性通过数量范围;
标准数量差确定模块,用于将所述周期性通过数量范围中的最大值与最小值相减,得到标准数量差。
10.根据权利要求7所述的基于工业互联网的设备监控系统,其特征在于,所述监控视频周期性分割单元具体包括:
监控视频分割模块,用于将所述监控视频进行周期性分割处理,得到多个周期分割视频;
产品通过数量识别模块,用于识别每个所述周期分割视频中的流水线上的产品通过数量;
实际数量差确定模块,用于将相邻的两个周期分割视频对应的产品通过数量相减,得到实际数量差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311230639.4A CN117115751A (zh) | 2023-09-22 | 2023-09-22 | 基于工业互联网的设备监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311230639.4A CN117115751A (zh) | 2023-09-22 | 2023-09-22 | 基于工业互联网的设备监控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117115751A true CN117115751A (zh) | 2023-11-24 |
Family
ID=88812855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311230639.4A Pending CN117115751A (zh) | 2023-09-22 | 2023-09-22 | 基于工业互联网的设备监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115751A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180069823A1 (en) * | 2016-09-07 | 2018-03-08 | Facebook, Inc. | Detecting loss of data received at a data processing pipeline of an online system during a specified time interval |
CN108965826A (zh) * | 2018-08-21 | 2018-12-07 | 北京旷视科技有限公司 | 监控方法、装置、处理设备及存储介质 |
CN111144262A (zh) * | 2019-12-20 | 2020-05-12 | 北京容联易通信息技术有限公司 | 一种基于监控视频的工序异常检测方法 |
CN113674200A (zh) * | 2021-07-08 | 2021-11-19 | 浙江大华技术股份有限公司 | 流水线上物品的计数方法及装置、计算机存储介质 |
CN113793067A (zh) * | 2021-09-30 | 2021-12-14 | 广州佳帆计算机有限公司 | 流水线的包装资源调度方法 |
CN114359685A (zh) * | 2020-09-27 | 2022-04-15 | 顺丰科技有限公司 | 一种物流件识别模型的训练方法、装置以及设备 |
CN116758017A (zh) * | 2023-06-02 | 2023-09-15 | 北京工业大学 | 流水线上密集竖排的袋装食品精确数量与异常情况的视觉实时检测方法 |
-
2023
- 2023-09-22 CN CN202311230639.4A patent/CN117115751A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180069823A1 (en) * | 2016-09-07 | 2018-03-08 | Facebook, Inc. | Detecting loss of data received at a data processing pipeline of an online system during a specified time interval |
CN108965826A (zh) * | 2018-08-21 | 2018-12-07 | 北京旷视科技有限公司 | 监控方法、装置、处理设备及存储介质 |
CN111144262A (zh) * | 2019-12-20 | 2020-05-12 | 北京容联易通信息技术有限公司 | 一种基于监控视频的工序异常检测方法 |
CN114359685A (zh) * | 2020-09-27 | 2022-04-15 | 顺丰科技有限公司 | 一种物流件识别模型的训练方法、装置以及设备 |
CN113674200A (zh) * | 2021-07-08 | 2021-11-19 | 浙江大华技术股份有限公司 | 流水线上物品的计数方法及装置、计算机存储介质 |
CN113793067A (zh) * | 2021-09-30 | 2021-12-14 | 广州佳帆计算机有限公司 | 流水线的包装资源调度方法 |
CN116758017A (zh) * | 2023-06-02 | 2023-09-15 | 北京工业大学 | 流水线上密集竖排的袋装食品精确数量与异常情况的视觉实时检测方法 |
Non-Patent Citations (1)
Title |
---|
杨安: "关于生产实时监控的简单剖析", pages 1 - 2, Retrieved from the Internet <URL:https://www.elecfans.com/kongzhijishu/801941.html> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507147A (zh) | 智能巡检方法、装置、计算机设备和存储介质 | |
Bisheh et al. | A layer-by-layer quality monitoring framework for 3D printing | |
CN112929613B (zh) | 一种基于图像识别进行设备运维的巡检方法及系统 | |
CN114463296B (zh) | 基于单样本学习的轻量化部件缺陷检测方法 | |
Najeeb et al. | Dates maturity status and classification using image processing | |
CN111527387B (zh) | 用于识别构件的损伤的方法和系统 | |
US11640659B2 (en) | System and method for assessing the health of an asset | |
CN117115751A (zh) | 基于工业互联网的设备监控方法及系统 | |
CN114500574A (zh) | 一种基于区块链的提高粮库安全的监控方法、设备及介质 | |
KR20200023882A (ko) | 스마트 공장의 공정 데이터의 가공방법 | |
Flotzinger et al. | Building inspection toolkit: Unified evaluation and strong baselines for damage recognition | |
CN117173172A (zh) | 一种基于机器视觉的硅胶成型效果检测方法及系统 | |
CN112598666A (zh) | 一种基于卷积神经网络的电缆隧道异常检测方法 | |
US20230230224A1 (en) | Physics-informed anomaly detection in formed metal parts | |
Jiang et al. | Markov transition field and convolutional long short-term memory neural network for manufacturing quality prediction | |
CN113570003B (zh) | 基于注意力机制的特征融合缺陷检测方法及装置 | |
CN109299730B (zh) | 一种目标检测的分类模型建立方法、装置和目标检测设备 | |
CN112465747A (zh) | 一种输电杆塔金具锈蚀的智能识别方法 | |
CN112116195A (zh) | 基于实例分割的铁路梁生产工序识别方法 | |
CN110889395A (zh) | 基于机器学习的机械运动识别方法及系统 | |
KR102623979B1 (ko) | 마스킹 기반 딥러닝 이미지 분류 시스템 및 그 방법 | |
CN116166760B (zh) | 一种基于物联网的制程数据管理方法及系统 | |
CN116437057B (zh) | 乙硼烷生产监控系统的系统优化方法及系统 | |
Potturu | Machine learning applications for industry 4.0 predictive maintenance and high conformity quality control | |
JP6780576B2 (ja) | 解析手法提示システム、方法及びプログラム |
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 |