CN117232638B - 机器人振动检测方法及系统 - Google Patents
机器人振动检测方法及系统 Download PDFInfo
- Publication number
- CN117232638B CN117232638B CN202311517097.9A CN202311517097A CN117232638B CN 117232638 B CN117232638 B CN 117232638B CN 202311517097 A CN202311517097 A CN 202311517097A CN 117232638 B CN117232638 B CN 117232638B
- Authority
- CN
- China
- Prior art keywords
- vibration
- robot
- state
- event
- neural network
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 58
- 238000003062 neural network model Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000003384 imaging method Methods 0.000 abstract description 5
- 230000036039 immunity Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Manipulator (AREA)
Abstract
本发明公开了一种机器人振动检测方法及系统。该振动检测方法包括:通过事件相机获取机器人的振动事件流数据;通过完成训练的脉冲神经网络对所述振动事件流数据进行识别;根据识别结果判断所述机器人的振动状态是否正常,进而输出振动检测报告。本发明通过事件相机采集机器人的振动数据,事件相机具有高动态范围、低时延、克服成像的运动模糊、功耗极低等优点,可以完整的记录运动状态,获取完整的机器人振动事件流数据及对应的时间戳,提高了测量精度,同时降低了噪声的干扰,提升了算法的可靠性;通过脉冲神经网络的强大的抗噪能力和高精度的特征抽取能力,能够快速、准确的处理机器人振动事件流数据,同时保证了测量的准确性。
Description
技术领域
本发明属于机器人检测技术领域,更具体地,涉及一种机器人振动检测方法及系统。
背景技术
在电机的整个生命周期中,它以给定的频率振动,当电动机接近其寿命终点时,振动频率和振幅趋向于线性变化,直到电机发生故障;机器人是通过多个电机的驱动进行运动的,若电机产生不正常的振动将会影响机器人的运动精度和稳定性,故需要对机器人的振动进行检测。
目前常用的振动检测方法是用接触式传感器,如:速度传感器、加速度传感器,倾角传感器等检测机器人的振动,但是由于传感器需要安装在机器人上,对传感器的精度和抗干扰性要求极高,且安装极为复杂,其自身的重量也会影响检测结果。传统的视觉振动测量方法由于标准相机的成像基于采样率,物体运动时,标准相机受到采样频率的影响会丢失部分数据,当机器人与相机具有相对运动时,受到曝光时间等因素的影响,用标准相机获得的图像极易产生运动模糊,且拍摄时对环境的要求极高,拍摄范围受限,采用标准相机的视觉振动测量方法会极大的影响振动测量的精度。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明的目的是提出一种机器人振动检测方法及系统,实现无接触进行振动检测,通过事件相机能够获取完整的振动数据,提高了测量精度,同时降低了噪声的干扰,提升了算法的可靠性;通过脉冲神经网络能够快速准确的处理振动数据,保证了测量的准确性。
为实现上述目的,本发明提出了一种机器人振动检测方法及系统。
根据本发明的第一方面,提出了一种机器人振动检测方法,包括:
通过事件相机获取机器人的振动事件流数据;
通过完成训练的脉冲神经网络模型对所述振动事件流数据进行识别,并判断所述电机机器人的振动状态;
输出所述机器人的振动检测报告。
可选地,所述振动事件流数据包括:
每个振动事件的坐标地址、光照强度变化的极性和事件发生的时间戳。
可选地,所述脉冲神经网络模型的训练方法包括:
获取所述机器人的正常运行状态振动事件流训练样本;
提取所述正常运行状态振动事件流训练样本的正常运行状态振动特征;
将所述正常运行状态振动特征输入到所述脉冲神经网络模型;
通过监督学习算法对所述脉冲神经网络模型训练,使完成训练的所述脉冲神经网络模型能够根据所述振动事件流数据识别出所述机器人的振动状态。
可选地,提取所述正常运行状态振动特征的方法包括:
采用累积事件群方法对所述正常运行状态振动事件流训练样本进行处理,形成多个正常运行状态事件帧;
根据多个所述正常运行状态事件帧获取所述机器人的振动状态数据;
根据所述振动状态数据确定所述振动事件流数据中的表示所述振动状态数据的所有振动事件;
所有所述振动事件为所述正常运行状态振动特征。
可选地,还包括:
通过振动传感器获取所述机器人在正常运行状态下的振动状态数据,对所述振动状态数据进行编码,输入到所述脉冲神经网络模型进行训练。
可选地,所述振动状态数据包括:
振动频率和振幅。
可选地,还包括:
分别获取所述机器人在各种振动故障状态下的训练样本对所述脉冲神经网络模型进行训练。
可选地,所述振动检测报告包括:
所述机器人的振动状态、故障类型和故障发生时间。
可选地,所述脉冲神经网络模型为:
LIF脉冲神经网络模型。
根据本发明的第二方面,提出了一种机器人振动检测系统,,包括:
事件相机,用于拍摄机器人,获取所述机器人的振动事件流数据;
脉冲神经网络模块,用于通过完成训练的脉冲神经网络对所述振动事件流数据进行识别,并根据识别结果判断所述机器人的振动状态;
输出模块,用于输出所述机器人的振动检测报告。
本发明的有益效果在于:通过事件相机采集机器人的振动数据,事件相机具有高动态范围、低时延、克服成像的运动模糊、功耗极低等优点,可以完整的记录运动状态,获取完整的机器人振动事件流数据及对应的时间戳,提高了测量精度,同时降低了噪声的干扰,提升了算法的可靠性;通过脉冲神经网络的强大的抗噪能力和高精度的特征抽取能力,能够快速、准确的处理机器人振动事件流数据,同时保证了预测的准确性。
本发明的系统具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,在本发明示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的一种机器人振动检测方法的步骤的流程图。
图2示出了根据本发明的实施例2的一种机器人振动检测系统的示意图。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
如图1所示,根据本发明的一种机器人振动检测方法,包括:
通过事件相机获取机器人的振动事件流数据;
通过完成训练的脉冲神经网络对振动事件流数据进行识别;
根据识别结果判断机器人的振动状态是否正常,进而输出振动检测报告。
具体地,将事件相机固定在可以完整拍摄机器人的位置,对机器人的振动状态进行拍摄,事件相机通过检测每个像素的亮度变化来生成一个事件,例如通过DVS(动态视觉传感器)进行拍摄。事件相机不是以恒定速率输出强度图像帧,而是仅输出局部像素级亮度变化的相关信息,这些像素级亮度变化(称为事件)超过设定阈值时,事件相机以微秒级分辨率标记时间戳,并输出异步事件流数据,在整个相机视野内,只要有一个像素值变化,就会回传一个事件,这些所有的事件都是异步发生的,所以事件的时间戳均不相同,由于回传简单,所以和传统相机相比,它具有低时延的特性;事件相机的动态范围高达140 dB,远远优于 60 dB 的帧相机,既能在光照条件良好的白天工作,也能在光线较暗的夜晚采集视场中的动态信息;同时因其不受采样率限制,且其成像取决于光强的相对变化值,这使它在过曝光和欠曝光的状态下也能稳定清晰成像;当机器人振动时,会引起光强的变化,此时事件相机感应到亮度变化进而对机器人进行拍摄,来获取机器人的振动事件流数据,事件相机发出的一个事件就是一个脉冲信号,可以直接输入到脉冲神经网络进行识别,将机器人的振动事件流数据发送到完成训练的脉冲神经网络进行识别,进而判断机器人当前的振动状态是否正常,并根据判断结果输出振动检测报告。
在一个示例中,振动事件流数据包括:
像素的坐标地址,光照强度变化的极性和事件发生的时间戳。
具体地,事件相机的工作机制是当某个像素所处位置的亮度发生变化达到一定阈值时,相机就会回传一个事件,每个事件包括事件的像素坐标、事件发生的时间戳和光照强度变化的极性;振动事件流数据包括若干个机器人振动事件,每个事件以e=(t,x,y,p)的形式表示,其中,(x,y)为事件的坐标;t为时间戳,即事件发生的时间;p为事件的极性,取值为+1和-1,分别表示亮度的增加和减少。
在一个示例中,脉冲神经网络的训练方法包括:
获取机器人的正常运行状态振动事件流训练样本;
提取正常运行状态振动事件流训练样本的正常运行状态振动特征;
将正常运行状态振动特征输入到脉冲神经网络模型;
通过监督学习算法对脉冲神经网络模型训练,使完成训练的脉冲神经网络模型能够根据振动事件流数据识别出机器人的振动状态。
具体地,通过事件相机拍摄处于正常运行状态下的不同姿态时的机器人,拍摄过程中机器人只是进行振动,不进行移动且不进行摆臂、旋转等动作,获取多个机器人在不同姿态时的正常运行状态振动事件流作为训练样本,提取各训练样本中能够表示机器人处于正常振动状态的正常运行状态振动特征,将各训练样本的正常运行状态振动特征输入脉冲神经网络,通过监督学习算法进行训练,使完成训练的脉冲神经网络能够根据振动事件流数据识别出机器人的振动状态。
在一个示例中,提取正常运行状态振动特征的方法包括:
采用累积事件群方法对正常运行状态振动事件流训练样本进行处理,形成多个正常运行状态事件帧;
根据多个正常运行状态事件帧获取机器人的振动状态数据;
根据振动状态数据确定振动事件流数据中的表示振动状态数据的所有振动事件;
所有振动事件为正常运行状态振动特征。
具体地,为了使脉冲神经网络能够对机器人的振动状态进行识别,需要将能够表征机器人振动状态的特征的脉冲信号输入到脉冲神经网络进行训练,这就需要从振动事件流训练样本提取出能够表征机器人振动状态的特征的脉冲信号,采用累积事件群方法(group of events)对正常运行状态振动事件流训练样本进行处理,形成多个正常运行状态事件帧;基于group of events的处理方法可以理解为累积时间内的数据进行处理,由于单个事件携带的信息十分有限,这种累积事件群的处理方法极大地降低了噪声的干扰,提升了算法的可靠性,这种处理方法主要使用的数据表征方法包括事件帧、体栅格和3D点集;根据多个正常运行状态事件帧获取机器人的振动状态数据,例如通过多个正常运行状态事件帧获取机器人在最高位置处的处于机器人顶端的像素与机器人在最低位置时的处于机器人底端的像素,这两种像素表征机器人的振动幅度,在1秒内出现过多少个机器人在最高位置处的处于机器人顶端的像素或机器人在最低位置时的处于机器人底端的像素表征机器人的振动频率;通过振动状态数据来确定振动事件流数据中的能够表示振动状态数据的所有振动事件,即确定确定振动事件流数据中的能够表示振动状态数据的所有像素,每个像素可作为一个时间脉冲信号输入到脉冲神经网络中进行训练。
在一个示例中,还包括:通过振动传感器获取机器人在正常运行状态下的振动状态数据,对振动状态数据进行编码,将振动状态数据转化为脉冲信号后输入到脉冲神经网络模型进行训练。
具体地,除了通过事件相机获取训练样本,还可以通过振动传感器获取训练样本;首先通过振动传感器获取机器人在正常运行状态下的振动状态数据,振动状态数据即为训练样本,然后对振动状态数据进行编码,输入到脉冲神经网络模型进行训练。
在一个示例中,振动状态数据包括:
振动频率和振幅。
具体地,振动频率是物体每秒钟内振动循环的次数,国际单位是赫兹,频率是振动特性的标志,是分析振动原因的重要依据;振幅是在振动过程中振动的物理量离开平衡位置的最大值;通过振动频率和振幅可以对机器人的振动状态进行分析,其振动是否正常。
在一个示例中,还包括:
分别获取机器人在各种振动故障状态下的振动训练样本对脉冲神经网络模型进行训练。
具体地,机器人的振动不正常时往往意味着机器人出现了故障,不同的振动对应着不同的故障,为了可以让在脉冲神经网络模型对机器人的振动故障状态进行识别,可以分别获取机器人在不同振动故障状态下时的振动训练样本对脉冲神经网络模型进行训练,通过训练完成后的脉冲神经网络模型可以识别出机器人的振动状态是否正常,若不正常,可以直接识别出此时的振动状态对应的机器人故障。
例如,脉冲神经网络模型通过振动频率进行识别,当电机振动频率为50Hz时,设置为正常振动状态标签;当振动频率低于10Hz时,设置为低频振动故障标签;当振动频率处于10Hz~1000Hz时(不包括50Hz),设置为中频振动故障标签;当振动频率高于1000Hz时,设置为高频振动故障标签,当输入的事件流数据表征的电机振动频率为50Hz时,此时脉冲神经网络模型输出的结果为机器人为正常振动状态。
在一个示例中,振动检测报告包括:
机器人的振动状态、故障类型和故障发生时间。
具体地,振动检测报告的内容包括机器人的振动状态,即正常振动状态或故障振动状态,当为故障振动状态时,可以给出故障的类型,即故障的原因,以及故障发生的时间。
在一个示例中,脉冲神经网络模型为:
LIF脉冲神经网络模型。
具体地,LIF脉冲神经网络模型全称为Leaky intergrate and Fired Model,当脉冲到来时,会积累强度,但强度会随着时间进行衰减,当达到阈值时会激活。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1:
本实施例提供了一种机器人振动检测方法,包括:
固定DVS,使其能够完整的拍摄整个机器人;
当机器人产生振动时,通过DVS获取机器人的振动事件流数据;
振动事件流数据包括每个事件的坐标地址、光照强度变化的极性和事件发生的时间戳,每个事件以e=(t,x,y,p)的形式表示,其中,(x,y)为事件的坐标;t为时间戳,即事件发生的时间;p为事件的极性,取值为+1和-1,分别表示亮度的增加和减少;
通过完成训练的脉冲神经网络对振动事件流数据进行识别,脉冲神经网络的训练方法包括:通过事件相机拍摄处于正常运行状态下的不同姿态时的机器人,拍摄过程中机器人只是进行振动,不进行移动且不进行摆臂、旋转等动作,获取多个机器人在不同姿态时的正常运行状态振动事件流作为训练样本,提取各训练样本中能够表示机器人处于正常振动状态的正常运行状态振动特征,为了使脉冲神经网络能够对机器人的振动状态进行识别,需要将能够表征机器人振动状态的特征的脉冲信号输入到脉冲神经网络进行训练,这就需要从振动事件流训练样本提取出能够表征机器人振动状态的特征的脉冲信号,采用累积事件群方法(group of events)对正常运行状态振动事件流训练样本进行处理,形成多个正常运行状态事件帧;根据多个正常运行状态事件帧获取机器人的振动状态数据,即振动频率和振幅,通过振动状态数据来确定振动事件流数据中的能够表示振动状态数据的所有振动事件,即确定确定振动事件流数据中的能够表示振动状态数据的所有像素,每个像素可作为一个时间脉冲信号输入到脉冲神经网络中进行训练;将各训练样本的正常运行状态振动特征输入脉冲神经网络,通过监督学习算法进行训练,使完成训练的脉冲神经网络能够根据振动事件流数据识别出机器人的振动状态;还可以分别获取机器人在不同振动故障状态下时的振动训练样本对脉冲神经网络模型进行训练,通过训练完成后的脉冲神经网络模型可以识别出机器人的振动状态是否正常,若不正常,可以直接识别出此时的振动状态对应的机器人故障;
根据识别结果输出振动检测报告,振动检测报告包括机器人的振动状态,即正常振动状态或故障振动状态,当为故障振动状态时,可以给出故障的类型及故障原因,以及故障发生的时间。
实施例2:
如图2所示,本实施例提供了一种机器人振动检测系统,用于执行实施例1所述的机器人振动检测方法,包括:
事件相机,选用动态视觉传感器,用于机器人的振动事件流数据;振动事件流数据包括:像素的坐标地址,光照强度变化的极性和事件发生的时间戳;
脉冲神经网络模型,用于对振动事件流数据进行识别,并根据识别结果判断机器人的振动状态是否正常;
输出模块,用于输出振动检测报告;振动检测报告包括机器人的振动状态,即正常振动状态或故障振动状态,当为故障振动状态时,可以给出故障的类型及故障原因,以及故障发生的时间。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (8)
1.一种机器人振动检测方法,其特征在于,包括:
通过事件相机获取机器人的振动事件流数据;
通过完成训练的脉冲神经网络模型对所述振动事件流数据进行识别,并判断所述机器人的振动状态;
输出所述机器人的振动检测报告;
所述脉冲神经网络模型的训练方法包括:
获取所述机器人的正常运行状态振动事件流训练样本;
提取所述正常运行状态振动事件流训练样本的正常运行状态振动特征;
将所述正常运行状态振动特征输入到所述脉冲神经网络模型;
通过监督学习算法对所述脉冲神经网络模型训练,使完成训练的所述脉冲神经网络模型能够根据所述振动事件流数据识别出所述机器人的振动状态;
提取所述正常运行状态振动特征的方法包括:
采用累积事件群方法对所述正常运行状态振动事件流训练样本进行处理,形成多个正常运行状态事件帧;
根据多个所述正常运行状态事件帧获取所述机器人的振动状态数据;
根据所述振动状态数据确定所述振动事件流数据中的表示所述振动状态数据的所有振动事件;
所有所述振动事件为所述正常运行状态振动特征。
2.根据权利要求1所述的机器人振动检测方法,其特征在于,所述振动事件流数据包括:
每个振动事件的坐标地址、光照强度变化的极性和事件发生的时间戳。
3.根据权利要求1所述的机器人振动检测方法,其特征在于,还包括:
通过振动传感器获取所述机器人在正常运行状态下的振动状态数据,对所述振动状态数据进行编码,输入到所述脉冲神经网络模型进行训练。
4.根据权利要求3所述的机器人振动检测方法,其特征在于,所述振动状态数据包括:
振动频率和振幅。
5.根据权利要求4所述的机器人振动检测方法,其特征在于,还包括:
分别获取所述机器人在各种振动故障状态下的训练样本对所述脉冲神经网络模型进行训练。
6.根据权利要求1所述的机器人振动检测方法,其特征在于,所述振动检测报告包括:
所述机器人的振动状态、故障类型和故障发生时间。
7.根据权利要求1所述的机器人振动检测方法,其特征在于,所述脉冲神经网络模型为:
LIF脉冲神经网络模型。
8.一种机器人振动检测系统,其特征在于,包括:
事件相机,用于拍摄机器人,获取所述机器人的振动事件流数据;
脉冲神经网络模块,用于通过完成训练的脉冲神经网络对所述振动事件流数据进行识别,并根据识别结果判断所述机器人的振动状态;
输出模块,用于输出所述机器人的振动检测报告;
所述脉冲神经网络模型的训练方法包括:
获取所述机器人的正常运行状态振动事件流训练样本;
提取所述正常运行状态振动事件流训练样本的正常运行状态振动特征;
将所述正常运行状态振动特征输入到所述脉冲神经网络模型;
通过监督学习算法对所述脉冲神经网络模型训练,使完成训练的所述脉冲神经网络模型能够根据所述振动事件流数据识别出所述机器人的振动状态;
提取所述正常运行状态振动特征的方法包括:
采用累积事件群方法对所述正常运行状态振动事件流训练样本进行处理,形成多个正常运行状态事件帧;
根据多个所述正常运行状态事件帧获取所述机器人的振动状态数据;
根据所述振动状态数据确定所述振动事件流数据中的表示所述振动状态数据的所有振动事件;
所有所述振动事件为所述正常运行状态振动特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311517097.9A CN117232638B (zh) | 2023-11-15 | 2023-11-15 | 机器人振动检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311517097.9A CN117232638B (zh) | 2023-11-15 | 2023-11-15 | 机器人振动检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117232638A CN117232638A (zh) | 2023-12-15 |
CN117232638B true CN117232638B (zh) | 2024-02-20 |
Family
ID=89084702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311517097.9A Active CN117232638B (zh) | 2023-11-15 | 2023-11-15 | 机器人振动检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117232638B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118395353B (zh) * | 2024-06-25 | 2024-09-03 | 常州检验检测标准认证研究院 | 基于神经网络的机器人振动异常检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112504429A (zh) * | 2020-11-24 | 2021-03-16 | 姚峰 | 一种强干扰dvs的高精度解调算法 |
CN112699956A (zh) * | 2021-01-08 | 2021-04-23 | 西安交通大学 | 一种基于改进脉冲神经网络的神经形态视觉目标分类方法 |
CN114565079A (zh) * | 2022-02-24 | 2022-05-31 | 深圳时识科技有限公司 | 空时域脉冲神经网络训练方法、芯片及电子产品 |
CN115683235A (zh) * | 2022-12-28 | 2023-02-03 | 常州检验检测标准认证研究院 | 一种工业机器人伺服电机振动故障检测方法及装置 |
CN115790810A (zh) * | 2022-11-15 | 2023-03-14 | 深圳锐视智芯科技有限公司 | 基于事件相机的振动测量方法、装置、设备及存储介质 |
CN116448226A (zh) * | 2023-03-01 | 2023-07-18 | 武汉大学 | 基于事件相机的振动感知方法及系统 |
WO2023151289A1 (zh) * | 2022-02-09 | 2023-08-17 | 苏州浪潮智能科技有限公司 | 情感识别方法、训练方法、装置、设备、存储介质及产品 |
CN116734980A (zh) * | 2023-05-13 | 2023-09-12 | 西安交通大学 | 基于事件相机的非接触式机械振动监测与故障诊断方法 |
CN116843662A (zh) * | 2023-07-10 | 2023-10-03 | 西安交通大学 | 一种基于动态视觉与类脑计算的非接触式故障诊断方法 |
WO2023193670A1 (zh) * | 2022-04-07 | 2023-10-12 | 之江实验室 | 基于事件相机的脉冲神经网络目标跟踪方法及系统 |
-
2023
- 2023-11-15 CN CN202311517097.9A patent/CN117232638B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112504429A (zh) * | 2020-11-24 | 2021-03-16 | 姚峰 | 一种强干扰dvs的高精度解调算法 |
CN112699956A (zh) * | 2021-01-08 | 2021-04-23 | 西安交通大学 | 一种基于改进脉冲神经网络的神经形态视觉目标分类方法 |
WO2023151289A1 (zh) * | 2022-02-09 | 2023-08-17 | 苏州浪潮智能科技有限公司 | 情感识别方法、训练方法、装置、设备、存储介质及产品 |
CN114565079A (zh) * | 2022-02-24 | 2022-05-31 | 深圳时识科技有限公司 | 空时域脉冲神经网络训练方法、芯片及电子产品 |
WO2023193670A1 (zh) * | 2022-04-07 | 2023-10-12 | 之江实验室 | 基于事件相机的脉冲神经网络目标跟踪方法及系统 |
CN115790810A (zh) * | 2022-11-15 | 2023-03-14 | 深圳锐视智芯科技有限公司 | 基于事件相机的振动测量方法、装置、设备及存储介质 |
CN115683235A (zh) * | 2022-12-28 | 2023-02-03 | 常州检验检测标准认证研究院 | 一种工业机器人伺服电机振动故障检测方法及装置 |
CN116448226A (zh) * | 2023-03-01 | 2023-07-18 | 武汉大学 | 基于事件相机的振动感知方法及系统 |
CN116734980A (zh) * | 2023-05-13 | 2023-09-12 | 西安交通大学 | 基于事件相机的非接触式机械振动监测与故障诊断方法 |
CN116843662A (zh) * | 2023-07-10 | 2023-10-03 | 西安交通大学 | 一种基于动态视觉与类脑计算的非接触式故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117232638A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117232638B (zh) | 机器人振动检测方法及系统 | |
KR102668130B1 (ko) | 이벤트 카메라를 이용한 정적 이미지들의 생성 | |
WO2019066563A1 (en) | DETERMINATION AND FOLLOW-UP OF CAMERA INSTALLATION | |
US7982774B2 (en) | Image processing apparatus and image processing method | |
US8922674B2 (en) | Method and system for facilitating color balance synchronization between a plurality of video cameras and for obtaining object tracking between two or more video cameras | |
CN101179725A (zh) | 一种运动检测方法与装置 | |
CN113766143B (zh) | 光检测芯片、图像处理装置及其运作方法 | |
KR20130119706A (ko) | 이미지 센서를 이동시켜 영상 블러 현상을 보상하는 방법 및 시스템 | |
CN111830039B (zh) | 一种智能化的产品质量检测方法及装置 | |
CN108364306B (zh) | 一种高速周期运动的视觉实时检测方法 | |
WO2019026457A1 (ja) | 画像監視装置、画像監視方法、画像監視プログラムおよび記録媒体 | |
CN103096117A (zh) | 视频噪声检测方法及装置 | |
CN106611165B (zh) | 一种基于相关滤波和颜色匹配的汽车车窗检测方法及装置 | |
JP2009205642A (ja) | 車両速度判定装置および車両速度判定方法 | |
JP2019176424A (ja) | 画像処理装置、撮像装置、画像処理装置の制御方法、および、撮像装置の制御方法 | |
JP7384158B2 (ja) | 画像処理装置、移動装置、および方法、並びにプログラム | |
CN111369578A (zh) | 云台异动智能跟踪方法及其系统 | |
CN110675393A (zh) | 一种基于机器视觉的坯料规格检测方法 | |
JPH08313454A (ja) | 画像処理装置 | |
US7755665B2 (en) | Method and apparatus for automatic recognition of the relative motion direction of an object relative to a multiline camera | |
CN101447083A (zh) | 基于时空相关特征的运动目标免信标视觉测量技术 | |
JPH0652311A (ja) | 画像処理方法 | |
CN112098092A (zh) | 一种结合深度学习和机器视觉的滚动轴承振动测量方法 | |
JP3035578B2 (ja) | 検査条件決定装置、検査装置及びシャッタ速度決定装置 | |
KR200190210Y1 (ko) | 움직임 영상 검지장치 |
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 |