CN117456519A - 一种用于工控安全的仿真光电靶标装置及其仿真方法 - Google Patents
一种用于工控安全的仿真光电靶标装置及其仿真方法 Download PDFInfo
- Publication number
- CN117456519A CN117456519A CN202311781927.9A CN202311781927A CN117456519A CN 117456519 A CN117456519 A CN 117456519A CN 202311781927 A CN202311781927 A CN 202311781927A CN 117456519 A CN117456519 A CN 117456519A
- Authority
- CN
- China
- Prior art keywords
- simulation
- edge
- image
- blade
- images
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000003708 edge detection Methods 0.000 claims abstract description 4
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000005299 abrasion Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 claims description 4
- 230000005693 optoelectronics Effects 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003818 cinder Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06V20/60—Type of objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/70—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
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及工控安全仿真的领域，尤其涉及一种用于工控安全的仿真光电靶标装置及其仿真方法，方法包括步骤：获取叶片运行俯视角度的视频流，对视频流抽帧得到多张帧图像，将帧图像转化为灰度图像；对灰度图像进行边缘检测得到边缘图像，对边缘图像进行去噪处理得到仅包含叶片边缘的叶片边缘图像；对叶片边缘图像分类处理后得到仿真图像集；对仿真图像集中的叶片边缘图像按时间顺序排序，获取相邻时间的叶片边缘图像像素值差值的绝对值，得到对比矩阵；将对比矩阵中的局部最大值作为故障点，在仿真光电标靶中显示故障点。本申请对设备运行的故障仿真为人员提供培训，以确保设备故障的及时诊断。
Description
技术领域
本申请涉及工控安全仿真的领域，尤其涉及一种用于工控安全的仿真光电靶标装置及其仿真方法。
背景技术
工控场景仿真技术通过对实际工控系统进行建模和模拟，实现对系统的分析、优化和调试。在火力发电领域，用于工控安全的仿真光电靶标装置可以模拟各种工控系统的攻击场景，以检验系统的安全防护能力；也可以对火力发电厂的关键设备（如锅炉、螺旋传送机、汽轮机、发电机等）进行实时的监控，来确保其安全稳定运行。通过对监控系统进行仿真演练，可以为运行人员提供培训，提高运行人员的技能和应对突发状况的能力。
以火电厂的螺旋传送机故障监测系统为例，螺旋传送机是火力发电厂中常见的一种设备，通过叶片的转动输送煤渣等物料，叶片长期运行过程中容易发生磨损、破损等损坏，叶片损坏直接影响传送机的性能，导致故障。因此对螺旋传送机的叶片磨损进行检测是非常必要的。需要一种仿真方法，通过仿真螺旋传输机的出现故障的情况为运行人员提供培训，确保设备故障的及时诊断和处理，维护火力发电厂的安全运行。
发明内容
为了仿真螺旋传输机的出现故障的情况可以为运行人员提供培训，本申请提供用于工控安全的仿真光电靶标装置及其仿真方法。
第一方面，本申请提供用于工控安全的仿真光电靶标装置的仿真方法，采用如下的技术方案：
S1，获取叶片运行俯视角度的视频流，对所述视频流抽帧得到多张帧图像，将所述帧图像转化为灰度图像；S2，对所述灰度图像进行边缘检测得到边缘图像，对所述边缘图像进行去噪处理得到仅包含叶片边缘的叶片边缘图像；S3，对所述叶片边缘图像分类处理后得到仿真图像集；S4，对所述仿真图像集中的叶片边缘图像按时间顺序排序，获取相邻时间的叶片边缘图像像素值差值的绝对值，得到对比矩阵；S5，将所述对比矩阵中的局部最大值作为故障点，在仿真光电标靶中显示故障点；S6，根据故障点判断磨损类型为破损或磨损，若为破损生成第一标记，若为磨损生成第二标记。
可选的，对所述视频流抽帧得到多张帧图像中，抽取间隔满足多项式：，其中，/>为抽取间隔，/>为叶片转速，/>为视频流的帧率。
可选的，对所述边缘图像进行去噪处理得到仅包含叶片边缘的叶片边缘图像，包括：确定边缘图像中的所述叶片边缘，将所述叶片边缘像素点标记为1，其余像素点标记为0，得到叶片边缘分割图；将所述叶片边缘分割图与所述灰度图像相乘，得到所述叶片边缘图像。
可选的，确定边缘图像中的所述叶片边缘，包括步骤：将同一张所述边缘图像任意一条边缘作为参照边缘，其余边缘作为目标边缘，计算所述参照边缘与每一条所述目标边缘的平行系数，平行系数满足关系式：，其中，/>为参照边缘与目标边缘的平行系数，/>为参照边缘上/>点到目标边缘的最小距离，为参照边缘上/>点到目标边缘的所有距离，/>为/>的个数；响应于所述平行系数小于0.1，则所述目标边缘与所述参照边缘为一对平行边缘，遍历所有的所述目标边缘，响应于所述目标边缘的数量与所述参照边缘的数量之和等于叶片的层数，得到全部的所述叶片边缘。
可选的，对所述叶片边缘图像分类处理后得到仿真图像集，包括步骤：对多张所述边缘图像进行二分类组成一个图像集合；根据聚类算法对所述图像集合进行聚类，得到仿真图像集及干扰图像，去除所述干扰图像，其中，聚类算法的输入为所述图像集合，输出的孤立点为干扰图像，聚类簇内样本个数最多的为仿真图像，生成仿真图像集；根据聚类算法对图像集合进行聚类，得到仿真图像集及干扰图像，去除干扰图像，其中，聚类算法的输入为图像集合，输出中的孤立点为干扰图像，聚类簇内样本个数最多的为仿真图像集。
可选的，所述聚类算法中距离函数为：，/>与/>分别为两个不同的所述叶片边缘图像的任意像素点。
可选的，将所述对比矩阵中的局部最大值作为故障点，包括：确定任意一个像素点为传播中心，任意一个非传播中心的像素点与传播中心组成一个传播链，所述传播链上的所有像素点的值满足下述关系式：，/>，其中，/>为成链系数，/>为传播链上第/>个像素点的值，/>为传播链上第/>个像素点的值，/>为附属点判断系数，响应于所述附属点判断系数为1时，则构成一个所述传播链；响应于任意一个像素点的八邻域方向上均存在所述传播链，则任意一点为所述故障点。
第二方面，本申请提供一种用于工控安全的仿真光电靶标装置，采用如下的技术方案：
一种用于工控安全的仿真光电靶标装置，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据上述的用于工控安全的仿真光电靶标装置的仿真方法。
本申请具有以下技术效果：
本申请以螺旋输送机的叶片磨损监测为应用场景，通过仿真螺旋传输机的出现故障的情况为运行人员提供培训，人员可以通过培训判断故障类型，提高设备故障发现的及时诊断的概率，维护火力发电厂的安全运行。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分。
图1是本申请实施例一种用于工控安全的仿真光电靶标装置的仿真方法的方法流程图。
图2是本申请实施例一种用于工控安全的仿真光电靶标装置的仿真方法的方法中示出螺旋输送机内叶片的俯视图。
图3是本申请实施例一种用于工控安全的仿真光电靶标装置的仿真方法中S2方法流程图。
图4是本申请实施例一种用于工控安全的仿真光电靶标装置的仿真方法中步骤S20方法流程图。
图5是本申请实施例一种用于工控安全的仿真光电靶标装置的仿真方法中步骤S3方法流程图。
图6是本申请实施例一种用于工控安全的仿真光电靶标装置的仿真方法中步骤S5方法流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应当理解，当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请实施例公开一种用于工控安全的仿真光电靶标装置的仿真方法，参照图1，包括步骤S1-步骤S6，具体如下：
S1：获取叶片运行俯视角度的视频流，对视频流抽帧得到多张帧图像，将帧图像转化为灰度图像。
参照图2，螺旋输送机上方开口设置，在螺旋输送机垂直上方放置一个摄像头，拍摄运行状态下螺旋输送机俯视角度的视频流，对视频流抽帧，并将各帧转化为灰度图像，灰度图像中包含了螺旋输送机输送管道的叶片部分、壳体部分及背景部分。
抽取间隔满足多项式：，其中，/>为抽取间隔，/>为叶片转速，/>为视频流的帧率。
当螺旋输送机出现磨损时，会导致螺旋输送机叶片部分的边界出现磨损。且螺旋输送机的传送过程为匀速传送，叶片会周期性的转动，且周期为转动叶片旋转一圈所用的时间。对叶片的相同位置进行对比，即选取叶片相同位置的图片进行对比。
S2：对灰度图像进行边缘检测得到边缘图像，对边缘图像进行去噪处理得到仅包含叶片边缘的叶片边缘图像。参照图3，步骤S2包括步骤S20-步骤S21，具体如下：
S20：确定边缘图像中的叶片边缘，将叶片边缘像素点标记为1，其余像素点标记为0，得到叶片边缘分割图。
参照图4，步骤S20包括步骤S200-步骤S201，具体如下：
S200：将同一张边缘图像任意一条边缘作为参照边缘，其余边缘作为目标边缘，计算参照边缘与每一条目标边缘的平行系数。
平行系数满足关系式：，/>，其中，/>为参照边缘与目标边缘的平行系数，/>为参照边缘上/>点到目标边缘的最小距离，/>为参照边缘上/>点到目标边缘的所有距离，/>为/>的个数。
S201：响应于平行系数小于0.1，则目标边缘与参照边缘为一对平行边缘，遍历所有的目标边缘，响应于目标边缘的数量与参照边缘的数量之和等于叶片的层数，得到全部的叶片边缘。
S21：将叶片边缘分割图与灰度图像相乘，得到叶片边缘图像。
S3：对叶片边缘图像分类处理后得到仿真图像集。参照图5，步骤S3包括步骤S30-步骤S31，具体如下：
在实际生产过程中，煤块受到叶片的搅动，其中较轻的煤粒会飞舞在叶片表面，干扰本发明实施例对叶片磨损系数计算的精确程度。
S30：对多张边缘图像进行二分类组成一个图像集合。
对得到的若干张边缘图像进行二分类，可以使用图像分类算法，如支持向量机（SVM）、卷积神经网络（CNN）等。分类的依据可以是叶片边缘的形状、纹理等特征。分类结果将叶片边缘图像分为两类：正常叶片边缘和异常叶片边缘。将所有分类后的叶片边缘图像组成一个图像集合，图像集合包含了所有正常和异常的叶片边缘图像。
S31：根据聚类算法对图像集合进行聚类，得到仿真图像集及干扰图像，去除干扰图像，其中，聚类算法的输入为图像集合，输出的孤立点为干扰图像，聚类簇内样本个数最多的为仿真图像，生成仿真图像集。
聚类算法中距离函数为：，/>与/>分别为两个不同的叶片边缘图像的任意像素点。
聚类算法选用DBSCAN（Density-Based Spatial Clustering of Applicationswith Noise，基于密度的空间聚类算法），DBSCAN的最小聚类样本个数为3，最小可到密度为5，最小可到密度决定了聚类的紧密程度。
S4：对仿真图像集中的叶片边缘图像按时间顺序排序，获取相邻时间的叶片边缘图像像素值差值的绝对值，得到对比矩阵。
将仿真图像集中的仿真图像按照时间先后顺序排列，并将相邻的仿真图像进行相减，时间靠前的仿真图像减去时间靠后的仿真图像并保留绝对值，得到对比矩阵，根据仿真图像集对应得到对比矩阵序列。该步骤可以最大程度的保留叶片的变化，方便后续计算。
S5：将对比矩阵中的局部最大值作为故障点，在仿真光电标靶中显示故障点。
为了实现对叶片边缘图中出现磨损位置的追踪，首先需要确定故障点。故障点为对比矩阵中的局部最大值点，局部最大值点是指在一定范围内，像素值最大的点，为了确定局部最大值点，可以构建梯度范围，梯度范围是指图像中像素值变化的范围。通过计算像素点周围的梯度，可以确定梯度范围，进而找到局部最大值点。
本申请采用病毒式传播方式确定故障点，参照图6，步骤S5包括步骤S50-步骤S51，具体如下：
S50：确定任意一个像素点为传播中心，任意一个非传播中心的像素点与传播中心组成一个传播链。
传播链上的所有像素点的值满足下述关系式：，，其中，为成链系数，为传播链上第个像素点的值，为传播链上第个像素点的值，为附属点判断系数，响应于附属点判断系数为1时，则构成一个传播
链。
S51：响应于任意一个像素点的八邻域方向上均存在传播链，则任意一点为故障点。
八邻域是指一个像素点的周围八个像素点组成的邻域。具体的，包括了该像素点的上、下、左、右和四个对角线方向上的相邻像素点。
将对比矩阵中的局部最大值识别为潜在的故障点，并在仿真光电标靶中进行标记并在仿真光电标靶的显示屏上显示。
S6：根据故障点判断磨损类型为破损或磨损，若为破损生成第一标记，若为磨损生成第二标记。
以叶片边缘图像中的一个像素点为例，在仿中图像集中标记该像素点的位置，并提取该像素点的像素值，按照时间顺序排列构成像素值序列，将像素值序列投入MATLAB模型中，得到一条叶片磨损直线，计算该直线斜率。
当直线斜率大于0.5时，说明该点可能出现了破损，需要更换叶片，仿真光电靶标中对应位置显示第一标记，第一标记为红色的高亮标记。当直线斜率大于0.3小于或等于0.5时，说明该点出现磨损，需要维修，仿真光电靶标中对应位置显示第二标记，第二标记为黄色的高亮标记。当直线斜率小于0.3时，说明该点可能出现微小损伤，可以忽略不计，不显示标记。通过上述仿真方法，对培训人员进行故障判断的培训，红色标记为需要更换，黄色标记情况为需要维护。
本申请实施例还公开一种用于工控安全的仿真光电靶标装置，包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本申请的用于工控安全的仿真光电靶标装置的仿真方法。
上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本申请中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（ResistiveRandomAccessMemory）、动态随机存取存储器DRAM（DynamicRandomAccessMemory）、静态随机存取存储器SRAM（StaticRandom-AccessMemory）、增强动态随机存取存储器EDRAM（EnhancedDynamicRandomAccessMemory）、高带宽内存HBM（High-BandwidthMemory）、混合存储立方HMC（HybridMemoryCube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
虽然本说明书已经示出和描述了本申请的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中，可以采用对本文所描述的本申请实施例的各种替代方案。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (8)
1.一种用于工控安全的仿真光电靶标装置的仿真方法，其特征在于，包括步骤：
S1，获取叶片运行俯视角度的视频流，对所述视频流抽帧得到多张帧图像，将所述帧图像转化为灰度图像；
S2，对所述灰度图像进行边缘检测得到边缘图像，对所述边缘图像进行去噪处理得到仅包含叶片边缘的叶片边缘图像；
S3，对所述叶片边缘图像分类处理后得到仿真图像集；
S4，对所述仿真图像集中的叶片边缘图像按时间顺序排序，获取相邻时间的叶片边缘图像像素值差值的绝对值，得到对比矩阵；
S5，将所述对比矩阵中的局部最大值作为故障点，在仿真光电标靶中显示故障点；
S6，根据故障点判断磨损类型为破损或磨损，若为破损生成第一标记，若为磨损生成第二标记。
2.根据权利要求1所述的用于工控安全的仿真光电靶标装置的仿真方法，其特征在于，对所述视频流抽帧得到多张帧图像中，抽取间隔满足多项式：
；
其中，为抽取间隔，/>为叶片转速，/>为视频流的帧率。
3.根据权利要求1所述的用于工控安全的仿真光电靶标装置的仿真方法，其特征在于，对所述边缘图像进行去噪处理得到仅包含叶片边缘的叶片边缘图像，包括：
确定边缘图像中的所述叶片边缘，将所述叶片边缘的像素点标记为1，其余像素点标记为0，得到叶片边缘分割图；
将所述叶片边缘分割图与所述灰度图像相乘，得到所述叶片边缘图像。
4.根据权利要求3所述的用于工控安全的仿真光电靶标装置的仿真方法，其特征在于，确定边缘图像中的所述叶片边缘，包括步骤：
将同一张所述边缘图像任意一条边缘作为参照边缘，其余边缘作为目标边缘，计算所述参照边缘与每一条所述目标边缘的平行系数，所述平行系数满足关系式：
；
；
其中，为所述参照边缘与所述目标边缘的平行系数，/>为所述参照边缘上/>点到所述目标边缘的最小距离，/>为所述参照边缘上/>点到所述目标边缘的所有距离，/>为/>的个数；
响应于所述平行系数小于0.1，则所述目标边缘与所述参照边缘为一对平行边缘，遍历所有的所述目标边缘，响应于所述目标边缘的数量与所述参照边缘的数量之和等于叶片的层数，得到全部的所述叶片边缘。
5.根据权利要求1所述的用于工控安全的仿真光电靶标装置的仿真方法，其特征在于，对所述叶片边缘图像分类处理后得到仿真图像集，包括步骤：
对多张所述边缘图像进行二分类组成一个图像集合；
根据聚类算法对所述图像集合进行聚类，得到仿真图像集及干扰图像，去除所述干扰图像，其中，聚类算法的输入为所述图像集合，输出的孤立点为干扰图像，聚类簇内样本个数最多的为仿真图像，生成仿真图像集。
6.根据权利要求5所述的用于工控安全的仿真光电靶标装置的仿真方法，其特征在于，所述聚类算法中距离函数为：，/>与/>分别为两个不同的所述叶片边缘图像的任意像素点。
7.根据权利要求1所述的用于工控安全的仿真光电靶标装置的仿真方法，其特征在于，将所述对比矩阵中的局部最大值作为故障点，包括：
确定任意一个像素点为传播中心，任意一个非传播中心的像素点与传播中心组成一个传播链，所述传播链上的所有像素点的值满足下述关系式：
；
；
其中，为成链系数，/>为传播链上第/>个像素点的值，/>为传播链上第/>个像素点的值，/>为附属点判断系数，响应于所述附属点判断系数为1时，则构成一个所述传播链；
响应于任意一个像素点的八邻域方向上均存在所述传播链，则任意一点为所述故障点。
8.一种用于工控安全的仿真光电靶标装置，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-7任一项所述的用于工控安全的仿真光电靶标装置的仿真方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311781927.9A CN117456519B (zh) | 2023-12-22 | 2023-12-22 | 一种用于工控安全的仿真光电靶标装置及其仿真方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311781927.9A CN117456519B (zh) | 2023-12-22 | 2023-12-22 | 一种用于工控安全的仿真光电靶标装置及其仿真方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117456519A true CN117456519A (zh) | 2024-01-26 |
| CN117456519B CN117456519B (zh) | 2024-03-12 |
Family
ID=89585925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311781927.9A Active CN117456519B (zh) | 2023-12-22 | 2023-12-22 | 一种用于工控安全的仿真光电靶标装置及其仿真方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117456519B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201329A (zh) * | 2007-10-16 | 2008-06-18 | 西安交通大学 | 基于射线衰减能量场的无损检测缺陷提取、识别方法 |
| CN101893580A (zh) * | 2010-06-10 | 2010-11-24 | 北京交通大学 | 基于数字图像的钢轨表面缺陷检测方法 |
| US20110090371A1 (en) * | 2009-10-20 | 2011-04-21 | Apple Inc. | System and method for detecting and correcting defective pixels in an image sensor |
| CN102495069A (zh) * | 2011-12-07 | 2012-06-13 | 广东辉丰科技股份有限公司 | 一种基于数字图像处理的拉链链带缺陷检测方法 |
| WO2013089809A2 (en) * | 2011-12-16 | 2013-06-20 | Rivas Ariel L | Connectivity of rapidly disseminating epidemics |
| CA2854594A1 (en) * | 2011-11-03 | 2013-07-04 | Sentinext Therapeutics Sdn Bhd | Antigens and vaccines directed against human enteroviruses |
| US20160364492A1 (en) * | 2015-06-12 | 2016-12-15 | Duby, LLC | Systems and methods for a viral social network |
| CN111008713A (zh) * | 2019-12-12 | 2020-04-14 | 江西科益高新技术有限公司 | 一种基于3d技术的设备故障智能检测与应急处置系统及方法 |
| CN114092471A (zh) * | 2021-12-21 | 2022-02-25 | 河北工业大学 | 一种用于舵类结构件表面缺陷的视觉检测方法及检测装置 |
| CN114743115A (zh) * | 2022-03-31 | 2022-07-12 | 启东晶尧光电科技有限公司 | 一种光伏电子设备的遮挡物识别方法及故障预警系统 |
| CN115456956A (zh) * | 2022-08-19 | 2022-12-09 | 浙江华周智能装备有限公司 | 一种液晶屏划痕检测方法、设备及存储介质 |
-
2023
- 2023-12-22 CN CN202311781927.9A patent/CN117456519B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201329A (zh) * | 2007-10-16 | 2008-06-18 | 西安交通大学 | 基于射线衰减能量场的无损检测缺陷提取、识别方法 |
| US20110090371A1 (en) * | 2009-10-20 | 2011-04-21 | Apple Inc. | System and method for detecting and correcting defective pixels in an image sensor |
| CN101893580A (zh) * | 2010-06-10 | 2010-11-24 | 北京交通大学 | 基于数字图像的钢轨表面缺陷检测方法 |
| CA2854594A1 (en) * | 2011-11-03 | 2013-07-04 | Sentinext Therapeutics Sdn Bhd | Antigens and vaccines directed against human enteroviruses |
| CN102495069A (zh) * | 2011-12-07 | 2012-06-13 | 广东辉丰科技股份有限公司 | 一种基于数字图像处理的拉链链带缺陷检测方法 |
| WO2013089809A2 (en) * | 2011-12-16 | 2013-06-20 | Rivas Ariel L | Connectivity of rapidly disseminating epidemics |
| US20160364492A1 (en) * | 2015-06-12 | 2016-12-15 | Duby, LLC | Systems and methods for a viral social network |
| CN111008713A (zh) * | 2019-12-12 | 2020-04-14 | 江西科益高新技术有限公司 | 一种基于3d技术的设备故障智能检测与应急处置系统及方法 |
| CN114092471A (zh) * | 2021-12-21 | 2022-02-25 | 河北工业大学 | 一种用于舵类结构件表面缺陷的视觉检测方法及检测装置 |
| CN114743115A (zh) * | 2022-03-31 | 2022-07-12 | 启东晶尧光电科技有限公司 | 一种光伏电子设备的遮挡物识别方法及故障预警系统 |
| CN115456956A (zh) * | 2022-08-19 | 2022-12-09 | 浙江华周智能装备有限公司 | 一种液晶屏划痕检测方法、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| MATTIAS NYBERG, JONAS WESTMAN: "Failure Propagation Modeling Based on Contracts Theory", 《2015 11TH EUROPEAN DEPENDABLE COMPUTING CONFERENCE》, 17 January 2016 (2016-01-17), pages 108 - 119 * |
| 徐文姣: "加拿大参与全球卫生治理研究", 《中国博士学位论文全文数据库 社会科学Ⅰ辑》, vol. 2020, no. 07, 15 July 2020 (2020-07-15), pages 108 - 15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117456519B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107742093A (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
| CN108596883A (zh) | 一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法 | |
| CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
| CN114943689A (zh) | 基于半监督学习的钢铁冷轧退火炉元器件检测方法 | |
| CN115861263A (zh) | 一种基于改进YOLOv5网络的绝缘子缺陷图像检测方法 | |
| CN114170144A (zh) | 一种输电线路销钉缺陷检测方法、设备及介质 | |
| CN116503318A (zh) | 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备 | |
| CN114255250A (zh) | 基于深度学习的河防工程边坡坍塌检测方法 | |
| CN112837281B (zh) | 基于级联卷积神经网络的销钉缺陷识别方法、装置和设备 | |
| CN117456519B (zh) | 一种用于工控安全的仿真光电靶标装置及其仿真方法 | |
| Xuan et al. | Intelligent identification method of insulator defects based on CenterMask | |
| CN112766795A (zh) | 一种基于云端处理的管廊智能信息管理方法及系统 | |
| CN117351521A (zh) | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 | |
| Daogang et al. | Anomaly identification of critical power plant facilities based on YOLOX-CBAM | |
| CN113052103A (zh) | 一种基于神经网络的电气设备缺陷检测方法及装置 | |
| Tsalicoglou et al. | Deep learning based instance segmentation of particle streaks and tufts | |
| Niu et al. | Electrical equipment identification method with synthetic data using edge-oriented generative adversarial network | |
| Jintao et al. | Data expansion for foreign object detection in power grid | |
| Rong et al. | A joint faster RCNN and stereovision algorithm for vegetation encroachment detection in power line corridors | |
| Lu et al. | Deep learning based fusion of RGB and infrared images for the detection of abnormal condition of fused magnesium furnace | |
| Hu et al. | A detecting algorithm for occlusion on the surface of photovoltaic modules based on improved YOLOv5 | |
| CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
| Wang | RETRACTED ARTICLE: Application of deep learning to detect defects on the surface of steel balls in an IoT environment | |
| Özer et al. | An approach based on deep learning methods to detect the condition of solar panels in solar power plants | |
| Yang et al. | Abnormal Scene Image Recognition Method for Intelligent Operation and Maintenance of Electrical Equipment in Substations |
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 |