CN117493945B - 一种基于计算机视觉的烟气分析预警方法以及系统 - Google Patents
一种基于计算机视觉的烟气分析预警方法以及系统 Download PDFInfo
- Publication number
- CN117493945B CN117493945B CN202311789247.1A CN202311789247A CN117493945B CN 117493945 B CN117493945 B CN 117493945B CN 202311789247 A CN202311789247 A CN 202311789247A CN 117493945 B CN117493945 B CN 117493945B
- Authority
- CN
- China
- Prior art keywords
- test
- smoke
- data
- simulation
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims description 45
- 239000003546 flue gas Substances 0.000 title claims description 45
- 238000004868 gas analysis Methods 0.000 title description 3
- 238000012360 testing method Methods 0.000 claims abstract description 380
- 239000000779 smoke Substances 0.000 claims abstract description 184
- 238000004088 simulation Methods 0.000 claims abstract description 131
- 235000019504 cigarettes Nutrition 0.000 claims abstract description 98
- 230000000007 visual effect Effects 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 230000008859 change Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 11
- 230000000241 respiratory effect Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000007794 irritation Effects 0.000 claims description 5
- 238000010146 3D printing Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 7
- 238000007405 data analysis Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 60
- 235000000346 sugar Nutrition 0.000 description 11
- 239000002245 particle Substances 0.000 description 9
- 230000001953 sensory effect Effects 0.000 description 9
- 230000015654 memory Effects 0.000 description 8
- 241000208125 Nicotiana Species 0.000 description 7
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 239000002366 mineral element Substances 0.000 description 7
- 230000000153 supplemental effect Effects 0.000 description 6
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 229960002715 nicotine Drugs 0.000 description 5
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003205 fragrance Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 2
- 238000005054 agglomeration Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 239000000460 chlorine Substances 0.000 description 2
- 229910052801 chlorine Inorganic materials 0.000 description 2
- 235000009508 confectionery Nutrition 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010013911 Dysgeusia Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000001339 gustatory effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 150000008163 sugars Chemical class 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24C—MACHINES FOR MAKING CIGARS OR CIGARETTES
- A24C5/00—Making cigarettes; Making tipping materials for, or attaching filters or mouthpieces to, cigars or cigarettes
- A24C5/32—Separating, ordering, counting or examining cigarettes; Regulating the feeding of tobacco according to rod or cigarette condition
- A24C5/34—Examining cigarettes or the rod, e.g. for regulating the feeding of tobacco; Removing defective cigarettes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Biology (AREA)
- Dispersion Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Wrapping Of Specific Fragile Articles (AREA)
Abstract
本发明适用于自动化测试领域,提供了一种基于计算机视觉的烟气分析预警方法以及系统,所述方法包括:定位多个样品烟,获取多个样品烟的测试数据,所述测试数据包括烟气参数和仿真使用数据,所述仿真使用数据包括仿真视觉图像;识别烟气参数和仿真使用数据,以确定测试数据中成对测试数据,所述成对测试数据用于表征烟气参数和仿真使用数据之间存在绑定测试关系;识别成对测试数据的烟气参数中第一基础参数和第二基础参数,所述第一基础参数和第二基础参数之间满足附属关联,本申请实施例的技术方案,能够对多个样品烟同时进行测试,能够为基于样品烟的数据分析提供研究参考依据,并提升对样品烟的测试自动化程度和可靠性。
Description
技术领域
本发明属于自动化测试领域,尤其涉及一种基于计算机视觉的烟气分析预警方法以及系统。
背景技术
在新产品的研发过程中,由于样品烟的品种较为繁多,特别是对于一些新产品(如具有明显地域性的产品)而言,需要研究和分析烟气的相关参数和感官指标之间的关系,需要理解,卷烟感官质量评价方法,主要是通过人工评吸的方式进行,评吸员通过视觉、嗅觉、味觉和触觉上的感受来给卷烟感官指标进行打分,仅通过评吸员的评吸,难以到达新产品的数字化研究等要求。
现有技术中存在借助于软件测试来实现对样品烟的测试和分析,如结合电子鼻传感器的CFD流体仿真模拟软件,但是其也难以做到对多个样品烟进行测试和分析,并且容易发生故障,发生故障后难以进行继续测试,自动化程度较低,可靠性较差。
发明内容
本发明实施例的目的在于提供一种基于计算机视觉的烟气分析预警方法以及系统,旨在解决上述背景技术中提出的问题。
本发明实施例是这样实现的,一方面,一种基于计算机视觉的烟气分析预警方法,所述方法包括以下步骤:
定位多个样品烟,获取多个样品烟的测试数据,所述测试数据包括烟气参数和仿真使用数据,所述仿真使用数据包括仿真视觉图像;
识别烟气参数和仿真使用数据,以确定测试数据中成对测试数据,所述成对测试数据用于表征烟气参数和仿真使用数据之间存在绑定测试关系;
识别成对测试数据的烟气参数中第一基础参数和第二基础参数,所述第一基础参数和第二基础参数之间满足附属关联;
根据第一基础参数和第二基础参数判断是否存在测试故障;
若是,则生成测试预警信号并确定测试故障对应的第一样品烟,识别与第一样品烟的仿真使用数据之间满足相似条件的第一仿真使用数据,确定第一仿真使用数据对应的烟气参数的相关项;
根据测试预警信号和相关项调用补充测试权限,根据补充测试权限对第一样品烟进行补充对比测试。
作为本发明的进一步可选的方案,所述定位多个样品烟,获取多个样品烟的测试数据包括:
定位多个测试位,所述多个样品烟分布于多个测试位,获取多个测试位的排列信息;
获取多个测试位的标识,将所述排列信息与标识进行匹配,得到多个测试位的标识分布;
获取预先记录的多个样品烟的型号,读取所述标识与型号之间的测试对应关系,基于标识分布和测试对应关系,确定多个样品烟和多个测试位的分布对应关系;
根据所述分布对应关系,获取多个样品烟在多个测试位上的测试数据。
作为本发明的再进一步可选的方案,所述识别烟气参数和仿真使用数据,以确定测试数据中成对测试数据包括:
获取烟气参数中标记参数,所述标记参数是经过标记的;
对仿真使用数据进行读取,得到目标测试结果;
将标记参数与目标测试结果作为成对测试数据。
作为本发明的又进一步可选的方案,所述识别烟气参数和仿真使用数据,以确定测试数据中成对测试数据包括:
读取测试数据中时间节点;
将仿真使用数据数字化,得到数字仿真数据;
将烟气参数和数字仿真数据按照时间节点进行排布,得到排布结果;
识别排布结果中是否具有同步变化关系的成对排布段;
若是,则判定成对排布段对应的烟气参数和仿真使用数据为成对测试数据。
作为本发明的进一步可选的方案,所述方法还包括:
确定排布结果除成对排布段之外的其他排布段,所述其他排布段包括烟气参数的第二排布段和仿真使用数据的第三排布段;
识别第二排布段和第三排布段是否存在至少一个满足预设变化趋势;
若是,则识别第二排布段和第三排布段的时间节点之间的起始差值;
判断起始差值是否处于预设时长内,若是,则判定第二排布段对应的烟气参数和第三排布段对应的仿真使用数据为成对测试数据。
作为本发明的进一步可选的方案,所述第二基础参数为第一基础参数的成分参数。
作为本发明的进一步可选的方案,所述根据第一基础参数和第二基础参数判断是否存在测试故障包括:
判断第一基础参数是否缺失;
若是,则判断第二基础参数是否缺失;
若否,则判定成对测试数据对应的测试位存在测试故障。
作为本发明的进一步可选的方案,所述识别与第一样品烟的仿真使用数据之间满足相似条件的第一仿真使用数据,确定第一仿真使用数据对应的烟气参数的相关项包括:
获取第一样品烟的仿真视觉图像;
识别与第一样品烟的仿真视觉图像之间满足预设相似阈值的第一仿真视觉图像,所述第一仿真使用数据包括第一仿真视觉图像;
根据分布对应关系,识别第一仿真使用数据对应的第二样品烟,以获取第二样品烟的烟气参数的相关项。
另一方面,一种基于计算机视觉的烟气分析预警系统,所述系统包括:
获取模块,用于定位多个样品烟,获取多个样品烟的测试数据,所述测试数据包括烟气参数和仿真使用数据,所述仿真使用数据包括仿真视觉图像;
识别确定模块,用于识别烟气参数和仿真使用数据,以确定测试数据中成对测试数据,所述成对测试数据用于表征烟气参数和仿真使用数据之间存在绑定测试关系;
参数识别模块,用于识别成对测试数据的烟气参数中第一基础参数和第二基础参数,所述第一基础参数和第二基础参数之间满足附属关联;
判断模块,用于根据第一基础参数和第二基础参数判断是否存在测试故障;
预警确定模块,用于若存在测试故障,则生成测试预警信号并确定测试故障对应的第一样品烟,识别与第一样品烟的仿真使用数据之间满足相似条件的第一仿真使用数据,确定第一仿真使用数据对应的烟气参数的相关项;
调用模块,用于根据测试预警信号和相关项调用补充测试权限,根据补充测试权限对第一样品烟进行补充对比测试。
作为本发明的进一步可选的方案,所述获取模块包括:
定位单元,用于定位多个测试位,所述多个样品烟分布于多个测试位,获取多个测试位的排列信息;
匹配单元,用于获取多个测试位的标识,将所述排列信息与标识进行匹配,得到多个测试位的标识分布;
读取和确定单元,用于获取预先记录的多个样品烟的型号,读取所述标识与型号之间的测试对应关系,基于标识分布和测试对应关系,确定多个样品烟和多个测试位的分布对应关系;
获取单元,用于根据所述分布对应关系,获取多个样品烟在多个测试位上的测试数据。
本发明实施例提供的一种基于计算机视觉的烟气分析预警方法以及系统,可以对多个样品烟同时进行自动(或者半自动)测试,测试数据中包括的成对测试数据,也即对应的烟气参数和仿真使用数据之间存在放在一起进行研究的必要,通过成对测试数据,可以为基于样品烟的烟气参数和仿真使用数据的数据分析提供研究参考;测试数据包括烟气参数和仿真使用数据,并且基于烟气参数的种类的多样性,可以对烟气参数出现的故障进行识别和检测,并根据测试预警信号和相关项调用补充测试权限,根据补充测试权限对第一样品烟进行补充对比测试,尤其是新待测的样品烟,在故障容易发生的情况下,能够提升对样品烟的测试自动化程度和可靠性。
附图说明
图1是一种基于计算机视觉的烟气分析预警方法的主流程图。
图2是一种基于计算机视觉的烟气分析预警方法中定位多个样品烟,获取多个样品烟的测试数据的流程图。
图3是一种基于计算机视觉的烟气分析预警方法的一种实施例中确定测试数据中成对测试数据的流程图。
图4是一种基于计算机视觉的烟气分析预警方法中判定第二排布段对应的烟气参数和第三排布段对应的仿真使用数据为成对测试数据的流程图。
图5是一种基于计算机视觉的烟气分析预警方法中确定第一仿真使用数据对应的烟气参数的相关项的流程图。
图6是一种基于计算机视觉的烟气分析预警系统的主结构图。
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。
以下结合具体实施例对本发明的具体实现进行详细描述。
本发明提供的一种基于计算机视觉的烟气分析预警方法以及系统,解决了背景技术中的技术问题。
如图1所示,为本发明的一个实施例提供的一种基于计算机视觉的烟气分析预警方法的主流程图,所述一种基于计算机视觉的烟气分析预警方法包括:
步骤S10:定位多个样品烟,获取多个样品烟的测试数据,所述测试数据包括烟气参数和仿真使用数据,所述仿真使用数据包括仿真视觉图像;
多个样品烟分布于不同的测试位置,也即不同的测试位,每个测试位均设有测试设备,每个测试位的测试设备包括烟气参数的第一测试设备和/或仿真使用数据的第二测试设备,也即烟气参数和仿真使用数据的测试设备可以放在同一个测试位进行,也可以分开进行;定位多个样品烟,包括识别每个型号的样品烟所在的具体的测试位置(测试位),并且确定某型号的样品烟为哪个测试设备所测试,也即确定每个型号的样品烟的测试设备的测试标识,以便获取样品烟的测试数据;
示例性的,烟气参数包括烟气的粒径、矿物元素的含量和糖类的含量等;
烟气参数在进行分析测试时,首先搭建烟气参数检测平台,通过标准抽吸模式将烟气抽入第一测试设备,如快速粒径谱仪,含量检测仪等,对烟气气溶胶颗粒等进行检测,得到烟气参数;
仿真使用数据在进行分析测试时,通过搭建烟气仿真模拟实验平台,利用CT扫描和3D打印技术,构建透明的仿真人体上呼吸道-口腔模型,通过标准的抽吸模式,将烟气吸入仿真人体上呼吸道-口腔模型中,同步进行数据的采集,得到仿真使用数据,这种采集包括对烟气运动形态进行视觉采集,得到仿真视觉图像,还包括甜度的含量检测、刺激性的检测等,因而第二测试设备包括视觉检测设备和浓度检测设备等;
步骤S11:识别烟气参数和仿真使用数据,以确定测试数据中成对测试数据,所述成对测试数据用于表征烟气参数和仿真使用数据之间存在绑定测试关系;
测试数据包含已经明确的烟气的测试项,如烟叶总糖含量与烟气浓度,二者呈显著负相关,烟碱与烟气浓度,二者呈显著正相关;烟气参数包括烟叶总糖含量;仿真使用数据包括烟气浓度;烟气浓度属于感官评价中烟气特性;
绑定测试关系,表明对应的烟气参数和仿真使用数据存在放在一起进行研究的必要,二者可能是正相关,也有可能是负相关,也有可能存在一些难于直接发现的相关性,特别是对于一些新品种的样品烟而言,由于地域和气候的差异,烟气参数和仿真使用数据之间的关系有待探索和研究,比如一些矿物质元素和烟气的粒径度对香气量、杂气、劲头、刺激性和成团性的影响等;
需要说明的是,成对测试数据的确定还可以涉及Faster R-CNN等算法,这将会在后续进行说明;
步骤S12:识别成对测试数据的烟气参数中第一基础参数和第二基础参数,所述第一基础参数和第二基础参数之间满足附属关联;附属关联表示一方对另一方存在依存的关系(该部分将在后续进行详细介绍);
第一基础参数和第二基础参数是为了保证明显已知的烟气参数对仿真使用数据的影响而设置的,如烟叶总糖含量与烟气浓度呈显著负相关,因而烟气参数中设置第一基础参数和第二基础参数,也即对应还原糖和总糖含量;
步骤S13:根据第一基础参数和第二基础参数判断是否存在测试故障;
判断是否存在测试故障时,借助于附属关联进行判断,比如:存在第二基础参数必定存在第一基础参数,如果检测第一基础参数缺失后,如果第二基础参数未缺失时,可以确定存在测试故障(详细可参见后续实施例);以上可以保证通过第一基础参数和第二基础参数的普遍性,来覆盖测试故障的统一检测;
步骤S14:若是,则生成测试预警信号并确定测试故障对应的第一样品烟,识别与第一样品烟的仿真使用数据之间满足相似条件的第一仿真使用数据,确定第一仿真使用数据对应的烟气参数的相关项;
由于第一基础参数和第二基础参数设置的普遍性,因此可以适用于测试故障的统一检测,烟气气溶胶的化学物质更为复杂和多样,因此烟气参数对应的测试设备也更容易出现故障;在对多个测试位的仿真使用数据采集后,将其中每个仿真使用数据与第一样品烟的仿真使用数据进行相似比较,以确定与第一样品烟的仿真视觉图像之间满足相似条件的第一仿真使用数据,如确定与第一样品烟的仿真视觉图像之间满足96%的预设相似阈值的第一仿真视觉图像;第一仿真使用数据还可以是烟气浓度;
相关项为烟气参数的包含项和包含项的测试结果,比如相关项为烟气的粒径,测试结果为烟气的粒径的测试数值时,再比如包含项目为某元素(如矿物元素Ni),测试结果为某矿物元素的含量;
当不存在测试故障,得到测试结果即可;
步骤S15:根据测试预警信号和相关项调用补充测试权限,根据补充测试权限对第一样品烟进行补充对比测试。
补充对比测试可以是生成对测试人员进行重新测试的测试指示,也可以是生成补充对比测试提示(包含补充测试、对比测试以及重点测试中至少一种),以供测试人员参考等,在具备已经准备好补充对比测试的测试条件下,也可以自动启动测试,在此不做限定。
生成预警测试信号后,结合相关项自动调用补充测试权限,启动补充对比测试程序,实现对第一样品烟进行补充对比测试,补充对比测试包括补充测试、对比测试以及重点测试中至少一种;对比测试为基于相同的烟气参数在相同条件下进行测试对比;补充测试为基于新的烟气参数进行测试(如某地区富有的矿物含量);重点测试为基于重点的烟气参数重新进行测试,并且重点的烟气参数为相差量偏大的某一项或者某几项(降低测试误差)。以上可以提升对样品烟的测试自动化程度,尤其是新待测的样品烟,可以对测试故障进行预警,并且可以提升测试的稳定性。
可以理解,本实施例可以对多个样品烟同时进行自动(或者半自动)测试,测试数据中包括的成对测试数据,也即对应的烟气参数和仿真使用数据之间存在放在一起进行研究的必要,通过成对测试数据,可以为基于样品烟的烟气参数和仿真使用数据的数据分析提供研究参考;测试数据包括烟气参数和仿真使用数据,并且基于烟气参数的种类的多样性,可以对烟气参数出现的故障进行识别和检测,并根据测试预警信号和相关项调用补充测试权限,根据补充测试权限对第一样品烟进行补充对比测试,尤其是新待测的样品烟,能够提升测试自动化程度和可靠性。
如图2所示,作为本发明的一种可选实施例,所述定位多个样品烟,获取多个样品烟的测试数据包括:
步骤S101:定位多个测试位,所述多个样品烟分布于多个测试位,获取多个测试位的排列信息;
多个测试位的定位,可以通过测试位的测试设备所自带的物理定位功能所获得,也可以人为标记测试位的详细位置所得到,每个测试位至少分布一个样品烟,多个样品烟包括多个型号和品种的烟(一个品种可以包括多个型号);排列信息,其表示测试位的整体排布顺序,整体排布顺序中包括了排列编号和位置顺序,整体排布顺序在固定了测试位后其是固定的;例如横纵分布排列测试位,再比如呈环形阵列分布的测试位;
步骤S102:获取多个测试位的标识,将所述排列信息与标识进行匹配,得到多个测试位的标识分布;
测试位的标识彼此之间互不相同,标识可以通过测试位的测试设备直接显示,将所述排列信息与标识进行匹配的原因在于,将易于辨识的排列信息与标识进行对应,而测试位的标识一般包括测试设备的设备标识,因此在测试设备可能存在变动和更新的情况下,需要将排列信息与设备标识进行匹配;
测试位的标识还包括测试位的排列编号,因此测试位的标识为测试设备的标识和排列编号的组合;对多个测试位的排列编号的位置进行提取,得到排列编号,基于排列信息查找到相同的排列编号(整体排布顺序中包括了排列编号和位置顺序),便可以完成排列信息与标识进行匹配,从而确定多个测试位的标识分布,也即测试位的标识和位置顺序对应;标识分布实际上表明了标识具体分布的顺序和位置;
步骤S103:获取预先记录的多个样品烟的型号,读取所述标识与型号之间的测试对应关系,基于标识分布和测试对应关系,确定多个样品烟和多个测试位的分布对应关系;
将样品烟装入测试位后,测试位的测试设备会识别和记录样品烟的型号,这个型号可以是测试人员录入的,也可以是测试位的测试设备对样品烟的表面型号进行直接识别所得到的;测试位的测试设备获取型号后,会将型号和标识进行绑定,生成型号-标识的测试对应关系;
因此,测试位和型号之间也具有对应关系,也即每个测试位的标识对应至少一个型号的样品烟;由于标识分布和测试对应关系之间具有相同中间量,也即标识,因此,可以确定多个样品烟和多个测试位的分布对应关系,通俗来说,就是哪个型号的样品烟放在哪个顺序和位置的测试位上进行测试;如左边第二排的第一个(L2-01)的测试位上设有型号为2A的鲁烟;因此,分布对应关系为L2-01--2A;
步骤S104:根据所述分布对应关系,获取多个样品烟在多个测试位上的测试数据。在确定分布对应关系后,对于某个型号的样品烟,若是需要其测试数据,因为已经建立了其和测试位的标识之间的对应关系,可以直接获取其所在的测试位的测试设备所测量得到的目标测试数据;并且对于任意一个样品烟而言,可以直接通过型号定位到相应的测试位,也方便对相应的测试位的测试设备进行现场维护等。
可以理解的是,通过确定多个样品烟和多个测试位的分布对应关系,在将多个样品烟装入测试位时,不需要逐一记录样品烟的型号和测试位的标识以及测试设备的设备标识之间的匹配信息,并且方便获取任意一个测试位的测试设备的目标测试数据。
作为本发明的一种可选实施例,所述识别烟气参数和仿真使用数据,以确定测试数据中成对测试数据包括:
步骤:获取烟气参数中标记参数,所述标记参数是经过标记的;
步骤:对仿真使用数据进行读取,得到目标测试结果;
步骤:将标记参数与目标测试结果作为成对测试数据。
以上涉及标记参数的直接获取,以及仿真使用数据中目标测试结果的读取,对标记参数和目标测试结果构成的成对测试数据而言,二者为明确已知的烟气参数和仿真使用数据之间的关系,如烟叶总糖含量与烟气浓度、香气量等呈显著负相关,烟碱和氯含量与烟气浓度、香气量呈显著正相关;烟气参数包括烟叶总糖含量和烟碱、氯含量;仿真使用数据包括烟气浓度、香气量;烟气浓度和香气量分别属于感官评价中烟气特性和香气特性。
然而,对于一些新的样品烟而言,为了更好的识别其烟气参数等带来的使用特点,需要进一步进行探索和测试,因此,如图3所示,提出本发明的一种可选实施例,所述识别烟气参数和仿真使用数据,以确定测试数据中成对测试数据包括:
步骤S111:读取测试数据中时间节点;
测试数据中的时间节点是测试位的相关设备或者传感器所即记录的;
步骤S112:将仿真使用数据数字化,得到数字仿真数据;
仿真使用数据数字化,也即通过图像数字化或者提取仿真使用数据中数值,例如通过Faster R-CNN算法或者YOLOv5算法计算烟气(仿真视觉图像)的面积;
需要注意的是,本申请中给出的算法本身均为现有技术中成熟的算法;
当仿真使用数据为非仿真视觉图像时,仿真使用数据还包括电子舌传感器(利用气相色谱-质谱法,也即GC/MS,测量甜香流分的组成)测量烟气中甜香特征流分,更加快速、准确地找到了甜香味中的化学成分类别等;
步骤S113:将烟气参数和数字仿真数据按照时间节点进行排布,得到排布结果;
排布结果为烟气参数和数字仿真数据与时间的图像;也即以时间节点为横坐标,以烟气参数和数字仿真数据共用纵坐标所得到的共轴图像;
步骤S114:识别排布结果中是否具有同步变化关系的成对排布段;
对排布结果判断其是否同步时,可以利用OpenCV算法或者深度学习算法来识别;若检测到烟气参数和数字仿真数据的共轴图像存在某段相似(二者满足设定相似度,如60%-100%内,此时表明共轴图像同步递增或者递减)或者相交(或者具有相交的趋势,此时表明共轴图像一增一减),且某段足够长(大于最短设定时长),则认为排布结果中具有同步变化关系的成对排布段;最短设定时长是根据需求结合经验进行设定的,如3s;
步骤S115:若是,则判定成对排布段对应的烟气参数和仿真使用数据为成对测试数据。
以上通过对具有同步变化关系的成对排布段的识别,能够确定烟气参数和仿真使用数据之间具有潜在变化关系的排布段;且这个排布段具有严格的区段划分,可以为烟气参数和仿真使用数据之间的关联研究提供更多可靠的参考依据,如检测到成团性与烟气粒径大概率显著相关。
结合上个实施例,如图4所示,作为本发明的一种可选实施例,所述方法还包括:
步骤S20:确定排布结果除成对排布段之外的其他排布段,所述其他排布段包括烟气参数的第二排布段和仿真使用数据的第三排布段;
对除去成对排布段之外的曲线(图像)而言,将曲线(均匀)划分为若干段,得到其他排布段;其他排布段为第二排布段和第三排布段的总称;
步骤S21:识别第二排布段和第三排布段是否存在至少一个满足预设变化趋势;
预设变化趋势包括预设的斜率变化,其表示烟气参数和数字仿真数据在预设时长内的变化量达到预设幅度(这种变化包括增加变化或者减少变化),以上预设值(预设时长和预设幅度)均根据需要进行设定,在此不做限定;如数字仿真数据在5s内的变化量达到10;
当第二排布段和第三排布段至少一个满足预设变化趋势,有理由怀疑烟气参数(的积累或者平缓变化)对仿真使用数据产生了延迟影响,导致发生增加或者减少变化(也即非同步影响);
步骤S22:若是,则识别第二排布段和第三排布段的时间节点之间的起始差值;
进一步的,识别起始差值的目的保证第二排布段对第三排布段落的延迟影响是保证在在预设时长内;保证这种影响在预设时长内具有对应性,如果超过预设时长,则认为前者对后者不造成延迟影响;
步骤S23:判断起始差值是否处于预设时长内;
步骤S24:若是,则判定第二排布段对应的烟气参数和第三排布段对应的仿真使用数据为成对测试数据。
例如,第二排布段为12s-20s,第三排布段为18s到26s,起始差值为6s,其小于预设时长8s,因此认为前者对后者造成延迟影响;
本实施例在应用时,通过第二排布段和第三排布段的比较和识别,能够确定除去包含标记参数之外的成对测试数据,从而这种成对数据能够:为研究烟气参数对仿真使用数据的变化或者保持提供更加可靠的数据研究支撑。
作为本发明的一种可选实施例,所述根据第一基础参数和第二基础参数判断是否存在测试故障包括:
步骤:判断第一基础参数是否缺失;
步骤:若是,则判断第二基础参数是否缺失;
步骤:若否,则判定成对测试数据对应的测试位存在测试故障。
其中,所述第二基础参数为第一基础参数的成分参数。该种情况为附属关联的表现形式之一,如第二基础参数和第一基础参数分别为还原糖和总糖含量;烟叶总糖含量与烟叶感官评价中烟气浓度、香气量、杂气、劲头、刺激性呈显著负相关;
此外,附属关联还可以表现为,第一基础参数和第二基础参数分别包括元素含量和包含该元素的化合物的含量,如分别为含氮量和烟碱量(如C10H14N2),烟碱涉及到感官评吸质量中干燥感和余味;因此作为重要的烟气参数而言,应当予以测试;
本实施例在应用时,在获取并集成多个测试位的烟气参数后,对应一种样品烟而言,先判断第一基础参数是否缺失,在其缺失的情况下,再判断第二基础参数是否缺失,这样的目的是,由于第一基础参数和第二基础参数之间满足附属关联,并且进一步限定第二基础参数为第一基础参数的成分参数(也即附属关联的表现形式之一),也即存在第二基础参数必定存在第一基础参数,反之则不一定;因此当判定第一基础参数缺失后,其可能是测试故障造成的,也有可是基础参数的含量偏低未达到测试的显示含量造成的,根据附属关联可知,当进一步检测到第二基础参数未缺失时,理论上应该检测到第一基础参数,但是实际上第一基础参数缺失了,由此可以确定存在测试故障,而非第一基础参数的含量偏低未达到测试的显示含量。
如图5所示,作为本发明的一种可选实施例,所述识别与第一样品烟的仿真使用数据之间满足相似条件的第一仿真使用数据,确定第一仿真使用数据对应的烟气参数的相关项包括:
步骤S141:获取第一样品烟的仿真视觉图像;
同样的,第一样品烟的仿真视觉图像可以通过在第一样品烟的测试位上通过CCD(charge coupled device 电荷耦合器件)相机采集获取;
步骤S142:识别与第一样品烟的仿真视觉图像之间满足预设相似阈值的第一仿真视觉图像,所述第一仿真使用数据包括第一仿真视觉图像;
在对多个测试位的仿真视觉图像采集后,得到多张仿真视觉图像;多张仿真视觉图像分别带有对应测试位的标识,遍历多张仿真视觉图像,将其中每张仿真视觉图像与第一样品烟的仿真视觉图像进行相似比较,以确定与第一样品烟的仿真视觉图像之间满足预设相似阈值的第一仿真视觉图像;
其中预设相似阈值是根据实际经验结合实际需要所设定的,比如95%,在此不做限定;
优选的,多张仿真视觉图像来源于同一生长和气候条件(或者相似生长和气候条件)下第一样品烟的同种样品烟或者相近品种的样品烟;
仿真使用数据用于表征或者衡量样品烟在使用时的感官指标;因此,当满足预设相似阈值时,表示至少一种感官指标接近,如成团性;
此外,作为另一种实施的示例,第一仿真使用数据为浓度,浓度为在模拟口腔所检测到的烟气浓淡程度;此时相似条件包括浓度相差不大;
步骤S143:根据分布对应关系,识别第一仿真使用数据对应的第二样品烟,以获取第二样品烟的烟气参数的相关项。
当确定第一仿真使用数据后,由于仿真使用数据带有对应测试位的标识,而分布对应关系为多个样品烟和多个测试位之间的对应关系,因此根据分布对应关系,也即可以确定第二样品烟,因此第二样品烟的烟气参数所包含的相关项也可以获取。
以上通过自动获取相关项,相关项包括烟气参数的包含项和包含项的测试结果,比如包含项目为烟气的粒径,测试结果为烟气的粒径的测试数据时,再比如包含项目为某元素(如矿物元素Ni),测试结果为某矿物元素的含量,这个含量可以是烟气中某矿物元素的含量;
通过相关项的自动获取,便于基于第一样品烟的测试位对这些包含项进行补充测试、对比测试以及重点测试中至少一种(相关含义已经在前述解释);以上可以提升对样品烟的测试自动化程度,尤其对于新的待测样品烟而言,可以对测试故障进行预警,并且可以提升测试的稳定性。
如图6所示,作为本发明的另一种可选实施例,另一方面,一种基于计算机视觉的烟气分析预警系统,所述系统包括:
获取模块100,用于定位多个样品烟,获取多个样品烟的测试数据,所述测试数据包括烟气参数和仿真使用数据,所述仿真使用数据包括仿真视觉图像;
识别确定模块200,用于识别烟气参数和仿真使用数据,以确定测试数据中成对测试数据,所述成对测试数据用于表征烟气参数和仿真使用数据之间存在绑定测试关系;
参数识别模块300,用于识别成对测试数据的烟气参数中第一基础参数和第二基础参数,所述第一基础参数和第二基础参数之间满足附属关联;
判断模块400,用于根据第一基础参数和第二基础参数判断是否存在测试故障;
预警确定模块500,用于若存在测试故障,则生成测试预警信号并确定测试故障对应的第一样品烟,识别与第一样品烟的仿真使用数据之间满足相似条件的第一仿真使用数据,确定第一仿真使用数据对应的烟气参数的相关项;
调用模块600,用于根据测试预警信号和相关项调用补充测试权限,根据补充测试权限对第一样品烟进行补充对比测试。
作为本发明的一种可选实施例,所述获取模块100包括:
定位单元,用于定位多个测试位,所述多个样品烟分布于多个测试位,获取多个测试位的排列信息;
匹配单元,用于获取多个测试位的标识,将所述排列信息与标识进行匹配,得到多个测试位的标识分布;
读取和确定单元,用于获取预先记录的多个样品烟的型号,读取所述标识与型号之间的测试对应关系,基于标识分布和测试对应关系,确定多个样品烟和多个测试位的分布对应关系;
获取单元,用于根据所述分布对应关系,获取多个样品烟在多个测试位上的测试数据。
需要说明的是,参照前述实施例中对一种基于计算机视觉的烟气分析预警方法的具体实施描述,本系统与该方法的实施方法完全对应,在此不再叙述。
本发明上述实施例中提供了一种基于计算机视觉的烟气分析预警方法,并基于该基于计算机视觉的烟气分析预警方法提供了一种基于计算机视觉的烟气分析预警系统,其主要创新点在于测试过程中的故障分析和补充测试。
本申请可以对多个样品烟同时进行自动(或者半自动)测试,测试数据中包括的成对测试数据,也即对应的烟气参数和仿真使用数据之间存在放在一起进行研究的必要,通过成对测试数据,可以为基于样品烟的烟气参数和仿真使用数据的数据分析提供研究参考;测试数据包括烟气参数和仿真使用数据,并且基于烟气参数的种类的多样性,可以对烟气参数出现的故障进行识别和检测,并根据测试预警信号和相关项调用补充测试权限,根据补充测试权限对第一样品烟进行补充对比测试,尤其是新待测的样品烟,在故障容易发生的情况下,能够提升对样品烟的测试自动化程度和可靠性。
为了能够加载上述方法和系统能够顺利运行,该系统除了包括上述各种模块之外,还可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线、处理器和存储器等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,上述处理器是上述系统的控制中心,利用各种接口和线路连接各个部分。
上述存储器可用于存储计算机以及系统程序和/或模块,上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现上述各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等。存储数据区可存储根据泊位状态显示系统的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本应该理解的是,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。
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)
1.一种基于计算机视觉的烟气分析预警方法,其特征在于,所述方法包括:
定位多个样品烟,获取多个样品烟的测试数据,所述测试数据包括烟气参数和仿真使用数据,所述仿真使用数据包括仿真视觉图像;
其中,仿真使用数据在进行分析测试时,通过搭建烟气仿真模拟实验平台,利用CT扫描和3D打印技术,构建透明的仿真人体上呼吸道-口腔模型,通过标准的抽吸模式,将烟气吸入仿真人体上呼吸道-口腔模型中,同步进行数据的采集,得到仿真使用数据,这种采集包括对烟气运动形态进行视觉采集,得到仿真视觉图像,还包括甜度的含量检测、刺激性的检测;
识别烟气参数和仿真使用数据,以确定测试数据中成对测试数据,所述成对测试数据用于表征烟气参数和仿真使用数据之间存在绑定测试关系;
识别成对测试数据的烟气参数中第一基础参数和第二基础参数,所述第一基础参数和第二基础参数之间满足附属关联;
根据第一基础参数和第二基础参数判断是否存在测试故障;
若是,则生成测试预警信号并确定测试故障对应的第一样品烟,识别与第一样品烟的仿真使用数据之间满足相似条件的第一仿真使用数据,确定第一仿真使用数据对应的烟气参数的相关项;
根据测试预警信号和相关项调用补充测试权限,根据补充测试权限对第一样品烟进行补充对比测试。
2.根据权利要求1所述的基于计算机视觉的烟气分析预警方法,其特征在于,所述定位多个样品烟,获取多个样品烟的测试数据包括:
定位多个测试位,所述多个样品烟分布于多个测试位,获取多个测试位的排列信息;
获取多个测试位的标识,将所述排列信息与标识进行匹配,得到多个测试位的标识分布;
获取预先记录的多个样品烟的型号,读取所述标识与型号之间的测试对应关系,基于标识分布和测试对应关系,确定多个样品烟和多个测试位的分布对应关系;
根据所述分布对应关系,获取多个样品烟在多个测试位上的测试数据。
3.根据权利要求1所述的基于计算机视觉的烟气分析预警方法,其特征在于,所述识别烟气参数和仿真使用数据,以确定测试数据中成对测试数据包括:
获取烟气参数中标记参数,所述标记参数是经过标记的;
对仿真使用数据进行读取,得到目标测试结果;
将标记参数与目标测试结果作为成对测试数据。
4.根据权利要求1或3所述的基于计算机视觉的烟气分析预警方法,其特征在于,所述识别烟气参数和仿真使用数据,以确定测试数据中成对测试数据包括:
读取测试数据中时间节点;
将仿真使用数据数字化,得到数字仿真数据;
将烟气参数和数字仿真数据按照时间节点进行排布,得到排布结果;
识别排布结果中是否具有同步变化关系的成对排布段;
若是,则判定成对排布段对应的烟气参数和仿真使用数据为成对测试数据。
5.根据权利要求4所述的基于计算机视觉的烟气分析预警方法,其特征在于,所述方法还包括:
确定排布结果除成对排布段之外的其他排布段,所述其他排布段包括烟气参数的第二排布段和仿真使用数据的第三排布段;
识别第二排布段和第三排布段是否存在至少一个满足预设变化趋势;
若是,则识别第二排布段和第三排布段的时间节点之间的起始差值;
判断起始差值是否处于预设时长内;
若是,则判定第二排布段对应的烟气参数和第三排布段对应的仿真使用数据为成对测试数据。
6.根据权利要求2所述的基于计算机视觉的烟气分析预警方法,其特征在于,所述第二基础参数为第一基础参数的成分参数。
7.根据权利要求6所述的基于计算机视觉的烟气分析预警方法,其特征在于,所述根据第一基础参数和第二基础参数判断是否存在测试故障包括:
判断第一基础参数是否缺失;
若是,则判断第二基础参数是否缺失;
若判定第二基础参数未缺失,则判定成对测试数据对应的测试位存在测试故障。
8.根据权利要求2或6所述的基于计算机视觉的烟气分析预警方法,其特征在于,所述识别与第一样品烟的仿真使用数据之间满足相似条件的第一仿真使用数据,确定第一仿真使用数据对应的烟气参数的相关项包括:
获取第一样品烟的仿真视觉图像;
识别与第一样品烟的仿真视觉图像之间满足预设相似阈值的第一仿真视觉图像,所述第一仿真使用数据包括第一仿真视觉图像;
根据分布对应关系,识别第一仿真使用数据对应的第二样品烟,以获取第二样品烟的烟气参数的相关项。
9.一种基于计算机视觉的烟气分析预警系统,其特征在于,所述系统包括:
获取模块,用于定位多个样品烟,获取多个样品烟的测试数据,所述测试数据包括烟气参数和仿真使用数据,所述仿真使用数据包括仿真视觉图像;
其中,仿真使用数据在进行分析测试时,通过搭建烟气仿真模拟实验平台,利用CT扫描和3D打印技术,构建透明的仿真人体上呼吸道-口腔模型,通过标准的抽吸模式,将烟气吸入仿真人体上呼吸道-口腔模型中,同步进行数据的采集,得到仿真使用数据,这种采集包括对烟气运动形态进行视觉采集,得到仿真视觉图像,还包括甜度的含量检测、刺激性的检测;
识别确定模块,用于识别烟气参数和仿真使用数据,以确定测试数据中成对测试数据,所述成对测试数据用于表征烟气参数和仿真使用数据之间存在绑定测试关系;
参数识别模块,用于识别成对测试数据的烟气参数中第一基础参数和第二基础参数,所述第一基础参数和第二基础参数之间满足附属关联;
判断模块,用于根据第一基础参数和第二基础参数判断是否存在测试故障;
预警确定模块,用于若存在测试故障,则生成测试预警信号并确定测试故障对应的第一样品烟,识别与第一样品烟的仿真使用数据之间满足相似条件的第一仿真使用数据,确定第一仿真使用数据对应的烟气参数的相关项;
调用模块,用于根据测试预警信号和相关项调用补充测试权限,根据补充测试权限对第一样品烟进行补充对比测试。
10.根据权利要求9所述的基于计算机视觉的烟气分析预警系统,其特征在于,所述获取模块包括:
定位单元,用于定位多个测试位,所述多个样品烟分布于多个测试位,获取多个测试位的排列信息;
匹配单元,用于获取多个测试位的标识,将所述排列信息与标识进行匹配,得到多个测试位的标识分布;
读取和确定单元,用于获取预先记录的多个样品烟的型号,读取所述标识与型号之间的测试对应关系,基于标识分布和测试对应关系,确定多个样品烟和多个测试位的分布对应关系;
获取单元,用于根据所述分布对应关系,获取多个样品烟在多个测试位上的测试数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311789247.1A CN117493945B (zh) | 2023-12-25 | 2023-12-25 | 一种基于计算机视觉的烟气分析预警方法以及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311789247.1A CN117493945B (zh) | 2023-12-25 | 2023-12-25 | 一种基于计算机视觉的烟气分析预警方法以及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117493945A CN117493945A (zh) | 2024-02-02 |
CN117493945B true CN117493945B (zh) | 2024-03-29 |
Family
ID=89678518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311789247.1A Active CN117493945B (zh) | 2023-12-25 | 2023-12-25 | 一种基于计算机视觉的烟气分析预警方法以及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117493945B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011113704A1 (de) * | 2011-08-02 | 2013-02-07 | Focke & Co. (Gmbh & Co. Kg) | Verfahren und Vorrichtung zur optischen Prüfung von bei der Herstellung und/oder Verpackung von Zigaretten zu prüfenden Objekten |
CN114191953A (zh) * | 2021-12-07 | 2022-03-18 | 国网河北能源技术服务有限公司 | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 |
CN115201077A (zh) * | 2022-08-19 | 2022-10-18 | 福建中烟工业有限责任公司 | 卷烟抽吸烟气分布状态测试系统及测试方法 |
CN115330887A (zh) * | 2022-10-18 | 2022-11-11 | 广州远望电力工程设计股份有限公司 | 一种智能变电站保护装置的自动测试系统及测试方法 |
WO2022267750A1 (zh) * | 2021-06-25 | 2022-12-29 | 海光信息技术股份有限公司 | 建模方法及建模装置、电子设备及存储介质 |
CN116151045A (zh) * | 2023-04-21 | 2023-05-23 | 中汽研汽车检验中心(天津)有限公司 | 车辆仿真测试数据准确性分析方法、装置、设备及介质 |
CN116343944A (zh) * | 2023-03-17 | 2023-06-27 | 浙江中烟工业有限责任公司 | 卷烟辅材参数及物理指标与主流烟气成分影响预测方法 |
-
2023
- 2023-12-25 CN CN202311789247.1A patent/CN117493945B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011113704A1 (de) * | 2011-08-02 | 2013-02-07 | Focke & Co. (Gmbh & Co. Kg) | Verfahren und Vorrichtung zur optischen Prüfung von bei der Herstellung und/oder Verpackung von Zigaretten zu prüfenden Objekten |
WO2022267750A1 (zh) * | 2021-06-25 | 2022-12-29 | 海光信息技术股份有限公司 | 建模方法及建模装置、电子设备及存储介质 |
CN114191953A (zh) * | 2021-12-07 | 2022-03-18 | 国网河北能源技术服务有限公司 | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 |
CN115201077A (zh) * | 2022-08-19 | 2022-10-18 | 福建中烟工业有限责任公司 | 卷烟抽吸烟气分布状态测试系统及测试方法 |
CN115330887A (zh) * | 2022-10-18 | 2022-11-11 | 广州远望电力工程设计股份有限公司 | 一种智能变电站保护装置的自动测试系统及测试方法 |
CN116343944A (zh) * | 2023-03-17 | 2023-06-27 | 浙江中烟工业有限责任公司 | 卷烟辅材参数及物理指标与主流烟气成分影响预测方法 |
CN116151045A (zh) * | 2023-04-21 | 2023-05-23 | 中汽研汽车检验中心(天津)有限公司 | 车辆仿真测试数据准确性分析方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
Analysis of parametric instability of cigarettes based on computational fluid dynamics methods;Jiaxin Wei等;《Heliyon》;20230930;第9卷(第9期);全文 * |
基于大数据提升的烟叶种植环境优化下云产卷烟内在质量研究;杨建云等;《环境科学与管理》;20171115(第11期);全文 * |
燃煤锅炉小室模型建立与仿真测试;杨超文等;《计量与测试技术》;20170430(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117493945A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105809035B (zh) | 基于安卓应用实时行为的恶意软件检测方法和系统 | |
KR20180047534A (ko) | 패턴 인식 모델에 기반한 캘리브레이션이 가능한 후각 정보 생성 장치 및 생성 방법 | |
CN109359690B (zh) | 基于卡口数据的车辆出行轨迹识别方法 | |
CN109655532A (zh) | 一种对卷烟分类鉴别的方法 | |
CN113516661B (zh) | 基于特征融合的缺陷检测方法及装置 | |
CN109655529A (zh) | 一种鉴别卷烟真伪的方法 | |
CN111310542A (zh) | 吸烟行为检测方法及系统、终端、存储介质 | |
CN110019954A (zh) | 一种作弊用户的识别方法及系统 | |
CN111539358A (zh) | 工作状态确定方法、装置、计算机设备和存储介质 | |
CN111598827A (zh) | 外观瑕疵检测方法、电子装置及存储介质 | |
RU2007147213A (ru) | Способ и устройство для обнаружения границ элемента контента | |
CN117493945B (zh) | 一种基于计算机视觉的烟气分析预警方法以及系统 | |
CN112866800A (zh) | 视频内容相似性检测方法、装置、设备及存储介质 | |
CN114299688B (zh) | 一种基于电子烟雾检测的烟油成分识别方法及系统 | |
CN114326677A (zh) | 车机测试方法及装置 | |
CN112380977A (zh) | 吸烟行为检测方法和装置 | |
CN111672128A (zh) | 基于本地保留时长识别的游戏商城游戏推荐方法及系统 | |
JP2004354111A (ja) | 物体検査方法及びその装置 | |
CN104173108A (zh) | 健康检测仪器显示屏识别数据采集系统及方法 | |
CN116071335A (zh) | 墙面验收方法、装置、设备及存储介质 | |
CN115861161A (zh) | 机器学习系统、学习数据收集方法以及存储介质 | |
JP6637370B2 (ja) | 質量分析装置および画像生成方法 | |
WO2019080013A1 (zh) | 拉曼检测方法、装置、存储介质及电子设备 | |
CN113918471A (zh) | 测试用例的处理方法、装置及计算机可读存储介质 | |
CN117517245B (zh) | 评估茶叶滋味、香气和整体感官方法、系统、设备及介质 |
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 |