CN117609881A - 一种基于人工智能的金属重叠检测方法及系统 - Google Patents
一种基于人工智能的金属重叠检测方法及系统 Download PDFInfo
- Publication number
- CN117609881A CN117609881A CN202311614036.4A CN202311614036A CN117609881A CN 117609881 A CN117609881 A CN 117609881A CN 202311614036 A CN202311614036 A CN 202311614036A CN 117609881 A CN117609881 A CN 117609881A
- Authority
- CN
- China
- Prior art keywords
- metal
- target
- value
- sample
- magnetic flux
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 122
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 230000004907 flux Effects 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本发明涉及图像数据处理领域,更具体地,本发明涉及一种基于人工智能的金属重叠检测方法及系统。所述方法包括:获取预设时间内目标时刻金属重叠样本的多位置磁通量数据,以构建多位置磁通量曲线;分别基于多位置磁通量曲线的波峰和波谷,生成上包络线和下包络线,并构建目标高斯模型;获取待测金属重叠样本在目标时刻的多位置磁通量曲线,并输入至目标高斯模型中,获得目标时刻的概率值序列;计算目标时刻的样本种类可信度,并获得预设时间内的样本种类可信度序列;比较预设时间内的样本种类可信度序列的均值与预设阈值以生成检测结果。通过本发明的技术方案,能够提高金属重叠检测的准确率,降低误判的情况。
Description
技术领域
本发明一般地涉及图像数据处理领域。更具体地,本发明涉及一种基于人工智能的金属重叠检测方法及系统。
背景技术
金属重叠检测对于保障产品质量、提高生产效率和节省成本具有切实的意义和价值。它可以及时发现并纠正可能导致尺寸不准确或结构强度不符合要求的问题,防止机器故障或停机,以及避免原材料的浪费,从而促进更有效率和经济的制造过程。
现有技术通过设定样本的磁通量阈值进行金属重叠检测的方法,但是由于在金属重叠检测过程中,不同位置的磁通量可能存在差异,并且在检测过程中磁通量可能是具有一定的动态变化的,进而导致可能出现误检的可能性。
发明内容
为解决上述一个或多个技术问题,本发明提出获取预设时间内目标时刻金属重叠样本的多位置磁通量数据,以构建多位置磁通量曲线;分别基于多位置磁通量曲线的波峰和波谷,生成上包络线和下包络线,并构建目标高斯模型;获取待测金属重叠样本在目标时刻的多位置磁通量曲线,并输入至目标高斯模型中,获得目标时刻的概率值序列;计算目标时刻的样本种类可信度,并获得预设时间内的样本种类可信度序列;比较预设时间内的样本种类可信度序列的均值与预设阈值以生成检测结果。为此,本发明在如下的多个方面中提供方案。
在一个实施例中,包括以下步骤:获取预设时间内目标时刻金属重叠样本的多位置磁通量数据,以构建多位置磁通量曲线;分别基于所述多位置磁通量曲线的波峰和波谷,生成上包络线和下包络线;基于所述上包络线和所述下包络线以及第一均值构建目标高斯模型,所述第一均值为所述目标时刻的所述多位置磁通量数据的均值;获取待测金属重叠样本在所述目标时刻的所述多位置磁通量曲线,并输入至所述目标高斯模型中,获得所述目标时刻的概率值序列,所述概率值序列中的概率值与所述目标时刻的金属重叠样本一一对应;计算所述目标时刻的样本种类可信度,并获得所述预设时间内的样本种类可信度序列;比较第二均值与预设阈值以生成检测结果,所述第二均值为所述预设时间内的所述样本种类可信度序列的均值。
在一个实施例中,构建目标高斯模型包括:计算所述目标时刻的所述上包络线与所述第一均值的差值作为第一差值,计算所述目标时刻的所述下包络线与所述第一均值的差值作为第二差值,计算所述第一差值和所述第二差值的平均值作为第三均值;以所述第一均值作为高斯模型的均值,以所述第三均值作为高斯模型的预设标准差,构建目标高斯模型,所述预设时间内的所述目标时刻与所述目标高斯模型一一对应。
在一个实施例中,所述样本种类可信度满足关系式:
其中,为待测金属重叠样本在/>时刻下的样本种类可信度,/>为/>时刻下待测金属重叠样本属于任意一个金属重叠样本的概率值序列,/>为概率值序列中的最大值,/>为/>对应的金属重叠样本在/>时刻下对应的目标高斯模型与剩余所有金属重叠样本在/>时刻下对应的目标高斯模型的/>散度值的最小值。
在一个实施例中,获得所述目标时刻的概率值序列包括:将目标时刻下的待测金属重叠样本的多位置磁通量数据分别带入目标时刻下每种金属重叠样本对应的目标高斯模型;获得待测金属重叠样本在所述目标时刻下属于对应金属重叠样本的概率值,从而获得待测金属重叠样本在所述目标时刻下属于任意一个金属重叠样本的概率值序列。
在一个实施例中,所述比较第二均值与预设阈值以生成检测结果包括:响应于所述第二均值小于预设阈值,所述待测金属重叠样本受到干扰较大,检测识别无效;响应于所述第二均值不小于预设阈值,所述待测金属重叠样本受到干扰较小,检测识别有效。
本发明具有以下技术效果:
首先通过每个目标时刻下的待测金属重叠样本输入已经确定的金属重叠样本的高斯模型,接着获得待测金属重叠样本属于已经确定的金属重叠样本的高斯模型的概率值,作为初步检测结果,再通过计算样本分类可信度,与预设阈值对比,对检测结果判断为有效或者无效,能够更加准确有效的对待测金属重叠样本进行种类判断,降低在检测过程中受到干扰后出现误判的可能性。
附图说明
通过参考附图阅读下文的详细描述,本发明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发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明实施例一种基于人工智能的金属重叠检测方法的流程图;
图2是本发明实施例一种基于人工智能的金属重叠检测方法的目标时刻金属重叠样本多位置磁通量曲线的示意图;
图3是本发明实施例一种基于人工智能的金属重叠检测系统的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
应当理解,当本发明的权利要求、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。本发明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。
本发明提供了一种基于人工智能的金属重叠检测方法。图1是根据本发明实施例的一种基于人工智能的金属重叠检测方法的流程图。如图1所示,一种基于人工智能的金属重叠检测方法包括步骤S1-S5,以下具体说明。
S1,获取预设时间内目标时刻金属重叠样本的多位置磁通量数据,以构建多位置磁通量曲线。
具体的,将金属重叠样本按照张数从小到大排列,根据预设时间内预设时间间隔获取第个金属重叠样本的/>个位置的磁通量数据,记为/>,进而每一个金属重叠样本可以得到/>个磁通量曲线/>,在磁通量曲线坐标系中,横坐标为时间,纵坐标为磁通量,遍历上述步骤,可以得到不同张数的金属重叠样本对应的多位置磁通量曲线。
示例性的,预设时间为3秒,采集间隔为100毫秒一次,即需采集30个多位置磁通量数据。
示例性的,取预设阈值,即有单张金属样本,两张金属重叠样本,三张金属重叠样本,四张金属重叠样本,五张金属重叠样本。
示例性的,取预设阈值,即将当前金属重叠样本等间隔分为四份,从而采集每一份金属重叠样本的多位置磁通量数据。
S2,分别基于多位置磁通量曲线的波峰和波谷,生成上包络线和下包络线,并构建目标高斯模型。
其中,获取目标时刻中第个金属重叠样本在第/>个位置所对应的磁通量曲线/>后,能够获得目标时刻中第/>个金属重叠样本的/>条多位置磁通量曲线序列。
具体的,分别获得多位置磁通量曲线序列中每一条多位置磁通量曲线的波峰的位置和波谷的位置,连接每一条多位置磁通量曲线的波峰作为上包络线,连接每一条多位置磁通量曲线的波谷作为下包络线,获取上下包络线后,在同一时间上如果上下包络线之间存在较大差异,则表示当前局部存在较大的磁通量测量误差范围。
如果单纯通过值的大小在进行磁通量界定时,会存在数值误差,比如0.14为标准则0.139就不符合标准,这种情况在实际中是不合理的。
构建高斯模型:
如图2所示,为目标时刻金属重叠样本的多位置磁通量曲线示意图,以时刻下的金属重叠样本的多位置磁通量曲线/>中的/>个多位置磁通量数据的均值作为第一均值,以第一均值作为高斯模型的均值。
计算目标时刻的上包络线与第一均值的差值作为第一差值,计算目标时刻的下包络线与第一均值的差值作为第二差值,计算第一差值和第二差值的平均值作为第三均值。
以第一均值作为高斯模型的均值,以第三均值作为高斯模型的预设标准差,构建目标高斯模型。示例性的,第三均值作为高斯模型的模型边界建立高斯模型时,可根据具体实施场景进行调整,选择1倍标准差位置或者2倍标准差位置作为高斯模型的模型边界。
在第时刻下第/>个金属重叠样本能够对应一个高斯模型,所以在预设时间内不同时刻下第/>个金属重叠样本均能获得相应的高斯模型。由于不同方差下的高斯模型峰值并不一致,而在越靠近第一均值时,理论概率值为1,对每一个目标时刻对应的高斯模型进行归一化。
至此,获得建立好的高斯模型。
其中,选择上下包络线建立高斯模型是因为采样位置过少,导致目标时刻下的采样信息量不多,直接求取方差作为第个金属重叠样本中高斯模型的方差值可能存在较大误差,但当采样位置过多时,则会使建立样本数据时操作过于复杂,所以本发明选择以上下包络线建立高斯模型。
S3,获取待测金属重叠样本在目标时刻的多位置磁通量曲线,并输入至目标高斯模型中,获得目标时刻的概率值序列。
具体的,获取待测金属重叠样本在第时刻下的多位置磁通量曲线,并输入至共/>个金属重叠样本在/>时刻的高斯模型中,获取待测金属重叠样本属于任意一个金属重叠样本的概率值序列/>,例如,/>表示在/>时刻待测金属重叠样本属于第/>个金属重叠样本的概率值。
将概率值序列中的最大值与概率值序列中的平均值做差,差值越大,表示概率值序列内的最大值越可信,没有出现待测金属重叠样本与金属重叠样本区分不清的情况。
S4,计算目标时刻的样本种类可信度,并获得预设时间内的样本种类可信度序列。
具体的,样本种类可信度满足关系式:
其中,为待测金属重叠样本在/>时刻下的样本种类可信度,/>为/>时刻下待测金属重叠样本属于任意一个金属重叠样本的概率值序列,/>为概率值序列中的最大值,/>为/>对应的金属重叠样本在/>时刻下对应的目标高斯模型与剩余所有金属重叠样本在/>时刻下对应的目标高斯模型的/>散度值的最小值。
越大,表示在/>时刻待测金属重叠样本属于/>对应的金属重叠样本的样本种类可信度越高。/>散度值可以用来衡量两个高斯模型之间的差异,/>散度值越大,表示两个高斯模型的高斯函数之间差值越大,当/>的值越大,表示在/>时刻下对应的金属重叠样本与其余金属重叠样本的磁通量分布具有明显差异,表示在/>时刻下/>对应金属重叠样本的多位置磁通量数据是容易区分的数据。
如果在时刻下/>对应的金属重叠样本的多位置磁通量数据是容易区分的数据。当/>值较大,并且/>比较大,则表示当前在/>时刻下待测金属重叠样本属于/>对应的金属重叠样本的样本种类可信度高。反之,在/>较大,而/>比较小时,则表示待测样在/>时刻的多位置磁通量数据受到干扰,从而不能明显判断待测金属重叠样本所属的金属重叠样本,在/>时刻下待测金属重叠样本属于/>对应的金属重叠样本的样本种类可信度会下降。
如果值偏低,则即使/>比较大,但是由于本身不易区分,所以判断待测金属重叠样本属于/>对应的金属重叠样本的样本种类可信度也会下降。
S5,比较预设时间内的样本种类可信度序列的均值与预设阈值以生成检测结果。
具体的,获取在时刻下待测金属重叠样本属于/>对应的金属重叠样本的样本种类可信度/>后,可以得到预设时间内待测金属重叠样本在不同时刻的对应的金属重叠样本的样本种类可信度序列/>以及不同时刻的/>对应的金属重叠样本序列/>,其中,/>表示在预设时间内每个时间间隔获得的金属重叠样本的标号,此标号为金属重叠样本种类/>。
获取中的众数作为待测金属重叠样本所属的金属重叠样本,对判断结果进行验证:
获取样本种类可信度序列的均值作为第二均值,与预设阈值比较:
响应于第二均值小于预设阈值,待测金属重叠样本受到干扰较大,检测识别无效;
响应于第二均值不小于预设阈值,待测金属重叠样本受到干扰较小,检测识别有效。
示例性的,阈值取0.8。
如图3中所示,设备301可以包括CPU3011,其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步,设备301还可以包括大容量存储器3012和只读存储器ROM 3013,其中大容量存储器3012可以配置用于存储各类数据以及多媒体网络所需的各种程序,ROM 3013可以配置成存储对于设备301的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据。
进一步,设备301还包括其他的硬件平台或组件,例如示出的TPU(TensorProcessing Unit,张量处理单元)3014、GPU(Graphic Processing Unit,图形处理器)3015、FPGA(Field Programmable Gate Array,现场可编程逻辑门阵列)3016和MLU(MemoryLogic Unit),存储器逻辑单元)3017。可以理解的是,尽管在设备301中示出了多种硬件平台或组件,但这里仅仅是示例性的而非限制性的,本领域技术人员可以根据实际需要增加或移除相应的硬件。例如,设备301可以仅包括CPU作为公知硬件平台和另一硬件平台作为本发明的测试硬件平台。
本发明的设备301还包括通信接口3018,从而可以通过该通信接口3018连接到局域网/无线局域网(LAN/WLAN)305,进而可以通过LAN/WLAN连接到本地服务306或连接到因特网(“Internet”)307。替代地或附加地,本发明的设备301还可以通过通信接口3018基于无线通信技术直接连接到因特网或蜂窝网络,例如基于第三代(“3G”)、第四代(“4G”)或第5代(“5G”)的无线通信技术。在一些应用场景中,本发明的设备301还可以根据需要访问外部网络的服务器308以及可能的数据库309。
设备301的外围设备可以包括显示装置302、输入装置303以及数据传输接口304。在一个实施例中,显示装置302可以例如包括一个或多个扬声器和/或一个或多个视觉显示器。输入装置303可以包括例如键盘、鼠标、麦克风、姿势捕捉相机,或其他输入按钮或控件,其配置用于接收数据的输入或用户指令。数据传输接口304可以包括例如串行接口、并行接口或通用串行总线接口(“USB”)、小型计算机系统接口(“SCSI”)、串行ATA、火线(“FireWire”)、PCI Express和高清多媒体接口(“HDMI”)等,其配置用于与其他设备或系统的数据传输和交互。
本发明的设备301的上述CPU 3011、大容量存储器3012、只读存储器ROM 3013、TPU3014、GPU 3015、FPGA 3016、MLU 3017和通信接口3018可以通过总线3019相互连接,并且通过该总线与外围设备实现数据交互。在一个实施例中,通过该总线3019,CPU 3011可以控制设备301中的其他硬件组件及其外围设备。
在工作中,本发明的设备301的处理器CPU 3011可以通过输入装置303或数据传输接口304获取媒体数据包,并调取存储于大容量存储器3012中的计算机程序指令或代码进行计算。
从上面关于本发明模块化设计的描述可以看出,本发明的系统可以根据应用场景或需求进行灵活地布置而不限于附图所示出的架构。进一步,还应当理解,本发明示例的执行操作的任何模块、单元、组件、服务器、计算机或设备可以包括或以其他方式访问计算机可读介质,诸如存储介质、计算机存储介质或数据存储设备(可移除的和/或不可移动的)例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质,例如计算机可读指令、数据结构、程序模块或其他数据。
基于此,本发明也公开了一种计算机可读存储介质,其上存储有用于一种基于人工智能的金属重叠检测系统的计算机可读指令,该计算机可读指令被一个或多个处理器执行时,实现如前文中一个或多个实施例所述的一种基于人工智能的金属重叠检测方法。
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。
Claims (6)
1.一种基于人工智能的金属重叠检测方法,其特征在于,包括以下步骤:
获取预设时间内目标时刻金属重叠样本的多位置磁通量数据,以构建多位置磁通量曲线;
分别基于所述多位置磁通量曲线的波峰和波谷,生成上包络线和下包络线;
基于所述上包络线和所述下包络线以及第一均值构建目标高斯模型,所述第一均值为所述目标时刻的所述多位置磁通量数据的均值;
获取待测金属重叠样本在所述目标时刻的所述多位置磁通量曲线,并输入至所述目标高斯模型中,获得所述目标时刻的概率值序列,所述概率值序列中的概率值与所述目标时刻的金属重叠样本一一对应;
计算所述目标时刻的样本种类可信度,并获得所述预设时间内的样本种类可信度序列;
比较第二均值与预设阈值以生成检测结果,所述第二均值为所述预设时间内的所述样本种类可信度序列的均值。
2.根据权利要求1所述的一种基于人工智能的金属重叠检测方法,其特征在于,所述构建目标高斯模型包括:
计算所述目标时刻的所述上包络线与所述第一均值的差值作为第一差值,计算所述目标时刻的所述下包络线与所述第一均值的差值作为第二差值,计算所述第一差值和所述第二差值的平均值作为第三均值;
以所述第一均值作为高斯模型的均值,以所述第三均值作为高斯模型的预设标准差,构建目标高斯模型,所述预设时间内的所述目标时刻与所述目标高斯模型一一对应。
3.根据权利要求1所述的一种基于人工智能的金属重叠检测方法,其特征在于,所述样本种类可信度满足关系式:
其中,为待测金属重叠样本在/>时刻下的样本种类可信度,/>为/>时刻下待测金属重叠样本属于任意一个金属重叠样本的概率值序列,/>为概率值序列中的最大值,/>为/>对应的金属重叠样本在/>时刻下对应的目标高斯模型与剩余所有金属重叠样本在/>时刻下对应的目标高斯模型的/>散度值的最小值。
4.根据权利要求1所述的一种基于人工智能的金属重叠检测方法,其特征在于,获得所述目标时刻的概率值序列包括:
将目标时刻下的待测金属重叠样本的多位置磁通量数据分别带入目标时刻下每种金属重叠样本对应的目标高斯模型;
获得待测金属重叠样本在所述目标时刻下属于对应金属重叠样本的概率值,从而获得待测金属重叠样本在所述目标时刻下属于任意一个金属重叠样本的概率值序列。
5.根据权利要求1所述的一种基于人工智能的金属重叠检测方法,其特征在于,所述比较第二均值与预设阈值以生成检测结果包括:
响应于所述第二均值小于预设阈值,所述待测金属重叠样本受到干扰较大,检测识别无效;
响应于所述第二均值不小于预设阈值,所述待测金属重叠样本受到干扰较小,检测识别有效。
6.一种基于人工智能的金属重叠检测系统,其特征在于,包括:
处理器;以及存储器,其存储有用于一种基于人工智能的金属重叠检测方法的计算机指令,当所述计算机指令由所述处理器运行时,使得设备执行根据权利要求1-5的任意一项所述的一种基于人工智能的金属重叠检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311614036.4A CN117609881B (zh) | 2023-11-29 | 2023-11-29 | 一种基于人工智能的金属重叠检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311614036.4A CN117609881B (zh) | 2023-11-29 | 2023-11-29 | 一种基于人工智能的金属重叠检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117609881A true CN117609881A (zh) | 2024-02-27 |
CN117609881B CN117609881B (zh) | 2024-04-30 |
Family
ID=89947731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311614036.4A Active CN117609881B (zh) | 2023-11-29 | 2023-11-29 | 一种基于人工智能的金属重叠检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117609881B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004045119A (ja) * | 2002-07-10 | 2004-02-12 | Tohoku Ricoh Co Ltd | 磁気センサ、この磁気センサを用いた方位検知システム及び携帯通信端末 |
CN202042055U (zh) * | 2011-05-04 | 2011-11-16 | 广州凌拓电子科技有限公司 | 一种车辆检测器 |
WO2011153115A2 (en) * | 2010-05-31 | 2011-12-08 | Central Signal, Llc | Roadway detection |
US20180144467A1 (en) * | 2016-11-22 | 2018-05-24 | Hyperfine Research, Inc. | Systems and methods for automated detection in magnetic resonance images |
CN108229649A (zh) * | 2016-12-22 | 2018-06-29 | 三星电子株式会社 | 用于深度学习训练的方法和设备 |
CN108491357A (zh) * | 2018-03-29 | 2018-09-04 | 润电能源科学技术有限公司 | 一种稳态检测的方法以及相关设备 |
CN109188533A (zh) * | 2018-07-20 | 2019-01-11 | 中国科学院信息工程研究所 | 一种电子设备的探测方法、装置和设备 |
CN109684118A (zh) * | 2018-12-10 | 2019-04-26 | 深圳前海微众银行股份有限公司 | 异常数据的检测方法、装置、设备及计算机可读存储介质 |
WO2020006841A1 (zh) * | 2018-07-06 | 2020-01-09 | 平安科技(深圳)有限公司 | 用电量异常检测方法、装置、终端及计算机可读存储介质 |
CN112131272A (zh) * | 2020-09-22 | 2020-12-25 | 平安科技(深圳)有限公司 | 多元kpi时间序列的检测方法、装置、设备及存储介质 |
JP2021012138A (ja) * | 2019-07-08 | 2021-02-04 | キヤノン電子株式会社 | シート搬送装置及び画像読取装置 |
CN112465001A (zh) * | 2020-11-23 | 2021-03-09 | 上海电气集团股份有限公司 | 一种基于逻辑回归的分类方法及装置 |
CN112508947A (zh) * | 2020-12-29 | 2021-03-16 | 苏州光格科技股份有限公司 | 一种电缆隧道异常检测方法 |
WO2021212752A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 基于设备指标数据的异常检测方法、装置、设备及存储介质 |
US20220198633A1 (en) * | 2020-12-22 | 2022-06-23 | Hon Hai Precision Industry Co., Ltd. | Defect detection method, electronic device and storage medium |
CN114755036A (zh) * | 2022-06-16 | 2022-07-15 | 中国人民解放军国防科技大学 | 磁浮列车悬浮系统的故障检测方法、装置、设备及介质 |
CN115004062A (zh) * | 2019-10-25 | 2022-09-02 | 韦特里西提公司 | 用于对象检测和车辆位置确定的电路 |
CN217819033U (zh) * | 2022-08-08 | 2022-11-15 | 阿童木(广州)智能科技有限公司 | 一种颜色传感器的检测仪器 |
CN115795353A (zh) * | 2023-02-06 | 2023-03-14 | 北京科技大学 | 一种基于不均衡数据集的地下金属目标分类方法及系统 |
CN115841447A (zh) * | 2022-08-18 | 2023-03-24 | 陕西科技大学 | 一种磁瓦表面缺陷的检测方法 |
-
2023
- 2023-11-29 CN CN202311614036.4A patent/CN117609881B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004045119A (ja) * | 2002-07-10 | 2004-02-12 | Tohoku Ricoh Co Ltd | 磁気センサ、この磁気センサを用いた方位検知システム及び携帯通信端末 |
WO2011153115A2 (en) * | 2010-05-31 | 2011-12-08 | Central Signal, Llc | Roadway detection |
CN202042055U (zh) * | 2011-05-04 | 2011-11-16 | 广州凌拓电子科技有限公司 | 一种车辆检测器 |
US20180144467A1 (en) * | 2016-11-22 | 2018-05-24 | Hyperfine Research, Inc. | Systems and methods for automated detection in magnetic resonance images |
US11205120B2 (en) * | 2016-12-22 | 2021-12-21 | Samsung Electronics Co., Ltd | System and method for training deep learning classification networks |
CN108229649A (zh) * | 2016-12-22 | 2018-06-29 | 三星电子株式会社 | 用于深度学习训练的方法和设备 |
CN108491357A (zh) * | 2018-03-29 | 2018-09-04 | 润电能源科学技术有限公司 | 一种稳态检测的方法以及相关设备 |
WO2020006841A1 (zh) * | 2018-07-06 | 2020-01-09 | 平安科技(深圳)有限公司 | 用电量异常检测方法、装置、终端及计算机可读存储介质 |
CN109188533A (zh) * | 2018-07-20 | 2019-01-11 | 中国科学院信息工程研究所 | 一种电子设备的探测方法、装置和设备 |
CN109684118A (zh) * | 2018-12-10 | 2019-04-26 | 深圳前海微众银行股份有限公司 | 异常数据的检测方法、装置、设备及计算机可读存储介质 |
JP2021012138A (ja) * | 2019-07-08 | 2021-02-04 | キヤノン電子株式会社 | シート搬送装置及び画像読取装置 |
CN115004062A (zh) * | 2019-10-25 | 2022-09-02 | 韦特里西提公司 | 用于对象检测和车辆位置确定的电路 |
WO2021212752A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技(深圳)有限公司 | 基于设备指标数据的异常检测方法、装置、设备及存储介质 |
WO2021189844A1 (zh) * | 2020-09-22 | 2021-09-30 | 平安科技(深圳)有限公司 | 多元kpi时间序列的检测方法、装置、设备及存储介质 |
CN112131272A (zh) * | 2020-09-22 | 2020-12-25 | 平安科技(深圳)有限公司 | 多元kpi时间序列的检测方法、装置、设备及存储介质 |
CN112465001A (zh) * | 2020-11-23 | 2021-03-09 | 上海电气集团股份有限公司 | 一种基于逻辑回归的分类方法及装置 |
US20220198633A1 (en) * | 2020-12-22 | 2022-06-23 | Hon Hai Precision Industry Co., Ltd. | Defect detection method, electronic device and storage medium |
CN112508947A (zh) * | 2020-12-29 | 2021-03-16 | 苏州光格科技股份有限公司 | 一种电缆隧道异常检测方法 |
CN114755036A (zh) * | 2022-06-16 | 2022-07-15 | 中国人民解放军国防科技大学 | 磁浮列车悬浮系统的故障检测方法、装置、设备及介质 |
CN217819033U (zh) * | 2022-08-08 | 2022-11-15 | 阿童木(广州)智能科技有限公司 | 一种颜色传感器的检测仪器 |
CN115841447A (zh) * | 2022-08-18 | 2023-03-24 | 陕西科技大学 | 一种磁瓦表面缺陷的检测方法 |
CN115795353A (zh) * | 2023-02-06 | 2023-03-14 | 北京科技大学 | 一种基于不均衡数据集的地下金属目标分类方法及系统 |
Non-Patent Citations (3)
Title |
---|
杜歆;陈建娟;王选贺;: "一种基于高斯概率模型的多人跟踪算法", 传感技术学报, no. 09, 20 September 2009 (2009-09-20) * |
毛红涛;王哈力;: "一种油管缺陷无损检测系统的实现", 现代电子技术, no. 01, 1 January 2010 (2010-01-01) * |
葛曙乐;许廷发;倪国强;: "快速无参数背景建模的红外目标检测方法研究", 光学技术, no. 05, 15 September 2010 (2010-09-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117609881B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
US20120216076A1 (en) | Method and system for automatic memory leak detection | |
CN109697468B (zh) | 样本图像的标注方法、装置及存储介质 | |
CN105022694B (zh) | 用于移动终端测试的测试用例生成方法及系统 | |
WO2017020614A1 (zh) | 一种检测磁盘的方法及装置 | |
US20230214989A1 (en) | Defect detection method, electronic device and readable storage medium | |
CN111563014A (zh) | 接口服务性能测试方法、装置、设备和存储介质 | |
CN113449703B (zh) | 环境在线监测数据的质控方法、装置、存储介质及设备 | |
CN108180935B (zh) | 传感器的故障检测方法及装置 | |
CN110647913A (zh) | 基于聚类算法的异常数据检测方法及装置 | |
CN113963033B (zh) | 一种基于人工智能的电力设备异常检测方法和系统 | |
CN114584377A (zh) | 流量异常检测方法、模型的训练方法、装置、设备及介质 | |
CN112729884B (zh) | 基于大数据的设备故障诊断方法及装置 | |
CN113326191A (zh) | 耗流测试方法、装置及存储介质 | |
CN117609881B (zh) | 一种基于人工智能的金属重叠检测方法及系统 | |
CN112214394A (zh) | 内存泄漏检测方法、装置和设备 | |
CN109344025B (zh) | Cpu性能自监控方法及服务器 | |
CN113551156B (zh) | 基于深度学习的管道状态监测方法、装置及存储介质 | |
CN114708239A (zh) | 胶宽检测方法、装置、电子设备及存储介质 | |
CN204480170U (zh) | 基于处理器的自检测、异常时复位系统 | |
CN114579391A (zh) | 异常数据的检测方法、系统、介质及终端 | |
CN113435305A (zh) | 目标物识别算法的精度检测方法、装置、设备及存储介质 | |
CN111176931A (zh) | 一种运营监控方法、装置、服务器及存储介质 | |
CN113806236B (zh) | 一种移动测试领域云真机一机多控的方法及系统 | |
CN117055718B (zh) | 一种服务器功耗检测系统、方法、装置、设备和存储介质 |
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 |