CN117634989B - 一种基于人工智能的脚轮质量评估方法、系统及存储介质 - Google Patents
一种基于人工智能的脚轮质量评估方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117634989B CN117634989B CN202410106140.0A CN202410106140A CN117634989B CN 117634989 B CN117634989 B CN 117634989B CN 202410106140 A CN202410106140 A CN 202410106140A CN 117634989 B CN117634989 B CN 117634989B
- Authority
- CN
- China
- Prior art keywords
- caster
- data
- clustering
- image
- carrying
- 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
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 55
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 123
- 238000004458 analytical method Methods 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 48
- 235000004443 Ricinus communis Nutrition 0.000 claims abstract description 39
- 238000013441 quality evaluation Methods 0.000 claims abstract description 36
- 238000004519 manufacturing process Methods 0.000 claims abstract description 28
- 238000012806 monitoring device Methods 0.000 claims abstract description 21
- 238000006073 displacement reaction Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims description 19
- 238000003064 k means clustering Methods 0.000 claims description 11
- 238000013075 data extraction Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000003706 image smoothing Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 abstract description 5
- 239000000047 product Substances 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000009863 impact test Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/04—Manufacturing
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Radiation Pyrometers (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于人工智能的脚轮质量评估方法、系统及存储介质。通过图像监测装置，获取脚轮测试过程的高清图像数据与红外图像数据；基于脚轮区域信息进行图像区域划分并对脚轮图像进行形变与位移偏差分析，得到第一测试偏差信息；以脚轮区域作为分析区域对象，对红外图像数据进行红外图像特征提取，得到红外特征数据与温度波动特征数据；将红外特征数据与温度波动特征数据作为聚类样品数据进行区域性聚类分组，基于区域分组结果与第一测试偏差信息进行脚轮质量评估，并生成脚轮生产质量评估结果。通过本发明，能够对多个测试脚轮实现图像化分析的质量评估，实现精准与科学地筛选出不同质量等级的脚轮，能够进一步指导生产调控。
Description
技术领域
本发明涉及人工智能领域，更具体的，涉及一种基于人工智能的脚轮质量评估方法、系统及存储介质。
背景技术
脚轮是现代工业和物流领域中广泛使用的一种设备，其质量直接影响到设备的运行效果和安全性。传统的脚轮质量评估方法主要依赖于人工检测和简单的实验测试，无法对脚轮的各项性能指标进行全面、准确的分析和评估，难以发现其中的隐藏问题。受制于传统技术，质量评估效果不理想，不够精准与科学。因此，目前亟需基于人工智能的脚轮质量评估方法。
发明内容
本发明克服了现有技术的缺陷，提出了一种基于人工智能的脚轮质量评估方法、系统及存储介质。
本发明第一方面提供了一种基于人工智能的脚轮质量评估方法，包括：
基于预设脚轮测试计划，对目标脚轮进行使用测试，通过图像监测装置，获取测试过程的高清图像数据与红外图像数据；
基于高清图像数据进行脚轮区域识别，得到脚轮区域信息，基于脚轮区域信息进行图像区域划分并对脚轮图像进行形变与位移偏差分析，得到第一测试偏差信息；
基于脚轮区域信息，以脚轮区域作为分析区域对象，对红外图像数据进行红外图像特征提取，得到红外特征数据，对红外图像数据进行测试中的脚轮温度数据提取并基于时间维度进行波动分析，得到温度波动特征数据；
基于k-means聚类算法，将红外特征数据与温度波动特征数据作为聚类样品数据，对红外图像数据进行区域性聚类分组，得到区域分组结果；
基于区域分组结果与第一测试偏差信息进行脚轮质量评估，并生成脚轮生产质量评估结果。
本方案中，所述基于预设脚轮测试计划，对目标脚轮进行使用测试，通过图像监测装置，获取测试过程的高清图像数据与红外图像数据，具体为：
基于预设脚轮测试计划对目标脚轮进行测试，在测试过程中，通过图像监测装置获取测试视频数据与红外图像数据；
将所述测试视频数据进行关键帧提取，得到关键图像帧；
将所述关键图像帧进行图像平滑、增强、标准化预处理，并将与处理后的关键图像帧作为高清图像数据。
本方案中，所述基于高清图像数据进行脚轮区域识别，得到脚轮区域信息，基于脚轮区域信息进行图像区域划分并对脚轮图像进行形变与位移偏差分析，得到第一测试偏差信息，具体为：
通过基于CNN的图像识别模型，对高清图像数据进行脚轮物体识别，并得到相应的脚轮区域信息；
基于脚轮区域信息，对高清图像数据的图像区域进行划分，得到多个脚轮图像区域；
通过多个脚轮图像区域，对高清图像数据进行脚轮图像轮廓识别与特征提取，得到不同脚轮图像区域的脚轮轮廓特征；
基于所述脚轮轮廓特征进行形变与位移偏差分析，分析过程与参照特征进行对比，得到每个脚轮图像区域对应的第一偏差信息；
将所有第一偏差信息进行信息整合，形成第一测试偏差信息。
本方案中，所述基于脚轮区域信息，以脚轮区域作为分析区域对象，对红外图像数据进行红外图像特征提取，得到红外特征数据，对红外图像数据进行测试中的脚轮温度数据提取并基于时间维度进行波动分析，得到温度波动特征数据，具体为：
基于每个脚轮图像区域，从红外图像数据进行特征提取，得到每个脚轮图像区域对应的红外特征数据；
对红外特征数据进行温度数值转化并基于时间维度进行温度波动分析，得到每个脚轮图像区域对应的温度波动特征数据。
本方案中，所述基于k-means聚类算法，将红外特征数据与温度波动特征数据作为聚类样品数据，对红外图像数据进行区域性聚类分组，得到区域分组结果，具体为：
构建基于k-means的聚类模型；
基于每个脚轮图像区域对应的温度波动特征数据，进行图像区域之间的温度差异分析，并生成初始分组数K；
在聚类模型中，随机设定K个初始聚类中心；
将每个脚轮图像区域对应的红外特征数据与温度波动特征数据进行数据组合，形成每个脚轮图像区域的组合特征数据；
将所有的组合特征数据作为聚类样品数据，聚类过程以每个脚轮图像区域作为聚类单位，对所述样品数据进行聚类分组，聚类分组过程为基于标准化欧氏距离，计算所述样品数据到k个初始聚类中心的数据距离，基于距离值对数据分组，并最终得到区域分组结果；
所述区域分组结果包括多组聚类区域，每一组聚类组区域包括至少一个脚轮图像区域。
本方案中，所述基于区域分组结果与第一测试偏差信息进行脚轮质量评估，并生成脚轮生产质量评估结果，具体为：
基于区域分组结果，对不同聚类区域划分成K个质量等级，每个质量等级对应一个聚类区域；
以一个聚类区域作为分析单位，并标记为当前聚类区域；
获取当前聚类区域下所有脚轮图像区域，将所述所有脚轮图像区域对应的脚轮标记为当前分析脚轮；
基于当前聚类区域的质量等级，对当前分析脚轮进行数据关联，使每个当前分析脚轮对应一个质量等级；
基于区域分组结果，分析所有聚类区域，使所有目标脚轮对应一个质量等级；
基于目标脚轮的质量等级，结合第一测试偏差信息，对目标脚轮进行综合质量评估，得到脚轮生产质量评估结果。
本发明第二方面还提供了一种基于人工智能的脚轮质量评估系统，该系统包括：存储器、处理器，所述存储器中包括基于人工智能的脚轮质量评估程序，所述基于人工智能的脚轮质量评估程序被所述处理器执行时实现如下步骤：
基于预设脚轮测试计划，对目标脚轮进行使用测试，通过图像监测装置，获取测试过程的高清图像数据与红外图像数据；
基于高清图像数据进行脚轮区域识别，得到脚轮区域信息，基于脚轮区域信息进行图像区域划分并对脚轮图像进行形变与位移偏差分析，得到第一测试偏差信息；
基于脚轮区域信息，以脚轮区域作为分析区域对象，对红外图像数据进行红外图像特征提取，得到红外特征数据，对红外图像数据进行测试中的脚轮温度数据提取并基于时间维度进行波动分析，得到温度波动特征数据；
基于k-means聚类算法，将红外特征数据与温度波动特征数据作为聚类样品数据，对红外图像数据进行区域性聚类分组，得到区域分组结果；
基于区域分组结果与第一测试偏差信息进行脚轮质量评估，并生成脚轮生产质量评估结果。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于人工智能的脚轮质量评估程序，所述基于人工智能的脚轮质量评估程序被处理器执行时，实现如上述任一项所述的基于人工智能的脚轮质量评估方法的步骤。
本发明公开了一种基于人工智能的脚轮质量评估方法、系统及存储介质。通过图像监测装置，获取脚轮测试过程的高清图像数据与红外图像数据； 基于脚轮区域信息进行图像区域划分并对脚轮图像进行形变与位移偏差分析，得到第一测试偏差信息；以脚轮区域作为分析区域对象，对红外图像数据进行红外图像特征提取，得到红外特征数据与温度波动特征数据；将红外特征数据与温度波动特征数据作为聚类样品数据进行区域性聚类分组，基于区域分组结果与第一测试偏差信息进行脚轮质量评估，并生成脚轮生产质量评估结果。通过本发明，能够对多个测试脚轮实现图像化分析的质量评估，实现精准与科学地筛选出不同质量等级的脚轮，能够进一步指导生产调控。
附图说明
图1示出了本发明一种基于人工智能的脚轮质量评估方法的流程图；
图2示出了本发明高清图像数据获取流程图；
图3示出了本发明一种基于人工智能的脚轮质量评估系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于人工智能的脚轮质量评估方法的流程图。
如图1所示，本发明第一方面提供了一种基于人工智能的脚轮质量评估方法，包括：
S102，基于预设脚轮测试计划，对目标脚轮进行使用测试，通过图像监测装置，获取测试过程的高清图像数据与红外图像数据；
S104，基于高清图像数据进行脚轮区域识别，得到脚轮区域信息，基于脚轮区域信息进行图像区域划分并对脚轮图像进行形变与位移偏差分析，得到第一测试偏差信息；
S106，基于脚轮区域信息，以脚轮区域作为分析区域对象，对红外图像数据进行红外图像特征提取，得到红外特征数据，对红外图像数据进行测试中的脚轮温度数据提取并基于时间维度进行波动分析，得到温度波动特征数据；
S108，基于k-means聚类算法，将红外特征数据与温度波动特征数据作为聚类样品数据，对红外图像数据进行区域性聚类分组，得到区域分组结果；
S110，基于区域分组结果与第一测试偏差信息进行脚轮质量评估，并生成脚轮生产质量评估结果。
需要说明的是，所述预设脚轮测试计划一般包括移动测试、撞击测试等，在测试过程中，由于使脚轮进行旋转运动，从而产生摩擦热量与一定的测试形变，通过图像监测进行图像数据分析，能够从中得到基于图像数据的质量评估情况。
图2示出了本发明高清图像数据获取流程图。
根据本发明实施例，所述基于预设脚轮测试计划，对目标脚轮进行使用测试，通过图像监测装置，获取测试过程的高清图像数据与红外图像数据，具体为：
S202，基于预设脚轮测试计划对目标脚轮进行测试，在测试过程中，通过图像监测装置获取测试视频数据与红外图像数据；
S204，将所述测试视频数据进行关键帧提取，得到关键图像帧；
S206，将所述关键图像帧进行图像平滑、增强、标准化预处理，并将与处理后的关键图像帧作为高清图像数据。
需要说明的是，所述图像监测装置包括高清摄像装置与红外摄像装置，均置于一个监测装置内，且两者装置获取的图像大小规格相同。所述高清图像数据与红外图像数据均包括多张图像数据，且每张图像数据包含相应时间信息，以在后续进行发热温度波动分析。
根据本发明实施例，所述基于高清图像数据进行脚轮区域识别，得到脚轮区域信息，基于脚轮区域信息进行图像区域划分并对脚轮图像进行形变与位移偏差分析，得到第一测试偏差信息，具体为：
通过基于CNN的图像识别模型，对高清图像数据进行脚轮物体识别，并得到相应的脚轮区域信息；
基于脚轮区域信息，对高清图像数据的图像区域进行划分，得到多个脚轮图像区域；
通过多个脚轮图像区域，对高清图像数据进行脚轮图像轮廓识别与特征提取，得到不同脚轮图像区域的脚轮轮廓特征；
基于所述脚轮轮廓特征进行形变与位移偏差分析，分析过程与参照特征进行对比，得到每个脚轮图像区域对应的第一偏差信息；
将所有第一偏差信息进行信息整合，形成第一测试偏差信息。
需要说明的是，所述脚轮区域信息包括多个脚轮所在图像的位置信息，在一次测试过程中，往往需要对多个脚轮进行同时测试，且多个脚轮一般依附于某一平台装置中，以模拟实际脚轮的使用情况，所述多个脚轮图像区域中，一个脚轮图像区域对应一个脚轮，在高清图像数据中，同一图像存在多个脚轮，基于测试需要可对不同脚轮进行编号，以对其进行偏差分析与产品生成调控。
所述参照特征具体为标准情况下的参照脚轮轮廓特征，即无形变情况下的特征，用于进行对比。
所述基于CNN的图像识别模型为一种基于人工智能，具有学习能力的图像识别模型。
根据本发明实施例，所述基于脚轮区域信息，以脚轮区域作为分析区域对象，对红外图像数据进行红外图像特征提取，得到红外特征数据，对红外图像数据进行测试中的脚轮温度数据提取并基于时间维度进行波动分析，得到温度波动特征数据，具体为：
基于每个脚轮图像区域，从红外图像数据进行特征提取，得到每个脚轮图像区域对应的红外特征数据；
对红外特征数据进行温度数值转化并基于时间维度进行温度波动分析，得到每个脚轮图像区域对应的温度波动特征数据。
需要说明的是，所述以脚轮区域作为分析区域对象即对应以脚轮图像区域进行分析。对图像进行区域性分析能够提高对脚轮的质量评估精细程度。所述红外特征数据主要用于判别对应温度信息。所述温度波动特征包括在测试过程中，脚轮的温度上升快慢、温度最大最小值等特征数据。
根据本发明实施例，所述基于k-means聚类算法，将红外特征数据与温度波动特征数据作为聚类样品数据，对红外图像数据进行区域性聚类分组，得到区域分组结果，具体为：
构建基于k-means的聚类模型；
基于每个脚轮图像区域对应的温度波动特征数据，进行图像区域之间的温度差异分析，并生成初始分组数K；
在聚类模型中，随机设定K个初始聚类中心；
将每个脚轮图像区域对应的红外特征数据与温度波动特征数据进行数据组合，形成每个脚轮图像区域的组合特征数据；
将所有的组合特征数据作为聚类样品数据，聚类过程以每个脚轮图像区域作为聚类单位，对所述样品数据进行聚类分组，聚类分组过程为基于标准化欧氏距离，计算所述样品数据到k个初始聚类中心的数据距离，基于距离值对数据分组，并最终得到区域分组结果；
所述区域分组结果包括多组聚类区域，每一组聚类组区域包括至少一个脚轮图像区域。
需要说明的是，所述温度差异分析一般为基于不同脚轮图像区域对应的温度平均值进行分析，分析基于数据的离散程度，离散程度越高，K值越大，代表当前不同区域的脚轮测试温度变化差异大，产品存在质量不一致的情况越严重，反之，K值越小，代表各个脚轮温度变化越接近，各个脚轮质量越接近。所述区域分组结果中，每一组聚类组区域包括至少一个脚轮图像区域，且每组聚类区域包括聚类后的数据，即其对应所有脚轮图像区域的组合数据。
在本发明中，通过区域性分析脚轮测试红外图像，并基于相应的区域特征（红外特征数据与温度波动特征数据）进行聚类分组，能够对多个测试脚轮实现图像化分析的质量评估，并且，在聚类过程中，综合考虑了红外特征数据与温度波动特征数据作为聚类样品数据，在得到的聚类组中，同一聚类组下的脚轮图像区域具有红外图像特征与温度变化特征相似的特点，从而精准地筛选出不同质量等级的脚轮，在本发明实施例中，分出的K组脚轮对应K个等级的脚轮，不同等级对应不同质量水准。通常情况下，温度变化越大，红外特征中高温区域越大，且持续时间越长的测试脚轮，不合理的摩擦力越大，其质量越差。
根据本发明实施例，所述基于区域分组结果与第一测试偏差信息进行脚轮质量评估，并生成脚轮生产质量评估结果，具体为：
基于区域分组结果，对不同聚类区域划分成K个质量等级，每个质量等级对应一个聚类区域；
以一个聚类区域作为分析单位，并标记为当前聚类区域；
获取当前聚类区域下所有脚轮图像区域，将所述所有脚轮图像区域对应的脚轮标记为当前分析脚轮；
基于当前聚类区域的质量等级，对当前分析脚轮进行数据关联，使每个当前分析脚轮对应一个质量等级；
基于区域分组结果，分析所有聚类区域，使所有目标脚轮对应一个质量等级；
基于目标脚轮的质量等级，结合第一测试偏差信息，对目标脚轮进行综合质量评估，得到脚轮生产质量评估结果。
需要说明的是，脚轮生产质量评估结果为一种对脚轮进行综合性评估结果，通过本发明的评估方法，能够对脚轮进行精准性、科学性的产品质量评估，通过评估结果数据，能够进一步指导生产企业对脚轮进行调控加工生产，相较于传统以经验方式进行加工调控生产，本发明大大提高了脚轮质量评估的效率与精准性，从而提高脚轮生产质量。
根据本发明实施例，所述对红外特征数据进行温度数值转化并基于时间维度进行温度波动分析，得到每个脚轮图像区域对应的温度波动特征数据，还包括：
对红外特征数据进行温度数值转化，形成基于时间维度的温度数值集合；
基于时间维度与线性回归算法，对温度数值集合中的数据进行连续性分析，得到温度变化曲线图；
通过线性回归算法对温度变化曲线图进行缺失值补充，形成连续性的温度变化曲线图；
基于温度变化曲线图进行波动特征分析，并形成对应的温度波动特征数据。
需要说明的是，受制于分析需求限定，可以针对红外特征数据的温度数值进行较为精准化、详细化的特征数据分析与获取，这是可选的。所述基于时间维度与线性回归算法，对温度数值集合中的数据进行连续性分析，得到温度变化曲线图中，对应的温度变化曲线图的数据较为离散，需要进一步进行连续性数据补充。这些数据对于后续聚类分析可以提供精准化的数据支撑，使数据分类与质量评估更加精细化。
图3示出了本发明一种基于人工智能的脚轮质量评估系统的框图。
本发明第二方面还提供了一种基于人工智能的脚轮质量评估系统3，该系统包括：存储器31、处理器32，所述存储器中包括基于人工智能的脚轮质量评估程序，所述基于人工智能的脚轮质量评估程序被所述处理器执行时实现如下步骤：
基于预设脚轮测试计划，对目标脚轮进行使用测试，通过图像监测装置，获取测试过程的高清图像数据与红外图像数据；
基于高清图像数据进行脚轮区域识别，得到脚轮区域信息，基于脚轮区域信息进行图像区域划分并对脚轮图像进行形变与位移偏差分析，得到第一测试偏差信息；
基于脚轮区域信息，以脚轮区域作为分析区域对象，对红外图像数据进行红外图像特征提取，得到红外特征数据，对红外图像数据进行测试中的脚轮温度数据提取并基于时间维度进行波动分析，得到温度波动特征数据；
基于k-means聚类算法，将红外特征数据与温度波动特征数据作为聚类样品数据，对红外图像数据进行区域性聚类分组，得到区域分组结果；
基于区域分组结果与第一测试偏差信息进行脚轮质量评估，并生成脚轮生产质量评估结果。
需要说明的是，所述预设脚轮测试计划一般包括移动测试、撞击测试等，在测试过程中，由于使脚轮进行旋转运动，从而产生摩擦热量与一定的测试形变，通过图像监测进行图像数据分析，能够从中得到基于图像数据的质量评估情况。
根据本发明实施例，所述基于预设脚轮测试计划，对目标脚轮进行使用测试，通过图像监测装置，获取测试过程的高清图像数据与红外图像数据，具体为：
基于预设脚轮测试计划对目标脚轮进行测试，在测试过程中，通过图像监测装置获取测试视频数据与红外图像数据；
将所述测试视频数据进行关键帧提取，得到关键图像帧；
将所述关键图像帧进行图像平滑、增强、标准化预处理，并将与处理后的关键图像帧作为高清图像数据。
需要说明的是，所述图像监测装置包括高清摄像装置与红外摄像装置，均置于一个监测装置内，且两者装置获取的图像大小规格相同。所述高清图像数据与红外图像数据均包括多张图像数据，且每张图像数据包含相应时间信息，以在后续进行发热温度波动分析。
根据本发明实施例，所述基于高清图像数据进行脚轮区域识别，得到脚轮区域信息，基于脚轮区域信息进行图像区域划分并对脚轮图像进行形变与位移偏差分析，得到第一测试偏差信息，具体为：
通过基于CNN的图像识别模型，对高清图像数据进行脚轮物体识别，并得到相应的脚轮区域信息；
基于脚轮区域信息，对高清图像数据的图像区域进行划分，得到多个脚轮图像区域；
通过多个脚轮图像区域，对高清图像数据进行脚轮图像轮廓识别与特征提取，得到不同脚轮图像区域的脚轮轮廓特征；
基于所述脚轮轮廓特征进行形变与位移偏差分析，分析过程与参照特征进行对比，得到每个脚轮图像区域对应的第一偏差信息；
将所有第一偏差信息进行信息整合，形成第一测试偏差信息。
需要说明的是，所述脚轮区域信息包括多个脚轮所在图像的位置信息，在一次测试过程中，往往需要对多个脚轮进行同时测试，且多个脚轮一般依附于某一平台装置中，以模拟实际脚轮的使用情况，所述多个脚轮图像区域中，一个脚轮图像区域对应一个脚轮，在高清图像数据中，同一图像存在多个脚轮，基于测试需要可对不同脚轮进行编号，以对其进行偏差分析与产品生成调控。
所述参照特征具体为标准情况下的参照脚轮轮廓特征，即无形变情况下的特征，用于进行对比。
根据本发明实施例，所述基于脚轮区域信息，以脚轮区域作为分析区域对象，对红外图像数据进行红外图像特征提取，得到红外特征数据，对红外图像数据进行测试中的脚轮温度数据提取并基于时间维度进行波动分析，得到温度波动特征数据，具体为：
基于每个脚轮图像区域，从红外图像数据进行特征提取，得到每个脚轮图像区域对应的红外特征数据；
对红外特征数据进行温度数值转化并基于时间维度进行温度波动分析，得到每个脚轮图像区域对应的温度波动特征数据。
需要说明的是，所述以脚轮区域作为分析区域对象即对应以脚轮图像区域进行分析。对图像进行区域性分析能够提高对脚轮的质量评估精细程度。所述红外特征数据主要用于判别对应温度信息。所述温度波动特征包括在测试过程中，脚轮的温度上升快慢、温度最大最小值等特征数据。
根据本发明实施例，所述基于k-means聚类算法，将红外特征数据与温度波动特征数据作为聚类样品数据，对红外图像数据进行区域性聚类分组，得到区域分组结果，具体为：
构建基于k-means的聚类模型；
基于每个脚轮图像区域对应的温度波动特征数据，进行图像区域之间的温度差异分析，并生成初始分组数K；
在聚类模型中，随机设定K个初始聚类中心；
将每个脚轮图像区域对应的红外特征数据与温度波动特征数据进行数据组合，形成每个脚轮图像区域的组合特征数据；
将所有的组合特征数据作为聚类样品数据，聚类过程以每个脚轮图像区域作为聚类单位，对所述样品数据进行聚类分组，聚类分组过程为基于标准化欧氏距离，计算所述样品数据到k个初始聚类中心的数据距离，基于距离值对数据分组，并最终得到区域分组结果；
所述区域分组结果包括多组聚类区域，每一组聚类组区域包括至少一个脚轮图像区域。
需要说明的是，所述温度差异分析一般为基于不同脚轮图像区域对应的温度平均值进行分析，分析基于数据的离散程度，离散程度越高，K值越大，代表当前不同区域的脚轮测试温度变化差异大，产品存在质量不一致的情况越严重，反之，K值越小，代表各个脚轮温度变化越接近，各个脚轮质量越接近。所述区域分组结果中，每一组聚类组区域包括至少一个脚轮图像区域，且每组聚类区域包括聚类后的数据，即其对应所有脚轮图像区域的组合数据。
在本发明中，通过区域性分析脚轮测试红外图像，并基于相应的区域特征（红外特征数据与温度波动特征数据）进行聚类分组，能够对多个测试脚轮实现图像化分析的质量评估，并且，在聚类过程中，综合考虑了红外特征数据与温度波动特征数据作为聚类样品数据，在得到的聚类组中，同一聚类组下的脚轮图像区域具有红外图像特征与温度变化特征相似的特点，从而精准地筛选出不同质量等级的脚轮，在本发明实施例中，分出的K组脚轮对应K个等级的脚轮，不同等级对应不同质量水准。通常情况下，温度变化越大，红外特征中高温区域越大，且持续时间越长的测试脚轮，不合理的摩擦力越大，其质量越差。
根据本发明实施例，所述基于区域分组结果与第一测试偏差信息进行脚轮质量评估，并生成脚轮生产质量评估结果，具体为：
基于区域分组结果，对不同聚类区域划分成K个质量等级，每个质量等级对应一个聚类区域；
以一个聚类区域作为分析单位，并标记为当前聚类区域；
获取当前聚类区域下所有脚轮图像区域，将所述所有脚轮图像区域对应的脚轮标记为当前分析脚轮；
基于当前聚类区域的质量等级，对当前分析脚轮进行数据关联，使每个当前分析脚轮对应一个质量等级；
基于区域分组结果，分析所有聚类区域，使所有目标脚轮对应一个质量等级；
基于目标脚轮的质量等级，结合第一测试偏差信息，对目标脚轮进行综合质量评估，得到脚轮生产质量评估结果。
需要说明的是，脚轮生产质量评估结果为一种对脚轮进行综合性评估结果，通过本发明的评估方法，能够对脚轮进行精准性、科学性的产品质量评估，通过评估结果数据，能够进一步指导生产企业对脚轮进行调控加工生产，相较于传统以经验方式进行加工调控生产，本发明大大提高了脚轮质量评估的效率与精准性，从而提高脚轮生产质量。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于人工智能的脚轮质量评估程序，所述基于人工智能的脚轮质量评估程序被处理器执行时，实现如上述任一项所述的基于人工智能的脚轮质量评估方法的步骤。
本发明公开了一种基于人工智能的脚轮质量评估方法、系统及存储介质。通过图像监测装置，获取脚轮测试过程的高清图像数据与红外图像数据； 基于脚轮区域信息进行图像区域划分并对脚轮图像进行形变与位移偏差分析，得到第一测试偏差信息；以脚轮区域作为分析区域对象，对红外图像数据进行红外图像特征提取，得到红外特征数据与温度波动特征数据；将红外特征数据与温度波动特征数据作为聚类样品数据进行区域性聚类分组，基于区域分组结果与第一测试偏差信息进行脚轮质量评估，并生成脚轮生产质量评估结果。通过本发明，能够对多个测试脚轮实现图像化分析的质量评估，实现精准与科学地筛选出不同质量等级的脚轮，能够进一步指导生产调控。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于人工智能的脚轮质量评估方法，其特征在于，包括：
基于预设脚轮测试计划，对目标脚轮进行使用测试，通过图像监测装置，获取测试过程的高清图像数据与红外图像数据；
基于高清图像数据进行脚轮区域识别，得到脚轮区域信息，基于脚轮区域信息进行图像区域划分并对脚轮图像进行形变与位移偏差分析，得到第一测试偏差信息；
基于脚轮区域信息，以脚轮区域作为分析区域对象，对红外图像数据进行红外图像特征提取，得到红外特征数据，对红外图像数据进行测试中的脚轮温度数据提取并基于时间维度进行波动分析，得到温度波动特征数据；
基于k-means聚类算法，将红外特征数据与温度波动特征数据作为聚类样品数据，对红外图像数据进行区域性聚类分组，得到区域分组结果；
基于区域分组结果与第一测试偏差信息进行脚轮质量评估，并生成脚轮生产质量评估结果；
其中，所述基于k-means聚类算法，将红外特征数据与温度波动特征数据作为聚类样品数据，对红外图像数据进行区域性聚类分组，得到区域分组结果，具体为：
构建基于k-means的聚类模型；
基于每个脚轮图像区域对应的温度波动特征数据，进行图像区域之间的温度差异分析，并生成初始分组数K；
在聚类模型中，随机设定K个初始聚类中心；
将每个脚轮图像区域对应的红外特征数据与温度波动特征数据进行数据组合，形成每个脚轮图像区域的组合特征数据；
将所有的组合特征数据作为聚类样品数据，聚类过程以每个脚轮图像区域作为聚类单位，对所述样品数据进行聚类分组，聚类分组过程为基于标准化欧氏距离，计算所述样品数据到k个初始聚类中心的数据距离，基于距离值对数据分组，并最终得到区域分组结果；
所述区域分组结果包括多组聚类区域，每一组聚类组区域包括至少一个脚轮图像区域；
其中，所述基于区域分组结果与第一测试偏差信息进行脚轮质量评估，并生成脚轮生产质量评估结果，具体为：
基于区域分组结果，对不同聚类区域划分成K个质量等级，每个质量等级对应一个聚类区域；
以一个聚类区域作为分析单位，并标记为当前聚类区域；
获取当前聚类区域下所有脚轮图像区域，将所述所有脚轮图像区域对应的脚轮标记为当前分析脚轮；
基于当前聚类区域的质量等级，对当前分析脚轮进行数据关联，使每个当前分析脚轮对应一个质量等级；
基于区域分组结果，分析所有聚类区域，使所有目标脚轮对应一个质量等级；
基于目标脚轮的质量等级，结合第一测试偏差信息，对目标脚轮进行综合质量评估，得到脚轮生产质量评估结果。
2.根据权利要求1所述的一种基于人工智能的脚轮质量评估方法，其特征在于，所述基于预设脚轮测试计划，对目标脚轮进行使用测试，通过图像监测装置，获取测试过程的高清图像数据与红外图像数据，具体为：
基于预设脚轮测试计划对目标脚轮进行测试，在测试过程中，通过图像监测装置获取测试视频数据与红外图像数据；
将所述测试视频数据进行关键帧提取，得到关键图像帧；
将所述关键图像帧进行图像平滑、增强、标准化预处理，并将与处理后的关键图像帧作为高清图像数据。
3.根据权利要求2所述的一种基于人工智能的脚轮质量评估方法，其特征在于，所述基于高清图像数据进行脚轮区域识别，得到脚轮区域信息，基于脚轮区域信息进行图像区域划分并对脚轮图像进行形变与位移偏差分析，得到第一测试偏差信息，具体为：
通过基于CNN的图像识别模型，对高清图像数据进行脚轮物体识别，并得到相应的脚轮区域信息；
基于脚轮区域信息，对高清图像数据的图像区域进行划分，得到多个脚轮图像区域；
通过多个脚轮图像区域，对高清图像数据进行脚轮图像轮廓识别与特征提取，得到不同脚轮图像区域的脚轮轮廓特征；
基于所述脚轮轮廓特征进行形变与位移偏差分析，分析过程与参照特征进行对比，得到每个脚轮图像区域对应的第一偏差信息；
将所有第一偏差信息进行信息整合，形成第一测试偏差信息。
4.根据权利要求3所述的一种基于人工智能的脚轮质量评估方法，其特征在于，所述基于脚轮区域信息，以脚轮区域作为分析区域对象，对红外图像数据进行红外图像特征提取，得到红外特征数据，对红外图像数据进行测试中的脚轮温度数据提取并基于时间维度进行波动分析，得到温度波动特征数据，具体为：
基于每个脚轮图像区域，从红外图像数据进行特征提取，得到每个脚轮图像区域对应的红外特征数据；
对红外特征数据进行温度数值转化并基于时间维度进行温度波动分析，得到每个脚轮图像区域对应的温度波动特征数据。
5.一种基于人工智能的脚轮质量评估系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于人工智能的脚轮质量评估程序，所述基于人工智能的脚轮质量评估程序被所述处理器执行时实现如下步骤：
基于预设脚轮测试计划，对目标脚轮进行使用测试，通过图像监测装置，获取测试过程的高清图像数据与红外图像数据；
基于高清图像数据进行脚轮区域识别，得到脚轮区域信息，基于脚轮区域信息进行图像区域划分并对脚轮图像进行形变与位移偏差分析，得到第一测试偏差信息；
基于脚轮区域信息，以脚轮区域作为分析区域对象，对红外图像数据进行红外图像特征提取，得到红外特征数据，对红外图像数据进行测试中的脚轮温度数据提取并基于时间维度进行波动分析，得到温度波动特征数据；
基于k-means聚类算法，将红外特征数据与温度波动特征数据作为聚类样品数据，对红外图像数据进行区域性聚类分组，得到区域分组结果；
基于区域分组结果与第一测试偏差信息进行脚轮质量评估，并生成脚轮生产质量评估结果；
其中，所述基于k-means聚类算法，将红外特征数据与温度波动特征数据作为聚类样品数据，对红外图像数据进行区域性聚类分组，得到区域分组结果，具体为：
构建基于k-means的聚类模型；
基于每个脚轮图像区域对应的温度波动特征数据，进行图像区域之间的温度差异分析，并生成初始分组数K；
在聚类模型中，随机设定K个初始聚类中心；
将每个脚轮图像区域对应的红外特征数据与温度波动特征数据进行数据组合，形成每个脚轮图像区域的组合特征数据；
将所有的组合特征数据作为聚类样品数据，聚类过程以每个脚轮图像区域作为聚类单位，对所述样品数据进行聚类分组，聚类分组过程为基于标准化欧氏距离，计算所述样品数据到k个初始聚类中心的数据距离，基于距离值对数据分组，并最终得到区域分组结果；
所述区域分组结果包括多组聚类区域，每一组聚类组区域包括至少一个脚轮图像区域；
其中，所述基于区域分组结果与第一测试偏差信息进行脚轮质量评估，并生成脚轮生产质量评估结果，具体为：
基于区域分组结果，对不同聚类区域划分成K个质量等级，每个质量等级对应一个聚类区域；
以一个聚类区域作为分析单位，并标记为当前聚类区域；
获取当前聚类区域下所有脚轮图像区域，将所述所有脚轮图像区域对应的脚轮标记为当前分析脚轮；
基于当前聚类区域的质量等级，对当前分析脚轮进行数据关联，使每个当前分析脚轮对应一个质量等级；
基于区域分组结果，分析所有聚类区域，使所有目标脚轮对应一个质量等级；
基于目标脚轮的质量等级，结合第一测试偏差信息，对目标脚轮进行综合质量评估，得到脚轮生产质量评估结果。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于人工智能的脚轮质量评估程序，所述基于人工智能的脚轮质量评估程序被处理器执行时，实现如权利要求1至4中任一项所述的基于人工智能的脚轮质量评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410106140.0A CN117634989B (zh) | 2024-01-25 | 2024-01-25 | 一种基于人工智能的脚轮质量评估方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410106140.0A CN117634989B (zh) | 2024-01-25 | 2024-01-25 | 一种基于人工智能的脚轮质量评估方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117634989A CN117634989A (zh) | 2024-03-01 |
| CN117634989B true CN117634989B (zh) | 2024-05-28 |
Family
ID=90021951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410106140.0A Active CN117634989B (zh) | 2024-01-25 | 2024-01-25 | 一种基于人工智能的脚轮质量评估方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117634989B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110065915A (ko) * | 2009-12-10 | 2011-06-16 | 한국타이어 주식회사 | 타이어와 접촉하는 노면 상태를 평가하기 위한 방법 |
| CN105869408A (zh) * | 2016-04-27 | 2016-08-17 | 长安大学 | 一种轮毂温度异常检测与预警方法及系统 |
| CN107813848A (zh) * | 2016-09-14 | 2018-03-20 | 波音公司 | 铁路轨道、车轮和车轴的无损评估 |
| CN111754483A (zh) * | 2020-06-23 | 2020-10-09 | 四川省东宇信息技术有限责任公司 | 一种基于热像仪进行异常设备识别的方法及系统 |
| CN113724240A (zh) * | 2021-09-09 | 2021-11-30 | 中国海洋大学 | 一种基于视觉识别的冷柜脚轮检测方法、系统及装置 |
| KR20220160401A (ko) * | 2021-05-27 | 2022-12-06 | 한국전력공사 | 열화도 평가 장치 및 열화도 평가 방법 |
| CN116152202A (zh) * | 2023-02-23 | 2023-05-23 | 国网安徽省电力有限公司超高压分公司 | 基于图像识别技术和红外热成像技术的设备外观检测系统 |
| CN117074050A (zh) * | 2023-08-07 | 2023-11-17 | 建龙西林钢铁有限公司 | 一种基于视觉检测的台车车轮转动异常检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8985848B2 (en) * | 2006-06-30 | 2015-03-24 | Bdc Capital Inc. | Thermal inspection system |
-
2024
- 2024-01-25 CN CN202410106140.0A patent/CN117634989B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110065915A (ko) * | 2009-12-10 | 2011-06-16 | 한국타이어 주식회사 | 타이어와 접촉하는 노면 상태를 평가하기 위한 방법 |
| CN105869408A (zh) * | 2016-04-27 | 2016-08-17 | 长安大学 | 一种轮毂温度异常检测与预警方法及系统 |
| CN107813848A (zh) * | 2016-09-14 | 2018-03-20 | 波音公司 | 铁路轨道、车轮和车轴的无损评估 |
| CN111754483A (zh) * | 2020-06-23 | 2020-10-09 | 四川省东宇信息技术有限责任公司 | 一种基于热像仪进行异常设备识别的方法及系统 |
| KR20220160401A (ko) * | 2021-05-27 | 2022-12-06 | 한국전력공사 | 열화도 평가 장치 및 열화도 평가 방법 |
| CN113724240A (zh) * | 2021-09-09 | 2021-11-30 | 中国海洋大学 | 一种基于视觉识别的冷柜脚轮检测方法、系统及装置 |
| CN116152202A (zh) * | 2023-02-23 | 2023-05-23 | 国网安徽省电力有限公司超高压分公司 | 基于图像识别技术和红外热成像技术的设备外观检测系统 |
| CN117074050A (zh) * | 2023-08-07 | 2023-11-17 | 建龙西林钢铁有限公司 | 一种基于视觉检测的台车车轮转动异常检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117634989A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
| CN104732200B (zh) | 一种皮肤类型和皮肤问题的识别方法 | |
| CN104598888B (zh) | 一种人脸性别的识别方法 | |
| CN110751069A (zh) | 一种人脸活体检测方法及装置 | |
| CN116862913B (zh) | 基于机器视觉的复合镍铜散热底板缺陷检测方法及系统 | |
| CN110826408A (zh) | 一种分区域特征提取人脸识别方法 | |
| CN117314919B (zh) | 基于机器视觉的包装袋生产分析方法、系统及存储介质 | |
| CN115302963B (zh) | 一种基于机器视觉的条形码印刷控制方法、系统及介质 | |
| CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
| CN116563280A (zh) | 一种基于数据分析的复合铜散热底板加工检测方法及系统 | |
| Solak et al. | A new method for classifying nuts using image processing and k‐means++ clustering | |
| CN118194186A (zh) | 一种基于物联网的螺蛳肉饲料制作管理方法及系统 | |
| CN117853494B (zh) | 一种药物颗粒生产过程视觉检测方法 | |
| Zhang | Application of artificial intelligence recognition technology in digital image processing | |
| CN117095247B (zh) | 基于数控加工的加工姿态运行优化方法、系统及介质 | |
| CN109509180B (zh) | 基于机器视觉的金属纽扣瑕疵检测方法 | |
| CN117634989B (zh) | 一种基于人工智能的脚轮质量评估方法、系统及存储介质 | |
| Kong et al. | Multi-face detection based on downsampling and modified subtractive clustering for color images | |
| CN116931534A (zh) | 基于物联网的刺绣产品生产控制方法及系统 | |
| CN116091496B (zh) | 基于改进Faster-RCNN的缺陷检测方法及装置 | |
| CN117589784A (zh) | 一种基于深度学习的测试分析方法、系统及存储介质 | |
| CN112633037A (zh) | 一种对象监测方法、装置、存储介质及电子设备 | |
| CN106778679B (zh) | 一种基于大数据机器学习的特定人群视频识别方法 | |
| CN110232333A (zh) | 行为识别系统模型训练方法、行为识别方法及系统 | |
| CN118314145B (zh) | 一种基于机器视觉的触摸屏缺陷检测方法及系统 |
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 |