JP7099509B2 - 産業機器ゲージのデジタル化及びアラームのためのコンピュータビジョンシステム - Google Patents
産業機器ゲージのデジタル化及びアラームのためのコンピュータビジョンシステム Download PDFInfo
- Publication number
- JP7099509B2 JP7099509B2 JP2020203559A JP2020203559A JP7099509B2 JP 7099509 B2 JP7099509 B2 JP 7099509B2 JP 2020203559 A JP2020203559 A JP 2020203559A JP 2020203559 A JP2020203559 A JP 2020203559A JP 7099509 B2 JP7099509 B2 JP 7099509B2
- Authority
- JP
- Japan
- Prior art keywords
- gauge
- image
- indicator
- training
- model
- 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
Images
Classifications
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06N3/045—Combinations of 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
- G06V10/764—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
- 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
-
- 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
- G06V2201/02—Recognising information on displays, dials, clocks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Quality & Reliability (AREA)
Description
本説明では、メータとも呼ばれるゲージは、パラメータを測定してパラメータに関連する量又は状態を目盛り上に示すデバイスを示す。図1は、デジタル監視が望まれる例示的なアナログゲージを示す。アナログゲージは、温度、圧力、電圧又は電流のような物理パラメータを測定するためにしばしば使用される。図1を参照すると、圧力ゲージ1及び2の例並びに電圧計3の例が示されている。アナログゲージは、ゲージの背景である面を含み、その面上のマーキングは、ゲージにより測定されるパラメータの目盛りを示す。目盛りは、ゲージにより測定されるパラメータ値の範囲を形成する最小値及び最大値を有する。アナログゲージはまた、典型的には針の形式のインジケータを含み、インジケータは、所与のパラメータの変化に応じて移動するように較正される。目盛りは、最小パラメータ値から最大パラメータ値までの可能なインジケータの移動の範囲を示す。
ここで、訓練ゲージ画像にアノテーションを付け、ゲージの幾何学モデルを生成するためのプロセスについて、図9を参照して説明する。図9(a)~図9(d)を含む図9は、いくつかの実施形態におけるゲージ画像のアノテーション及びゲージの幾何学モデルの作成を示す。図9(a)を参照すると、監視されるゲージのクロッピング及びスケーリングされたゲージ画像が、訓練画像として使用するために取得される。訓練画像は、ゲージ画像における目盛り及びインジケータの位置を示すために、ユーザ又はフィールドエンジニアによりアノテーションが付けられる。訓練画像のアノテーションは、少ない人間の労力を必要とし、アノテーションは、訓練画像における数個の点のマーキングのみを必要とする。図9(b)を参照すると、訓練画像は、目盛りのエンドポイントを示すようにマーキングされる(白丸)。目盛りが弧である場合、訓練画像は、エンドポイントの間の目盛り上の点を示すように更にマーキングされる。目盛りにおいてマーキングされた第3の点は、2つのエンドポイントの間のいずれかの位置とすることができる。いくつかの実施形態では、第3の点は、エンドポイントと一致するべきではなく、好ましくは、目盛りの中間の3分の1にある。一実施形態では、0度を横切るいずれかのインジケータの弧に対する曖昧さを回避するために、最小エンドポイントに対応する角度は、0度(0度を含む)から360度(360度を含まない)の範囲にあり、最大エンドポイントに対応する角度は、-360度(-360度を含まない)から720度(720度を含まない)の範囲にある。線形目盛りについては、目盛りのエンドポイントのみがマーキングされる必要がある。次いで、訓練画像は、インジケータのエンドポイント又は先頭及び末尾を示すようにマーキングされる(黒丸)。訓練画像のアノテーションが完了する。目盛り及びインジケータを示すために、4~5個の点のみがマーキングされる必要がある。いくつかの実施形態では、目盛り上の閾値レベルがマーキングされてもよい(正方形のボックス)。閾値レベルのマーキングは、機械学習システムが閾値ゲージ値を学習することを可能にし、閾値ゲージ値は、ゲージの状態が閾値を上回るか或いは下回るかの出力を生成するために使用できる。代替として、閾値レベルのマーキングは、検出/認識モジュール140の出力及び閾値に基づいてアラームを生成するために、アラームロジック142(図7)に提供できる。
本開示のゲージ監視コンピュータビジョンシステムは、機械学習モデルの訓練データセットとして使用するために、1つ又は数個のゲージ画像から合成画像のセットを生成する。ここで、合成ゲージ画像の生成について説明する。図4を参照して説明したように、機械学習モデル訓練モジュールは、コンピュータビジョンのための機械学習モデルを訓練するための訓練データセットとして合成画像のセットを生成する。合成画像は、他のゲージの画像と、監視されるゲージの1つ又は数個の訓練画像と、訓練画像に関連するアノテーションデータから導出されたゲージの幾何学モデルとを使用して事前に訓練された画像モデルを用いて生成される。動作中に、画像モデルは入力画像を受信し、出力画像を生成する。画像モデルは、ゲージ面又は背景が保たれる一方でゲージインジケータが修正(描画又は消去)されるように、画像モデルが入力画像を修正することを可能にするために、他のゲージの画像を使用して事前に訓練されている。画像モデルの構造については、以下により詳細に説明する。
上記のように、本開示のゲージ監視コンピュータビジョンシステムは、ゲージインジケータとゲージ背景とを分離し、画像又は画像パッチにおけるゲージの面上のマーキングを保つ一方でインジケータを消去又は描画するように、ゲージの画像又はゲージの画像パッチを修正するために、事前に訓練された画像モデルを使用する。ここで、画像モデルについて、より詳細に説明する。
合成画像を使用して生成された訓練データセットによって、コンピュータビジョンのための機械学習モデルは、監視されているゲージを検出して認識するように訓練できる。上記のように、コンピュータビジョンの訓練は、使用される特定のコンピュータビジョンモデルに従って実行される。訓練データは、合成画像及び正解情報(例えば、対応するインジケータ位置、インジケータ値及び/又は閾値を上回る/下回る)で構成される。
Claims (20)
- ゲージにより測定されるパラメータ値の目盛りを示すマーキングを含む面と、前記面上のインジケータの変位による前記目盛り上の前記パラメータ値の読み取りを示す前記インジケータとを有する前記ゲージを監視する方法であって、
前記ゲージの訓練画像のセットを受信するステップと、
前記ゲージの前記訓練画像のアノテーションに関するデータを受信するステップであり、前記アノテーションは前記目盛り及び前記ゲージの前記面上の前記インジケータを示す、ステップと、
前記アノテーションに関する前記データから導出された幾何学情報を使用して、前記ゲージを記述する幾何学モデルを生成するステップと、
いずれかの所与のゲージについて前記ゲージのインジケータが前記所与のゲージの画像に追加されるか或いは前記所与のゲージの画像から除去される一方で前記ゲージの面が保たれるように、前記所与のゲージの画像を修正するように事前に訓練された画像モデルを提供するステップと、
前記幾何学モデル及び前記訓練された画像モデルを使用して前記ゲージの合成画像を生成するステップであり、前記合成画像は前記目盛りに対して異なる位置にインジケータを有し、前記合成画像は訓練データセットを形成する、ステップと、
前記訓練データセットを使用してコンピュータビジョンのための機械学習モデルを訓練するステップと、
前記ゲージの正常動作中に前記ゲージの動作画像を受信するステップと、
前記コンピュータビジョンのための訓練された機械学習モデルを前記動作画像に適用して、前記ゲージの読み取りを予測するステップと
を含む方法。 - 前記ゲージの前記訓練画像のセットを受信するステップは、
前記ゲージの1つから5つの訓練画像を前記訓練画像のセットとして受信するステップであり、それぞれの訓練画像は、当該訓練画像における前記目盛り及び前記ゲージの前記面上の前記インジケータを示すようにアノテーションが付けられている、ステップを含む、請求項1に記載の方法。 - 前記ゲージの前記訓練画像のアノテーションに関するデータを受信するステップは、
前記目盛りの少なくともエンドポイントと、前記ゲージの前記面上の前記インジケータの少なくともエンドポイントとを示す前記アノテーションに関するデータを受信するステップを含む、請求項1に記載の方法。 - 前記2つのエンドポイントの間の前記目盛り上の点を示す前記アノテーションに関するデータを受信するステップを更に含む、請求項3に記載の方法。
- 前記アノテーションに関する前記データから導出された幾何学情報を使用して、前記ゲージを記述する幾何学モデルを生成するステップは、
前記ゲージの前記面上の前記目盛りの幾何学位置と、前記ゲージの前記面上の前記インジケータの幾何学位置及び移動とを記述する前記幾何学モデルを生成するステップを含む、請求項1に記載の方法。 - いずれかの所与のゲージについて前記ゲージのインジケータが前記所与のゲージの画像に追加されるか或いは前記所与のゲージの画像から除去される一方で前記ゲージの面が保たれるように、前記所与のゲージの画像を修正するように事前に訓練された画像モデルを提供するステップは、
いずれかの所与のゲージについて前記ゲージの面からインジケータを区別するためのマスクを使用して訓練された敵対的生成ネットワーク(GAN)である前記画像モデルを提供するステップを含む、請求項1に記載の方法。 - 前記幾何学モデル及び前記訓練された画像モデルを使用して前記ゲージの前記合成画像を生成するステップは、
前記ゲージのそれぞれの訓練画像からの画像パッチを前記画像モデルへの入力として選択するステップと、
前記ゲージの前記インジケータの参照画像パッチを前記画像モデルに提供するステップと、
前記選択された画像パッチから前記インジケータを消去するか或いは前記選択された画像パッチ上に前記インジケータを描画するように、前記画像モデルを適用するステップと
を含む、請求項6に記載の方法。 - 前記幾何学モデル及び前記訓練された画像モデルを使用して前記ゲージの前記合成画像を生成するステップは、
前記ゲージのそれぞれの訓練画像からの第1の画像パッチを前記画像モデルへの入力として選択するステップであり、前記第1の画像パッチは前記ゲージの前記インジケータを含む、ステップと、
前記第1の画像パッチから前記インジケータを消去するように、前記画像モデルを適用するステップと、
前記修正された第1の画像パッチを前記それぞれの訓練画像にペーストして、前記インジケータのない前記画像の基礎画像を生成するステップと、
第1の角度だけ第1の方向に前記基礎画像を回転させるステップと、
前記ゲージの前記基礎画像から第2の画像パッチを前記画像モデルへの入力として選択するステップと、
前記第2の画像パッチ上に前記インジケータを描画するように、前記画像モデルを適用するステップと、
前記修正された第2の画像パッチを前記基礎画像上にペーストし、合成画像を生成するステップと、
前記第1の角度だけ前記第1の方向とは反対の第2の方向に前記合成画像を回転させるステップと、
前記合成画像を前記訓練データセットの入力として提供するステップと、
異なる値の回転角度を使用して前記基礎画像を回転させることを繰り返し、前記訓練データセットを形成する複数の合成画像を生成するように前記合成画像を提供するステップと
を更に含む、請求項7に記載の方法。 - 前記ゲージの閾値を示す訓練データを使用して前記コンピュータビジョンのための機械学習モデルを訓練するステップと、
前記コンピュータビジョンのための訓練された機械学習モデルを適用して、前記ゲージの動作画像からの読み取りが前記閾値を上回るもの又は下回るものとして予測するステップと
を更に含む、請求項1に記載の方法。 - 第1の動作画像を受信した後の持続時間を決定するステップと、
前記持続時間が第1の時間値を超えたことに応じて、動作画像が前記第1の時間値を超える前記持続時間の間に受信されないことを示すアラームを生成するステップと
を更に含む、請求項1に記載の方法。 - ゲージにより測定されるパラメータ値の目盛りを示すマーキングを含む面と、前記面上のインジケータの変位による前記目盛り上の前記パラメータ値の読み取りを示す前記インジケータとを有する前記ゲージを監視するシステムであって、
プロセッサと、
前記プロセッサに結合されたメモリと
を含み、前記メモリは、実行されたときに前記プロセッサに対して、
前記ゲージの訓練画像のセットを受信するステップと、
前記ゲージの前記訓練画像のアノテーションに関するデータを受信するステップであり、前記アノテーションは前記目盛り及び前記ゲージの前記面上の前記インジケータを示す、ステップと、
前記アノテーションに関する前記データから導出された幾何学情報を使用して、前記ゲージを記述する幾何学モデルを生成するステップと、
いずれかの所与のゲージについて前記ゲージのインジケータが前記所与のゲージの画像に追加されるか或いは前記所与のゲージの画像から除去される一方で前記ゲージの面が保たれるように、前記所与のゲージの画像を修正するように事前に訓練された画像モデルを提供するステップと、
前記幾何学モデル及び前記訓練された画像モデルを使用して前記ゲージの合成画像を生成するステップであり、前記合成画像は前記目盛りに対して異なる位置にインジケータを有し、前記合成画像は訓練データセットを形成する、ステップと、
前記訓練データセットを使用してコンピュータビジョンのための機械学習モデルを訓練するステップと、
前記ゲージの正常動作中に前記ゲージの動作画像を受信するステップと、
前記コンピュータビジョンのための訓練された機械学習モデルを前記動作画像に適用して、前記ゲージの読み取りを予測するステップと
を実行させる命令を前記プロセッサに提供するように構成される、システム。 - 前記メモリは、実行されたときに前記プロセッサに対して、
前記ゲージの1つから5つの訓練画像を前記訓練画像のセットとして受信するステップであり、それぞれの訓練画像は、当該訓練画像における前記目盛り及び前記ゲージの前記面上の前記インジケータを示すようにアノテーションが付けられている、ステップ
を実行させる命令を前記プロセッサに提供するように更に構成される、請求項11に記載のシステム。 - 前記メモリは、実行されたときに前記プロセッサに対して、
前記目盛りの少なくともエンドポイントと、前記ゲージの前記面上の前記インジケータの少なくともエンドポイントとを示す前記アノテーションに関するデータを受信するステップ
を実行させる命令を前記プロセッサに提供するように更に構成される、請求項11に記載のシステム。 - 前記メモリは、実行されたときに前記プロセッサに対して、
いずれかの所与のゲージについて前記ゲージの面からインジケータを区別するためのマスクを使用して訓練された敵対的生成ネットワーク(GAN)である前記画像モデルを提供するステップ
を実行させる命令を前記プロセッサに提供するように更に構成される、請求項11に記載のシステム。 - 前記メモリは、実行されたときに前記プロセッサに対して、
前記ゲージのそれぞれの訓練画像からの画像パッチを前記画像モデルへの入力として選択するステップと、
前記ゲージの前記インジケータの参照画像パッチを前記画像モデルに提供するステップと、
前記選択された画像パッチから前記インジケータを消去するか或いは前記選択された画像パッチ上に前記インジケータを描画するように、前記画像モデルを適用するステップと
を実行させる命令を前記プロセッサに提供するように更に構成される、請求項11に記載のシステム。 - 前記メモリは、実行されたときに前記プロセッサに対して、
前記ゲージの閾値を示す訓練データを使用して前記コンピュータビジョンのための機械学習モデルを訓練するステップと、
前記コンピュータビジョンのための訓練された機械学習モデルを適用して、前記ゲージの動作画像からの読み取りが前記閾値を上回るもの又は下回るものとして予測するステップと
を実行させる命令を前記プロセッサに提供するように更に構成される、請求項11に記載のシステム。 - コンピュータにより実行されたときに前記コンピュータに対して、
ゲージの訓練画像のセットを受信するステップと、
前記ゲージの前記訓練画像のアノテーションに関するデータを受信するステップであり、前記アノテーションは目盛り及び前記ゲージの面上のインジケータを示す、ステップと、
前記アノテーションに関する前記データから導出された幾何学情報を使用して、前記ゲージを記述する幾何学モデルを生成するステップと、
いずれかの所与のゲージについて前記ゲージのインジケータが前記所与のゲージの画像に追加されるか或いは前記所与のゲージの画像から除去される一方で前記ゲージの面が保たれるように、前記所与のゲージの画像を修正するように事前に訓練された画像モデルを提供するステップと、
前記幾何学モデル及び前記訓練された画像モデルを使用して前記ゲージの合成画像を生成するステップであり、前記合成画像は前記目盛りに対して異なる位置にインジケータを有し、前記合成画像は訓練データセットを形成する、ステップと、
前記訓練データセットを使用してコンピュータビジョンのための機械学習モデルを訓練するステップと、
前記ゲージの正常動作中に前記ゲージの動作画像を受信するステップと、
前記コンピュータビジョンのための訓練された機械学習モデルを前記動作画像に適用して、前記ゲージの読み取りを予測するステップと
を実行させる命令を記憶した非一時的なコンピュータ読み取り可能媒体。 - 前記命令は、前記コンピュータに対して、
前記ゲージの1つから5つの訓練画像を前記訓練画像のセットとして受信するステップであり、それぞれの訓練画像は、当該訓練画像における前記目盛り及び前記ゲージの前記面上の前記インジケータを示すようにアノテーションが付けられている、ステップ
を更に実行させる、請求項17に記載の非一時的なコンピュータ読み取り可能媒体。 - 前記命令は、前記コンピュータに対して、
いずれかの所与のゲージについて前記ゲージの面からインジケータを区別するためのマスクを使用して訓練された敵対的生成ネットワーク(GAN)である前記画像モデルを提供するステップ
を更に実行させる、請求項17に記載の非一時的なコンピュータ読み取り可能媒体。 - 前記命令は、前記コンピュータに対して、
前記ゲージのそれぞれの訓練画像からの画像パッチを前記画像モデルへの入力として選択するステップと、
前記ゲージの前記インジケータの参照画像パッチを前記画像モデルに提供するステップと、
前記選択された画像パッチから前記インジケータを消去するか或いは前記選択された画像パッチ上に前記インジケータを描画するように、前記画像モデルを適用するステップと
を更に実行させる、請求項17に記載の非一時的なコンピュータ読み取り可能媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/709,035 US11443133B2 (en) | 2019-12-10 | 2019-12-10 | Computer vision system for industrial equipment gauge digitization and alarms |
US16/709035 | 2019-12-10 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021093161A JP2021093161A (ja) | 2021-06-17 |
JP7099509B2 true JP7099509B2 (ja) | 2022-07-12 |
Family
ID=76210923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020203559A Active JP7099509B2 (ja) | 2019-12-10 | 2020-12-08 | 産業機器ゲージのデジタル化及びアラームのためのコンピュータビジョンシステム |
Country Status (2)
Country | Link |
---|---|
US (1) | US11443133B2 (ja) |
JP (1) | JP7099509B2 (ja) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11176369B2 (en) * | 2019-12-23 | 2021-11-16 | Ricoh Company, Ltd. | Digital monitoring of analog gauges with dynamically configurable thresholds |
JP2021152836A (ja) * | 2020-03-25 | 2021-09-30 | 日本電気株式会社 | 画像処理装置、画像処理方法、プログラム |
US11463517B2 (en) * | 2020-07-31 | 2022-10-04 | Verizon Patent And Licensing Inc. | Methods and system for training and reinforcing computer vision models using distributed computing |
US11727555B2 (en) * | 2021-02-25 | 2023-08-15 | Saudi Arabian Oil Company | Rig power system efficiency optimization through image processing |
US20230057340A1 (en) * | 2021-08-19 | 2023-02-23 | Yokogawa Electric Corporation | Systems, methods, and devices for automated meter reading for smart field patrol |
KR102505932B1 (ko) * | 2021-08-20 | 2023-03-03 | 선문대학교 산학협력단 | 다중 스케일 초해상도 영상처리 시스템 및 방법 |
KR102507654B1 (ko) * | 2021-08-20 | 2023-03-08 | 선문대학교 산학협력단 | 적대적 생성 신경망을 이용한 영상처리 시스템 및 이를 이용한 이미지간 변환방법 |
CN113792721A (zh) * | 2021-09-03 | 2021-12-14 | 西北工业大学 | 基于one-shot机制的仪表检测方法 |
WO2023043810A1 (en) * | 2021-09-14 | 2023-03-23 | Schlumberger Technology Corporation | Training data synthesis for machine learning |
CN113743397A (zh) * | 2021-11-08 | 2021-12-03 | 深圳市信润富联数字科技有限公司 | 工业仪表的数据处理方法、系统、终端设备及存储介质 |
JP2023082448A (ja) * | 2021-12-02 | 2023-06-14 | オムロン株式会社 | 検知装置および検知方法 |
CN114943869B (zh) * | 2022-03-30 | 2023-06-30 | 中国民用航空飞行学院 | 风格迁移增强的机场目标检测方法 |
CN116645682B (zh) * | 2023-07-24 | 2023-10-20 | 济南瑞泉电子有限公司 | 一种水表表盘数字识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007114828A (ja) | 2005-10-18 | 2007-05-10 | Yamaguchi Univ | 画像処理装置および画像処理方法 |
JP2011081715A (ja) | 2009-10-09 | 2011-04-21 | Toshiba Corp | 監視システム及び監視方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8594365B2 (en) | 2008-01-30 | 2013-11-26 | Cypress Envirosystems, Inc. | Gauge monitoring methods, devices and systems |
US8319665B2 (en) | 2009-02-20 | 2012-11-27 | Appareo Systems, Llc | Adaptive instrument and operator control recognition |
US20130069948A1 (en) * | 2011-09-15 | 2013-03-21 | Zerofootprint Software Inc. | System and method for processing and displaying data relating to consumption data |
US9135492B2 (en) | 2011-09-20 | 2015-09-15 | Honeywell International Inc. | Image based dial gauge reading |
US20170089692A1 (en) | 2015-09-24 | 2017-03-30 | Rita Chattopadhyay | Monitoring of gauges |
US10108874B2 (en) | 2017-03-06 | 2018-10-23 | Intelligent Security Systems Corporation | Systems and methods for evaluating readings of gauge dials |
CN108764229B (zh) | 2018-05-29 | 2021-05-18 | 广东技术师范学院 | 一种基于计算机视觉技术的水尺图像自动识别方法 |
-
2019
- 2019-12-10 US US16/709,035 patent/US11443133B2/en active Active
-
2020
- 2020-12-08 JP JP2020203559A patent/JP7099509B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007114828A (ja) | 2005-10-18 | 2007-05-10 | Yamaguchi Univ | 画像処理装置および画像処理方法 |
JP2011081715A (ja) | 2009-10-09 | 2011-04-21 | Toshiba Corp | 監視システム及び監視方法 |
Also Published As
Publication number | Publication date |
---|---|
US11443133B2 (en) | 2022-09-13 |
US20210174131A1 (en) | 2021-06-10 |
JP2021093161A (ja) | 2021-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7099509B2 (ja) | 産業機器ゲージのデジタル化及びアラームのためのコンピュータビジョンシステム | |
US9773302B2 (en) | Three-dimensional object model tagging | |
RU2680765C1 (ru) | Автоматизированное определение и обрезка неоднозначного контура документа на изображении | |
Zhu et al. | Concrete column recognition in images and videos | |
CN110276831B (zh) | 三维模型的建构方法和装置、设备、计算机可读存储介质 | |
CN110264523B (zh) | 一种确定测试图像中的目标图像的位置信息的方法与设备 | |
CN107004266A (zh) | 检测轮胎表面上缺陷的方法 | |
CN112560698A (zh) | 图像处理方法、装置、设备和介质 | |
CN110942456B (zh) | 篡改图像检测方法、装置、设备及存储介质 | |
US11906441B2 (en) | Inspection apparatus, control method, and program | |
WO2020227343A1 (en) | Systems and methods for detection of anomalies in civil infrastructure using context aware semantic computer vision techniques | |
Laupheimer et al. | The importance of radiometric feature quality for semantic mesh segmentation | |
US11423611B2 (en) | Techniques for creating, organizing, integrating, and using georeferenced data structures for civil infrastructure asset management | |
CN108053409B (zh) | 一种遥感影像分割基准库自动构建方法及其系统 | |
Shinozaki et al. | Detection of deterioration of furnace walls using large-scale point-clouds | |
CN112233139A (zh) | 用于在3d数据重建过程中检测运动的系统和方法 | |
CN116245882A (zh) | 电路板电子元件检测方法、装置及计算机设备 | |
CN109284707A (zh) | 动目标检测方法及装置 | |
CA3219745A1 (en) | Texture mapping to polygonal models for industrial inspections | |
CN114549613A (zh) | 基于深度超分辨率网络的结构位移测量方法及装置 | |
Li et al. | Low-cost 3D building modeling via image processing | |
US20230057340A1 (en) | Systems, methods, and devices for automated meter reading for smart field patrol | |
US11176369B2 (en) | Digital monitoring of analog gauges with dynamically configurable thresholds | |
CN115965582B (zh) | 一种基于超高分辨率发动机缸体缸盖表面缺陷检测方法 | |
Avbelj et al. | Quality assessment of building extraction from remote sensing imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201208 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211125 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220114 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220531 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220613 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7099509 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |