RU2017143910A - Способ и устройство определения местонахождения изнашиваемой детали на изображении рабочего инструмента - Google Patents
Способ и устройство определения местонахождения изнашиваемой детали на изображении рабочего инструмента Download PDFInfo
- Publication number
- RU2017143910A RU2017143910A RU2017143910A RU2017143910A RU2017143910A RU 2017143910 A RU2017143910 A RU 2017143910A RU 2017143910 A RU2017143910 A RU 2017143910A RU 2017143910 A RU2017143910 A RU 2017143910A RU 2017143910 A RU2017143910 A RU 2017143910A
- Authority
- RU
- Russia
- Prior art keywords
- pixels
- subset
- processing
- image
- working tool
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims 35
- 238000013527 convolutional neural network Methods 0.000 claims 6
- 238000013528 artificial neural network Methods 0.000 claims 4
- 230000004044 response Effects 0.000 claims 4
- 238000012952 Resampling Methods 0.000 claims 2
- 238000002329 infrared spectrum Methods 0.000 claims 2
- 238000005070 sampling Methods 0.000 claims 2
- 230000035945 sensitivity Effects 0.000 claims 2
- 238000001429 visible spectrum Methods 0.000 claims 2
- 238000012935 Averaging Methods 0.000 claims 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/04—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness specially adapted for measuring length or width of objects while moving
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02F—DREDGING; SOIL-SHIFTING
- E02F3/00—Dredgers; Soil-shifting machines
- E02F3/04—Dredgers; Soil-shifting machines mechanically-driven
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02F—DREDGING; SOIL-SHIFTING
- E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
- E02F9/26—Indicating devices
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C35/00—Details of, or accessories for, machines for slitting or completely freeing the mineral from the seam, not provided for in groups E21C25/00 - E21C33/00, E21C37/00 or E21C39/00
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02F—DREDGING; SOIL-SHIFTING
- E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
- E02F9/28—Small metalwork for digging elements, e.g. teeth scraper bits
- E02F9/2808—Teeth
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mining & Mineral Resources (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Mechanical Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Numerical Control (AREA)
- Image Processing (AREA)
Claims (60)
1. Способ определения местонахождения изнашиваемой детали на изображении рабочего инструмента, связанного с тяжелым оборудованием, включающий:
захват, по меньшей мере, одного изображения рабочего инструмента во время работы тяжелого оборудования, при этом изображение содержит множество пикселей, каждый из которых имеет определенное значение яркости;
выбор последовательных подмножеств пикселей из множества пикселей;
обработку каждого подмножества пикселей, чтобы определить, удовлетворяют ли значения яркости пикселей из подмножества пикселей критерию соответствия, указывающему на вероятность того, что подмножество пикселей соответствует изнашиваемой детали;
при этом критерий соответствия основан на обработке помеченного множества обучающих изображений во время обучающего упражнения до захвата, по меньшей мере, одного изображения рабочего инструмента.
2. Способ по п. 1, в котором обработка каждого подмножества пикселей включает, по меньшей мере, одно из следующего: прямую обработку значений яркости пикселей, извлечение признаков пикселей из подмножества пикселей и/или генерирование гистограммы ориентированных градиентов для подмножества пикселей.
3. Способ по п. 1, в котором обработка каждого подмножества пикселей включает обработку каждого подмножества пикселей посредством соответствующего множества входных узлов нейронной сети, при этом каждый входной узел имеет присвоенный ему вес и способен создавать взвешенные выходные сигналы в ответ на принятое значение яркости.
4. Способ по п. 3, дополнительно включающий прием взвешенных выходных сигналов от входных узлов на множестве скрытых узлов нейронной сети, при этом каждый скрытый узел имеет присвоенный ему вес и способен создавать взвешенные выходные сигналы в ответ на взвешенные выходные сигналы, принятые от входных узлов.
5. Способ по п. 4, в котором множество скрытых узлов включает скрытые узлы одного или нескольких слоев, при этом узлы каждого последовательного слоя оперируют выходными сигналами, созданными узлами предыдущего слоя.
6. Способ по п. 5, в котором захват, по меньшей мере, одного изображения включает захват последовательности изображений рабочего инструмента во время работы, при этом один или несколько слоев включают слой памяти, содержащий узлы, способные на основании результатов обработки предыдущих изображений рабочего инструмента конфигурировать нейронную сеть на обработку последовательных изображений рабочего инструмента.
7. Способ по п. 6, в котором обработка помеченного множества обучающих изображений во время обучающего упражнения включает обработку помеченных множеств последовательных обучающих изображений.
8. Способ по п. 4, дополнительно включающий прием взвешенных выходных сигналов от скрытых узлов на одном или нескольких выходных узлах, при этом один или несколько выходных узлов имеют присвоенный им вес и способны создавать взвешенные выходные сигналы в ответ на взвешенные выходные сигналы, принятые от скрытых узлов.
9. Способ по любому из пп. 3-8, в котором определение того, соответствуют ли значения яркости пикселей из подмножества пикселей критерию соответствия, включает определение того, превышают ли взвешенные выходные сигналы контрольное пороговое значение.
10. Способ по п. 3, в котором прием взвешенных выходных сигналов от входных узлов на множестве скрытых узлов включает:
прием взвешенных выходных сигналов от входных узлов на первом множестве скрытых узлов в первом слое; и
прием взвешенных выходных сигналов от первого множества скрытых узлов на втором множестве скрытых узлов во втором слое, при этом каждый из второго множества скрытых узлов имеет присвоенный ему вес и способен создавать взвешенные выходные сигналы в ответ на взвешенные выходные сигналы, принятые от первого множества скрытых узлов.
11. Способ по п. 1, в котором обработка каждого подмножества пикселей включает:
обработку каждого подмножества пикселей с использованием сверточной нейронной сети, имеющей множество слоев, включающих, по меньшей мере, один сверточный слой, сконфигурированный на создание свертки пикселей в каждом подмножестве пикселей;
при этом обработка помеченного множества обучающих изображений включает обработку обучающих изображений, чтобы сконфигурировать сверточную нейронную сеть на реализацию критерия соответствия с целью создания выходных данных классификации пикселей, указывающих, соответствуют ли пиксели из подмножеств пикселей изнашиваемой детали.
12. Способ по п. 11, в котором создание свертки включает создание свертки с использованием разреженного ядра, записи в котором разделены строками и столбцами нулевых значений.
13. Способ по п. 11, в котором создание свертки включает создание свертки с использованием разреженного ядра, записи в котором разделены множеством строк и множеством столбцов нулевых значений.
14. Способ по п. 7, в котором сверточная нейронная сеть содержит слой подвыборки, сконфигурированный на обработку свертки с целью обеспечения множества выходных сигналов подвыборки, при этом каждый выходной сигнал подвыборки основан на значениях, связанных с множеством пикселей в свертке.
15. Способ по п. 14, в котором в слое подвыборки реализован один из методов, включающих максимизирующую подвыборку, усредняющую подвыборку и стохастическую подвыборку.
16. Способ по п. 11, дополнительно включающий передискретизацию изображения с целью создания передискретизированного множества пикселей, при этом обработка с использованием сверточной нейронной сети включает обработку передискретизированного множества пикселей, а сверточная нейронная сеть сконфигурирована на реализацию критерия соответствия с использованием соответствующим образом передискретизированного множества обучающих изображений.
17. Способ по п. 16, в котором передискретизация данных пикселей включает, по меньшей мере, одно из следующего: повышающую дискретизацию изображения и понижающую дискретизацию изображения с целью создания передискретизированного множества пикселей.
18. Способ по любому из пп. 11-17, в котором захват, по меньшей мере, одного изображения включает захват последовательности изображений рабочего инструмента во время работы, а сверточная нейронная сеть содержит, по меньшей мере, один слой памяти, способный на основании результатов обработки предыдущих изображений рабочего инструмента конфигурировать нейронную сеть на обработку последовательных изображений рабочего инструмента с целью создания выходных данных классификации пикселей для последовательности изображений.
19. Способ по п. 18, в котором обработка помеченного множества обучающих изображений во время обучающего упражнения включает обработку помеченных множеств последовательных обучающих изображений.
20. Способ по п. 1, в котором помеченное множество изображений содержит множество изображений, которые были помечены пользователем.
21. Способ по п. 1, в котором множество обучающих изображений содержит множество изображений, которые были помечены компьютерным методом.
22. Способ по любому из пп. 1-21, в котором обучающие изображения включают:
изображения различных примеров изнашиваемой детали, помеченные как содержащие изнашиваемую деталь; и
другие изображения, помеченные как не содержащие изнашиваемую деталь.
23. Способ по п. 1, в котором выбор последовательных подмножеств пикселей из множества пикселей дополнительно включает:
обработку множества пикселей, чтобы определить, присутствует ли на изображении рабочий инструмент; и,
если рабочий инструмент присутствует на изображении, ограничение множества пикселей пикселями в пределах представляющий интерес области, в которую входит рабочий инструмент, до выбора последовательных подмножеств пикселей из множества пикселей.
24. Способ по п. 23, в котором обработка множества пикселей, чтобы определить, присутствует ли на изображении рабочий инструмент, включает:
выбор, по меньшей мере, одного подмножества пикселей из множества пикселей;
обработку, по меньшей мере, одного подмножества пикселей, чтобы определить, удовлетворяют ли значения яркости пикселей, по меньшей мере, из одного подмножества пикселей критерию соответствия рабочему инструменту, указывающему на вероятность того, что рабочий инструмент находится в пределах, по меньшей мере, одного подмножества пикселей,
при этом критерий соответствия рабочему инструменту основан на обработке помеченного множества обучающих изображений во время обучающего упражнения до захвата, по меньшей мере, одного изображения рабочего инструмента.
25. Способ по п. 1, в котором выбор последовательных подмножеств пикселей из множества пикселей включает одно из следующего:
выбор последовательных подмножеств пикселей, имеющих фиксированный заданный размер; и
вычисление размера подмножества пикселей на основе захваченного изображения.
26. Способ по п. 1, в котором критерий соответствия содержит множество значений весов, соответствующих пикселям из подмножества пикселей, а обработка каждого подмножества пикселей включает:
вычисление произведения яркости пикселя и соответствующего значения веса для каждого пикселя из подмножества пикселей с целью определения взвешенного выходного сигнала пикселя; и
определение того, удовлетворяет ли подмножество пикселей критерию соответствия путем определения того, превышает ли комбинация взвешенных выходных сигналов подмножества пикселей пороговое значение.
27. Способ по п. 26, в котором определение того, превышают ли взвешенные выходные сигналы подмножества пикселей пороговое значение, включает:
объединение определенных взвешенных выходных сигналов подмножества пикселей; и
определение того, превышает ли объединенный взвешенный выходной сигнал пороговое значение.
28. Способ по п. 1, в котором захват, по меньшей мере, одного изображения включает захват множества изображений рабочего инструмента во время работы тяжелого оборудования, а выбор и обработка подмножеств пикселей из множества пикселей выполняется для каждого изображения, при этом способ дополнительно включает определение того, удовлетворяют ли значения яркости пикселей из подмножеств пикселей критерию соответствия на последовательных изображениях из множества изображений
29. Способ по п. 1, в котором захват, по меньшей мере, одного изображения включает захват, по меньшей мере, одного изображения с использованием датчика изображений, имеющего чувствительность к волнам, по меньшей мере, в видимом спектре или инфракрасном спектре.
30. Способ по п. 1, дополнительно включающий определение размерного признака изнашиваемой детали.
31. Способ по п. 30, дополнительно включающий определение, по меньшей мере, одного из следующего:
является ли состояние изнашиваемой детали удовлетворительным на основании на заранее заданных критериев; и
прогнозирование времени отказа изнашиваемой детали на основании скорости износа изнашиваемой детали с течением времени.
32. Устройство определения местонахождения изнашиваемой детали на изображении рабочего инструмента, связанного с тяжелым оборудованием, содержащее:
датчик изображений для захвата, по меньшей мере, одного изображения рабочего инструмента во время работы тяжелого оборудования, при этом изображение содержит множество пикселей, каждый из которых имеет определенное значение яркости;
цепь обработки, сконфигурированную на:
выбор последовательных подмножеств пикселей из множества пикселей; обработку каждого подмножества пикселей, чтобы определять, удовлетворяют ли значения яркости пикселей из подмножества пикселей критерию соответствия, указывающему на вероятность того, что подмножество пикселей соответствует изнашиваемой детали;
при этом критерий соответствия основан на обработке помеченного множества обучающих изображений во время обучающего упражнения до захвата, по меньшей мере, одного изображения рабочего инструмента.
33. Устройство по п. 32, в котором датчиком изображений является датчик изображений, имеющий чувствительность к волнам, по меньшей мере, в видимом спектре или инфракрасном спектре
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562162203P | 2015-05-15 | 2015-05-15 | |
US62/162,203 | 2015-05-15 | ||
PCT/CA2016/000144 WO2016183661A1 (en) | 2015-05-15 | 2016-05-13 | Method and apparatus for locating a wear part in an image of an operating implement |
Publications (3)
Publication Number | Publication Date |
---|---|
RU2017143910A true RU2017143910A (ru) | 2019-06-17 |
RU2017143910A3 RU2017143910A3 (ru) | 2019-09-09 |
RU2713684C2 RU2713684C2 (ru) | 2020-02-06 |
Family
ID=57319034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2017143910A RU2713684C2 (ru) | 2015-05-15 | 2016-05-13 | Способ и устройство определения местонахождения изнашиваемой детали на изображении рабочего инструмента |
Country Status (9)
Country | Link |
---|---|
US (1) | US10339667B2 (ru) |
AU (1) | AU2016265876C1 (ru) |
BR (1) | BR112017024454B1 (ru) |
CA (1) | CA2984572C (ru) |
CL (1) | CL2017002885A1 (ru) |
PE (1) | PE20180594A1 (ru) |
RU (1) | RU2713684C2 (ru) |
WO (1) | WO2016183661A1 (ru) |
ZA (1) | ZA201708066B (ru) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10590629B2 (en) * | 2016-03-29 | 2020-03-17 | Komatsu Ltd. | Working vehicle |
WO2018009955A1 (en) * | 2016-07-15 | 2018-01-18 | Cqms Pty Ltd | A wear member monitoring system |
JP6723184B2 (ja) * | 2017-03-28 | 2020-07-15 | 日立建機株式会社 | 稼働データ記憶装置 |
GB2562121B (en) * | 2017-05-05 | 2022-10-12 | Bamford Excavators Ltd | Working machine |
WO2018203091A1 (en) * | 2017-05-05 | 2018-11-08 | J.C. Bamford Excavators Ltd | Working machine |
GB2562122B (en) * | 2017-05-05 | 2022-10-19 | Bamford Excavators Ltd | Training machine |
CA3005183A1 (en) * | 2017-05-30 | 2018-11-30 | Joy Global Surface Mining Inc | Predictive replacement for heavy machinery |
US10551297B2 (en) | 2017-09-22 | 2020-02-04 | Saudi Arabian Oil Company | Thermography image processing with neural networks to identify corrosion under insulation (CUI) |
US10970552B2 (en) | 2017-09-28 | 2021-04-06 | Gopro, Inc. | Scene classification for image processing |
US10460431B2 (en) * | 2018-01-15 | 2019-10-29 | Otis Elevator Company | Part recognition and damage characterization using deep learning |
CN108055449B (zh) * | 2018-01-26 | 2024-04-26 | 北京久鼎恒通科技发展有限公司 | 基于热成像的斗齿监控系统 |
US11494887B2 (en) * | 2018-03-09 | 2022-11-08 | Schlumberger Technology Corporation | System for characterizing oilfield tools |
US20210262204A1 (en) * | 2018-06-01 | 2021-08-26 | Motion Metrics International Corp. | Method, apparatus and system for monitoring a condition associated with operating heavy equipment such as a mining shovel or excavator |
CN109029940A (zh) * | 2018-06-15 | 2018-12-18 | 成都赛基科技有限公司 | 基于信号原子驱动小波再生核机器学习的机械多故障诊断方法 |
US11447931B2 (en) | 2019-05-15 | 2022-09-20 | Caterpillar Inc. | Ground engaging tool monitoring system |
CN113891975A (zh) * | 2019-05-31 | 2022-01-04 | 卡姆斯企业有限公司 | 地面接合工具监测系统 |
AU2020294635A1 (en) * | 2019-06-17 | 2022-01-27 | Esco Group Llc | Monitoring ground engaging products |
DE102019210451A1 (de) * | 2019-07-16 | 2021-01-21 | Robert Bosch Gmbh | Hydraulische Komponente |
US11386541B2 (en) | 2019-08-22 | 2022-07-12 | Saudi Arabian Oil Company | System and method for cyber-physical inspection and monitoring of nonmetallic structures |
CN111043988B (zh) * | 2019-12-10 | 2021-04-23 | 东南大学 | 一种基于图形学和深度学习的单张条纹投影测量方法 |
US11454713B2 (en) * | 2020-02-04 | 2022-09-27 | Caterpillar Inc. | Configuration of a LIDAR sensor scan area according to a cycle segment of an operation of a machine |
CN111395423A (zh) * | 2020-04-30 | 2020-07-10 | 三一重机有限公司 | 铲斗健康状态监测装置及其方法、挖掘机 |
MX2023000690A (es) * | 2020-07-22 | 2023-04-12 | Esco Group Llc | Sistema, dispositivo y proceso para monitorear piezas de desgaste de trabajo para tierra. |
US20220136217A1 (en) | 2020-10-30 | 2022-05-05 | Caterpillar Inc. | Ground engaging tool wear and loss detection system and method |
US11821177B2 (en) | 2021-02-09 | 2023-11-21 | Caterpillar Inc. | Ground engaging tool wear and loss detection system and method |
PE20240007A1 (es) * | 2021-02-12 | 2024-01-04 | Esco Group Llc | Monitoreo de los productos de contacto con el suelo para equipos de movimiento de tierra |
US11669956B2 (en) | 2021-06-01 | 2023-06-06 | Caterpillar Inc. | Ground engaging tool wear and loss detection system and method |
US11869331B2 (en) | 2021-08-11 | 2024-01-09 | Caterpillar Inc. | Ground engaging tool wear and loss detection system and method |
JP2023041348A (ja) * | 2021-09-13 | 2023-03-24 | トヨタ自動車株式会社 | 情報処理装置 |
US20230206254A1 (en) * | 2021-12-23 | 2023-06-29 | Capital One Services, Llc | Computer-Based Systems Including A Machine-Learning Engine That Provide Probabilistic Output Regarding Computer-Implemented Services And Methods Of Use Thereof |
CN114646563B (zh) * | 2022-05-23 | 2022-08-26 | 河南银金达新材料股份有限公司 | 一种具有金属涂层的聚酯膜表面耐磨度检测方法 |
CN117495862B (zh) * | 2024-01-03 | 2024-03-12 | 深圳家红齿科技术有限公司 | 一种义齿耐磨性检测装置 |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19950215C2 (de) | 1999-10-19 | 2001-11-29 | Argotech Ges Fuer Mestechnik M | Verfahren zur Zustands-, Verschleiß- und Bruchüberwachung eines bewegten Maschinenteils sowie Vorrichtung zur Durchführung des Verfahrens |
US20020128790A1 (en) | 2001-03-09 | 2002-09-12 | Donald Woodmansee | System and method of automated part evaluation including inspection, disposition recommendation and refurbishment process determination |
DE10227677A1 (de) | 2001-06-22 | 2003-02-20 | Argotech Ges Fuer Mestechnik M | Verfahren und Vorrichtung zur drahtlosen Überwachung des Zustands eines Maschinenteils |
US7826642B2 (en) * | 2002-06-24 | 2010-11-02 | Shenkar College Of Engineering And Design | Electro-optical method and apparatus for evaluating protrusions of fibers from a fabric surface |
WO2007079527A1 (en) | 2006-01-10 | 2007-07-19 | Digga Australia Pty Ltd | Wear part attachment system |
CA2546758C (en) * | 2006-05-12 | 2009-07-07 | Alberta Research Council Inc. | A system and a method for detecting a damaged or missing machine part |
RU2360111C2 (ru) * | 2007-03-23 | 2009-06-27 | Государственное образовательное учреждение высшего профессионального образования "Южно-Российский государственный технический университет (Новочеркасский политехнический институт)" | Система автоматического управления рабочим органом избирательного действия горнопроходческого комплекса |
CN201401169Y (zh) | 2009-05-06 | 2010-02-10 | 三一重型装备有限公司 | 一种连采机行走部的耐磨装置 |
GB201014059D0 (en) | 2010-08-24 | 2010-10-06 | Element Six Production Pty Ltd | Wear part |
CN202648947U (zh) | 2011-12-15 | 2013-01-02 | 上海发电设备成套设计研究院 | 机械转动部件磨损状态自动在线检测装置 |
CN202471412U (zh) | 2012-03-30 | 2012-10-03 | 黑龙江八一农垦大学 | 农机具土壤耕作部件摩擦磨损试验设备 |
US8983168B2 (en) * | 2012-04-30 | 2015-03-17 | Ncr Corporation | System and method of categorising defects in a media item |
US9002060B2 (en) * | 2012-06-28 | 2015-04-07 | International Business Machines Corporation | Object retrieval in video data using complementary detectors |
US9613413B2 (en) * | 2012-10-17 | 2017-04-04 | Caterpillar Inc. | Methods and systems for determining part wear based on digital image of part |
US9542626B2 (en) * | 2013-09-06 | 2017-01-10 | Toyota Jidosha Kabushiki Kaisha | Augmenting layer-based object detection with deep convolutional neural networks |
AU2014262221C1 (en) * | 2013-11-25 | 2021-06-10 | Esco Group Llc | Wear part monitoring |
AU2015219163B2 (en) * | 2014-02-19 | 2018-09-13 | Vermeer Manufacturing Company | Systems and methods for monitoring wear of reducing elements |
US9483820B2 (en) * | 2014-05-20 | 2016-11-01 | General Electric Company | Method and system for detecting a damaged component of a machine |
US10650508B2 (en) * | 2014-12-03 | 2020-05-12 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
US10346726B2 (en) * | 2014-12-15 | 2019-07-09 | Samsung Electronics Co., Ltd. | Image recognition method and apparatus, image verification method and apparatus, learning method and apparatus to recognize image, and learning method and apparatus to verify image |
US9495619B2 (en) * | 2014-12-30 | 2016-11-15 | Facebook, Inc. | Systems and methods for image object recognition based on location information and object categories |
WO2016131015A2 (en) * | 2015-02-13 | 2016-08-18 | Esco Corporation | Monitoring ground-engaging products for earth working equipment |
US10429272B2 (en) * | 2015-09-30 | 2019-10-01 | Caterpillar Inc. | Command-driven automatic and semi-automatic mobile wear detection |
US20170103506A1 (en) * | 2015-10-09 | 2017-04-13 | Caterpillar Inc. | Component health monitoring system using computer vision |
US9886754B2 (en) * | 2016-04-05 | 2018-02-06 | General Electric Company | System and method for detecting missing tooth in mining shovel |
AU2017331287A1 (en) * | 2016-09-23 | 2019-05-02 | Esco Group Llc | Asset management system |
DE102016118227A1 (de) * | 2016-09-27 | 2018-03-29 | Claas Selbstfahrende Erntemaschinen Gmbh | Bildanlysesystem für landwirtschaftliche Arbeitsmaschinen |
US10249060B2 (en) * | 2016-12-14 | 2019-04-02 | Caterpillar Inc. | Tool erosion detecting system using augmented reality |
CA3005183A1 (en) * | 2017-05-30 | 2018-11-30 | Joy Global Surface Mining Inc | Predictive replacement for heavy machinery |
-
2016
- 2016-05-13 US US15/571,463 patent/US10339667B2/en active Active
- 2016-05-13 AU AU2016265876A patent/AU2016265876C1/en active Active
- 2016-05-13 WO PCT/CA2016/000144 patent/WO2016183661A1/en active Application Filing
- 2016-05-13 CA CA2984572A patent/CA2984572C/en active Active
- 2016-05-13 RU RU2017143910A patent/RU2713684C2/ru active
- 2016-05-13 PE PE2017002393A patent/PE20180594A1/es active IP Right Grant
- 2016-05-13 BR BR112017024454-3A patent/BR112017024454B1/pt active IP Right Grant
-
2017
- 2017-11-13 CL CL2017002885A patent/CL2017002885A1/es unknown
- 2017-11-28 ZA ZA2017/08066A patent/ZA201708066B/en unknown
Also Published As
Publication number | Publication date |
---|---|
CL2017002885A1 (es) | 2018-03-16 |
BR112017024454A2 (pt) | 2018-07-24 |
US20180130222A1 (en) | 2018-05-10 |
US10339667B2 (en) | 2019-07-02 |
RU2017143910A3 (ru) | 2019-09-09 |
CA2984572A1 (en) | 2016-11-24 |
PE20180594A1 (es) | 2018-04-05 |
CA2984572C (en) | 2022-05-31 |
BR112017024454B1 (pt) | 2024-02-15 |
AU2016265876A1 (en) | 2017-12-07 |
ZA201708066B (en) | 2018-11-28 |
RU2713684C2 (ru) | 2020-02-06 |
WO2016183661A1 (en) | 2016-11-24 |
AU2016265876C1 (en) | 2021-02-25 |
AU2016265876B2 (en) | 2019-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2017143910A (ru) | Способ и устройство определения местонахождения изнашиваемой детали на изображении рабочего инструмента | |
CN105938559B (zh) | 使用卷积神经网络的数字图像处理 | |
CN109858461B (zh) | 一种密集人群计数的方法、装置、设备以及存储介质 | |
CA2972183C (en) | Method and apparatus for identifying fragmented material portions within an image | |
CN110765860B (zh) | 摔倒判定方法、装置、计算机设备及存储介质 | |
CN109272509B (zh) | 一种连续图像的目标检测方法、装置、设备及存储介质 | |
US9008365B2 (en) | Systems and methods for pedestrian detection in images | |
CN106845352B (zh) | 行人检测方法和装置 | |
JP6397379B2 (ja) | 変化領域検出装置、方法、及びプログラム | |
CN112116001B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN110222598B (zh) | 一种视频行为识别方法、装置、存储介质和服务器 | |
EP3566177A1 (en) | A method and apparatus for detecting objects of interest in images | |
CN106716439A (zh) | 基于事件的下采样 | |
CN108009466B (zh) | 行人检测方法和装置 | |
US9978129B2 (en) | Patch partitions and image processing | |
Moini et al. | Remote power side-channel attacks on BNN accelerators in FPGAs | |
CN108256404A (zh) | 行人检测方法和装置 | |
CN109086779A (zh) | 一种基于卷积神经网络的注意力目标识别方法 | |
CN108875481A (zh) | 用于行人检测的方法、装置、系统及存储介质 | |
CN110378245B (zh) | 基于深度学习的足球比赛行为识别方法、装置及终端设备 | |
RU2017144798A (ru) | Способ определения карты глубин для изображения и устройство для его осуществления | |
CN111652054A (zh) | 关节点检测方法、姿态识别方法及装置 | |
CN112487844A (zh) | 手势识别方法、电子设备、计算机可读存储介质和芯片 | |
JP2018520531A5 (ru) | ||
CN117253031B (zh) | 一种基于多元复合深度学习的森林火灾监测方法 |