CN110471376A - 一种工业现场故障检测方法及设备 - Google Patents
一种工业现场故障检测方法及设备 Download PDFInfo
- Publication number
- CN110471376A CN110471376A CN201910620847.2A CN201910620847A CN110471376A CN 110471376 A CN110471376 A CN 110471376A CN 201910620847 A CN201910620847 A CN 201910620847A CN 110471376 A CN110471376 A CN 110471376A
- Authority
- CN
- China
- Prior art keywords
- information
- detected
- fault
- scene
- sample
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000007689 inspection Methods 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000000523 sample Substances 0.000 description 59
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 238000002156 mixing Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 241000406668 Loxodonta cyclotis Species 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000005672 electromagnetic field Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 239000012497 inhomogeneous sample Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于计算机技术领域，提供了一种工业现场故障检测方法及设备，包括：获取待检测对象的场景信息；其中，所述场景信息用于判断所述待检测对象的故障信息；所述场景信息包括环境信息和位置信息；将所述场景信息输入至预先训练好的故障检测模型进行处理，得到所述待检测对象的故障识别结果。上述方法，综合的参考了环境信息以及位置信息来判断待检测对象的故障信息，通过将场景信息输入到故障检测模型中，识别出待检测对象的故障识别结果，能够准确识别出故障的类型以及故障的位置，节约了人力，提高了巡检的效率。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种工业现场故障检测方法及设备。
背景技术
工业现场安全日常巡检使安全管理工作的重点，现有的工业巡检现场场景复杂，并且在进行故障检测的过程中过多的依赖于人工以及各类工具，例如，现有的工具有温度试纸、红外热像仪、红外点温仪等测温工具，同时还有振动检测仪、声音检测仪以及检测尺寸的各种测量工具。
但是，检测故障时过多的依赖工具以及人工，巡检现场的场景繁杂，并且每种工具只能获取一种对应的参考因素，这样导致无法准确识别出故障的类型以及故障的位置，浪费了大量的人力，巡检效率极低。
发明内容
有鉴于此，本发明实施例提供了一种工业现场故障检测方法及设备，以解决现有技术中无法准确识别出故障的类型以及故障的位置，浪费了大量的人力，巡检效率极低的问题。
本发明实施例的第一方面提供了一种工业现场故障检测方法，包括：
获取待检测对象的场景信息；其中，所述场景信息用于判断所述待检测对象的故障信息；所述场景信息包括环境信息和位置信息；
将所述场景信息输入至预先训练好的故障检测模型进行处理，得到所述待检测对象的故障识别结果；其中，所述故障识别结果包括故障类型和故障位置信息；在训练过程中，所述故障检测模型的输入为样本对象的样本场景信息和所述样本场景对应的故障信息标签，所述故障检测模型的输出为所述样本对象的故障识别结果。
本发明实施例的第二方面提供了一种工业现场故障检测装置，包括：
获取单元，用于获取待检测对象的场景信息；其中，所述场景信息用于判断所述待检测对象的故障信息；所述场景信息包括环境信息和位置信息；
处理单元，用于将所述场景信息输入至预先训练好的故障检测模型进行处理，得到所述待检测对象的故障识别结果；其中，所述故障识别结果包括故障类型和故障位置信息；在训练过程中，所述故障检测模型的输入为样本对象的样本场景信息和所述样本场景对应的故障信息标签，所述故障检测模型的输出为所述样本对象的故障识别结果。
本发明实施例的第三方面提供了一种工业现场故障检测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的工业现场故障检测方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的工业现场故障检测方法的步骤。
本发明实施例中，获取待检测对象的场景信息；其中，所述场景信息用于判断所述待检测对象的故障信息；所述场景信息包括环境信息和位置信息；将所述场景信息输入至预先训练好的故障检测模型进行处理，得到所述待检测对象的故障识别结果。上述方法，综合的参考了环境信息以及位置信息来判断待检测对象的故障信息，通过将场景信息输入到故障检测模型中，识别出待检测对象的故障识别结果，能够准确识别出故障的类型以及故障的位置，节约了人力，提高了巡检的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种工业现场故障检测方法的示意流程图；
图2是本发明实施例提供的一种工业现场故障检测方法中S102细化的示意流程图；
图3是本发明另一实施例提供的另一种工业现场故障检测方法的示意流程图；
图4是本发明另一实施例提供的另一种工业现场故障检测方法中S202细化的示意流程图；
图5是本发明再一实施例提供的一种工业现场故障检测方法的示意流程图；
图6是本申请本发明实施例提供的一种工业现场故障检测装置的示意图；
图7是本发明一实施例提供的工业现场故障检测设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
请参见图1，图1是本发明实施例提供的一种工业现场故障检测方法的示意流程图。本实施例中工业现场故障检测方法的执行主体为工业现场故障检测设备，设备包括但不限于智能手机、平板电脑、可穿戴设备、移动终端等。如图1所示的工业现场故障检测方法可包括：
S101：获取待检测对象的场景信息；其中，所述场景信息用于判断所述待检测对象的故障信息；所述场景信息包括环境信息和位置信息。
在工业现场巡检的过程中，现场会包括多个待检测的对象，工业现场故障检测设备获取待检测对象的场景信息。其中，场景信息用于判断待检测对象的故障信息，故障信息可以包括待检测对象的故障类型、故障情况信息等等。场景信息可以通过现场的传感器获取，场景信息包括环境信息和位置信息。
环境信息为待检测对象所处环境的相关信息，可以包括待检测对象的环境图像信息，也可以包括待检测对象的环境相关的参数，例如待检测对象的工作温度、待检测对象的工作环境湿度等等。
位置信息包括待检测对象的在巡检现场所处的位置信息和待检测对象内部结构中各个部位的位置信息。其中，待检测对象的在巡检现场所处的位置信息可以通过获取待检测对象的对象标识，基于预设对象标识和预设位置信息的对应关系来确定待检测对象的在巡检现场所处的位置信息；也可以通过定位装置获取，例如使用电子陀螺仪/GPS/4G/5G/WIFI等定位装置。待检测对象内部结构中各个部位的位置信息可以基于待检测对象的对象标识获取该待检测对象对应的内部结构中各个部位的位置信息，也可以通过获取待检测对象的图像信息，基于预设的参数构建待检测对象的内部结构，从而确定待检测对象对应的内部结构中各个部位的位置信息。
S102：将所述场景信息输入至预先训练好的故障检测模型进行处理，得到所述待检测对象的故障识别结果；其中，所述故障识别结果包括故障类型和故障位置信息；在训练过程中，所述故障检测模型的输入为样本对象的样本场景信息和所述样本场景对应的故障信息标签，所述故障检测模型的输出为所述样本对象的故障识别结果。
设备中预先设置了训练好的故障检测模型，预先训练好的故障检测模型可以包括输入层、隐含层、输出层(损失函数层)。输入层包括一个输入层节点，用于从外部接收输入的场景信息。隐含层用于对场景信息进行处理。输出层用于输出待检测对象的故障识别结果。本实施例中，预先训练好的故障检测模型在训练过程中，故障检测模型的输入为样本对象的样本场景信息和样本场景对应的故障信息标签，故障检测模型的输出为样本对象的故障识别结果。将场景信息输入至预先训练好的故障检测模型进行处理，得到待检测对象的故障识别结果，故障识别结果包括故障类型和故障位置信息。
进一步地，为了更准确的识别出待检测对象的故障识别结果，S102可以包括S1021～S1022，如图2所示，S1021～S1022具体如下：
S1021：基于所述待检测对象的标识信息、预设标识信息与预设故障检测模型之间的对应关系，确定所述待检测对象对应的目标故障检测模型。
工业现场故障检测设备中，预先设置多个故障检测模型，每个预设故障检测模型对应可以识别出不同对象的故障识别结果。预设故障检测模型可以包括输入层、隐含层、输出层(损失函数层)。输入层包括一个输入层节点，用于从外部接收输入的场景信息。隐含层用于对场景信息进行处理。输出层用于输出待检测对象的故障识别结果。本实施例中，预设故障检测模型在训练过程中，故障检测模型的输入为样本对象的样本场景信息和样本场景对应的故障信息标签，故障检测模型的输出为样本对象的故障识别结果。将场景信息输入至预先训练好的故障检测模型进行处理，得到待检测对象的故障识别结果，故障识别结果包括故障类型和故障位置信息。
工业现场故障检测设备中设置预设标识信息与预设故障检测模型之间的对应关系，基于待检测对象的标识信息、预设标识信息与预设故障检测模型之间的对应关系，确定待检测对象对应的目标故障检测模型。
S1022：将所述场景信息输入至所述目标故障检测模型进行处理，得到所述待检测对象的故障识别结果。
工业现场故障检测设备将场景信息输入至目标故障检测模型进行处理，即将待检测对象的场景信息输入到该对象对应的故障检测模型进行处理，得到待检测对象的故障识别结果。对不同的对象进行识别，分类处理，实现了智能分类，智能检测，提高了故障检测的效率，也提升了故障检测的准确度。
本发明实施例中，获取待检测对象的场景信息；其中，所述场景信息用于判断所述待检测对象的故障信息；所述场景信息包括环境信息和位置信息；将所述场景信息输入至预先训练好的故障检测模型进行处理，得到所述待检测对象的故障识别结果。上述方法，综合的参考了环境信息以及位置信息来判断待检测对象的故障信息，通过将场景信息输入到故障检测模型中，识别出待检测对象的故障识别结果，能够准确识别出故障的类型以及故障的位置，节约了人力，提高了巡检的效率。
请参见图3，图3是本发明另一实施例提供的另一种工业现场故障检测方法的示意流程图。本实施例中工业现场故障检测方法的执行主体为工业现场故障检测设备，设备包括但不限于智能手机、平板电脑、可穿戴设备、移动终端等。为了更综合的对待检测对象的故障进行识别，本实施例中获取了更详细的场景信息，本实施例与第一实施例的区别在于S201～S203，本实施例中S204与第一实施例中的S102相同，S201～S203是对第一实施例中S101的进一步细化，S201、S202、S203执行并无先后顺序，也可以同时执行，如图3所示，S201～S203具体如下：
S201：获取待检测现场的无线电信号，基于所述无线电信号识别待检测对象及其标识信息。
工业现场故障检测设备获取待检测现场的无线电信号，本实施例中采用的是射频识别技术(Radio Frequency Identification，RFID)，在待检测对象上设置RFID电子标签。RFID是一种无线通信技术，可以通过无线电讯号识别特定目标并读写相关数据。无线电的信号是通过调成无线电频率的电磁场，把数据从附着在物品上的标签上传送出去，以自动辨识与追踪该物品。某些标签在识别时从识别器发出的电磁场中就可以得到能量，并不需要电池；也有标签本身拥有电源，并可以主动发出无线电波(调成无线电频率的电磁场)。标签包含了电子存储的信息，数米之内都可以识别。与条形码不同的是，射频标签不需要处在识别器视线之内，也可以嵌入被追踪物体之内。也就是说，每一个待检测对象都有一个唯一的标识信息，因此，通过无线电信号可以获取到待检测对象的标识信息，然后基于预设标识信息与预设对象的对应关系，确定出待检测对象。其中，待检测对象的标识信息可以为唯一的电子编码。
此外，也可以获取待检测对象的其他信息，例如位置信息等等。
S202：获取所述待检测对象的环境信息。
S202与S101中的相关描述相同，具体可以参阅S101，此处不再赘述。
进一步地，为了更综合的对待检测对象的故障进行识别，本实施例中获取了更详细的场景信息，环境信息包括声音频率信息、声音强度信息、机电量振动波形信息和工作温度信息，S202可以包括S2021～S2022，如图4所示，S2021～S2022具体如下：
S2021：获取所述待检测对象工作时的声音频率信息、声音强度信息、振动波形信息。
待检测对象工作时，会产生一定的声音，基于工作时产生的声音，可以判断运行是否正常、工作状态是否稳定。所以，获取待检测对象工作时的声音频率信息、声音强度信息和振动波形信息也可以更准确、更全面的判断故障。工业现场故障检测设备获取待检测对象工作时的声音频率信息、声音强度信息，可以通过现场的麦克风等声音采集装置采集待检测对象工作时的声音，处理后得到声音频率信息和声音强度信息。在获取待检测对象的声音后，需要将多余的噪声去掉，只留有待检测对象的噪声波。
待检测设备正常工作时，机械转动会有一个比较规律的波形，振动固定在某一波段，当出现异常时，波形会出现突变，可根据此突变来判断目标的故障。工业现场故障检测设备获取待检测对象工作时的振动波形信息，可通过电测式振动传感器将获取的机械量转化为电量传输，根据电量将波形展现出来。包括振动波的采集、振动波分析与处理，通过传感器采集的振动波是模拟的信号，波形变化小，需经过放大或过滤处理后输出显示振动波形。振动波形主要体现在目标工作时的频率与幅值，与声音频率信息相辅相成。可以理解的是，当环境信息包括声音频率信息、声音强度信息和振动波形信息时，相对应的模型在训练时，也要采集样本声音频率信息和样本声音强度和样本振动波形信息信息。
S2022：获取所述待检测对象的热红外线图像，基于所述热红外线图像确定所述待检测对象的工作温度信息。
由于在工业现场，每个待检测对象工作时都有正常工作状态下的工作温度，一旦出现故障时，可能会导致工作温度发生变化，所以我们将待检测对象的工作温度信息作为判断故障的一个参考因素。
工业现场故障检测设备获取待检测对象的热红外线图像，热红外线图像简称红外图像，又称为热像，是由热红外扫描器接收和记录目标物发射的热辐射能而形成的图像。热红外图像是热辐射成像，它是随着红外成像技术的出现而诞生的。红外成像技术是一种热辐射信息探测技术，它是根据物体的红外辐射差异成像的，红外热成像***能够把物体表面的自然发射的红外辐射分布转变为可见图像。由于不同物体或同一物体的不同部位通常具有不同的热辐射特性，如温差、发射率等，在进行热红外成像后，热红外图像中的物体因为其热辐射的差异而区别开来。所以，基于热红外线图像是可以确定待检测对象的工作温度信息。
其中，在工业现场，可以通过红外传感器获取到待检测对象的热红外图像。工业现场故障检测设备从红外传感器总获取待检测对象的热红外线图像，基于热红外线图像确定待检测对象的工作温度信息。
S203：获取所述待检测对象的位置信息。
S203与S101中的相关描述相同，具体可以参阅S101，此处不再赘述。
进一步地，为了更综合的对待检测对象的故障进行识别，本实施例中获取了更详细的场景信息，场景信息还包括待检测对象的立体模型信息，立体模型信息包括待检测对象的三维立体结构图像，在S204之前，还可以包括：获取所述待检测对象的二维图像信息和空间参数信息，基于所述二维图像信息和所述空间参数信息确定所述待检测对象的立体模型信息。
场景信息还包括待检测对象的立体模型信息，立体模型信息包括待检测对象的三维立体结构图像，通过待检测对象的三维立体结构图像，可以判断出待检测对象是否有缺件或者变形的情况，所以我们将待检测对象的立体模型信息作为判断故障的一个参考因素。
工业现场故障检测设备获取待检测对象的二维图像信息和空间参数信息，其中，空间参数信息为二维图像转化为三维立体图像时所需的参数信息，可以通过测距传感器获取测距传感器与待检测对象的距离信息来确定空间参数信息。基于二维图像信息和空间参数信息确定待检测对象的立体模型信息。
进一步地，在巡检过程中，工业现场故障检测设备可以通过定位装置获取巡检的路径，从而获取巡检的轨迹。记录下来巡检的轨迹，可以防止漏掉待检测对象。
进一步地，场景信息中还可以包括融合图像，工业现场故障检测设备可以将待检测对象的热红外图像和二维图像信息进行融合，得到融合图像，并且将通过各种传感器获取到的各项参考因素及其参数标记在融合图像中。即多种信息融合形成在融合图像下，即每个待检测对象都有对象名称、温度信息、声音频率信息、声音强度信息、位置信息等等，除此之外，目标的振动信息、RFID标签的识别信息与3D模型匹配信息同步显示，即显示红外图像与可见光图像的融合图像下。工业现场故障检测设备可以将融合图像以及场景信息传输至其他设备上进行显示，显示的形式根据用户的需求可以进行切换，例如，显示声音波形并且携带其他信息、或者显示振动波形并且携带其他信息、或者显示三维立体结构图像并且携带其他信息，此处不做限制。
请参见图5，图5是本发明再一实施例提供的一种工业现场故障检测方法的示意流程图。本实施例中工业现场故障检测方法的执行主体为工业现场故障检测设备，设备包括但不限于智能手机、平板电脑、可穿戴设备、移动终端等。为了获取准确率更高的故障识别模型，本实施例中限定的对于故障识别模型的训练方法，本实施例与第一实施例的区别在于S301～S302，本实施例中S303～S304与第一实施例中的S101～S102相同，S301～S302在S303～S304之前执行，如图5所示，S301～S302具体如下：
S301：获取样本训练集；所述样本训练集包括样本对象的样本场景信息和所述样本对象对应的故障信息标签。
工业现场故障检测设备获取样本训练集，样本训练集包括样本对象的样本场景信息和样本对象对应的故障信息标签。可以理解的是，样本训练集中的样本数量越多，训练出的模型进行识别时就越准确。当样本场景信息中包括样本对象的图像信息时，可以采集该对象不同角度、不同距离的图像，全方位的获取该样本对象的图像信息，用于进行模型的训练。
S302：对所述样本训练集进行训练，得到用于输出所述样本对象对应的故障识别结果的故障识别模型。
工业现场故障检测设备对样本训练集进行训练，得到用于输出样本对象对应的故障识别结果的故障识别模型。进一步地，训练的过程中，也可以对样本训练集根据不同的样本对象进行分类，对不同类的样本训练集分别进行训练，得到不同样本对象对应的故障识别模型。
本实施例中的S301～S302两个步骤也可以在S201～S204之前执行，组成另一个实施例，具体可以参阅相关描述，此处不再赘述。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参见图6，图6是本申请本发明实施例提供的一种工业现场故障检测装置的示意图。工业现场故障检测装置6可以为工业现场故障检测设备，设备包括但不限于智能手机、平板电脑、可穿戴设备、移动终端等。本包括的各单元用于执行图1～图5对应的实施例中的各步骤，具体请参阅图1～图5各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。本实施例的工业现场故障检测装置6包括：
获取单元610，用于获取待检测对象的场景信息；其中，所述场景信息用于判断所述待检测对象的故障信息；所述场景信息包括环境信息和位置信息；
处理单元620，用于将所述场景信息输入至预先训练好的故障检测模型进行处理，得到所述待检测对象的故障识别结果；其中，所述故障识别结果包括故障类型和故障位置信息；在训练过程中，所述故障检测模型的输入为样本对象的样本场景信息和所述样本场景对应的故障信息标签，所述故障检测模型的输出为所述样本对象的故障识别结果。
进一步地，获取单元610，包括：
第一获取单元，用于获取待检测现场的无线电信号，基于所述无线电信号识别待检测对象及其标识信息；
第二获取单元，用于获取所述待检测对象的环境信息；
第三获取单元，用于获取所述待检测对象的位置信息。
进一步地，所述环境信息包括声音频率信息、声音强度信息、振动波形信息和工作温度信息，第二获取单元，具体用于：
获取所述待检测对象工作时的声音频率信息、声音强度信息和振动波形信息；
获取所述待检测对象的热红外线图像，基于所述热红外线图像确定所述待检测对象的工作温度信息。
进一步地，所述场景信息还包括所述待检测对象的立体模型信息，所述立体模型信息包括所述待检测对象的三维立体结构图像，获取单元610，还包括：
第四获取单元，用于获取所述待检测对象的二维图像信息和空间参数信息，基于所述二维图像信息和所述空间参数信息确定所述待检测对象的立体模型信息。
进一步地，所述场景信息还包括所述待检测对象的振动波段信息，获取单元610，还包括：
第五获取单元，用于获取所述待检测对象的振动波段信息。
进一步地，处理单元620，具体用于：
基于所述待检测对象的标识信息、预设标识信息与预设故障检测模型之间的对应关系，确定所述待检测对象对应的目标故障检测模型；
将所述场景信息输入至所述目标故障检测模型进行处理，得到所述待检测对象的故障识别结果。
进一步地，工业现场故障检测设备6，还包括：
第六获取单元，用于获取样本训练集；所述样本训练集包括样本对象的样本场景信息和所述样本对象对应的故障信息标签；
训练单元，用于对所述样本训练集进行训练，得到用于输出所述样本对象对应的故障识别结果的故障识别模型。
图7是本发明一实施例提供的工业现场故障检测设备的示意图。如图7所示，该实施例的工业现场故障检测设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如工业现场故障检测程序。所述处理器70执行所述计算机程序72时实现上述各个工业现场故障检测方法实施例中的步骤，例如图1所示的步骤101至102。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块610至620的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述工业现场故障检测设备7中的执行过程。例如，所述计算机程序72可以被分割成获取单元、处理单元，各单元具体功能如下：
获取单元，用于获取待检测对象的场景信息；其中，所述场景信息用于判断所述待检测对象的故障信息；所述场景信息包括环境信息和位置信息；
处理单元，用于将所述场景信息输入至预先训练好的故障检测模型进行处理，得到所述待检测对象的故障识别结果；其中，所述故障识别结果包括故障类型和故障位置信息；在训练过程中，所述故障检测模型的输入为样本对象的样本场景信息和所述样本场景对应的故障信息标签，所述故障检测模型的输出为所述样本对象的故障识别结果。
所述工业现场故障检测设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图7仅仅是工业现场故障检测设备6的示例，并不构成对工业现场故障检测设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述工业现场故障检测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述工业现场故障检测设备7的内部存储单元，例如工业现场故障检测设备7的硬盘或内存。所述存储器71也可以是所述工业现场故障检测设备7的外部存储设备，例如所述工业现场故障检测设备7上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述工业现场故障检测设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述工业现场故障检测设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种工业现场故障检测方法，其特征在于，包括：
获取待检测对象的场景信息；其中，所述场景信息用于判断所述待检测对象的故障信息；所述场景信息包括环境信息和位置信息；
将所述场景信息输入至预先训练好的故障检测模型进行处理，得到所述待检测对象的故障识别结果；其中，所述故障识别结果包括故障类型和故障位置信息；在训练过程中，所述故障检测模型的输入为样本对象的样本场景信息和所述样本场景对应的故障信息标签，所述故障检测模型的输出为所述样本对象的故障识别结果。
2.如权利要求1所述的工业现场故障检测方法，其特征在于，所述获取待检测对象的场景信息，包括：
获取待检测现场的无线电信号，基于所述无线电信号识别待检测对象及其标识信息；
获取所述待检测对象的环境信息；
获取所述待检测对象的位置信息。
3.如权利要求2所述的工业现场故障检测方法，其特征在于，所述环境信息包括声音频率信息、声音强度信息、振动波形信息和工作温度信息；
所述获取所述待检测对象的环境信息，包括：
获取所述待检测对象工作时的声音频率信息、声音强度信息和振动波形信息；
获取所述待检测对象的热红外线图像，基于所述热红外线图像确定所述待检测对象的工作温度信息。
4.如权利要求2所述的工业现场故障检测方法，其特征在于，所述场景信息还包括所述待检测对象的立体模型信息，所述立体模型信息包括所述待检测对象的三维立体结构图像，所述工业现场故障检测方法，还包括：
获取所述待检测对象的二维图像信息和空间参数信息，基于所述二维图像信息和所述空间参数信息确定所述待检测对象的立体模型信息。
5.如权利要求1所述的工业现场故障检测方法，其特征在于，所述将所述场景信息输入至预先训练好的故障检测模型进行处理，得到所述待检测对象的故障识别结果，包括：
基于所述待检测对象的标识信息、预设标识信息与预设故障检测模型之间的对应关系，确定所述待检测对象对应的目标故障检测模型；
将所述场景信息输入至所述目标故障检测模型进行处理，得到所述待检测对象的故障识别结果。
6.如权利要求1-5任一项所述的工业现场故障检测方法，其特征在于，在所述将所述场景信息输入至预先训练好的故障检测模型进行处理，得到所述待检测对象的故障识别结果之前，还包括：
获取样本训练集；所述样本训练集包括样本对象的样本场景信息和所述样本对象对应的故障信息标签；
对所述样本训练集进行训练，得到用于输出所述样本对象对应的故障识别结果的故障识别模型。
7.一种工业现场故障检测装置，其特征在于，包括：
获取单元，用于获取待检测对象的场景信息；其中，所述场景信息用于判断所述待检测对象的故障信息；所述场景信息包括环境信息和位置信息；
处理单元，用于将所述场景信息输入至预先训练好的故障检测模型进行处理，得到所述待检测对象的故障识别结果；其中，所述故障识别结果包括故障类型和故障位置信息；在训练过程中，所述故障检测模型的输入为样本对象的样本场景信息和所述样本场景对应的故障信息标签，所述故障检测模型的输出为所述样本对象的故障识别结果。
8.如权利要求7所述的工业现场故障检测装置，所述获取单元，包括：
第一获取单元，用于获取待检测现场的无线电信号，基于所述无线电信号识别待检测对象及其标识信息；
第二获取单元，用于获取所述待检测对象的环境信息；
第三获取单元，用于获取所述待检测对象的位置信息。
9.一种工业现场故障检测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910620847.2A CN110471376A (zh) | 2019-07-10 | 2019-07-10 | 一种工业现场故障检测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910620847.2A CN110471376A (zh) | 2019-07-10 | 2019-07-10 | 一种工业现场故障检测方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110471376A true CN110471376A (zh) | 2019-11-19 |
Family
ID=68507228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910620847.2A Pending CN110471376A (zh) | 2019-07-10 | 2019-07-10 | 一种工业现场故障检测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110471376A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144325A (zh) * | 2019-12-28 | 2020-05-12 | 广东电网有限责任公司 | 变电站电力设备的故障识别定位方法、装置及设备 |
| CN112001700A (zh) * | 2020-08-21 | 2020-11-27 | 金钱猫科技股份有限公司 | 一种基于大数据自动比对的工程检查方法及服务端 |
| CN112204547A (zh) * | 2020-05-26 | 2021-01-08 | 深圳市智物联网络有限公司 | 基于工业对象模型的数据处理方法、装置及设备 |
| CN112714284A (zh) * | 2020-12-22 | 2021-04-27 | 全球能源互联网研究院有限公司 | 一种电力设备检测方法、装置及移动终端 |
| CN112907114A (zh) * | 2021-03-18 | 2021-06-04 | 三一重工股份有限公司 | 漏油故障检测方法、装置、电子设备和存储介质 |
| CN113295702A (zh) * | 2021-05-20 | 2021-08-24 | 国网山东省电力公司枣庄供电公司 | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 |
| CN114742108A (zh) * | 2022-04-20 | 2022-07-12 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床轴承故障检测方法及*** |
| CN115601327A (zh) * | 2022-10-18 | 2023-01-13 | 上海宇佑船舶科技有限公司（Cn） | 主推进柴油机组的故障检测方法及*** |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101162510A (zh) * | 2006-09-15 | 2008-04-16 | 国际商业机器公司 | 用户可替换单元及用于识别故障的用户可替换单元的方法 |
| CN101498754A (zh) * | 2008-02-02 | 2009-08-05 | 陕西电力科学研究院 | 利用sf6压力波动判断sf6电气设备故障的方法及装置 |
| CN202119467U (zh) * | 2011-05-12 | 2012-01-18 | 北京工业大学 | 自适应小波神经网络异常检测故障诊断分类*** |
| CN104375068A (zh) * | 2014-11-25 | 2015-02-25 | 国家电网公司 | 用于输配电线路巡视的可视超声快速巡检装置 |
| US20150243031A1 (en) * | 2014-02-21 | 2015-08-27 | Metaio Gmbh | Method and device for determining at least one object feature of an object comprised in an image |
| CN106054029A (zh) * | 2016-08-16 | 2016-10-26 | 国网江苏省电力公司苏州供电公司 | 电缆线路在线监测*** |
| CN106295936A (zh) * | 2015-05-29 | 2017-01-04 | 深圳镭博万科技有限公司 | 轮毂类型识别装置和轮毂标识追溯管理*** |
| CN107092243A (zh) * | 2017-05-04 | 2017-08-25 | 中国科学院高能物理研究所 | 基于物联网的电源控制智能安全监控*** |
| CN107784310A (zh) * | 2017-11-08 | 2018-03-09 | 浙江国自机器人技术有限公司 | 设备状态信息获取方法、装置、***、存储介质及机器人 |
| CN108614170A (zh) * | 2018-04-28 | 2018-10-02 | 国网山东省电力公司淄博供电公司 | 一种电力变压器综合监护*** |
| CN108801334A (zh) * | 2018-04-28 | 2018-11-13 | 国网山东省电力公司淄博供电公司 | 一种移动式变压器状态信息综合监控诊断*** |
| CN108830837A (zh) * | 2018-05-25 | 2018-11-16 | 北京百度网讯科技有限公司 | 一种用于检测钢包溶蚀缺陷的方法和装置 |
| CN109165708A (zh) * | 2018-09-13 | 2019-01-08 | 佳讯飞鸿（北京）智能科技研究院有限公司 | 基于rfid的漏缆外观维护方法、***及故障维护辅助终端 |
| CN109269556A (zh) * | 2018-09-06 | 2019-01-25 | 深圳市中电数通智慧安全科技股份有限公司 | 一种设备风险预警方法、装置、终端设备及存储介质 |
| CN109443545A (zh) * | 2018-11-28 | 2019-03-08 | 深圳市乾行达科技有限公司 | 故障定位***和方法 |
| CN109653962A (zh) * | 2018-12-21 | 2019-04-19 | 鲁能新能源(集团)有限公司 | 一种风电机组在线监测***和监测方法 |
| CN109657749A (zh) * | 2018-12-11 | 2019-04-19 | 深圳市觅拓物联信息技术有限公司 | 一种基于射频识别rfid的故障定位方法及*** |
-
2019
- 2019-07-10 CN CN201910620847.2A patent/CN110471376A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101162510A (zh) * | 2006-09-15 | 2008-04-16 | 国际商业机器公司 | 用户可替换单元及用于识别故障的用户可替换单元的方法 |
| CN101498754A (zh) * | 2008-02-02 | 2009-08-05 | 陕西电力科学研究院 | 利用sf6压力波动判断sf6电气设备故障的方法及装置 |
| CN202119467U (zh) * | 2011-05-12 | 2012-01-18 | 北京工业大学 | 自适应小波神经网络异常检测故障诊断分类*** |
| US20150243031A1 (en) * | 2014-02-21 | 2015-08-27 | Metaio Gmbh | Method and device for determining at least one object feature of an object comprised in an image |
| CN104375068A (zh) * | 2014-11-25 | 2015-02-25 | 国家电网公司 | 用于输配电线路巡视的可视超声快速巡检装置 |
| CN106295936A (zh) * | 2015-05-29 | 2017-01-04 | 深圳镭博万科技有限公司 | 轮毂类型识别装置和轮毂标识追溯管理*** |
| CN106054029A (zh) * | 2016-08-16 | 2016-10-26 | 国网江苏省电力公司苏州供电公司 | 电缆线路在线监测*** |
| CN107092243A (zh) * | 2017-05-04 | 2017-08-25 | 中国科学院高能物理研究所 | 基于物联网的电源控制智能安全监控*** |
| CN107784310A (zh) * | 2017-11-08 | 2018-03-09 | 浙江国自机器人技术有限公司 | 设备状态信息获取方法、装置、***、存储介质及机器人 |
| CN108614170A (zh) * | 2018-04-28 | 2018-10-02 | 国网山东省电力公司淄博供电公司 | 一种电力变压器综合监护*** |
| CN108801334A (zh) * | 2018-04-28 | 2018-11-13 | 国网山东省电力公司淄博供电公司 | 一种移动式变压器状态信息综合监控诊断*** |
| CN108830837A (zh) * | 2018-05-25 | 2018-11-16 | 北京百度网讯科技有限公司 | 一种用于检测钢包溶蚀缺陷的方法和装置 |
| CN109269556A (zh) * | 2018-09-06 | 2019-01-25 | 深圳市中电数通智慧安全科技股份有限公司 | 一种设备风险预警方法、装置、终端设备及存储介质 |
| CN109165708A (zh) * | 2018-09-13 | 2019-01-08 | 佳讯飞鸿（北京）智能科技研究院有限公司 | 基于rfid的漏缆外观维护方法、***及故障维护辅助终端 |
| CN109443545A (zh) * | 2018-11-28 | 2019-03-08 | 深圳市乾行达科技有限公司 | 故障定位***和方法 |
| CN109657749A (zh) * | 2018-12-11 | 2019-04-19 | 深圳市觅拓物联信息技术有限公司 | 一种基于射频识别rfid的故障定位方法及*** |
| CN109653962A (zh) * | 2018-12-21 | 2019-04-19 | 鲁能新能源(集团)有限公司 | 一种风电机组在线监测***和监测方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144325A (zh) * | 2019-12-28 | 2020-05-12 | 广东电网有限责任公司 | 变电站电力设备的故障识别定位方法、装置及设备 |
| CN112204547A (zh) * | 2020-05-26 | 2021-01-08 | 深圳市智物联网络有限公司 | 基于工业对象模型的数据处理方法、装置及设备 |
| CN112204547B (zh) * | 2020-05-26 | 2023-06-16 | 深圳市智物联网络有限公司 | 基于工业对象模型的数据处理方法、装置及设备 |
| CN112001700A (zh) * | 2020-08-21 | 2020-11-27 | 金钱猫科技股份有限公司 | 一种基于大数据自动比对的工程检查方法及服务端 |
| CN112714284A (zh) * | 2020-12-22 | 2021-04-27 | 全球能源互联网研究院有限公司 | 一种电力设备检测方法、装置及移动终端 |
| CN112907114A (zh) * | 2021-03-18 | 2021-06-04 | 三一重工股份有限公司 | 漏油故障检测方法、装置、电子设备和存储介质 |
| CN113295702A (zh) * | 2021-05-20 | 2021-08-24 | 国网山东省电力公司枣庄供电公司 | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 |
| CN114742108A (zh) * | 2022-04-20 | 2022-07-12 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床轴承故障检测方法及*** |
| CN114742108B (zh) * | 2022-04-20 | 2022-12-20 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床轴承故障检测方法及*** |
| CN115601327A (zh) * | 2022-10-18 | 2023-01-13 | 上海宇佑船舶科技有限公司（Cn） | 主推进柴油机组的故障检测方法及*** |
| CN115601327B (zh) * | 2022-10-18 | 2023-10-10 | 上海宇佑船舶科技有限公司 | 主推进柴油机组的故障检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110471376A (zh) | 一种工业现场故障检测方法及设备 | |
| US11226395B2 (en) | Tracking system with mobile reader | |
| TWI599990B (zh) | 使用標籤進行巡檢之方法、系統和通訊終端 | |
| US9235823B2 (en) | Underground asset management system | |
| CN105164736B (zh) | 便捷式数据收集***和方法 | |
| US20160063429A1 (en) | Apparatus and method for performing an item picking process | |
| CN107004263B (zh) | 图像分析方法、装置及计算机可读装置 | |
| JP2018537772A (ja) | 複数の写真の一致性に基づく保険賠償詐欺防止方法、システム、装置及び読み取り可能な記録媒体 | |
| CN107817750A (zh) | 一种基于bim的楼宇监控*** | |
| CN111079699A (zh) | 商品识别方法及装置 | |
| KR20170038879A (ko) | 공장에서 모니터링될 대상의 재고를 검출하기 위한 시스템 | |
| CN109934093A (zh) | 一种识别货架商品的方法、计算机可读介质及识别*** | |
| CN109699004A (zh) | 蓝牙钥匙定位方法、装置、蓝牙设备及存储介质 | |
| CN104054089A (zh) | 盘点应答机 | |
| CN110378340A (zh) | 地址合规识别方法、装置、存储介质及电子装置 | |
| CN107637104A (zh) | 使感测设备与移动设备互操作 | |
| CN105139605A (zh) | 智能接线*** | |
| CN108257244B (zh) | 电力巡检方法、装置、存储介质和计算机设备 | |
| CN109635870A (zh) | 数据处理方法和装置 | |
| CN106203551A (zh) | 一种物资合同业务单据的电子签章处理方法 | |
| CN109086796A (zh) | 图像识别方法、装置、移动终端以及存储介质 | |
| CN116911883A (zh) | 基于ai鉴真技术和溯源量化的农产防伪溯源方法及云平台 | |
| US12000947B2 (en) | Tracking system with mobile reader | |
| TWI502514B (zh) | 電子裝置、位置測量方法及系統 | |
| Buzzi et al. | RFID sensors and artifact tracking |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |