CN111017728A - 一种基于机器视觉的起重机制动器健康状态评估方法 - Google Patents
一种基于机器视觉的起重机制动器健康状态评估方法 Download PDFInfo
- Publication number
- CN111017728A CN111017728A CN201911337159.1A CN201911337159A CN111017728A CN 111017728 A CN111017728 A CN 111017728A CN 201911337159 A CN201911337159 A CN 201911337159A CN 111017728 A CN111017728 A CN 111017728A
- Authority
- CN
- China
- Prior art keywords
- image
- brake
- assessment method
- health state
- machine vision
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/16—Applications of indicating, registering, or weighing devices
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于机器视觉的起重机制动器健康状态评估方法,属于设备健康监测技术领域。该健康状态评估方法包括以下步骤:采用图像采集装置采集制动器力矩标尺及推杆行程标尺图像,对采集的图像进行图像增强,图像二值化,边缘检测等处理,预处理的图像与标准模板匹配得到参数,用人工智能方法对制动器健康状态进行评估。本发明可以无需人工检测下即可监测制动器参数,分析制动器性能及预估制动器剩余寿命,机构简单,安装方便,本发明效率高,效果稳定,可以有效评估起重机制动器健康状态。
Description
技术领域:
本发明属于设备健康监测技术领域,特别涉及一种基于机器视觉的起重机制动器健康状态评估方法。
背景技术:
起重设备在冶金、物流、建筑等行业中应用广泛,是重要的工业设备,制动器作为起重机关键部件,不仅是动力***的重要组成部分,更直接关系设备正常运行和生产安全。因此保证起重机制动器性能健康有重要意义。
在现有技术中,通常通过人工定期检修对起重机制动器健康状态进行维护,该方法效率低下,准确率低,且实时性差,难以预防突发事故。机器视觉具有识别精度高、实时性好等优点,已广泛应用到工业领域。用机器视觉方法评估起重机制动器状态有很大价值。中国专利CN 107966232A提出了基于机器视觉的起重装备制动器性能监测方法与***,但没有具体提出起重机制动器图像处理方法与健康状态评估方法。因此需要提出方法解决以上问题。
发明内容:
本发明的目的在于提供一种基于机器视觉的起重机制动器健康状态评估方法,以解决现有技术中缺少起重机制动器健康状态评估方法的问题。本发明提供的一种基于机器视觉的起重机制动器健康状态评估方法包括以下步骤:
(1)通过图像采集单元采集起重机制动器制动力矩标尺,起重机制动器推杆行程标尺图像;
(2)图像采集单元将采集的图像传输至上位机;
(3)上位机对采集的图像进行图像预处理;
(4)通过数字图像处理方法读出图像中标尺的数值;
(5)用人工智能方法进行起重机制动器健康状态评估;
(6)根据评估结果识别起重器制动器健康状态。
所述步骤(3)图像预处理的具体步骤如下:
(3-1)对图像采集***进行标定,采集并设定标准图像模板;
(3-2)用标准图像模板对采集的图像进行图像质量评估,评估指标包括:亮度、对比度、信噪比及结构;
(3-3)设定阈值将采集的图像质量根据指标分类,根据分类结果对采集的图像进行图像增强;
(3-5)对增强后图像进行图像倾斜校正。
所述图像增强包括直方图均衡化、二值化、图像去雾及腐蚀膨胀处理。
所述图像倾斜校正具体是通过边缘检测算法检测图像边缘,通过霍夫变换检测标尺边缘直线,计算直线与水平坐标轴夹角,对图像进行旋转使图像边缘垂直水平坐标轴。
所述步骤(4)的数字图像处理方法的具体步骤包括:
(4-1)分离标尺图像刻度与数值;
(4-2)用标准数字模板与数值图像进行图像匹配,读出刻度对应数值;
(4-4)通过游标像素计算游标指示的数值。
所述图像匹配为模板匹配。
所述步骤(5)的评估方法的具体步骤包括:
(5-1)用记录的起重机制动器数据训练人工智能算法模型;
(5-2)将采集的制动器参数输入训练好的人工智能算法模型,识别制动器状态和拟合制动器寿命曲线。
所述人工智能算法模型包括人工神经网络模型和支持向量机模型。所述制动器参数包括标尺的数值和制动器的规格参数。
所述步骤(6)的识别制动器健康状态具体为:根据设定的制动器健康状态阈值,将制动器状态分为严重、一般、良好及健康。
附图说明:
图1为本发明方法流程示意图;
图2为本发明中的图像去雾算法示意图;
图3为本发明中的直方图均衡化示意图;
图4为本发明中的倾斜纠正示意图;
图5为本发明中的二值化示意图;
图6为本发明中的腐蚀膨胀处理示意图;
图7为本发明中的数值刻度分离示意图;
图8为本发明中的字符提取示意图。
具体实施方式:
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的一种基于机器视觉的起重机制动器健康状态评估方法,如图1所示,方法包括以下步骤:
步骤1,通过图像采集单元采集起重机制动器制动力矩标尺,制动器推杆行程标尺图像;
步骤2,图像采集单元将采集的图像传输至上位机;
步骤3,上位机对采集的图像预处理;
步骤4,通过数字图像处理方法读出图像中标尺的数值;
步骤5,将起重机制动器参数用人工智能方法进行评估;
步骤6,根据评估结果识别起重器制动器健康状态。
进一步的,图像预处理的步骤包括:
(1)对图像采集***进行标定,采集并设定标准图像模板;
(2)用标准图像模板对采集的图像进行图像质量评估,评估指标包括:亮度、对比度、信噪比及结构;
(3)设定阈值将采集的图像质量根据指标分类,根据分类结果对采集的图像进行图像增强;
(4)对增强后图像进行倾斜校正。
进一步的,图像增强方法包括:直方图均衡化、二值化、图像去雾及腐蚀膨胀处理。
进一步的,所述图像去雾具体方法为Retinex算法,用于消除采集图像环境中灰尘,烟雾的影响,如图2所示。
进一步的,直方图均衡化效果为调节图像亮度,避免图像过亮或过暗影响图像处理,如图3所示。
图像倾斜校正具体是通过边缘检测算法检测图像边缘,通过霍夫变换检测标尺边缘直线,计算直线与水平坐标轴夹角,对图像进行旋转使图像边缘垂直水平坐标轴,如图4所示。
进一步的,边缘检测算法所用算子包括Roberts Cross算子,Prewitt算子,Sobel算子,Kirsch算子,Canny算子。
进一步的,所述二值化具体方法为,根据图像亮度最大值和最小值计算阈值,再根据阈值将图像变换为像素仅由0和1两种值的二值化图像,如图5所示。
thresh=round(imax-(imax-imin)/a)
式中,thresh为阈值,imax,imin分别为图像灰度最大值和最小值,a为比例参数,round为四舍五入函数,f(x,y)为原始图像,g(x,y)为二值化图像。
进一步的,所述腐蚀膨胀处理作用为消除二值化出现的杂纹并平滑图像边缘,如图6所示。
进一步的,数字图像处理方法的具体步骤包括:
(1)分离标尺图像刻度与数值,如图7所示;
(2)将数值图像进一步分割并保存,如图8所示,用标准数字模板与数值图像进行图像匹配,读出刻度对应数值;
(3)通过游标像素计算游标指示的数值。
进一步,所述图像匹配为模板匹配。
步骤5的评估方法的具体步骤包括:
(1)用记录的起重机制动器数据训练人工智能算法模型;
(2)将采集的制动器参数输入训练好的人工智能算法模型,识别制动器状态和拟合制动器寿命曲线。所述人工智能算法模型包括人工神经网络模型和支持向量机模型。所述制动器参数包括标尺的数值和制动器的规格参数。
所述识别制动器健康状态具体为:根据设定的制动器健康状态阈值,将制动器状态分为严重、一般、良好及健康。并设定阈值,根据阈值对识别的制动器状态进行分类。
Claims (10)
1.一种基于机器视觉的起重机制动器健康状态评估方法,其特征在于该方法包括以下步骤:
(1)通过图像采集单元采集起重机制动器制动力矩标尺,起重机制动器推杆行程标尺图像;
(2)图像采集单元将采集的图像传输至上位机;
(3)上位机对采集的图像进行图像预处理;
(4)通过数字图像处理方法读出图像中标尺的数值;
(5)用人工智能方法进行起重机制动器健康状态评估;
(6)根据评估结果识别起重器制动器健康状态。
2.根据权利要求1所述的一种基于机器视觉的起重机制动器健康状态评估方法,其特征在于所述步骤(3)图像预处理的具体步骤如下:
(3-1)对图像采集***进行标定,采集并设定标准图像模板;
(3-2)用标准图像模板对采集的图像进行图像质量评估,评估指标包括:亮度、对比度、信噪比及结构;
(3-3)设定阈值将采集的图像质量根据指标分类,根据分类结果对采集的图像进行图像增强;
(3-4)对增强后图像进行图像倾斜校正。
3.根据权利要求2所述的一种基于机器视觉的起重机制动器健康状态评估方法,其特征在于所述图像增强包括直方图均衡化、二值化、图像去雾及腐蚀膨胀处理。
4.根据权利要求2所述的一种基于机器视觉的起重机制动器健康状态评估方法,其特征在于所述图像倾斜校正具体是通过边缘检测算法检测图像边缘,通过霍夫变换检测标尺边缘直线,计算直线与水平坐标轴夹角,对图像进行旋转使图像边缘垂直水平坐标轴。
5.根据权利要求1所述的一种基于机器视觉的起重机制动器健康状态评估方法,其特征在于所述步骤(4)的数字图像处理方法的具体步骤包括:
(4-1)分离标尺图像刻度与数值;
(4-2)用标准数字模板与数值图像进行图像匹配,读出刻度对应数值;
(4-3)通过游标像素计算游标指示的数值。
6.根据权利要求5所述的一种基于机器视觉的起重机制动器健康状态评估方法,其特征在于所述图像匹配为模板匹配。
7.根据权利要求1所述的一种基于机器视觉的起重机制动器健康状态评估方法,其特征在于所述步骤(5)的评估方法的具体步骤包括:
(5-1)用记录的起重机制动器数据训练人工智能算法模型;
(5-2)将采集的制动器参数输入训练好的人工智能算法模型,识别制动器状态和拟合制动器寿命曲线。
8.根据权利要求7所述的一种基于机器视觉的起重机制动器健康状态评估方法,其特征在于所述人工智能算法模型包括人工神经网络模型和支持向量机模型。
9.根据权利要求7所述的一种基于机器视觉的起重机制动器健康状态评估方法,其特征在于所述制动器参数包括标尺的数值和制动器的规格参数。
10.根据权利要求1所述的一种基于机器视觉的起重机制动器健康状态评估方法,其特征在于所述步骤(6)的识别制动器健康状态具体为:根据设定的制动器健康状态阈值,将制动器状态分为严重、一般、良好及健康。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911337159.1A CN111017728A (zh) | 2019-12-23 | 2019-12-23 | 一种基于机器视觉的起重机制动器健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911337159.1A CN111017728A (zh) | 2019-12-23 | 2019-12-23 | 一种基于机器视觉的起重机制动器健康状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111017728A true CN111017728A (zh) | 2020-04-17 |
Family
ID=70211615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911337159.1A Pending CN111017728A (zh) | 2019-12-23 | 2019-12-23 | 一种基于机器视觉的起重机制动器健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111017728A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113247810A (zh) * | 2021-06-21 | 2021-08-13 | 上海市特种设备监督检验技术研究院 | 一种起重机制动距离测量装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS576964A (en) * | 1980-06-13 | 1982-01-13 | Ricoh Co Ltd | Picture extracting method |
CN106115488A (zh) * | 2016-08-24 | 2016-11-16 | 武汉理工大学 | 一种门座式起重机法兰盘裂纹的视觉监测*** |
CN106909941A (zh) * | 2017-02-27 | 2017-06-30 | 广东工业大学 | 基于机器视觉的多表字符识别***及方法 |
CN107966232A (zh) * | 2017-11-24 | 2018-04-27 | 中国特种设备检测研究院 | 基于机器视觉的起重装备制动器性能监测方法与*** |
CN108133213A (zh) * | 2016-12-01 | 2018-06-08 | 西安米特电子科技有限公司 | 一种面向燃气表外壳式摄像的嵌入式数字识别方法 |
CN109858480A (zh) * | 2019-01-08 | 2019-06-07 | 北京全路通信信号研究设计院集团有限公司 | 一种数字式仪表识别方法 |
-
2019
- 2019-12-23 CN CN201911337159.1A patent/CN111017728A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS576964A (en) * | 1980-06-13 | 1982-01-13 | Ricoh Co Ltd | Picture extracting method |
CN106115488A (zh) * | 2016-08-24 | 2016-11-16 | 武汉理工大学 | 一种门座式起重机法兰盘裂纹的视觉监测*** |
CN108133213A (zh) * | 2016-12-01 | 2018-06-08 | 西安米特电子科技有限公司 | 一种面向燃气表外壳式摄像的嵌入式数字识别方法 |
CN106909941A (zh) * | 2017-02-27 | 2017-06-30 | 广东工业大学 | 基于机器视觉的多表字符识别***及方法 |
CN107966232A (zh) * | 2017-11-24 | 2018-04-27 | 中国特种设备检测研究院 | 基于机器视觉的起重装备制动器性能监测方法与*** |
CN109858480A (zh) * | 2019-01-08 | 2019-06-07 | 北京全路通信信号研究设计院集团有限公司 | 一种数字式仪表识别方法 |
Non-Patent Citations (3)
Title |
---|
刘军: "《基因芯片制备及数据分析技术》", 30 April 2015 * |
李宝红: "《现代质量管理》", 31 May 2013 * |
蔡成涛: "《海洋环境下的计算机视觉技术》", 31 October 2015 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113247810A (zh) * | 2021-06-21 | 2021-08-13 | 上海市特种设备监督检验技术研究院 | 一种起重机制动距离测量装置 |
CN113247810B (zh) * | 2021-06-21 | 2024-02-09 | 上海市特种设备监督检验技术研究院 | 一种起重机制动距离的测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及*** | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN109870461B (zh) | 一种电子元器件质量检测*** | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与*** | |
CN110008932B (zh) | 一种基于计算机视觉的车辆违章压线检测方法 | |
CN111833306A (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
CN106682665B (zh) | 一种基于计算机视觉的七段式数显仪表数字识别方法 | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析***及方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测*** | |
CN117152161B (zh) | 一种基于图像识别的刨花板质量检测方法及*** | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
CN112419298A (zh) | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 | |
CN114820626B (zh) | 一种汽车前脸零件配置智能检测方法 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 | |
CN113673614B (zh) | 基于机器视觉的地铁隧道异物入侵检测装置及方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN111017728A (zh) | 一种基于机器视觉的起重机制动器健康状态评估方法 | |
CN110728286A (zh) | 一种基于火花图像的砂带磨削材料去除率识别方法 | |
CN111950606B (zh) | 一种刀闸状态识别方法、装置、设备和存储介质 | |
CN116309447B (zh) | 一种基于深度学习的水坝斜坡裂缝检测方法 | |
CN113255519A (zh) | 一种输电线路危险车辆吊车扬臂识别***及多目标跟踪方法 | |
CN117330582A (zh) | 一种高分子pe薄膜表面晶点检测*** | |
CN112749735A (zh) | 基于深度学习的转炉出钢钢流识别方法、***、介质及终端 |
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: 20200417 |