CN112485257A - 一种基于机器视觉的辊压机辊面磨损检测方法及装置 - Google Patents
一种基于机器视觉的辊压机辊面磨损检测方法及装置 Download PDFInfo
- Publication number
- CN112485257A CN112485257A CN202011164671.3A CN202011164671A CN112485257A CN 112485257 A CN112485257 A CN 112485257A CN 202011164671 A CN202011164671 A CN 202011164671A CN 112485257 A CN112485257 A CN 112485257A
- Authority
- CN
- China
- Prior art keywords
- roll
- roll surface
- abrasion
- deep learning
- roller
- 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
- 238000005299 abrasion Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000013136 deep learning model Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 7
- 239000004568 cement Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000000644 propagated effect Effects 0.000 claims description 4
- 238000011897 real-time detection Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000010191 image analysis Methods 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000000465 moulding Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract 1
- 239000000463 material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C2210/00—Codes relating to different types of disintegrating devices
- B02C2210/01—Indication of wear on beaters, knives, rollers, anvils, linings and the like
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的辊压机辊面磨损检测方法和装置，用于在线检测辊压机辊面磨损情况。该检测方法和装置，通过使用高分辨率相机实施采集辊面图像数据，经过视频采集卡传输到分析计算机内。分析计算机安装有基于深度学习算法的机器视觉分析软件，通过以往采集的磨损与未磨损辊压机辊面图像数据进行模型训练，不断优化分析模型。现场采集的辊面数据输入到模型后，经过多次迭代处理，输出辊面磨损区域与磨损情况数据。本发明解决了辊压机辊面磨损测量发现不及时的问题，通过运用深度学习算法，融合机器视觉技术，及时采集分析辊面图像，对辊压机日常生产运维有着积极地意义。
Description
技术领域
本发明涉及机器视觉图像识别深度学习领域，具体涉及一种运用机器视觉技术通过对辊压机辊面磨损情况的识别进行磨损检测的方法及装置。
背景技术
辊压机作为水泥行业的重要粉磨设备已经广泛应用于大部分水泥厂，因其具有电耗低、生产效益高的特点，被越来越多的水泥生产企业所接受，但是其使用过程中产生的辊面磨损问题也较为突出。当辊面完好的情况下，物料会受到充分的研磨和挤压，粉磨效果良好，而且产量可以维持在较高水平。当辊面产生磨损后，导致滚缝间距变大且不均匀，导致研磨的物料受力不均匀，研磨后的物料大小不均，研磨效果较差。因此，对辊压机辊面的磨损程度进行实时检测，对于稳定辊压机生产过程，提高粉磨效率和产量至关重要。
目前对于辊压机辊面磨损的检测方式还停留在使用人肉眼去观察评判的阶段，往往需要停机判断具体的磨损区域和磨损程度，而且检测结果受人为因素影响较大，无法定量化的研究辊面磨损情况，因此具有较大的局限性。
随着近几年机器视觉深度学习的快速发展，在图像识别领域应用深度学习算法取得了较快的发展，因为深度学习可以无需提取图像特征，而直接对图像进行学习，并且可以诊断多种磨损状态，模型自适应能力强，训练好的模型可以应用于多个辊压机共同使用。而且目前生产制造辊压机的设备厂商众多，制造方式和使用材料都不尽相同，而且采用数据驱动技术相比传统根据工艺机理观察更加客观，避免了传统方式无法直接建模的弊端，可以直接从采集到的磨损画面中通过深度学习找到规律，对磨损情况进行识别和分析，降低模型建立的复杂性。
随着粉磨行业对智能制造要求的不断提升，如何实现辊压机辊面磨损情况的实时检测，改变延时检测的现状，实现对于辊压机辊面磨损情况实时评价与合理控制成为了粉磨流程工业领域亟待解决的问题。
基于此，有必要提供一种基于机器视觉的辊压机辊面磨损检测方法及装置，以解决对于辊压机辊面磨损情况检测不及时的问题，改变延时测量现状，时刻保障辊压机粉磨生产的稳定性。
发明内容
为了解决现有技术中存在的上述技术问题，本发明提供了一种基于机器视觉的辊压机辊面磨损检测方法，包括以下步骤：
步骤一：在辊压机辊面位置附近的合适角度安装高分辨率相机以及辅助光源，将相机采集的图像数据通过视频采集卡发送到图像分析计算机内；
步骤二：经过对辊压机辊面磨损情况的分析，采集大量水泥行业辊压机辊面磨损与未磨损图像，将磨损图像与未磨损图像进行标记，经过图像处理后输入到深度学习模型中；
步骤三：基于深度学习模型中辊压机辊面磨损特征信息正向传播，根据在辊压机辊面图像磨损情况的数据特征，采用神经网络模型，对构建好的输入层数据进行信号的前向传播，从输入层经过隐含层，最后到达输出层，输入信号通过隐含层作用于输出节点，经过非线性变换，产生辊压机辊面磨损情况判定前向训练数据特征；
步骤四：基于深度学习模型的辊压机辊面模塑情况特征的期望输出误差反向传播，通过计算辊压机辊面磨损实际情况与模型计算输出情况的误差，对其进行反向传播，误差反传将输出误差通过隐含层向输入层逐层反传，以获得各层的误差信号为各单元的调整提供依据；
步骤五：利用训练好的卷积神经网络深度学习模型对辊压机辊面磨损情况进行实时检测与结果输出。
进一步的，该深度学习模型采用卷积神经网络模型。
进一步的，对辊压机辊面磨损图像通过调节输入层神经元与隐含层神经元，隐含层神经元与输出层神经元之间的联接权重与阈值，使网络的实际输出值和期望输出值的误差沿梯度方向下降，经过反复学习训练，当误差达到预测精度或学习次数大于设定的最大次数时确定出最小误差所对应的网络参数，完成深度学习模型的训练过程。
本发明还提供了一种基于机器视觉的辊压机辊面磨损检测装置，高分辨率相机、辅助光源、视频采集卡和视频分析计算机，在辊压机辊面附近合适角度安装高分辨率相机和辅助光源，将高分辨率相机采集图像通过视频采集卡处理后发送到视频分析计算机内；视频分析计算机设有深度学习模型，大量采集多个辊压机辊面磨损与未磨损的图像作为深度学习模型的输入变量，辊压机辊面磨损情况作为输出变量，通过基于卷积神经网络的深度学习模型对样本数据进行离线训练；采用训练后的基于卷积神经网络的深度学习模型对采集的辊面画面进行分析，得到输出辊面磨损情况。
本发明与现有技术相比，具有如下有益效果：本发明建立的基于机器视觉辊压机辊面磨损检测方法，能够对辊压机辊面图像进行及时、快速、连续、真实地测量，及时输出辊压机辊面磨损情况，为保障辊压机粉磨生产提供了有效的保障手段。
附图说明
图1为本发明的装置结构示意图；
图2为辊压机辊面磨损检测方法的流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1和2所示，根据本发明的一个具体实施例，本发明首先在辊压机辊面附近合适角度安装高分辨率相机和辅助光源，将相机采集图像通过视频采集卡处理后发送到视频分析计算机内。同时大量采集多个辊压机辊面磨损与未磨损的图像作为深度学习模型的输入变量，辊压机辊面磨损情况作为输出变量，通过基于卷积神经网络的深度学习模型对样本数据进行离线训练，在工程实际应用中可以根据***的实际运行数据每隔一段时间对稳态输入输出样本数据进行更新，重新训练该模型，以满足现场实际需要。基于机器视觉的辊压机辊面磨损检测装置的结构图如图1所示，基于机器视觉的辊压机辊面磨损检测方法的流程如图2所示；
其具体包括如下步骤：
1）现场辊压机辊面附近安装高清相机，并完成图像数据的传输；
2）与生产人员沟通导致辊面磨损的因素,细化模型机理,并梳理为计算机模型语言。分析磨损与未磨损辊面图像的相关变量模型数据，以及现场实际情况，采用深度算法去进行模型训练，搭建辊压机辊面磨损检测***；
3）采用基于卷积神经网络的深度学习的方式对现场采集的辊面画面通过视频采集卡回传进行分析，输出辊面磨损情况指导生产。
辊压机辊面磨损检测***实施将开展以下工作：
1、勘探现场辊压机安装位置，安装高分辨率相机、光源及其配套滑轨和支架，调整相机采集方向，为后期数据采集精确度提供保证；
2、采集现场辊压机辊面磨损和未磨损区域的照片，导入到深度学习算法模型中进行模型训练；
3、在现场敷设电缆、网线等装置，打通数据通信，将辊压机辊面图像实时回传并进入辊面磨损检验***中自动分析，定时输出磨损程序以及磨损区域分析结果。
Claims (4)
1.一种基于机器视觉的辊压机辊面磨损检测方法，其特征在于包括以下步骤：
步骤一：在辊压机辊面位置附近的合适角度安装高分辨率相机以及辅助光源，将相机采集的图像数据通过视频采集卡发送到图像分析计算机内；
步骤二：经过对辊压机辊面磨损情况的分析，采集大量水泥行业辊压机辊面磨损与未磨损图像，将磨损图像与未磨损图像进行标记，经过图像处理后输入到深度学习模型中；
步骤三：基于深度学习模型中辊压机辊面磨损特征信息正向传播，根据在辊压机辊面图像磨损情况的数据特征，采用神经网络模型，对构建好的输入层数据进行信号的前向传播，从输入层经过隐含层，最后到达输出层，输入信号通过隐含层作用于输出节点，经过非线性变换，产生辊压机辊面磨损情况判定前向训练数据特征；
步骤四：基于深度学习模型的辊压机辊面模塑情况特征的期望输出误差反向传播，通过计算辊压机辊面磨损实际情况与模型计算输出情况的误差，对其进行反向传播，误差反传将输出误差通过隐含层向输入层逐层反传，以获得各层的误差信号为各单元的调整提供依据；
步骤五：利用训练好的卷积神经网络深度学习模型对辊压机辊面磨损情况进行实时检测与结果输出。
2.如权利要求1所述的基于机器视觉的辊压机辊面磨损检测方法，其特征在于：该深度学习模型采用卷积神经网络模型。
3.如权利要求1所述的基于机器视觉的辊压机辊面磨损检测方法，其特征在于：对辊压机辊面磨损图像通过调节输入层神经元与隐含层神经元，隐含层神经元与输出层神经元之间的联接权重与阈值，使网络的实际输出值和期望输出值的误差沿梯度方向下降，经过反复学习训练，当误差达到预测精度或学习次数大于设定的最大次数时确定出最小误差所对应的网络参数，完成深度学习模型的训练过程。
4.一种基于机器视觉的辊压机辊面磨损检测装置，高分辨率相机、辅助光源、视频采集卡和视频分析计算机，其特征在于：在辊压机辊面附近合适角度安装高分辨率相机和辅助光源，将高分辨率相机采集图像通过视频采集卡处理后发送到视频分析计算机内；视频分析计算机设有深度学习模型，大量采集多个辊压机辊面磨损与未磨损的图像作为深度学习模型的输入变量，辊压机辊面磨损情况作为输出变量，通过基于卷积神经网络的深度学习模型对样本数据进行离线训练；采用训练后的基于卷积神经网络的深度学习模型对采集的辊面画面进行分析，得到输出辊面磨损情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011164671.3A CN112485257A (zh) | 2020-10-27 | 2020-10-27 | 一种基于机器视觉的辊压机辊面磨损检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011164671.3A CN112485257A (zh) | 2020-10-27 | 2020-10-27 | 一种基于机器视觉的辊压机辊面磨损检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112485257A true CN112485257A (zh) | 2021-03-12 |
Family
ID=74927109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011164671.3A Pending CN112485257A (zh) | 2020-10-27 | 2020-10-27 | 一种基于机器视觉的辊压机辊面磨损检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112485257A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113510960A (zh) * | 2021-08-17 | 2021-10-19 | 安徽坤健生物科技有限公司 | 一种餐厨垃圾资源化利用生物处理方法 |
| CN113570598A (zh) * | 2021-09-22 | 2021-10-29 | 海门市恒昌织带有限公司 | 基于人工智能的纺织毛刷辊磨损分析及寿命预测方法 |
| CN113634620A (zh) * | 2021-08-11 | 2021-11-12 | 武汉科技大学 | 一种矫直机辊子磨损量监测与自适应反馈调节***及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180029834A1 (en) * | 2016-07-29 | 2018-02-01 | Otis Elevator Company | Monitoring of step rollers and maintenance mechanics of passenger conveyors |
| US20200196816A1 (en) * | 2018-12-24 | 2020-06-25 | Jiangsu Midea Cleaning Appliances Co., Ltd. | Cleaning device and roller brush component |
| CN111754498A (zh) * | 2020-06-29 | 2020-10-09 | 河南科技大学 | 一种基于YOLOv3的传送带托辊检测方法 |
-
2020
- 2020-10-27 CN CN202011164671.3A patent/CN112485257A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180029834A1 (en) * | 2016-07-29 | 2018-02-01 | Otis Elevator Company | Monitoring of step rollers and maintenance mechanics of passenger conveyors |
| US20200196816A1 (en) * | 2018-12-24 | 2020-06-25 | Jiangsu Midea Cleaning Appliances Co., Ltd. | Cleaning device and roller brush component |
| CN111754498A (zh) * | 2020-06-29 | 2020-10-09 | 河南科技大学 | 一种基于YOLOv3的传送带托辊检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李立新;黄英钢;张葵;吕肖元;李彬;吴晓冬;: "轧辊磨损过程中的形貌图像特征及分形", 钢铁, no. 04, pages 105 - 110 * |
| 邓方等: "智能计算与信息处理", 30 June 2020, 北京理工大学出版社, pages: 33 - 36 * |
| 郝志峰: "数据科学与数学建模", 31 January 2019, 华中科技大学出版社, pages: 147 - 149 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113634620A (zh) * | 2021-08-11 | 2021-11-12 | 武汉科技大学 | 一种矫直机辊子磨损量监测与自适应反馈调节***及方法 |
| CN113634620B (zh) * | 2021-08-11 | 2023-09-01 | 武汉科技大学 | 一种矫直机辊子磨损量监测与自适应反馈调节***及方法 |
| CN113510960A (zh) * | 2021-08-17 | 2021-10-19 | 安徽坤健生物科技有限公司 | 一种餐厨垃圾资源化利用生物处理方法 |
| CN113510960B (zh) * | 2021-08-17 | 2023-07-21 | 安徽坤健生物科技有限公司 | 一种餐厨垃圾资源化利用生物处理方法 |
| CN113570598A (zh) * | 2021-09-22 | 2021-10-29 | 海门市恒昌织带有限公司 | 基于人工智能的纺织毛刷辊磨损分析及寿命预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112485257A (zh) | 一种基于机器视觉的辊压机辊面磨损检测方法及装置 | |
| CN110031477B (zh) | 基于图像监控数据的桥梁关键构件病害预警***及方法 | |
| Zhou et al. | Dynamic prediction for attitude and position in shield tunneling: A deep learning method | |
| CN110567974B (zh) | 一种基于云端人工智能表面缺陷检测*** | |
| CN105678332B (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及*** | |
| CN103913468B (zh) | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 | |
| CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
| CN104655030A (zh) | 一种输电线路覆冰检测与预警装置 | |
| CN104964886A (zh) | 一种焊接构件疲劳应力及应变实时非接触式监测方法 | |
| CN101726498B (zh) | 基于视觉仿生的铜带表面质量智能检测装置及方法 | |
| CN110322014A (zh) | 一种基于bp神经网络的水泥成品比表面积预测方法 | |
| CN111896549B (zh) | 一种基于机器学习的建筑物裂缝监测***和方法 | |
| CN108647722B (zh) | 一种基于过程尺寸特征的锌矿品位软测量方法 | |
| CN113554621B (zh) | 基于小波尺度图和深度迁移学习的刀具磨损状态识别***及识别方法 | |
| CN111402249B (zh) | 基于深度学习的图像演化分析方法 | |
| CN108931621B (zh) | 一种基于过程纹理特征的锌矿品位软测量方法 | |
| CN111157537A (zh) | 一种基于仿生机器视觉的带钢缺陷检测装置及*** | |
| CN103149087A (zh) | 一种基于随动视窗与数字图像的非接触式实时应变测量方法 | |
| CN117142009B (zh) | 一种基于图卷积网络的刮板输送机健康状态评估方法 | |
| CN111784688A (zh) | 基于深度学习的鲜花自动化分级方法 | |
| DE102022213603A1 (de) | Verfahren, System und Medium zur Papierherstellungsqualitätsevaluierung | |
| CN103745238A (zh) | 基于AdaBoost和主动形状模型的受电弓识别方法 | |
| CN117218375B (zh) | 基于先验知识与数据驱动的环境能见度预测方法及设备 | |
| CN108180871B (zh) | 一种定量评价复合绝缘子表面粉化粗糙度的方法 | |
| Vijayan et al. | A survey on surface crack detection in concretes using traditional, image processing, machine learning, and deep learning techniques |
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 |