CN113989546A - 一种基于神经网络的料场皮带运输监控方法 - Google Patents
一种基于神经网络的料场皮带运输监控方法 Download PDFInfo
- Publication number
- CN113989546A CN113989546A CN202111189928.5A CN202111189928A CN113989546A CN 113989546 A CN113989546 A CN 113989546A CN 202111189928 A CN202111189928 A CN 202111189928A CN 113989546 A CN113989546 A CN 113989546A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- material flow
- belt
- image
- 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
- 239000000463 material Substances 0.000 title claims abstract description 100
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 66
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 5
- 238000011897 real-time detection Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000002994 raw material Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013590 bulk material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
一种基于神经网络的料场皮带运输监控方法,包括:获得运载过程中的皮带运输机上的料流的视频画面;通过对料流视频图像的历史数据进行收集,然后进行分类和标注,形成料流运输状态的图像数据集;利用神经网络算法对图像数据集进行高度总结和特征提取,得到皮带料流运输状态的卷积神经网络模型;利用得到的卷积神经网络模型,对实时采集的皮带物流视频中的当前帧图像进行分类识别,达到对物流运输状态监控目的。本发明相对于现有技术,不需要人工实时进行视频监控,减少人工的工作时间和人力成本;并且相对于人工的监控,本发明对于皮带物流的运输状态监控准确率更高,实现了皮带运输状态实时检测的自动化与无人化功能。
Description
技术领域
本发明涉及的是料场皮带运输领域,特别涉及一种基于神经网络的料场皮带运输监控方法。
背景技术
皮带输送机是工矿企业运送原料最经济、最高效、最便捷的方法,皮带机也是常用的动力输送机,应用广泛,物美价廉。皮带机可以运送形状各异、粒度大小不同、轻量级重量级等各种料流。皮带机的主要任务是将散装料流通过皮带机输送***顺利运送到目的地,如果皮带机***发生堵塞、无料等现象,会造成生产工艺流程中断、上下方流向不明,影响生产和物流调度,造成生产和经济的双重损失。
在生产线附近安装相关的监控设备可以减少这一现象的发生,但是视频监控***每日会产生数量众多的视频图像,如果运输状态完全依靠人工去进行识别,不仅工作量显得尤为巨大,而且效率非常低下,另一方面长时间作业会产生疲劳进而带来漏判、错判的现象,难以保证作业的质量,并且存在安全隐患。所以,在对料场皮带运输状态进行分类的工作任务中结合识别率较高的深度学习技术,通过计算机去自我学习进而自动对料流状态进行识别和分类,节省和替代大部分人工工作量,提高工作质量和检查效率。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于神经网络的料场皮带运输监控方法。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
一种基于神经网络的料场皮带运输监控方法,包括:
S100.对皮带料流监控视频图像的历史数据进行收集,根据料流的有无状态,对图像进行分类并且标注图像的类别,将标注后的图像制作料流状态图像数据集;
S200.构建卷积神经网络模型作为料流状态的图像分类器,利用料流状态图像数据集对卷积神经网络模型进行训练,得到基于皮带运输中料流状态的卷积神经网络模型;
S300.提取实时采集的皮带料流视频中的当前帧图像,利用训练完成的料流状态的卷积神经网络模型对当前帧图像进行分类,根据分类结果达到对皮带料流运输状态监控目的。
进一步地,S100具体方法包括:对皮带料流状态的分类以及标注,将图像进行分类,包括有料情况和无料情况;对每一帧图像进行标注,为图像贴上类别标签,将标注好的数据分为两部分,一部分是训练集,用于训练卷积神经网络模型;另一部分是测试集,用于测试卷积神经网络模型分类效果。
进一步地,如权利要求2的一种基于神经网络的料场皮带运输监控方法,其特征在于,S200包括:
S201.将图像数据集中的训练集作为卷积神经网络模型的输入,设置好卷积神经网络训练参数,得到基于料流状态监控的初始卷积神经网络;
S202.将图像数据集中的测试集输入到训练好的初始卷积神经网络模型,通过初始神经网络模型对测试集中的图像进行识别,得到当前图像对应的图像分类,并与测试集中当前图像实际图像分类进行匹配,当匹配准确度大于预设阈值时,即确定当前卷积神经网络模型为料流状态监控的卷积神经网络模型。
进一步地,S202还包括:当匹配准确度小于预设阈值时,则当前初始神经网络模型无法满足要求,则重新执行步骤S201-S202,直到测试集匹配准确度达到预设阈值。
进一步地,所述卷积神经网络模型,由5个模块构成,每个模块由多个3*3的卷积网络串联在一起,卷积神经网络包括13层卷积层,分别使用64、64、128、128、256、256、256、512、512、512、512、512和512个3*3大小的卷积核。
进一步地,所述卷积神经网络,卷积层的激活函数采用修正线性单元,在修正线性单元激活函数之后执行规一化,将其输出规范化到均值为0、方差为1的标准正态分布。
进一步地,所述的卷积神经网络,在每一个卷积层后面接一个池化层,通过池化层进行降维,用更高层的抽象表示图像特征。
进一步地,所述的卷积神经网络,在卷积层池化层后面接了3个全连接层。其中最后一个全连接层输出向量维度为2维,指的是有料和无料这两个类别的个数。
进一步地,所述的卷积神经网络,全连接层后面添加softmax层,softmax层就是使用softmax函数对全连接层的输出结果计算置信度,表示输出类别的概率大小。
进一步地,S300还包括:
利用训练完成的料流状态的卷积神经网络模型对当前帧图像进行分类,若该帧图像被基于皮带料流状态的卷积神经网络模型分类为有料帧,则表示当前皮带料流状态为有料;若该帧属于无料帧,则表示当前皮带上无料,实时通过报警方式通知给相关责任人,保证加料的及时处理。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明公开了一种基于神经网络的料场皮带运输监控方法,用于原料厂皮带运输机料流的运行状态的视频监控,包括:获得运载过程中的皮带运输机上的料流的视频画面;通过对料流视频图像的历史数据进行收集,然后进行分类和标注,形成料流运输状态的图像数据集;利用神经网络算法对图像数据集进行高度总结和特征提取,得到皮带料流运输状态的卷积神经网络模型;利用得到的卷积神经网络模型,对实时采集的皮带物流视频中的当前帧图像进行分类识别,达到对物流运输状态监控目的。本发明相对于现有技术,不需要人工实时进行视频监控,减少人工的工作时间和人力成本;并且相对于人工的监控,本发明对于皮带物流的运输状态监控准确率更高,实现了皮带运输状态实时检测的自动化与无人化功能。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1中,一种基于神经网络的料场皮带运输监控方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题,本发明实施例提供一种基于神经网络的料场皮带运输监控方法。
实施例1
一种基于神经网络的料场皮带运输监控方法,如图1,包括:
S100.对皮带料流监控视频图像的历史数据进行收集,根据料流的有无状态,对图像进行分类并且标注图像的类别,将标注后的图像制作料流状态图像数据集;
在本实施例中,S100具体方法包括:对皮带料流状态的分类以及标注,将图像进行分类,包括有料情况和无料情况;对每一帧图像进行标注,为图像贴上类别标签,将标注好的数据分为两部分,一部分是训练集,用于训练卷积神经网络模型;另一部分是测试集,用于测试卷积神经网络模型分类效果。
具体的,可以采用特定的原料厂或者皮带生产线的料流视频,对皮带料流进行视频图像采集。有料情况至少包括:皮带上微量有料、皮带上满料、石块料流、粉状料流、树状料流和混合料流;无料情况则为皮带上为较光滑和人眼观察范围内的无料状态。
S200.构建卷积神经网络模型作为料流状态的图像分类器,利用料流状态图像数据集对卷积神经网络模型进行训练,得到基于皮带运输中料流状态的卷积神经网络模型;
在本实施例中,S200具体包括:
S201.将图像数据集中的训练集作为卷积神经网络模型的输入,设置好卷积神经网络训练参数,得到基于料流状态监控的初始卷积神经网络;
S202.将图像数据集中的测试集输入到训练好的初始卷积神经网络模型,通过初始神经网络模型对测试集中的图像进行识别,得到当前图像对应的图像分类,并与测试集中当前图像实际图像分类进行匹配,当匹配准确度大于预设阈值时,即确定当前卷积神经网络模型为料流状态监控的卷积神经网络模型。
在一些优选实施例中,S202还包括:当匹配准确度小于预设阈值时,则当前初始神经网络模型无法满足要求,则重新执行步骤S201-S202,直到测试集匹配准确度达到预设阈值。
在本实施例中,所述卷积神经网络模型,由5个模块构成,每个模块由多个3*3的卷积网络串联在一起,卷积神经网络包括13层卷积层,分别使用64、64、128、128、256、256、256、512、512、512、512、512和512个3*3大小的卷积核。
在本实施例中,所述卷积神经网络,卷积层的激活函数采用修正线性单元,在修正线性单元激活函数之后执行规一化,将其输出规范化到均值为0、方差为1的标准正态分布。
在本实施例中,所述的卷积神经网络,在每一个卷积层后面接一个池化层,通过池化层进行降维,用更高层的抽象表示图像特征。
在本实施例中,所述的卷积神经网络,在卷积层池化层后面接了3个全连接层。其中最后一个全连接层输出向量维度为2维,指的是有料和无料这两个类别的个数。
在本实施例中,所述的卷积神经网络,全连接层后面添加softmax层,softmax层就是使用softmax函数对全连接层的输出结果计算置信度,表示输出类别的概率大小。
S300.提取实时采集的皮带料流视频中的当前帧图像,利用训练完成的料流状态的卷积神经网络模型对当前帧图像进行分类,根据分类结果达到对皮带料流运输状态监控目的。
在本实施例中,S300还包括:利用训练完成的料流状态的卷积神经网络模型对当前帧图像进行分类,若该帧图像被基于皮带料流状态的卷积神经网络模型分类为有料帧,则表示当前皮带料流状态为有料;若该帧属于无料帧,则表示当前皮带上无料,实时通过报警方式通知给相关责任人,保证加料的及时处理。
本实施例公开了一种基于神经网络的料场皮带运输监控方法,用于原料厂皮带运输机料流的运行状态的视频监控,包括:获得运载过程中的皮带运输机上的料流的视频画面;通过对料流视频图像的历史数据进行收集,然后进行分类和标注,形成料流运输状态的图像数据集;利用神经网络算法对图像数据集进行高度总结和特征提取,得到皮带料流运输状态的卷积神经网络模型;利用得到的卷积神经网络模型,对实时采集的皮带物流视频中的当前帧图像进行分类识别,达到对物流运输状态监控目的。本发明相对于现有技术,不需要人工实时进行视频监控,减少人工的工作时间和人力成本;并且相对于人工的监控,本发明对于皮带物流的运输状态监控准确率更高,实现了皮带运输状态实时检测的自动化与无人化功能。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个***所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然,处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现,本申请中描述的技术可用执行本申请所述功能的模块(例如,过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内,也可以实现在处理器外,在后一种情况下,它经由各种手段以通信方式耦合到处理器,这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (10)
1.一种基于神经网络的料场皮带运输监控方法,其特征在于,包括:
S100.对皮带料流监控视频图像的历史数据进行收集,根据料流的有无状态,对图像进行分类并且标注图像的类别,将标注后的图像制作料流状态图像数据集;
S200.构建卷积神经网络模型作为料流状态的图像分类器,利用料流状态图像数据集对卷积神经网络模型进行训练,得到基于皮带运输中料流状态的卷积神经网络模型;
S300.提取实时采集的皮带料流视频中的当前帧图像,利用训练完成的料流状态的卷积神经网络模型对当前帧图像进行分类,根据分类结果达到对皮带料流运输状态监控目的。
2.如权利要求1所述的一种基于神经网络的料场皮带运输监控方法,其特征在于,S100具体方法包括:对皮带料流状态的分类以及标注,将图像进行分类,包括有料情况和无料情况;对每一帧图像进行标注,为图像贴上类别标签,将标注好的数据分为两部分,一部分是训练集,用于训练卷积神经网络模型;另一部分是测试集,用于测试卷积神经网络模型分类效果。
3.如权利要求1所述的一种基于神经网络的料场皮带运输监控方法,其特征在于,S200包括:
S201.将图像数据集中的训练集作为卷积神经网络模型的输入,设置好卷积神经网络训练参数,得到基于料流状态监控的初始卷积神经网络;
S202.将图像数据集中的测试集输入到训练好的初始卷积神经网络模型,通过初始神经网络模型对测试集中的图像进行识别,得到当前图像对应的图像分类,并与测试集中当前图像实际图像分类进行匹配,当匹配准确度大于预设阈值时,即确定当前卷积神经网络模型为料流状态监控的卷积神经网络模型。
4.如权利要求3所述的一种基于神经网络的料场皮带运输监控方法,其特征在于,S202还包括:当匹配准确度小于预设阈值时,则当前初始神经网络模型无法满足要求,则重新执行步骤S201-S202,直到测试集匹配准确度达到预设阈值。
5.如权利要求3所述的一种基于神经网络的料场皮带运输监控方法,其特征在于,所述卷积神经网络模型,由5个模块构成,每个模块由多个3*3的卷积网络串联在一起,卷积神经网络包括13层卷积层,分别使用64、64、128、128、256、256、256、512、512、512、512、512和512个3*3大小的卷积核。
6.如权利要求3所述的一种基于神经网络的料场皮带运输监控方法,其特征在于,所述卷积神经网络,卷积层的激活函数采用修正线性单元,在修正线性单元激活函数之后执行规一化,将其输出规范化到均值为0、方差为1的标准正态分布。
7.如权利要求3所述的一种基于神经网络的料场皮带运输监控方法,其特征在于,所述的卷积神经网络,在每一个卷积层后面接一个池化层,通过池化层进行降维,用更高层的抽象表示图像特征。
8.如权利要求3所述的一种基于神经网络的料场皮带运输监控方法,其特征在于,所述的卷积神经网络,在卷积层池化层后面接了3个全连接层,其中最后一个全连接层输出向量维度为2维,指的是有料和无料这两个类别的个数。
9.如权利要求3所述的一种基于神经网络的料场皮带运输监控方法,其特征在于,所述的卷积神经网络,全连接层后面添加softmax层,softmax层就是使用softmax函数对全连接层的输出结果计算置信度,表示输出类别的概率大小。
10.如权利要求1所述的一种基于神经网络的料场皮带运输监控方法,其特征在于,S300还包括:
利用训练完成的料流状态的卷积神经网络模型对当前帧图像进行分类,若该帧图像被基于皮带料流状态的卷积神经网络模型分类为有料帧,则表示当前皮带料流状态为有料;若该帧属于无料帧,则表示当前皮带上无料,实时通过报警方式通知给相关责任人,保证加料的及时处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111189928.5A CN113989546A (zh) | 2021-10-11 | 2021-10-11 | 一种基于神经网络的料场皮带运输监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111189928.5A CN113989546A (zh) | 2021-10-11 | 2021-10-11 | 一种基于神经网络的料场皮带运输监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989546A true CN113989546A (zh) | 2022-01-28 |
Family
ID=79738352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111189928.5A Pending CN113989546A (zh) | 2021-10-11 | 2021-10-11 | 一种基于神经网络的料场皮带运输监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989546A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046785A (zh) * | 2019-12-10 | 2020-04-21 | 长讯通信服务有限公司 | 一种基于卷积神经网络的无人机巡检视频关键目标识别的方法 |
WO2020164270A1 (zh) * | 2019-02-15 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于深度学习的行人检测方法、***、装置及存储介质 |
CN112183193A (zh) * | 2020-08-19 | 2021-01-05 | 中冶南方工程技术有限公司 | 一种高炉风口工作状态监控的方法 |
CN112633052A (zh) * | 2020-09-15 | 2021-04-09 | 北京华电天仁电力控制技术有限公司 | 一种皮带撕裂检测方法 |
CN112633049A (zh) * | 2020-08-19 | 2021-04-09 | 中冶南方工程技术有限公司 | 一种高炉风口工作状态监控的*** |
CN113297885A (zh) * | 2020-08-10 | 2021-08-24 | 湖南长天自控工程有限公司 | 基于卷积神经网络的皮带机表面状态检测方法及装置 |
CN113291703A (zh) * | 2020-08-31 | 2021-08-24 | 湖南长天自控工程有限公司 | 一种卸料口堵料检测方法及装置 |
CN113420694A (zh) * | 2021-06-30 | 2021-09-21 | 上海东普信息科技有限公司 | 快递流水线的堵塞识别方法、***、电子设备及可读存储介质 |
-
2021
- 2021-10-11 CN CN202111189928.5A patent/CN113989546A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020164270A1 (zh) * | 2019-02-15 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于深度学习的行人检测方法、***、装置及存储介质 |
CN111046785A (zh) * | 2019-12-10 | 2020-04-21 | 长讯通信服务有限公司 | 一种基于卷积神经网络的无人机巡检视频关键目标识别的方法 |
CN113297885A (zh) * | 2020-08-10 | 2021-08-24 | 湖南长天自控工程有限公司 | 基于卷积神经网络的皮带机表面状态检测方法及装置 |
CN112183193A (zh) * | 2020-08-19 | 2021-01-05 | 中冶南方工程技术有限公司 | 一种高炉风口工作状态监控的方法 |
CN112633049A (zh) * | 2020-08-19 | 2021-04-09 | 中冶南方工程技术有限公司 | 一种高炉风口工作状态监控的*** |
CN113291703A (zh) * | 2020-08-31 | 2021-08-24 | 湖南长天自控工程有限公司 | 一种卸料口堵料检测方法及装置 |
CN112633052A (zh) * | 2020-09-15 | 2021-04-09 | 北京华电天仁电力控制技术有限公司 | 一种皮带撕裂检测方法 |
CN113420694A (zh) * | 2021-06-30 | 2021-09-21 | 上海东普信息科技有限公司 | 快递流水线的堵塞识别方法、***、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112368657B (zh) | 管线和仪表图的机器学习分析 | |
CN102956023A (zh) | 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法 | |
CN111507399A (zh) | 基于深度学习的云状识别和模型训练方法、装置、终端及介质 | |
CN111737479B (zh) | 数据获取方法、装置、电子设备及存储介质 | |
Dalal et al. | Optimized deep learning with learning without forgetting (LwF) for weather classification for sustainable transportation and traffic safety | |
CN112991362B (zh) | 一种基于混合高斯模型的色选机粘连物料图像分割方法 | |
CN111881958A (zh) | 车牌分类识别方法、装置、设备及存储介质 | |
CN116257792B (zh) | 一种智慧城市碳中和数据分析*** | |
CN110796210A (zh) | 一种标签信息的识别方法及装置 | |
CN114049301A (zh) | 一种基于目标检测的料场皮带堵料的检测*** | |
CN111325181A (zh) | 一种状态监测方法、装置、电子设备及存储介质 | |
CN114154866A (zh) | 一种上市企业财务风险预警方法和*** | |
CN113989546A (zh) | 一种基于神经网络的料场皮带运输监控方法 | |
CN116128879B (zh) | 一种轻量化输电线路缺陷检测方法和装置 | |
Su et al. | AIoT-cloud-integrated smart livestock surveillance via assembling deep networks with considering robustness and semantics availability | |
CN115683504B (zh) | 基于多标签分类的桥梁加速度监测数据异常识别方法及*** | |
CN114049302A (zh) | 一种基于神经网络的料场皮带运输监控*** | |
CN116432835A (zh) | 客户流失预警归因方法、装置、计算机设备及存储介质 | |
CN113947780B (zh) | 一种基于改进卷积神经网络的梅花鹿面部识别方法 | |
CN110991300A (zh) | 一种肉鸡腹部异常肿胀状态的自动识别方法 | |
Srinivasan et al. | Machine learning-based climate time series anomaly detection using convolutional neural networks | |
CN112633437B (zh) | 一种基于工业互联的供应链管理方法 | |
CN108021949A (zh) | 人群拥挤度检测方法、装置、***及电子设备 | |
CN117252851B (zh) | 一种基于图像检测识别的标准质量检测管理平台 | |
CN114049300A (zh) | 一种基于目标检测的料场皮带堵料的检测方法 |
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 |