CN114120192A - 基于视频信号的多工况模型自动选择方法及装置 - Google Patents

基于视频信号的多工况模型自动选择方法及装置 Download PDF

Info

Publication number
CN114120192A
CN114120192A CN202111409112.9A CN202111409112A CN114120192A CN 114120192 A CN114120192 A CN 114120192A CN 202111409112 A CN202111409112 A CN 202111409112A CN 114120192 A CN114120192 A CN 114120192A
Authority
CN
China
Prior art keywords
working condition
model
video signal
analyzed
pixel point
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
Application number
CN202111409112.9A
Other languages
English (en)
Inventor
杨明明
李佳鹤
阮志坚
刘贤康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lanzhuo Industrial Internet Information Technology Co ltd
Original Assignee
Zhejiang Lanzhuo Industrial Internet Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Lanzhuo Industrial Internet Information Technology Co ltd filed Critical Zhejiang Lanzhuo Industrial Internet Information Technology Co ltd
Priority to CN202111409112.9A priority Critical patent/CN114120192A/zh
Publication of CN114120192A publication Critical patent/CN114120192A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于视频信号的多工况模型自动选择方法及装置，通过在执行包含多种工况的业务过程中，实时获取拍摄到的待分析的视频信号；基于预先建立的视觉模型对待分析的视频信号进行分析，得到待分析的视频信号对应工况的工况模型；调用工况模型进行预测，得到预测的工况参数。在本方案中，在预先建立视觉模型后，利用视觉模型对待分析的视频信号进行分析，并在确定待分析的视频信号对应工况的工况模型之后，调用所确定的工况模型进行工况参数预测，从而提高各工况模型的推广性和可靠性。

Description

基于视频信号的多工况模型自动选择方法及装置
技术领域
本发明涉及信号处理技术领域，尤其涉及一种基于视频信号的多工况模型自动选择方法及装置。
背景技术
多工况场景在各个行业中普遍存在，在进行仿真建模过程中，大多数视图将多种工况变化融合至一个模型中，以此降低模型的复杂度。
在现有技术中，通常通过不同模型在多工况、多环境、多阶段的特点下，对多模型进行融合，得到一个模型，但是，对于不同工况、阶段差别较大的场景，仅用单一模型进行预测，可靠性、精度都难以保障，而且，不能广泛应用。
发明内容
有鉴于此，本发明实施例提供一种基于视频信号的多工况模型自动选择方法及装置，以实现提高各工况模型的推广性和可靠性的目的。
为实现上述目的，本发明实施例提供如下技术方案：
本发明实施例第一方面公开了一种基于视频信号的多工况模型自动选择方法，所述方法包括：
在执行包含多种工况的业务过程中，实时获取拍摄到的待分析的视频信号；
基于预先建立的视觉模型对所述待分析的视频信号进行分析，得到所述待分析的视频信号对应工况的工况模型；
调用所述工况模型进行预测，得到预测的工况参数。
优选的，所述基于预先建立的视觉模型对所述待分析的视频信号进行分析，得到所述待分析的视频信号对应工况的工况模型，包括：
基于预先建立的视觉模型对所述待分析的视频信号进行图像处理，得到彩色图像；
计算所述彩色图像的总像素点面积；
利用所述总像素点面积确定所述待分析的视频信号对应工况的工况模型；所述总像素点面积与所述工况模型存在预设的对应关系。
优选的，所述调用所述工况模型进行预测，得到预测的工况参数，包括：
调用所述工况模型，并利用所述总像素点面积进行预测，得到预测的工况参数。
优选的，所述预先建立视觉模型的过程，包括：
为所述不同工况的视频信号中的监测区域添加标记，并获取所述监测区域中的彩色图像；
计算所述彩色图像中的三分量亮度，将所述三分量亮度的最大值作为灰度图的灰度值，得到以像素点表示的灰度图像；
利用Kernel数据对所述灰度图像进行均值滤波处理，得到滤波后的灰度图像；
基于预设阈值，对所述滤波后的灰度图像进行图像二值化处理，得到所述滤波后的灰度图像的像素点的灰度值；
计算所有所述灰度值的总像素点面积，并将所述总像素点面积进行划分，得到所述不同类型的工况对应的像素点面积范围；
基于所述不同类型的工况对应的像素点面积范围，确定所述不同类型的工况各自对应的工况模型；
基于所述工况模型之间的调度逻辑建立视觉模型。
优选的，若所述工况包括空载工况、持续变化工况和满载工况，所述基于预先建立的视觉模型对所述待分析的视频信号进行分析，得到所述待分析的视频信号对应工况的工况模型，包括：
基于预先建立的视觉模型对所述待分析的视频信号进行图像处理，得到彩色图像；
计算所述彩色图像的总像素点面积；
若所述总像素点面积小于R1，确定所述待分析的视频信号对应工况的工况模型为所述空载工况模型；
若所述总像素点面积大于R1且小于R2，确定所述待分析的视频信号对应工况的工况模型为所述持续变化工况模型；
若所述总像素点面积大于R2，确定所述待分析的视频信号对应工况的工况模型为所述满载工况模型；R1、R2为正整数，且R1小于R2。
优选的，其特征在于，若当前执行的包含多种工况的业务为橡胶下料量监测业务，所述工况包括空载工况、持续变化工况和满载工况，所述调用所述工况模型进行预测，得到预测的工况参数，包括：
若所述待分析的视频信号对应工况的工况模型为所述空载工况模型，调用所述空载工况模型对应的调度逻辑，并利用所述空载工况对应的总像素点面积对橡胶下料传送带的下料量进行预测，得到预测的下料量A；
若所述待分析的视频信号对应工况的工况模型为所述持续变化工况模型，调用所述持续变化工况模型对应的调度逻辑，并利用所述持续变化工况对应的总像素点面积对所述橡胶下料传送带的下料量进行预测，得到预测的下料量B；
若所述待分析的视频信号对应工况的工况模型为所述满载工况模型，调用所述满载工况模型对应的调度逻辑，并利用所述满载工况对应的总像素点面积和下游挤压机工作状态参数对所述橡胶下料传送带的下料量进行预测，得到预测的下料量C；A、B和C为正整数。
本发明实施例第二方面公开了一种基于视频信号的多工况模型自动选择装置，所述装置包括：
获取模块，用于在执行包含多种工况的业务过程中，实时获取拍摄到的待分析的视频信号；
分析模块，用于基于预先建立的视觉模型对所述待分析的视频信号进行分析，得到所述待分析的视频信号对应工况的工况模型；
预测模块，用于调用所述工况模型进行预测，得到预测的工况参数。
优选的，所述分析模块具体用于：
基于预先建立的视觉模型对所述待分析的视频信号进行图像处理，得到彩色图像；计算所述彩色图像的总像素点面积；利用所述总像素点面积确定所述待分析的视频信号对应工况的工况模型；所述总像素点面积与所述工况模型存在预设的对应关系。
优选的，所述预测模块具体用于：
调用所述工况模型，并利用所述总像素点面积进行预测，得到预测的工况参数。
优选的，还包括：构建模块；
所述构建模块包括：获取单元、灰度化单元、均值滤波单元、图像二值化处理单元、划分单元、确定单元和建立单元；
所述获取单元，用于为所述不同工况的视频信号中的监测区域添加标记，并获取所述监测区域中的彩色图像；
所述灰度化单元，用于计算所述彩色图像中的三分量亮度，将所述三分量亮度的最大值作为灰度图的灰度值，得到以像素点表示的灰度图像；
所述均值滤波单元，用于利用Kernel数据对所述灰度图像进行均值滤波处理，得到滤波后的灰度图像；
所述图像二值化处理单元，用于基于预设阈值，对所述滤波后的灰度图像进行图像二值化处理，得到所述滤波后的灰度图像的像素点的灰度值；
所述划分单元，用于计算所有所述灰度值的总像素点面积，并将所述总像素点面积进行划分，得到所述不同类型的工况对应的像素点面积范围；
所述确定单元，用于基于所述不同类型的工况对应的像素点面积范围，确定所述不同类型的工况各自对应的工况模型；
所述建立单元，用于基于所述工况模型之间的调度逻辑建立视觉模型。
基于上述本发明实施例提供的一种基于视频信号的多工况模型自动选择方法及装置，所述方法包括：在执行包含多种工况的业务过程中，实时获取拍摄到的待分析的视频信号；基于预先建立的视觉模型对所述待分析的视频信号进行分析，得到所述待分析的视频信号对应工况的工况模型；调用所述工况模型进行预测，得到预测的工况参数。在本方案中，在预先建立视觉模型后，利用视觉模型对待分析的视频信号进行分析，并在确定待分析的视频信号对应工况的工况模型之后，调用所确定的工况模型进行工况参数预测，从而提高各工况模型的推广性和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种基于视频信号的多工况模型自动选择方法的流程示意图；
图2为本发明实施例提供的一种对待分析的视频信号进行分析的流程示意图；
图3为本发明实施例提供的一种基于视频信号的多工况模型自动选择的交互示意图；
图4为本发明实施例提供的一种预先建立视觉模型的流程示意图；
图5为本发明实施例提供的一种Kernel数据的计算公式的示意图；
图6为本发明实施例提供的一种确定待分析的视频信号对应工况的工况模型的流程示意图；
图7为本发明实施例提供的一种在橡胶下料量监测业务下，调用工况模型进行预测的流程示意图；
图8为本发明实施例提供的一种橡胶工艺流程示意图；
图9为本发明实施例提供的一种满载工况下的神经网络建模的特征示意图；
图10(a)和图10(b)为本发明实施例提供的一种橡胶下料传送带处于空载工况和满载工况的对比图；
图11(a)和图11(b)为本发明实施例提供的一种橡胶下料传送带处于空载工况和满载工况的机器视觉处理前后的效果示意图；
图12为本发明实施例提供的一种基于视频信号的多工况模型自动选择装置的结构示意图；
图13为本发明实施例提供的另一种基于视频信号的多工况模型自动选择装置的结构示意图。
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。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知，在现有技术中，对于不同工况、阶段差别较大的场景，仅用单一模型进行预测，可靠性、精度都难以保障，而且，不能广泛应用。
因此，本发明实施例提供一种基于视频信号的多工况模型自动选择方法及装置，在本方案中，在预先建立视觉模型后，利用视觉模型对待分析的视频信号进行分析，并在确定待分析的视频信号对应工况的工况模型之后，调用所确定的工况模型进行工况参数预测，从而提高各工况模型的推广性和可靠性。
如图1所示，为本发明实施例提供的一种基于视频信号的多工况模型自动选择方法的流程示意图，该方法主要包括以下步骤：
步骤S101：在执行包含多种工况的业务过程中，实时获取拍摄到的待分析的视频信号。
在具体实现步骤S101的过程中，在进行业务处理时，业务可能包含多种工况，则在执行包含多种工况的业务过程中，利用图像采集装置实时获取拍摄到的待分析的视频信号。
需要说明的是，可以利用工控机执行包含多种工况的业务，并将工控机与图像采集装置连接。
优选的，通过网络将图像采集装置连接至工控机，安装相应的驱动并调试，调试成功后，图像采集装置正常显示监控画面(拍摄到的待分析的视频信号)，并将监控画面实时保存至本地工控机中。
可选的，工控机的硬件配置如表1所示。
表1：
CPU I5-7500
内存 8G
硬盘 1T
网卡 双网卡
操作*** Ubuntu16.04
在本发明实施例中，图像采集装置包括但不限于摄像设备。
需要说明的是，摄像设备包括但不限于具有拍摄功能等设备，如摄像机。
可选的，在本发明实施例中，摄像机为网络摄像机，选用的型号为大华安防摄像机。
步骤S102：基于预先建立的视觉模型对待分析的视频信号进行分析，得到待分析的视频信号对应工况的工况模型。
在具体实现步骤S102的过程中，预先建立视觉模型，将待分析的视频信号输入至预先建立的视觉模型进行分析，得到待分析的视频信号对应工况的工况模型，并输出待分析的视频信号对应工况的工况模型。
可选的，执行步骤S102基于预先建立的视觉模型对待分析的视频信号进行分析，得到待分析的视频信号对应工况的工况模型的过程，如图2所示，为本发明实施例提供的一种对待分析的视频信号进行分析的流程示意图，主要包括以下步骤：
步骤S201：基于预先建立的视觉模型对待分析的视频信号进行图像处理，得到彩色图像。
在具体实现步骤S201的过程中，预先建立视觉模型，将待分析的视频信号输入至预先建立的视觉模型进行图像处理，得到彩色图像。
步骤S202：计算彩色图像的总像素点面积。
在具体实现步骤S202的过程中，先计算彩色图像中的三分量亮度，将三分量亮度的最大值作为灰度图的灰度值，得到以像素点表示的灰度图像。
接着，利用Kernel数据对灰度图像进行均值滤波处理，得到滤波后的灰度图像。
再接着，基于预设阈值，对滤波后的灰度图像进行图像二值化处理，得到滤波后的灰度图像的像素点的灰度值。
最后，计算所有灰度值的总像素点面积，进而得到彩色图像的总像素点面积。
步骤S203：利用总像素点面积确定待分析的视频信号对应工况的工况模型。
在步骤S203中，总像素点面积与工况模型存在预设的对应关系。
在具体实现步骤S203的过程中，根据彩色图像的总像素点面积与工况模型之间预设的对应关系，确定待分析的视频信号对应工况的工况模型。
步骤S103：调用工况模型进行预测，得到预测的工况参数。
在具体实现步骤S103的过程中，调用输出的待分析的视频信号对应工况的工况模型，对待分析的视频信号对应工况的工况模型的工况参数进行预测，得到预测的工况参数。
可选的，执行步骤S103调用工况模型进行预测，得到预测的工况参数的过程，包括：
调用工况模型，并利用总像素点面积进行预测，得到预测的工况参数。
为了更好地理解上述说明内容，如图3所示，为本发明实施例提供的一种基于视频信号的多工况模型自动选择的交互示意图。
在图3中，首先，在执行包含多种工况的业务过程中，实时获取拍摄到的待分析的视频信号，接着，利用预先建立的视觉模型对待分析的视频信号进行分析，得到待分析的视频信号对应工况的工况模型，然后，调用工况模型进行预测，得到预测的工况参数，并输出预测的工况参数。
基于本发明实施例提供的一种基于视频信号的多工况模型自动选择方法，通过在执行包含多种工况的业务过程中，实时获取拍摄到的待分析的视频信号；基于预先建立的视觉模型对待分析的视频信号进行分析，得到待分析的视频信号对应工况的工况模型；调用工况模型进行预测，得到预测的工况参数。在本方案中，在预先建立视觉模型后，利用视觉模型对待分析的视频信号进行分析，并在确定待分析的视频信号对应工况的工况模型之后，调用所确定的工况模型进行工况参数预测，从而提高各工况模型的推广性和可靠性。
基于上述本发明实施例提供的一种基于视频信号的多工况模型自动选择方法，执行步骤S102基于预先建立的视觉模型对所述待分析的视频信号进行分析，得到所述待分析的视频信号对应工况的工况模型的过程，如图4所示，为本发明实施例提供的一种预先建立视觉模型的流程示意图，主要包括以下步骤：
步骤S401：为不同工况的视频信号中的监测区域添加标记，并获取监测区域中的彩色图像。
在步骤S401中，监测区域指视频信号中的指定区域，可以指承载物。
在具体实现步骤S401的过程中，获取不同工况的视频信号，对不同工况的视频信号中的监测区域进行标记，从而剔除其他环境干扰因素，进而获取到监测区域中的彩色图像。
步骤S402：计算彩色图像中的三分量亮度，将三分量亮度的最大值作为灰度图的灰度值，得到以像素点表示的灰度图像。
在本发明实施例中，灰度图像是像素点为[0,255]的灰度图像，由原图像(彩色图像)转换得到。
在具体实现步骤S402的过程中，计算彩色图像中的三分量亮度，将得到的所有三分量亮度的值进行比较，得到三分量亮度的最大值，将三分量亮度的最大值作为灰度图的灰度值，从而加强目标元素与承载物表面的对比度，得到以像素点表示的灰度图像。
具体的，彩色图像中的三分量亮度的计算公式如下所示：
Gary(i,j)＝max{R(i,j),G(i,j),B(i,j)}， (1)，
其中，Gary(i,j)表示计算后的像素点灰度值；R(i,j)表示原像素点红色亮度值；G(i,j)表示原像素点绿色亮度值；B(i,j)表示原像素点蓝色亮度值。
步骤S403：利用Kernel数据对灰度图像进行均值滤波处理，得到滤波后的灰度图像。
在步骤S303中，进行均值滤波处理，可以消除图像噪声。
Kernel数据为3*3的矩阵，其计算公式如图5、公式(2)和公式(3)所示：
Figure BDA0003364436470000101
Figure BDA0003364436470000102
其中，f(i,j)为原图像(彩色图像)；g(i,j)为滤波后的灰度图像；
Figure BDA0003364436470000103
在具体实现步骤S403的过程中，利用Kernel数据，从左到右，以及从上到下计算灰度图像的每一个像素点，根据所有的灰度图像的每一个像素点，得到滤波后的灰度图像。
步骤S404：基于预设阈值，对滤波后的灰度图像进行图像二值化处理，得到滤波后的灰度图像的像素点的灰度值。
在本发明实施例中，阈值可以用threshold表示，预设阈值threshold＝160，但不限于此。
在具体实现步骤S404的过程中，设定阈值，利用设定的阈值对滤波后的灰度图像进行图像二值化处理，进一步区分目标元素与承载物表面及其他干扰，能够有效地筛选出灰度图像中目标元素的像素点，进而得到滤波后的灰度图像的像素点的灰度值为255。
利用设定的阈值对滤波后的灰度图像进行图像二值化处理的计算公式如下所示：
Figure BDA0003364436470000111
步骤S405：计算所有灰度值的总像素点面积，并将总像素点面积进行划分，得到不同类型的工况对应的像素点面积范围。
在具体实现步骤S405的过程中，计算所有灰度值为255的总像素点面积，并将总像素点面积进行划分，得到不同类型的工况对应的像素点面积范围。
可选的，不同类型的工况包括但不限于空载工况、持续变化工况和满载工况。
可选的，在本发明实施例中，空载工况、持续变化工况和满载工况对应的像素点面积范围分别为(0，R1)，(R1，R2)，(R2，∞)。
步骤S406：基于不同类型的工况对应的像素点面积范围，确定不同类型的工况各自对应的工况模型。
在具体实现步骤S406的过程中，若当前待分析的视频信号中彩色图像的总像素点面积处于(0，R1)，则确定待分析的视频信号对应工况的工况模型为空载工况模型；若当前待分析的视频信号中彩色图像的总像素点面积处于(R1，R2)，则确定待分析的视频信号对应工况的工况模型为持续变化工况模型；若当前待分析的视频信号中彩色图像的总像素点面积处于(R2，∞)，则确定待分析的视频信号对应工况的工况模型为满载工况模型。
步骤S407：基于工况模型之间的调度逻辑建立视觉模型。
在步骤S407中，工况模型的调度逻辑是指根据当前待分析的视频信号中彩色图像的总像素点面积所处像素点面积范围，调用所处像素点面积范围对应工况的工况模型。
在具体实现步骤S407的过程中，根据当前待分析的视频信号中彩色图像的总像素点面积所处像素点面积范围为(0，R1)，而(0，R1)对应工况为空载工况，则调用空载工况的工况模型(空载工况模型)；根据当前待分析的视频信号中彩色图像的总像素点面积所处像素点面积范围为(R1，R2)，而(R1，R2)对应工况为持续变化工况，则调用持续变化工况的工况模型(持续变化工况模型)；根据当前待分析的视频信号中彩色图像的总像素点面积所处像素点面积范围为(R2，∞)，而(R2，∞)对应工况为满载工况，调用满载工况的工况模型(满载工况模型)；根据上述的内容建立视觉模型。
基于本发明实施例提供的一种基于视频信号的多工况模型自动选择方法，通过对不同工况的视频信号进行视觉模型训练，得到视觉模型，方面后续利用视觉模型对待分析的视频信号进行分析，从而提高各工况模型的推广性和可靠性。
基于上述本发明实施例提供的一种基于视频信号的多工况模型自动选择方法，若工况包括空载工况、持续变化工况和满载工况，执行步骤S102基于预先建立的视觉模型对所述待分析的视频信号进行分析，得到所述待分析的视频信号对应工况的工况模型的过程，如图6所示，为本发明实施例提供的一种确定待分析的视频信号对应工况的工况模型的流程示意图，主要包括以下步骤：
步骤S601：基于预先建立的视觉模型对待分析的视频信号进行图像处理，得到彩色图像。
在具体实现步骤S601的过程中，将待分析的视频信号输入至上述建立的视觉模型进行图像处理，得到彩色图像。
步骤S602：计算彩色图像的总像素点面积。
在具体实现步骤S602的过程中，先计算彩色图像中的三分量亮度，将三分量亮度的最大值作为灰度图的灰度值，得到以像素点表示的灰度图像。
接着，利用Kernel数据对灰度图像进行均值滤波处理，得到滤波后的灰度图像。
再接着，基于预设阈值，对滤波后的灰度图像进行图像二值化处理，得到滤波后的灰度图像的像素点的灰度值。
最后，计算所有灰度值的总像素点面积，进而得到彩色图像的总像素点面积。
步骤S603：判断总像素点面积是否小于R1，若是，执行步骤S604，若否，执行步骤S605。
在步骤S503中，R1为正整数。
在具体实现步骤S603的过程中，判断总像素点面积是否小于R1，若是，说明彩色图像的总像素点面积小于R1，执行步骤S604，若否，说明彩色图像的总像素点面积大于R1，但是彩色图像的总像素点面积可能小于R2，则执行步骤S605。
步骤S604：确定待分析的视频信号对应工况的工况模型为空载工况模型。
在具体实现步骤S604的过程中，将计算得到的彩色图像的总像素点面积与R1进行对比，确定彩色图像的总像素点面积小于R1，由上述视觉模型可知，彩色图像的总像素点面积处于(0，R1)，可以确定待分析的视频信号对应工况为空载工况，则可以进一步确定待分析的视频信号对应工况的工况模型为空载工况模型。
步骤S605：判断总像素点面积是否大于R1且小于R2，若是，执行步骤S606，若否，执行步骤S607。
在步骤S603中，R2为正整数，且R1小于R2。
在具体实现步骤S605的过程中，判断总像素点面积是否大于R1且小于R2，若是，说明彩色图像的总像素点面积大于R1且小于R2，执行步骤S606，若否，说明彩色图像的总像素点面积大于R2，执行步骤S607。
步骤S606：确定待分析的视频信号对应工况的工况模型为持续变化工况模型。
在具体实现步骤S606的过程中，将计算得到的彩色图像的总像素点面积与R1和R2进行对比，确定彩色图像的总像素点面积大于R1且小于R2，由上述视觉模型可知，彩色图像的总像素点面积处于(R1，R2)，可以确定待分析的视频信号对应工况为持续变化工况，则可以进一步确定待分析的视频信号对应工况的工况模型为持续变化工况模型。
步骤S607：判断总像素点面积是否大于R2，若是，执行步骤S608，若否，执行步骤S603。
在具体实现步骤S607的过程中，判断总像素点面积是否大于R2，若是，说明彩色图像的总像素点面积大于R2，执行步骤S608，若否，说明彩色图像的总像素点面积小于R2，执行步骤S603。
步骤S608：确定待分析的视频信号对应工况的工况模型为满载工况模型。
在具体实现步骤S608的过程中，将计算得到的彩色图像的总像素点面积与R1和R2进行对比，确定彩色图像的总像素点面积大于R2，由上述视觉模型可知，彩色图像的总像素点面积处于(R2，∞)，可以确定待分析的视频信号对应工况为满载工况，则可以进一步确定待分析的视频信号对应工况的工况模型为满载工况模型。
基于本发明实施例提供的一种基于视频信号的多工况模型自动选择方法，通过利用视觉模型对待分析的视频信号进行分析，确定待分析的视频信号处于哪种工况，进而确定待分析的视频信号对应工况的工况模型，从而提高各工况模型的推广性和可靠性。
基于上述本发明实施例提供的一种基于视频信号的多工况模型自动选择方法，若当前执行的包含多种工况的业务为橡胶下料量监测业务，所述工况包括空载工况、持续变化工况和满载工况，执行步骤S103调用工况模型进行预测，得到预测的工况参数的过程，如图7所示，为本发明实施例提供的一种在橡胶下料量监测业务下，调用工况模型进行预测的流程示意图，主要包括以下步骤：
步骤S701：判断待分析的视频信号对应工况的工况模型，若为空载工况模型，执行步骤S702，若为持续变化工况模型，执行步骤S703，若为满载工况模型，执行步骤S704。
步骤S702：调用空载工况模型对应的调度逻辑，并利用空载工况对应的总像素点面积对橡胶下料传送带的下料量进行预测，得到预测的下料量A。
在步骤S702中，A为正整数。
在本发明实施例中，A为0kg/h。
需要说明的是，在空载工况下，传送带上没有任何原料，此时下料速率接近0kg/h，此时视频信号中只能看到传送带黑色的表面，几乎监测不到橡胶原料。
在具体实现步骤S702的过程中，由确定的待分析的视频信号对应工况的工况模型为空载工况模型可知，待分析的视频信号对应工况为空载工况，则在获取到空载工况对应的总像素点面积后，调用空载工况模型，并利用空载工况对应的总像素点面积对橡胶下料传送带的下料量进行预测，得到预测的下料量为0kg/h。
步骤S703：调用持续变化工况模型对应的调度逻辑，并利用持续变化工况对应的总像素点面积对橡胶下料传送带的下料量进行预测，得到预测的下料量B。
在步骤S703中，B为正整数。
在本发明实施例中，B为0～6000kg/h。
需要说明的是，持续变化工况出现橡胶连续生产中，在持续变化工况下，上游生产不稳定导致传送带上的下料量持续波动，时而增多时而减少，此时，下料速率范围0～6000kg/h，由于传送带具有振动功能，使得原料均匀平铺在传送带上，但是没有完全覆盖传送带表面，导致裸露的传动带表面与白色橡胶原料生成鲜明对比。
在具体实现步骤S703的过程中，由确定的待分析的视频信号对应工况的工况模型为持续变化工况模型可知，待分析的视频信号对应工况为持续变化工况，则在获取到持续变化工况对应的总像素点面积后，调用持续变化工况模型，并利用持续变化工况对应的总像素点面积对橡胶下料传送带的下料量进行预测，得到预测的下料量为0～6000kg/h。
可选的，利用持续变化工况对应的总像素点面积，并根据预先建立的线性模型，对橡胶下料传送带的下料量进行预测，得到预测的下料量为0～6000kg/h。
线性模型的公式如下所示：
f(xi)＝ωxi+b， (5)，
其中，xi为计算后的像素点面积；f(xi)为预设的下料量。
步骤S704：调用满载工况模型对应的调度逻辑，并利用满载工况对应的总像素点面积和下游加压机工作状态参数对橡胶下料传送带的下料量进行预测，得到预测的下料量C。
在步骤S704中，C为正整数。
在本发明实施例中，C为6000～8000kg/h。
需要说明的是，满载工况出现橡胶连续生产中，在满载工况下，上游生产进入稳定状态后，传送带上的下料量也进入满载状态并稳定下来，此时，下料速率范围6000～8000kg/h。原料完全覆盖传送带表面，几乎看不到裸露的传送带表面，且厚度持续堆积，在达到一定堆积程度后停止。
在传送带上进行下料时，下料量为0-7t/h，超过5.5t/h左右就开始堆积，7t/h达到最大堆积程度。
在具体实现步骤S704的过程中，由确定的待分析的视频信号对应工况的工况模型为满载工况模型可知，待分析的视频信号对应工况为满载工况，则在获取到满载工况对应的总像素点面积后，调用满载工况模型，并利用满载工况对应的总像素点面积和下游挤压机工作状态参数对橡胶下料传送带的下料量进行预测，得到预测的下料量为0～6000kg/h。
需要说明的是，挤压机工作状态参数包括但不限于挤压机电流大小、磨头压力、内壁温度。
通过神经网络训练模型，建立挤压机工作状态参数与传送带上的下料量的映射关系。
需要说明的是，为了更好地理解上述说明内容，下面对橡胶工艺流程进行解释说明。
图8为本发明实施例提供的一种橡胶工艺流程示意图。
在图8中，橡胶工艺流程主要包括下料口、振动筛和挤压机，在下料口进行下料，原料会进入振动筛中，然后振动筛上的原料会直接进入挤压机中，进行压缩滤水。
图9为本发明实施例提供的一种满载工况下的神经网络建模的特征示意图。
在图9中，工艺机理与设备运行分析进行特征提取后，将挤压机电流、磨头压力、内壁温度等作为关键参数，通过神经网络算法，拟合预测实时下料量，建立相应模型，实现满载情况下的在线监测。
图10(a)和图10(b)为本发明实施例提供的一种橡胶下料传送带处于空载工况和满载工况的对比图，图11(a)和图11(b)为本发明实施例提供的一种橡胶下料传送带处于空载工况和满载工况的机器视觉处理前后的效果示意图。
图10(a)为空载工况下橡胶下料传送带的状态图，在空载工况下，传送带上没有任何原料，此时下料速率接近0kg/h，此时视频信号中只能看到传送带黑色的表面，几乎监测不到橡胶原料，效果如图11(a)。
图10(b)为满载工况下橡胶下料传送带的状态图，在满载工况下，上游生产进入稳定状态后，传送带上的下料量也进入满载状态并稳定下来，此时，下料速率范围6000～8000kg/h。原料完全覆盖传送带表面，几乎看不到裸露的传送带表面，且厚度持续堆积，效果如图11(b)。
基于本发明实施例提供的一种基于视频信号的多工况模型自动选择方法，通过对橡胶下料量监测业务在空载工况、持续变化工况或者满载工况下的待分析的视频信号进行处理，调用所确定的待分析的视频信号对应工况的工况模型进行工况参数预测，从而提高各工况模型的推广性和可靠性。
与上述本发明实施例图1示出的一种基于视频信号的多工况模型自动选择方法相对应，本发明实施例还对应提供了一种基于视频信号的多工况模型自动选择装置，如图12所示，该基于视频信号的多工况模型自动选择装置包括：获取模块1201、分析模块1202和预测模块1203。
获取模块1201，用于在执行包含多种工况的业务过程中，实时获取拍摄到的待分析的视频信号。
分析模块1202，用于基于预先建立的视觉模型对待分析的视频信号进行分析，得到待分析的视频信号对应工况的工况模型。
预测模块1203，用于调用工况模型进行预测，得到预测的工况参数。
可选的，基于上述图12示出的分析模块1202，所述分析模块1202具体用于：
基于预先建立的视觉模型对待分析的视频信号进行图像处理，得到彩色图像；计算彩色图像的总像素点面积；利用总像素点面积确定待分析的视频信号对应工况的工况模型；总像素点面积与工况模型存在预设的对应关系。
可选的，基于上述图12示出的预测模块1203，所述预测模块1203具体用于：
调用工况模型，并利用总像素点面积进行预测，得到预测的工况参数。
需要说明的是，上述本发明实施例公开的基于视频信号的多工况模型自动选择装置中的各个模块或各个单元具体的原理和执行过程，与上述本发明实施基于视频信号的多工况模型自动选择方法相同，可参见上述本发明实施例公开的基于视频信号的多工况模型自动选择方法中相应的部分，这里不再进行赘述。
基于本发明实施例提供的一种基于视频信号的多工况模型自动选择装置，通过在执行包含多种工况的业务过程中，实时获取拍摄到的待分析的视频信号；基于预先建立的视觉模型对待分析的视频信号进行分析，得到待分析的视频信号对应工况的工况模型；调用工况模型进行预测，得到预测的工况参数。在本方案中，在预先建立视觉模型后，利用视觉模型对待分析的视频信号进行分析，并在确定待分析的视频信号对应工况的工况模型之后，调用所确定的工况模型进行工况参数预测，从而提高各工况模型的推广性和可靠性。
可选的，基于上述图12示出的基于视频信号的多工况模型自动选择装置，结合图12，如图13所示，该基于视频信号的多工况模型自动选择装置还进一步设置了构建模块1304。
构建模块1304包括：获取单元、灰度化单元、均值滤波单元、图像二值化处理单元、划分单元、确定单元和建立单元。
获取单元，用于为不同工况的视频信号中的监测区域添加标记，并获取监测区域中的彩色图像。
灰度化单元，用于计算彩色图像中的三分量亮度，将三分量亮度的最大值作为灰度图的灰度值，得到以像素点表示的灰度图像。
均值滤波单元，用于利用Kernel数据对灰度图像进行均值滤波处理，得到滤波后的灰度图像。
图像二值化处理单元，用于基于预设阈值，对滤波后的灰度图像进行图像二值化处理，得到滤波后的灰度图像的像素点的灰度值。
划分单元，用于计算所有灰度值的总像素点面积，并将总像素点面积进行划分，得到不同类型的工况对应的像素点面积范围。
确定单元，用于基于不同类型的工况对应的像素点面积范围，确定不同类型的工况各自对应的工况模型。
建立单元，用于基于工况模型之间的调度逻辑建立视觉模型。
基于本发明实施例提供的一种基于视频信号的多工况模型自动选择装置，通过对不同工况的视频信号进行视觉模型训练，得到视觉模型，方面后续利用视觉模型对待分析的视频信号进行分析，从而提高各工况模型的推广性和可靠性。
可选的，基于上述图12示出的分析模块1202，若所述工况包括空载工况、持续变化工况和满载工况，所述分析模块1202具体用于：
基于预先建立的视觉模型对待分析的视频信号进行图像处理，得到彩色图像；计算彩色图像的总像素点面积；若总像素点面积小于R1，确定待分析的视频信号对应工况的工况模型为空载工况模型；若总像素点面积大于R1且小于R2，确定待分析的视频信号对应工况的工况模型为持续变化工况模型；若总像素点面积大于R2，确定待分析的视频信号对应工况的工况模型为满载工况模型；R1、R2为正整数，且R1小于R2。
基于本发明实施例提供的一种基于视频信号的多工况模型自动选择装置，通过利用视觉模型对待分析的视频信号进行分析，确定待分析的视频信号处于哪种工况，进而确定待分析的视频信号对应工况的工况模型，从而提高各工况模型的推广性和可靠性。
可选的，基于上述图12示出的预测模块1203，若当前执行的包含多种工况的业务为橡胶下料量监测业务，所述工况包括空载工况、持续变化工况和满载工况，所述预测模块1203具体用于：
若待分析的视频信号对应工况的工况模型为空载工况模型，调用空载工况模型对应的调度逻辑，并利用空载工况对应的总像素点面积对橡胶下料传送带的下料量进行预测，得到预测的下料量A；若待分析的视频信号对应工况的工况模型为持续变化工况模型，调用持续变化工况模型对应的调度逻辑，并利用持续变化工况对应的总像素点面积对橡胶下料传送带的下料量进行预测，得到预测的下料量B；若待分析的视频信号对应工况的工况模型为满载工况模型，调用满载工况模型对应的调度逻辑，并利用满载工况对应的总像素点面积和下游挤压机工作状态参数对橡胶下料传送带的下料量进行预测，得到预测的下料量C；A、B和C为正整数。
基于本发明实施例提供的一种基于视频信号的多工况模型自动选择装置，通过对橡胶下料量监测业务在空载工况、持续变化工况或者满载工况下的待分析的视频信号进行处理，调用所确定的待分析的视频信号对应工况的工况模型进行工况参数预测，从而提高各工况模型的推广性和可靠性。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的***及***实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于视频信号的多工况模型自动选择方法，其特征在于，所述方法包括：
在执行包含多种工况的业务过程中，实时获取拍摄到的待分析的视频信号；
基于预先建立的视觉模型对所述待分析的视频信号进行分析，得到所述待分析的视频信号对应工况的工况模型；
调用所述工况模型进行预测，得到预测的工况参数。
2.根据权利要求1所述的方法，其特征在于，所述基于预先建立的视觉模型对所述待分析的视频信号进行分析，得到所述待分析的视频信号对应工况的工况模型，包括：
基于预先建立的视觉模型对所述待分析的视频信号进行图像处理，得到彩色图像；
计算所述彩色图像的总像素点面积；
利用所述总像素点面积确定所述待分析的视频信号对应工况的工况模型；所述总像素点面积与所述工况模型存在预设的对应关系。
3.根据权利要求2所述的方法，其特征在于，所述调用所述工况模型进行预测，得到预测的工况参数，包括：
调用所述工况模型，并利用所述总像素点面积进行预测，得到预测的工况参数。
4.根据权利要求1所述的方法，其特征在于，所述预先建立视觉模型的过程，包括：
为所述不同工况的视频信号中的监测区域添加标记，并获取所述监测区域中的彩色图像；
计算所述彩色图像中的三分量亮度，将所述三分量亮度的最大值作为灰度图的灰度值，得到以像素点表示的灰度图像；
利用Kernel数据对所述灰度图像进行均值滤波处理，得到滤波后的灰度图像；
基于预设阈值，对所述滤波后的灰度图像进行图像二值化处理，得到所述滤波后的灰度图像的像素点的灰度值；
计算所有所述灰度值的总像素点面积，并将所述总像素点面积进行划分，得到所述不同类型的工况对应的像素点面积范围；
基于所述不同类型的工况对应的像素点面积范围，确定所述不同类型的工况各自对应的工况模型；
基于所述工况模型之间的调度逻辑建立视觉模型。
5.根据权利要求1所述的方法，其特征在于，若所述工况包括空载工况、持续变化工况和满载工况，所述基于预先建立的视觉模型对所述待分析的视频信号进行分析，得到所述待分析的视频信号对应工况的工况模型，包括：
基于预先建立的视觉模型对所述待分析的视频信号进行图像处理，得到彩色图像；
计算所述彩色图像的总像素点面积；
若所述总像素点面积小于R1，确定所述待分析的视频信号对应工况的工况模型为所述空载工况模型；
若所述总像素点面积大于R1且小于R2，确定所述待分析的视频信号对应工况的工况模型为所述持续变化工况模型；
若所述总像素点面积大于R2，确定所述待分析的视频信号对应工况的工况模型为所述满载工况模型；R1、R2为正整数，且R1小于R2。
6.根据权利要求3或5中任一所述的方法，其特征在于，若当前执行的包含多种工况的业务为橡胶下料量监测业务，所述工况包括空载工况、持续变化工况和满载工况，所述调用所述工况模型进行预测，得到预测的工况参数，包括：
若所述待分析的视频信号对应工况的工况模型为所述空载工况模型，调用所述空载工况模型对应的调度逻辑，并利用所述空载工况对应的总像素点面积对橡胶下料传送带的下料量进行预测，得到预测的下料量A；
若所述待分析的视频信号对应工况的工况模型为所述持续变化工况模型，调用所述持续变化工况模型对应的调度逻辑，并利用所述持续变化工况对应的总像素点面积对所述橡胶下料传送带的下料量进行预测，得到预测的下料量B；
若所述待分析的视频信号对应工况的工况模型为所述满载工况模型，调用所述满载工况模型对应的调度逻辑，并利用所述满载工况对应的总像素点面积和下游挤压机工作状态参数对所述橡胶下料传送带的下料量进行预测，得到预测的下料量C；A、B和C为正整数。
7.一种基于视频信号的多工况模型自动选择装置，其特征在于，所述装置包括：
获取模块，用于在执行包含多种工况的业务过程中，实时获取拍摄到的待分析的视频信号；
分析模块，用于基于预先建立的视觉模型对所述待分析的视频信号进行分析，得到所述待分析的视频信号对应工况的工况模型；
预测模块，用于调用所述工况模型进行预测，得到预测的工况参数。
8.根据权利要求7所述的装置，其特征在于，所述分析模块具体用于：
基于预先建立的视觉模型对所述待分析的视频信号进行图像处理，得到彩色图像；计算所述彩色图像的总像素点面积；利用所述总像素点面积确定所述待分析的视频信号对应工况的工况模型；所述总像素点面积与所述工况模型存在预设的对应关系。
9.根据权利要求8所述的装置，其特征在于，所述预测模块具体用于：
调用所述工况模型，并利用所述总像素点面积进行预测，得到预测的工况参数。
10.根据权利要求7所述的装置，其特征在于，还包括：构建模块；
所述构建模块包括：获取单元、灰度化单元、均值滤波单元、图像二值化处理单元、划分单元、确定单元和建立单元；
所述获取单元，用于为所述不同工况的视频信号中的监测区域添加标记，并获取所述监测区域中的彩色图像；
所述灰度化单元，用于计算所述彩色图像中的三分量亮度，将所述三分量亮度的最大值作为灰度图的灰度值，得到以像素点表示的灰度图像；
所述均值滤波单元，用于利用Kernel数据对所述灰度图像进行均值滤波处理，得到滤波后的灰度图像；
所述图像二值化处理单元，用于基于预设阈值，对所述滤波后的灰度图像进行图像二值化处理，得到所述滤波后的灰度图像的像素点的灰度值；
所述划分单元，用于计算所有所述灰度值的总像素点面积，并将所述总像素点面积进行划分，得到所述不同类型的工况对应的像素点面积范围；
所述确定单元，用于基于所述不同类型的工况对应的像素点面积范围，确定所述不同类型的工况各自对应的工况模型；
所述建立单元，用于基于所述工况模型之间的调度逻辑建立视觉模型。
CN202111409112.9A 2021-11-19 2021-11-19 基于视频信号的多工况模型自动选择方法及装置 Pending CN114120192A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111409112.9A CN114120192A (zh) 2021-11-19 2021-11-19 基于视频信号的多工况模型自动选择方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111409112.9A CN114120192A (zh) 2021-11-19 2021-11-19 基于视频信号的多工况模型自动选择方法及装置

Publications (1)

Publication Number Publication Date
CN114120192A true CN114120192A (zh) 2022-03-01

Family

ID=80372545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111409112.9A Pending CN114120192A (zh) 2021-11-19 2021-11-19 基于视频信号的多工况模型自动选择方法及装置

Country Status (1)

Country Link
CN (1) CN114120192A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522758A (zh) * 2023-03-29 2023-08-01 三一重工股份有限公司 工程机械耗电优化方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522758A (zh) * 2023-03-29 2023-08-01 三一重工股份有限公司 工程机械耗电优化方法及装置

Similar Documents

Publication Publication Date Title
CN110296997B (zh) 基于机器视觉的陶瓷瓦的缺陷检测方法及装置
DE60013102T2 (de) Schneller deterministischer ansatz zum detektieren von defekten pixels in einem bildsensor
CN109580656B (zh) 基于动态权重组合分类器的手机导光板缺陷检测方法及***
CN110490862B (zh) 一种提高连铸探伤合格率的方法及装置
CN109584175B (zh) 一种图像处理方法及装置
CN110458789B (zh) 一种图像清晰度评测方法、装置及电子设备
CN105869175A (zh) 一种图像分割方法及***
CN107274364B (zh) 一种图像增强方法及装置
CN114120192A (zh) 基于视频信号的多工况模型自动选择方法及装置
CN111767822A (zh) 垃圾检测方法以及相关设备、装置
CN113297885A (zh) 基于卷积神经网络的皮带机表面状态检测方法及装置
CN107991309A (zh) 产品质量检测方法、装置及电子设备
CN114155241A (zh) 一种异物检测方法、装置及电子设备
CN108108678B (zh) 一种钨矿矿石识别分选方法
CN110688977B (zh) 一种工业图像识别方法、装置、服务器及存储介质
CN113938671B (zh) 图像内容分析方法、装置、电子设备和存储介质
US6771804B1 (en) Method and apparatus for signal segmentation
CN113989285A (zh) 基于图像的皮带偏移监测方法、装置、设备及存储介质
CN112164064A (zh) 物料投放方法、装置、电子设备及存储介质
CN111147693A (zh) 一种全尺寸拍照图像的降噪方法及装置
JP2941511B2 (ja) モ−ルド内ボイル検出方法
CN115487951B (zh) 一种脱介筛物料断流识别方法及***
CN110751618A (zh) 一种漂浮物检测方法、装置及电子设备
CN116306764B (zh) 一种基于机器视觉的电子元器件计数***
CN116883370B (zh) 一种农产品外观质量检测***

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