CN114612859A - 一种非专业化码头矿石堆垛苫盖智能检测方法 - Google Patents
一种非专业化码头矿石堆垛苫盖智能检测方法 Download PDFInfo
- Publication number
- CN114612859A CN114612859A CN202210177930.9A CN202210177930A CN114612859A CN 114612859 A CN114612859 A CN 114612859A CN 202210177930 A CN202210177930 A CN 202210177930A CN 114612859 A CN114612859 A CN 114612859A
- Authority
- CN
- China
- Prior art keywords
- grid
- stacking
- covered
- neural network
- convolutional neural
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/022—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by means of tv-camera scanning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
-
- 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
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种非专业化码头矿石堆垛苫盖智能检测方法,包括以下步骤:对待监测区域网格化划分,采集监测数据及图像;基于监测数据及图像,构建训练集,构建并训练卷积神经网络及分类器;基于训练后的卷积神经网络,对监测图像识别,获取非苫盖面积占比,将其与预设值作比,若小于预设值,则苫盖正常,若大于预设值,则进行下一步;基于训练后的分类器,判断非苫盖范围是否为作业状态,若否,则报警,若是,检测该作业与未苫盖堆垛相关性,若相关,则结束检测,若不相干,则报警。
Description
技术领域
本发明涉及矿石堆垛苫盖检测技术领域,更具体的说是涉及一种非专业化码头矿石堆垛苫盖智能检测方法。
背景技术
目前,颗粒物污染问题不容乐观。颗粒物污染是多数港口城市空气污染的首要因素。港口处于煤炭、矿石吞吐量增长的高峰期,由此引起的粉尘排放和扩散污染的问题十分严峻。
但是,港口转运的煤炭(矿石)由于体量巨大,除了极少数采用封闭或半封闭式存储方式外,多数码头尤其是非专业化码头仍然采用露天式堆存方式。根据相关环保管理要求,多数地方环保部门要求港口经营企业对非作业状态的煤炭(矿石)堆垛采用苫盖方式进行粉尘控制。对于非专业化码头散货堆场,堆垛在堆场内堆存地点不固定,堆垛形状和形态不固定,装卸作业点和时间不固定,现有的图像监控方式难以实现堆垛是否苫盖的自动判定。目前主要通过人工方式进行检查,即使辅助图像监控,也需要人工手动切换监控区域并进行人工判定。因堆场面积巨大,达到十数万平方米甚至几十万平方米,人工方式的检查增加了港口经营方的运营成本和人力成本,且不能保证及时检查。
因此,提供非专业化码头矿石堆垛苫盖智能检测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种非专业化码头矿石堆垛苫盖智能检测方法,通过对堆场区域进行网格化划分,将难以实现的不固定的堆垛(堆垛大小、堆垛地点、堆垛尺寸均不固定)监控图像识别转换为容易实现的固定网格中监控图像煤炭(矿石)裸露颜色在整体网格占比的识别,提升识别精准度;通过对非专业化码头煤炭(矿石)装卸机械进行装卸作业过程中具有抓斗向下倾倒状态的特征,建立装卸作业图像识别训练集,实现装卸机械作业状态的智能识别,识别精度高。
为了实现上述目的,本发明采用如下技术方案:
一种非专业化码头矿石堆垛苫盖智能检测方法,包括以下步骤:
S1、对待监测区域网格化划分,采集监测数据及图像;
S2、基于监测数据及图像,构建训练集,构建并训练卷积神经网络及分类器;
S3、基于训练后的卷积神经网络,对监测图像识别,获取非苫盖面积占比,将其与预设值作比,若小于预设值,则苫盖正常,若大于预设值,则进行下一步;
S4、基于训练后的分类器,判断非苫盖范围是否为作业状态,若是,则结束检测,若否,则报警。
优选的,所述步骤S1具体包括:
S11、对待监测区域进行网格化划分,对网格进行编号,基于监测点,获取每个网格的监测角度、监测距离和焦距、网格长度和宽度;
S12、将网格与其相邻网格设为关联网格;
S13、预设每个网格监测时间步长和次序,采集每个网格的图像,所述图像内包括堆垛和/或作业机械;
S14、建立图片尺寸与实际尺寸的比例关系。
优选的,所述步骤S2具体包括:
S21、基于不同网格采集的不同光照条件下的苫盖、未苫盖和无堆垛图像,构建图像颜色识别训练集;
S22、构建卷积神经网络,以未苫盖物料颜色为特征目标训练集对卷积神经网络进行训练,使其识别不同颜色;
S23、采集堆垛装卸作业机械图像,选择不同光线条件下作业机械不同状态的图像,构建作业状态训练集,基于AlexNet算法训练作业机械作业状态分类器。
优选的,所述步骤S3具体包括:
S31、基于训练后的卷积神经网络,对网格图像进行识别,获取该网格区域内的非苫盖物料颜色在该网格的面积占比;
S32、设定占比报警阈值,判断当前网格区域内非苫盖物料颜色面积占比是否大于占比报警阈值,若否,则判断堆垛已苫盖,若是,则判断是否为作业区域。
优选的,所述步骤S4具体包括:
S41、对发出是否作业状态判断处理需求的网格,调取该网格及其关联网格,进行作业机械进行抓斗向下倾倒状态识别,若未出现该状态,则判定为未进行作业,则进行报警,若出现,则进行下一步;
S42、对该网格及其关联网格进行数据处理,计算所采集堆垛网格图像中非苫盖物料颜色出现边缘点与作业机械中心点的实际距离;
S43、若该实际距离小于预设值,则认为当前堆垛正在进行作业,取消预警,若实际距离大于预设值,则认为该作业与堆垛无关,堆垛为非作业状态下未苫盖,发出报警。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种非专业化码头矿石堆垛苫盖智能检测方法,通过对堆场区域进行网格化划分,将难以实现的不固定的堆垛(堆垛大小、堆垛地点、堆垛尺寸均不固定)监控图像识别转换为容易实现的固定网格中监控图像煤炭(矿石)裸露颜色在整体网格占比的识别,提升识别精准度;通过对非专业化码头煤炭(矿石)装卸机械进行装卸作业过程中具有抓斗向下倾倒状态的特征,建立装卸作业图像识别训练集,实现装卸机械作业状态的智能识别,识别精度高。
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附图为本发明提供的方法流程结构示意图。
图2附图为本发明提供的监测示意图。
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。
本发明实施例公开了一种非专业化码头矿石堆垛苫盖智能检测方法,包括以下步骤:
S1、对待监测区域网格化划分,采集监测数据及图像;
S2、基于监测数据及图像,构建训练集,构建并训练卷积神经网络及分类器;
S3、基于训练后的卷积神经网络,对监测图像识别,获取非苫盖面积占比,将其与预设值作比,若小于预设值,则苫盖正常,若大于预设值,则进行下一步;
S4、基于训练后的分类器,判断非苫盖范围是否为作业状态,若是,则结束检测,若否,则报警。
为进一步优化上述技术方案,步骤S1具体包括:
S11、对待监测区域进行网格化划分,对网格进行编号,基于监测点,获取每个网格的监测角度、监测距离和焦距、网格长度和宽度;
S12、将网格与其相邻网格设为关联网格;
S13、预设每个网格监测时间步长和次序,采集每个网格的图像,图像内包括堆垛和/或作业机械;
S14、建立图片尺寸与实际尺寸的比例关系。
为进一步优化上述技术方案,步骤S2具体包括:
S21、基于不同网格采集的不同光照条件下的苫盖、未苫盖和无堆垛图像,构建图像颜色识别训练集;
S22、构建卷积神经网络,以未苫盖物料颜色为特征目标训练集对卷积神经网络进行训练,使其识别不同颜色;
S23、采集堆垛装卸作业机械图像,选择不同光线条件下作业机械不同状态的图像,构建作业状态训练集,基于AlexNet算法训练作业机械作业状态分类器。
为进一步优化上述技术方案,步骤S3具体包括:
S31、基于训练后的卷积神经网络,对网格图像进行识别,获取该网格区域内的非苫盖物料颜色在该网格的面积占比;
S32、设定占比报警阈值,判断当前网格区域内非苫盖物料颜色面积占比是否大于占比报警阈值,若否,则判断堆垛已苫盖,若是,则判断是否为作业区域。
为进一步优化上述技术方案,步骤S4具体包括:
S41、对发出是否作业状态判断处理需求的网格,调取该网格及其关联网格,进行作业机械进行抓斗向下倾倒状态识别,若未出现该状态,则判定为未进行作业,则进行报警,若出现,则进行下一步;
S42、对该网格及其关联网格进行数据处理,计算所采集堆垛网格图像中非苫盖物料颜色出现边缘点与作业机械中心点的实际距离;
S43、若该实际距离小于预设值,则认为当前堆垛正在进行作业,取消预警,若实际距离大于预设值,则认为该作业与堆垛无关,堆垛为非作业状态下未苫盖,发出报警。
以煤炭为例,本发明采用如下技术方案:
1、进行监控区域网格化划分和网格内非苫盖区域网格占比的智能识别。
(1)通过对监控设备所监控区域进行网格化划分,对不同网格进行编号,记录每个网格监控角度、网格与监测设备距离、焦距等基础信息,对网格及其周边相邻网格设置为关联网格、对监控设备进行程序设定,使其按照预定的时间步长(2分钟或其他)和预定次序对每个网格进行固定大小的图片采集并传输至***。
(2)按提前预设的网格编号、网格与摄像设备距离和角度,焦距信息等建立每个定点网格的采集图片尺寸与实际距离的换算比例。
(3)对每个网格收集不同光线条件下的苫盖、未苫盖、无堆垛等图像5000张组成该网格区域的图像颜色识别训练集,通过***CNN(卷积神经网络)进行固定网格区域的监控图像进行训练,识别该网格区域内的非苫盖物料颜色在该网格的面积占比(如煤炭为黑色,矿石为红棕色,根据堆放具体物料特性,预设需识别的颜色)。
(4)设定占比报警阈值为5%,当占比数值超过该阈值时,发出是否作业状态判定处理需求及初步预警。
2、对非苫盖占比超过报警阈值,网格内堆垛是否处于装卸作业状态进行智能识别。
(1)采集堆垛装卸作业机械图像5000张,选择不同光线条件、抓斗向下倾倒、抓斗其他状态图片组成装卸作业图像识别训练集,使用AlexNet算法训练抓斗向下倾倒状态分类器。基于深度卷积网络的抓斗向下倾倒状态识别具有较高的识别精度。
(2)对发出是否作业状态判定处理需求的网格,调取该网格及其关联网格(一般为该网格相邻5-8个网格)进行抓斗向下倾倒状态识别,对于出现该状态特征的,默认为该未苫盖堆垛周边存在装卸作业。
(3)对于未出现抓斗向下倾倒状态的初步预警,正式发出报警至相关终端,通知相关人员进行处理。
3、对于出现抓斗向下倾倒状态特征(即该装卸机械处于作业状态)的初步预警,判定该抓斗向下倾倒状态特征与非苫盖物料颜色出现关联性。
(1)对该网格及相邻网格图像进行数据处理,换算所采集堆场网格图像中非苫盖物料颜色出现边缘点与抓斗中心点的实际距离。
(2)对于未苫盖区域边缘点与抓斗中心点实际距离小于20m,默认为该未苫盖堆垛为该装卸机械处于作业状态导致的,取消预警。
(3)对于未苫盖区域边缘点与抓斗中心点实际距离大于等于20m,默认为该未苫盖堆垛与该装卸机械处于作业状态无关,正式发出报警至相关终端,通知相关人员进行处理。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了非专业化码头煤炭(矿石)堆垛苫盖智能检测方法及***,本发明通过以上的非专业化码头煤炭(矿石)堆垛苫盖智能检测方法及***,为港口非专业化码头散货露天堆场提供了一种较为精确的苫盖智能判定方法,解决了非专业化码头煤炭(矿石)露天堆场苫盖人工监控判定难、不及时的技术问题。
本申请的有益效果为:
1、通过对堆场区域进行网格化划分,将难以实现的不固定的堆垛(堆垛大小、堆垛地点、堆垛尺寸均不固定)监控图像识别转换为容易实现的固定网格中监控图像煤炭(矿石)裸露颜色在整体网格占比的识别,提升识别精准度。
2、通过对非专业化码头煤炭(矿石)装卸机械进行装卸作业过程中具有抓斗向下倾倒状态的特征,建立装卸作业图像识别训练集,实现装卸机械作业状态的智能识别,识别精度高。
3、通过监控网格与摄像设备距离、角度等信息,建立定点网格采集的定尺寸的图片与实际距离的换算关系,实现装卸机械作业与未苫盖行为的关联性判定。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
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 (5)
1.一种非专业化码头矿石堆垛苫盖智能检测方法,其特征在于,包括以下步骤:
S1、对待监测区域网格化划分,采集监测数据及图像;
S2、基于监测数据及图像,构建训练集,构建并训练卷积神经网络及分类器;
S3、基于训练后的卷积神经网络,对监测图像识别,获取非苫盖面积占比,将其与预设值作比,若小于预设值,则苫盖正常,若大于预设值,则进行下一步;
S4、基于训练后的分类器,判断非苫盖范围是否为作业状态,若是,则结束检测,若否,则报警。
2.根据权利要求1所述的一种非专业化码头矿石堆垛苫盖智能检测方法,其特征在于,所述步骤S1具体包括:
S11、对待监测区域进行网格化划分,对网格进行编号,基于监测点,获取每个网格的监测角度、监测距离、焦距、网格长度和宽度;
S12、将网格与其相邻网格设为关联网格;
S13、预设每个网格监测时间步长和次序,采集每个网格的图像,所述图像内包括堆垛和/或作业机械;
S14、建立图片尺寸与实际尺寸的比例关系。
3.根据权利要求1所述的一种非专业化码头矿石堆垛苫盖智能检测方法,其特征在于,所述步骤S2具体包括:
S21、基于不同网格采集的不同光照条件下的苫盖、未苫盖和无堆垛图像,构建图像颜色识别训练集;
S22、构建卷积神经网络,以未苫盖物料颜色为特征目标训练集对卷积神经网络进行训练,使其识别不同颜色;
S23、采集堆垛装卸作业机械图像,选择不同光线条件下作业机械不同状态的图像,构建作业状态训练集,基于AlexNet算法训练作业机械作业状态分类器。
4.根据权利要求1所述的一种非专业化码头矿石堆垛苫盖智能检测方法,其特征在于,所述步骤S3具体包括:
S31、基于训练后的卷积神经网络,对网格图像进行识别,获取该网格区域内的非苫盖物料颜色在该网格的面积占比;
S32、设定占比报警阈值,判断当前网格区域内非苫盖物料颜色面积占比是否大于占比报警阈值,若否,则判断堆垛已苫盖,若是,则判断是否为作业区域。
5.根据权利要求1所述的一种非专业化码头矿石堆垛苫盖智能检测方法,其特征在于,所述步骤S4具体包括:
S41、对发出是否作业状态判断处理需求的网格,调取该网格及其关联网格,进行作业机械进行抓斗向下倾倒状态识别,若未出现该状态,则判定为未进行作业,则进行报警,若出现,则进行下一步;
S42、对该网格及其关联网格进行数据处理,计算所采集堆垛网格图像中非苫盖物料颜色出现边缘点与作业机械中心点的实际距离;
S43、若该实际距离小于预设值,则认为当前堆垛正在进行作业,取消预警,若实际距离大于预设值,则认为该作业与堆垛无关,堆垛为非作业状态下未苫盖,发出报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210177930.9A CN114612859B (zh) | 2022-02-25 | 2022-02-25 | 一种非专业化码头矿石堆垛苫盖智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210177930.9A CN114612859B (zh) | 2022-02-25 | 2022-02-25 | 一种非专业化码头矿石堆垛苫盖智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114612859A true CN114612859A (zh) | 2022-06-10 |
CN114612859B CN114612859B (zh) | 2023-06-27 |
Family
ID=81859121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210177930.9A Active CN114612859B (zh) | 2022-02-25 | 2022-02-25 | 一种非专业化码头矿石堆垛苫盖智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612859B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909898A (zh) * | 2017-02-24 | 2017-06-30 | 北京惠达智农科技有限公司 | 秸秆还田监测中的图像智能分析终端及方法 |
CN110223022A (zh) * | 2019-06-12 | 2019-09-10 | 交通运输部天津水运工程科学研究所 | 危险货物集装箱堆存预警方法及*** |
CN110909599A (zh) * | 2019-10-16 | 2020-03-24 | 北京文安智能技术股份有限公司 | 一种渣土车苫盖的检测方法、装置及*** |
CN111899186A (zh) * | 2020-06-29 | 2020-11-06 | 深圳中兴网信科技有限公司 | 图像数据增强方法、***、存储介质和堆场覆盖检测方法 |
CN112215815A (zh) * | 2020-10-12 | 2021-01-12 | 杭州视在科技有限公司 | 一种用于建筑工地的裸土覆盖自动检测方法 |
CN113378754A (zh) * | 2021-06-24 | 2021-09-10 | 中国计量大学 | 一种工地裸土监测方法 |
WO2021184479A1 (zh) * | 2020-03-19 | 2021-09-23 | 无锡德林海环保科技股份有限公司 | 一种网格化水质实时监测方法及*** |
-
2022
- 2022-02-25 CN CN202210177930.9A patent/CN114612859B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909898A (zh) * | 2017-02-24 | 2017-06-30 | 北京惠达智农科技有限公司 | 秸秆还田监测中的图像智能分析终端及方法 |
CN110223022A (zh) * | 2019-06-12 | 2019-09-10 | 交通运输部天津水运工程科学研究所 | 危险货物集装箱堆存预警方法及*** |
CN110909599A (zh) * | 2019-10-16 | 2020-03-24 | 北京文安智能技术股份有限公司 | 一种渣土车苫盖的检测方法、装置及*** |
WO2021184479A1 (zh) * | 2020-03-19 | 2021-09-23 | 无锡德林海环保科技股份有限公司 | 一种网格化水质实时监测方法及*** |
CN111899186A (zh) * | 2020-06-29 | 2020-11-06 | 深圳中兴网信科技有限公司 | 图像数据增强方法、***、存储介质和堆场覆盖检测方法 |
CN112215815A (zh) * | 2020-10-12 | 2021-01-12 | 杭州视在科技有限公司 | 一种用于建筑工地的裸土覆盖自动检测方法 |
CN113378754A (zh) * | 2021-06-24 | 2021-09-10 | 中国计量大学 | 一种工地裸土监测方法 |
Non-Patent Citations (2)
Title |
---|
NINGNING HONG等: "Wind tunnel investigation on the dust emission characteristics of high moisture coal piles" * |
乔雨;牟荣峰;杨宁;晁燕安;刘迎雨;陈世明;: "大坝表面聚氨酯未覆盖区域检测方法" * |
Also Published As
Publication number | Publication date |
---|---|
CN114612859B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359594B (zh) | 一种基于视频处理的矿井皮带异常检测方法及装置 | |
CN106652551B (zh) | 一种车位检测方法及设备 | |
CN110854807B (zh) | 基于ocr技术的新能源继电保护智能校核及预警*** | |
CN109255787B (zh) | 基于深度学习和图像处理技术的丝锭划痕检测***及方法 | |
US7876229B2 (en) | Flare monitoring | |
CN116208745A (zh) | 一种码头船舶靠泊监测记录***及方法 | |
CN111967410B (zh) | 一种基于大数据的物业智能管理调配*** | |
CN110598981A (zh) | 移动式智能粮食卸车平台控制*** | |
CN114140684A (zh) | 堵煤漏煤检测方法、装置、设备及存储介质 | |
CN111767822A (zh) | 垃圾检测方法以及相关设备、装置 | |
CN114612859A (zh) | 一种非专业化码头矿石堆垛苫盖智能检测方法 | |
CN113326783A (zh) | 一种水利行业的边缘预警方法 | |
JP2007065878A (ja) | 水面または水中における移動体計数方法、計数装置および計数プログラム | |
CN115359392A (zh) | 一种基于改进YOLOv5模型的路边施工行为检测方法 | |
CN117218181A (zh) | 一种基于ai视频分析技术的垃圾体积和质量估算方法 | |
CN115762089A (zh) | 矿仓下料检堵装置 | |
CN103971159B (zh) | 一种整捆钞票过数检测装置 | |
CN116310953A (zh) | 一种冷源拦截网的浮筒脱网智能检测方法 | |
CN112949872B (zh) | 用于智慧城市的运维管理***及方法 | |
CN115565133A (zh) | 一种基于图像识别的卷缆异常松动检测方法 | |
EP4129566A1 (en) | Information processing device and machine tool | |
CN117253377B (zh) | 一种基于物联网的车辆信息智能化识别检测***及方法 | |
CN216283779U (zh) | 跑粗检测装置和*** | |
CN114998340B (zh) | 一种瓷砖加工规范检测方法、电子设备和存储介质 | |
CN115796245A (zh) | 一种智能监控河道倾倒垃圾的方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |