CN116246260A - 部件的识别方法和识别装置 - Google Patents

部件的识别方法和识别装置 Download PDF

Info

Publication number
CN116246260A
CN116246260A CN202211198153.2A CN202211198153A CN116246260A CN 116246260 A CN116246260 A CN 116246260A CN 202211198153 A CN202211198153 A CN 202211198153A CN 116246260 A CN116246260 A CN 116246260A
Authority
CN
China
Prior art keywords
component
information
image
identifying
components
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
CN202211198153.2A
Other languages
English (en)
Inventor
廖欢
盘斯
江岚
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.)
Daikin Industries Ltd
Original Assignee
Daikin Industries 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 Daikin Industries Ltd filed Critical Daikin Industries Ltd
Publication of CN116246260A publication Critical patent/CN116246260A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9032—Query formulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/09—Supervised learning
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种部件的识别方法和装置，所述方法包括：获取包含部件的图像；基于检测模型对所述图像进行检测，识别所述部件的类型；以及根据识别出的所述部件的类型，确定部件信息。本申请基于检测模型对包含部件的图像进行检测，识别出部件的类型，并确定部件信息，由此，能够缩短确认部件信息的时间，提高对设备进行维修的效率。

Description

部件的识别方法和识别装置
技术领域
本申请涉及信息技术领域，特别涉及一种部件的识别方法和识别装置。
背景技术
设备在出现故障时，有时需要对设备中损坏的部件进行更换。例如，工程师会根据损坏的部件的专业名称，去查该部件的库存，拿到库存的部件后，对损坏的部件进行更换。
工程师在现场维修设备时，如果遇到比较冷门或复杂的部件，需要联系相关人员，相关人员会给出设备的机型图(例如，爆照图)，工程师根据机型图现场确认各部件的名称，在确认了损坏的部件的名称后，按照部件名称或编号等信息查询该部件的库存和数量等。
应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
对于同一种类的设备，例如，空调、净化器或加湿器等环境设备，不同机型的结构往往不同，使用的部件也会存在差异，而且同一部件的安装的位置也会有所差别，此外，设备中的部件数量也越来越多，结构越来越复杂。
本申请的发明人发现，当工程师对设备进行维修时，有时会不知道某些部件的名称，因而需要查询资料或咨询相关人员，得到部件名称，再进行库存查找，这个过程往往会花费很长时间，影响了对设备进行维修的效率。
为了解决至少上述技术问题或类似的技术问题，本申请实施例提供一种部件的识别方法和装置，基于检测模型对包含部件的图像进行检测，识别出部件的类型，并确定部件信息，由此，能够缩短确认部件信息的时间，提高对设备进行维修的效率。
根据本申请实施例的一个方面，提供一种部件的识别方法，该方法包括：
获取包含部件的图像；
基于检测模型对所述图像进行检测，识别所述部件的类型；以及
根据识别出的所述部件的类型，确定部件信息，
其中，根据识别出的所述部件的类型，确定部件信息，包括：
根据识别出的所述部件的类型，确定所述图像中预设区域内的部件；以及
根据确定的部件，确定部件信息，
所述预设区域包括平面区域或空间区域。
根据本申请实施例的另一个方面，提供一种部件的识别装置，该装置包括：
获取单元，其获取包含部件的图像；
识别单元，其基于检测模型对所述图像进行检测，识别所述部件的类型；以及
确定单元，其根据识别出的所述部件的类型，确定部件信息，
其中，所述确定单元根据识别出的所述部件的类型，确定部件信息，包括：
根据识别出的所述部件的类型，确定所述图像中预设区域内的部件；以及
根据确定的部件，确定部件信息，
所述预设区域包括平面区域或空间区域。
本申请实施例的有益效果在于：基于检测模型对包含部件的图像进行检测，识别出部件的类型，并确定部件信息，由此，能够缩短确认部件信息的时间，提高对设备进行维修的效率。
参照后文的说明和附图，详细公开了本申请的特定实施方式，指明了本申请的原理可以被采用的方式。应该理解，本申请的实施方式在范围上并不因而受到限制。在所附权利要求的条款的范围内，本申请的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
在本申请实施例的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。此外，在附图中，类似的标号表示几个附图中对应的部件，并可用于指示多于一种实施方式中使用的对应部件。
所包括的附图用来提供对本申请实施例的进一步的理解，其构成了说明书的一部分，用于例示本申请的实施方式，并与文字描述一起来阐释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。在附图中：
图1是本申请实施例1的部件的识别方法的一个示意图；
图2是对检测模型进行训练的方法的一个示意图；
图3是确定图像中预设区域内的部件的方法的一个示意图；
图4是第一预设半径范围内的部件位置的一个示意图；
图5是显示第一预设半径范围内的部件的一个示意图；
图6是确定图像中预设区域内的部件的方法的另一个示意图；
图7是第二预设区域的投影范围内的部件位置的一个示意图；
图8是向工程师推荐部件信息的一个示意图；
图9是操作104的一个实现方法的示意图；
图10是操作801中提取部件特征的一个示意图；
图11是操作801中提取用户特征的一个示意图；
图12是基于运行数据确定故障部件的方法的一个示意图；
图13是部件正常运行时的振动信号与故障时的振动信号的一个示意图；
图14是实施例2的部件的识别装置的一个示意图。
具体实施方式
参照附图，通过下面的说明书，本申请的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本申请的特定实施方式，其表明了其中可以采用本申请的原则的部分实施方式，应了解的是，本申请不限于所描述的实施方式，相反，本申请包括落入所附权利要求的范围内的全部修改、变型以及等同物。下面结合附图对本申请的各种实施方式进行说明。这些实施方式只是示例性的，不是对本申请的限制。
在本申请实施例中，术语“第一”、“第二”等用于对不同元素从称谓上进行区分，但并不表示这些元素的空间排列或时间顺序等，这些元素不应被这些术语所限制。术语“和/或”包括相关联列出的术语的一种或多个中的任何一个和所有组合。术语“包含”、“包括”、“具有”等是指所陈述的特征、元素、元件或组件的存在，但并不排除存在或添加一个或多个其他特征、元素、元件或组件。
在本申请实施例中，单数形式“一”、“该”等包括复数形式，应广义地理解为“一种”或“一类”而并不是限定为“一个”的含义；此外术语“该”应理解为既包括单数形式也包括复数形式，除非上下文另外明确指出。此外术语“根据”应理解为“至少部分根据……”，术语“基于”应理解为“至少部分基于……”，除非上下文另外明确指出。
实施例1
本申请实施例1提供一种部件的识别方法。
图1是本申请实施例1的部件的识别方法的一个示意图。
如图1所示，部件的识别方法包括：
操作101、获取包含部件的图像；
操作102、基于检测模型对该图像进行检测，识别部件的类型；以及
操作103、根据识别出的部件的类型，确定部件信息。
其中，部件的信息可以包括该部件的下述信息中的至少一者：编号，规格，配线代号，供应商，材质，价格，库存数量，拆卸安装图像等。
该部件可以被安装在设备中，该设备可以是环境设备，例如，空调、净化器、加湿器等。此外，本申请不限于此，该设备也可以是环境设备之外的其他类型的设备。
根据实施例1，基于检测模型对包含部件的图像进行检测，识别出部件的类型，并确定部件信息，由此，能够缩短确认部件信息的时间，提高对设备进行维修的效率；此外，对于部件的类型的识别准确性也得到了提高。
在本实施例的操作101中，该图像中可以只包含一个部件，或者包含两个以上的部件，在图像中，该两个以上的部件可以彼此分离，或者至少部分地交叠。该图像可以是维修设备的工程师使用摄像设备拍摄的照片，摄像设备例如是相机、智能手机等移动终端或AR眼镜等。此外，该图像也可以是对摄像设备拍摄的视频进行截图而获得。例如，工程师希望获得某个部件的部件信息，可以使用摄像设备对该部件及其周围的部件进行拍摄，以得到图像。
在操作101中，还可以进一步获取部件所处的设备的机型信息。由此，在操作102中，可以结合机型信息对图像进行检测。由于设备的不同机型对应的部件名称和编号等信息会有所不同，所以，结合机型信息对图像进行检测，能够提高部件类型识别的准确性，从而提高。
机型信息可以通过扫描该设备的二维码或条码或读取该设备的射频识别(RFID)标签等方式获得，并被输入到操作102的检测模型中。此外，也可以由工程师手动将设备的机型信息输入。另外，也可以从建筑信息模型(BIM)内获取设备的机型信息。
在操作102中，检测模型可以是基于神经网络的检测模型。例如，卷积神经网络(CNN)+YOLO(YOU ONLY LOOK ONCE)网络的检测模型，该检测模型的稳定性好，对于大量的数据都具有较好的灵敏性。此外，本实施例可以不限于此，检测模型也可以是其它类型，比如，CNN+其他类型的网络，例如，CNN卷积神经网络+Faster R-CNN或者CNN+SSD网络等。
在操作102中，检测模型可以是经过训练得到的，由此，在实施本申请的部件的识别方法时，可以直接使用该训练后的检测模型对图像进行检测。
下面，对检测模型的训练方法进行说明，其中，检测模型为CNN+YOLO网络的检测模型。
图2是对检测模型进行训练的方法的一个示意图。如图2所示，该训练的方法包括：
操作201、将多个训练用图像输入构建的神经网络模型；
操作202、经过神经网络的全连接网络输出检测结果；
操作203、基于所述检测结果和对所述多个训练用图像的标注信息构建损失函数；以及
操作204、调整所述神经网络模型中的参数，使得所述损失函数最小化，以使所述神经网络模型收敛，将调整后的神经网络模型作为检测模型，并进行保存。
在本实施例中，在进行图2的训练之前，针对某个机型的设备的预定范围，可以拍摄多个图片，并对各图片中的部件进行标注，例如，用边框(bounding box)将图片中的部件包围起来，并标注该部件的类型标签，从而形成训练用图像。其中，每个边框中具有一个部件，并且，该边框是包围该部件的连续部件区域的最小边框。边框例如是矩形。此外，针对预定范围拍摄多个图片，可以避免因为拍摄角度问题而遗漏了某些部件，因此，可以提高训练的准确性。
在操作201中，将多个训练用图像输入到构建的CNN+YOLO网络的检测模型中。
在操作202中，检测模型对训练用图像进行检测，并从神经网络的全连接网络输出检测结果，该检测结果例如是：训练用图像中的边框的坐标，以及边框内部件的类型。
在操作203中，根据操作202的检测结果，以及对训练用图像进行标注的信息(例如，训练用图像中被标注的边框的坐标，以及边框内部件的类型)，构建损失函数，该损失函数例如可以被称为YOLOv3LOSS。
损失函数用来反映操作202的检测结果以及标注的信息之间的误差大小。例如，损失函数Loss可以被表达为下面的式(1)：
Figure BDA0003871334350000061
其中，f是指对输入的两个值(例如，两个yi的值，其中，一个yi表示检测结果，另一个yi表示标注的信息)的差异性计算，该差异性计算可以是均方差也可以是交叉熵等形式。
在操作204中，调整神经网络模型中的参数，使得损失函数最小化，以使神经网络模型收敛，将调整后的神经网络模型作为检测模型，并进行保存。例如，操作201～操作203以及操作204中调整神经网络模型中的参数的处理可以迭代多次，从而使损失函数最小化，并得到最终的检测模型。
根据图2的方法训练出的检测模型可以被用于操作102，以检测由操作101获得的图像。
例如，在操作102中，针对操作101获得的图像，检测模型可以输出该图像中的部件的边框坐标，以及边框内部件的类型。其中，针对一张图像，检测模型可以检测出一个或两个以上的边框。
又例如，在操作102中，可以先将图像进行分割等预处理，针对分割后的图像的各部分，输出与该部分对应的边框坐标和部件类型。其中，分割的处理可以通过对像素点进行分类来实现，例如，根据U-NET方法对图像进行分割。
在操作103中，可以根据操作102的识别结果，确定需要输出哪个部件的部件信息，并输出对应的部件信息。例如，根据识别出的部件的类型，确定该图像中预设区域内的部件，根据确定的部件，确定部件信息。其中，预设区域可以包括平面区域(即，二维区域)或空间区域(即，三维区域)。由此，能够预设区域对应的范围内查询部件，从而能够更加准确地输出工程师所需要的部件信息。
图3是确定图像中预设区域内的部件的方法的一个示意图，对应于预设区域是平面区域的情况。如图3所示，确定预设区域内的部件的方法包括：
操作301、确定识别出的部件的位置信息；
操作302、根据部件之间的距离，搜索出第一预设半径范围内的部件；以及
操作303、显示所述第一预设半径范围内的部件。
在操作301中，可以在部件类型对应的数据库中查找通过操作102识别出的部件的坐标，该坐标可以包括：该部件的中心坐标和/或边缘坐标。该坐标例如可以被表示为(X,Y)。
在操作302中，预设区域可以是以操作301中确定的坐标为中心的，第一预设半径对应的范围。在该预设区域内，根据部件之间的距离搜索部件，其中，部件之间的距离例如可以从部件类型对应的数据库中查找。
在操作303中，可以将操作302中搜索出的部件展示给工程师，例如，将搜索出的部件的相关信息显示在工程师的手机等终端设备上，该相关信息例如可以包括如下信息中的至少一者：部件编号，部件名称，部件坐标，型号规格，配线代号等。
如果工程师在显示的部件中发现了目标部件，可以通过选择操作(例如，点击终端设备的屏幕等操作)进行确认，从而对部件进行确定。
此外，如果工程师在显示的部件中没有发现目标部件，可以调整(例如，通过缩放屏幕等操作调整)第一预设半径的数值，从而扩大预设区域的范围，由此，能够在更大的范围内搜索部件。
图4是第一预设半径范围内的部件位置的一个示意图。如图4所示，目标部品O表示通过检测模型识别出的部件。第一预设半径为r1时，预设范围(实线的圆所示)内搜索出的部件为可能部品A；第一预设半径调整为r2时，预设范围(虚线的圆所示)内搜索出的部件为可能部品A，B，C，D。其中，可能部品B为所需的部件(即，所需部品)。
在图4中，平面xy可以表示与图像表面平行的平面。
图5是显示第一预设半径范围内的部件的一个示意图。如图5所示，在操作101获取的图像500中，各部件的边框501，502，503和504被显示。
图6是确定图像中预设区域内的部件的方法的另一个示意图，对应于预设区域是三维空间区域的情况。如图6所示，确定预设区域内的部件的方法包括：
操作601、确定识别出的所述部件的位置信息；
操作602、根据在图像的拍摄方向上该部件与其它部件的位置关系，搜索出包含识别出的部件的第二预设区域的投影范围内的部件；以及
操作603、显示该投影范围内的部件。
在操作601中，可以在部件类型对应的数据库中查找通过操作102识别出的部件的坐标，该坐标可以包括：该部件的中心坐标和/或边缘坐标。该坐标例如可以被表示为(X,Y,Z)。
在操作602中，第二预设区域可以包含该识别出的部件的边缘所围成的区域，例如，第二预设区域可以等于该识别出的部件的边缘所围成的区域，或者，第二预设区域可以大于该识别出的部件的边缘所围成的区域。
第二预设区域在X方向的范围例如为[X-Δx1，X+Δx2]，在Y方向的范围例如为[Y-Δy1，Y+Δy2]。第二预设区域可以被调整，例如，Δx1，Δx2，Δy1，Δy2中至少一者的数可以被调整。第二区域的投影范围在Z方向上的范围例如是[Z-Δz1，Z+Δz2]。
在操作602中，第二区域的投影范围即为预设区域，在该预设区域内，根据部件之间的距离搜索部件，其中，部件之间的距离例如可以从部件类型对应的数据库中查找。
在操作603中，可以将操作602中搜索出的部件展示给工程师，例如，将搜索出的部件的相关信息显示在工程师的手机等终端设备上，该相关信息例如可以包括如下信息中的至少一者：部件编号，部件名称，部件坐标，型号规格，配线代号等。
如果工程师在显示的部件中发现了目标部件，可以通过选择操作(例如，点击终端设备的屏幕等操作)进行确认，从而对部件进行确定。
此外，如果工程师在显示的部件中没有发现目标部件，可以调整(例如，通过缩放屏幕等操作调整)第二预设区域，从而扩大搜索的范围，由此，能够在更大的范围内搜索部件。
图7是第二预设区域的投影范围内的部件位置的一个示意图。如图7所示，设备为空调机，目标部品O表示通过检测模型识别出的部件对应的第二预设区域。第二预设区域在Z方向的投影范围内，搜索出的部件为可能部品A，B，C。
在图7中，平面xy可以表示与图像表面平行的平面。
在本实施例中，利用投影范围识别部件的方法可以独立于操作101和操作102被使用。
例如，如图1所示，识别部件的方法还可以包括：
操作101a、显示设备的机型对应的所述设备的外观的图像；
操作102a、接收针对所述外观的图像的区域设定操作；
操作103a、搜索所设定区域的投影范围内的部件；以及
操作104a、显示搜索出的部件。
在操作101a中，可以在数据库中进行检索，根据设备的机型确定设备的外观的图像，并将该外观的图像显示在工程师的终端上。
操作102a中，工程师可以针对终端的屏幕进行区域设定操作，由此，能够在外观图像上设定区域，该设定的区域例如在xy平面上。
在操作103a中，根据操作102a中设定的区域，搜索该设定的区域的投影范围内的部件，例如，将该设定的区域中每一点的Z方向(Z方向垂直于xy平面)的坐标值增加，以确定该设定的区域的投影范围；进而，根据数据库中的数据，确定该投影范围内的部件。
在操作104a中，可以以图片形式显示操作103a中搜索出的部件，也可以以列表的方式显示这些搜索出的部件。
在本实施例中，操作101a～104a可以与操作101～103并列，也可以位于操作103之后。
在本实施例中，当在操作102中没有识别出部件的类型的情况下，可以接收并显示部件所处的设备的机型图，该机型图例如是该设备的***图，工程师可以根据该机型图确定需要获取哪个部件的信息。
在本实施例中，当在操作103中无法确定部件信息的情况下，例如，无法根据识别的部件确定出部件信息，或者，无法识别出部件等，可以向工程师推荐部件信息。
图8是向工程师推荐部件信息的一个示意图。如图7所示，推荐部件信息的方法包括：
操作801、获取设备的实际运转信息，以及部件的使用工况；
操作802、根据各部件的使用工况，预测各部件的损耗情况，估计出现故障的部件；以及
操作803、输出估计的部件的部件信息，其中，估计的部件的部件信息包括：该设备的维修记录，和/或对该估计的部件进行维修的信息。
通过操作801～803，能够辅助工程师快速找到所需的部件信息，提高维修效率。
例如，在操作801～803中，推荐模型可以基于此设备的运转信息进行分析，判断各常见部件的使用时间和使用工况，例如，工作时长，和/或工作温度，和/或工作时间等，对分析的情况，按照可能出现故障进行排列推送给现场工程师。工程师可以根据现场的情况，判断推荐的部件是否为发生故障的部件。由此，工程师可以基于推荐的部件进行检修，提高检修效率，快速定位到故障原因，同时对推荐有可能出现的部件，进行检测，必要时进行更换，提高维修质量和维修效率。
其中，该推荐模型可以是人工智能(AI)模型，例如，该AI模型可以使用监督学习等网络模型。可以使用如下的方法对该推荐模型进行训练：
将各部件的使用时长，工况，运行参数等输入神经网络模型；
神经网络模型输出各部件的损耗情况排序，根据排序推荐部件；以及
反复训练，直到该神经网络模型收敛，保存该神经网络模型，作为该推荐模型。
在本实施例中，在操作103中得到了部件信息的情况下，可以进一步使用推荐算法进行推荐，从而排除作为干扰的部件信息，提高维修的准确性。
例如，如图1所示，该识别部件的方法还包括：
操作104、基于部件信息确定被推荐的部件。
图9是操作104的一个实现方法的示意图。如图9所示，操作104可以包括如下操作：
操作901、从用户信息和部件信息中提取用户特征和部件特征；
操作902、根据该用户特征和该部件特征，得到针对于该用户和该部件的评分值，该评分值与推荐度对应，例如，评分值越高，推荐度越高，或者反之。
通过操作901和902，能够帮助工程师过滤掉作为噪声的部件信息，便于工程师做出判断，能够更为精准地对故障部件进行确认。
图10是操作901中提取部件特征的一个示意图，如图9所示，提取部件特征的方法包括：
操作1001：从部件的数据库中提取各部件的部件信息，其中，提取的部件信息包括如下信息中的至少一者：部件编号，部件名称，所属机型，推出时间，可换部件编号等；
操作1002：将部件信息中的部件编号，推出时间和可换部件编号分别进行映射和经过全连接神经网络进行处理，对于各部件的各信息，分别得到第一特征向量，该第一特征向量例如可以是256维的特征向量；
操作1003：使用神经网络，对部件名称进行词向量的处理，例如，Embedding处理，由此，对于各部件，分别得到第二特征向量，该第二特征向量例如可以是256维的特征向量；
操作1004：对所属机型进行文本卷积神经网络进行处理，得到第三特征向量，该第三特征向量例如是256维的特征向量；
操作1005：将第一特征向量、第二特征向量和第三特征向量进行将拼接处理，得到该部件特征对应的部件特征向量。
图11是操作901中提取用户特征的一个示意图，如图10所示，提取用户特征的方法包括：
操作1101：从数据库中提取用户的用户信息，该用户例如是对设备进行维修的工程师，该用户信息包括如下信息中的至少一种信息：身份识别(ID)号，年龄，工龄，级别，所属区域，所属机构，所在城市，其中，所属机构例如可以是该工程师所服务的事务所；
操作1102：将该用户的ID号，年龄，工龄，级别、所属区域、所属机构、所在城市分别进行映射和经过全连接神经网络处理，分别得到第四特征向量，例如，第四特征向量是256维的特征向量；
操作1103：将操作1002中的全部第四特征向量进行拼接处理，得到用户特征对应的用户特征向量。
在操作902中，可以将用户特征向量和部件特征向量输入全连接神经网络模型，该全连接神经网络能够输出针对于该用户和该部件的评分值。此外，在操作803中，还可以将部件的使用记录也输入到全连接神经网络中，从而使得评分值更加准确。
在操作103中确定的部件有2个以上的情况下，可以将操作802确定的各部件对应的评分值根据推荐度从高到低排序，并展示给工程师，例如，显示在工程师的终端上。在操作103中确定的部件为1个的情况下，可以将操作802确定的该一个部件对应的评分值展示给工程师，工程师能够根据该评分值决定是否选择该部件的部件信息。
如图1所示，实施例1的部件的识别方法还可以还包括：
操作105、基于故障码、运行数据以及图像的比对结果中的至少一者确定被推荐的部件。
由于故障码的信息内有时会携带有发生故障的部件的信息，因此，可以基于故障码确定被推荐的部件。
此外，运行数据和/或图像的比对结果也能反映发生故障的部件的信息，因此，可以基于运行数据和/或图像的比对结果确定发生故障的部件，并对发生故障的部件进行推荐。
图12是基于运行数据确定故障部件的方法的一个示意图。如图12所示，该方法包括：
操作1201、获取图像内的部件的运行数据；
操作1202、基于运行数据识别该图像内发生故障的部件。
在本实施例中，操作1201的图像可以是操作101所获得的图像。例如，该图像可以是维修设备的工程师使用摄像设备拍摄的照片，摄像设备例如是相机、智能手机等移动终端或AR眼镜等。此外，该图像也可以是对摄像设备拍摄的视频进行截图而获得。例如，工程师希望获得某个部件的部件信息，可以使用摄像设备对该部件及其周围的部件进行拍摄，以得到图像。
在操作1201中，图像内的部件可以是图像的特定区域内的部件，该特定区域可以是使用者(例如工程师)通过选择操作等在图像中选择的区域，或者，该特定区域可以是图3或图6所涉及的预设区域。
在操作1201中，运行数据包括：部件运行时产生的声音信号和/或部件运行时产生的振动信号等。例如，使用者将声音传感器(例如，麦克风)放置在于图像中选择的区域对应的位置处，收集部件运行时产生的声音信号；或者，将振动传感器与部件接触，以获取部件运行时产生的振动信号。其中，声音传感器或振动传感器可以集成在手机或相机等便携式终端中；或者，声音传感器或振动传感器可以独立于便携式终端，并通过有线或无线的方式将获取的声音信号或振动信号发送给便携式终端等。
在操作1202中，可以将在操作1201中获取的该部件的运行数据与正常运行时的运行数据进行比较，根据比较结果判断该部件是否发生故障，其中，可以根据运行数据的波形的振幅和/或频率等信息来判断故障。例如，当运行数据的波形的幅度与正常运行时运行数据的波形的幅度的差值大于第一阈值，和/或，当运行数据的波形的频率与正常运行时运行数据的波形的频率的差值大于第二阈值时，判断该部件出现故障。在操作1202中，可以由便携设备判断该部件是否发生故障，或者，便携设备可以将获取的运行数据发送到服务器，由服务器判断该部件是否发生故障。
图13是部件正常运行时的振动信号与故障时的振动信号的一个示意图。图13的(A)所示为部件正常运行时振动信号的波形；图13的(B)所示为部件故障时振动信号的波形的一个例子，其中，由于部件故障导致振动信号的波形的幅度增加；图13的(C)所示为部件故障时振动信号的波形的另一个例子，其中，由于部件故障导致振动信号的波形的频率增加。在图13的(A)、(B)、(C)中，横轴表示时间，纵轴表示信号的幅度。
下面，以一个实例来说明根据运行数据判断故障部件的方法。该实例包括如下操作：
S1、使用手机拍摄空调机的照片；
S2、在手机屏幕上中圈选出照片的一个区域；
S3、把传感器靠近上述选出的区域，或者与该区域中的部件接触，以获得该部件的运行数据，该运行数据可以是声音信号(由麦克风获取)或者是振动信号(由振动传感器获取)，该传感器可以是手机内置的麦克风或振动传感器，也可以是手机外接的麦克风或振动传感器；
S4、将获取的运行数据发送到服务器进行分析，判断该部件是否发生故障。
在操作105中，基于图像的比对结果确定发生故障的部件，可以包括：将基于图像内部件的位置信息与标准位置信息进行比较，根据比较结果确定发生故障的部件。
例如，如果该部件的位置相对于标准位置的偏离值大于第三阈值，或者，该部件在当前位置下对其它部件的遮挡面积大于与该部件标准下对其它部件的遮挡面积的差值大于第四阈值，则判断为该部件出现故障。由此，对于一些体积较小的部件或缺少运行数据的部件，能够判断该部件的故障，例如，能够判断由于螺丝松动等原因造成的部件故障。
下面，以两个实例来说明根据图像的比对结果判断故障部件的方法。实例一包括如下操作：
S11、对于特定的部件(例如，需要进行故障判断的部件)，从数据库中下载该部件的标准图片；
S12、修改S11中获得的标准图片的透明度，使其重叠显示在拍摄画面上；
S13、基于重叠显示在拍摄画面上的标准图片，调整手机的拍摄角度和拍摄范围，并进行拍摄，以得到该部件的图片，该部件的图片与标准图片具有相同的拍摄角度和拍摄范围；
S14、将S13中得到的该部件的图片与该部件的标准图片进行比较，从而比较该部件的位置信息与标准图片中反映的标准位置信息，进而根据比较结果，判断该部件的位置是否发生偏移，如果位置发生了偏移，则判断为该部件发生故障。
实例二包括如下操作：
S21、对于特定的部件(例如，需要进行故障判断的部件)，对该部件进行多角度的拍摄，例如，使用手机对该部件进行从左到右和/或从上到下的拍摄；
S22、将操作S21中拍摄的图片上传到服务器，服务器对每一帧图片进行分析；
S23、根据分析的结果，提取与数据库中该部件的标准图片具有相同拍摄角度的图片，作为该部件的图片；
S24、将S23中得到的该部件的图片与该部件的标准图片进行比较，从而比较该部件的位置信息与标准图片中反映的标准位置信息，进而根据比较结果，判断该部件的位置是否发生偏移，如果位置发生了偏移，则判断为该部件发生故障。
在本实施例中，对于操作104或操作105推荐的部件，工程师可以从被推荐的部件中选择最终被确认的部件。此外，如果没有操作104或操作105，那么操作103中确定的部件信息对应的部件就是最终被确认的部件。
在本实施例中，最终被确认的部件的部件信息可以被显示于部件信息栏，该部件信息栏可以基于用户操作或语音指令被显示。例如，用户(例如，工程师)通过点击的操作，或者通过语音召唤出部件信息栏，部件信息栏可以显示于工程师的终端的屏幕上，部件信息栏可以通过表格或图表等形式显示部件信息。
在本实施例中，根据针对显示的部件信息的操作(例如，工程师点击部件信息的操作等)，显示与部件信息关联的部件信息详情页，该部件信息详情页包括：订单页。该订单页可以接收下订单操作，并根据该下订单操作，向部件库发出要求提供该部件的订单。
如图1所示，该识别部件的方法还包括：
操作106、根据设备的位置，以及部件的信息，确定提供所述部件的仓库位置，并计算调度所述部件的最短时间；和/或
操作107、输出维修该部件的步骤信息和/或时间方案。
其中，维修步骤信息可以包括：对该部件进行维修和/或安装和/或拆解的视频或图像等信息。
通过操作106、107，能够基于部件信息，为工程师提供设备的维修方案。
根据实施例1，基于检测模型对包含部件的图像进行检测，识别出部件的类型，并确定部件信息，由此，能够缩短确认部件信息的时间，提高对设备进行维修的效率；此外，对于部件的类型的识别准确性也得到了提高。
实施例2
本实施例2提供一种部件的识别装置，该部件的识别装置用于执行实施例1的部件的识别方法。
图14是实施例2的部件的识别装置的一个示意图，如图14所示，该部件的识别装置1400包括：
获取单元1401，其获取包含部件的图像；
识别单元1402，其基于检测模型对图像进行检测，识别部件的类型；以及确定单元1403，其根据识别出的部件的类型，确定部件信息。
其中，确定单元1403根据识别出的部件的类型确定部件信息的操作包括：根据识别出的部件的类型，确定图像中预设区域内的部件；以及，根据确定的部件，确定部件信息，其中，预设区域包括平面区域或空间区域。
对于实施例2中各单元的详细说明，可以参考实施例1中对相关操作的说明。
根据实施例2，基于检测模型对包含部件的图像进行检测，识别出部件的类型，并确定部件信息，由此，能够缩短确认部件信息的时间，提高对设备进行维修的效率；此外，对于部件的类型的识别准确性也得到了提高。
结合本发明实施例描述的控制器可直接体现为硬件、由处理器执行的软件模块或二者组合。这些硬件模块例如可利用现场可编程门阵列(FPGA)将这些软件模块固化而实现。
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或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器，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；或者该存储介质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。该软件模块可以存储在移动终端的存储器中，也可以存储在可***移动终端的存储卡中。例如，若电子设备采用的是较大容量的MEGA-SIM卡或者大容量的闪存装置，则该软件模块可存储在该MEGA-SIM卡或者大容量的闪存装置中。
针对本实施例所描述的控制器，可以实现为用于执行本申请所描述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑器件、分立硬件组件、或者其任意适当组合。也可以实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、与DSP通信结合的一个或多个微处理器或者任何其它这种配置。
本发明实施例还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、DVD、flash存储器等。
需要说明的是，本方案中涉及到的各步骤的限定，在不影响具体方案实施的前提下，并不认定为对步骤先后顺序做出限定，写在前面的步骤可以是在先执行的，也可以是在后执行的，甚至也可以是同时执行的，只要能实施本方案，都应当视为属于本申请的保护范围。
以上结合具体的实施方式对本申请进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本申请保护范围的限制。本领域技术人员可以根据本申请的精神和原理对本申请做出各种变型和修改，这些变型和修改也在本申请的范围内。

Claims (21)

1.一种部件的识别方法，其特征在于，所述方法包括：
获取包含部件的图像；
基于检测模型对所述图像进行检测，识别所述部件的类型；以及
根据识别出的所述部件的类型，确定部件信息并输出所述部件信息，
其中，根据识别出的所述部件的类型，确定部件信息，包括：
根据识别出的所述部件的类型，确定所述图像中预设区域内的部件；以及
根据确定的部件，确定部件信息，
所述预设区域包括平面区域或空间区域。
2.如权利要求1所述的部件的识别方法，其特征在于，
所述部件的信息包括下述信息中的至少一者：
编号，规格，配线代号，供应商，材质，价格，库存数量，拆卸安装图像。
3.如权利要求1所述的部件的识别方法，其特征在于，
所述图像由摄像设备拍摄获得，或者通过截取视频而获得，
所述图像中包含两个以上交叠在一起的部件。
4.如权利要求1所述的部件的识别方法，其特征在于，所述方法还包括：
将多个训练用图像输入构建的神经网络模型；
经过所述神经网络的全连接网络输出检测结果；
基于所述检测结果和对所述多个训练用图像的标注信息构建损失函数；以及
调整所述神经网络模型中的参数，使得所述损失函数最小化，以使所述神经网络模型收敛，将调整后的神经网络模型作为检测模型，并进行保存。
5.如权利要求4所述的部件的识别方法，其特征在于，
各训练用图像具有：至少一个边框，以及该边框中的部件对应的类型标签，所述边框是包围连续部件区域的最小边框。
6.如权利要求1所述的部件的识别方法，其特征在于，
根据识别出的所述部件的类型，确定所述图像中预设区域内的部件，包括：
确定识别出的所述部件的位置信息；
根据部件之间的距离，搜索出第一预设半径范围内的部件；以及
显示所述第一预设半径范围内的部件，
其中，所述第一预设半径的数值可以被调整。
7.如权利要求1所述的部件的识别方法，其特征在于，
根据识别出的所述部件的类型，确定所述图像中预设区域内的部件，包括：
确定识别出的所述部件的位置信息；
根据在所述图像的拍摄方向上所述部件与其它部件的位置关系，搜索出包含识别出的所述部件的第二预设区域的投影范围内的部件；以及
显示所述投影范围内的部件，
其中，所述第二预设区域可以被调整。
8.如权利要求1所述的部件的识别方法，其特征在于，所述方法还包括：
显示设备的机型对应的所述设备的外观的图像；
接收针对所述外观的图像的区域设定操作；
搜索所设定区域的投影范围内的部件；以及
显示搜索出的部件。
9.如权利要求1所述的部件的识别方法，其特征在于，所述方法还包括：
获取所述图像内部件的运行数据；
基于所述运行数据识别所述图像内的故障部件。
10.如权利要求9所述的部件的识别方法，其特征在于，
所述运行数据包括：所述部件运行时产生的声音信号和/或所述部件运行时产生的振动信号。
11.如权利要求1所述的部件的识别方法，其特征在于，所述方法还包括：
基于所述图像内部件的位置信息与标准位置信息的比较结果，确定所述图像内的故障部件。
12.如权利要求1所述的部件的识别方法，其特征在于，所述方法还包括：
根据设备的位置，以及部件的信息，确定提供所述部件的仓库位置，并计算调度所述部件的最短时间；和/或
输出维修所述部件的步骤信息和/或时间方案。
13.如权利要求1所述的部件的识别方法，其特征在于，
无法确定部件信息的情况下，
获取所述部件所处的设备的实际运转信息，以及部件的使用工况；
根据各部件的使用工况，预测各部件的损耗情况，估计出现故障的部件；以及
输出估计的部件的部件信息，
其中，估计的部件的部件信息包括：所述设备的维修记录，和/或对所述估计的部件进行维修的信息。
14.如权利要求1所述的部件的识别方法，其特征在于，所述方法还包括：
基于部件信息确定被推荐的部件。
15.如权利要求14所述的部件的识别方法，其特征在于，
基于部件信息确定被推荐的部件，包括：
从用户信息和所述部件信息中提取用户特征和部件特征；
根据所述用户特征和所述部件特征，得到针对于所述用户和所述部件的评分值，所述评分值与推荐度对应。
16.如权利要求15所述的部件的识别方法，其特征在于，
所述用户信息包括，对所述部件所处的设备进行维修的工程师的如下至少一种信息：身份识别(ID)号，年龄，工龄，级别，所属区域，所属机构，所在城市。
17.如权利要求15所述的部件的识别方法，其特征在于，
基于全连接神经网络模型提取用户特征和部件特征，并获取所述评分值。
18.如权利要求1所述的部件的识别方法，其特征在于，所述方法还包括：
基于故障码确定被推荐的部件。
19.如权利要求1所述的部件的识别方法，其特征在于，
所述部件信息被显示于部件信息栏，
所述部件信息栏基于用户操作或语音指令被显示。
20.如权利要求1所述的部件的识别方法，其特征在于，所述方法还包括：
根据针对显示的部件信息的操作，显示与所述部件信息关联的部件信息详情页，
所述部件信息详情页包括订单页，所述订单页接收下订单操作，并根据所述下订单操作，向部件库发出要求提供所述部件的订单。
21.一种部件的识别装置，其特征在于，所述装置包括：
获取单元，其获取包含部件的图像；
识别单元，其基于检测模型对所述图像进行检测，识别所述部件的类型；以及
确定单元，其根据识别出的所述部件的类型，确定部件信息，
其中，所述确定单元根据识别出的所述部件的类型，确定部件信息，包括：
根据识别出的所述部件的类型，确定所述图像中预设区域内的部件；以及
根据确定的部件，确定部件信息，
所述预设区域包括平面区域或空间区域。
CN202211198153.2A 2021-12-06 2022-09-29 部件的识别方法和识别装置 Pending CN116246260A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021114791840 2021-12-06
CN202111479184 2021-12-06

Publications (1)

Publication Number Publication Date
CN116246260A true CN116246260A (zh) 2023-06-09

Family

ID=86623038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211198153.2A Pending CN116246260A (zh) 2021-12-06 2022-09-29 部件的识别方法和识别装置

Country Status (2)

Country Link
CN (1) CN116246260A (zh)
WO (1) WO2023106243A1 (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002255465A (ja) * 2001-02-26 2002-09-11 Hitachi Ltd 昇降設備の保守管理システム及び方法
JP2004220460A (ja) * 2003-01-17 2004-08-05 Hitachi Ltd コンピュータシステムの保守システムおよび保守方法
JP2008234005A (ja) * 2007-03-16 2008-10-02 Fujitsu Ltd 部品選択プログラム、該プログラムを記録した記録媒体、部品選択方法、および部品選択装置
JP2010267113A (ja) * 2009-05-15 2010-11-25 Dainippon Printing Co Ltd 部品管理方法、装置、プログラム、記録媒体
JP7095332B2 (ja) * 2018-03-16 2022-07-05 株式会社リコー 表示装置および表示方法
EP3791236A4 (en) * 2018-05-07 2022-06-08 Strong Force Iot Portfolio 2016, LLC METHODS AND SYSTEMS FOR DATA COLLECTION, LEARNING AND STREAMING MACHINE SIGNALS FOR ANALYSIS AND MAINTENANCE USING THE INDUSTRIAL INTERNET OF THINGS
JP7404046B2 (ja) * 2019-12-04 2023-12-25 東京瓦斯株式会社 修理支援システム
KR102658689B1 (ko) * 2019-12-06 2024-04-18 엘지전자 주식회사 증강 현실에 기반한 공기 조화기의 정비 방법 및 장치
CN111738367B (zh) * 2020-08-17 2020-11-13 成都中轨轨道设备有限公司 一种基于图像识别的零件分类方法

Also Published As

Publication number Publication date
WO2023106243A1 (ja) 2023-06-15

Similar Documents

Publication Publication Date Title
US10984526B2 (en) Method for predicting defects in assembly units
US20220020139A1 (en) Methods for automatically generating a common measurement across multiple assembly units
US10360247B2 (en) System and method for telecom inventory management
US12020415B2 (en) Method for monitoring manufacture of assembly units
CN108734162B (zh) 商品图像中目标识别方法、***、设备及存储介质
US8885048B2 (en) Computer vision and radio frequency identification technology based book enrolment management apparatus
EP3229169A1 (en) Code recognition device
CN108830180B (zh) 电子考勤方法、装置及电子设备
CN113111844B (zh) 一种作业姿态评估方法、装置、本地终端及可读存储介质
CN110533654A (zh) 零部件的异常检测方法及装置
US20220375056A1 (en) Method for predicting defects in assembly units
CN115908420A (zh) 印刷电路板的缺陷检测方法、装置、设备及存储介质
CN112621765A (zh) 一种基于机械手的设备自动组装控制方法及装置
CN112560902A (zh) 基于书脊视觉信息的图书识别方法及***
CN116246260A (zh) 部件的识别方法和识别装置
CN110689028A (zh) 现场图测评方法、现场勘查记录测评方法及其装置
JP4189094B2 (ja) 検査システム
CN113850173A (zh) 针对故障光伏组件的消除重复定位的方法、装置及介质
CN112052727A (zh) 一种基于大数据的人像识别分析***及方法
KR102544533B1 (ko) 전자 펜 기록정보와 사진 이미지 정보 매칭을 통한 대상물 관리시스템
WO2021166290A1 (ja) 物体検出装置、物体検出システム、および、物体検出方法
CN116563131A (zh) 基于视觉的复杂机电产品微小零件装配状态检测方法
CN116797547A (zh) 对图纸构件的处理方法和装置
CN116229051A (zh) 一种面板状态灯的检测方法
CN115908089A (zh) 信息处理装置、信息处理方法以及存储有程序的存储介质

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