CN116524415A - 一种基于深度学习的计量管状态的检测方法及*** - Google Patents
一种基于深度学习的计量管状态的检测方法及*** Download PDFInfo
- Publication number
- CN116524415A CN116524415A CN202310777229.5A CN202310777229A CN116524415A CN 116524415 A CN116524415 A CN 116524415A CN 202310777229 A CN202310777229 A CN 202310777229A CN 116524415 A CN116524415 A CN 116524415A
- Authority
- CN
- China
- Prior art keywords
- state
- metering tube
- detection
- result
- abnormal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 112
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 15
- 230000000903 blocking effect Effects 0.000 claims description 23
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 241000208125 Nicotiana Species 0.000 description 8
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于深度学习的计量管状态的检测方法及***,通过获取计量管内视频画面;采用训练好的目标检测模型对视频画面进行检测,得到计量管的疑似检测状态;若计量管的疑似检测状态为异常状态,则对计量管的异常状态进行筛选,确定计量管的异常状态是否为真;若计量管的异常状态为真,则建立计量管运行状态与状态等级的关联关系;根据关联关系确定计量管当前检测状态的状态等级,并将状态等级进行上报。实现了实时监测计量管运行状态,并按照计量管异常状态等级分类反馈计量管异常等级,有助于监管人员及时了解计量管异常信息并及时做出处理,同时,有效的提高了对计量管状态的检测精度。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于深度学习的计量管状态的检测方法及***。
背景技术
对于制丝车间而言,计量管是否堵料影响着制丝生产线的后续流程,若没有警示报警***,相关监管人员无法及时得到预警信息,若不及时处理,将造成物料不断堆积,进而影响着烟丝的水分、填充值及香气等关键工艺指标。故需设计一套通过摄像头监控画面分析,实时监测计量管内烟叶状态的报警***。
现有技术需要安装光电传感器等其他设备,只能监测计量管堵料状态,无法监测到计量管断料状态,且未对计量管堵料状态做更细致分类。
综上所述,现有技术中对于计量管状态的监测不够全面,且针对异常状态的检测精准度略低。
发明内容
有鉴于此,本发明提供一种基于深度学习的计量管状态的检测方法及***,旨在解决计量管状态的监测不够全面,且针对异常状态的检测精度较低的技术问题。
为解决以上技术问题,本发明的技术方案为提供一种基于深度学习的计量管状态的检测方法,包括:
获取计量管内视频画面;
采用训练好的目标检测模型对所述视频画面进行检测,得到所述计量管的疑似检测状态;
若所述计量管的疑似检测状态为异常状态,则对所述计量管的异常状态进行筛选,确定所述计量管的异常状态是否为真;
若所述计量管的异常状态为真,则建立计量管运行状态与状态等级的关联关系;
根据所述关联关系确定所述计量管当前检测状态的状态等级,并将所述状态等级进行上报。
可选的,所述采用训练好的目标检测模型对所述视频画面进行检测,得到所述计量管疑似检测状态之前,包括:
判断是否接收到所述计量管启动的PLC信号;
若接收到所述计量管启动的PLC信号,则采用训练好的目标检测模型对所述视频画面进行检测,否则,不进行检测。
可选的,所述采用训练好的目标检测模型对所述视频画面进行检测,得到所述计量管疑似检测状态,包括:
采用训练好的目标检测模型对所述视频画面进行检测,并将检测结果划分为第一结果、第二结果、第三结果;
若所述第一结果不为空,第二结果、第三结果为空,则所述计量管的疑似检测状态为异常状态;
若所述第二结果不为空,第一结果、第三结果为空,则所述计量管的疑似检测状态为正常状态;
若所述第三结果不为空,第一结果、第二结果为空,则所述计量管的疑似检测状态为异常状态。
可选的,所述采用训练好的目标检测模型对视频画面进行检测,得到所述计量管疑似检测状态,还包括:
所述第一结果为堵料状态、所述第三结果为断料状态,或,
所述第三结果为堵料状态、所述第一结果为断料状态。
可选的,对所述计量管的异常状态进行筛选,确定所述计量管的异常状态是否为真的方法,包括:
若所述计量管的疑似检测状态时长达到阈值,且首次检测到异常状态目标帧以及之后12帧中至少有8帧检测目标阈值均大于0.4,则所述计量管的异常状态为真,
否则,所述计量管的异常状态不为真,所述计量管正常运行。
可选的,所述建立计量管运行状态与状态等级的关联关系,包括:
所述关联关系配置为:计量管堵料或断料状态时长1秒-2秒为轻度异常;计量管堵料或断料状态时长2秒-3秒为中度异常;计量管堵料或断料状态时长大于3秒为重度异常。
相应的,本发明还提供一种基于深度学习的计量管状态的检测***,包括:
画面获取模块,用于获取计量管内视频画面;
模型检测模块,用于采用训练好的目标检测模型对所述视频画面进行检测,得到所述计量管的疑似检测状态;
状态筛选模块,用于若所述计量管的疑似检测状态为异常状态,则对所述计量管的异常状态进行筛选,确定所述计量管的异常状态是否为真;
关联关系模块,用于若所述计量管的异常状态为真,则建立计量管运行状态与状态等级的关联关系;
等级确定模块,用于根据所述关联关系确定所述计量管当前检测状态的状态等级,并将所述状态等级进行上报。
可选的,所述关联关系模块还包含有关联关系单元,所述关联关系单元被配置为计量管堵料或断料状态时长1秒-2秒为轻度异常;计量管堵料或断料状态时长2秒-3秒为中度异常;计量管堵料或断料状态时长大于3秒为重度异常。
相应的,本发明还提供一种存储介质,存储有计算机程序,所述计算机程序被执行时可实现上述方法权利要求中任意一项所述的一种基于深度学习的计量管状态的检测方法。
相应的,本发明还提供一种计算机设备,包括中央处理器和存储器,所述存储器内存储有计算机程序,当所述计算机程序被中央处理器执行时,可实现上述方法权利要求中任意一项所述的一种基于深度学习的计量管状态的检测方法。
本发明的有益效果为:通过获取计量管内视频画面;采用训练好的目标检测模型对所述视频画面进行检测,得到所述计量管的疑似检测状态;若所述计量管的疑似检测状态为异常状态,则对所述计量管的异常状态进行筛选,确定所述计量管的异常状态是否为真;若所述计量管的异常状态为真,则建立计量管运行状态与状态等级的关联关系;根据所述关联关系确定所述计量管当前检测状态的状态等级,并将所述状态等级进行上报。实现了实时监测计量管运行状态,并按照计量管异常状态等级分类反馈计量管异常等级,有助于监管人员及时了解计量管异常信息并及时做出处理,保障了生产连续性及制丝产品质量,进一步保障了上下游设备生产加工烟丝质量,也保障了产品的实用性。同时,有效的提高了对计量管状态的检测精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图做简单地介绍,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附图。
图1是本发明一实施例提供的一种基于深度学习的计量管状态的检测方法的步骤示意图;
图2是本发明一实施例提供的一种基于深度学习的计量管状态的检测***的结构示意图。
具体实施方式
为了使本领域技术人员更好的理解本发明实施例,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。
参照图1,是本发明一实施例提供的一种基于深度学习的计量管状态的检测方法的步骤示意图,包括以下步骤:
S11、获取计量管内视频画面。
为了便于对计量管进行有效管控,通常情况都会在计量管内设置有监控摄像头,通过从监控摄像头中取流,获取计量管内视频画面。
进一步的,若计量管采用可内视的设置,还可以将监控摄像头设置于计量管外部,同样通过从监控摄像头中取流,获取计量管内视频画面。
S12、采用训练好的目标检测模型对视频画面进行检测,得到计量管的疑似检测状态。
本实施例中采用YOLO7目标检测模型对视频画面进行检测,在实际检测之后,首先对YOLO7目标检测模型进行训练,得到训练好的YOLO7目标检测模型,然后利用训练好的YOLO7目标检测模型对获取到的计量管内视频画面进行状态检测。
进一步的,采用训练好的目标检测模型对所述视频画面进行检测,得到疑似检测状态,并将检测结果划分为第一结果、第二结果、第三结果,若第一结果不为空,第二结果、第三结果为空,则计量管的疑似检测状态为异常状态;若第二结果不为空,第一结果、第三结果为空,则计量管的疑似检测状态为正常状态;若第三结果不为空,第一结果、第二结果为空,则计量管的检测状态为异常状态,该异常状态为堵料状态和断料状态的集合。
进一步的,根据输出结果,若出现异常状态,则有两种情况,即第一结果为堵料状态、第三结果为断料状态,或,第一结果为断料状态,第三结果为堵料状态。
优选的,还可以在对YOLO7目标检测模型进行训练时,划分训练目标为第一目标、第二目标和第三目标,并对第一目标、第二目标、第三目标分别定义,即第一目标为堵料状态,第二目标为正常状态,第三目标为断料状态,根据YOLO7目标检测模型输出的目标确定当前疑似检测状态具体为哪种状态。
进一步的,在采用训练好的目标检测模型进行检测之前,需要先行判断是否接收到计量管启动的PLC信号,若接收到计量管启动的PLC信号,则采用训练好的目标检测模型进行检测,否则,不执行检测操作,防止因计量管未启动,导致模型检测输出结果不准确的情况发生。
S13、若计量管的疑似检测状态为异常状态,则对计量管的异常状态进行筛选,确定计量管的异常状态是否为真。
进一步的,若计量管的疑似检测状态为异常状态,则需要对计量管的异常状态进行筛选,确定计量管的异常状态是否为真,具体的,若计量管的疑似检测状态时长达到阈值,即异常状态达到1秒以上(包含1秒),且首次检测到异常状态目标帧以及之后12帧中至少有8帧检测目标阈值均大于0.4,则确定计量管的异常状态为真。若上述任一项不符合,则计量管的异常状态不为真,计量管正常运行。
S14、若计量管的异常状态为真,则建立计量管运行状态与状态等级的关联关系。
进一步的,在确定计量管的异常状态为真之后,建立计量管运行状态与状态等级的关联关系,通过该关联关系,可以确定计量管当前运行状态的状态等级,具体的关联关系配置为:
计量管堵料或断料状态时长1秒-2秒为轻度异常;
计量管堵料或断料状态时长2秒-3秒为中度异常;
计量管堵料或断料状态时长大于3秒为重度异常。
S15、根据关联关系确定计量管当前检测状态的状态等级,并将状态等级进行上报。
通过监测计量管运行状态的持续时长,依据上述关联关系,可以对异常状态进行进一步划分,并将划分后的状态等级进行上报,以使监测人员能够第一时间确定当前运行状态是否为异常状态,若为异常状态,状态等级如何,根据状态等级进行处理调度,及时对计量管进行关断或其他处置方式。
本实施例提供一种基于深度学习的计量管状态的检测方法及***,通过获取计量管内视频画面;采用训练好的目标检测模型对所述视频画面进行检测,得到所述计量管的疑似检测状态;若所述计量管的疑似检测状态为异常状态,则对所述计量管的异常状态进行筛选,确定所述计量管的异常状态是否为真;若所述计量管的异常状态为真,则建立计量管运行状态与状态等级的关联关系;根据所述关联关系确定所述计量管当前检测状态的状态等级,并将所述状态等级进行上报。实现了实时监测计量管运行状态,并按照计量管异常状态等级分类反馈计量管异常等级,有助于监管人员及时了解计量管异常信息并及时做出处理,保障了生产连续性及制丝产品质量,进一步保障了上下游设备生产加工烟丝质量,也保障了产品的实用性。同时,有效的提高了对计量管状态的检测精度。
相应的,本实施例还提供一种基于深度学习的计量管状态的检测***,如图2所示,是该检测***的结构示意图,具体包括:
画面获取模块,用于获取计量管内视频画面;
模型检测模块,用于采用训练好的目标检测模型对视频画面进行检测,得到计量管的疑似检测状态;
状态筛选模块,用于若计量管的疑似检测状态为异常状态,则对计量管的异常状态进行筛选,确定计量管的异常状态是否为真;
关联关系模块,用于若计量管的异常状态为真,则建立计量管运行状态与状态等级的关联关系;
等级确定模块,用于根据关联关系确定计量管当前检测状态的状态等级,并将状态等级进行上报。
进一步的,关联关系模块还包含有关联关系单元,该关联关系单元被配置为计量管堵料或断料状态时长1秒-2秒为轻度异常;计量管堵料或断料状态时长2秒-3秒为中度异常;计量管堵料或断料状态时长大于3秒为重度异常。
相应的,本实施例还提供一种存储介质,存储有计算机程序,所述计算机程序被执行时可实现上述实施例所描述的一种基于深度学习的计量管状态的检测方法。
相应的,本实施例还提供一种计算机设备,包括中央处理器和存储器,所述存储器内存储有计算机程序,当所述计算机程序被中央处理器执行时,可实现上述实施例所描述的一种基于深度学习的计量管状态的检测方法。
以上对本发明实施例所提供的一种基于深度学习的计量管状态的检测方法及***。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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
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。结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (10)
1.一种基于深度学习的计量管状态的检测方法,其特征在于,包括:
获取计量管内视频画面;
采用训练好的目标检测模型对所述视频画面进行检测,得到所述计量管的疑似检测状态;
若所述计量管的疑似检测状态为异常状态,则对所述计量管的异常状态进行筛选,确定所述计量管的异常状态是否为真;
若所述计量管的异常状态为真,则建立计量管运行状态与状态等级的关联关系;
根据所述关联关系确定所述计量管当前检测状态的状态等级,并将所述状态等级进行上报。
2.根据权利要求1所述的一种基于深度学习的计量管状态的检测方法,其特征在于,所述采用训练好的目标检测模型对所述视频画面进行检测,得到所述计量管疑似检测状态之前,包括:
判断是否接收到所述计量管启动的PLC信号;
若接收到所述计量管启动的PLC信号,则采用训练好的目标检测模型对所述视频画面进行检测,否则,不进行检测。
3.根据权利要求1所述的一种基于深度学习的计量管状态的检测方法,其特征在于,所述采用训练好的目标检测模型对所述视频画面进行检测,得到所述计量管疑似检测状态,包括:
采用训练好的目标检测模型对所述视频画面进行检测,并将检测结果划分为第一结果、第二结果、第三结果;
若所述第一结果不为空,第二结果、第三结果为空,则所述计量管的疑似检测状态为异常状态;
若所述第二结果不为空,第一结果、第三结果为空,则所述计量管的疑似检测状态为正常状态;
若所述第三结果不为空,第一结果、第二结果为空,则所述计量管的疑似检测状态为异常状态。
4.根据权利要求3所述的一种基于深度学习的计量管状态的检测方法,其特征在于,所述采用训练好的目标检测模型对所述视频画面进行检测,得到所述计量管疑似检测状态,还包括:
所述第一结果为堵料状态、所述第三结果为断料状态,或,
所述第三结果为堵料状态、所述第一结果为断料状态。
5.根据权利要求4所述的一种基于深度学习的计量管状态的检测方法,其特征在于,对所述计量管的异常状态进行筛选,确定所述计量管的异常状态是否为真的方法,包括:
若所述计量管的疑似检测状态时长达到阈值,且首次检测到异常状态目标帧以及之后12帧中至少有8帧检测目标阈值均大于0.4,则所述计量管的异常状态为真,
否则,所述计量管的异常状态不为真,所述计量管正常运行。
6.根据权利要求5所述的一种基于深度学习的计量管状态的检测方法,其特征在于,所述建立计量管运行状态与状态等级的关联关系,包括:
所述关联关系配置为:计量管堵料或断料状态时长1秒-2秒为轻度异常;计量管堵料或断料状态时长2秒-3秒为中度异常;计量管堵料或断料状态时长大于3秒为重度异常。
7.一种基于深度学习的计量管状态的检测***,其特征在于,包括:
画面获取模块,用于获取计量管内视频画面;
模型检测模块,用于采用训练好的目标检测模型对所述视频画面进行检测,得到所述计量管的疑似检测状态;
状态筛选模块,用于若所述计量管的疑似检测状态为异常状态,则对所述计量管的异常状态进行筛选,确定所述计量管的异常状态是否为真;
关联关系模块,用于若所述计量管的异常状态为真,则建立计量管运行状态与状态等级的关联关系;
等级确定模块,用于根据所述关联关系确定所述计量管当前检测状态的状态等级,并将所述状态等级进行上报。
8.根据权利要求7所述的一种基于深度学习的计量管状态的检测***,其特征在于,所述关联关系模块还包含有关联关系单元,所述关联关系单元被配置为计量管堵料或断料状态时长1秒-2秒为轻度异常;计量管堵料或断料状态时长2秒-3秒为中度异常;计量管堵料或断料状态时长大于3秒为重度异常。
9.一种存储介质,存储有计算机程序,所述计算机程序被执行时可实现权利要求1~6中任意一项所述的一种基于深度学习的计量管状态的检测方法。
10.一种计算机设备,包括中央处理器和存储器,所述存储器内存储有计算机程序,当所述计算机程序被中央处理器执行时,可实现权利要求1~6中任意一项所述的一种基于深度学习的计量管状态的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310777229.5A CN116524415B (zh) | 2023-06-29 | 2023-06-29 | 一种基于深度学习的计量管状态的检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310777229.5A CN116524415B (zh) | 2023-06-29 | 2023-06-29 | 一种基于深度学习的计量管状态的检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116524415A true CN116524415A (zh) | 2023-08-01 |
CN116524415B CN116524415B (zh) | 2023-11-24 |
Family
ID=87397938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310777229.5A Active CN116524415B (zh) | 2023-06-29 | 2023-06-29 | 一种基于深度学习的计量管状态的检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116524415B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033439A (zh) * | 2019-03-19 | 2019-07-19 | 河南中烟工业有限责任公司 | 一种制丝过程中皮带输送机堵料的视觉检测方法 |
CN110222991A (zh) * | 2019-06-10 | 2019-09-10 | 国网江苏省电力有限公司常州供电分公司 | 基于rf-gbdt的计量装置故障诊断方法 |
CN112597814A (zh) * | 2020-12-04 | 2021-04-02 | 南通大学 | 一种基于改进的Openpose课堂多人异常行为及口罩佩戴检测方法 |
EP3859287A1 (de) * | 2020-01-28 | 2021-08-04 | Bühler AG | Intelligente anlagesteuerung und dosiervorrichtung |
CN113771053A (zh) * | 2021-08-29 | 2021-12-10 | 南京宝地梅山产城发展有限公司 | 一种具有智能巡检预警功能的机器人 |
CN216387401U (zh) * | 2021-10-12 | 2022-04-26 | 山东中烟工业有限责任公司 | 一种烟草物料在线状态监测设备 |
CN115049993A (zh) * | 2022-08-17 | 2022-09-13 | 成都考拉悠然科技有限公司 | 一种基于深度学习的车辆异常停止监测方法 |
CN116186633A (zh) * | 2023-03-06 | 2023-05-30 | 国网江苏省电力有限公司营销服务中心 | 一种基于小样本学习的用电异常诊断方法和*** |
WO2023109370A1 (zh) * | 2021-12-15 | 2023-06-22 | 阿里云计算有限公司 | 排水管网的故障检测方法、设备、服务器及存储介质 |
-
2023
- 2023-06-29 CN CN202310777229.5A patent/CN116524415B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033439A (zh) * | 2019-03-19 | 2019-07-19 | 河南中烟工业有限责任公司 | 一种制丝过程中皮带输送机堵料的视觉检测方法 |
CN110222991A (zh) * | 2019-06-10 | 2019-09-10 | 国网江苏省电力有限公司常州供电分公司 | 基于rf-gbdt的计量装置故障诊断方法 |
EP3859287A1 (de) * | 2020-01-28 | 2021-08-04 | Bühler AG | Intelligente anlagesteuerung und dosiervorrichtung |
CN112597814A (zh) * | 2020-12-04 | 2021-04-02 | 南通大学 | 一种基于改进的Openpose课堂多人异常行为及口罩佩戴检测方法 |
CN113771053A (zh) * | 2021-08-29 | 2021-12-10 | 南京宝地梅山产城发展有限公司 | 一种具有智能巡检预警功能的机器人 |
CN216387401U (zh) * | 2021-10-12 | 2022-04-26 | 山东中烟工业有限责任公司 | 一种烟草物料在线状态监测设备 |
WO2023109370A1 (zh) * | 2021-12-15 | 2023-06-22 | 阿里云计算有限公司 | 排水管网的故障检测方法、设备、服务器及存储介质 |
CN115049993A (zh) * | 2022-08-17 | 2022-09-13 | 成都考拉悠然科技有限公司 | 一种基于深度学习的车辆异常停止监测方法 |
CN116186633A (zh) * | 2023-03-06 | 2023-05-30 | 国网江苏省电力有限公司营销服务中心 | 一种基于小样本学习的用电异常诊断方法和*** |
Non-Patent Citations (7)
Title |
---|
SAPONARA S等: "Implementing a real-time, AI-based, people detection and social distancing measuring system for Covid-19", 《JOURNAL OF REAL-TIME IMAGE PROCESSING》, pages 1937 * |
WOELFER B等: "Reproductive outcomes in women with congenital uterine anomalies detected by three-dimensional ultrasound screening", 《OBSTETRICS & GYNECOLOGY》, vol. 98, no. 6, pages 1099 - 1103 * |
付永民等: "物料流量控制***的改进", 《烟草科技》, no. 12, pages 21 - 24 * |
张艺辉等: "烟草制丝运输带智能防堵料控制***设计", 《中国新技术新产品》, no. 22, pages 42 - 44 * |
汪冬冬等: "基于阴影检测的传送带烟丝堵料视觉检测***设计", 《轻工学报》, vol. 35, no. 5, pages 41 - 47 * |
简著名等: "基于视觉识别的制丝线流量检测与均衡方法与实践", 《软件》, vol. 44, no. 1, pages 89 - 93 * |
贾源森等: "基于视频图像检测皮带断/堵料的研究与应用", 《水泥工程》, no. 1, pages 20 - 21 * |
Also Published As
Publication number | Publication date |
---|---|
CN116524415B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109239265B (zh) | 监测设备故障检测方法及装置 | |
US20100082295A1 (en) | Method and System of Wind Turbine Condition Monitoring | |
US11113941B2 (en) | Ambient light sensor in a hazard detector and a method of using the same | |
CN106454330B (zh) | 视频信号的模糊异常检测方法 | |
CN115077627B (zh) | 一种多融合环境数据监管方法及监管*** | |
CN108568455A (zh) | 一种轧机振动监测及振动纹缺陷判别的方法 | |
CN110705834A (zh) | 一种工矿企业危险状态识别方法 | |
CN111385536A (zh) | 基于声光信号识别的车间监控方法及*** | |
CH702986B1 (de) | Verbesserte Überwachung des Verschleisses von Lagern in einem Zweitakt-Grossdieselmotor. | |
CN116524415B (zh) | 一种基于深度学习的计量管状态的检测方法及*** | |
CN107655668B (zh) | 港口机械的故障分析数据的采集方法 | |
CN102455335A (zh) | 自动检测气体浓度异常的方法和检测*** | |
CN111555917A (zh) | 基于云平台的告警信息处理方法及装置 | |
CN111160272A (zh) | 一种图像智能故障判断预警*** | |
CN114440983B (zh) | 一种用于烟花爆竹涉药机械运行状态测量检测设备、方法 | |
FR3009615A1 (fr) | Procede et systeme de captage, discrimination et caracterisation de signaux faibles au moyen de leurs signatures respectives | |
CN1125422C (zh) | 防止火警***假警报的方法以及实现该方法的火警*** | |
CN112196684A (zh) | 一种柴油机油燃油稀释的判定方法及*** | |
JPH0353123A (ja) | プラント診断装置 | |
JP2589835B2 (ja) | 崖崩れ自動監視装置 | |
CN106803322B (zh) | 一种防区划分方法 | |
US11656216B2 (en) | Monitoring process for a grease lubricated rotating system and corresponding system | |
US11746752B2 (en) | Method and system for detecting machine defects | |
CN216425014U (zh) | 一种条烟缺盒检测的控制*** | |
CN116878728B (zh) | 一种压力传感器故障检测分析处理*** |
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 |