Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020113694 - SPINNING MACHINE FAULT MONITORING METHOD AND APPARATUS, AND SERVER

Publication Number WO/2020/113694
Publication Date 11.06.2020
International Application No. PCT/CN2018/122459
International Filing Date 20.12.2018
IPC
G06T 7/00 2017.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
7Image analysis
G06K 9/62 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
CPC
G06K 9/627
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
6267Classification techniques
6268relating to the classification paradigm, e.g. parametric or non-parametric approaches
627based on distances between the pattern to be recognised and training or reference patterns
G06K 9/6276
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
6267Classification techniques
6268relating to the classification paradigm, e.g. parametric or non-parametric approaches
627based on distances between the pattern to be recognised and training or reference patterns
6276based on distances to closest patterns, e.g. nearest neighbour classification
G06T 2207/10016
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
2207Indexing scheme for image analysis or image enhancement
10Image acquisition modality
10016Video; Image sequence
G06T 2207/20081
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
2207Indexing scheme for image analysis or image enhancement
20Special algorithmic details
20081Training; Learning
G06T 2207/20084
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
2207Indexing scheme for image analysis or image enhancement
20Special algorithmic details
20084Artificial neural networks [ANN]
G06T 2207/30124
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
2207Indexing scheme for image analysis or image enhancement
30Subject of image; Context of image processing
30108Industrial image inspection
30124Fabrics; Textile; Paper
Applicants
  • 深圳码隆科技有限公司 SHENZHEN MALONG TECHNOLOGIES CO., LTD. [CN]/[CN]
Inventors
  • 斯科特·马修·罗伯特 SCOTT, Matthew Robert
  • 黄鼎隆 HUANG, Dinglong
  • 董登科 DONG, Dengke
  • 刘政杰 LIU, Zhengjie
  • 夏冰 XIA, Bing
Agents
  • 北京超凡志成知识产权代理事务所(普通合伙) CHOFN INTELLECTUAL PROPERTY
Priority Data
201811472778.704.12.2018CN
Publication Language Chinese (ZH)
Filing Language Chinese (ZH)
Designated States
Title
(EN) SPINNING MACHINE FAULT MONITORING METHOD AND APPARATUS, AND SERVER
(FR) PROCÉDÉ ET APPAREIL DE SURVEILLANCE DE DÉFAILLANCE DE MACHINE À FILER, ET SERVEUR
(ZH) 纺丝机故障监测方法、装置和服务器
Abstract
(EN)
Disclosed are a spinning machine fault monitoring method and apparatus, and a server. The spinning machine fault monitoring method is used for monitoring a spinning machine in an operating state in real time, and comprises: acquiring a real-time image of a spinning window of a spinning machine, and preprocessing the real-time image to obtain a preprocessed image of the spinning window; inputting the preprocessed image into a pre-established convolutional neural network model, and generating a spinning feature map of the spinning window; and inputting the spinning feature map into a pre-established deep learning model, and generating a fault monitoring result for determining whether there is a fault in the spinning machine. According to the spinning machine fault monitoring method, a convolutional neural network and a deep learning model are used to monitor an operating state of a spinning window of a spinning machine in real time, thereby realizing all-day fault monitoring of the spinning machine, improving the efficiency of fault monitoring and reducing monitoring costs.
(FR)
La présente invention concerne un procédé et un appareil de surveillance de défaillance de machine à filer, ainsi qu'un serveur. Le procédé de surveillance de défaillance de machine à filer est utilisé pour surveiller une machine à filer dans un état de fonctionnement en temps réel, et consiste à : acquérir une image en temps réel d'une fenêtre de filature d'une machine à filer, et prétraiter l'image en temps réel pour obtenir une image prétraitée de la fenêtre de filature ; entrer l'image prétraitée dans un modèle de réseau neuronal à convolution préétabli, et générer une carte de caractéristiques de filature de la fenêtre de filature ; et entrer la carte de caractéristiques de filature dans un modèle d'apprentissage profond préétabli, et générer un résultat de surveillance de défaillance pour déterminer s'il existe ou non une défaillance dans la machine à filer. Selon le procédé de surveillance de défaillance de machine à filer, un réseau neuronal à convolution et un modèle d'apprentissage profond sont utilisés pour surveiller un état de fonctionnement d'une fenêtre de filature d'une machine à filer en temps réel, permettant ainsi de réaliser une surveillance de défaillance toute la journée de la machine à filer, d'améliorer l'efficacité de surveillance de défaillance et de réduire les coûts de surveillance.
(ZH)
一种纺丝机故障监测方法、装置和服务器,该纺丝机故障监测方法用于实时监测运行状态下的纺丝机,包括:获取纺丝机的纺丝窗口的实时图像,并对所述实时图像进行预处理,获得所述纺丝窗口的预处理图像;将所述预处理图像输入预先建立的卷积神经网络模型中,生成所述纺丝窗口的纺丝特征图;将所述纺丝特征图输入预先建立的深度学习模型中,生成判断纺丝机是否存在故障的故障监测结果。该纺丝机故障监测方法,利用卷积神经网络及深度学习模型实时监测纺丝机纺丝窗口的运行状态,从而实现全天候监测纺丝机的故障,提高监控故障的效率,降低监控成本。
Also published as
Latest bibliographic data on file with the International Bureau