本发明属于设备全生命周期,涉及矿山环境下大型设备全生命周期追溯识别,特别涉及一种矿山复杂环境下的大型设备全生命周期追溯识别方法。
背景技术:
1、设备全生命周期追溯识别一直是设备全生命周期管理中所面领的难点问题,特别是在矿山及矿山集群环境下,由于现场环境复杂、覆盖范围广、灯光照明不够且各种设备由于长时间摆放在高煤尘的环境中,且由于不同人员对不同设备的命名不同,造成设备识别混乱,在管理中,无法快速的对设备的具体型号进行识别,并与设备的全生命周期管理资料相结合,对设备的维护和保养造成一定的困难。因此,如何快速准确的识别设备并与全生命周期管理信息相关联,成为亟待解决的问题。
2、此外,在进行设备全生命周期管理时,如何快速的对设备进行准确的识别并与系统中的设备相关联,特别是在矿山环境下,由于环境复杂、覆盖范围广、灯光照明不够且各种设备由于长时间摆放在高煤尘的环境中,且在矿山中,设备随着生产工作面的推进,不停的在移动,很难固定在一个位置,因此,如何快速准确的识别设备并与全生命周期管理信息相关联,成为制约设备全生命周期管理的主要因素,迫切需要解决。
技术实现思路
1、针对上述现有技术存在的缺陷或不足,本发明的目的在于,提供一种矿山复杂环境下的大型设备全生命周期追溯识别方法。
2、为了实现上述任务,本发明采取如下的技术解决方案:
3、一种矿山复杂环境下的大型设备全生命周期追溯识别方法,其特征在于,包括下列步骤:
4、步骤1:设备图片信息采集
5、分别对设备在实验室或者工厂中的照片和设备安装现场的照片进行拍摄,从多个角度进行照片采集,建立全方位的设备信息;其中,实验室或工厂采集的图片作为设备单体信息存储;在安装现场采集的照片用于设备群组之间的识别;
6、步骤2:图像数据库建库
7、对应第一步采集的设备图片,建立设备与采集图片的对应关系,再后续识别中,通过计算图片相似性,确定现场采集设备与原有设备之间的对应关系;后续的相似性计算过程,均以建立的图像数据库作为基础;
8、步骤3:图像分割
9、在建立的图像数据库中,对每一幅真彩色图像,先进行规则的图像分割,将图像分割成不重叠n*n的小块,然后分别提取每一块的颜色特征、纹理特征,然后进行归一化处理,消除由于不在同一个数量级上所造成的描述错误;
10、然后使用k均值聚类算法进行聚类,以聚类中心的数值,来描述图像中的区域特征,产生图像特征库;
11、步骤4:特征提取
12、通过提取颜色特征、纹理特征、形状特征,并通过归一化算法进行归一化计算,消除由于不在同一个数量级上所造成的描述错误,并通过调整权重,对颜色、纹理、形状特征进行重要性调整,形成最终的图像特征向量;
13、步骤5:建立特征数据库
14、按照图像分割和特征提取流程,对于原始采集的图片和安装现场采集的图片进行处理,并将处理后的数据,建立相应的原始图像特征数据库和安装图像特征数据库,并保证原始图像特征数据库、安装图像特征数据库和采集的图片和安装现场采集的图片的数据能够一一对应;
15、步骤6:相似性度量
16、考虑到实验室采集设备的信息和实际矿山生产环境下差异较大,为满足高准确度设备识别,通过建立设备安装现场采集图片和使用过程中采集设备信息之间的映射关系,将实验室图像特征、安装现场图像特征和使用过程图像特征进行设备信息识别并输出最终相似性结果;
17、在实际使用时,用户通过手持设备,现场拍照,并将照片上传到系统后台,系统后台接收到上传图片后,通过上述的图像分割、特征提取步骤,生成特征向量,并与安装图像特征数据库中的特征进行相似性度量,相似性度量的算法包括常规的欧氏距离、马氏距离、闵氏距离等算法,或者通过irm算法、sift算法、贝叶斯网络等相似性度量算法进行计算,并将计算排名靠前的前n位反馈给用户;
18、步骤7:结果关联与绑定
19、选用相似性最高的1副图像所对应的设备作为最终的结果,若相似性高度99%,则认为是同一个设备;若top1相似度小于99%,则返回top5的设备,由用户手工选择,确保结果关联的准确性。
20、本发明的矿山复杂环境下的大型设备全生命周期追溯识别方法,实现了基于机器视觉的设备全生命周期追溯目标识别。
1.一种矿山复杂环境下的大型设备全生命周期追溯识别方法,其特征在于,包括下列步骤: