CN117114420B - 一种基于图像识别的工贸安全事故风险管控系统和方法 - Google Patents
一种基于图像识别的工贸安全事故风险管控系统和方法 Download PDFInfo
- Publication number
- CN117114420B CN117114420B CN202311341812.8A CN202311341812A CN117114420B CN 117114420 B CN117114420 B CN 117114420B CN 202311341812 A CN202311341812 A CN 202311341812A CN 117114420 B CN117114420 B CN 117114420B
- Authority
- CN
- China
- Prior art keywords
- equipment
- risk
- data
- real
- risk point
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004364 calculation method Methods 0.000 claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 22
- 238000007557 optical granulometry Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 13
- 238000013075 data extraction Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008676 import Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于图像识别的工贸安全事故风险管控系统和方法，属于图像数据处理领域，本发明获取设备运行过程中的数据，通过运行数据获取到风险点异常信号，通过相机实时提取拍摄图片，并提取储存模块中储存的历史照片，将实时拍摄图片和历史照片导入照片分析策略中进行疑似风险点的识别，判断是否识别到风险点位置，提取设备各位置的实时风险点数据和历史风险点数据，实时风险点数据和历史风险点数据代入风险点识别策略中进行风险点的识别，风险点的确定位置发送至管理人员确认，通过这种方式在提高了风险识别速度的同时，也提高了风险监测的准确性。
Description
技术领域
本发明属于图像数据处理技术领域，具体的说是一种基于图像识别的工贸安全事故风险管控系统和方法。
背景技术
目前企业的安全隐患排查方法大范围还是生产经营单位定期组织安全生产管理人员、工程技术人员和其他相关人员对本单位的事故隐患进行排查，并对排查出的事故隐患，按照事故隐患的等级进行登记，建立事故隐患信息档案，该隐患排查方式缺乏实时监测性及便捷性，对人力、物力等要求较多，在现有技术中通常通过视频拍摄的方式进行风险点数据的识别获取，但是在进行监测时只能检测到损伤位置，对于无损伤或者损伤点较多的情况无法对风险点的起始源点位置进行监测，现有技术中均存在上述问题；
例如在授权公告号为CN111091554B的中国专利中公开铁路货车故障图像识别方法。该发明的目的是为了解决现有铁路货车摇枕断裂故障检测准确率低及稳定性差的问题。过程为：步骤一、建立样本数据集；步骤二、对摇枕部件的区域进行初定位；步骤三、对初步截取出摇枕部件的区域图像进行自适应的提高对比度，使初步截取出摇枕部件的区域图像亮暗程度相同；步骤四、计算样本数据集权重；步骤五、将真实过车图像输入U-Dense型深度学习网络，基于步骤四得到的样本数据集权重，判别摇枕断裂故障。该发明用于摇枕断裂故障图像识别领域；
同时例如在申请公开号为CN116524200A的中国专利中提供一种基于图像识别的高压断路器故障诊断方法，涉及电气设备在线监测和故障诊断技术领域，包括以下步骤：采集高压断路器操作线圈电流历史数据，并进行预处理，利用映射函数将预处理后的电流历史数据一维时间序列转化为二维张量，绘制像素大小统一的电流图像；将电流图像进行处理后得到电流灰度图像，结合历史数据标签构成高压断路器故障样本，得到高压断路器故障样本库；基于高压断路器故障样本训练预先建立的二维卷积神经网络模型，得到满足精度要求的故障诊断模型；在线监测高压断路器操作线圈电流，通过数据预处理后转化为在线电流灰度图像，将在线电流灰度图像输入训练后的故障诊断模型内，得到故障诊断结果。
以上专利均存在本背景技术提出的问题：在现有技术中通常通过视频拍摄的方式进行风险点数据的识别获取，但是在进行监测时只能检测到损伤位置，对于无损伤或者损伤点较多的情况无法对风险点的起始源点位置进行监测，为了解决这些问题，本申请设计了一种基于图像识别的工贸安全事故风险管控系统和方法。
发明内容
针对现有技术的不足，本发明提出了一种基于图像识别的工贸安全事故风险管控系统和方法，本发明获取设备运行过程中的数据，通过运行数据获取到风险点异常信号，通过相机实时提取拍摄图片，并提取储存模块中储存的历史照片，将实时拍摄图片和历史照片导入照片分析策略中进行疑似风险点的识别，判断是否识别到风险点位置，提取设备各位置的实时风险点数据和历史风险点数据，实时风险点数据和历史风险点数据代入风险点识别策略中进行风险点的识别，风险点的确定位置发送至管理人员确认，通过这种方式在提高了风险识别速度的同时，也提高了风险监测的准确性。
为实现上述目的，本发明提供如下技术方案：
一种基于图像识别的工贸安全事故风险管控方法，其包括以下具体步骤：
S1、获取设备运行过程中的数据，通过运行数据获取到风险点异常信号；
S2、通过相机实时提取拍摄图片，并提取储存模块中储存的历史照片；
S3、将实时拍摄图片和历史照片导入照片分析策略中进行疑似风险点的识别；
S4、判断是否识别到风险点位置，若是则执行S7，若否则执行S5；
S5、提取设备各位置的实时风险点数据和历史风险点数据；
S6、实时风险点数据和历史风险点数据代入风险点识别策略中进行风险点的识别；
S7、风险点的确定位置发送至管理人员确认。
具体的，所述S1包括以下具体步骤：
S11、对设备分割为至少两个工作网格，获取设备运行各个工作网格的数据信息，其中数据信息包括设备运行振动频率、设备运行振动幅度、设备温度、设备电压、设备电流和设备运行速度数据；
S12、并提取对应数据的安全范围，将设备运行振动频率、设备运行振动幅度、设备温度、设备电压、设备电流和设备运行速度数据与其对应的安全范围进行对比；
S13、若对应数据均处于其对应的安全范围内，则不获取风险点异常信号，若对应数据中其中至少一个不处于其对应的安全范围内，则获取风险点异常信号。
具体的，所述S2的具体步骤如下：
S21、获取到风险点异常信号后，摄像设备实时提取风险点异常信号网格和与其相邻网格的拍摄图片；
S22、提取储存的风险点异常信号网格和与其相邻网格的历史拍摄图片。
具体的，所述S3中的照片分析策略的具体步骤如下：
S31、将实时拍摄图片和历史拍摄图片进行像素点的划分，像素点个数为n，对各像素点的像素值进行提取，其中实时拍摄图片的像素点的像素值序列为，其中为实时拍摄图片的第k个像素点的像素值，/>，历史拍摄图片的像素点的像素值序列为/>，其中/>为历史拍摄图片的第k个像素点的像素值；
S32、计算实时拍摄图片和历史拍摄图片对应像素点的像素值的差值，得到像素点差值序列；
S33、设置差值梯度值，对位于同一差值梯度内的像素点轮廓进行划分，对处于最大差值梯度值的像素点轮廓，将此轮廓设为疑似风险点的轮廓；
S34、若疑似风险点为1个，则判断识别的疑似风险点为第一类疑似风险点，若疑似风险点大于1个，则判断识别的疑似风险点为第二类疑似风险点。
具体的，所述S4的具体步骤包括以下内容：
若识别的疑似风险点为第一类疑似风险点，则判断将识别的疑似风险点位置作为确定位置，进行S7步骤；若识别的疑似风险点为第二类疑似风险点，进行S5步骤。
具体的，所述S5的具体内容为：
若疑似风险点未识别，则提取全部工作网格的实时风险点数据和历史风险点数据，其中的风险点数据包括设备运行振动频率、设备运行振动幅度、设备温度、设备电压、设备电流和设备运行速度数据，若疑似风险点的数量大于两个则提取疑似风险点对应网格的实时风险点数据和历史风险点数据；
其中，历史风险点数据的获取方式为：获取设备运行风险点过程中全部工作网格的设备运行振动频率曲线、设备运行振动幅度曲线、设备温度曲线、设备电压曲线、设备电流曲线和设备运行速度数据曲线，将设备运行振动频率曲线、设备运行振动幅度曲线、设备温度曲线、设备电压曲线、设备电流曲线和设备运行速度数据曲线求平均值得到设备运行振动频率均值、设备运行振动幅度均值、设备温度均值、设备电压均值、设备电流均值和设备运行速度数据均值，将设备运行振动频率均值、设备运行振动幅度均值、设备温度均值、设备电压均值、设备电流均值和设备运行速度数据均值作为历史风险点数据。
具体的，所述S6的具体步骤为：
S61、提取经过S5步骤得到的实时风险点数据和历史风险点数据，其中实时风险点数据为实时设备运行振动频率、实时设备运行振动幅度/>、实时设备温度/>、实时设备电压/>、实时设备电流/>和实时设备运行速度数据/>，历史风险点数据为设备运行振动频率均值/>、设备运行振动幅度均值/>、设备温度均值/>、设备电压均值/>、设备电流均值/>和设备运行速度数据均值/>；
S62、将提取的数据导入相差值计算公式中，计算各个参数的相差值，设备运行振动频率相差值计算公式为：，设备运行振动幅度相差值计算公式为：，设备温度相差值计算公式为：/>,设备电压相差值计算公式为：,设备电流相差值计算公式为：/>,设备运行速度相差值计算公式为：/>；
S63、将计算得到的各个相差值导入风险点值计算公式中计算风险点值，风险点值计算公式为：，其中/>为设备运行振动频率占比系数，/>为设备运行振动幅度占比系数，/>为设备温度占比系数，/>为设备电压占比系数，/>为设备电流占比系数，为设备运行速度占比系数，其中/>；
S64、将计算得到的风险点值降序排列，得到风险点值排序表，对超过设定风险点阈值的第二类疑似风险点设为风险点。
具体的，一种基于图像识别的工贸安全事故风险管控系统，其基于上述一种基于图像识别的工贸安全事故风险管控方法实现，其具体包括：其包括控制模块、数据采集模块、照片获取模块、照片分析模块、风险点识别模块和数据提取模块，所述控制模块用于控制数据采集模块、照片获取模块、照片分析模块、风险点识别模块和数据提取模块的运行，所述数据采集模块用于采集获取设备运行过程中的数据，通过运行数据获取到风险点异常信号，所述照片获取模块用于对相机实时提取拍摄图片，并提取储存模块中储存的历史照片，所述照片分析模块用于将实时拍摄图片和历史照片导入照片分析策略中进行疑似风险点的识别，所述风险点识别模块用于实时风险点数据和历史风险点数据代入风险点识别策略中进行风险点的识别，所述数据提取模块用于提取设备各位置的实时风险点数据和历史风险点数据。
具体的，所述数据采集模块包括设备运行频率采集单元、设备运行振幅采集单元、设备温度采集单元、设备电压采集单元、设备电流采集单元和设备运行速度采集单元，所述设备运行频率采集单元用于采集设备运行的频率数据，所述设备运行振幅采集单元用于采集设备运行的振幅数据，所述设备温度采集单元用于采集设备温度数据，所述设备电压采集单元用于采集设备电压数据，所述设备电流采集单元用于采集设备电流数据，所述设备运行速度采集单元用于采集运行过程中的设备速度数据。
具体的，一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种基于图像识别的工贸安全事故风险管控方法。
具体的，一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如上述的一种基于图像识别的工贸安全事故风险管控方法。
与现有技术相比，本发明的有益效果是：
本发明获取设备运行过程中的数据，通过运行数据获取到风险点异常信号，通过相机实时提取拍摄图片，并提取储存模块中储存的历史照片，将实时拍摄图片和历史照片导入照片分析策略中进行疑似风险点的识别，判断是否识别到风险点位置，提取设备各位置的实时风险点数据和历史风险点数据，实时风险点数据和历史风险点数据代入风险点识别策略中进行风险点的识别，风险点的确定位置发送至管理人员确认，通过这种方式在提高了风险识别速度的同时，也提高了风险监测的准确性。
附图说明
图1为本发明一种基于图像识别的工贸安全事故风险管控方法流程示意图；
图2为本发明一种基于图像识别的工贸安全事故风险管控方法S1步具体流程示意图；
图3为本发明一种基于图像识别的工贸安全事故风险管控方法S2步具体流程示意图；
图4为本发明一种基于图像识别的工贸安全事故风险管控系统整体构架示意图；
图5为本发明一种基于图像识别的工贸安全事故风险管控系统数据采集模块构架示意图；
图6为本发明一种基于图像识别的工贸安全事故风险管控方法像素点轮廓划分示意图。
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。
实施例1
请参阅图1-图3，本发明提供的一种实施例：一种基于图像识别的工贸安全事故风险管控方法，其包括以下具体步骤：
S1、获取设备运行过程中的数据，通过运行数据获取到风险点异常信号；
在本实施例中，S1包括以下具体步骤：
S11、对设备分割为至少两个工作网格，获取设备运行各个工作网格的数据信息，其中数据信息包括设备运行振动频率、设备运行振动幅度、设备温度、设备电压、设备电流和设备运行速度数据；
这里的工作网格划分是对其不同功能区域进行网格划分；例如：发动机和油缸区域的功能不同，所以划分为两个网格；
在这里我们设置了设备运行振动频率、设备运行振动幅度、设备温度、设备电压、设备电流和设备运行速度数据作为设备运行的识别参数，因为设备运行的质量好坏主要是通过这些参数表露；
这里获取的设备工作网格的代码具体为：下面是一个示例代码，
# 定义设备网格类
class DeviceGrid:
def __init__(self, grid_id):
self.id = grid_id
self.devices = []
def add_device(self, device):
self.devices.append(device)
def collect_data(self):
for device in self.devices:
device.collect_data()
# 创建设备网格
grid1 = DeviceGrid(1)
grid2 = DeviceGrid(2)
# 创建设备并添加到对应的网格
for i in range(1, 4):
device = Device(i)
grid1.add_device(device)
for i in range(4, 7):
device = Device(i)
grid2.add_device(device)
# 收集数据
grid1.collect_data()
grid2.collect_data()
# 打印数据
for device in grid1.devices:
print(f"设备{device.id}的数据信息：")
print(f"振动频率：{device.vibration_frequency}")
print(f"振动幅度：{device.vibration_amplitude}")
print(f"温度：{device.temperature}")
print(f"电压：{device.voltage}")
print(f"电流：{device.current}")
print(f"运行速度：{device.speed}")
print()
请注意，这只是一个基本的示例，可以根据实际需求进行修改和扩展；
S12、并提取对应数据的安全范围，将设备运行振动频率、设备运行振动幅度、设备温度、设备电压、设备电流和设备运行速度数据与其对应的安全范围进行对比；
这里的对比是将设备运行振动频率、设备运行振动幅度、设备温度、设备电压、设备电流和设备运行速度数据都进行对比，找到其中的异常量；
S13、若对应数据均处于其对应的安全范围内，则不获取风险点异常信号，若对应数据中其中至少一个不处于其对应的安全范围内，则获取风险点异常信号；
这里对风险点异常信号进行提取，才进行风险点位置的查找，节约了时间；
S2、通过相机实时提取拍摄图片，并提取储存模块中储存的历史照片；
在本实施例中，S2的具体步骤如下：
S21、获取到风险点异常信号后，摄像设备实时提取风险点异常信号网格和与其相邻网格的拍摄图片；
这里的网格提取不仅提取风险点异常信号网格的图片，还提取其相邻网格的图像，为了防止因多米诺效应导致的风险点转移引起的风险点识别错误；
S22、提取储存的风险点异常信号网格和与其相邻网格的历史拍摄图片；
S3、将实时拍摄图片和历史照片导入照片分析策略中进行疑似风险点的识别；
在本实施例中，S3中的照片分析策略的具体步骤如下：
S31、将实时拍摄图片和历史拍摄图片进行像素点的划分，像素点个数为n，对各像素点的像素值进行提取，其中实时拍摄图片的像素点的像素值序列为，其中为实时拍摄图片的第k个像素点的像素值，/>，历史拍摄图片的像素点的像素值序列为/>，其中/>为历史拍摄图片的第k个像素点的像素值；
S32、计算实时拍摄图片和历史拍摄图片对应像素点的像素值的差值，得到像素点差值序列；
S33、设置差值梯度值，对位于同一差值梯度内的像素点轮廓进行划分，对处于最大差值梯度值的像素点轮廓，将此轮廓设为疑似风险点的轮廓；
在这里需要说明的是，这里的差值梯度值根据不同设备风险点图像灵活设置；
这里通过代码具体说明：
python
import cv2
import numpy as np
def detect_faults(image):
# 计算像素点的差值梯度
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
grad_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
grad_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
gradient = cv2.addWeighted(cv2.convertScaleAbs(grad_x), 0.5,cv2.convertScaleAbs(grad_y), 0.5, 0)
# 定义梯度阈值和最大差值梯度值
threshold = 100
max_gradient = np.max(gradient)
# 对像素点进行分组
ret, binary = cv2.threshold(gradient, threshold, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
# 遍历轮廓，设定疑似风险点的轮廓
for contour in contours:
# 计算轮廓的差值梯度值
contour_gradient = cv2.contourArea(contour)
if contour_gradient == max_gradient:
# 标记疑似风险点的轮廓
cv2.drawContours(image, [contour], -1, (0, 0, 255), 2)
else:
# 标记其他轮廓
cv2.drawContours(image, [contour], -1, (0, 255, 0), 1)
return image
# 读取图像
image_path = 'input_image.jpg'
image = cv2.imread(image_path)
# 检测风险点
result_image = detect_faults(image)
# 显示结果图像
cv2.imshow("Result", result_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
请注意，这只是一个基本的示例，用于演示如何根据差值梯度将像素点轮廓划分为不同的分组，并将处于最大差值梯度值的像素点轮廓标记为疑似风险点的轮廓，可以根据实际需求对代码进行修改和扩展；
S34、若疑似风险点为1个，则判断识别的疑似风险点为第一类疑似风险点，若疑似风险点大于1个，则判断识别的疑似风险点为第二类疑似风险点；
S4、判断是否识别到风险点位置，若是则执行S7，若否则执行S5；
在本实施例中，若识别的疑似风险点为第一类疑似风险点，则判断将识别的疑似风险点位置作为确定位置，进行S7步骤；若识别的疑似风险点为第二类疑似风险点，进行S5步骤；
S5、提取设备各位置的实时风险点数据和历史风险点数据；
在本实施例中，S5的具体内容为：
若疑似风险点未识别，则提取全部工作网格的实时风险点数据和历史风险点数据，其中的风险点数据包括设备运行振动频率、设备运行振动幅度、设备温度、设备电压、设备电流和设备运行速度数据，若疑似风险点的数量大于两个则提取疑似风险点对应网格的实时风险点数据和历史风险点数据；
其中，历史风险点数据的获取方式为：获取设备运行风险点过程中全部工作网格的设备运行振动频率曲线、设备运行振动幅度曲线、设备温度曲线、设备电压曲线、设备电流曲线和设备运行速度数据曲线，将设备运行振动频率曲线、设备运行振动幅度曲线、设备温度曲线、设备电压曲线、设备电流曲线和设备运行速度数据曲线求平均值得到设备运行振动频率均值、设备运行振动幅度均值、设备温度均值、设备电压均值、设备电流均值和设备运行速度数据均值，将设备运行振动频率均值、设备运行振动幅度均值、设备温度均值、设备电压均值、设备电流均值和设备运行速度数据均值作为历史风险点数据；
S6、实时风险点数据和历史风险点数据代入风险点识别策略中进行风险点的识别；
在本实施例中，S6的具体步骤为：
S61、提取经过S5步骤得到的实时风险点数据和历史风险点数据，其中实时风险点数据为实时设备运行振动频率、实时设备运行振动幅度/>、实时设备温度/>、实时设备电压/>、实时设备电流/>和实时设备运行速度数据/>，历史风险点数据为设备运行振动频率均值/>、设备运行振动幅度均值/>、设备温度均值/>、设备电压均值/>、设备电流均值/>和设备运行速度数据均值/>；
S62、将提取的数据导入相差值计算公式中，计算各个参数的相差值，设备运行振动频率相差值计算公式为：，设备运行振动幅度相差值计算公式为：，设备温度相差值计算公式为：/>,设备电压相差值计算公式为：,设备电流相差值计算公式为：/>,设备运行速度相差值计算公式为：/>；
S63、将计算得到的各个相差值导入风险点值计算公式中计算风险点值，风险点值计算公式为：，其中/>为设备运行振动频率占比系数，/>为设备运行振动幅度占比系数，/>为设备温度占比系数，/>为设备电压占比系数，/>为设备电流占比系数，为设备运行速度占比系数，其中/>；
S64、将计算得到的风险点值降序排列，得到风险点值排序表，对超过设定风险点阈值的第二类疑似风险点设为风险点；
在此需要说明的是，风险点阈值、、/>、/>、/>、/>和/>的取值，通过将提取的500组实时风险点数据和历史风险点数据代入风险点值计算然后进行风险点的准确查找，代入深度学习软件中进行风险点阈值、/>、/>、/>、/>、/>和/>的最优解的计算，我们得到最优解为：风险点阈值为0.0845，/>为0.173，/>为0.164，/>为0.256，/>为0.125，/>为0.120，/>为0.162；
这里通过将提取的500组实时风险点数据和历史风险点数据代入风险点值计算然后进行风险点的准确查找，代入拟合软件中进行最优解的计算的代码具体为：下面是一个示例代码，
import numpy as np
from scipy.optimize import curve_fit
# 代入风险点值计算函数
# 500组实时风险点数据
realtime_data = np.linspace(0, 10, 500) # 模拟实时风险点数据
# 历史风险点数据
historical_data = np.linspace(0, 10, 500) # 模拟历史风险点数据
# 代入风险点值计算并进行拟合求最优解
popt, pcov = curve_fit(calculate_fault_value, realtime_data,historical_data)
# 打印最优解
print("最优解参数：", popt)
S7、风险点的确定位置发送至管理人员确认，获取设备运行过程中的数据，通过运行数据获取到风险点异常信号，通过相机实时提取拍摄图片，并提取储存模块中储存的历史照片，将实时拍摄图片和历史照片导入照片分析策略中进行疑似风险点的识别，判断是否识别到风险点位置，提取设备各位置的实时风险点数据和历史风险点数据，实时风险点数据和历史风险点数据代入风险点识别策略中进行风险点的识别，风险点的确定位置发送至管理人员确认，通过这种方式在提高了风险识别速度的同时，也提高了风险监测的准确性，实时监测下的视频根据图像识别识别出存在的各项安全隐患，识别出的各项安全隐患数据显示在指定的客户端；
我们将该实施例与两个对比实施例代入具体工厂中进行风险识别速度和风险管控准确率的识别，两个对比实施例分别使用现有技术中普通的图像识别风险管控；
表1 实施例与对比实施例优势对比表
在这里我们从表1中能够得到，本申请的实施例在多风险点识别的准确率和识别时间均大大优于现有技术，所以这种方式在提高了风险识别速度的同时，也提高了风险监测的准确性;
通过我们的方案有如下优点，1、定位企业，通过算法模型获取当前企业已知的风险源，采用移动设备对已知风险源进行拍照，实时将图片数据导入图像识别模型并对物体进行识别分析，自动识别出当前物体是否存在隐患风险并进行提示。在不明确或未知风险源的情况话，对物体进行拍照/存储的历史图片数据，系统实时将图片数据提取至我们的图像识别模型，可发现可能存在的新的风险源，并自动识别出该风险源是否存在隐患并进行提示。
2、基于对单物体的风险识别、隐患识别，提升至对多重因素组合的环境检测识别。对采用移动设备或摄像头等设备抓取的视频数据，采用边缘检测方法实时提取分析视频数据并将解析的图片数据导入图像识别模型，自动识别出视频数据中存在的各风险源，同时对各风险源的特征值进行组合计算，识别出该环境下可能存在的风险以及可能发生的事故，并进行预警提示。
3、图像识别模型同时支持危险作业识别，对接企业重点区域重点部位的摄像头数据，获取视频监控数据，将数据实时导入图像识别模型进行解析与计算识别，当人在厂区/车间等危险作业工作过程中出现可能产生事故的行为时，进行前置性识别和前置性合规作业提示，预防事故的发生。
4、通过多算法模型融合，对物体、对环境、对作业进行分析识别，最终目标是为了提高风险检测的准确性，同时对可能发生的事故进行预判，预防事故的发生，提高企业的安全生产，降低安全事故的发生；
这里我们通过将图像识别技术与数据分析模型结合，应用于企业安全生产检查，将线下安全检查流程迁至线上，让安全检查工作变得更加标准化，细节化，同时提升安全检查的专业性以及检查效率；
这里我们通过具体的实施手段来说明本实施方式1.技术选型与开发环境
使用pycharm作为开发工具，基于图像识别技术对企业中存在的风险进行自动识别，使用CNN进行端到端的特征学习提取风险特征，利用深度学习识别技术对不同环境以及状态下的风险点阈值、、/>、/>、/>、/>和/>的取值进行识别，硬件条件为：Windows11，64位操作系统的笔记本电脑一台,使用GPU进行训练；
2.数据收集方案
2.1.确定目标类别
首先明确要识别的企业风险目标类别，确定的风险源和不确定的风险，确保明确需要收集的数据类型和范围。比如不同质量，不同角度以及不同的环境和状态下的数据。
2.2.训练集采集要求
确保训练集中包含多种类型的企业风险和不确定风险，涵盖不同行业，不同规模的企业以及不同环境和状态下的风险情况，这有助于理解和预测各类企业面临的可能风险，在数据采集过程中，要确保不同类型的风险样本是平衡的，即每个类型都有足够数量的样本，有助于模型更好的学习各个类型的风险情况，数据集数量要求，每一个类别的训练集数量应该在300-500左右，因为场景稍有不同，所以对于数据集的量级不太明确，可以先拿一部分数据进行训练，根据测试结果来确定数据集的量。
2.3.标记要求
使用自动化标注工具，标出对应的风险源，一类是确定风险，即已知的、可预测的风险，另一类是不确定性风险，即未知的、不可预测的风险。
3.识别逻辑
模型构建：设计并搭建网络模型，使用CNN来提取网络的特征，并将其余边界框预测结合起来进行风险源检测；
Backbone:主要使用ELAN和MP结构，激活函数使用Silu；
a.ELAN结构： 通过控制最短最长的梯度路径，更深的网络可以有效的学习和收敛，基于ELAN设计的E-ELAN用expand、shuffle、merge cardinality来实现在不破坏原有梯度路径的情况下不断增强网络学习的能力；
b.MP结构 :同时使用了maxpooling和stridde=2的conv；
Neck&head：检测头主要使用了SPPCSPC结构，ELAN结构，MP结构；
Loss function:主要分带辅助训练头和不带辅助训练头两种，分为损失函数和匹配策略两部分讨论，损失函数分为坐标损失，目标置信度损失和分类损失三部分。其中目标置信度损失和分类损失采用BCEWithLogitsLoss(带log的二值交叉熵损失),坐标损失采用CIoU损失；
特征提取：在训练过程中，将图像输入到网络中，通过前向传播得到特征图，这些特征图将用于后续的风险源检测；
候选框生成：根据特征图，采用锚点框机制，生成一系列的候选框，每个锚点款都会预测一个或者多个风险源；
非极大值抑制：为了消除多个重复的候选框，使用NMS算法来选择最准确的目标框；
目标识别和定位：根据分类调整后的结果，确定每个风险源的类别和位置
结果输出: 将检测到的风险源及其类别标签、边界框位置和置信度得分输出为最终的目标检测结果；
本实施例的达成效果
通过实时将图片数据导入图像识别模型并对物体进行分析，自动识别出当前物体是够存在隐患风险并进行提示。在不明确或未知风险源的情况话，对物体进行拍照/存储的历史图片数据，系统实时将图片数据提取至我们的图像识别模型，可发现可能存在的新的风险源，并自动识别出该风险源是否存在隐患并进行提示。
实施例2
如图4-图5所示，一种基于图像识别的工贸安全事故风险管控系统，其基于上述一种基于图像识别的工贸安全事故风险管控方法实现，其具体包括：其包括控制模块、数据采集模块、照片获取模块、照片分析模块、风险点识别模块和数据提取模块，控制模块用于控制数据采集模块、照片获取模块、照片分析模块、风险点识别模块和数据提取模块的运行，数据采集模块用于采集获取设备运行过程中的数据，通过运行数据获取到风险点异常信号，照片获取模块用于对相机实时提取拍摄图片，并提取储存模块中储存的历史照片，照片分析模块用于将实时拍摄图片和历史照片导入照片分析策略中进行疑似风险点的识别，风险点识别模块用于实时风险点数据和历史风险点数据代入风险点识别策略中进行风险点的识别，数据提取模块用于提取设备各位置的实时风险点数据和历史风险点数据；
在本实施例中，数据采集模块包括设备运行频率采集单元、设备运行振幅采集单元、设备温度采集单元、设备电压采集单元、设备电流采集单元和设备运行速度采集单元，设备运行频率采集单元用于采集设备运行的频率数据，设备运行振幅采集单元用于采集设备运行的振幅数据，设备温度采集单元用于采集设备温度数据，设备电压采集单元用于采集设备电压数据，设备电流采集单元用于采集设备电流数据，设备运行速度采集单元用于采集运行过程中的设备速度数据。
实施例3
本实施例提供一种电子设备，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；
处理器通过调用存储器中存储的计算机程序，执行上述的一种基于图像识别的工贸安全事故风险管控方法。
该电子设备可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上的处理器（Central Processing Units，CPU）和一个或一个以上的存储器，其中，该存储器中存储有至少一条计算机程序，该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种基于图像识别的工贸安全事故风险管控方法。该电子设备还能够包括其他用于实现设备功能的部件，例如，该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件，以便进行数据的输入输出。本实施例在此不做赘述。
实施例4
本实施例提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当计算机程序在计算机设备上运行时，使得计算机设备执行上述的一种基于图像识别的工贸安全事故风险管控方法。
例如，计算机可读存储介质能够是只读存储器（Read-Only Memory，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、只读光盘（Compact Disc Read-OnlyMemory，简称：CD-ROM）、磁带、软盘和光数据存储设备等。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
应理解，根据A确定B并不意味着仅仅根据A确定B，还能够根据A和/或其它信息确定B。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或/和无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本发明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、或者计算机软件和电子硬件的结合来实现。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。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可做很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (9)
1.一种基于图像识别的工贸安全事故风险管控方法，其特征在于，其包括以下具体步骤：
S1、获取设备运行过程中的数据，通过运行数据获取到风险点异常信号；
S2、通过相机实时提取拍摄图片，并提取储存模块中储存的历史照片；
S3、将实时拍摄图片和历史照片导入照片分析策略中进行疑似风险点的识别；
S4、判断是否识别到风险点位置，若是则执行S7，若否则执行S5；
S5、提取设备各位置的实时风险点数据和历史风险点数据；
S6、实时风险点数据和历史风险点数据代入风险点识别策略中进行风险点的识别；
S7、风险点的确定位置发送至管理人员确认；所述S1包括以下具体步骤：
S11、对设备分割为至少两个工作网格，获取设备运行各个工作网格的数据信息，其中数据信息包括设备运行振动频率、设备运行振动幅度、设备温度、设备电压、设备电流和设备运行速度数据；
S12、并提取对应数据的安全范围，将设备运行振动频率、设备运行振动幅度、设备温度、设备电压、设备电流和设备运行速度数据与其对应的安全范围进行对比；
S13、若对应数据均处于其对应的安全范围内，则不获取风险点异常信号，若对应数据中其中至少一个不处于其对应的安全范围内，则获取风险点异常信号；所述S2的具体步骤如下：
S21、获取到风险点异常信号后，摄像设备实时提取风险点异常信号网格和与其相邻网格的拍摄图片；
S22、提取储存的风险点异常信号网格和与其相邻网格的历史拍摄图片；所述S3中的照片分析策略的具体步骤如下：
S31、将实时拍摄图片和历史拍摄图片进行像素点的划分，像素点个数为n，对各像素点的像素值进行提取，其中实时拍摄图片的像素点的像素值序列为，其中/>为实时拍摄图片的第k个像素点的像素值，/>，历史拍摄图片的像素点的像素值序列为/>，其中/>为历史拍摄图片的第k个像素点的像素值；
S32、计算实时拍摄图片和历史拍摄图片对应像素点的像素值的差值，得到像素点差值序列；
S33、设置差值梯度值，对位于同一差值梯度内的像素点轮廓进行划分，对处于最大差值梯度值的像素点轮廓，将此轮廓设为疑似风险点的轮廓；
S34、若疑似风险点为1个，则判断识别的疑似风险点为第一类疑似风险点，若疑似风险点大于1个，则判断识别的疑似风险点为第二类疑似风险点。
2.如权利要求1所述的一种基于图像识别的工贸安全事故风险管控方法，其特征在于，所述S4的具体步骤包括以下内容：
若识别的疑似风险点为第一类疑似风险点，则判断将识别的疑似风险点位置作为确定位置，进行S7步骤；若识别的疑似风险点为第二类疑似风险点，进行S5步骤。
3.如权利要求2所述的一种基于图像识别的工贸安全事故风险管控方法，其特征在于，所述S5的具体内容为：
若疑似风险点未识别，则提取全部工作网格的实时风险点数据和历史风险点数据，其中的风险点数据包括设备运行振动频率、设备运行振动幅度、设备温度、设备电压、设备电流和设备运行速度数据，若疑似风险点的数量大于两个，则提取疑似风险点对应网格的实时风险点数据和历史风险点数据；
其中，历史风险点数据的获取方式为：获取设备运行风险点过程中全部工作网格的设备运行振动频率曲线、设备运行振动幅度曲线、设备温度曲线、设备电压曲线、设备电流曲线和设备运行速度数据曲线，将设备运行振动频率曲线、设备运行振动幅度曲线、设备温度曲线、设备电压曲线、设备电流曲线和设备运行速度数据曲线求平均值得到设备运行振动频率均值、设备运行振动幅度均值、设备温度均值、设备电压均值、设备电流均值和设备运行速度数据均值，将设备运行振动频率均值、设备运行振动幅度均值、设备温度均值、设备电压均值、设备电流均值和设备运行速度数据均值作为历史风险点数据。
4.如权利要求3所述的一种基于图像识别的工贸安全事故风险管控方法，其特征在于，所述S6的具体内容为：所述S6的具体步骤为：
S61、提取经过S5步骤得到的实时风险点数据和历史风险点数据，其中实时风险点数据为实时设备运行振动频率、实时设备运行振动幅度/>、实时设备温度/>、实时设备电压、实时设备电流/>和实时设备运行速度数据/>，历史风险点数据为设备运行振动频率均值/>、设备运行振动幅度均值/>、设备温度均值/>、设备电压均值/>、设备电流均值/>和设备运行速度数据均值/>；
S62、将提取的数据导入相差值计算公式中，计算各个参数的相差值，设备运行振动频率相差值计算公式为：，设备运行振动幅度相差值计算公式为：/>，设备温度相差值计算公式为：/>,设备电压相差值计算公式为：/>,设备电流相差值计算公式为：/>,设备运行速度相差值计算公式为：/>；
S63、将计算得到的各个相差值导入风险点值计算公式中计算风险点值，风险点值计算公式为：，其中/>为设备运行振动频率占比系数，/>为设备运行振动幅度占比系数，/>为设备温度占比系数，/>为设备电压占比系数，/>为设备电流占比系数，/>为设备运行速度占比系数，其中/>；
S64、将计算得到的风险点值降序排列，得到风险点值排序表，对超过设定风险点阈值的第二类疑似风险点设为风险点。
5.一种基于图像识别的工贸安全事故风险管控系统，其基于如权利要求1-4中任一项所述的一种基于图像识别的工贸安全事故风险管控方法实现，其特征在于，其具体包括：控制模块、数据采集模块、照片获取模块、照片分析模块、风险点识别模块和数据提取模块，所述控制模块用于控制数据采集模块、照片获取模块、照片分析模块、风险点识别模块和数据提取模块的运行，所述数据采集模块用于采集获取设备运行过程中的数据，通过运行数据获取到风险点异常信号，所述照片获取模块用于对相机实时提取拍摄图片，并提取储存模块中储存的历史照片，所述照片分析模块用于将实时拍摄图片和历史照片导入照片分析策略中进行疑似风险点的识别，所述风险点识别模块用于实时风险点数据和历史风险点数据代入风险点识别策略中进行风险点的识别，所述数据提取模块用于提取设备各位置的实时风险点数据和历史风险点数据。
6.如权利要求5所述的一种基于图像识别的工贸安全事故风险管控系统，其特征在于，所述数据采集模块包括功率采集单元、人员数据采集单元和环境数据采集单元，所述功率采集单元用于采集实时的射频电源脉冲功率，所述人员数据采集单元用于采集人体的体重、身高、年龄数据，所述环境数据采集单元用于采集养生腔内的温度、空气密度、湿度数据。
7.如权利要求6所述的一种基于图像识别的工贸安全事故风险管控系统，其特征在于，所述数据采集模块还包括设备运行频率采集单元、设备运行振幅采集单元、设备温度采集单元、设备电压采集单元、设备电流采集单元和设备运行速度采集单元，所述设备运行频率采集单元用于采集设备运行的频率数据，所述设备运行振幅采集单元用于采集设备运行的振幅数据，所述设备温度采集单元用于采集设备温度数据，所述设备电压采集单元用于采集设备电压数据，所述设备电流采集单元用于采集设备电流数据，所述设备运行速度采集单元用于采集运行过程中的设备速度数据。
8.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1-4中任一项所述的一种基于图像识别的工贸安全事故风险管控方法。
9.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-4中任一项所述的一种基于图像识别的工贸安全事故风险管控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311341812.8A CN117114420B (zh) | 2023-10-17 | 2023-10-17 | 一种基于图像识别的工贸安全事故风险管控系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311341812.8A CN117114420B (zh) | 2023-10-17 | 2023-10-17 | 一种基于图像识别的工贸安全事故风险管控系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117114420A CN117114420A (zh) | 2023-11-24 |
| CN117114420B true CN117114420B (zh) | 2024-01-05 |
Family
ID=88800431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311341812.8A Active CN117114420B (zh) | 2023-10-17 | 2023-10-17 | 一种基于图像识别的工贸安全事故风险管控系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117114420B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117851954B (zh) * | 2024-03-06 | 2024-05-24 | 大连海泰轴承制造有限公司 | 基于数据分析的轴承加工设备运行质量检测系统和方法 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787793A (zh) * | 2015-12-24 | 2016-07-20 | 安徽融信金模信息技术有限公司 | 一种中小企业风险评估系统 |
| CN106952028A (zh) * | 2017-03-13 | 2017-07-14 | 杭州安脉盛智能技术有限公司 | 机电装备故障预诊与健康管理方法及系统 |
| CN107016669A (zh) * | 2017-03-27 | 2017-08-04 | 福州瑞芯微电子股份有限公司 | 一种图像坏点检测方法和装置 |
| CN107808133A (zh) * | 2017-10-23 | 2018-03-16 | 中石化石油工程地球物理有限公司 | 基于无人机巡线的油气管道安全监测方法、系统及软件存储器 |
| CN108593084A (zh) * | 2018-03-30 | 2018-09-28 | 刘文飞 | 一种通信机房设备健康状态的检测分析方法 |
| CN109488888A (zh) * | 2018-11-06 | 2019-03-19 | 沈阳天眼智云信息科技有限公司 | 基于对红外温度场多元分析的金属管道泄漏监测方法 |
| CN109672863A (zh) * | 2018-12-24 | 2019-04-23 | 海安常州大学高新技术研发中心 | 一种基于图像识别的施工人员安全装备智能监测方法 |
| CN109741377A (zh) * | 2018-11-30 | 2019-05-10 | 四川译讯信息科技有限公司 | 一种图像差异检测方法 |
| CN110490608A (zh) * | 2019-07-12 | 2019-11-22 | 招联消费金融有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
| CN111091554A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车摇枕断裂故障图像识别方法 |
| CN112378633A (zh) * | 2020-11-02 | 2021-02-19 | 上海三菱电梯有限公司 | 机械故障诊断方法 |
| CN113449968A (zh) * | 2021-06-09 | 2021-09-28 | 重庆锦禹云能源科技有限公司 | 一种基于深度学习的新能源电网频率风险评估方法及装置 |
| CN114943720A (zh) * | 2022-06-06 | 2022-08-26 | 国网信息通信产业集团有限公司 | 一种电力图像处理方法及装置 |
| CN115035122A (zh) * | 2022-08-12 | 2022-09-09 | 宁波鑫芯微电子科技有限公司 | 基于人工智能的集成电路晶圆表面缺陷检测方法 |
| CN115063430A (zh) * | 2022-08-19 | 2022-09-16 | 南通金茂防爆电气有限公司 | 基于图像处理的电气管道裂纹检测方法 |
| CN115496398A (zh) * | 2022-10-12 | 2022-12-20 | 国网四川省电力公司电力科学研究院 | 一种电力作业安全管控方法及系统 |
| CN116010886A (zh) * | 2022-12-22 | 2023-04-25 | 航安云创科技(北京)有限公司 | 安全监测方法、装置、电子设备和存储介质 |
| CN116415818A (zh) * | 2023-06-12 | 2023-07-11 | 中国民航科学技术研究院 | 基于聚类算法的飞机进近阶段风险点确认方法和系统 |
| CN116524200A (zh) * | 2023-05-05 | 2023-08-01 | 东南大学 | 一种基于图像识别的高压断路器故障诊断方法 |
| CN116612486A (zh) * | 2023-06-06 | 2023-08-18 | 支付宝(杭州)信息技术有限公司 | 基于图像识别和图计算的风险群体识别方法和系统 |
-
2023
- 2023-10-17 CN CN202311341812.8A patent/CN117114420B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787793A (zh) * | 2015-12-24 | 2016-07-20 | 安徽融信金模信息技术有限公司 | 一种中小企业风险评估系统 |
| CN106952028A (zh) * | 2017-03-13 | 2017-07-14 | 杭州安脉盛智能技术有限公司 | 机电装备故障预诊与健康管理方法及系统 |
| CN107016669A (zh) * | 2017-03-27 | 2017-08-04 | 福州瑞芯微电子股份有限公司 | 一种图像坏点检测方法和装置 |
| CN107808133A (zh) * | 2017-10-23 | 2018-03-16 | 中石化石油工程地球物理有限公司 | 基于无人机巡线的油气管道安全监测方法、系统及软件存储器 |
| CN108593084A (zh) * | 2018-03-30 | 2018-09-28 | 刘文飞 | 一种通信机房设备健康状态的检测分析方法 |
| CN109488888A (zh) * | 2018-11-06 | 2019-03-19 | 沈阳天眼智云信息科技有限公司 | 基于对红外温度场多元分析的金属管道泄漏监测方法 |
| CN109741377A (zh) * | 2018-11-30 | 2019-05-10 | 四川译讯信息科技有限公司 | 一种图像差异检测方法 |
| CN109672863A (zh) * | 2018-12-24 | 2019-04-23 | 海安常州大学高新技术研发中心 | 一种基于图像识别的施工人员安全装备智能监测方法 |
| CN110490608A (zh) * | 2019-07-12 | 2019-11-22 | 招联消费金融有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
| CN111091554A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车摇枕断裂故障图像识别方法 |
| CN112378633A (zh) * | 2020-11-02 | 2021-02-19 | 上海三菱电梯有限公司 | 机械故障诊断方法 |
| CN113449968A (zh) * | 2021-06-09 | 2021-09-28 | 重庆锦禹云能源科技有限公司 | 一种基于深度学习的新能源电网频率风险评估方法及装置 |
| CN114943720A (zh) * | 2022-06-06 | 2022-08-26 | 国网信息通信产业集团有限公司 | 一种电力图像处理方法及装置 |
| CN115035122A (zh) * | 2022-08-12 | 2022-09-09 | 宁波鑫芯微电子科技有限公司 | 基于人工智能的集成电路晶圆表面缺陷检测方法 |
| CN115063430A (zh) * | 2022-08-19 | 2022-09-16 | 南通金茂防爆电气有限公司 | 基于图像处理的电气管道裂纹检测方法 |
| CN115496398A (zh) * | 2022-10-12 | 2022-12-20 | 国网四川省电力公司电力科学研究院 | 一种电力作业安全管控方法及系统 |
| CN116010886A (zh) * | 2022-12-22 | 2023-04-25 | 航安云创科技(北京)有限公司 | 安全监测方法、装置、电子设备和存储介质 |
| CN116524200A (zh) * | 2023-05-05 | 2023-08-01 | 东南大学 | 一种基于图像识别的高压断路器故障诊断方法 |
| CN116612486A (zh) * | 2023-06-06 | 2023-08-18 | 支付宝(杭州)信息技术有限公司 | 基于图像识别和图计算的风险群体识别方法和系统 |
| CN116415818A (zh) * | 2023-06-12 | 2023-07-11 | 中国民航科学技术研究院 | 基于聚类算法的飞机进近阶段风险点确认方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进机器视觉的施工作业行为风险监测;吴承彬;土木工程与管理学报;第40卷(第03期);82-87 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117114420A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240087104A1 (en) | Method for monitoring manufacture of assembly units | |
| CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
| WO2017084186A1 (zh) | 挠性电路板制造过程自动监测和智能分析系统及方法 | |
| CN111080775A (zh) | 一种基于人工智能的服务器巡检方法及系统 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
| CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
| CN110533654A (zh) | 零部件的异常检测方法及装置 | |
| CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
| CN113962274A (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
| CN112687022A (zh) | 一种基于视频的智能楼宇巡检方法及系统 | |
| CN116986246A (zh) | 一种用于对输煤皮带进行智能巡检系统及巡检方法 | |
| CN113469137A (zh) | 异常行为的识别方法、装置、存储介质及电子装置 | |
| CN117368651A (zh) | 一种配电网故障综合分析系统及方法 | |
| CN113450827A (zh) | 基于压缩神经网络的设备异常工况声纹分析算法 | |
| CN113065447A (zh) | 一种图像集中自动识别商品的方法和设备 | |
| US11954955B2 (en) | Method and system for collecting and monitoring vehicle status information | |
| CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
| CN114233581A (zh) | 一种风机机舱智能巡视报警系统 | |
| CN116579609B (zh) | 一种基于巡检过程中的违规操作分析方法 | |
| CN113591251B (zh) | 设备故障温度分析诊断方法 | |
| CN115082865B (zh) | 基于视觉图像识别的桥机入侵危险行为预警方法及系统 | |
| CN117765375A (zh) | 一种电网巡检数据管理方法及相关装置 | |
| CN115292566A (zh) | 一种巡检故障处理方法、装置、计算机和介质 | |
| CN116311080A (zh) | 监控影像检测方法及装置 |
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 |