CN105608822B - 铁路周界入侵振动光纤报警方法及装置 - Google Patents

铁路周界入侵振动光纤报警方法及装置 Download PDF

Info

Publication number
CN105608822B
CN105608822B CN201510994205.0A CN201510994205A CN105608822B CN 105608822 B CN105608822 B CN 105608822B CN 201510994205 A CN201510994205 A CN 201510994205A CN 105608822 B CN105608822 B CN 105608822B
Authority
CN
China
Prior art keywords
alarm
sample
data
alarm information
optical fiber
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
Application number
CN201510994205.0A
Other languages
English (en)
Other versions
CN105608822A (zh
Inventor
孙鹏
李樊
崔中伟
徐学民
王治
曹伟涛
李金波
梁旭
戴江威
夏经武
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.)
China Academy of Railway Sciences Corp Ltd CARS
Institute of Computing Technologies of CARS
Beijing Jingwei Information Technology Co Ltd
Original Assignee
China Academy of Railway Sciences Corp Ltd CARS
Institute of Computing Technologies of CARS
Beijing Jingwei Information Technology Co 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 China Academy of Railway Sciences Corp Ltd CARS, Institute of Computing Technologies of CARS, Beijing Jingwei Information Technology Co Ltd filed Critical China Academy of Railway Sciences Corp Ltd CARS
Priority to CN201510994205.0A priority Critical patent/CN105608822B/zh
Publication of CN105608822A publication Critical patent/CN105608822A/zh
Application granted granted Critical
Publication of CN105608822B publication Critical patent/CN105608822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08BSIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00Burglar, theft or intruder alarms
    • G08B13/18Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/181Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems
    • G08B13/183Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems by interruption of a radiation beam or barrier
    • G08B13/186Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems by interruption of a radiation beam or barrier using light guides, e.g. optical fibres

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Alarm Systems (AREA)
  • Burglar Alarm Systems (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明涉及一种铁路周界入侵振动光纤报警方法及装置,该方法包括:监控中心的数据处理器获取前端探测设备采集的探测样本数据;根据所述探测样本数据和预设报警阈值进行报警状态判断,以根据所述报警状态的判断结果获取第一报警信息样本;根据所述第一报警信息样本和所述最终报警信息样本确定报警数据训练样本;利用所述报警数据训练样本通过预设机器学习方法训练报警分类器;以利用所述报警分类器获取所述当前铁路周界的最终报警信息。本发明可靠性高,在报警判断过程中综合考虑了风速、雨量、雪深等天气因素,过滤由于极端天气因素产生的监测数据,可有效降低人员工作强度,提高工作效率,并可有效降低错误报警的概率。

Description

铁路周界入侵振动光纤报警方法及装置
技术领域
本发明涉及铁路周界防护安全技术领域,尤其涉及一种铁路周界入侵振动光纤报警方法及装置。
背景技术
铁路周界是指需要进行实体防护或电子防护的铁路(含车站等重要场所)封闭区域边界。铁路周界入侵报警系统是利用传感器技术和电子信息技术,对非法侵入铁路周界的行为进行监测(阻拦),并产生报警信息的系统,可对铁路周界的安全防护发挥重要作用。
目前,国内现有的铁路周界入侵报警系统主要由现场设备、监控中心和路局监测平台三级架构组成。其中,现场设备又包括前端探测设备、前端处理设备和前端声光报警设备,而振动光纤探测设备作为前端探测设备的重要组成部分之一,是一种通过监测入侵行为引起的感应光纤振动来发出入侵报警信号的设备。现有的振动光纤探测设备主要由感应光纤、感应光纤接入模块、光电转换单元等构成,其通过振动光纤技术探测并指示非法进入或试图非法进入设防区域的行为。
现有的铁路周界入侵报警方案易受很多客观条件,例如防区恶劣的气候,风速、雨量、雪深等天气因素以及小动物侵扰等的影响,导致误报警的概率升高。因此,现有周界入侵报警系统的监控中心工作人员在收到报警信息后,还需要通过视频监控系统复核报警信息真实性,对错误报警进行解除,对正确报警依据警情严重程度组织警力实施现场干预。这就使得系统的防范效果较大程度地依赖于工作人员的执行能力,导致系统的可靠性低、人员工作强度大、工作效率低等问题。
发明内容
为解决上述技术问题,本发明一方面提出了一种铁路周界入侵振动光纤报警方法,该方法包括:
监控中心的数据处理器获取前端探测设备采集的探测样本数据,所述前端探测设备位于所述铁路周界的预设范围内;
所述数据处理器根据所述探测样本数据和预设报警阈值进行报警状态判断,以根据所述报警状态的判断结果获取第一报警信息样本;
所述数据处理器根据所述第一报警信息样本以及该第一报警信息样本的核实情况确定最终报警信息样本,以根据所述第一报警信息样本和所述最终报警信息样本确定报警数据训练样本;
所述数据处理器利用所述报警数据训练样本通过预设机器学习方法训练报警分类器;
所述数据处理器获取所述前端探测设备采集的当前铁路周界的探测数据,并根据所述探测数据和所述预设报警阈值进行报警状态判断,以根据所述报警状态的判断结果获取第一报警信息;
所述数据处理器利用所述报警分类器对所述第一报警信息进行分类,以获取所述当前铁路周界的最终报警信息。
优选地,所述监控中心的数据处理器获取前端探测设备采集的探测样本数据,包括:
所述监控中心的数据处理器获取振动光纤探测设备采集的光纤探测样本数据和天气环境传感器采集的天气环境样本数据,所述天气环境传感器位于所述铁路周界的预设范围内。
优选地,所述监控中心的数据处理器获取振动光纤探测设备采集的光纤探测样本数据和天气环境传感器采集的天气环境样本数据,包括:
所述监控中心的数据处理器获取风速传感器采集的风速数据、降雨量传感器采集的降雨量数据以及雪深传感器采集的雪深数据中的至少一种以及所述振动光纤探测设备采集的光纤探测样本数据。
优选地,所述数据处理器根据所述第一报警信息样本以及该第一报警信息样本的核实情况确定最终报警信息样本,包括:
所述数据处理器获取所述视频监控系统的、与所述第一报警信息样本对应的视频监控信息,并根据所述视频监控信息核实所述第一报警信息样本的真实性,以确定所述最终报警信息样本,所述视频监控系统位于所述铁路周界的预设位置。
优选地,所述数据处理器利用所述报警数据训练样本通过预设机器学习方法训练报警分类器,包括:
所述数据处理器利用所述报警数据训练样本通过支持向量机SVM机器学习方法训练所述报警分类器。
另一方面,本发明还提供了一种铁路周界入侵振动光纤报警装置,该装置包括:
探测样本数据获取单元,用于获取前端探测设备采集的探测样本数据,所述前端探测设备位于所述铁路周界的预设范围内;
第一报警信息样本获取单元,用于根据所述探测样本数据和预设报警阈值进行报警状态判断,以根据所述报警状态的判断结果获取第一报警信息样本;
报警数据训练样本确定单元,用于根据所述第一报警信息样本以及该第一报警信息样本的核实情况确定最终报警信息样本,以根据所述第一报警信息样本和所述最终报警信息样本确定报警数据训练样本;
报警分类器训练单元,用于利用所述报警数据训练样本通过预设机器学习方法训练报警分类器;
第一报警信息获取单元,用于获取所述前端探测设备采集的当前铁路周界的探测数据,并根据所述探测数据和所述预设报警阈值进行报警状态判断,以根据所述报警状态的判断结果获取第一报警信息;
最终报警信息获取单元,用于利用所述报警分类器对所述第一报警信息进行分类,以获取所述当前铁路周界的最终报警信息。
优选地,所述前端探测设备包括振动光纤探测设备和天气环境传感器;
相应地,所述探测样本数据获取单元,进一步用于获取所述振动光纤探测设备采集的光纤探测样本数据和所述天气环境传感器采集的天气环境样本数据,所述天气环境传感器位于所述铁路周界的预设范围内。
优选地,所述天气环境传感器包括风速传感器、降雨量传感器以及雪深传感器中的至少一种;
相应地,所述探测样本数据获取单元,进一步用于获取所述风速传感器采集的风速数据、所述降雨量传感器采集的降雨量数据以及所述雪深传感器采集的雪深数据中的至少一种以及所述振动光纤探测设备采集的光纤探测样本数据。
优选地,所述报警数据训练样本确定单元,进一步用于获取所述视频监控系统的、与所述第一报警信息样本对应的视频监控信息,并根据所述视频监控信息核实所述第一报警信息样本的真实性,以确定所述最终报警信息样本,所述视频监控系统位于所述铁路周界的预设位置。
优选地,所述报警分类器训练单元,进一步用于利用所述报警数据训练样本通过支持向量机SVM机器学习方法训练所述报警分类器。
本发明可靠性高,可有效降低人员工作强度,提高工作效率,并可有效降低错误报警的概率,通过在报警判断过程中综合考虑风速、雨量、雪深等天气因素,对振动光纤模式匹配原始报警结果进行校正,过滤由于极端天气因素产生的监测数据,提高了人为入侵报警准确率。此外,本发明通过机器学习算法训练报警分类器,可以有效识别小动物碰撞以及极端天气、气候等非入侵状况,进一步提高了报警准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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。
图1示出了本发明一个实施例的铁路周界入侵振动光纤报警方法的流程图;
图2示出了本发明另一个实施例的铁路周界入侵振动光纤报警方法的流程图;
图3示出了本发明一个实施例的铁路周界入侵振动光纤报警装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然,所描述的实施例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,本领域普通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。
图1示出了本发明一个实施例的铁路周界入侵振动光纤报警方法的流程图;如图1所示,本方法包括:
S1:监控中心的数据处理器获取前端探测设备采集的探测样本数据,所述前端探测设备位于所述铁路周界的预设范围内;
S2:所述数据处理器根据所述探测样本数据和预设报警阈值进行报警状态判断,以根据所述报警状态的判断结果获取第一报警信息样本;
S3:所述数据处理器根据所述第一报警信息样本以及该第一报警信息样本的核实情况确定最终报警信息样本,以根据所述第一报警信息样本和所述最终报警信息样本确定报警数据训练样本;
S4:所述数据处理器利用所述报警数据训练样本通过预设机器学习方法训练报警分类器;
S5:所述数据处理器获取所述前端探测设备采集的当前铁路周界的探测数据,并根据所述探测数据和所述预设报警阈值进行报警状态判断,以根据所述报警状态的判断结果获取第一报警信息;
S6:所述数据处理器利用所述报警分类器对所述第一报警信息进行分类,以获取所述当前铁路周界的最终报警信息。
本实施例的方法可靠性高,可有效降低人员工作强度,提高工作效率,并可有效降低错误报警的概率。
图2示出了本发明另一个实施例的铁路周界入侵振动光纤报警方法的流程图;如图2所示,上述实施例的步骤S1优选地包括:
A1:所述监控中心的数据处理器获取振动光纤探测设备采集的光纤探测样本数据和天气环境传感器采集的天气环境样本数据,所述天气环境传感器位于所述铁路周界的预设范围内。
进一步地,步骤A1还可包括:
A11:所述监控中心的数据处理器获取风速传感器采集的风速数据、降雨量传感器采集的降雨量数据以及雪深传感器采集的雪深数据中的至少一种以及所述振动光纤探测设备采集的光纤探测样本数据。
作为本实施例的优选,步骤S3可包括:
A3:所述数据处理器获取所述视频监控系统的、与所述第一报警信息样本对应的视频监控信息,并根据所述视频监控信息核实所述第一报警信息样本的真实性,以确定所述最终报警信息样本,所述视频监控系统位于所述铁路周界的预设位置;
以根据所述第一报警信息样本和所述最终报警信息样本确定报警数据训练样本。
可选地,上述实施例的步骤S4包括:
A4:所述数据处理器利用所述报警数据训练样本通过支持向量机SVM机器学习方法训练所述报警分类器。
本实施例的方法可靠性高,可有效降低人员工作强度,提高工作效率,并可有效降低错误报警的概率。通过在报警判断过程中综合考虑风速、雨量、雪深等天气因素,对振动光纤模式匹配原始报警结果进行校正,过滤由于极端天气因素产生的监测数据,提高了人为入侵报警准确率。此外,本发明通过机器学习算法训练报警分类器,可以有效识别小动物碰撞以及极端天气、气候等非入侵状况,进一步提高了报警准确率。
图3示出了本发明一个实施例的铁路周界入侵振动光纤报警装置的结构框图。如图3所示,该装置包括:
探测样本数据获取单元10,用于获取前端探测设备采集的探测样本数据,所述前端探测设备位于所述铁路周界的预设范围内;
第一报警信息样本获取单元11,用于根据所述探测样本数据和预设报警阈值进行报警状态判断,以根据所述报警状态的判断结果获取第一报警信息样本;
报警数据训练样本确定单元12,用于根据所述第一报警信息样本以及该第一报警信息样本的核实情况确定最终报警信息样本,以根据所述第一报警信息样本和所述最终报警信息样本确定报警数据训练样本;
报警分类器训练单元13,用于利用所述报警数据训练样本通过预设机器学习方法训练报警分类器;
第一报警信息获取单元14,用于获取所述前端探测设备采集的当前铁路周界的探测数据,并根据所述探测数据和所述预设报警阈值进行报警状态判断,以根据所述报警状态的判断结果获取第一报警信息;
最终报警信息获取单元15,用于利用所述报警分类器对所述第一报警信息进行分类,以获取所述当前铁路周界的最终报警信息。
本实施例所述的装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
作为本实施例的优选,上述前端探测设备可包括振动光纤探测设备和天气环境传感器;
相应地,探测样本数据获取单元10,进一步用于获取所述振动光纤探测设备采集的光纤探测样本数据和所述天气环境传感器采集的天气环境样本数据,所述天气环境传感器位于所述铁路周界的预设范围内。
进一步地,上述天气环境传感器优选地包括风速传感器、降雨量传感器以及雪深传感器中的至少一种;
在此基础上,探测样本数据获取单元10,进一步用于获取所述风速传感器采集的风速数据、所述降雨量传感器采集的降雨量数据以及所述雪深传感器采集的雪深数据中的至少一种以及所述振动光纤探测设备采集的光纤探测样本数据。
作为本实施例的优选,报警数据训练样本确定单元12,进一步用于获取所述视频监控系统的、与所述第一报警信息样本对应的视频监控信息,并根据所述视频监控信息核实所述第一报警信息样本的真实性,以确定所述最终报警信息样本,所述视频监控系统位于所述铁路周界的预设位置。
可选地,报警分类器训练单元13,进一步用于利用所述报警数据训练样本通过支持向量机SVM机器学习方法训练所述报警分类器。
本实施例所述的装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
本发明适用于铁路周界防护安全技术领域,尤其涉及高速铁路周界防护安全技术领域,可对非法侵入高速铁路周界的行为进行监测阻拦并产生报警信息,进而实现对高速铁路周界的安全防护。与现有的铁路周界入侵报警技术方案相比,本发明具有如下优点:
1、在报警判断过程中综合考虑了风速、雨量、雪深等天气因素,对振动光纤模式匹配原始报警结果进行校正,过滤由于极端天气因素产生的监测数据,提高人为入侵报警准确率。
2、利用预设报警处理结果作为样本,结合相应的原始监测数据和报警信息,对报警判断算法阈值进行动态优化调整,形成机器自动学习机制。通过自动的样本训练,经过一段时间的历史数据积累,能够有效识别小动物碰撞以及极端天气、气候等非入侵状况,进一步提高了报警准确率。
以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (2)

1.一种铁路周界入侵振动光纤报警方法,其特征在于,包括:
监控中心的数据处理器获取前端探测设备采集的探测样本数据,所述前端探测设备位于所述铁路周界的预设范围内;
所述数据处理器根据所述探测样本数据和预设报警阈值进行报警状态判断,以根据所述报警状态的判断结果获取第一报警信息样本;
所述数据处理器根据所述第一报警信息样本以及该第一报警信息样本的核实情况确定最终报警信息样本,以根据所述第一报警信息样本和所述最终报警信息样本确定报警数据训练样本;
所述数据处理器利用所述报警数据训练样本通过预设机器学习方法训练报警分类器;
所述数据处理器获取所述前端探测设备采集的当前铁路周界的探测数据,并根据所述探测数据和所述预设报警阈值进行报警状态判断,以根据所述报警状态的判断结果获取第一报警信息;
所述数据处理器利用所述报警分类器对所述第一报警信息进行分类,以获取所述当前铁路周界的最终报警信息;
所述监控中心的数据处理器获取前端探测设备采集的探测样本数据,包括:
所述监控中心的数据处理器获取振动光纤探测设备采集的光纤探测样本数据和天气环境传感器采集的天气环境样本数据,所述天气环境传感器位于所述铁路周界的预设范围内;
所述监控中心的数据处理器获取振动光纤探测设备采集的光纤探测样本数据和天气环境传感器采集的天气环境样本数据,包括:
所述监控中心的数据处理器获取风速传感器采集的风速数据、降雨量传感器采集的降雨量数据以及雪深传感器采集的雪深数据中的至少一种以及所述振动光纤探测设备采集的光纤探测样本数据;
所述数据处理器根据所述第一报警信息样本以及该第一报警信息样本的核实情况确定最终报警信息样本,包括:
所述数据处理器获取视频监控系统的、与所述第一报警信息样本对应的视频监控信息,并根据所述视频监控信息核实所述第一报警信息样本的真实性,以确定所述最终报警信息样本,所述视频监控系统位于所述铁路周界的预设位置;
所述数据处理器利用所述报警数据训练样本通过预设机器学习方法训练报警分类器,包括:
所述数据处理器利用所述报警数据训练样本通过支持向量机SVM机器学习方法训练所述报警分类器。
2.一种铁路周界入侵振动光纤报警装置,其特征在于,包括:
探测样本数据获取单元,用于获取前端探测设备采集的探测样本数据,所述前端探测设备位于所述铁路周界的预设范围内;
第一报警信息样本获取单元,用于根据所述探测样本数据和预设报警阈值进行报警状态判断,以根据所述报警状态的判断结果获取第一报警信息样本;
报警数据训练样本确定单元,用于根据所述第一报警信息样本以及该第一报警信息样本的核实情况确定最终报警信息样本,以根据所述第一报警信息样本和所述最终报警信息样本确定报警数据训练样本;
报警分类器训练单元,用于利用所述报警数据训练样本通过预设机器学习方法训练报警分类器;
第一报警信息获取单元,用于获取所述前端探测设备采集的当前铁路周界的探测数据,并根据所述探测数据和所述预设报警阈值进行报警状态判断,以根据所述报警状态的判断结果获取第一报警信息;
最终报警信息获取单元,用于利用所述报警分类器对所述第一报警信息进行分类,以获取所述当前铁路周界的最终报警信息;
所述前端探测设备包括振动光纤探测设备和天气环境传感器;
相应地,所述探测样本数据获取单元,进一步用于获取所述振动光纤探测设备采集的光纤探测样本数据和所述天气环境传感器采集的天气环境样本数据,所述天气环境传感器位于所述铁路周界的预设范围内;
所述天气环境传感器包括风速传感器、降雨量传感器以及雪深传感器中的至少一种;
相应地,所述探测样本数据获取单元,进一步用于获取所述风速传感器采集的风速数据、所述降雨量传感器采集的降雨量数据以及所述雪深传感器采集的雪深数据中的至少一种以及所述振动光纤探测设备采集的光纤探测样本数据;
所述报警数据训练样本确定单元,进一步用于获取视频监控系统的、与所述第一报警信息样本对应的视频监控信息,并根据所述视频监控信息核实所述第一报警信息样本的真实性,以确定所述最终报警信息样本,所述视频监控系统位于所述铁路周界的预设位置;
所述报警分类器训练单元,进一步用于利用所述报警数据训练样本通过支持向量机SVM机器学习方法训练所述报警分类器。
CN201510994205.0A 2015-12-25 2015-12-25 铁路周界入侵振动光纤报警方法及装置 Active CN105608822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510994205.0A CN105608822B (zh) 2015-12-25 2015-12-25 铁路周界入侵振动光纤报警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510994205.0A CN105608822B (zh) 2015-12-25 2015-12-25 铁路周界入侵振动光纤报警方法及装置

Publications (2)

Publication Number Publication Date
CN105608822A CN105608822A (zh) 2016-05-25
CN105608822B true CN105608822B (zh) 2021-09-14

Family

ID=55988729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510994205.0A Active CN105608822B (zh) 2015-12-25 2015-12-25 铁路周界入侵振动光纤报警方法及装置

Country Status (1)

Country Link
CN (1) CN105608822B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106323442B (zh) * 2016-08-18 2018-11-13 南京发艾博光电科技有限公司 一种基于分布式光纤振动传感系统的铁路健康监测方法
CN107277443B (zh) * 2017-06-23 2019-12-10 深圳市盛路物联通讯技术有限公司 一种大范围周边安全监控方法和系统
CN107204106B (zh) * 2017-07-11 2020-02-21 河北金锁安防工程股份有限公司 一种安防系统中滤除虚假警情的报警方法及系统
CN107672625B (zh) * 2017-10-10 2019-12-10 深圳市信海通科技有限公司 高速铁路周界入侵报警系统
WO2020095383A1 (ja) * 2018-11-07 2020-05-14 日本電気株式会社 監視システム、監視装置、監視方法、及びコンピュータ可読媒体
CN110136378A (zh) * 2019-05-09 2019-08-16 上海卓希智能科技有限公司 一种机场周界入侵报警系统及入侵报警方法
CN114973765A (zh) * 2022-04-29 2022-08-30 中科蓝卓(北京)信息科技有限公司 一种环境自适应式碰撞报警系统
CN115294708B (zh) * 2022-08-01 2024-01-30 深圳市依电科技有限公司 一种机场围界安防系统
CN116504006B (zh) * 2023-06-21 2023-09-19 吉林省日月智感互联科技有限公司 一种带有环境参数补偿功能的微震动无人值守报警系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101556724B (zh) * 2008-04-09 2011-06-01 中国科学院半导体研究所 光纤周界安全管理系统及其模式识别方法
CN202205305U (zh) * 2011-09-05 2012-04-25 上海华魏光纤传感技术有限公司 一种基于振动和视频监控的防区型安防入侵系统
CN102509404B (zh) * 2011-09-24 2014-08-06 无锡科晟光子科技有限公司 环境补偿式宽域全光纤扰动传感围栏型安全防卫监控系统
CN103345808B (zh) * 2013-06-26 2015-09-09 武汉理工光科股份有限公司 光纤光栅周界入侵模式识别方法及系统
CN103617685B (zh) * 2013-12-09 2016-02-24 中国船舶重工集团公司第七〇五研究所 一种基于光纤振动传感报警系统的自学习算法
CN104008633B (zh) * 2014-05-26 2016-03-30 中国农业大学 一种设施菠菜病害预警方法及系统
CN104751580B (zh) * 2015-04-08 2017-07-11 武汉理工光科股份有限公司 分布式光纤传感信号模式识别方法及系统
CN104966076A (zh) * 2015-07-21 2015-10-07 北方工业大学 基于支持向量机的光纤入侵信号分类识别方法

Also Published As

Publication number Publication date
CN105608822A (zh) 2016-05-25

Similar Documents

Publication Publication Date Title
CN105608822B (zh) 铁路周界入侵振动光纤报警方法及装置
CN101607668B (zh) 嵌入式计算机视觉自动扶梯人流监察警报装置
CN110889351B (zh) 视频检测方法、装置、终端设备及可读存储介质
US9672440B2 (en) Damage recognition assist system
CN102915640B (zh) 基于Hough变换的安全带检测方法
KR102217253B1 (ko) 행동패턴 분석 장치 및 방법
CN113256924A (zh) 一种轨道列车的监控系统,监控方法及监控装置
CN105809679A (zh) 一种基于视觉分析的山区铁路边坡落石检测方法
BR112017024488A2 (pt) método de identificação de sinal de intrusão de perímetro de fibra óptica, dispositivo de identificação e sistema de alarme de intrusão do perímetro de fibra óptica
JP5760090B2 (ja) 生体認識装置
CN106454330B (zh) 视频信号的模糊异常检测方法
CN110766982B (zh) 基于车载传感器的车辆碰撞检测系统
US10049687B2 (en) Audio processing apparatus and audio processing method
KR20090118582A (ko) 돌발상황 감시 시스템
CN106355580B (zh) 一种杆塔倾倒的检测方法及装置
US20160114806A1 (en) Safe driving monitoring system and method
CN104068868A (zh) 一种基于机器视觉的驾驶人疲劳监测方法及装置
CN113484858A (zh) 一种入侵检测方法和系统
JP2008099884A (ja) 状態推定装置
Ketcham et al. The intruder detection system for rapid transit using CCTV surveillance based on histogram shapes
CN110006558A (zh) 桥梁拉索索力的实时计算、监测方法及监测报警系统
CN113033471A (zh) 交通异常检测方法、装置、设备、存储介质以及程序产品
CN112149576A (zh) 一种基于图像分析的电梯安全实时监测管理系统
Dozza et al. Recognizing Safetycritical Events from Naturalistic Driving Data
CN112907900B (zh) 一种边坡监测实体风险预警评估模型

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100081 Beijing Haidian District, No. 2 Daliushu Road, 12 blocks

Applicant after: INSTITUTE OF COMPUTING TECHNOLOGIES, CARS

Applicant after: BEIJING JINGWEI INFORMATION TECHNOLOGY Co.,Ltd.

Applicant after: CHINA ACADEMY OF RAILWAY SCIENCES Corp.,Ltd.

Address before: 100081 Beijing city Haidian District Daliushu Road No. 2

Applicant before: INSTITUTE OF COMPUTING TECHNOLOGY, CHINA ACADEMY OF RAILWAY SCIENCES

Applicant before: BEIJING JINGWEI INFORMATION TECHNOLOGY Co.,Ltd.

Applicant before: CHINA ACADEMY OF RAILWAY SCIENCES

GR01 Patent grant
GR01 Patent grant