CN107105169A - 一种有效的厂区安全监测系统 - Google Patents
一种有效的厂区安全监测系统 Download PDFInfo
- Publication number
- CN107105169A CN107105169A CN201710424618.4A CN201710424618A CN107105169A CN 107105169 A CN107105169 A CN 107105169A CN 201710424618 A CN201710424618 A CN 201710424618A CN 107105169 A CN107105169 A CN 107105169A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- image
- mfrac
- msubsup
- 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.)
- Withdrawn
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种有效的厂区安全监测系统，包括视频监测模块、信息传输模块、控制中心和显示模块，所述视频监测模块用于捕捉厂区内的图像信息，并将所述图像信息通过信息传输模块传输至控制中心，所述控制中心对接收到的图像信息进行处理和分析，并通过显示模块进行显示。本发明的有益效果为：本系统设置视频监测模块、信息传输模块、控制中心和显示模块，通过视频监测模块实现了对厂区内环境图像的有效采集，对监测所得的图像的有效处理和分析，实现了图像中目标的有效提取，方便了安保人员的对厂区内环境的快速观察。
Description
技术领域
本发明创造涉及安全监测领域，具体涉及一种有效的厂区安全监测系统。
背景技术
现有厂区的范围越来越大，厂区内的人员和车辆也越来越多，为了保障厂区内的安全，大多数工厂多采用雇佣大量保安或安装监控摄像头的方式进行厂区安全监测，雇佣保安的安保方式不仅耗费大量人力，因为厂区范围的增大，保安巡检的方式已不能满足厂区安全监测的要求，而现有的安装摄像头的方式通过对厂区内环境的时候拍摄进行厂区的安全监控，并不能具体提取图像中的目标，从而有利于安保人员的快速观察，因此，本发明提供一种有效的厂区安全监测系统，通过对监测所得的图像的有效处理和分析，提取图像中的目标，方便了安保人员的对厂区内环境的快速观察。
发明内容
针对上述问题，本发明旨在提供一种有效的厂区安全监测系统。
本发明创造的目的通过以下技术方案实现：
一种有效的厂区安全监测系统，包括视频监测模块、信息传输模块、控制中心和显示模块，所述视频监测模块用于捕捉厂区内的图像信息，并将所述图像信息通过信息传输模块传输至控制中心，所述控制中心对接收到的图像信息进行处理和分析，并通过显示模块进行显示。
本发明创造的有益效果：本系统设置视频监测模块、信息传输模块、控制中心和显示模块，通过视频监测模块实现了对厂区内环境图像的有效采集，对监测所得的图像的有效处理和分析，实现了图像中目标的有效提取，方便了安保人员的对厂区内环境的快速观察。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图；
图2是本发明控制中心结构示意图
附图标记：
视频监测模块1；信息传输模块2；控制中心3；显示模块4；图像预处理单元31；边缘优化单元32；目标定位单元33。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1和图2，本实施例的一种有效的厂区安全监测系统，包括视频监测模块1、信息传输模块2、控制中心3和显示模块4，所述视频监测模块1用于捕捉厂区内的图像信息，并将所述图像信息通过信息传输模块2传输至控制中心3，所述控制中心3对接收到的图像信息进行处理和分析，并通过显示模块4进行显示。
优选地，所述视频监测模块1采用移动监测摄像头进行厂区内视频图像的采集。
优选地，所述信息传输模块2采用2G或3G的无线传输方式。
本优选实施例设置视频监测模块、信息传输模块、控制中心和显示模块，通过视频监测模块实现了对厂区内环境图像的有效采集，对监测所得的图像的有效处理和分析，实现了图像中目标的有效提取，方便了安保人员的对厂区内环境的快速观察。
优选地，所述控制中心3包括图像预处理单元31、边缘优化单元32和目标定位单元33，所述图像预处理单元31采用一种改进的高斯滤波算法对图像进行滤波处理，去除采集得到的图像中的噪声等干扰，所述边缘优化单元32用于对滤波后的图像进行边缘像素的筛选，从而连接图像的边缘，所述目标定位单元33用于根据所得的图像边缘轮廓定位目标的形心，从而实现图像中目标的定位。
优选地，所述图像预处理单元31采用一种分区域的高斯滤波算法对对采集得到的厂区的图像进行滤波处理，对不同区域的滤波尺度参数进行确定，具体包括：
a.对所述原始图像进行分区域，定义图像的总的灰度级为q，ri为局部区域r中灰度级为i的像素点总数，则局部区域r的信息熵xr为：
b定义局部区域r的(x,y)处的灰度值为h(x,y)，局部区域r的分辨率为(M,N)，则局部区域r的灰度值方差cr为：
c.根据局部区域r的信息熵值xr和灰度值方差cr确定局部区域r所含的信息量值pr，则信息量值pr的计算公式如下：
d.根据上述所得的图像局部区域r所含的信息量值pr计算相应区域的滤波尺度lr，具体为：
lmax＝log2[max(M，W)]
式中，pmax是局部区域中的所含的最大信息量值，pmin是图像局部区域中所含的最小信息量值，lmax是局部区域的最大滤波尺度，(M,N)是最小信息量值对应的图像局部区域的分辨率，lr是图像局部区域r的滤波尺度，lmin是图像局部区域中的最小滤波尺度。
本优选实施例将采集得到的图像进行分区域，并通过计算各个区域的信息熵值和灰度值方差确定局部区域的信息量，从而计算各个区域的滤波尺度，实现对采集得到图像的不同区域进行不同尺度的滤波。
优选地，所述边缘优化单元32用于对滤波后的图像进行边缘像素的筛选，从而连接图像的边缘，具体包括：
a.计算滤波后图像的梯度值，从而建立滤波后图像的梯度直方图，定义边缘检测的第一阈值K1，则第一阈值K1的计算公式为：
k1＝D1+log2(1+el)
式中，dm为梯度直方图中像素点数最多的梯度幅值，dm-1为梯度直方图中m-1处的梯度幅值，dm+1为梯度直方图中m+1处的梯度幅值，di为梯度直方图中i处的梯度幅值，n为图像中梯度值的个数；
b.去除梯度直方图中大于上述所得第一阈值k1的像素点，建立剩余像素点的梯度直方图，定义边缘检测的第二阈值K2，则边缘检测的第二阈值K2的计算公式为：
k2＝T2+log2(1+u2)
式中，th为新建的梯度直方图中像素点数最多的梯度幅值，th-1为梯度直方图中h-1位置处的梯度幅值，th+1为梯度直方图中h+1位置处的梯度幅值，ti为梯度直方图中位置i处的梯度幅值，c为图像中梯度值的个数；
c.再次去除剩余像素点中梯度幅值大于第二阈值K2的像素点，剩余的像素点即为图像的边缘。
本优选实施例采用双阈值的方法进行边缘检测，根据图像的梯度直方图的信息自适应的确定双阈值的大小，避免了丢失灰度值变化缓慢的局部边缘，保证了边缘检测结果的准确性。
基于上述实施例，利用本发明进行了一系列测试，以下是进行测试得到的实验数据：
| 待检测目标 | 检出精确率 | 平均耗时 |
| 圆形目标 | 100％ | 0.35s |
| 矩形目标 | 100％ | 0.32s |
| 三角形目标 | 99％ | 0.34s |
从上述实验数据可以看出，采集得到的图像通过所述图像预处理单元的滤波处理和边缘优化单元的边缘检测处理后，目标定位单元能够有效的定位图像中的目标，精确率达到99％以上，并且需要能够保持较快的目标检测速度，完全能够满足厂区安全监测系统的性能需求。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种有效的厂区安全监测系统，其特征是，包括视频监测模块、信息传输模块、控制中心和显示模块，所述视频监测模块用于采集厂区内的图像信息，并将所述图像信息通过信息传输模块传输至控制中心，所述控制中心对接收到的图像信息进行处理和分析，并通过显示模块进行显示。
2.根据权利要求1所述的一种有效的厂区安全监测系统，其特征是，所述视频监测模块采用移动监测摄像头进行厂区内图像信息的采集。
3.根据权利要求2所述的一种有效的厂区安全监测系统，其特征是，所述信息传输模块采用2G或3G的无线传输方式。
4.根据权利要求3所述的一种有效的厂区安全监测系统，其特征是，所述控制中心包括图像预处理单元、边缘优化单元和目标定位单元，所述图像预处理单元采用一种改进的高斯滤波算法对图像进行滤波处理，去除采集得到的图像中的噪声等干扰，所述边缘优化单元用于对滤波后的图像进行边缘像素的筛选，从而连接图像的边缘，所述目标定位单元用于根据所得的图像边缘轮廓定位目标的形心，从而实现图像中目标的定位。
5.根据权利要求4所述的一种有效的厂区安全监测系统，其特征是，所述图像预处理单元采用一种分区域的高斯滤波算法对对采集得到的厂区的图像进行滤波处理，对不同区域的滤波尺度参数进行确定，具体包括：
a.对所述原始图像进行分区域，定义图像的总的灰度级为q，ri为局部区域r中灰度级为i的像素点总数，则局部区域r的信息熵xr为：
<mrow>
<msub>
<mi>x</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>q</mi>
</munderover>
<mfrac>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>q</mi>
</msubsup>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>*</mo>
<mi>log</mi>
<mfrac>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>q</mi>
</msubsup>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
b定义局部区域r的(x,y)处的灰度值为h(x,y)，局部区域r的分辨率为(M,N)，则局部区域r的灰度值方差cr为：
<mrow>
<msub>
<mi>e</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>M</mi>
<mo>*</mo>
<mi>N</mi>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>c</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<mfrac>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>e</mi>
<mi>r</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mrow>
<mi>M</mi>
<mo>*</mo>
<mi>N</mi>
</mrow>
</mfrac>
</mrow>
c.根据局部区域r的信息熵值xr和灰度值方差cr确定局部区域r的包含的信息量值pr，则信息量值pr的计算公式如下：
<mrow>
<msub>
<mi>p</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mi>r</mi>
</msub>
<msqrt>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>l</mi>
<mi>n</mi>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>c</mi>
<mi>r</mi>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
d.根据上述所得的图像局部区域r所含的信息量值pr计算相应区域的滤波尺度lr，具体为：
<mrow>
<msub>
<mi>l</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>l</mi>
<mi>max</mi>
</msub>
<mo>;</mo>
<msub>
<mi>p</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<msub>
<mi>p</mi>
<mi>min</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>l</mi>
<mi>max</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>p</mi>
<mi>r</mi>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mi>min</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>p</mi>
<mi>max</mi>
</msub>
<mo>+</mo>
<msub>
<mi>p</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
</msup>
<mo>)</mo>
</mrow>
<mo>;</mo>
<msub>
<mi>p</mi>
<mi>min</mi>
</msub>
<mo><</mo>
<msub>
<mi>p</mi>
<mi>r</mi>
</msub>
<mo><</mo>
<msub>
<mi>p</mi>
<mi>max</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>;</mo>
<msub>
<mi>p</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<msub>
<mi>p</mi>
<mi>max</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
lmax＝log2[max(M,N)]
式中，pmax是局部区域中的所含的最大信息量值，pmin是图像局部区域中所含的最小信息量值，lmax是局部区域的最大滤波尺度，(M,N)是最小信息量值对应的图像局部区域的分辨率，lr是图像局部区域r的滤波尺度，lmin是图像局部区域中的最小滤波尺度。
6.根据权利要求4所述的一种有效的厂区安全监测系统，其特征是，所述边缘优化单元用于对滤波后的图像进行边缘像素的筛选，从而连接图像的边缘，具体包括：
a.计算滤波后图像的梯度值，从而建立滤波后图像的梯度直方图，定义边缘检测的第一阈值K1，则第一阈值K1的计算公式为：
<mrow>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>d</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>d</mi>
<mi>m</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>d</mi>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>m</mi>
</msub>
<mo>|</mo>
</mrow>
<mi>n</mi>
</mfrac>
</mrow>
k1＝D1+log2(1+e1)
式中，dm为梯度直方图中像素点数最多的梯度幅值，dm-1为梯度直方图中m-1处的梯度幅值，dm+1为梯度直方图中m+1处的梯度幅值，di为梯度直方图中i处的梯度幅值，n为图像中梯度值的个数；
b.去除梯度直方图中大于上述所得第一阈值k1的像素点，建立剩余像素点的梯度直方图，定义边缘检测的第二阈值K2，则边缘检测的第二阈值K2的计算公式为：
<mrow>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>t</mi>
<mrow>
<mi>h</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>t</mi>
<mi>h</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>t</mi>
<mrow>
<mi>h</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>u</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>h</mi>
</msub>
<mo>|</mo>
</mrow>
<mi>c</mi>
</mfrac>
</mrow>
k2＝T2+log2(1+u2)
式中，th为新建的梯度直方图中像素点数最多的梯度幅值，th-1为梯度直方图中h-1位置处的梯度幅值，th+1为梯度直方图中h+1位置处的梯度幅值，ti为梯度直方图中位置i处的梯度幅值，c为图像中梯度值的个数；
c.再次去除剩余像素点中梯度幅值大于第二阈值K2的像素点，剩余的像素点即为图像的边缘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710424618.4A CN107105169A (zh) | 2017-06-07 | 2017-06-07 | 一种有效的厂区安全监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710424618.4A CN107105169A (zh) | 2017-06-07 | 2017-06-07 | 一种有效的厂区安全监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107105169A true CN107105169A (zh) | 2017-08-29 |
Family
ID=59660123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710424618.4A Withdrawn CN107105169A (zh) | 2017-06-07 | 2017-06-07 | 一种有效的厂区安全监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107105169A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108093226A (zh) * | 2018-01-17 | 2018-05-29 | 广西师范大学 | 一种实时提取安防多路视频图像边缘信息的监控装置 |
| CN110907132A (zh) * | 2019-12-13 | 2020-03-24 | 中国人民解放军军事科学院国防科技创新研究院 | 一种波向探测方法、系统、设备、介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103208117A (zh) * | 2013-03-21 | 2013-07-17 | 袁景 | 一种多功能智能皮带表面斑块边缘检测方法 |
| CN104200595A (zh) * | 2014-09-19 | 2014-12-10 | 西南大学 | 一种厂区安全监控系统 |
| CN104408711A (zh) * | 2014-10-30 | 2015-03-11 | 西北工业大学 | 一种基于多尺度区域融合的显著区域检测方法 |
| CN106060466A (zh) * | 2016-06-20 | 2016-10-26 | 西安工程大学 | 一种基于视频图像序列的绝缘子跟踪监测方法 |
| CN106230116A (zh) * | 2016-07-30 | 2016-12-14 | 福州大学 | 一种基于无人机的模块化电力监测系统及其控制方法 |
| CN106789485A (zh) * | 2017-02-24 | 2017-05-31 | 深圳凯达通光电科技有限公司 | 一种便捷的智能家居监视系统 |
-
2017
- 2017-06-07 CN CN201710424618.4A patent/CN107105169A/zh not_active Withdrawn
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103208117A (zh) * | 2013-03-21 | 2013-07-17 | 袁景 | 一种多功能智能皮带表面斑块边缘检测方法 |
| CN104200595A (zh) * | 2014-09-19 | 2014-12-10 | 西南大学 | 一种厂区安全监控系统 |
| CN104408711A (zh) * | 2014-10-30 | 2015-03-11 | 西北工业大学 | 一种基于多尺度区域融合的显著区域检测方法 |
| CN106060466A (zh) * | 2016-06-20 | 2016-10-26 | 西安工程大学 | 一种基于视频图像序列的绝缘子跟踪监测方法 |
| CN106230116A (zh) * | 2016-07-30 | 2016-12-14 | 福州大学 | 一种基于无人机的模块化电力监测系统及其控制方法 |
| CN106789485A (zh) * | 2017-02-24 | 2017-05-31 | 深圳凯达通光电科技有限公司 | 一种便捷的智能家居监视系统 |
Non-Patent Citations (1)
| Title |
|---|
| 侯旺等: "基于背景最佳滤波尺度的红外图像复杂度评价准则", 《物理学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108093226A (zh) * | 2018-01-17 | 2018-05-29 | 广西师范大学 | 一种实时提取安防多路视频图像边缘信息的监控装置 |
| CN110907132A (zh) * | 2019-12-13 | 2020-03-24 | 中国人民解放军军事科学院国防科技创新研究院 | 一种波向探测方法、系统、设备、介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106295655B (zh) | 一种用于无人机巡检图像的输电线路部件自动提取方法 | |
| CN101793501B (zh) | 一种基于图像的输电线覆冰状态检测方法 | |
| CN102982313B (zh) | 烟雾检测的方法 | |
| CN107876425A (zh) | 一种基于视觉的轴承缺陷检测系统装置 | |
| CN102842203B (zh) | 基于视频图像的桥梁病害监测方法 | |
| CN104008550A (zh) | 晶圆表面缺陷特征分析方法、系统、分类方法和系统 | |
| CN103034870B (zh) | 基于特征的船舶快速识别方法 | |
| Shutler et al. | Coccolithophore bloom detection in the north east Atlantic using SeaWiFS: Algorithm description, application and sensitivity analysis | |
| CN103903008A (zh) | 一种基于图像识别输电线路的雾等级的方法以及系统 | |
| CN109741322A (zh) | 一种基于机器学习的能见度测量方法 | |
| CN107105169A (zh) | 一种有效的厂区安全监测系统 | |
| CN112149543A (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
| CN102663385A (zh) | 一种星上点目标检测方法 | |
| CN105427279B (zh) | 一种基于计算机视觉及物联网的草原旱情监测系统和方法 | |
| CN108732313A (zh) | 城市空气污染物浓度智能观测系统 | |
| CN116645616A (zh) | 一种利用遥感图像评估自然灾害中建筑物损坏程度的方法 | |
| CN101950352B (zh) | 一种去除光照影响的目标检测方法及装置 | |
| CN111898494A (zh) | 一种采矿扰动地块边界识别方法 | |
| CN106600905A (zh) | 一种有效的地质灾害监测系统 | |
| CN115410114A (zh) | 一种基于多特征的城轨防汛预警方法及系统 | |
| CN113295835B (zh) | 一种基于遥感的微塑料污染水域空间分布识别方法 | |
| CN112927459B (zh) | 一种基于无人机视觉的九宫格火势预测方法及应用 | |
| CN103391441A (zh) | 一种基于差异能量的监控视频对象删除篡改检测算法 | |
| CN104657734B (zh) | 一种道路交通标志检测方法及装置 | |
| CN115496716A (zh) | 基于深度学习的单双微核细胞图像检测方法及相关设备 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20170829 |
|
| WW01 | Invention patent application withdrawn after publication |