CN109255793B - 一种基于视觉特征的监控预警系统 - Google Patents
一种基于视觉特征的监控预警系统 Download PDFInfo
- Publication number
- CN109255793B CN109255793B CN201811127005.5A CN201811127005A CN109255793B CN 109255793 B CN109255793 B CN 109255793B CN 201811127005 A CN201811127005 A CN 201811127005A CN 109255793 B CN109255793 B CN 109255793B
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- power equipment
- frame video
- value
- 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.)
- Expired - Fee Related
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012423 maintenance Methods 0.000 claims abstract description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000003706 image smoothing Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 6
- 102400000011 Cytochrome b-c1 complex subunit 9 Human genes 0.000 description 2
- 101800000778 Cytochrome b-c1 complex subunit 9 Proteins 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于视觉特征的监控预警系统，该监控预警系统包括：视频采集模块，设于相应电力设备附近，用于采集相应电力设备的一段视频流；信息处理模块，用于对采集的视频流进行处理，获取视频流中相应的电力设备的特征参数；检测模块，用于对获取的电力设备的特征参数和预存储的相应电力设备正常运行时的特征参数进行匹配，若匹配程度低于设定的阈值，则视频中相应的电力设备为异常状态，并将该异常信息发送至报警模块；报警模块，用于根据接收到的异常信息，进行相应的报警操作，提醒维修人员进行检修。本发明大大减轻了监测人员观测分析电力设备图像的负担，有效提高了监测的客观性、实时性和准确性。
Description
技术领域
本发明涉及监控预警领域，具体涉及一种基于视觉特征的监控预警系统。
背景技术
随着视频监控系统对电力设备进行图像监控是电力设备运行状态的一种监控方式。现有的视频监控系统只有视频监控功能和录像功能，不能对监控目标进行智能化的主动识别分析，仅仅是将大量的视频图像传输至调度端，需要操作员时刻观察分析图像，无形中增加了操作员的工作负担；同时，人眼易疲劳的弱点和人工判断的主观性，严重影响了电力设备运行状态监测自动化程度的进一步提高；此外，很多高压设备的运行状态难以转换成电信号，在信号转换和传输过程中易受强电磁场的影响；重要设备的运行参数需要实时监测，采用人工巡视难以满足实时性要求，并且巡视员的责任心、工作态度和精神状况严重影响了检测的结果；而且，人眼难以分辨细微图像的灰度变化，难以客观判断电力设备表面缺陷的程度。
发明内容
针对上述问题，本发明提供一种基于视觉特征的监控预警系统。
本发明的目的采用以下技术方案来实现：
一种基于视觉特征的监控预警系统，该监控预警系统包括视频采集模块、信息处理模块、检测模块和报警模块。视频采集模块，设于相应电力设备附近，用于采集相应电力设备的一段视频流；信息处理模块，用于对采集的视频流进行处理，获取视频流中相应的电力设备的特征参数；检测模块，用于对获取的电力设备的特征参数和预存储的相应电力设备正常运行时的特征参数进行匹配，若匹配程度低于设定的阈值，则视频中相应的电力设备为异常状态，并将该异常信息发送至报警模块；报警模块，用于根据接收到的异常信息，进行相应的报警操作，提醒维修人员进行检修。
本发明的有益效果为：(1)大大减轻了监测人员观测分析电力设备图像的负担；(2)有效提高了监测的客观性、实时性和准确性；(3)为准确快速地确定电力设备所处的运行状态提供了良好的基础。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，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是本发明一种监控预警系统的框架结构图；
图2是信息处理模块2的框架结构图。
附图标记：视频采集模块1；信息处理模块2；检测模块3；报警模块4；图像分割单元5；图像平滑单元6；特征提取单元7；空间显著性值算子单元8；时间显著性值计算子单元9；显著性融合子单元10。
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1，一种基于视觉特征的监控预警系统，该监控预警系统包括视频采集模块1、信息处理模块2、检测模块3和报警模块4。视频采集模块1，设于相应电力设备附近，用于采集相应电力设备的一段视频流；信息处理模块2，用于对采集的视频流进行处理，获取视频流中相应的电力设备的特征参数；检测模块3，用于对获取的电力设备的特征参数和预存储的相应电力设备正常运行时的特征参数进行匹配，若匹配程度低于设定的阈值，则视频中相应的电力设备为异常状态，并将该异常信息发送至报警模块4；报警模块4，用于根据接收到的异常信息，进行相应的报警操作，提醒维修人员进行检修。
优选地，视频采集模块1为CCD摄像机。
优选地，参见图2，信息处理模块2包括图像分割单元5、图像平滑单元6和特征提取单元7。
图像分割单元5，用于选定视频流中一帧视频图像，并对该帧视频图像进行分割操作，得到电力设备图像；图像平滑单元6，用于对电力设备图像进行平滑处理，去除该电力设备图像中的随机噪声；特征提取单元7，用于从平滑后的电力设备图像中提取相应的电力设备的特征参数。
优选地，图像分割单元5包括空间显著性值计算子单元8、时间显著性值计算子单元9和显著性融合子单元10；
空间显著性值计算子单元8，用于根据视频中的第t帧视频图像中像素点的空间位置、颜色特征和各个像素点的分布情况，计算该帧视频图像中所有像素点的空间显著性值。
时间显著性值计算子单元9，用于通过光流法计算第t帧视频图像的运动场，并根据运动场，利用下式计算第t帧视频图像中所有像素点的时间显著性值，其中，第t帧视频图像中像素点v的时间显著性值的计算式为：
式中，Kti(v)为第t帧视频图像中像素点v的时间显著性值，D(Mv,Mw)是像素点v和像素点w的光流向量差值，|·|表示取光流向量的幅值，像素点w是第t帧视频图像中除去像素点v的任一像素点，Θ为第t帧视频图像中所有像素点构成的集合。
显著性融合子单元10，用于对空间显著性计算模块和时间显著性计算模块的计算结果进行融合处理，得到第t帧视频图像中所有像素点的综合显著性值；综合显著性值用于判断该视频图像中的像素点是否属于电力设备像素点，其判断过程为：当K(r)≥λ时，则像素点r属于前景图像像素点，当K(r)＜λ时，像素点r属于背景图像的像素点，其中K(r)是第t帧视频图像中像素点r的综合显著性值，λ是设定的阈值，遍历第t帧视频图像中所有像素点，所有属于前景图像的像素点构成的集合即为电力设备图像。
优选地，根据视频中的第t帧视频图像中像素点的空间位置、颜色特征和各个像素点的分布情况，计算该帧视频图像中所有像素点的空间显著性值，其中，第t帧视频图像中像素点p的空间显著性值可通过下式计算得到：
式中，Ksp(p)是第t帧视频图像中像素点p的空间显著性值，Ksl(p)是描述像素点p与第t帧视频图像中剩余像素点之间的空间位置约束程度的显著性值；Kcol(p)是描述与像素点p的红/绿、蓝/黄的对比色度值相关的显著性值；Ksd(p)是像素点p的相似性分布的显著性值，ω1、ω2是权重因子，分别表示Kcol(p)和Ksd(p)在计算像素点p的空间显著性值时的重要程度，为补偿系数，用于补偿电力设备所处环境带来的视觉误差。
有益效果：按照上式将Ksl(p)、Kcol(p)和Ksd(p)进行融合，得到描述第t帧视频图像的像素点p的空间显著性值，该融合方法是基于视频图像中各个像素点的空间位置、颜色特征和像素点的分布情况，不依赖人类的认识，消除了主观的个体差异。同时该方法能够更加均匀的凸显出视频图像中的电力设备所在区域，有利于后续对电力设备图像进行有效分割，使得在后续对电力设备身份进行识别时，只需要分析分割出的电力设备图像，提高了后续信息处理的速率，减轻了后续各个模块的工作负担，延长了各个模块的使用寿命，且通过设置这一项，使得当像素点的红/绿、蓝/黄的对比色度增强或者像素点的相似性分布紧凑时，能够吸引更多的注意力，有利于分割出电力设备图像。
优选地，用于描述像素点p与第t帧视频图像中剩余像素点之间的空间位置约束程度的显著性值Ksl(p)可通过下式计算得到：
式中，Ksl(p)是描述像素点p与第t帧视频图像中剩余像素点之间的空间约束程度的显著性值，A是归一化系数，‖p-q‖是像素点p和像素点q之间的空间欧式距离，Ip是像素点p的CIELAB颜色值，Iq是像素点q的CIELAB颜色值，||Ip-Iq||表示Ip和Iq之间的欧式距离，xp、yp分别是像素点p的横坐标和纵坐标，xq、yq分别是像素点q的横坐标和纵坐标，Θ为第t帧视频图像中所有像素点构成的集合。
有益效果：上式中，反映了像素点之间空间距离的影响，ln(1+反映了像素点p的外周像素点对Ksl(p)的贡献程度，通过采用上式计算Ksl(p)，该做法能够凸显电力设备图像的边缘特征，同时抑制电力设备图像内部区域的弱化。
优选地，用于描述与像素点p的红/绿、蓝/黄的对比色度值相关的显著性值Kcol(p)可通过下式计算得到：
式中，Kcol(p)是描述与像素点p的红/绿、蓝/黄的对比色度值相关的显著性值，RG(p)、BY(p)分别表示像素点p的红/绿、蓝/黄的对比色度值，RG(q)、BY(q)分别表示像素点q的红/绿、蓝/黄的对比色度值，Nt代表第t帧视频图像的像素点数，其中，像素点p的红/绿、蓝/黄的对比色度值可通过下式获得：
式中，r(p)是像素点p的r分量的值，g(p)是像素点p的g分量的值，b(p)是像素点p的b分量的值。
有益效果：考虑到人类视觉大脑皮层的神经元对红/绿、蓝/黄这两个对比色响应最强，基于此，发明人提出用红/绿、蓝/黄这两个对比色度值来衡量第t帧视频图像的中各个像素点的显著性特征，该做法使得该帧视频图像中的电力设备图像的内部区域得到很好地凸显，有利于后续对电力设备的运行状态进行检测。
优选地，Ksd(p)可通过下式计算得到：
式中，Ksd(p)是像素点p的相似性分布的显著性值，B是归一化系数，χp,q用于度量像素点p和像素点q之间颜色的相似性。
有益效果：对于电力设备图像内部的像素点p，利用上式可以给属于电力设备图像的像素点分配更高的显著性值，进而达到强化电力设备图像的显著性值，而弱化背景部分的显著性值，从而从视频图像中分割出完整的电力设备图像，用于后面对电力设备是否异常进行检测。
优选地，所述对空间显著性计算模块8和时间显著性计算模块9的计算结果进行融合处理，得到第t帧视频图像中所有像素点的综合显著性值，具体地，对像素点p的空间显著性值和时间显著性值进行融合是利用下方的融合公式实现的：
K(p)＝[Ksp(p)]∈+[Kti(p)]1-∈
式中，K(p)是像素点p的综合显著性值，∈是调节因子，且满足0＜∈＜1；
有益效果：利用上面的融合公式对像素点p的空间显著性值和时间显著性值进行融合，该融合方法不仅考虑了空间显著性的影响，如像素点的位置、颜色特征和分布情况，同时也考虑了时间轴上显著性因素的影响，如相机移动、电力设备移动等。该融合算法有利于提高各个像素点的综合显著性值的精确度，进而实现对电力设备图像的准确分割，便于后续对电力设备运行状态识别，同时也降低了后续处理过程的复杂程度。
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 (3)
1.一种基于视觉特征的监控预警系统，其特征是，所述监控预警系统包括视频采集模块、信息处理模块、检测模块和报警模块；
所述视频采集模块，设于相应电力设备附近，用于采集相应电力设备的一段视频流；
所述信息处理模块，用于对采集的视频流进行处理，获取所述视频流中相应的电力设备的特征参数；
所述检测模块，用于对获取的电力设备的特征参数和预存储的相应电力设备正常运行时的特征参数进行匹配，若匹配程度低于设定的阈值，则所述视频中相应的电力设备为异常状态，并将该异常信息发送至报警模块；
所述报警模块，用于根据接收到的异常信息，进行相应的报警操作，提醒维修人员进行检修；
所述信息处理模块包括图像分割单元、图像平滑单元和特征提取单元；
所述图像分割单元，用于选定视频流中一帧视频图像，并对该帧视频图像进行分割操作，得到电力设备图像；
所述图像平滑单元，用于对所述电力设备图像进行平滑处理，去除该电力设备图像中的随机噪声；
所述特征提取单元，用于从平滑后的电力设备图像中提取相应的电力设备的特征参数；
所述图像分割单元包括空间显著性值计算子单元、时间显著性值计算子单元和显著性融合子单元；
所述空间显著性值计算子单元，用于根据所述视频中的第t帧视频图像中各个像素点的空间位置、颜色特征和像素点的分布情况，计算该帧视频图像中所有像素点的空间显著性值；
所述时间显著性值计算子单元，用于通过光流法计算第t帧视频图像的运动场，并根据所述运动场，利用下式计算第t帧视频图像中所有像素点的时间显著性值，其中，第t帧视频图像中像素点v的时间显著性值的计算式为：
式中，Kti(v)为第t帧视频图像中像素点v的时间显著性值，D(Mv,Mw)是像素点v和像素点w的光流向量差值，|·|表示取所述光流向量的幅值，像素点w是第t帧视频图像中除去像素点v的任一像素点，Θ为第t帧视频图像中所有像素点构成的集合；
所述显著性融合子单元，用于对所述空间显著性计算子单元和所述时间显著性计算子单元的计算结果进行融合处理，得到所述第t帧视频图像中所有像素点的综合显著性值；所述综合显著性值用于判断该视频图像中的像素点是否属于电力设备图像像素点，其判断过程为：当K(r)≥λ时，则像素点r属于前景图像像素点，当K(r)＜λ时，像素点r属于背景图像的像素点，其中K(r)是第t帧视频图像中像素点r的综合显著性值，λ是设定的阈值，遍历第t帧视频图像中所有像素点，所有属于前景图像的像素点构成的集合即为电力设备图像。
2.根据权利要求1所述的监控预警系统，其特征是，所述视频采集模块为CCD摄像机。
3.根据权利要求1所述的监控预警系统，其特征是，所述根据所述视频中的第t帧视频图像中像素点的空间位置、颜色特征和各个像素点的分布情况，计算该帧视频图像中所有像素点的空间显著性值，其中，第t帧视频图像中像素点p的空间显著性值可通过下式计算得到：
式中，Ksp(p)是第t帧视频图像中像素点p的空间显著性值，Ksl(p)是描述像素点p与第t帧视频图像中剩余像素点之间的空间位置约束程度的显著性值；Kcol(p)是描述与像素点p的红/绿、蓝/黄的对比色度值相关的显著性值；Ksd(p)是像素点p的相似性分布的显著性值，ω1、ω2是权重因子，分别表示Kcol(p)和Ksd(p)在计算像素点p的空间显著性值时的重要程度，为补偿系数，用于补偿所述电力设备所处环境带来的视觉误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811127005.5A CN109255793B (zh) | 2018-09-26 | 2018-09-26 | 一种基于视觉特征的监控预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811127005.5A CN109255793B (zh) | 2018-09-26 | 2018-09-26 | 一种基于视觉特征的监控预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109255793A CN109255793A (zh) | 2019-01-22 |
| CN109255793B true CN109255793B (zh) | 2019-07-05 |
Family
ID=65047898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811127005.5A Expired - Fee Related CN109255793B (zh) | 2018-09-26 | 2018-09-26 | 一种基于视觉特征的监控预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109255793B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109239083A (zh) * | 2018-09-26 | 2019-01-18 | 深圳源广安智能科技有限公司 | 一种基于无人机的缆索表面缺陷检测系统 |
| CN115802027B (zh) * | 2023-02-10 | 2023-04-21 | 安徽皖欣环境科技有限公司 | 基于图像处理的在线监控设备运行异常检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4271904A (en) * | 1978-07-17 | 1981-06-09 | Standard Oil Company (Indiana) | Method for controlling underground combustion |
| CN102436656A (zh) * | 2011-09-05 | 2012-05-02 | 同济大学 | 基于计算机视觉的动物多样性监测方法 |
| CN105488812A (zh) * | 2015-11-24 | 2016-04-13 | 江南大学 | 一种融合运动特征的时空显著性检测方法 |
| CN106297130A (zh) * | 2016-08-22 | 2017-01-04 | 国家电网公司 | 输电线路视频分析预警系统 |
| CN107015547A (zh) * | 2017-06-09 | 2017-08-04 | 成都智建新业建筑设计咨询有限公司 | 运用bim技术对建筑内机电设备进行维护和监控的系统 |
| EP2859529B1 (de) * | 2012-06-08 | 2018-09-26 | Giesecke+Devrient Currency Technology GmbH | Blob-encoding |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477633B (zh) * | 2009-01-21 | 2010-08-25 | 北京大学 | 自动估计图像和视频的视觉显著度的方法 |
| CN104700381B (zh) * | 2015-03-13 | 2018-10-12 | 中国电子科技集团公司第二十八研究所 | 一种基于显著目标的红外与可见光图像融合方法 |
-
2018
- 2018-09-26 CN CN201811127005.5A patent/CN109255793B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4271904A (en) * | 1978-07-17 | 1981-06-09 | Standard Oil Company (Indiana) | Method for controlling underground combustion |
| CN102436656A (zh) * | 2011-09-05 | 2012-05-02 | 同济大学 | 基于计算机视觉的动物多样性监测方法 |
| EP2859529B1 (de) * | 2012-06-08 | 2018-09-26 | Giesecke+Devrient Currency Technology GmbH | Blob-encoding |
| CN105488812A (zh) * | 2015-11-24 | 2016-04-13 | 江南大学 | 一种融合运动特征的时空显著性检测方法 |
| CN106297130A (zh) * | 2016-08-22 | 2017-01-04 | 国家电网公司 | 输电线路视频分析预警系统 |
| CN107015547A (zh) * | 2017-06-09 | 2017-08-04 | 成都智建新业建筑设计咨询有限公司 | 运用bim技术对建筑内机电设备进行维护和监控的系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109255793A (zh) | 2019-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522793B (zh) | 基于机器视觉的多人异常行为检测与识别方法 | |
| CN108038456B (zh) | 一种人脸识别系统中的防欺骗方法 | |
| CN107133564B (zh) | 一种工装工帽检测方法 | |
| CN105844621A (zh) | 一种印刷品质量检测方法 | |
| CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
| TW201120814A (en) | Method for determining if an input image is a foggy image, method for determining a foggy level of an input image and cleaning method for foggy images | |
| CN109255793B (zh) | 一种基于视觉特征的监控预警系统 | |
| CN102297867A (zh) | 线束装配质量检测系统 | |
| CN109345524A (zh) | 一种基于视觉的轴承外观缺陷检测系统 | |
| CN107644218B (zh) | 基于图像采集功能实现人流密集区域行为分析判断的工作方法 | |
| CN104394377B (zh) | 一种监控图像的模糊异常的识别方法及装置 | |
| CN110363742A (zh) | 一种基于cnn和图像处理的转辙机缺口检测方法 | |
| CN109409289A (zh) | 一种电力作业安全监督机器人安全作业识别方法及系统 | |
| CN105844245A (zh) | 一种伪装人脸检测方法及系统 | |
| CN109002774A (zh) | 一种基于卷积神经网络的疲劳监测装置及方法 | |
| CN110348380A (zh) | 一种可视化接地刀闸状态视频识别系统及方法 | |
| CN114219687A (zh) | 融合人机视觉的施工安全隐患智能识别方法 | |
| CN109567832A (zh) | 一种基于智能手环的检测愤怒驾驶状态的方法及系统 | |
| CN109117723A (zh) | 基于颜色模式分析与语义分割的盲道检测方法 | |
| CN103400148A (zh) | 基于视频分析的银行自助服务区域尾随行为检测方法 | |
| CN110660187B (zh) | 一种基于边缘计算的森林火警监测系统 | |
| CN102542304B (zh) | 识别wap手机色情图像的区域分割肤色算法 | |
| CN109345788A (zh) | 一种基于视觉特征的监控预警系统 | |
| CN113989886B (zh) | 基于人脸识别的船员身份验证方法 | |
| CN115937829A (zh) | 一种吊车驾驶室操作人员异常行为检测方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190705 |