CN109345788A - 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
- CN109345788A CN109345788A CN201811126360.0A CN201811126360A CN109345788A CN 109345788 A CN109345788 A CN 109345788A CN 201811126360 A CN201811126360 A CN 201811126360A CN 109345788 A CN109345788 A CN 109345788A
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- denoising
- power equipment
- module
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 230000010287 polarization Effects 0.000 claims abstract description 51
- 238000002156 mixing Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012423 maintenance Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- 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
- G08B21/185—Electrical failure alarms
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (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，该系统包括：图像获取模块获取待检测电力设备图像的红外偏振图像和红外光强图像；图像去噪模块分别对红外偏振图像和红外光强图像进行去噪；图像融合模块将去噪后的红外偏振图像和红外光强图像进行融合；信息处理模块从融合图像中提取待检测电力设备所在区域的视觉特征；检测模块根据信息处理模块的处理结果，判断待检测电力设备是否为异常运行状态，若为异常运行状态，则将异常信息发送至报警模块；报警模块，用于接收异常信息，并进行报警，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图像获取模块、图像去噪模块、图像融合模块、信息处理模块、检测模块和报警模块。
图像获取模块用于获取待检测电力设备图像的红外偏振图像和红外光强图像；图像去噪模块，用于分别对红外偏振图像和红外光强图像进行去噪；图像融合模块，用于将去噪后的红外偏振图像和红外光强图像进行融合，得到待检测电力设备的融合图像；信息处理模块，用于从融合图像中提取待检测电力设备所在区域的视觉特征，视觉特征包括：颜色特征和纹理特征；检测模块，用于根据信息处理模块的处理结果，判断待检测电力设备是否为异常运行状态，若为异常运行状态，则将待检测电力设备的异常运行状态信息发送至报警模块；报警模块，用于接收异常信息，并进行报警操作，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结构图；
图2是图像融合模块的框架结构图；
图3是高频子带系数融合单元的框架结构图。
附图标记：图像获取模块1；图像去噪模块2；图像融合模块3；信息处理模块4；检测模块5；报警模块6；NSCT变换单元7；低频子带系数融合单元8；高频子带系数融合单元9；NSCT反变换单元10；第一计算子单元11；第二计算子单元12；决策融合子单元13。
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图像获取模块1、图像去噪模块2、图像融合模块3、信息处理模块4、检测模块5和报警模块6。
图像获取模块1用于获取待检测电力设备图像的红外偏振图像和红外光强图像；图像去噪模块2，用于分别对红外偏振图像和红外光强图像进行去噪；图像融合模块3，用于将去噪后的红外偏振图像和红外光强图像进行融合，得到待检测电力设备的融合图像；信息处理模块4，用于从融合图像中提取待检测电力设备所在区域的视觉特征，视觉特征包括：颜色特征和纹理特征；检测模块5，用于根据信息处理模块的处理结果，判断待检测电力设备是否为异常运行状态，若为异常运行状态，则将待检测电力设备的异常运行状态信息发送至报警模块6；报警模块6，用于接收异常信息，并进行报警操作，提醒维修人员进行检修。
有益效果：(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。
优选地，待检测电力设备的红外偏振图像可通过红外偏振相机获得，待检测电力设备的红外光强图像可通过红外热像仪获得。
优选地，所述分别对红外偏振图像和红外光强图像进行去噪，具体为：
(1)利用退化函数计算所述红外偏振图像中各个像素点灰度值的衰减度值，其中，所述退化函数为：
式中，f(a,b)为退化函数，表示坐标为(a,b)的像素点p灰度值的衰减程度值，g(a,b)为像素点p(a,b)的灰度值，θ为退化函数的下限值，α、ε为退化曲线的形状控制常数，为以像素点p(a,b)为中心，大小为T×T矩形窗口内所有像素点灰度值的均值；
(2)根据得到的各个像素点的灰度值衰减度值，利用下式计算各个像素点去噪后的灰度值，所有去噪像素点灰度值构成的集合即为去噪后的红外偏振图像；其中，像素点p(a,b)去噪后的灰度值为：
式中，为去噪后的像素点p(a,b)处的灰度值，gp(a,b)为所述红外偏振图像中像素点p(a,b)处的灰度值；fp(a,b)为像素点p灰度值的衰减程度值；
(3)采用步骤1和步骤2对红外光强图像进行去噪，即可得到去噪后的红外光强图像。
有益效果：利用退化函数依次计算红外偏振图像和光强图像中各个像素点灰度值的衰减度值，该化函数不仅考虑了去噪前图像中像素点的灰度值，同时也考虑了其矩形窗口内其他像素点对需要进行去噪处理的像素点这一影响因素，从而能够自适应的过滤掉随机噪声，从而在保留红外偏振图像和红外光强图像中的边缘信息、纹理信息的同时，获得清晰度高的去噪后的红外偏振图像和红外光强图像。
优选地，参见图2，图像融合模块3包括NSCT变换单元7、低频子带系数融合单元8、高频子带系数融合单元9和NSCT反变换单元10；
NSCT变换单元7，用于将去噪后的红外偏振图像和红外光强图像分别进行NSCT变换，分别得到去噪后的红外偏振图像和红外光强图像的子带系数，子带系数包括低频子带系数和高频子带系数；
低频子带系数融合单元8，用于根据去噪后的红外偏振图像和红外光强图像的低频子带系数，采用平均加权算法计算融合图像的低频子带系数；
高频子带系数融合单元9，用于根据去噪后的红外偏振图像和红外光强图像的高频子带系数，基于多尺度融合算法计算融合图像的高频子带系数；
NSCT反变换单元10，用于根据低频子带系数融合单元8和高频子带系数融合单元9所得的融合图像的低频子带系数和高频子带系数，进行NSCT反变换，得到融合图像。
优选地，根据信息处理模块的处理结果，判断待检测电力设备是否为异常运行状态，具体地，将待检测电力设备所在区域的视觉特征和预存储的相应电力设备正常运行时的视觉特征进行匹配，若匹配程度低于设定的阈值，则待检测电力设备为异常运行状态，反正，则待检测设备为正常运行状态。
优选地，根据去噪后的红外偏振图像和红外光强图像的低频子带系数，采用平均加权算法计算融合图像的低频子带系数，具体地，是利用平均加权算法计算融合图像中每个像素点的低频子带系数，其中，融合图像中像素点(m,n)的低频子带系数如下：
式中，是去噪后的红外偏振图像的低频子带系数，是去噪后的红外光强图像的低频子带系数。
优选地，参见图3，高频子带系数融合单元9包括第一计算子单元11、第二计算子单元12和决策融合子单元13。
第一计算子单元11，用于根据去噪后的红外偏振图像和红外光强图像的高频子带系数，计算去噪后的红外偏振图像和红外光强图像的各个像素点的高频子带系数的活跃度值，其中，对于去噪后的红外偏振图像和红外光强图像每个像素点，按照下式计算每个像素点的各个高频子带系数的活跃度值：
式中，为去噪后的红外偏振图像中像素点(x,y)的高频子带系数的活跃度值，为去噪后的红外光强图像中像素点(x,y)的高频子带系数的活跃度值，M×N为预设的像素点(x,y)的邻域大小，Ω为像素点(x,y)的邻域，(x′,y′)为像素点(x,y)的邻域内任一像素点，wpol(x′,y′)为去噪后的红外偏振图像中像素点(x′,y′)在邻域内的权值，wint(x′,y′)为去噪后的红外光强图像中像素点(x′,y′)在邻域内的权值，其中wpol(x′,y′)＝wint(x′,y′)，且满足∑(x′,y′)∈Ωwpol(x′,y′)＝1，为去噪后的红外偏振图像中像素点(x′,y′)在j尺度、k方向上的高频子带系数，为去噪后的红外光强图像中像素点(x′,y′)在j尺度、k方向上的高频子带系数。
有益效果：通过计算高频子带系数的活跃度值，该活跃度值可以度量相应高频子带系数的显著程度，同时在求解各个高频子带系数的活跃度值时，考虑了图像中位置(x,y)的邻域窗口内其他位置处的高频子带系数对位置(x,y)处高频子带系数活跃度的影响，使得各个高频子带系数能够自适应的进行调整，能够更加准确地描述各个高频子带系数的显著程度，有利于后续求解融合图像的高频子带系数。
第二计算子单元12，用于根据去噪后的红外偏振图像和红外光强图像的高频子带系数，计算去噪后的红外偏振图像和红外光强图像的高频子带系数在各个像素点的匹配度值，其中，和在像素点(x,y)处的匹配度值的计算式为：
式中，mj,k(x,y)表示在像素点(x,y)处的和的匹配度值。
有益效果：该第二计算子单元12考虑了两个图像中相同像素点位置的高频子带系数的匹配程度，该做法更多地保留了两个图像中的边缘信息和纹理信息，同时在后续中有利于在进行融合的同时，能够有效地综合去噪后的红外偏振图像和红外光强图像中的有用信息，提高了后续的融合效果，保留了详细的待检测电力设备图像的视觉特征，方便后续对待检测电力设备的运行状态进行准确判断。
决策融合子单元13，用于对第一计算子单元11和第二计算子单元12得到的计算结果进行综合分析和判断，并对去噪后的红外偏振图像和红外光强图像的高频子带系数进行融合，得到融合图像的高频子带系数，其中，在融合图像中像素点(x,y)在j尺度、k方向上的高频子带系数可利用下方的融合公式得到：
式中，为融合图像中像素点(x,y)处的在j尺度，k方向上的高频子带系数，为去噪后的红外偏振图像位置(x,y)处的在j尺度，k方向上的高频子带系数的权重系数，χ为设定的匹配度阈值。
有益效果：通过设定的匹配度阈值，对待进行融合处理的去噪后的红外偏振图像和红外光强图像的匹配程度进行判断，当匹配程度大于设定的阈值时，在进一步利用活跃度值进一步判断，该做法能够保留高频子带系数中的显著信息，同时进一步抑制了去噪后的红外偏振图像和红外光强图像中残余噪声带来的干扰。提高了对去噪后红外偏振图像和红外光强图像的融合效果，降低了后续对待检测电力设备视觉特征提取的复杂度，延长了该监控预警系统的使用寿命，同时也有利于后续对待检测电力设备的运行状态进行准确判断，方便工作人员进行维护。
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 (5)
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图像获取模块、图像去噪模块、图像融合模块、信息处理模块、检测模块和报警模块；
所述图像获取模块，用于获取待检测电力设备图像的红外偏振图像和红外光强图像；
所述图像去噪模块，用于分别对所述红外偏振图像和红外光强图像进行去噪；
所述图像融合模块，用于将去噪后的红外偏振图像和红外光强图像进行融合，得到待检测电力设备的融合图像；
所述信息处理模块，用于从所述融合图像中提取待检测电力设备所在区域的视觉特征，所述视觉特征包括：颜色特征和纹理特征；
所述检测模块，用于根据所述信息处理模块的处理结果，判断所述待检测电力设备是否为异常运行状态，若为异常运行状态，则将所述待检测电力设备的异常运行状态信息发送至所述报警模块；
所述报警模块，用于接收异常信息，并进行报警操作，提醒维修人员进行检修。
2.根据权利要求1所述的监控预警系统，其特征是，所述待检测电力设备的红外偏振图像可通过红外偏振相机获得，所述待检测电力设备的红外光强图像可通过红外热像仪获得。
3.根据权利要求1所述的监控预警系统，其特征是，所述分别对所述红外偏振图像和红外光强图像进行去噪，具体为：
(1)利用退化函数计算所述红外偏振图像中各个像素点灰度值的衰减度值，其中，所述退化函数为：
式中，f(a,b)为退化函数，表示坐标为(a,b)的像素点p灰度值的衰减程度值，g(a,b)为像素点p(a,b)的灰度值，θ为退化函数的下限值，α、ε为退化曲线的形状控制常数，为以像素点p(a,b)为中心，大小为T×T矩形窗口内所有像素点灰度值的均值；
(2)根据得到的各个像素点的灰度值衰减度值，利用下式计算各个像素点去噪后的灰度值，所有去噪像素点灰度值构成的集合即为去噪后的红外偏振图像；其中，像素点p(a,b)去噪后的灰度值为：
式中，为去噪后的像素点p(a,b)处的灰度值，gp(a,b)为所述红外偏振图像中像素点p(a,b)处的灰度值；fp(a,b)为像素点p灰度值的衰减程度值；
(3)采用步骤1和步骤2对所述红外光强图像进行去噪，即可得到去噪后的红外光强图像。
4.根据权利要求1所述的监控预警系统，其特征是，所述图像融合模块包括NSCT变换单元、低频子带系数融合单元、高频子带系数融合单元和NSCT反变换单元；
所述NSCT变换单元，用于将去噪后的红外偏振图像和红外光强图像分别进行NSCT变换，分别得到去噪后的红外偏振图像和红外光强图像的子带系数，所述子带系数包括低频子带系数和高频子带系数；
所述低频子带系数融合单元，用于根据去噪后的红外偏振图像和红外光强图像的低频子带系数，采用平均加权算法计算融合图像的低频子带系数；
所述高频子带系数融合单元，用于根据去噪后的红外偏振图像和红外光强图像的高频子带系数，基于多尺度融合算法计算融合图像的高频子带系数；
所述NSCT反变换单元，用于根据低频子带系数融合单元和高频子带系数融合单元所得的融合图像的低频子带系数和高频子带系数，进行NSCT反变换，得到融合图像。
5.根据权利要求1所述的监控预警系统，其特征是，所述根据所述信息处理模块的处理结果，判断所述待检测电力设备是否为异常运行状态，具体地，将待检测电力设备所在区域的视觉特征和预存储的相应电力设备正常运行时的视觉特征进行匹配，若匹配程度低于设定的阈值，则所述待检测电力设备为异常运行状态，反正，则所述待检测设备为正常运行状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811126360.0A CN109345788A (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 |
|---|---|---|---|
| CN201811126360.0A CN109345788A (zh) | 2018-09-26 | 2018-09-26 | 一种基于视觉特征的监控预警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109345788A true CN109345788A (zh) | 2019-02-15 |
Family
ID=65306564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811126360.0A Pending CN109345788A (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) | CN109345788A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111193662A (zh) * | 2019-12-27 | 2020-05-22 | 浙江华工赛百数据系统有限公司 | 一种基于视觉识别的边缘计算网关 |
| CN114548446A (zh) * | 2022-04-25 | 2022-05-27 | 国网山东省电力公司潍坊市寒亭区供电公司 | 一种基于人工智能的电力设备检测系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103530853A (zh) * | 2013-10-17 | 2014-01-22 | 中北大学 | 红外光强图像和红外偏振图像增强融合方法 |
| US20160343118A1 (en) * | 2013-03-15 | 2016-11-24 | Eric Olsen | Systems and methods for producing temperature accurate thermal images |
| CN106355187A (zh) * | 2016-09-07 | 2017-01-25 | 西华大学 | 视觉信息在电力设备监测中的应用 |
| CN106846289A (zh) * | 2017-01-17 | 2017-06-13 | 中北大学 | 一种基于显著性迁移与细节分类的红外光强与偏振图像融合方法 |
| CN107392886A (zh) * | 2017-06-14 | 2017-11-24 | 国网山东省电力公司菏泽供电公司 | 一种电力设备图像处理方法 |
| CN107451984A (zh) * | 2017-07-27 | 2017-12-08 | 桂林电子科技大学 | 一种基于混合多尺度分析的红外与可见光图像融合算法 |
-
2018
- 2018-09-26 CN CN201811126360.0A patent/CN109345788A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160343118A1 (en) * | 2013-03-15 | 2016-11-24 | Eric Olsen | Systems and methods for producing temperature accurate thermal images |
| CN103530853A (zh) * | 2013-10-17 | 2014-01-22 | 中北大学 | 红外光强图像和红外偏振图像增强融合方法 |
| CN106355187A (zh) * | 2016-09-07 | 2017-01-25 | 西华大学 | 视觉信息在电力设备监测中的应用 |
| CN106846289A (zh) * | 2017-01-17 | 2017-06-13 | 中北大学 | 一种基于显著性迁移与细节分类的红外光强与偏振图像融合方法 |
| CN107392886A (zh) * | 2017-06-14 | 2017-11-24 | 国网山东省电力公司菏泽供电公司 | 一种电力设备图像处理方法 |
| CN107451984A (zh) * | 2017-07-27 | 2017-12-08 | 桂林电子科技大学 | 一种基于混合多尺度分析的红外与可见光图像融合算法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘晓悦等: "基于目标提取的电力设备多光谱图像融合", 《华北理工大学学报（自然科学版）》 * |
| 李伟伟等: "基于NSCT的红外偏振与光强图像的融合研究", 《光电技术应用》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111193662A (zh) * | 2019-12-27 | 2020-05-22 | 浙江华工赛百数据系统有限公司 | 一种基于视觉识别的边缘计算网关 |
| CN111193662B (zh) * | 2019-12-27 | 2021-09-17 | 浙江华工赛百数据系统有限公司 | 一种基于视觉识别的边缘计算网关 |
| CN114548446A (zh) * | 2022-04-25 | 2022-05-27 | 国网山东省电力公司潍坊市寒亭区供电公司 | 一种基于人工智能的电力设备检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022011828A1 (zh) | 出入电梯物件检测系统及方法、物件检测系统、电梯光幕以及电梯设备 | |
| CN101567044B (zh) | 一种人脸图像质量检测方法 | |
| CN110458157B (zh) | 一种电力电缆生产过程智能监控系统 | |
| CN109870461A (zh) | 一种电子元器件质量检测系统 | |
| CN117274722B (zh) | 基于红外图像的配电箱智能检测方法 | |
| CN110008822A (zh) | 一种基于红外传感器的姿态识别方法及系统 | |
| CN110012114B (zh) | 一种基于物联网的环境安全预警系统 | |
| CN108205891A (zh) | 一种监控区域的车辆监测方法 | |
| CN109034038B (zh) | 一种基于多特征融合的火灾识别装置 | |
| CN112257632A (zh) | 一种基于边缘计算的变电站监测系统 | |
| CN109117855A (zh) | 异常电力设备图像识别系统 | |
| CN110493574B (zh) | 基于流媒体和ai技术的安监可视化系统 | |
| CN111667655A (zh) | 基于红外图像的高速铁路安全区入侵警报装置及方法 | |
| CN109255785A (zh) | 一种轴承外观缺陷检测系统 | |
| CN109345788A (zh) | 一种基于视觉特征的监控预警系统 | |
| CN114898261A (zh) | 一种基于视频和生理数据融合的睡眠质量评估方法及系统 | |
| CN112396011A (zh) | 一种基于视频图像心率检测及活体检测的人脸识别系统 | |
| CN109688384A (zh) | 一种基于图像识别的教室教学情况监控系统及方法 | |
| CN111444837B (zh) | 在极端环境下提升人脸检测可用性的测温方法及测温系统 | |
| CN110728212B (zh) | 一种基于计算机视觉的道路井盖监控装置及监控方法 | |
| CN115100562A (zh) | 基于视频图像及深度学习的设备线路智能监测系统及方法 | |
| CN117132949B (zh) | 一种基于深度学习的全天候跌倒检测方法 | |
| CN109255793B (zh) | 一种基于视觉特征的监控预警系统 | |
| CN112241707A (zh) | 一种风电场智能视频识别装置 | |
| CN109713745B (zh) | 一种智能充电检测电路 |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20201225 |
|
| AD01 | Patent right deemed abandoned |