CN110321770A - 管线监控方法、装置、设备和存储介质 - Google Patents
管线监控方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110321770A CN110321770A CN201910228991.1A CN201910228991A CN110321770A CN 110321770 A CN110321770 A CN 110321770A CN 201910228991 A CN201910228991 A CN 201910228991A CN 110321770 A CN110321770 A CN 110321770A
- Authority
- CN
- China
- Prior art keywords
- ambient image
- oil gas
- behavior
- characteristic information
- analysis model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 130
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 173
- 238000012549 training Methods 0.000 claims description 35
- 238000012806 monitoring device Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 15
- 230000001052 transient effect Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 10
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 22
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000003068 static effect Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种管线监控方法、装置、设备和存储介质，终端将传感设备获得的环境图像输入预设的识别模型，提取环境图像中各对象的特征信息，其中，特征信息用于描述各对象的物理属性，并根据特征信息和预设的分析模型，检测环境图像中是否存在油气被盗行为，使得检测环境图像中是否存在油气被盗行为是通过预设的识别模型和预设的分析模型自动获得的，避免了人为观察环境图像来确定是否存在偷盗油气行为，提高了获取偷盗油气行为的效率。
Description
技术领域
本发明涉及监控技术领域，特别是涉及了一种管线监控方法、装置、设备和存储介质。
背景技术
输油气管道承担着输送油气的功能，是油气输送的一个重要环节。油气输送通常是长距离输送，因此输油气管道常常设置在野外。不法分子常常通过在输油气管道上打孔，偷盗油气。
通常，各油气企业在管线地区设置光学传感设备，通过光学传感器设备获得管线地区的图像，然后通过人为观察上述图像，获得管线地区的现场情况，并确定是否存在偷盗油气的行为。
由于光学传感器设备获得的管线设置地区的图像的数量巨大，人为观察图像来确定是否存在偷盗油气的行为的方法存在效率较低的问题。
发明内容
基于此，有必要针对确定偷盗油气的行为的方法存在效率较低的问题，提供了一种管线监控方法、装置、设备和存储介质。
第一方面，一种管线监控方法，所述方法包括：
将传感设备获得的环境图像输入预设的识别模型，提取所述环境图像中各对象的特征信息；所述特征信息用于描述所述各对象的物理属性；
根据所述特征信息和预设的分析模型，检测所述环境图像中是否存在油气被盗行为。
在其中一个实施例中，所述根据所述特征信息和预设的分析模型，确定所述环境图像中是否存在油气被盗行为之前，还包括：
将所述特征信息输入预设的判断模型，判断所述环境图像中各对象的行为是否正常；
若否，则执行将所述环境图像的特征信息输入预设的分析模型，检测所述环境图像中是否存在油气被盗行为的步骤。
在其中一个实施例中，所述将所述特征信息输入预设的判断模型，判断所述环境图像中各对象的行为是否正常之后，所述方法还包括：
对所述特征信息进行数据格式转换，获得格式转换后的特征信息；
则所述执行将所述环境图像的特征信息输入预设的分析模型，检测所述环境图像中是否存在油气被盗行为的步骤，包括：
将所述格式转换后的特征信息输入预设的分析模型，检测所述环境图像中是否存在油气被盗行为。
在其中一个实施例中，所述方法还包括：
若所述环境图像中存在油气被盗行为，则发出预警信息。
在其中一个实施例中，所述预设的分析模型包括瞬时检测模型和驻留检测模型；所述瞬时检测模型用于检测所述环境图像中的威胁管道安全行为；所述驻留检测模型用于检测所述环境图像中的驻留油气被盗行为。
在其中一个实施例中，所述方法还包括：
获取多个所述特征信息；
分别获取多个所述特征信息对应的所述环境图像中油气被盗行为结果；所述油气被盗行为结果用于描述油气被盗行为；
将多个所述特征信息作为输入，将多个所述特征信息对应的所述环境图像中油气被盗行为结果作为输出，通过梯度提升决策树GBDT算法，训练得到所述预设的分析模型。
在其中一个实施例中，所述将多个所述特征信息作为输入，将多个所述特征信息对应的所述环境图像中油气被盗行为结果作为输出，通过梯度提升决策树GBDT算法，训练得到所述预设的分析模型之后，所述方法还包括：
通过预设的评估方法对所述预设的分析模型进行评估，获得评估结果；所述评估结果用于描述所述预设的分析模型获得的油气被盗行为的准确性。
在其中一个实施例中，所述方法还包括：
获取多个环境图像；
分别获得所述多个环境图像中各对象的特征信息；
将所述多个环境图像作为输入，将所述多个环境图像中各对象的特征信息作为输出，训练得到所述识别模型。
第二方面，一种管线监控装置，所述装置包括：
提取模块，用于将传感设备获得的环境图像输入预设的识别模型，提取所述环境图像中各对象的特征信息；所述特征信息用于描述所述各对象的物理属性；
确定模块，用于根据所述特征信息和预设的分析模型，确定所述环境图像中是否存在油气被盗行为。
第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述管线监控方法所述的方法步骤。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述管线监控方法所述的方法步骤。
上述管线监控方法、装置、设备和存储介质，终端将传感设备获得的环境图像输入预设的识别模型，提取环境图像中各对象的特征信息，其中，特征信息用于描述各对象的物理属性，并根据特征信息和预设的分析模型，检测环境图像中是否存在油气被盗行为，使得检测环境图像中是否存在油气被盗行为是通过预设的识别模型和预设的分析模型自动获得的，避免了人为观察环境图像来确定是否存在偷盗油气行为，提高了获取偷盗油气行为的效率。
附图说明
图1为一个实施例中管线监控方法的应用环境的示意图；
图2为一个实施例中管线监控方法的流程示意图；
图3为另一个实施例中管线监控方法的流程示意图；
图4为另一个实施例中管线监控方法的流程示意图；
图5为另一个实施例中管线监控方法的流程示意图；
图6为一个实施例中提供的管线监控装置的结构示意图；
图7为另一个实施例中提供的管线监控装置的结构示意图；
图8为另一个实施例中提供的管线监控装置的结构示意图；
图9为另一个实施例中提供的管线监控装置的结构示意图；
图10为另一个实施例中提供的管线监控装置的结构示意图；
图11为另一个实施例中提供的管线监控装置的结构示意图；
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
本申请提供的管线监控方法、装置、设备和存储介质，旨在解决人为观察图像来确定是否存在偷盗油气的行为的方法存在效率较低的问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
本实施例提供的管线监控方法，可以适用于如图1所示的应用环境中。其中，管线监控终端102通过网络与服务器104进行通信。管线监控终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
需要说明的是，本申请实施例提供的管线监控方法，其执行主体可以是管线监控装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为管线监控终端的部分或者全部。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。
图2为一个实施例中管线监控方法的流程示意图。本实施例涉及的是通过预设的识别模型和预设的分析模型，检测环境图像中是否存在油气被盗行为的具体过程。如图2所示，该方法包括以下步骤：
S101、将传感设备获得的环境图像输入预设的识别模型，提取环境图像中各对象的特征信息；特征信息用于描述各对象的物理属性。
其中，传感设备可以包括可见光监视仪、红外监视仪、激光夜视仪，环境图像可以是油气管线所在区域的图像，其可以是静态的一个图像，还可以是动态的一组图像，还可以是从环境视频文件中的一帧图像或多帧图像，本申请实施例对此不做限制。环境图像中的各对象可以是人员、车辆、施工工具。特征信息可以用于描述各对象的物理属性，其可以包括相关地区的天气信息，例如，天气信息可以是温度、湿度、风力等数据，用于获取数据的波动性影响；时间信息，例如，时间信息可以是环境图像获取时的具体时间，用白天、夜晚、季节、月份等标识来表示，用于获取数据的聚合性；人员信息，其可以包括人员的身高、位置、进入指定区域时间、离开指定区域时间、行为动作类型等数据；车辆信息，其可以包括车型信息、车的位置信息、进入时间、离开时间等数据，用于判断车辆是否驻留；施工工具信息，其可以包括工具类型等数据，用于辅助判断人员是否违法。预设的识别模型可以是人工智能的模型，用于提取环境图像中的各对象的特征信息。
具体地，传感设备可以设置在油气管线铺设的各个区域，其可以间隔预设的距离均匀分布设置，也可以根据用户的需求，在重点地区多设置传感设备，本申请实施例对此不做限制。传感设备可以与管线监控终端通过网络连接，将传感设备获得的环境图像发送给管线监控终端，其可以是当传感设备获得了环境图像时，实时的将环境图像发送给管线监控终端；也可以是间隔预设的时间周期，将该时间周期内获得的所有环境图像发送给管线监控终端，本申请实施例对此不做限制。当管线监控终端获得了传感设备发送的环境图像时，将环境图像输入预设的识别模型，根据该预设的识别模型中，环境图像与各环境图像中各对象的特征信息之间的映射关系，提取出环境图像中各对象的特征信息。当提取了环境图像中各对象的特征信息后，还可以将该环境图像和提取的该环境图像中各对象的特征信息，作为训练样本，训练识别模型。
S102、根据特征信息和预设的分析模型，检测环境图像中是否存在油气被盗行为。
具体地，预设的分析模型可以是大数据分析模型，用于根据上述特征信息，从多个维度来分析环境图像中的各对象的行为是否是油气被盗行为，以检测环境图像中是否存在油气被盗行为。在具体的根据特征信息和预设的分析模型，检测环境图像中是否存在油气被盗行为的过程中，终端可以将特征信息输入预设的分析模型，检测环境图像中是否存在油气被盗行为；也可以先对上述环境图像进行筛选，选取出异常的环境图像，将异常的环境图像对应的特征进行输入预设的分析模型，检测环境图像中是否存在油气被盗行为；本申请实施例对此不做限制。其中异常的环境图像可以是该环境图像中存在明显的非常规行为，例如，异常的环境图像可以是该环境图像中出现了偷盗油气的施工工具，或者是环境图像所在区域中非工作人员驻留时间过长。
上述管线监控方法，终端将传感设备获得的环境图像输入预设的识别模型，提取环境图像中各对象的特征信息，其中，特征信息用于描述各对象的物理属性，并根据特征信息和预设的分析模型，检测环境图像中是否存在油气被盗行为，使得检测环境图像中是否存在油气被盗行为是通过预设的识别模型和预设的分析模型自动获得的，避免了人为观察环境图像来确定是否存在偷盗油气行为，提高了获取偷盗油气行为的效率。
在一个实施例中，终端在根据特征信息和预设的分析模型，确定环境图像中是否存在油气被盗行为之前，还可以先通过预设的判断模型对上述特征信息进行筛选，得到各对象行为不正常的环境图像，并将该环境图像对应的特征信息输入预设的分析模型，以减少预设的分析模型输入的信息。
图3为另一个实施例中管线监控方法的流程示意图。本实施例涉及的是终端如何将各对象的行为异常的环境图像，对应的特征信息输入预设的分析模型的具体过程。如图3所示，该方法还包括以下步骤：
S201、将特征信息输入预设的判断模型，判断环境图像中各对象的行为是否正常。
具体地，预设的判断模型可以用于判断环境图像中各对象的行为是否正常，其可以是根据上述特征信息，获取各对象的行为，进而根据各对象的行为与油气管线设备周围各对象的常规行为进行对比，确定该环境图像中各对象的行为是否正常。
S202、若否，则将环境图像的特征信息输入预设的分析模型，检测环境图像中是否存在油气被盗行为。
具体地，在上述实施例的基础上，终端获得环境图像中各对象的行为是否正常的检测结果，若该环境图像中各对象的行为正常，则不处理该环境图像，若环境图像中各对象的行为不正常，则可以将各对象的行为不正常的环境图像对应的特征信息输入预设的分析模型，根据该预设的分析模型中特征信息与环境图像中油气被盗行为之间的映射关系，检测环境图像中是否存在油气被盗行为，此时，输入预设的分析模型特征信息是通过筛选获得的，减少了输入预设的分析模型的特征信息。
上述管线监控方法，终端将特征信息输入预设的判断模型，判断环境图像中各对象的行为是否正常，若环境图像中各对象的行为不正常，则根据该环境图像对应的特征信息和预设的分析模型，使得输入预设的分析模型特征信息是通过筛选获得的，减少了输入预设的分析模型的特征信息，使得根据特征信息和预设的分析模型，检测环境图像中是否存在油气被盗行为的检测速度变快，进一步地提高了获取偷盗油气行为的效率。
进一步地，当终端在对环境图像进行判断，得到环境图像中各对象的行为不正常之后，可以将各对象的行为不正常的环境图像对应的特征信息进行格式转换，得到格式转换后的特征信息。可选地，对特征信息进行数据格式转换，获得格式转换后的特征信息。则上述将环境图像的特征信息输入预设的分析模型，检测环境图像中是否存在油气被盗行为，包括：将格式转换后的特征信息输入预设的分析模型，检测环境图像中是否存在油气被盗行为。
具体地，在上述实施例的基础上，在对环境图像进行判断，得到环境图像中各对象的行为不正常的结果之后，可以将各对象的行为不正常的环境图像对应的特征信息进行格式转换，得到格式转换后的特征信息，其可以是根据预设的分析模型中所采用的算法，将特征信息转换为上述算法所要求的数据格式。在具体的进行特征信息的数据转换时，可以采用数据离散化、傅里叶转换、PCA降维等方法进行数据转换，本申请实施例对此不做限制。进一步地，当终端将特征信息进行格式转换，得到格式转换后的特征信息时，可以将格式转换后的特征信息输入预设的分析模型，检测环境图像中是否存在油气被盗行为。
在上述实施例的基础上，终端还可以根据环境图像中是否存在油气被盗行为，发出预警信息。可选地，若环境图像中存在油气被盗行为，则发出预警信息。
具体地，预警信息可以是包括油气被盗信息的短信息，也可以是闪烁的图标，本申请实施例对此不做限制。预警信息可以包括油气被盗行为发生的具体时间、地点及具体的油气被盗行为。例如，在上述实施例的基础上，当环境图像中存在油气被盗行为时，终端可以发出预警信息，其可以是向安防人员发送短消息，通知安防人员，其中短消息包括油气被盗行为发生的时间、地点及具体的油气被盗行为；也可以是在终端的显示屏幕上闪烁图标，该闪烁图标中包括了油气被盗行为发生的时间、地点及具体的油气被盗行为，以提醒监控人员，使得监控人员可以通知相关安防人员。
上述管线监控方法，若环境图像中存在油气被盗行为，则发出预警信息，使得终端在确定了环境图像中的油气被盗行为时，可以向相关人员发出预警信息，使得相关人员可以根据预警信息处理油气被盗行为，避免了油气被盗，提高了管线的安全性。
图4为另一个实施例中管线监控方法的流程示意图。本实施例涉及的是终端训练预设的分析模型的具体过程。如图4所示，该方法还包括以下步骤：
S301、获取多个特征信息。
具体地，在上述实施例的基础上，可以通过预设的识别模型提取环境图像中的特征信息，也可以是获取预存的特征信息，本申请实施例对此不做限制。终端可以一次获取一个特征信息，分多次获得多个特征信息；也可以一次获取多个特征信息，本申请实施例对此不做限制。例如，终端在第一次获取到环境图像时，将第一次的环境图像输入预设的识别模型中，提取第一次的环境图像中的特征信息；在第二次获取环境图像时，将获取的第二次环境图像输入预设的识别模型中，提取第二次环境图像中的特征信息，直至获取第N次环境图像中的特征信息，即一次获取一个环境图像的特征信息，分多次获取多个特征信息。终端也可以是直接从服务器中获取服务器中预存的多个特征信息。
S302、分别获取多个特征信息对应的环境图像中油气被盗行为结果；油气被盗行为结果用于描述油气被盗行为。
具体地，油气被盗行为结果可以用于描述油气被盗行为，其可以表示具体的油气被盗行为。环境图像可以对应各自的油气被盗行为结果。可以是一个环境图像对应一个油气被盗行为结果，也可以是一组环境图像对应一个油气被盗行为结果，本申请实施例对此不做限制。例如，当环境图像1中的油气被盗行为结果为环境图像1中存在油气被盗行为；环境图像2、环境图像3和环境图像4为一组连续的环境图像，其对应的油气被盗行为结果为环境图像2、环境图像3和环境图像4中不存在油气被盗行为。在具体的获得多个特征信息对应的环境图像中油气被盗行为结果时，可以是将特征信息输入预设的分析模型中，获取该特征信息对应的环境图像中油气被盗行为结果，也可以是获取预存的特征信息对应的环境图像中油气被盗行为结果，本申请实施例对此不做限制。
S303、将多个特征信息作为输入，将多个特征信息对应的环境图像中油气被盗行为结果作为输出，通过梯度提升决策树GBDT算法，训练得到预设的分析模型。
具体地，梯度提升决策树(Gradient Boosting Decision Tree，GBDT)是一种迭代的决策树算法，由多棵决策树组成，所有树的结论累加起来作为最终答案。在具体训练预设的分析模型的过程中，可以先预设一组参数，其中，该组参数可以包括最大叶节点数参数、最大树深度参数、分裂所需最小样本数参数、叶节点最小样本数参数、叶节点最小权重总值参数和分裂时考虑的最大特征数参数，将多个特征信息作为输入，通过初始的分析模型得到多个环境图像中油气被盗行为结果，通过调整上述参数，使得通过分析模型得到的多个环境图像中油气被盗行为结果，与多个特征信息对应的环境图像中油气被盗行为结果更加接近，满足预设的准确度要求。包含调整后的参数的分析模型即为预设的分析模型。
上述管线监控方法，终端通过获取多个特征信息，并分别获取多个特征信息对应的环境图像中油气被盗行为结果，其中油气被盗行为结果用于描述油气被盗行为，进而将多个特征信息作为输入，将多个特征信息对应的环境图像中油气被盗行为结果作为输出，通过梯度提升决策树GBDT算法，训练得到预设的分析模型。由于预设的分析模型是通过特征信息和特征信息对应的油气被盗行为结果训练得到的，因此提高了预设的分析模型的准确性，进而提高了获取偷盗油气行为的准确性。
在一个实施例中，可选地，预设的分析模型包括瞬时分析模型和驻留分析模型；瞬时分析模型用于检测环境图像中的威胁管道安全行为；驻留分析模型用于检测环境图像中的驻留油气被盗行为。
具体地，油气被盗行为可以包括威胁管道安全行为和驻留油气被盗行为，其中，威胁管道安全行为可以表示直接威胁管道安全的行为，驻留油气被盗行为可以表示在一段时间内的油气被盗行为。例如，威胁管道安全行为可以碾压管道导致管道破裂的行为，其可以通过一个静态的环境图像确定；驻留油气被盗行为可以是在非工作车辆长时间停留在油气管线附近，通过传输管道将偷盗的油气传输给非工作车辆的行为，此时，环境图像中并没有出现具体的动作，需要通过获取一段时间内的一组环境图像中的特征信息，确定该组环境图像中的油气被盗行为。上述瞬时分析模型可以用于检测环境图像中的威胁管道安全行为，即检测静态的一个环境图像中的油气被盗行为；上述驻留油气被盗行为可以用于检测驻留油气被盗行为，即检测动态的一组环境图像中中的油气被盗行为。
进一步地，在上述实施例的基础上，在通过将多个特征信息作为输入，将多个特征信息对应的环境图像中油气被盗行为结果作为输出，通过梯度提升决策树GBDT算法，训练得到预设的分析模型的过程中，可以通过静态的环境图像获得静态的特征信息作为输入，训练得到瞬时分析模型；通过动态的环境图像获得动态的特征信息作为输入，上述动态的特征信息可以是在一个特征信息的基础上，定时加入与其对应的新的特征信息，训练得到驻留分析模型。
上述管线检测方法，预设的分析模型包括瞬时分析模型和驻留分析模型，其中瞬时分析模型用于检测环境图像中的威胁管道安全行为，驻留分析模型用于检测环境图像中的驻留油气被盗行为，使得预设的分析模型可以分别检测威胁管道安全行为和驻留油气被盗行为，进一步地提高了预设的分析模型的准确性，进而提高了获取偷盗油气行为的准确性。
在上述实施例的基础上，当终端将多个特征信息作为输入，将多个特征信息对应的环境图像中油气被盗行为结果作为输出，通过梯度提升决策树GBDT算法，训练得到预设的分析模型之后，终端还可以对预设的分析模型进行评估，以确定预设的分析模型的准确性。可选地，通过预设的评估方法对预设的分析模型进行评估，获得评估结果；评估结果用于描述预设的分析模型获得的油气被盗行为的准确性。
具体地，预设的评估方法可以用于对预设的分析模型进行评估，预设的评估方法可以包括accuracy、precision、recall、F1、AUC和ROC评估方法，本申请实施例对此不做限制。终端可以通过上述任一项预设的评估方法对预设的分析模型进行评估，获得评估结果，该评估结果可以用于表示预设的分析模型获得的油气被盗行为的准确性。
上述管线检测方法，终端可以通过预设的评估方法对预设的分析模型进行评估，获得评估结果，其中评估结果用于描述预设的分析模型获得的油气被盗行为的准确性，使得预设的分析模型是经过预设的评估方法评估过准确性的，进一步地提高了预设的分析模型的准确性，进而提高了获取偷盗油气行为的准确性。
图5为另一个实施例中管线监控方法的流程示意图。本实施例涉及的是终端训练预设的识别模型的具体过程。如图5所示，该方法还包括以下步骤：
S401、获取多个环境图像。
S402、分别获得多个环境图像中各对象的特征信息。
S403、将多个环境图像作为输入，将多个环境图像中各对象的特征信息作为输出，训练得到识别模型。
具体地，在上述实施例的基础上，可以将多个环境图像分别作为输入，也可以对多个环境图像进行分组，获得多组环境图像作为输入，本申请实施例对此不过限制。在具体对识别模型进行训练的过程中，可以是预先设置一组训练参数，输入多个环境图像，通过预先设置的一组训练参数的模型，获得对应的各对象的特征信息，将该各对象的特征信息与对应的环境图像各对象实际的特征信息进行对比，获取对比结果，根据该对比结果，调整训练参数，直至通过识别模型获得的特征信息与环境图像对应的各对象实际的特征信息，满足预设的要求，确定目标训练参数，根据该目标训练参数，得到预设的识别模型。
上述管线监控方法，终端通过获取多个环境图像，并分别获得多个环境图像中各对象的特征信息，进而将多个环境图像作为输入，将多个环境图像中各对象的特征信息作为输出，训练得到识别模型。使得预设的识别模型是通过多个环境图像和多个环境图像中各对象的特征信息训练得到的，提高了预设的识别模型的准确性，进而提高了根据预设的识别模型和预设的分析模型，检测环境图像中是否存在油气被盗行为的准确性。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示，依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图6为一个实施例中提供的管线监控装置的结构示意图，如图6所示，该管线监控装置包括：提取模块10和确定模块20，其中：
提取模块10，用于将传感设备获得的环境图像输入预设的识别模型，提取所述环境图像中各对象的特征信息；所述特征信息用于描述所述各对象的物理属性；
确定模块20，用于根据所述特征信息和预设的分析模型，确定所述环境图像中是否存在油气被盗行为。
本发明实施例提供的管线监控装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图7为另一个实施例中提供的管线监控装置的结构示意图，在图6所示实施例的基础上，如图7所示，管线监控装置还包括：判断模块30，其中：
判断模块30，用于将所述特征信息输入预设的判断模型，判断所述环境图像中各对象的行为是否正常；
确定模块20，还用于将所述环境图像的特征信息输入预设的分析模型，检测所述环境图像中是否存在油气被盗行为。
本发明实施例提供的管线监控装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图8为另一个实施例中提供的管线监控装置的结构示意图，在图6或图7所示实施例的基础上，如图8所示，管线监控装置还包括：转换模块40，其中：
转换模块40，用于对所述特征信息进行数据格式转换，获得格式转换后的特征信息；
确定模块20，还用于将所述格式转换后的特征信息输入预设的分析模型，检测所述环境图像中是否存在油气被盗行为。
需要说明的是，图8是基于图7的基础上进行示出的，当然图8也可以基于图6的结构进行示出，这里仅是一种示例。
本发明实施例提供的管线监控装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图9为另一个实施例中提供的管线监控装置的结构示意图，在图6-图8任一项所示实施例的基础上，如图9所示，管线监控装置还包括：预警模块50，其中：
预警模块50，用于若所述环境图像中存在油气被盗行为，则发出预警信息。
在一个实施例中，所述预设的分析模型包括瞬时分析模型和驻留分析模型；所述瞬时分析模型用于检测所述环境图像中的威胁管道安全行为；所述驻留分析模型用于检测所述环境图像中的驻留油气被盗行为。
需要说明的是，图9是基于图8的基础上进行示出的，当然图9也可以基于图6或图7的结构进行示出，这里仅是一种示例。
本发明实施例提供的管线监控装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图10为另一个实施例中提供的管线监控装置的结构示意图，在图6-图9任一项所示实施例的基础上，如图10所示，管线监控装置还包括：训练模块60，其中：
训练模块60，具体用于获取多个所述特征信息；分别获取多个所述特征信息对应的所述环境图像中油气被盗行为结果；所述油气被盗行为结果用于描述所述油气被盗行为；将多个所述特征信息作为输入，将多个所述特征信息对应的所述环境图像中油气被盗行为结果作为输出，通过梯度提升决策树GBDT算法，训练得到所述预设的分析模型。
在一个实施例中，训练模块60还用于获取多个环境图像；分别获得所述多个环境图像中各对象的特征信息；将所述多个环境图像作为输入，将所述多个环境图像中各对象的特征信息作为输出，训练得到所述识别模型。
需要说明的是，图10是基于图9的基础上进行示出的，当然图10也可以基于图6-图8的任一项结构进行示出，这里仅是一种示例。
本发明实施例提供的管线监控装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图11为另一个实施例中提供的管线监控装置的结构示意图，在图6-图10任一项所示实施例的基础上，如图11所示，管线监控装置还包括：评估模块70，其中：
评估模块70，用于通过预设的评估方法对所述预设的分析模型进行评估，获得评估结果；所述评估结果用于描述所述预设的分析模型获得的油气被盗行为的准确性。
需要说明的是，图11是基于图10的基础上进行示出的，当然图11也可以基于图6-图9的任一项结构进行示出，这里仅是一种示例。
本发明实施例提供的管线监控装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于一种管线监控装置的具体限定可以参见上文中对管线监控方法的限定，在此不再赘述。上述管线监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端设备，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种管线监控方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
将传感设备获得的环境图像输入预设的识别模型，提取所述环境图像中各对象的特征信息；所述特征信息用于描述所述各对象的物理属性；
根据所述特征信息和预设的分析模型，检测所述环境图像中是否存在油气被盗行为。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述特征信息输入预设的判断模型，判断所述环境图像中各对象的行为是否正常；若否，则将所述环境图像的特征信息输入预设的分析模型，检测所述环境图像中是否存在油气被盗行为。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对所述特征信息进行数据格式转换，获得格式转换后的特征信息；则所述将所述环境图像的特征信息输入预设的分析模型，检测所述环境图像中是否存在油气被盗行为，包括：将所述格式转换后的特征信息输入预设的分析模型，检测所述环境图像中是否存在油气被盗行为。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若所述环境图像中存在油气被盗行为，则发出预警信息。
在一个实施例中，所述预设的分析模型包括瞬时分析模型和驻留分析模型；所述瞬时分析模型用于检测所述环境图像中的威胁管道安全行为；所述驻留分析模型用于检测所述环境图像中的驻留油气被盗行为。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取多个所述特征信息；分别获取多个所述特征信息对应的所述环境图像中油气被盗行为结果；所述油气被盗行为结果用于描述所述油气被盗行为；将多个所述特征信息作为输入，将多个所述特征信息对应的所述环境图像中油气被盗行为结果作为输出，通过梯度提升决策树GBDT算法，训练得到所述预设的分析模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过预设的评估方法对所述预设的分析模型进行评估，获得评估结果；所述评估结果用于描述所述预设的分析模型获得的油气被盗行为的准确性。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取多个环境图像；分别获得所述多个环境图像中各对象的特征信息；将所述多个环境图像作为输入，将所述多个环境图像中各对象的特征信息作为输出，训练得到所述识别模型。
本实施例提供的终端设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
将传感设备获得的环境图像输入预设的识别模型，提取所述环境图像中各对象的特征信息；所述特征信息用于描述所述各对象的物理属性；
根据所述特征信息和预设的分析模型，检测所述环境图像中是否存在油气被盗行为。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：将所述特征信息输入预设的判断模型，判断所述环境图像中各对象的行为是否正常；若否，则将所述环境图像的特征信息输入预设的分析模型，检测所述环境图像中是否存在油气被盗行为。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：对所述特征信息进行数据格式转换，获得格式转换后的特征信息；则所述将所述环境图像的特征信息输入预设的分析模型，检测所述环境图像中是否存在油气被盗行为，包括：将所述格式转换后的特征信息输入预设的分析模型，检测所述环境图像中是否存在油气被盗行为。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：若所述环境图像中存在油气被盗行为，则发出预警信息。
在一个实施例中，所述预设的分析模型包括瞬时分析模型和驻留分析模型；所述瞬时分析模型用于检测所述环境图像中的威胁管道安全行为；所述驻留分析模型用于检测所述环境图像中的驻留油气被盗行为。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：获取多个所述特征信息；分别获取多个所述特征信息对应的所述环境图像中油气被盗行为结果；所述油气被盗行为结果用于描述所述油气被盗行为；将多个所述特征信息作为输入，将多个所述特征信息对应的所述环境图像中油气被盗行为结果作为输出，通过梯度提升决策树GBDT算法，训练得到所述预设的分析模型。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：：通过预设的评估方法对所述预设的分析模型进行评估，获得评估结果；所述评估结果用于描述所述预设的分析模型获得的油气被盗行为的准确性。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：获取多个环境图像；分别获得所述多个环境图像中各对象的特征信息；将所述多个环境图像作为输入，将所述多个环境图像中各对象的特征信息作为输出，训练得到所述识别模型。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种管线监控方法，其特征在于，所述方法包括：
将传感设备获得的环境图像输入预设的识别模型，提取所述环境图像中各对象的特征信息；所述特征信息用于描述所述各对象的物理属性；
根据所述特征信息和预设的分析模型，检测所述环境图像中是否存在油气被盗行为。
2.根据权利要求1所述方法，其特征在于，所述根据所述特征信息和预设的分析模型，确定所述环境图像中是否存在油气被盗行为之前，还包括：
将所述特征信息输入预设的判断模型，判断所述环境图像中各对象的行为是否正常；
若否，则将所述环境图像的特征信息输入预设的分析模型，检测所述环境图像中是否存在油气被盗行为。
3.根据权利要求2所述方法，其特征在于，所述将所述特征信息输入预设的判断模型，判断所述环境图像中各对象的行为是否正常之后，所述方法还包括：
对所述特征信息进行数据格式转换，获得格式转换后的特征信息；
则所述将所述环境图像的特征信息输入预设的分析模型，检测所述环境图像中是否存在油气被盗行为，包括：
将所述格式转换后的特征信息输入预设的分析模型，检测所述环境图像中是否存在油气被盗行为。
4.根据权利要求1-3任一项所述方法，其特征在于，所述方法还包括：
若所述环境图像中存在油气被盗行为，则发出预警信息。
5.根据权利要求1-3任一项所述方法，其特征在于，所述预设的分析模型包括瞬时分析模型和驻留分析模型；所述瞬时分析模型用于检测所述环境图像中的威胁管道安全行为；所述驻留分析模型用于检测所述环境图像中的驻留油气被盗行为。
6.根据权利要求1-3任一项所述方法，其特征在于，所述方法还包括：
获取多个所述特征信息；
分别获取多个所述特征信息对应的所述环境图像中油气被盗行为结果；所述油气被盗行为结果用于描述所述油气被盗行为；
将多个所述特征信息作为输入，将多个所述特征信息对应的所述环境图像中油气被盗行为结果作为输出，通过梯度提升决策树GBDT算法，训练得到所述预设的分析模型。
7.根据权利要求6所述方法，其特征在于，所述将多个所述特征信息作为输入，将多个所述特征信息对应的所述环境图像中油气被盗行为结果作为输出，通过梯度提升决策树GBDT算法，训练得到所述预设的分析模型之后，所述方法还包括：
通过预设的评估方法对所述预设的分析模型进行评估，获得评估结果；所述评估结果用于描述所述预设的分析模型获得的油气被盗行为的准确性。
8.根据权利要求1-3任一项所述方法，其特征在于，所述方法还包括：
获取多个环境图像；
分别获得所述多个环境图像中各对象的特征信息；
将所述多个环境图像作为输入，将所述多个环境图像中各对象的特征信息作为输出，训练得到所述识别模型。
9.一种管线监控装置，其特征在于，所述装置包括：
提取模块，用于将传感设备获得的环境图像输入预设的识别模型，提取所述环境图像中各对象的特征信息；所述特征信息用于描述所述各对象的物理属性；
确定模块，用于根据所述特征信息和预设的分析模型，确定所述环境图像中是否存在油气被盗行为。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910228991.1A CN110321770B (zh) | 2019-03-25 | 2019-03-25 | 管线监控方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910228991.1A CN110321770B (zh) | 2019-03-25 | 2019-03-25 | 管线监控方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110321770A true CN110321770A (zh) | 2019-10-11 |
| CN110321770B CN110321770B (zh) | 2022-05-31 |
Family
ID=68112879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910228991.1A Active CN110321770B (zh) | 2019-03-25 | 2019-03-25 | 管线监控方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110321770B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046822A (zh) * | 2019-12-19 | 2020-04-21 | 山东财经大学 | 一种基于人工智能视频识别的大型车辆防盗方法 |
| CN114202724A (zh) * | 2021-12-03 | 2022-03-18 | 国家石油天然气管网集团有限公司 | 一种应用于管道线路视频智能监控的方法及装置 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030125855A1 (en) * | 1995-06-07 | 2003-07-03 | Breed David S. | Vehicular monitoring systems using image processing |
| US20040225419A1 (en) * | 2003-05-08 | 2004-11-11 | Naoki Sakai | Vehicle environment control device |
| US20140254890A1 (en) * | 2013-03-05 | 2014-09-11 | Adam S. Bergman | Predictive theft notification for the prevention of theft |
| CN106203523A (zh) * | 2016-07-17 | 2016-12-07 | 西安电子科技大学 | 基于梯度提升决策树半监督算法融合的高光谱图像分类 |
| CN106331636A (zh) * | 2016-08-31 | 2017-01-11 | 东北大学 | 基于行为事件触发的输油管道智能视频监控系统及方法 |
| US20170053171A1 (en) * | 2005-09-02 | 2017-02-23 | Sensormatic Electronics, LLC | Object tracking and alerts |
| US20170124848A1 (en) * | 2015-11-02 | 2017-05-04 | Leauto Intelligent Technology (Beijing) Co. Ltd. | Image-based remote observation and alarm device and method for in-car moving objects |
| CN107563194A (zh) * | 2017-09-04 | 2018-01-09 | 杭州安恒信息技术有限公司 | 潜伏性盗取用户数据行为检测方法及装置 |
| CN107657677A (zh) * | 2017-09-14 | 2018-02-02 | 国网山东省电力公司汶上县供电公司 | 变电站巡视监控方法、装置及电子设备 |
| CN107729842A (zh) * | 2017-10-18 | 2018-02-23 | 中国石油大学(北京) | 基于机器视觉的油气管道第三方破坏危险识别方法、装置及系统 |
| CN107808425A (zh) * | 2017-11-28 | 2018-03-16 | 刘松林 | 基于无人机航拍影像的油气管线巡检系统及其巡检方法 |
| 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 |
| CN107818303A (zh) * | 2017-10-23 | 2018-03-20 | 中石化石油工程地球物理有限公司 | 无人机油气管线影像自动对比分析方法、系统及软件存储器 |
| CN108275114A (zh) * | 2018-02-27 | 2018-07-13 | 苏州清研微视电子科技有限公司 | 一种油箱防盗监控系统 |
| CN109284739A (zh) * | 2018-10-26 | 2019-01-29 | 福州大学 | 一种基于深度学习的输电线路防外力破坏预警方法及系统 |
-
2019
- 2019-03-25 CN CN201910228991.1A patent/CN110321770B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030125855A1 (en) * | 1995-06-07 | 2003-07-03 | Breed David S. | Vehicular monitoring systems using image processing |
| US20040225419A1 (en) * | 2003-05-08 | 2004-11-11 | Naoki Sakai | Vehicle environment control device |
| US20170053171A1 (en) * | 2005-09-02 | 2017-02-23 | Sensormatic Electronics, LLC | Object tracking and alerts |
| US20140254890A1 (en) * | 2013-03-05 | 2014-09-11 | Adam S. Bergman | Predictive theft notification for the prevention of theft |
| US20170124848A1 (en) * | 2015-11-02 | 2017-05-04 | Leauto Intelligent Technology (Beijing) Co. Ltd. | Image-based remote observation and alarm device and method for in-car moving objects |
| CN106203523A (zh) * | 2016-07-17 | 2016-12-07 | 西安电子科技大学 | 基于梯度提升决策树半监督算法融合的高光谱图像分类 |
| CN106331636A (zh) * | 2016-08-31 | 2017-01-11 | 东北大学 | 基于行为事件触发的输油管道智能视频监控系统及方法 |
| CN107563194A (zh) * | 2017-09-04 | 2018-01-09 | 杭州安恒信息技术有限公司 | 潜伏性盗取用户数据行为检测方法及装置 |
| CN107657677A (zh) * | 2017-09-14 | 2018-02-02 | 国网山东省电力公司汶上县供电公司 | 变电站巡视监控方法、装置及电子设备 |
| CN107729842A (zh) * | 2017-10-18 | 2018-02-23 | 中国石油大学(北京) | 基于机器视觉的油气管道第三方破坏危险识别方法、装置及系统 |
| 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 |
| CN107818303A (zh) * | 2017-10-23 | 2018-03-20 | 中石化石油工程地球物理有限公司 | 无人机油气管线影像自动对比分析方法、系统及软件存储器 |
| CN107808425A (zh) * | 2017-11-28 | 2018-03-16 | 刘松林 | 基于无人机航拍影像的油气管线巡检系统及其巡检方法 |
| CN108275114A (zh) * | 2018-02-27 | 2018-07-13 | 苏州清研微视电子科技有限公司 | 一种油箱防盗监控系统 |
| CN109284739A (zh) * | 2018-10-26 | 2019-01-29 | 福州大学 | 一种基于深度学习的输电线路防外力破坏预警方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 敬兴龙等: "基于全方位振动传感识别的采集存储分离油田智能监控系统设计", 《计算机测量与控制》 * |
| 郭磊等: "油气长输管道大数据研究及应用", 《石油规划设计》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046822A (zh) * | 2019-12-19 | 2020-04-21 | 山东财经大学 | 一种基于人工智能视频识别的大型车辆防盗方法 |
| CN114202724A (zh) * | 2021-12-03 | 2022-03-18 | 国家石油天然气管网集团有限公司 | 一种应用于管道线路视频智能监控的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110321770B (zh) | 2022-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111950329B (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
| Shen et al. | Detecting safety helmet wearing on construction sites with bounding‐box regression and deep transfer learning | |
| CN111667011B (zh) | 损伤检测模型训练、车损检测方法、装置、设备及介质 | |
| WO2020253358A1 (zh) | 业务数据的风控分析处理方法、装置和计算机设备 | |
| Lei et al. | Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning | |
| CN111222423B (zh) | 基于作业区域的目标识别方法、装置、计算机设备 | |
| Al Boni et al. | Area-specific crime prediction models | |
| US20230289887A1 (en) | Optical Fraud Detector for Automated Detection Of Fraud In Digital Imaginary-Based Automobile Claims, Automated Damage Recognition, and Method Thereof | |
| CN108121961A (zh) | 巡检行为识别方法、装置、计算机设备和存储介质 | |
| CN112464117A (zh) | 请求处理方法、装置、计算机设备和存储介质 | |
| CN111325128A (zh) | 违规操作检测方法、装置、计算机设备和存储介质 | |
| CN109831648A (zh) | 防盗远程监控方法、装置、设备及存储介质 | |
| CN110321770A (zh) | 管线监控方法、装置、设备和存储介质 | |
| US11170217B2 (en) | Method and system for prediction and mitigation of spontaneous combustion in coal stock piles | |
| CN112131277B (zh) | 基于大数据的医疗数据异常分析方法、装置和计算机设备 | |
| CN109145743A (zh) | 一种基于深度学习的图像识别方法及装置 | |
| CN110135140A (zh) | 信息保护方法、装置、计算机设备和存储介质 | |
| CN113067820A (zh) | 对异常网页和/或app进行预警的方法、装置及设备 | |
| CN113344376A (zh) | 商户风险监测方法、装置、计算机设备和存储介质 | |
| CN115862167A (zh) | 道闸控制方法、装置、计算机设备和存储介质 | |
| CN118230155A (zh) | 基于人工智能的自然资源调查监测方法及系统 | |
| CN116824488A (zh) | 一种基于迁移学习的目标检测方法 | |
| CN111666973B (zh) | 车辆损伤图片处理方法、装置、计算机设备及存储介质 | |
| CN111352990A (zh) | 报告的生成管理方法、装置、计算机设备和存储介质 | |
| CN113642462A (zh) | 一种驾驶行为考核方法、装置、终端设备及存储介质 |
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 |