CN110348290A - 焦罐车安全预警视觉检测方法 - Google Patents
焦罐车安全预警视觉检测方法 Download PDFInfo
- Publication number
- CN110348290A CN110348290A CN201910446355.6A CN201910446355A CN110348290A CN 110348290 A CN110348290 A CN 110348290A CN 201910446355 A CN201910446355 A CN 201910446355A CN 110348290 A CN110348290 A CN 110348290A
- Authority
- CN
- China
- Prior art keywords
- submodule
- image
- camera
- tank truck
- coke tank
- 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
- 239000000571 coke Substances 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 20
- 230000004888 barrier function Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000013136 deep learning model Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000000737 periodic effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 9
- 238000002372 labelling Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000004939 coking Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000005267 amalgamation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/48—Matching video sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Abstract
本发明公开一种焦罐车安全预警视觉检测方法，包括步骤：对焦罐车行进路上的障碍物现场采集图像标注；设计单发多盒检测器，利用标注好的图像训练，得到基于单发多盒检测器的深度学习模型子模块；获取焦罐车行进中的实时视频图像，预处理后依次输入到训练好的基于单发多盒检测器的深度学习模型子模块中检测，得到反馈的障碍物的检测结果；对检测结果进行分析，排除误识别的结果，然后将非安全图像保存；对误报处理子模块检测合格的数据进行危险类型分析；利用通信协议将危险类型分析结果及同步线程中定期对影响运行稳定性的因素的稳定性监测结果传输给焦罐车PLC用以进行焦罐车运动状态控制。该方法实现对焦罐车工作过程的安全监控。
Description
技术领域
本发明涉及图像目标视觉检测技术领域，特别是一种用于解决焦化行业焦罐车行进场景中进行安全预警的焦罐车安全预警视觉检测方法。
背景技术
随着智能科技的发展，工业智能化时代已经到来，传统工业生产的智能化也势在必行。钢铁产业工作环境恶劣，众多自动化设备的运行控制需要智能化改造，。基于深度学习的视觉检测就是用机器代替人眼来做自动化的检测和判断来控制现场的设备执行，可在一定程度上取代或辅助人工在实时感知和智能决策过程中的作用，同时又具备自动化机器的可靠、精准、稳定的优势，在工业领域具有不可估量的前景和价值。
在焦化厂焦罐车运行作业时间较长，原材料成本极高，长期以来由工作人员人工全程监控，当行进区域出现人员、杂物等障碍物时，工作人员会紧急制动焦罐车，保证人员安全，。但长期作业需要耗费很大工作人员精力，由于焦罐车尺寸和控制室位置特异性，现场人工观测存在角度限制与事业盲区，偶然的疏忽会造成难以估计的重大事故发生，造成重大的生命财产损失。利用多源多模态的传感器技术对行驶环境实时感知，实现对焦罐车行进控制的辅助，实现半自动或自动行驶是其不断升级的未来方向。
因此有必要设计一种焦罐车视觉智能安全监控系统，可全天候监测运行路线上特定区域内的障碍物体，准确的快速捕捉到目标障碍物体，再控制焦罐车及时制动以避免事故。由于实际现场条件复杂多变，设备工作环境恶劣，高温粉尘广泛存在，这会对图像采集、传输、处理、检测和控制造成很大困难，同时威胁硬件设备运行的稳定性和识别结果的可靠性。
发明内容
本发明的目的是提出一种焦罐车安全预警视觉检测方法，使用单发多盒检测器深度学习方法对标注的障碍物图像进行训练，得到能在户外非可控场景下识别焦罐车行进道路上的障碍物的单发多盒检测器模型，经过结果分析子模块判断预警级别，通信协议根据图像检测结果自适应设置并将预警级别结果发送至PLC用以进行焦罐车运动状态的相应控制。
为实现本发明的目的所采用的技术方案是：
一种焦罐车安全预警视觉检测方法，包括步骤：
S1：对焦罐车行进路上的障碍物现场采集的图像进行标注，形成标注图像子模块；
S2：根据现场情况和采集的图像设计单发多盒检测器，利用标注图像子模块中所标注好的图像进行训练，得到基于单发多盒检测器的深度学习模型子模块；
S3：图像处理子模块利用摄像头获取焦罐车行进中的实时视频图像，预处理后依次传入数据接口子模块；
S4：数据接口子模块将收到的视频图像输入到训练好的基于单发多盒检测器的深度学习模型子模块中检测，得到反馈的障碍物的检测结果，即为最终框选出障碍物的图片；
S5：误报处理子模块对检测结果进行分析，排除误识别的结果，然后由像保存子模块将非安全图像以预定格式及形式进行保存；
S6：结果分析子模块对误报处理子模块检测后合格的数据进行危险类型分析，将危险类型分析结果反馈通信子模块；稳定性监测子模块在同步线程中定期对影响运行稳定性的因素进行稳定性监测并反馈给通信子模块，通信子模块利用通讯协议自适应设置将稳定性监测反馈结果及危险类型分析结果反馈给焦罐车PLC，用以进行焦罐车运动状态的相应控制。
本发明是首次将单发多盒检测器算法应用到焦罐车行进安全预警中，能够自动学习得到障碍物的最有效的特征，并且是端到端的方法，省去了传统障碍物识别的图像识别模型设计过程，能够直接得到框选出障碍物的图片。
本发明可以应对由于户外白天光线角度变化和昼夜情况差异，引起的采集图像质量变化，有效提高了障碍识别的准确率、鲁棒性和易用性。
本发明设计的通讯协议可准确反映检测结果和异常值，并支持摄像头扩展，可移植性高，后期可以进行前端的嵌入式转移。
本发明可实现软件开机启动，异常退出自动重启，达到无人值守、免维护的长时间运行的标准。
得益于上述优点，使得本发明可对低质量高噪声以及异质的焦罐车轨道路况图像进行识别，有效提高了识别的准确率和鲁棒性，可以应用到焦化等传统重工行业场内轨道交通等其他传统方法很难处理的非可控场景的预警。
本发明方法首次提出将基于深度学习的目标检测方法应用于现场条件复杂的行进中的焦罐车场景以实现自动的视觉安全预警和监控，多相机集成联合实时采集连续视频序列，集成自主定义的通讯协议，利用PLC控制焦罐车的行进速度和状态，预防生产事故的发生。
附图说明
图1是本发明焦罐车安全预警视觉检测的检测原理图；
图2-3是一种实施例下焦罐车安全预警视觉检测的现场安装布置的主视及俯视图；
图4是焦罐车安全预警视觉检测的实际运行时的流程控制图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，并参照详细附图，对本发明进一步详细说明。
本发明提出的焦罐车安全预警视觉检测方法，其流程图如图1所示，包括以下步骤：
S1：对焦罐车行进路上的障碍物现场采集的图像进行标注，形成标注图像子模块；
S2：根据现场情况和采集的图像设计单发多盒检测器，利用标注图像子模块中所标注好的图像进行训练，得到基于单发多盒检测器的深度学习模型子模块；
S3：图像处理子模块利用摄像头获取焦罐车行进中的实时视频图像，预处理后依次传入数据接口子模块；
S4：数据接口子模块将收到的视频图像输入到训练好的基于单发多盒检测器的深度学习模型子模块中检测，得到反馈的障碍物的检测结果，即为最终框选出障碍物的图片；
S5：误报处理子模块对检测结果进行分析，排除误识别的结果，然后由像保存子模块将非安全图像以预定格式及形式进行保存；
S6：结果分析子模块对误报处理子模块检测后合格的数据进行危险类型分析，将危险类型分析结果反馈通信子模块；稳定性监测子模块在同步线程中定期对影响运行稳定性的因素进行稳定性监测并反馈给通信子模块，通信子模块利用通讯协议自适应设置将稳定性监测反馈结果及危险类型分析结果反馈给焦罐车PLC，用以进行焦罐车运动状态的相应控制。
其中，所述的标注图像子模块，由现场采集的大量目标图像经严格筛选、统一编号、规范标注后形成。将标注图像子模块按一定比例分为训练集、验证集和测试集，利用单发多盒检测器深度学习文件训练得到基于SSD的深度学习模型子模块，基于SSD的深度学习模型子模块经均衡数据集(加入公开库数据，剔除标注样本中标注不规范的图)，调参(学习率，批量大小，动量因子，训练轮数，优化器，学习率衰减函数等)得到，保证最佳检测效果。
其中，所述的图像处理子模块M2，从西侧摄像头2.1和东侧摄像头2.2的数据流中获取图像，经过预处理后传入数据接口子模块中；数据接口子模块将接收的Mat图像格式转为Python的图像数据格式，然后传入基于SSD的深度学习模型子模块中进行检测。
其中，所述的基于SSD的深度学习模型子模块，接收到图像后开始进行检测，并把结果返回到所述的数据接口子模块中；所述基于SSD的深度学习模型子模块若未检测到目标，返回空矩阵，若检测到目标，以得分、中心点列坐标、中心点行坐标、矩形框宽度和矩形框高度顺序将目标信息依次写入矩阵并返回；所述数据接口子模块将返回的检测结果数据解析为C++矩阵格式。
其中，所述的误报处理子模块，采用得分阈值、矩形框面积约束和帧比对方式对所述数据接口子模块传入的目标数据进行二次判断以降低误识别率。所述的结果分析子模块对检测到的目标等级进行分析，如图2中东西两侧摄像头监测区域下的情况，其返回3，表示预警区域和联锁区域内都检测到人。
其中，所述的稳定性监测子模块，在同步线程中根据设定的时间定期(默认10min)检测两个摄像头的无图像报警、网络中断报警和摄像头污染报警状态。若两个摄像头报警条件检测正常，则其相应的协议占位为00。
上述情况时，通讯子模块通过RS422端口定期向PLC发送协议内容，为“FF 01 0200 01 01 01 00 00 00 00 00 02 01 01 00 00 00 00 00 03 00 00 00 00 00 00 00 0400 00 00 00 00 00 00 05 00 00 00 00 00 00 00 06 00 00 00 00 00 00 00 07 00 0000 00 00 00 00 08 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 EE”，PLC根据接受到的协议信息内摄像头的检测结果和焦罐车的运行状态适时控制焦罐车运动。
其中，所述的图像保存子模块，将结果图像保存在以当前日期命名的文件夹中，图像以当前日期、时间和摄像头编号命名，便于查看；将原图像保存在专门文件夹中，便于标注训练；将循环覆盖结果图像保存在与结果图像的文件夹同一目录，便于远程显示。
图2为本发明的方法在焦罐车上的应用示意图，焦罐车1.1的前后两侧分别安装西侧摄像头2.1和东侧摄像头2.2，焦罐车1.1可在轨道3.0上往复直线运动。西侧摄像头2.1监测区域下有联锁区域2.1.1、预警区域2.1.2和安全区域2.1.3；东侧摄像头2.2监测区域下有联锁区域2.2.1、预警区域2.2.2和安全区域2.2.3。联锁区域与预警区域的划分是根据焦罐车的制动距离确定。其中，西侧摄像头2.1在其监测的内联锁区域2.1.1、预警区域2.1.2和安全区域2.1.3内分别有相应的人员4.1.1、4.1.2、4.1.3，东侧摄像头2.2在其监测的联锁区域2.2.1、预警区域2.2.2和安全区域2.2.3人员4.2.1、4.2.2、4.2.3。
需要说明的是，图2-3中区域划分仅为便于本发明进行说明，不代表目前或以后检测的实际区域划分；图2-3中的示意人员仅为便于本发明进行说明，不代表实际检测中人员或其他障碍物的特定位置，也不表示只有在当前示意位置时才能检测；图2-4中的摄像头仅为便于本发明进行说明，仅为某一实施案例中的安装示意，不代表焦罐车或其他车辆上必须以相同数量、同样位置的方式布置。不能将以上图中的示意方式视为对本发明应用范围的限制。
本发明的焦罐车视觉检测预警过程的运行流程图如图4所示：安装于焦罐车正向运行和反向运行的两个摄像头采集行进过程中的视觉信息，连续的视频序列信息被传送到安装于计算机中的本发明的视觉检测模块处对视觉信息处理和分析，生成目标有无、目标距离、目标速度等与目标状态相关的判断结果，该判断结果通过自定义的通讯协议与焦罐车的PLC互相通讯，基于外界感知结果在PLC中实现逻辑的综合判断，决定如何控制焦罐车的下一步运行，焦罐车实时运行状态通过传感器传输给焦罐车PLC。
本发明的各项可达到的检测指标如下：
1.检测速度：5×2帧/秒(最高12×2帧/秒)；
2.检测距离：3～20m(摄像头焦距4mm，增大其焦距，检测距离可进一步增加)；
3.识别率：3～16m范围内识别率接近100％，16～20m范围内识别率85％左右(目标像素较低，特征不明显)，即远距离时有一定漏检率，但可通过大焦距摄像头或多个焦距摄像头融合方式解决；
4.误检率：正常情况下误检率≤0.01％(由阴影引起)；
5.稳定性：现场连续运行一月以上无故障，克服阴雨、粉尘、大风、高温等恶劣环境影响；
6.完善性：基本满足了焦罐车或类似车辆的视觉监控要求；
7.目标对象：根据焦罐车实际运行情况，当前检测的目标障碍物主要为人(由人引起的事故率≥95％)；
8.深度数据：经严格筛选共采集到12400张有效图像数据，规范编号、标注，数据涵盖多人(≥260人)、不同行走姿态、不同位置、昼夜变化、天气变化、不同工作位置、不同光强等实际复杂情况，可复用。
本发明提出的焦罐车安全预警视觉检测方法，其能根据不同的异质源自动学习，以极高的准确率和速率完成识别、判断、通讯、连锁等功能，可应用于全天候情况下焦罐车运行路线上特定区域内现场人员与设备的自动识别与预警，特别是适用于车辆行进速度慢，视野范围窄，场景固定，但是目标繁杂，光线变化复杂，粉尘角多，维护条件差的行车环境的安全预警，如熄焦车、拦焦车、推焦车、场内自有火车的行进安全预警。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种焦罐车安全预警视觉检测方法，其特征在于，包括步骤：
S1：对焦罐车行进路上的障碍物现场采集的图像进行标注，形成标注图像子模块；
S2：根据现场情况和采集的图像设计单发多盒检测器，利用标注图像子模块中所标注好的图像进行训练，得到基于单发多盒检测器的深度学习模型子模块；
S3：图像处理子模块利用摄像头获取焦罐车行进中的实时视频图像，预处理后依次传入数据接口子模块；
S4：数据接口子模块将收到的视频图像输入到训练好的基于单发多盒检测器的深度学习模型子模块中检测，得到反馈的障碍物的检测结果，即为最终框选出障碍物的图片；
S5：误报处理子模块对检测结果进行分析，排除误识别的结果，然后由像保存子模块将非安全图像以预定格式及形式进行保存；
S6：结果分析子模块对误报处理子模块检测后合格的数据进行危险类型分析，将危险类型分析结果反馈通信子模块；稳定性监测子模块在同步线程中定期对影响运行稳定性的因素进行稳定性监测并反馈给通信子模块，通信子模块利用通讯协议自适应设置将稳定性监测反馈结果及危险类型分析结果反馈给焦罐车PLC，用以进行焦罐车运动状态的相应控制。
2.根据权利要求1所述焦罐车安全预警视觉检测方法，其特征在于，所述标注图像子模块由现场采集的大量目标图像经筛选、统一编号、规范标注后形成，标注目标不小于实际尺寸的2/3；大量目标图像包括不同环境下不同工人的多姿态和不同位置图像，由焦罐车前后两个摄像头分别采集，筛选后随机以一定的命名格式统一编号，保证数据可复用性，所述不同环境包括白天夜晚、阴天晴天、不同工作位置。
3.根据权利要求2所述焦罐车安全预警视觉检测方法，其特征在于，所述标注图像子模块中的标注图像按一定比例分为训练集、验证集和测试集，利用训练集对单发多盒检测器训练得到基于单发多盒检测器的深度学习模型子模块；最终基于单发多盒检测器的深度学习模型子模块经反复调整三个集合的比例和相关参数得到，保证最佳检测效果。
4.根据权利要求1所述焦罐车安全预警视觉检测方法，其特征在于，所述数据接口子模块将接收的Mat图像格式转为Python的图像数据格式，然后传入基于单发多盒检测器的深度学习模型子模块中检测。
5.根据权利要求1所述焦罐车安全预警视觉检测方法，其特征在于，所述基于单发多盒检测器的深度学习模型子模块接收到图像后开始进行检测，并把结果返回到所述数据接口子模块；若未检测到目标，返回空矩阵，若检测到目标，以得分、中心点列坐标、中心点行坐标、矩形框宽度和矩形框高度顺序将目标信息依次写入矩阵并返回；所述数据接口子模块将返回的检测结果数据解析为C++矩阵格式。
6.根据权利要求1所述焦罐车安全预警视觉检测方法，其特征在于，所述误报处理子模块对检测到目标数据进行二次判断以降低误识别率，采用得分阈值、矩形框面积约束和帧比对方式依次判断；得分阈值由实际运行时定量统计的误报得分拟合确定；矩形框面积约束由实际运行时定量统计的目标框尺寸拟合确定；帧比对方式为将每个摄像头该帧图像的处理结果与其前一帧图像处理结果比较，结果相同时方认定此次结果可信。
7.根据权利要求1所述焦罐车安全预警视觉检测方法，其特征在于，所述结果分析子模块对目标的危险等级进行分析，分4个等级，0表示目标在安全区域，1表示目标在预警区域，2表示目标在连锁区域，3表示综合对图像中所有目标的分析，预警区域和连锁区域都有目标。
8.根据权利要求1所述焦罐车安全预警视觉检测方法，其特征在于，所述图像保存子模块将非安全图像保存，保存分三种形式，分别是结果图像，原图像和循环覆盖结果图像；结果图像保存在以当前日期命名的文件夹中，图像以当前日期、时间和摄像头编号命名，便于查看；原图像保存在专门文件夹中，便于标注训练；循环覆盖结果图像与结果图像的文件夹在统一目录，便于远程显示。
9.根据权利要求1所述焦罐车安全预警视觉检测方法，其特征在于，所述稳定性监测子模块在同步线程中根据设定的时间定期检测软件的运行状态，包括无图像报警、网络中断报警和摄像头污染报警；根据检测结果返回相应状态值；每个摄像头分别对应三种报警，便于快速定位报警位置。
10.根据权利要求1所述焦罐车安全预警视觉检测方法，其特征在于，所述通讯子模块通过RS422端口定期向PLC发送协议，周期0.5s；其协议为自定义协议，共77位，每位以十六进制数表示，每个摄像头占8位，最多可表示8个摄像头信息；其协议第1位为起始位FF，第2位为PC站号位01，第3位为摄像头数量01～08，第4位为空位00，第5位为第1个摄像头序号位01，第6位为第1个摄像头预警位00或01，第7位为第1个摄像头联锁位00或01，第8位为第1个摄像头无图像报警位00或01，第9位为第1个摄像头网络中断报警位00或01，第10位为第1个摄像头污染报警位00或01，第11至12位为第1个摄像头预留位，第13位为第2个摄像头序号位02，第14～20位与第1个摄像头相应位表示同理，第21位为第3个摄像头序号位03，第22～28位与第1个摄像头相应位表示同理，第29位为第4个摄像头序号位04，第30-36位与第1个摄像头相应位表示同理，第37位为第5个摄像头序号位05，第38～44位与第1个摄像头相应位表示同理，第45位为第6个摄像头序号位06，第46～52位与第1个摄像头相应位表示同理，第53位为第7个摄像头序号位07，第54～60位与第1个摄像头相应位表示相理，第61位为第8个摄像头序号位08，第62～68位与第1个摄像头相应CC位表示同理，第69～75位为协议，第77位为结束位E。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910446355.6A CN110348290A (zh) | 2019-05-27 | 2019-05-27 | 焦罐车安全预警视觉检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910446355.6A CN110348290A (zh) | 2019-05-27 | 2019-05-27 | 焦罐车安全预警视觉检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110348290A true CN110348290A (zh) | 2019-10-18 |
Family
ID=68174010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910446355.6A Pending CN110348290A (zh) | 2019-05-27 | 2019-05-27 | 焦罐车安全预警视觉检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110348290A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110765970A (zh) * | 2019-10-31 | 2020-02-07 | 北京地平线机器人技术研发有限公司 | 最近障碍物的确定方法和装置、存储介质、电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647591A (zh) * | 2018-04-25 | 2018-10-12 | 长沙学院 | 一种基于视觉-语义特征的视频中行为识别方法和系统 |
| CN108710868A (zh) * | 2018-06-05 | 2018-10-26 | 中国石油大学(华东) | 一种基于复杂场景下的人体关键点检测系统及方法 |
| CN109002807A (zh) * | 2018-07-27 | 2018-12-14 | 重庆大学 | 一种基于ssd神经网络的驾驶场景车辆检测方法 |
| CN109635717A (zh) * | 2018-12-10 | 2019-04-16 | 天津工业大学 | 一种基于深度学习的矿用行人检测方法 |
| CN109660761A (zh) * | 2018-12-21 | 2019-04-19 | 鞍钢集团自动化有限公司 | 基于ssd的皮带通廊复杂环境人员识别与报警系统及方法 |
| CN109697424A (zh) * | 2018-12-19 | 2019-04-30 | 浙江大学 | 一种基于fpga和深度学习的高速铁路异物侵限检测装置及方法 |
| CN109800665A (zh) * | 2018-12-28 | 2019-05-24 | 广州粤建三和软件股份有限公司 | 一种人体行为识别方法、系统及存储介质 |
-
2019
- 2019-05-27 CN CN201910446355.6A patent/CN110348290A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647591A (zh) * | 2018-04-25 | 2018-10-12 | 长沙学院 | 一种基于视觉-语义特征的视频中行为识别方法和系统 |
| CN108710868A (zh) * | 2018-06-05 | 2018-10-26 | 中国石油大学(华东) | 一种基于复杂场景下的人体关键点检测系统及方法 |
| CN109002807A (zh) * | 2018-07-27 | 2018-12-14 | 重庆大学 | 一种基于ssd神经网络的驾驶场景车辆检测方法 |
| CN109635717A (zh) * | 2018-12-10 | 2019-04-16 | 天津工业大学 | 一种基于深度学习的矿用行人检测方法 |
| CN109697424A (zh) * | 2018-12-19 | 2019-04-30 | 浙江大学 | 一种基于fpga和深度学习的高速铁路异物侵限检测装置及方法 |
| CN109660761A (zh) * | 2018-12-21 | 2019-04-19 | 鞍钢集团自动化有限公司 | 基于ssd的皮带通廊复杂环境人员识别与报警系统及方法 |
| CN109800665A (zh) * | 2018-12-28 | 2019-05-24 | 广州粤建三和软件股份有限公司 | 一种人体行为识别方法、系统及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陈冬玲: "基于RBF神经网络的提升机定位系统设计与应用", 《柳州师专学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110765970A (zh) * | 2019-10-31 | 2020-02-07 | 北京地平线机器人技术研发有限公司 | 最近障碍物的确定方法和装置、存储介质、电子设备 |
| CN110765970B (zh) * | 2019-10-31 | 2022-08-09 | 北京地平线机器人技术研发有限公司 | 最近障碍物的确定方法和装置、存储介质、电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101577812B (zh) | 一种岗位监测的方法和系统 | |
| CN103456024B (zh) | 一种运动目标越线判断方法 | |
| CN111432179A (zh) | 基于计算机视觉的输煤皮带智能巡检系统及方法 | |
| CN110135383A (zh) | 铁路货车装载视频智能监视系统 | |
| CN113820326B (zh) | 一种长码拉链的缺陷检测系统 | |
| CN103096121A (zh) | 一种摄像头移动检测方法及装置 | |
| CN112686090A (zh) | 一种公交车内异常行为智能监控系统 | |
| CN112633057A (zh) | 一种公交车内异常行为智能监控方法 | |
| CN111723720A (zh) | 一种有机气体泄漏智能可视化实时在线监测系统 | |
| CN117172414A (zh) | 一种基于bim技术的建筑幕墙施工管理系统 | |
| CN105306892A (zh) | 一种证据链形式的船舶视频的生成及显示方法 | |
| CN110163184A (zh) | 智能化视频监控系统及方法 | |
| CN117035419B (zh) | 企业项目实施智能管理系统及方法 | |
| CA3081967C (en) | Method and system for connected advanced flare analytics | |
| CN109272482A (zh) | 一种基于序列图像的城市路口车辆排队检测系统 | |
| CN110020589A (zh) | 一种电力系统中的智能视频分析方法 | |
| CN113240906A (zh) | 基于物流园区道路拥堵实时监控的车辆引导方法及系统 | |
| CN110348290A (zh) | 焦罐车安全预警视觉检测方法 | |
| CN115600124A (zh) | 地铁隧道巡检系统及巡检方法 | |
| CN114662208A (zh) | 一种基于Bim技术的施工可视化系统及方法 | |
| CN105095891A (zh) | 一种人脸捕捉的方法，装置及系统 | |
| CN111966034B (zh) | 一种智能水务系统 | |
| CN109886100A (zh) | 一种基于区域生成网络的行人检测系统 | |
| CN116147697B (zh) | 一种氢氧化铝无人值守监测方法及系统 | |
| CN112633157A (zh) | 一种agv工作区域安全性的实时检测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |