CN110379118A - 列车车下防火智能监控系统及方法 - Google Patents
列车车下防火智能监控系统及方法 Download PDFInfo
- Publication number
- CN110379118A CN110379118A CN201910684013.8A CN201910684013A CN110379118A CN 110379118 A CN110379118 A CN 110379118A CN 201910684013 A CN201910684013 A CN 201910684013A CN 110379118 A CN110379118 A CN 110379118A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- obtains
- spark
- pixel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002265 prevention Effects 0.000 title claims description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 66
- 238000012544 monitoring process Methods 0.000 claims abstract description 60
- 238000012806 monitoring device Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000010191 image analysis Methods 0.000 claims abstract description 15
- 238000013500 data storage Methods 0.000 claims abstract description 14
- 210000000352 storage cell Anatomy 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 73
- 239000011521 glass Substances 0.000 claims description 58
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000012423 maintenance Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013467 fragmentation Methods 0.000 claims description 9
- 238000006062 fragmentation reaction Methods 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000010438 heat treatment Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 5
- 239000011248 coating agent Substances 0.000 claims description 4
- 238000000576 coating method Methods 0.000 claims description 4
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 238000010257 thawing Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 239000013307 optical fiber Substances 0.000 description 10
- 239000000428 dust Substances 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 4
- 238000005259 measurement Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种列车车下防火智能监控系统及方法，监控系统包括：安装于牵引变压器附件上的车下监控装置，该装置包括用于获取图像的图像采集装置和用于获取火警信息的火焰探测器；与车下监控装置连接的数据存储单元；与数据存储单元连接的数据智能处理单元，用于对图像和火警信息进行分析判断，确定是否发生故障，并在发生故障时定位故障点；与数据存储模块和数据智能处理模块连接的显示单元；数据智能处理单元设有图像分析模块和异常故障识别模块。本发明能够实时监控牵引变流器外部异常情况，及时发现故障并准确定位故障点，实时存储及显示监控视频，便于列车工作人员实时掌握车下牵引变流器运行状况，对牵引变流器进行及时维护，确保行车安全。
Description
技术领域
本发明属于轨道车辆监控技术领域，涉及列车车下监控系统，具体地说，涉及一种用于监控轨道车辆车下牵引变压器的列车车下防火智能监控系统及方法。
背景技术
随着社会不断发展，用户对于列车的运输要求逐渐增高，同时对牵引变压器的工作性能的要求也越来越苛刻。牵引变压器作为保证铁路运输系统中重要的电力设备之一，其变电工作对铁路列车的安全运行起到了关键性的作用，对铁路运输事业的发展具有及其重要的意义。在实际工作中，由于工作环境影响，牵引变压器发生故障的频率较高，这不仅影响了运输行业的经济利益，还危害到铁路运输在社会中的影响。牵引变压器按故障部位可分为内部故障和外部故障，牵引变压器外部故障为牵引变压器外部绝缘套管及其引出端子上发生的各种故障，其中，牵引变压器端子出现打火漏电等异常情况时，若未能及时检测到上述异常情况，火花容易引起牵引变压器发生火灾被烧坏，从而影响列车的正常运行，甚至发生更为严重的事故。目前，并未有相关的列车车下防火智能监控系统及方法用于对列车车下牵引变压器外部故障进行监控，因此，研究一种列车车下防火智能监控系统及方法，用于实时监控列车车下牵引变压器外部的异常情况，及时发现变压器端子打火漏电等异常情况并对异常情况进行预警，对铁路列车的安全运行具有十分重要的意义。
发明内容
本发明针对在列车运行过程中未能对列车车下牵引变流器端子打火漏电等异常情况进行实时监测并及时发现牵引变流器故障致使列车无法正常运行等上述问题，提供了一种列车车下防火智能监控系统及方法，能够实时监控牵引变流器外部异常情况，及时发现故障并准确定位故障点，便于列车工作人员实时掌握车下牵引变流器运行状况，对牵引变流器进行及时维护，确保行车安全。
为了达到上述目的，本发明提供了一种列车车下防火智能监控系统，包括：
车下监控装置，所述车下监控装置包括用于获取牵引变压器关键部位图像的图像采集装置和用于获取牵引变压器关键部位火警信息的火焰探测器；
数据存储单元，与所述车下监控装置连接，用于存储车下监控装置采集的图像和火警信息；
数据智能处理单元，与所述数据存储单元连接，用于对图像和火警信息进行分析判断，确定是否发生故障，并在发生故障时定位故障点；
显示单元，与述数据存储模块和所述数据智能处理模块连接，用于显示监控画面和火警信息；
所述数据智能处理单元设有图像分析模块和异常故障识别模块，所述图像分析模块用于定位检测区域并对检测区域中的火花或火苗进行检测分析，所述异常故障识别模块根据所述图像分析模块分析的结果和火警信息判断检测区域是否发生异常故障，若发生异常故障，则生成并发送不同等级的报警信号。
进一步的，还包括与所述图像采集装置连接的智能维护单元，用于对所述图像采集装置进行异常检测，并根据检测结果判断图像采集装置是否需要维护，若需要维护则生成不同等级的报警信号；所述智能维护单元与所述显示单元连接，将报警信号发送至显示单元进行显示。
优选的，所述智能维护单元设有画面模糊检测模块和裂纹检测模块，所述画面模糊检测模块用于检测图像清晰度，并判断图像采集装置是否需要维护，该模块得到模糊的区域，并生成不同等级的报警信号发送至显示单元进行显示；所述裂纹检测模块用于检测图像中图像采集装置监控面的面板玻璃是否有玻璃破碎，若图像中有玻璃破碎，得到图像中玻璃破碎的位置，并生成不同等级的报警信号发送至显示单元进行显示。
进一步的，还包括防火监控主机，所述数据存储单元、所述数据智能处理单元和所述智能维护单元均安装于所述防火监控主机的机箱内，所述机箱内还设有为所述数据存储单元、所述数据智能处理单元和所述智能维护单元供电的电源模块。
优选的，所述图形采集装置为摄像机，所述摄像机的监控面设计为下斜面，所述监控面的面板玻璃设有增透镀层。
优选的，所述监控面的面板玻璃处设有自动加热装置，用于对面板玻璃进行加热除霜。
优选的，所述图像分析模块采用光流场分析的方式对图像中的火花或火苗进行分析，发现图像中火花或火苗的位置，得到异常位置。
优选的，所述图像分析模块经光流场分析得到异常位置后，通过深度神经网络对图像进行分类；所述深度神经网络采用残差网络结构。
为了达到上述目的，本发明还提供了一种列车车下防火智能监控方法，其具体步骤为：
S1、实时获取车下牵引变压器部位的图像和火警信息；
S2、对图像和火警信息进行存储；
S3、对图像中的火花或火苗进行分析，发现火花或火苗的位置，得到异常位置；
S4、根据得到的异常位置和火警信息判断牵引变流器部位是否发生故障，若判断发生故障，定位故障点，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。
优选的，采用光流场分析的方式对图像中的火花或火苗进行分析，其具体步骤为：
假设图像中的同一目标在相邻帧之间的亮度恒定，该目标的某一像素点在第一帧的光强度表示为I(x,y,t)，该像素点在dt时间后的下一帧中移动了(dx,dy) 的距离，因为是同一个像素点，我们认为该像素点在运动前后的光强度I(x,y,t)是不变的，用以下方程表示为：
I(x,y,t)＝I(x+dx,y+dy,t+dt) (1)
式中，I(x,y,t)表示图像中某一个像素点在t时刻的光强度，x为该像素点的x轴坐标，y为该像素点的y轴坐标，t为相邻帧之间的时间差；
使用一阶泰勒展开，得到：
则有：
同时除以dt，得到：
fxu+fyv+ft＝0 (4)
式中，
假设光流在像素点的领域是一个常数，使用最小二乘法对邻域中的所有像素点求解基本的光流方程；
统计方向为向四周扩散的光流获取出现火花的位置，统计方向为向上的光流获取火苗的位置，进而得到异常位置。
优选的，得到异常位置后，通过深度神经网络对图像进行分类。
进一步的，还包括以下步骤：对图像进行画面模糊检测，计算图像的清晰度，设定阈值，则得到模糊的区域，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。
优选的，对图像进行画面模糊检测的具体步骤为：
将图像分割成若干个小块；
使用边缘提取算子提取图像中物体的边缘，所述边缘提取算子s定义为：
若图像上的位置为(x,y)的像素用U(x,y)表示，则新生成的提取了边缘的图像 V的每一个像素V(x,y)由以下公式得到：
V(x,y)＝-4U(x,y)+U(x-1,y)+U(x+1,y)+U(x,y-1)+U(x,y+1) (6)
把新生成的图像V按照30×30切分呈若干个小块，根据公式(7)和公式(8) 统计每一个小块区域图像的均值和标准方差，公式(7)和公式(8)表示为：
式中，表示一个小块区域图像的均值，Vn表示新生成图像V的像素值，n表示一小块区域图像的像素点个数，N表示小块区域图像的个数，i表示第i块区域图像，SN表示一个小块区域图像的标准方差；
通过公式(9)描述每一块区域图像i的清晰度Mi，公式(9)表示为:
式中，W1和W2为权重系数；
计算每一块区域图像的清晰度，得到每一块区域的清晰度得分；
设定阈值，若清晰度小于阈值，则得到模糊的区域，形成不同等级的报警信号发送并显示给工作人员。
进一步的，还包括以下步骤：对图像进行裂纹检测，若检测到图像中有玻璃破碎，则得到图像中玻璃破碎的位置，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。
优选的，对图像进行裂纹检测的具体步骤为：
对图像进行缩放；
将缩放的图像经过卷积网络进行特征提取，得到特征图；
候选区域生成网络使用卷积网络得到的特征图，生成可能出现玻璃碎裂的候选区域；
利用候选区域生成网络生成的候选区域从特征图中抽取关键特征，即可能出现玻璃碎裂的图像特征，得到固定大小的特征；
通过全连接网络对关键特征抽取后得到的特征进行回归和分类，即可得到图像中玻璃破碎的位置，并形成不同等级的报警信号发送并显示给工作人员。
与现有技术相比，本发明的优点和积极效果在于：
(1)本发明监控系统首次实现对车下牵引变压器部分的智能检测，利用对获取图像中的火花或火苗进行分析，结合火焰探测器获取的报警信息，判断检测区域是否发生异常故障，能够有效检测出漏电打火现象，确保行车安全；系统正常工作时，会对监控视频进行实时存储及显示，便于列车工作人员实时掌握牵引变压器运行状况，也别便于出现故障时回溯查找历史视频，更精确的定位故障点。
(2)本发明监控系统，车下监控装置采用图像采集装置获取图像和采用火焰探测器火警信息，通过两种不同原理的检测手段，确保检测结果的可靠性。
(3)本发明监控系统还设有智能维护单元，该单元设有画面模糊检测模块和裂纹检测模块，通过对图像采集装置获取的图像继续进行画面模糊检测和裂纹检测确定图像采集装置是否需要进行维护，便于工作人员对设备进行及时维护。
(4)本发明监控系统中图像采集装置采用摄像机，充分考虑了车下高压设备附近的电磁干扰，在摄像机的监控面增加增透镀层，减少玻璃对红外线及紫外线的反射处理，减少摄像机因环境影响导致的画面效果不良；同时考虑车下易积灰的特性，摄像机的前面板采用下斜面设计，尽可能减少积灰影响拍摄效果。
(5)本发明监控方法通过对获取图像中火花或火苗的分析，结合火警信息判断是否有异常故障发生，通过两种不同原理的检测手段，能够确保检测结果的可靠性。
(6)本发明监控方法采用光流场分析的方式对图像中的火花或火苗进行分析，对火花检测时，在连续的视频中，光流场呈现出如花瓣绽放的效果，通过对光流场的检测，能够迅速发现图像中火花的位置，提高图像分析的效率。
(7)本发明监控方法对经光流场分析得到异常位置后的图像，通过深度神经网络做图像分类，进一步提高了视频图像中火花的检测率。
(8)本发明监控方法实时分析监控图像，对画面模糊和玻璃破碎进行检测，出现异常后，提出报警，提醒工作人员进行维护图像采集装置的监控面面板玻璃，防止因图像画面模糊或玻璃薄碎致使牵引变压器外部异常故障未能及时被发现的情况发生，进一步提高了列车运行的安全。
附图说明
图1为本发明实施例列车车下防火智能监控系统的深度神经网络结构图；
图2为本发明实施例火花示意图；
图3为本发明实施例火苗示意图；
图4a为本发明实施例车底原图图像示意图；
图4b为本发明实施例车底模糊图像示意图；
图5a为本发明实施例车底原图图像边缘提取示意图；
图5b为本发明实施例车底模糊图像边缘提取示意图；
图6为本发明实施例边缘提取得到的清晰度得分图；
图7为本发明实施例裂纹检测原理图；
图8为本发明实施例卷积网络结构示意图；
图9为本发明实施例候选区域生成网络生成候选区域原理图；
图10为本发明实施例候选区域生成网络结构示意图；
图11为本发明实施例抽取关键特征的原理图；
图12为本发明实施例裂纹检测效果图。
具体实施方式
下面，通过示例性的实施方式对本发明进行具体描述。然而应当理解，在没有进一步叙述的情况下，一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
本发明一实施例，提供了一种列车车下防火智能监控系统，包括：
车下监控装置，所述车下监控装置包括用于获取牵引变压器关键部位图像的图像采集装置和用于获取牵引变压器关键部位火警信息的火焰探测器；具体地，火焰探测器是通过检测可燃物质燃烧或爆炸刚点燃的瞬间辐射出的较强能量的紫外线来做出火警判断，一般是检测185nm-260nm波段的紫外线。获取的火警信息具体为火焰探测器探测的结果，即火警报警或者状态正常信号两种情况的信息。所述车下监控装置安装于牵引变压器附近，具体地，安装于距离牵引变压器0.5-1.0m处，可以是0.5m、0.6m、0.7m、0.8m、0.9m、1.0m处，具体根据实际情况而定。
数据存储单元，与所述车下监控装置连接，用于存储车下监控装置采集的图像和火警信息；
数据智能处理单元，与所述数据存储单元连接，用于对图像和火警信息进行分析判断，确定是否发生故障，并在发生故障时定位故障点；
显示单元，与述数据存储模块和所述数据智能处理模块连接，用于显示监控画面和火警信息。
所述数据智能处理单元设有图像分析模块和异常故障识别模块，所述图像分析模块用于定位检测区域并对检测区域中的火花或火苗进行检测分析，所述异常故障识别模块根据所述图像分析模块分析的结果和火警信息判断检测区域是否发生异常故障，若发生异常故障，则生成并发送不同等级的报警信号。
具体地，所述图形采集装置为摄像机，具体采用红外夜视摄像机。所述摄像机的监控面设计为下斜面，能有效地防止灰尘堆积。所述监控面的面板玻璃设有增透镀层，能够减少玻璃对红外线及紫外线的反射处理，减少摄像机因环境影响导致的画面效果不良。在一优选实施方式中，所述监控面的面板玻璃处设有自动加热装置，用于对面板玻璃进行加热除霜。此处，自动加热装置采用市场上常用的加热装置即可，此处不在赘述。
本实施例中，所述图像分析模块采用光流场分析的方式对图像中的火花或火苗进行分析，发现图像中火花或火苗的位置，得到异常位置。对于火花的检测，在连续的视频中，光流场呈现出如花瓣绽放的效果。通过光流场分析的方式，能够快速发现图像中火花的位置。
本实施例中，所述图像分析模块经光流场分析得到异常位置后，通过深度神经网络对图像进行分类。由于光流本身是一种特征层，特征比原始图像更容易提取火花信息，因此通过深度神经网络对图像进行分类，能够提高视频片段的火花检测率。作为优选实施方式，所述深度神经网络采用残差网络结构。具体地，参见表1和图1，该残差网络结构的参数为：3×3,64，表示卷积大小为3×3、卷积核个数为64；3×3,128，表示卷积大小为3×3、卷积核个数为128；3×3,256，表示卷积大小为3×3、卷积核个数为256；3×3,512，表示卷积大小为3×3、卷积核个数为512。
表1
本实施例中，所述监控系统还包括防火监控主机，所述数据存储单元和所述数据智能处理单元均安装于所述防火监控主机的机箱内，所述机箱内还设有为所述数据存储单元、所述数据智能处理单元和所述智能维护单元供电的电源模块。具体地，机箱采用3U机箱，体积小，便于设备安装。
进一步的，所述机箱内还设有交换机模块，所述交换机模块设有以太网接口和RS485接口，防火监控主机由以太网接口通过以太网与摄像机和通过列车以太网与显示单元(显示单元为显示屏)进行通信，将摄像机采集的视频图像传输至防火监控主机进行存储，并由防火监控主机传输至显示单元进行显示。同样地，防火监控主机由RS485接口通过RS485总线与火焰探测器进行通信，将火烟探测器获取的火警信息传输至防火监控主机进行存储，并由防火监控主机传输至显示单元进行显示。
本发明实施例上述监控系统，使用时分别安装在列车的不同位置，具体地，防火监控主机分别安装于带牵引变压器的车厢中，车下监控装置安装于车下牵引变压器附件上，显示单元安装于机械师室。当故障发生时，防火监控主机将由摄像机采集的视频图像经过数据智能处理单元进行火花或火苗分析后与火焰探测器的检测的火警信息结合输出不同等级的报警信号(例如：预警、告警、报警三个等级的信号。报警信号的具体等级，可根据实际需求进行调整)至显示单元，防火监控主机通过列车以太网将实时监控画面和报警信号传输至显示单元进行显示。
本发明实施例上述监控系统，利用对获取图像中的火花或火苗进行分析，结合火焰探测器获取的报警信息，判断检测区域是否发生异常故障，能够有效检测出漏电打火现象，确保行车安全；该监控系统正常工作时，会对监控视频进行实时存储及显示，便于列车工作人员实时掌握牵引变压器运行状况，也别便于出现故障时回溯查找历史视频，更精确的定位故障点。
本发明另一实施例，提供了一种列车车下防火智能监控系统，与上述实施例不同的是，本实施例中，所述监控系统不仅包括上述实施例所述的车下监控装置、数据存储单元、数据智能处理单元、显示单元和防火监控主机，还包括与所述图像采集装置连接的智能维护单元，用于对所述图像采集装置进行异常检测，并根据检测结果判断图像采集装置是否需要维护，若需要维护则生成不同等级的报警信号；所述智能维护单元与所述显示单元连接，将不同等级的报警信号发送至显示单元进行显示。所述智能维护单元安装于所述防火监控主机的机箱内，所述智能维护单元与所述电源模块连接，由电源模块为其供电。
具体地，所述智能维护单元设有画面模糊检测模块和裂纹检测模块，所述画面模糊检测模块用于检测图像清晰度，并判断图像采集装置是否需要维护，该模块得到模糊的区域，并生成不同等级的报警信号发送至显示单元进行显示；所述裂纹检测模块用于检测图像中图像采集装置(即摄像机)监控面的面板玻璃是否有玻璃破碎，若图像中有玻璃破碎，得到图像中玻璃破碎的位置，并生成不同等级的报警信号发送至显示单元进行显示。
本发明实施例上述监控系统，不仅能够有效检测出漏电打火现象，确保行车安全，在该监控系统正常工作时，会对监控视频进行实时存储及显示，便于列车工作人员实时掌握牵引变压器运行状况，也别便于出现故障时回溯查找历史视频，更精确的定位故障点。还能够对监控图像进行画面模糊和裂纹检测，从而对车下监控装置进行监控，便于列车工作人员实时掌握车下监控装置的运行状况，及时对车下监控装置进行维护，进一步提高行车安全。
本发明又一实施例，提供了一种列车车下防火智能监控方法，其具体步骤为：
S1、实时获取车下牵引变压器部位的图像和火警信息。
S2、对图像和火警信息进行存储。
S3、对图像中的火花或火苗进行分析，发现火花或火苗的位置，得到异常位置。
具体地，采用光流场分析的方式对图像中的火花或火苗进行分析，对于火花的分析，在连续的视频图像中，光流场呈现如花瓣绽放的效果。通过对光流场的分析，能够迅速发现图像中火花的位置。其具体步骤为：
鉴于光流是空间运动物体在观测成像平面上的像素运动的“瞬时速度”。光流场的目的是找到图像中每个像素点的速度向量。因此，
假设图像中的同一目标在相邻帧之间的亮度恒定，该目标的某一像素点在第一帧的光强度表示为I(x,y,t)，该像素点在dt时间后的下一帧中移动了(dx,dy) 的距离，因为是同一个像素点，我们认为该像素点在运动前后的光强度I(x,y,t)是不变的，用以下方程表示为：
I(x,y,t)＝I(x+dx,y+dy,t+dt) (1)
式中，I(x,y,t)表示图像中某一个像素点在t时刻的光强度，x为该像素点的x轴坐标，y为该像素点的y轴坐标，t为相邻帧之间的时间差；
使用一阶泰勒展开，得到：
则有：
同时除以dt，得到：
fxu+fyv+ft＝0 (4)
式中，
假设光流在像素点的领域是一个常数，使用最小二乘法对邻域中的所有像素点求解基本的光流方程；
由于光流的值是一个向量，不仅有大小，还有方向，参见图2所示火花，图3所示火苗，统计方向为向四周扩散的光流获取出现火花的位置，统计方向为向上的光流获取火苗的位置，进而得到异常位置。
S4、根据得到的异常位置和火警信息判断牵引变流器部位是否发生故障，若判断发生故障，定位故障点，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。
为了提高视频图像片段的火花检测率，步骤S3中，得到异常位置后，通过深度神经网络对图像进行分类。由于光流本身是一种特征层，特征比原始图像更容易提取出火花信息，因此，通过深度神经网络对光流特征进行提取并进行分类，能够有效提高火花检测率。具体地，深度神经网络采用残差网络结构，该残差网络结构同上述第一个实施例所述列车车下防火智能监控系统中的残差网络结构，此处，对其具体结构形式不在赘述。
本实施例上述监控方法通过对获取图像中火花或火苗的分析，结合火警信息判断是否有异常故障发生，从而对异常情况进行报警，有效检测出漏电打火现象，确保行车安全。且通过两种不同原理的检测手段，能够确保检测结果的可靠性。
本发明另一实施例，提供了一种列车车下防火智能监控方法，其具体步骤为：
S1、实时获取车下牵引变压器部位的图像和火警信息。
S2、对图像和火警信息进行存储。
S3、对图像中的火花或火苗进行分析，发现火花或火苗的位置，得到异常位置；其具体步骤同上述实施例监控方法，此处不在赘述。
S4、根据得到的异常位置和火警信息判断牵引变流器部位是否发生故障，若判断发生故障，定位故障点，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。
S5、对图像进行画面模糊检测，计算图像的清晰度，设定阈值，则得到模糊的区域，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。具体地，由于画面模糊可以认为是图像中物体边缘不清晰。通过对图像边缘的检测和判断可以得到摄像机的摄像头是否由于水雾或灰尘等原因变得模糊。因此本实施例中，对图像进行画面模糊检测的具体步骤为：
将图像分割成若干个小块，参见图4a、图4b，图4a为车底原图图像，图 4b为车底模糊图像。
使用边缘提取算子提取图像中物体的边缘，其效果参见图5a(车底原图图像边缘提取)、图5b(车底模糊图像边缘提取)。所述边缘提取算子s定义为：
若图像上的位置为(x,y)的像素用U(x,y)表示，则新生成的提取了边缘的图像 V的每一个像素V(x,y)由以下公式得到：
V(x,y)＝-4U(x,y)+U(x-1,y)+U(x+1,y)+U(x,y-1)+U(x,y+1) (6)
由图5a、5b可以看出，有模糊区域的图片很难提取边界信息。
把新生成的图像V按照30×30切分呈若干个小块，根据公式(7)和公式(8) 统计每一个小块区域图像的均值和标准方差，公式(7)和公式(8)表示为：
式中，表示一个小块区域图像的均值，Vn表示新生成图像V的像素值，n表示一小块区域图像的像素点个数，N表示小块区域图像的个数，i表示第i块区域图像，SN表示一个小块区域图像的标准方差；
通过公式(9)描述每一块区域图像i的清晰度Mi，公式(9)表示为:
式中，W1和W2为权重系数；
计算每一块区域图像的清晰度，得到每一块区域的清晰度得分，参见图6；
设定阈值，若清晰度小于阈值，则得到模糊的区域，形成不同等级的报警信号发送并显示给工作人员。
为了提高视频图像片段的火花检测率，步骤S3中，得到异常位置后，通过深度神经网络对图像进行分类。由于光流本身是一种特征层，特征比原始图像更容易提取出火花信息，因此，通过深度神经网络对光流特征进行提取并进行分类，能够有效提高火花检测率。具体地，深度神经网络采用残差网络结构，该残差网络结构同上述第一个实施例所述列车车下防火智能监控系统中的残差网络结构，此处，对其具体结构形式不在赘述。
本实施例中，步骤S5可设于步骤S3之前，即：S3、对图像进行画面模糊检测，计算图像的清晰度，设定阈值，则得到模糊的区域，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。S4、对图像中的火花或火苗进行分析，发现火花或火苗的位置，得到异常位置。S5、根据得到的异常位置和火警信息判断牵引变流器部位是否发生故障，若判断发生故障，定位故障点，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。
本实施例上述监控方法，不仅能够通过对获取图像中火花或火苗的分析，结合火警信息判断是否有异常故障发生，从而对异常情况进行报警，有效检测出漏电打火现象，确保行车安全。且通过两种不同原理的检测手段，能够确保检测结果的可靠性。还能够通过对图像画面模糊的检测，确定是否对设备进行维护，便于工作人员对设备进行及时为维护。
本发明又一实施例，提供了一种列车车下防火智能监控方法，其具体步骤为：
S1、实时获取车下牵引变压器部位的图像和火警信息。
S2、对图像和火警信息进行存储。
S3、对图像中的火花或火苗进行分析，发现火花或火苗的位置，得到异常位置；其具体步骤同上述实施例监控方法，此处不在赘述。
S4、根据得到的异常位置和火警信息判断牵引变流器部位是否发生故障，若判断发生故障，定位故障点，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。
S5、对图像进行裂纹检测，若检测到图像中有玻璃破碎，则得到图像中玻璃破碎的位置，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。参见图7，对图像进行裂纹检测的具体步骤为：
S51、对图像进行缩放。
S52、将缩放的图像经过卷积网络进行特征提取，得到特征图。
具体地，参见图8所示卷积网络的框架，由于经过了3层pooling，即3层池化，一个MxNx3大小的输入图片，经过特征抽取，变为(M/16)x(N/16)x512的特征图。以输入图片为512x512为例，经过特征提取后，得到的特征图的尺寸为32x32x512。
S53、候选区域生成网络(英文：Region Proposal Networks，以下简称： RPN)使用卷积网络得到的特征图，生成可能出现玻璃碎裂的候选区域。
具体地，候选区域生成网络基于卷积网络得到的特征图的大小生成一系列可能出现玻璃碎裂的候选区域。参见图9、图10，feature map为图像经过卷积网络得到的特征图，在进入候选区域生成网络后，先经过一次3*3的卷积进一步集中特征信息，特征图大小不变，数量512，接着两个1x1的卷积网络，特征的输出宽高保持不变，做分类的特征(rpn_cls)的维度变为18，做回归的特征维度(rpn_bbox)为36。
以一个输入图像大小为512x512的输入图像为例，经过卷积后，得到特征图的尺寸为32*32*512(512/16＝32，512/16＝32)，经过3x3的卷积后，尺寸保持不变，经过rpn_cls和rpn_bbox后尺寸分别为：32x32x2*9和32x32x4*9，9是 RPN设置的每个特征点产生的默认候选区域的个数。
S54、利用候选区域生成网络生成的候选区域从特征图中抽取关键特征，即可能出现玻璃碎裂的图像特征，得到固定大小的特征。
由于玻璃破碎的形状可大可小，卷积网络在处理多尺度上效果不是很好，因此引入关键特征抽取操作，把可能出现玻璃碎裂的图像特征从特征提取层生成的特征层中抽取出来。具体地，参见图11，抽取关键特征的具体过程为：
(1)原图像的尺寸是400*320，经过卷积网络提取特征后，最后一层特征图featuremap大小为25*20。
(2)原图像中有一候选区域region proposal，大小为192*120，映射到特征图中的大小：192/32＝6，120/32＝3.75，即6*3.75，映射的特征图大小需要取整，大小为6*3。
(3)抽取关键特征设置的抽取后的特征大小为3x3，即抽取后固定成3x3 大小的特征图，将上面在特征图feature map上映射的6*3的候选区域region proposal划分成9个同等大小的小区域，每个小区域的大小6/3＝2 3/3＝1,即 2*1，取整后大小变成2x1，每个小区域里，取出其中像素值，则9个小区域就输出9个像素值，组成3x3大小的特征图。
S55、通过全连接网络对关键特征抽取后得到的特征进行回归和分类，即可得到图像中玻璃破碎的位置，并形成不同等级的报警信号发送并显示给工作人员。参见图6，裂纹检测的效果参见图12。
为了提高视频图像片段的火花检测率，步骤S3中，得到异常位置后，通过深度神经网络对图像进行分类。由于光流本身是一种特征层，特征比原始图像更容易提取出火花信息，因此，通过深度神经网络对光流特征进行提取并进行分类，能够有效提高火花检测率。具体地，深度神经网络采用残差网络结构，该残差网络结构同上述第一个实施例所述列车车下防火智能监控系统中的残差网络结构，此处，对其具体结构形式不在赘述。
本实施例中，步骤S5可设于步骤S3之前，即：S3、对图像进行裂纹检测，若检测到图像中有玻璃破碎，则得到图像中玻璃破碎的位置，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。S4、对图像中的火花或火苗进行分析，发现火花或火苗的位置，得到异常位置。S5、根据得到的异常位置和火警信息判断牵引变流器部位是否发生故障，若判断发生故障，定位故障点，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。
本实施例上述监控方法，不仅能够通过对获取图像中火花或火苗的分析，结合火警信息判断是否有异常故障发生，从而对异常情况进行报警，有效检测出漏电打火现象，确保行车安全。且通过两种不同原理的检测手段，能够确保检测结果的可靠性。还能够通过对图像玻璃碎裂的裂纹检测，确定是否对设备进行维护，便于工作人员对设备进行及时为维护。
本发明另一实施例，提供了一种列车车下防火智能监控方法，其具体步骤为：
S1、实时获取车下牵引变压器部位的图像和火警信息。
S2、对图像和火警信息进行存储。
S3、对图像中的火花或火苗进行分析，发现火花或火苗的位置，得到异常位置；其具体步骤同上述实施例监控方法，此处不在赘述。
S4、根据得到的异常位置和火警信息判断牵引变流器部位是否发生故障，若判断发生故障，定位故障点，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。
S5、对图像进行画面模糊检测，计算图像的清晰度，设定阈值，则得到模糊的区域，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。其具体步骤同上述实施例监控方法，此处不在赘述。
S6、对图像进行裂纹检测，若检测到图像中有玻璃破碎，则得到图像中玻璃破碎的位置，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。其具体步骤同上述实施例监控方法，此处不在赘述。
为了提高视频图像片段的火花检测率，步骤S3中，得到异常位置后，通过深度神经网络对图像进行分类。由于光流本身是一种特征层，特征比原始图像更容易提取出火花信息，因此，通过深度神经网络对光流特征进行提取并进行分类，能够有效提高火花检测率。具体地，深度神经网络采用残差网络结构，该残差网络结构同上述第一个实施例所述列车车下防火智能监控系统中的残差网络结构，此处，对其具体结构形式不在赘述。
本实施例中，步骤S5、S6的循序可以互换，即：S5、对图像进行裂纹检测，若检测到图像中有玻璃破碎，则得到图像中玻璃破碎的位置，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。S6、对图像进行画面模糊检测，计算图像的清晰度，设定阈值，则得到模糊的区域，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。此外，步骤S5、S6还可设于步骤S3之前，即：S4、对图像进行裂纹检测，若检测到图像中有玻璃破碎，则得到图像中玻璃破碎的位置，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。S5、对图像中的火花或火苗进行分析，发现火花或火苗的位置，得到异常位置。S6、根据得到的异常位置和火警信息判断牵引变流器部位是否发生故障，若判断发生故障，定位故障点，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。或者：S3、对图像进行裂纹检测，若检测到图像中有玻璃破碎，则得到图像中玻璃破碎的位置，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。S4、对图像进行画面模糊检测，计算图像的清晰度，设定阈值，则得到模糊的区域，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。S5、对图像中的火花或火苗进行分析，发现火花或火苗的位置，得到异常位置。S6、根据得到的异常位置和火警信息判断牵引变流器部位是否发生故障，若判断发生故障，定位故障点，并形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。
本实施例上述监控方法，不仅能够通过对获取图像中火花或火苗的分析，结合火警信息判断是否有异常故障发生，从而对异常情况进行报警，有效检测出漏电打火现象，确保行车安全。且通过两种不同原理的检测手段，能够确保检测结果的可靠性。还能够通过对图像画面模糊的检测和对图像玻璃碎裂的裂纹检测，确定是否对设备进行维护，便于工作人员对设备进行及时为维护。
上述实施例用来解释本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
Claims (15)
1.一种列车车下防火智能监控系统，其特征在于，包括：
车下监控装置，所述车下监控装置包括用于获取牵引变压器关键部位图像的图像采集装置和用于获取牵引变压器关键部位火警信息的火焰探测器；
数据存储单元，与所述车下监控装置连接，用于存储车下监控装置采集的图像和火警信息；
数据智能处理单元，与所述数据存储单元连接，用于对图像和火警信息进行分析判断，确定是否发生故障，并在发生故障时定位故障点；
显示单元，与述数据存储模块和所述数据智能处理模块连接，用于显示监控画面和火警信息；
所述数据智能处理单元设有图像分析模块和异常故障识别模块，所述图像分析模块用于定位检测区域并对检测区域中的火花或火苗进行检测分析，所述异常故障识别模块根据所述图像分析模块分析的结果和火警信息判断检测区域是否发生异常故障，若发生异常故障，则生成并发送不同等级的报警信号。
2.如权利要求1所述的列车车下防火智能监控系统，其特征在于，还包括与所述图像采集装置连接的智能维护单元，用于对所述图像采集装置进行异常检测，并根据检测结果判断图像采集装置是否需要维护，若需要维护则生成不同等级的报警信号；所述智能维护单元与所述显示单元连接，将不同等级的报警信号发送至显示单元进行显示。
3.如权利要求2所述的列车车下防火智能监控系统，其特征在于，所述智能维护单元设有画面模糊检测模块和裂纹检测模块，所述画面模糊检测模块用于检测图像清晰度，并判断图像采集装置是否需要维护，该模块得到模糊的区域，并生成不同等级的报警信号发送至显示单元进行显示；所述裂纹检测模块用于检测图像中图像采集装置监控面的面板玻璃是否有玻璃破碎，若图像中有玻璃破碎，得到图像中玻璃破碎的位置，并生成不同等级的报警信号发送至显示单元进行显示。
4.如权利要求2或3所述的列车车下防火智能监控系统，其特征在于，还包括防火监控主机，所述数据存储单元、所述数据智能处理单元和所述智能维护单元均安装于所述防火监控主机的机箱内，所述机箱内还设有为所述数据存储单元、所述数据智能处理单元和所述智能维护单元供电的电源模块。
5.如权利要求1所述的列车车下防火智能监控系统，其特征在于，所述图形采集装置为摄像机，所述摄像机的监控面设计为下斜面，所述监控面的面板玻璃设有增透镀层。
6.如权利要求5所述的列车车下防火智能监控系统，其特征在于，所述监控面的面板玻璃处设有自动加热装置，用于对面板玻璃进行加热除霜。
7.如权利要求1所述的列车车下防火智能监控系统，其特征在于，所述图像分析模块采用光流场分析的方式对图像中的火花或火苗进行分析，发现图像中火花或火苗的位置，得到异常位置。
8.如权利要求7所述的列车车下防火智能监控系统，其特征在于，所述图像分析模块经光流场分析得到异常位置后，通过深度神经网络对图像进行分类；所述深度神经网络采用残差网络结构。
9.一种列车车下防火智能监控方法，其特征在于，其具体步骤为:
S1、实时获取车下牵引变压器部位的图像和火警信息；
S2、对图像和火警信息进行存储；
S3、对图像中的火花或火苗进行分析，发现火花或火苗的位置，得到异常位置；
S4、根据得到的异常位置和火警信息判断牵引变流器部位是否发生故障，若判断发生故障，定位故障点，形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。
10.如权利要求9所述的列车车下防火智能监控方法，其特征在于，采用光流场分析的方式对图像中的火花或火苗进行分析，其具体步骤为：
假设图像中的同一目标在相邻帧之间的亮度恒定，该目标的某一像素点在第一帧的光强度表示为I(x,y,t)，该像素点在dt时间后的下一帧中移动了(dx,dy)的距离，因为是同一个像素点，我们认为该像素点在运动前后的光强度I(x,y,t)是不变的，用以下方程表示为：
I(x,y,t)＝I(x+dx,y+dy,t+dt) (1)
式中，I(x,y,t)表示图像中某一个像素点在t时刻的光强度，x为该像素点的x轴坐标，y为该像素点的y轴坐标，t为相邻帧之间的时间差；
使用一阶泰勒展开，得到：
则有：
同时除以dt，得到：
fxu+fyv+ft＝0 (4)
式中，
假设光流在像素点的领域是一个常数，使用最小二乘法对邻域中的所有像素点求解基本的光流方程；
统计方向为向四周扩散的光流获取出现火花的位置，统计方向为向上的光流获取火苗的位置，进而得到异常位置。
11.如权利要求10所述的列车车下防火智能监控方法，其特征在于，得到异常位置后，通过深度神经网络对图像进行分类。
12.如权利要求9所述的列车车下防火智能监控方法，其特征在于，还包括以下步骤：对图像进行画面模糊检测，计算图像的清晰度，设定阈值，则得到模糊的区域，形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。
13.如权利要求12所述的列车车下防火智能监控方法，其特征在于，对图像进行画面模糊检测的具体步骤为：
将图像分割成若干个小块；
使用边缘提取算子提取图像中物体的边缘，所述边缘提取算子s定义为：
若图像上的位置为(x,y)的像素用U(x,y)表示，则新生成的提取了边缘的图像V的每一个像素V(x,y)由以下公式得到：
V(x,y)＝-4U(x,y)+U(x-1,y)+U(x+1,y)+U(x,y-1)+U(x,y+1) (6)
把新生成的图像V按照30×30切分呈若干个小块，根据公式(7)和公式(8)统计每一个小块区域图像的均值和标准方差，公式(7)和公式(8)表示为：
式中，表示一个小块区域图像的均值，Vn表示新生成图像V的像素值，n表示一小块区域图像的像素点个数，N表示小块区域图像的个数，i表示第i块区域图像，SN表示一个小块区域图像的标准方差；
通过公式(9)描述每一块区域图像i的清晰度Mi，公式(9)表示为：
式中，W1和W2为权重系数；
计算每一块区域图像的清晰度，得到每一块区域的清晰度得分；
设定阈值，若清晰度小于阈值，则得到模糊的区域，形成不同等级的报警信号发送并显示给工作人员。
14.如权利要求9或12所述的列车车下防火智能监控方法，其特征在于，还包括以下步骤：对图像进行裂纹检测，若检测到图像中有玻璃破碎，则得到图像中玻璃破碎的位置，形成不同等级的报警信号发送并显示给工作人员，提醒工作人员进行维护。
15.如权利要求14所述的列车车下防火智能监控方法，其特征在于，对图像进行裂纹检测的具体步骤为：
对图像进行缩放；
将缩放的图像经过卷积网络进行特征提取，得到特征图；
候选区域生成网络使用卷积网络得到的特征图，生成可能出现玻璃碎裂的候选区域；
利用候选区域生成网络生成的候选区域从特征图中抽取关键特征，即可能出现玻璃碎裂的图像特征，得到固定大小的特征；
通过全连接网络对关键特征抽取后得到的特征进行回归和分类，即可得到图像中玻璃破碎的位置，并形成不同等级的报警信号发送并显示给工作人员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910684013.8A CN110379118A (zh) | 2019-07-26 | 2019-07-26 | 列车车下防火智能监控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910684013.8A CN110379118A (zh) | 2019-07-26 | 2019-07-26 | 列车车下防火智能监控系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110379118A true CN110379118A (zh) | 2019-10-25 |
Family
ID=68256438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910684013.8A Pending CN110379118A (zh) | 2019-07-26 | 2019-07-26 | 列车车下防火智能监控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110379118A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111175244A (zh) * | 2019-12-31 | 2020-05-19 | 西安古鲸电子技术有限公司 | 一种图像智能分析系统 |
| CN112906688A (zh) * | 2019-12-04 | 2021-06-04 | 刘志方 | 基于视觉处理的信息解析平台 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102607643A (zh) * | 2012-01-18 | 2012-07-25 | 西安交通大学 | 电气化铁路牵引变电站电气设备过热故障诊断及预警系统及方法 |
| CN103093178A (zh) * | 2011-10-28 | 2013-05-08 | 浙江大华技术股份有限公司 | 视频图像清晰度及移动幅度检测方法 |
| CN104185981A (zh) * | 2013-10-23 | 2014-12-03 | 华为终端有限公司 | 从连拍图像中选择图像的方法和终端 |
| DE102014204686A1 (de) * | 2014-03-13 | 2015-09-17 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Bildaufnahme in der Fahrzeugvermessung |
| CN205913678U (zh) * | 2016-07-26 | 2017-02-01 | 中车唐山机车车辆有限公司 | 轨道车辆消防系统 |
| CN108629766A (zh) * | 2018-04-26 | 2018-10-09 | 北京大米科技有限公司 | 图像模糊度检测方法、装置、计算机设备及可读存储介质 |
| CN108650503A (zh) * | 2018-04-28 | 2018-10-12 | 努比亚技术有限公司 | 摄像头故障确定方法、装置及计算机可读存储介质 |
| CN108921039A (zh) * | 2018-06-07 | 2018-11-30 | 南京启德电子科技有限公司 | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 |
| CN109410532A (zh) * | 2018-11-30 | 2019-03-01 | 云赛智联股份有限公司 | 自动检测报警系统及方法 |
| CN109637068A (zh) * | 2018-11-23 | 2019-04-16 | 山东智洋电气股份有限公司 | 智能烟火识别系统 |
| CN208855646U (zh) * | 2018-09-21 | 2019-05-14 | 中铁电气化局集团有限公司 | 一种高速铁路周界入侵报警系统 |
| CN109792482A (zh) * | 2016-09-28 | 2019-05-21 | 京瓷株式会社 | 摄像机模块、选择器、控制器、摄像机监视系统以及移动体 |
| CN109801288A (zh) * | 2019-01-25 | 2019-05-24 | 淮阴师范学院 | 一种基于方向统计特性的图像聚焦测度实现方法 |
| CN109840586A (zh) * | 2017-11-28 | 2019-06-04 | 英特尔公司 | 自主机器中对有问题的传感器的基于深度学习的实时检测和校正 |
| EP3154779B1 (en) * | 2014-06-16 | 2020-05-20 | DuPont Safety & Construction, Inc. | High limiting oxygen index electrical insulation laminates |
-
2019
- 2019-07-26 CN CN201910684013.8A patent/CN110379118A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093178A (zh) * | 2011-10-28 | 2013-05-08 | 浙江大华技术股份有限公司 | 视频图像清晰度及移动幅度检测方法 |
| CN102607643A (zh) * | 2012-01-18 | 2012-07-25 | 西安交通大学 | 电气化铁路牵引变电站电气设备过热故障诊断及预警系统及方法 |
| CN104185981A (zh) * | 2013-10-23 | 2014-12-03 | 华为终端有限公司 | 从连拍图像中选择图像的方法和终端 |
| DE102014204686A1 (de) * | 2014-03-13 | 2015-09-17 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Bildaufnahme in der Fahrzeugvermessung |
| EP3154779B1 (en) * | 2014-06-16 | 2020-05-20 | DuPont Safety & Construction, Inc. | High limiting oxygen index electrical insulation laminates |
| CN205913678U (zh) * | 2016-07-26 | 2017-02-01 | 中车唐山机车车辆有限公司 | 轨道车辆消防系统 |
| CN109792482A (zh) * | 2016-09-28 | 2019-05-21 | 京瓷株式会社 | 摄像机模块、选择器、控制器、摄像机监视系统以及移动体 |
| CN109840586A (zh) * | 2017-11-28 | 2019-06-04 | 英特尔公司 | 自主机器中对有问题的传感器的基于深度学习的实时检测和校正 |
| CN108629766A (zh) * | 2018-04-26 | 2018-10-09 | 北京大米科技有限公司 | 图像模糊度检测方法、装置、计算机设备及可读存储介质 |
| CN108650503A (zh) * | 2018-04-28 | 2018-10-12 | 努比亚技术有限公司 | 摄像头故障确定方法、装置及计算机可读存储介质 |
| CN108921039A (zh) * | 2018-06-07 | 2018-11-30 | 南京启德电子科技有限公司 | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 |
| CN208855646U (zh) * | 2018-09-21 | 2019-05-14 | 中铁电气化局集团有限公司 | 一种高速铁路周界入侵报警系统 |
| CN109637068A (zh) * | 2018-11-23 | 2019-04-16 | 山东智洋电气股份有限公司 | 智能烟火识别系统 |
| CN109410532A (zh) * | 2018-11-30 | 2019-03-01 | 云赛智联股份有限公司 | 自动检测报警系统及方法 |
| CN109801288A (zh) * | 2019-01-25 | 2019-05-24 | 淮阴师范学院 | 一种基于方向统计特性的图像聚焦测度实现方法 |
Non-Patent Citations (4)
| Title |
|---|
| JIA HUA YU ET AL.: ""fire area detection based on convolutional neural network and improved a path planning"", 《2018 INTERNATIONAL CONFERENCE ON INFORMATION AND COMMUNICATION TECHNOLOGY ROBOTICS》 * |
| RAGHAV BANSAL ET AL.: ""Blur image detection using laplacian operator and open-cv"", 《5TH INTERNATIONAL CONFERENCE ON SYSTEM MODELING&ADVANCEMENT IN RESEARCH TRENDS》 * |
| WOSICUANQI: ""模糊图像识别(opencv学习笔记之四)"", 《简书（HTTPS://WWW.JIANSHU.COM/P/4F8537298009）》 * |
| 宁然等: ""动车组设备舱火灾防控措施探讨"", 《防火技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906688A (zh) * | 2019-12-04 | 2021-06-04 | 刘志方 | 基于视觉处理的信息解析平台 |
| CN111175244A (zh) * | 2019-12-31 | 2020-05-19 | 西安古鲸电子技术有限公司 | 一种图像智能分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111507308B (zh) | 一种基于视频识别技术的变电站安全监控系统及方法 | |
| CN101751744B (zh) | 一种烟雾检测和预警方法 | |
| CN105100757B (zh) | 带有一体式结构的探测器 | |
| CN110135266A (zh) | 一种基于深度学习的双摄像头电气火灾防控方法及系统 | |
| CN111614913B (zh) | 基于隔离开关位置智能识别的一键顺控双确认系统及方法 | |
| CN105763853A (zh) | 一种公共区域拥挤、踩踏事件应急预警方法 | |
| CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
| CN106373320A (zh) | 基于火焰颜色离散度和连续帧图像相似度的火灾识别方法 | |
| CN111986436B (zh) | 一种基于紫外、深度神经网络的综合火焰检测方法 | |
| CN110379118A (zh) | 列车车下防火智能监控系统及方法 | |
| CN105634133A (zh) | 一种供配电监控系统 | |
| CN106895791A (zh) | 一种板卡形变监测预警系统 | |
| CN201091014Y (zh) | 一种火灾探测装置 | |
| CN109034038A (zh) | 一种基于多特征融合的火灾识别装置 | |
| CN108764166A (zh) | 一种基于支撑杆的人防门位置状态检测系统及方法 | |
| CN112212458B (zh) | 一种电控箱安全控制装置、方法和电器设备 | |
| CN113593170A (zh) | 一种基于远程感烟探测的智能预警系统 | |
| CN106228540B (zh) | 一种多光谱视频火焰检测方法 | |
| CN115376268B (zh) | 一种基于图像识别的监控报警消防联动系统 | |
| Ho et al. | Nighttime fire smoke detection system based on machine vision | |
| CN104240432B (zh) | 基于信息融合的富锰渣生产安全监控方法 | |
| Rong et al. | A joint faster RCNN and stereovision algorithm for vegetation encroachment detection in power line corridors | |
| CN116052035A (zh) | 一种基于卷积神经网络的电厂人员周界入侵检测方法 | |
| CN206057491U (zh) | 一种高压设备紫外、红外成像在线监测设备 | |
| CN114387542A (zh) | 一种基于便携布控球的视频采集单元异常识别系统 |
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: 20191025 |