CN110909675A - 违章行为识别方法、装置、计算机设备和存储介质 - Google Patents
违章行为识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110909675A CN110909675A CN201911152996.7A CN201911152996A CN110909675A CN 110909675 A CN110909675 A CN 110909675A CN 201911152996 A CN201911152996 A CN 201911152996A CN 110909675 A CN110909675 A CN 110909675A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- video
- violation
- algorithm
- target object
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种违章行为识别方法、装置、计算机设备和存储介质。涉及计算机技术领域。该方法包括：通过首先获取施工现场的监控视频，该监控视频包括该施工现场中可能产生违章行为的目标对象；然后根据预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得监测结果；最后根据该监测结果输出违章行为识别信息，该违章行为识别信息用于指示该目标对象是否存在违章行为。采用本方法能够提高对施工现场违章行为识别的效率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种违章行为识别方法、装置、计算机设备和存储介质。
背景技术
在日常生活中，施工是一种常见的场景。在施工现场中，经常存在违章行为。为了提升施工现场的安全性，有必要对施工现场的违章行为进行识别和监测。
目前，施工现场违章行为的识别和监测主要由安监人员完成。安监人员需要到施工现场进行实地考察，以此发现施工现场是否存在违章行为以及违章行为的类型。
然而，由于施工现场点多面广，仅依靠安监人员对违章行为进行识别和监测存在效率低下的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高效率的违章行为识别方法、装置、计算机设备和存储介质。
第一方面，提供一种违章行为识别方法，该方法包括：
获取施工现场的监控视频，该监控视频包括该施工现场中可能产生违章行为的目标对象；
根据预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得监测结果；
根据该监测结果输出违章行为识别信息，该违章行为识别信息用于指示该目标对象是否存在违章行为。
在其中一个实施例中，该监控视频包括固定视频和移动视频，该固定视频是根据该施工现场安装在固定位置的视频采集装置采集得到的，该移动视频是根据该施工现场中可移动的视频采集装置采集得到的。
在其中一个实施例中，该根据预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得监测结果，包括：
在预设的监控模式下，根据该预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得该监测结果，该监控模式用于指示对该监控视频的监测时长和监测抓拍频率中的至少一种。
在其中一个实施例中，该监控模式包括实时监控模式，该在预设的监控模式下，根据该预设的违章行为监测算法对该监控视频中的该目标对象进行监测，包括：
利用该预设的违章行为监测算法实时地对该监控视频中的该目标对象进行监测。
在其中一个实施例中，该监控模式包括定时监控模式，该在预设的监控模式下，根据该预设的违章行为监测算法对该监控视频中的该目标对象进行监测，包括：
在预设时长内，利用该预设的违章行为监测算法对该监控视频中的该目标对象进行监测。
在其中一个实施例中，该监控模式包括定时抓拍监控模式，该在预设的监控模式下，根据该预设的违章行为监测算法对该监控视频中的该目标对象进行监测，包括：
在预设时长内，按照预设频率对该监控视频进行抓拍，获得抓拍图像，利用该预设的违章行为监测算法对该抓拍图像中的该目标对象进行监测。
在其中一个实施例中，该违章行为监测算法包括：
人员识别算法，该人员识别算法用于监测该监控视频中是否有人员以及人员的数量；
安全帽识别算法，该安全帽识别算法用于监测该监控视频中的人员是否佩戴安全帽；
攀高识别算法，该攀高识别算法用于监测该监控视频中的人员是否存在非法攀高的行为；
电子周界识别算法，该电子周界识别算法用于监测该监控视频中的人员是否进入指定围栏区域内；
输电防外破识别算法，该输电防外破识别算法用于监测该监控视频中的车辆是否为指定车辆。
在其中一个实施例中，该人员识别算法是根据目标跟踪模型构建的；该安全帽识别算法是根据人体上半身模型构建的；该攀高识别算法是根据部件模型和密集光流法构建的；该电子周界识别算法是根据前背景模型构建的；该输电防外破识别算法是根据快速区域卷积神经网络模型构建的。
第二方面，提供一种违章行为识别装置，该装置包括：
获取模块，该获取模块用于获取施工现场的监控视频，该监控视频包括该施工现场中可能产生违章行为的目标对象；
监测模块，该监测模块用于根据预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得监测结果；
输出模块，该输出模块用于根据该监测结果输出违章行为识别信息，该违章行为识别信息用于指示该目标对象是否存在违章行为。
在其中一个实施例中，该监控视频包括固定视频和移动视频，该固定视频是根据该施工现场安装在固定位置的视频采集装置采集得到的，该移动视频是根据该施工现场中可移动的视频采集装置采集得到的。
在其中一个实施例中，该监测模块具体用于，在预设的监控模式下，根据该预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得该监测结果，该监控模式用于指示对该监控视频的监测时长和监测抓拍频率中的至少一种。
在其中一个实施例中，该监控模式包括实时监控模式，该监测模块具体用于，利用该预设的违章行为监测算法实时地对该监控视频中的该目标对象进行监测。
在其中一个实施例中，该监控模式包括定时监控模式，该监测模块具体用于，在预设时长内，利用该预设的违章行为监测算法对该监控视频中的该目标对象进行监测。
在其中一个实施例中，该监控模式包括定时抓拍监控模式，该监测模块具体用于，在预设时长内，按照预设频率对该监控视频进行抓拍，获得抓拍图像，利用该预设的违章行为监测算法对该抓拍图像中的该目标对象进行监测。
在其中一个实施例中，该违章行为监测算法包括：
人员识别算法，该人员识别算法用于监测该监控视频中是否有人员以及人员的数量；
安全帽识别算法，该安全帽识别算法用于监测该监控视频中的人员是否佩戴安全帽；
攀高识别算法，该攀高识别算法用于监测该监控视频中的人员是否存在非法攀高的行为；
电子周界识别算法，该电子周界识别算法用于监测该监控视频中的人员是否进入指定围栏区域内；
输电防外破识别算法，该输电防外破识别算法用于监测该监控视频中的车辆是否为指定车辆。
在其中一个实施例中，该人员识别算法是根据目标跟踪模型构建的；该安全帽识别算法是根据人体上半身模型构建的；该攀高识别算法是根据部件模型和密集光流法构建的；该电子周界识别算法是根据前背景模型构建的；该输电防外破识别算法是根据快速区域卷积神经网络模型构建的。
第三方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该计算机程序时实现上述第一方面任一所述的方法。
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面任一所述的方法。
上述违章行为识别方法、装置、计算机设备和存储介质，通过首先获取施工现场的监控视频，该监控视频包括该施工现场中可能产生违章行为的目标对象；然后根据预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得监测结果；最后根据该监测结果输出违章行为识别信息，该违章行为识别信息用于指示该目标对象是否存在违章行为。因为本申请提供的违章行为识别方法，无需依靠人工对施工现场的违章行为进行识别，就可以获得施工现场的违章行为信息，因此，本申请提供的违章行为识别方法在施工现场点多面广的情况下，可以一定程度上提高对施工现场违章行为识别的效率。
附图说明
图1为一个实施例中违章行为识别方法的应用场景图；
图2为一个实施例中违章行为识别方法的流程示意图；
图3为一个实施例中违章行为识别装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的违章行为识别方法，可以应用于如图1所示的应用环境中。其中，视频采集装置101可以对施工现场进行拍摄，获得监控视频。然后视频采集装置101通过网络连接与终端102进行通信，以此将采集到的监控视频发送给终端102。可以在终端102上设置对监控视频的监控模式和监测算法，接着终端102通过网络连接与服务器103进行通信，将监控视频发送给服务器103，服务器103在接收到监控视频后，会按照在终端102上设置的监控模式和监测算法对监控视频进行监测，得到监测结果，最后，服务器103将监测结果发送给终端102。图1中仅示例性地给出了一个终端102，实际应用中，终端102可以为多个，总控中心104通过网络连接与多个终端102进行通信，总控中心104可以查看各个终端102上的监测结果，并且总控中心104具有更高的优先级，可以对各个终端102进行监测任务的分配。
其中，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103和服务器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。
可选的，服务器103和服务器104可以为同一个服务器。
在本申请实施例中，如图2所示，提供了一种违章行为识别方法，以该方法应用于图1中的服务器103为例进行说明，包括以下步骤：
步骤201，服务器获取施工现场的监控视频。
该监控视频包括该施工现场中可能产生违章行为的目标对象。在本申请实施例中，施工现场可以为电力施工现场。可选的，可以根据实际情况规定施工现场可能产生违章行为的目标对象有哪些。例如，可以将施工现场中的人员和车辆规定为可能产生违章行为的对象。然后，在后续的监测中，可以重点对施工现场的人员和车辆进行违章行为的监测。
本步骤中，需要先对施工现场进行视频采集，目的是为了获取到施工现场存在的违章行为的具体情况。采集到的视频给后续步骤中对违章行为的识别监测提供数据源。
步骤202，服务器根据预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得监测结果。
本步骤中，预设的违章行为监测算法可以是人员识别算法、安全帽识别算法、攀高识别算法、电子周界识别算法和输电防外破识别算法中的一种或者多种。这些算法可以将监控视频中的人员或车辆作为目标对象来识别目标对象是否存在违章行为。
步骤203，服务器根据该监测结果输出违章行为识别信息。
该违章行为识别信息用于指示该目标对象是否存在违章行为。
本步骤中，若监测结果是目标对象存在违章行为，则输出告警信息。例如，监测到施工现场有人员未按规定佩戴安全帽时，则判断出监控视频中的目标对象存在违章行为，然后会输出相应的告警信息。
可选的，总控中心可以获取各个终端当前的监测情况，然后查看各个终端得到的监测结果，并且，还可以进行监测任务的分配，包括新增监控任务，关联监控任务等。
上述违章行为识别方法中，通过首先获取施工现场的监控视频，该监控视频包括该施工现场中可能产生违章行为的目标对象；然后根据预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得监测结果；最后根据该监测结果输出违章行为识别信息，该违章行为识别信息用于指示该目标对象是否存在违章行为。因为本申请提供的违章行为识别方法，无需依靠人工对施工现场的违章行为进行识别，就可以获得施工现场的违章行为信息，因此，本申请提供的违章行为识别方法在施工现场点多面广的情况下，可以一定程度上提高对施工现场违章行为识别的效率。
在本申请实施例中，该监控视频包括固定视频和移动视频，该固定视频是根据该施工现场安装在固定位置的视频采集装置采集得到的，该移动视频是根据该施工现场中可移动的视频采集装置采集得到的。
本申请实施例中，可选的，实际应用时，监控视频的来源可以分为两种。一种是施工现场一般会在固定的位置安装一些监控摄像头，可以把此类摄像头拍摄到的视频作为监控视频的一部分来源。此外，因为固定摄像头拍摄的范围有限，所以还可以采用可移动的摄像装置拍摄施工现场难以被固定摄像头获取到的场景画面。然后把可移动摄像头拍摄到的视频也作为监控视频的一部分。
本申请实施例中，因为采取固定视频采集装置和移动视频采集装置相结合的方式来采集监控视频。所以，本申请实施例中采集到的监控视频可以更加全面的涵盖施工现场的具体情况，进一步的，也使得最终得到的监测结果可以更加充分地指示施工现场存在的违章行为的具体情况。
在本申请实施例中，提供了一种获得监测结果的方法，该方法包括：在预设的监控模式下，服务器根据该预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得该监测结果，该监控模式用于指示对该监控视频的监测时长和监测抓拍频率中的至少一种。
本申请实施例中，可以根据需要预设多种监控模式，也可以理解成，可以根据需要去设置服务器按照什么样的识别方式对监控视频进行监测。具体的，可以设置监测时长和对监控视频的抓拍频率等。
本申请实施例中，通过预设多种监控模式，可以更加灵活的对监控视频进行监测。在实际操作中，提供多种可选的监控模式，一定程度上提高了本申请的实用性。
在本申请实施例中，可选的，提供了三种监控模式，包括：实时监控模式、定时监控模式和定时抓拍模式。
其中，实时监控模式表示，服务器利用该预设的违章行为监测算法实时地对该监控视频中的该目标对象进行监测。具体的，服务器在接收到监控视频后，会实时地利用预设的违章行为监测算法对接受到的监控视频中的目标对象进行监测，直到接收到停止指令时才会停止监测。实际应用中，可以把计算机设备已关机作为停止指令，还可以把手动触发的中断监测指令作为停止指令。
定时监控模式表示，在预设时长内，服务器利用该预设的违章行为监测算法对该监控视频中的该目标对象进行监测。具体的，可以预设服务器对监控视频的监测时长，然后服务器会在预设的监测时长内，利用预设的违章行为监测算法对监控视频中的目标对象进行监测。例如，可以设置预设时长为上午九点到下午五点，那么，在设置好预设时长后，服务器会在上午九点到下午五点之间，利用预设的违章行为监测算法对接受到的监控视频中的目标对象进行监测。
定时抓拍监控模式表示，在预设时长内，服务器按照预设频率对该监控视频进行抓拍，获得抓拍图像，可选的，也可以通过手动截图的方式获得抓拍图像。然后服务器利用该预设的违章行为监测算法对该抓拍图像中的该目标对象进行监测。例如，可以设置预设时长为上午九点到下午五点，预设抓拍频率为每秒五次。按照上述方式设置好预设时长和抓拍频率后，服务器会在上午九点到下午五点之间，对接受到的监控视频进行每秒五次的抓拍，相应的，服务器每秒会获得五幅抓拍图像，然后，利用预设的违章行为监测算法对获得的五幅抓拍图像中的目标对象进行监测。
在本申请实施例中，设置了三种可供选的的监控模式，其中，在实时监控模式下，可以及时的获取监控视频中的目标对象是否存在违章行为；在定时监控模式下，可以根据需要，让服务器在预设时长内对监控视频中的目标对象进行监测；在定时抓拍监控模式下，可以根据需要让服务器在预设时长内，对于按照预设频率抓拍到的抓拍图像中的目标对象进行监测。在本申请实施例中，因为合理设置不同的监控模式，使得在对监控视频进行监测时，能够灵活地根据实际需要来选择相应的监控模式，一定程度上提高了本申请的可用性。
在本申请实施例中，该违章行为监测算法包括：
人员识别算法，该人员识别算法用于监测该监控视频中是否有人员以及人员的数量；
安全帽识别算法，该安全帽识别算法用于监测该监控视频中的人员是否佩戴安全帽；
攀高识别算法，该攀高识别算法用于监测该监控视频中的人员是否存在非法攀高的行为；
电子周界识别算法，该电子周界识别算法用于监测该监控视频中的人员是否进入指定围栏区域内；
输电防外破识别算法，该输电防外破识别算法用于监测该监控视频中的车辆是否为指定车辆。
在本申请实施例中，因为施工现场可能产生违章行为的目标对象一般包括人员和车辆。所以需要重点对施工现场的监控视频中的人员和车辆进行违章行为的监测。一般情况下，施工现场的人员容易出现的违章行为有：未按规定佩戴安全帽、违规攀登高处、违规进入指定围栏内。一般情况下，在施工现场，大型的施工车辆在作业时容易对施工现场的设备造成破坏。例如，在电力施工现场，挖掘机、吊车、水泥罐车、水泥泵车和塔吊等大型施工车辆在作业时容易对预先铺设的输电线路造成外力上的破坏。因此也需要对施工现场的车辆进行监测。
在本申请实施例中，这对上述情况，相应的提供了五种违章行为监测算法，包括人员识别算法、安全帽识别算法、攀高识别算法、电子周界识别算法和输电防外破识别算法。实际应用中，可以同时选择多种违章行为监测算法来对监控视频中的目标对象进行识别。其中，利用人员识别算法可以筛选出监控视频中有人员存在的部分，在获得有人员存在的监控视频后，可以自动播放该有人员存在的监控视频。利用安全帽识别算法可以识别出监控视频中的人员是否按照规定佩戴安全帽。利用攀高识别算法可以识别出监控视频中的人员是否按照规定佩戴安全帽。利用电子周界识别算法可以识别出监控视频中的人员是否存在违规进入指定围栏内部的情况。利用输电防外破识别算法可以识别出监控视频中是否存在指定车辆，本申请实施例中，可以预先规定指定车辆包括挖掘机、吊车、水泥罐车、水泥泵车和塔吊等大型车辆。
在本申请实施例中，通过设置多种不同的违章行为监测算法，可以更加全面地对监控视频中的目标对象进行是否存在违章行为进行监测。同时，可以根据实际需要选择相应的违章行为识别算法，使得对监控视频中的目标对象存在的违章行为的监测和识别更加精确。
在本申请实施例中，该人员识别算法是根据目标跟踪模型构建的；该安全帽识别算法是根据人体上半身模型构建的；该攀高识别算法是根据部件模型和密集光流法构建的；该电子周界识别算法是根据前背景模型构建的；该输电防外破识别算法是根据快速区域卷积神经网络模型构建的。
在本申请实施例中，目标跟踪模型中，最常用的是单目标跟踪，单目标跟踪的原理是：在监控视频的第一帧标注一个矩形框，该矩形框内包括需要跟踪的对象，然后在后续对监控视频的监测中，目标跟踪模型会紧跟这个矩形框。以此实现对目标对象的跟踪。
在本申请实施例中，安全帽识别算法以人体上半身建模，检测人员的头部区域，以安全帽的形状，颜色(红、黄、蓝、白)为特征。提取特征，监测人员佩戴安全帽的状态。
在本申请实施例中，攀高识别算法，采用了部件模型和密集光流法。其中，部件模型的原理是：通过描述每一部分和每一部分之间的位置关系来表示物体，具体的，可以把人体拆分成不同部分，然后通过描述人体不同部分之间的位置关系来表示人体当前的状态。密集光流法的原理是：计算图像中每个像素的速度预测集合，或是计算每个像素在相邻的视频帧之间相对位置的位移向量。本申请实施例中，结合部件模型和密集光流法得到的攀高识别算法，可以监测出施工现场的人员是否有攀高的动作，以及施工现场的人员在竖直方向上移动的距离。
在本申请实施例中，电子周界识别算法是在前背景模型的基础上构建的。前背景模型的基本原理是：将视频中感兴趣的部分从视频中检测并分离出来。例如，将监控视频中的人员作为感兴趣的部分，检测监控视频中的人员并且将人员从监控视频中分离出来，然后单独对人员进行进一步的监测。在使用电子周界算法时，需要预先在监控视频中标记指定的围栏区域，然后服务器会以标记的围栏区域为界限，监测是否有人员进入围栏区域内部。
在本申请实施例中，输电防外破识别算法是在快速区域卷积神经网络模型的基础上构建的。快速区域卷积神经网络适合用于分类，可以预先利用挖掘机、吊车、水泥罐车、水泥泵车和塔吊的图像训练初始快速区域卷积神经网络模型，得到快速区域卷积神经网络模型。在本申请实施例中，该快速区域卷积神经网络模型可以很好地识别出监控视频中是否存在挖掘机、吊车、水泥罐车、水泥泵车和塔吊等容易对施工现场的设备造成破坏的施工车辆，以及监控视频中存在的施工车辆具体是哪种车。
在本申请实施例中，因为使用不同的模型构建本申请中的各个违章行为监测算法。所以本申请中所使用的违章行为监测算法在面对不同的监测情况时，能够准确地得到相应的监测结果。
应该理解的是，虽然图2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。
在本申请实施例中，如图3所示，提供了一种违章行为识别装置，包括：获取模块301、监测模块302和输出模块303，其中：
获取模块301，用于获取施工现场的监控视频，该监控视频包括该施工现场中可能产生违章行为的目标对象；
监测模块302，用于根据预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得监测结果；
输出模块303，用于根据该监测结果输出违章行为识别信息，该违章行为识别信息用于指示该目标对象是否存在违章行为。
在本申请实施例中，该监控视频包括固定视频和移动视频，该固定视频是根据该施工现场安装在固定位置的视频采集装置采集得到的，该移动视频是根据该施工现场中可移动的视频采集装置采集得到的。
在本申请实施例中，该监测模块302具体用于，在预设的监控模式下，根据该预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得该监测结果，该监控模式用于指示对该监控视频的监测时长和监测抓拍频率中的至少一种。
在本申请实施例中，该监控模式包括实时监控模式，该监测模块302具体用于，利用该预设的违章行为监测算法实时地对该监控视频中的该目标对象进行监测。
在本申请实施例中，该监控模式包括定时监控模式，该监测模块302具体用于，在预设时长内，利用该预设的违章行为监测算法对该监控视频中的该目标对象进行监测。
在本申请实施例中，该监控模式包括定时抓拍监控模式，该监测模块302具体用于，在预设时长内，按照预设频率对该监控视频进行抓拍，获得抓拍图像，利用该预设的违章行为监测算法对该抓拍图像中的该目标对象进行监测。
在本申请实施例中，该违章行为监测算法包括：
人员识别算法，该人员识别算法用于监测该监控视频中是否有人员以及人员的数量；
安全帽识别算法，该安全帽识别算法用于监测该监控视频中的人员是否佩戴安全帽；
攀高识别算法，该攀高识别算法用于监测该监控视频中的人员是否存在非法攀高的行为；
电子周界识别算法，该电子周界识别算法用于监测该监控视频中的人员是否进入指定围栏区域内；
输电防外破识别算法，该输电防外破识别算法用于监测该监控视频中的车辆是否为指定车辆。
在本申请实施例中，该人员识别算法是根据目标跟踪模型构建的；该安全帽识别算法是根据人体上半身模型构建的；该攀高识别算法是根据部件模型和密集光流法构建的；该电子周界识别算法是根据前背景模型构建的；该输电防外破识别算法是根据快速区域卷积神经网络模型构建的。
关于违章行为识别装置的具体限定可以参见上文中对于违章行为识别方法的限定，在此不再赘述。上述违章行为识别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服务器，其内部结构图可以如图4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、网络接口和数据库。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、计算机程序和数据库。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。该计算机设备的数据库用于存储违章行为识别数据。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违章行为识别方法。
本领域技术人员可以理解，图4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。
在本申请实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取施工现场的监控视频，该监控视频包括该施工现场中可能产生违章行为的目标对象；
根据预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得监测结果；
根据该监测结果输出违章行为识别信息，该违章行为识别信息用于指示该目标对象是否存在违章行为。
在本申请实施例中，该监控视频包括固定视频和移动视频，该固定视频是根据该施工现场安装在固定位置的视频采集装置采集得到的，该移动视频是根据该施工现场中可移动的视频采集装置采集得到的。
在本申请实施例中，处理器执行计算机程序时还实现以下步骤：
在预设的监控模式下，根据该预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得该监测结果，该监控模式用于指示对该监控视频的监测时长和监测抓拍频率中的至少一种。
在本申请实施例中，该监控模式包括实时监控模式，处理器执行计算机程序时还实现以下步骤：
利用该预设的违章行为监测算法实时地对该监控视频中的该目标对象进行监测。
在本申请实施例中，该监控模式包括定时监控模式，处理器执行计算机程序时还实现以下步骤：
在预设时长内，利用该预设的违章行为监测算法对该监控视频中的该目标对象进行监测。
在本申请实施例中，该监控模式包括定时抓拍监控模式，处理器执行计算机程序时还实现以下步骤：
在预设时长内，按照预设频率对该监控视频进行抓拍，获得抓拍图像，利用该预设的违章行为监测算法对该抓拍图像中的该目标对象进行监测。
在本申请实施例中，该违章行为监测算法包括：
人员识别算法，该人员识别算法用于监测该监控视频中是否有人员以及人员的数量；
安全帽识别算法，该安全帽识别算法用于监测该监控视频中的人员是否佩戴安全帽；
攀高识别算法，该攀高识别算法用于监测该监控视频中的人员是否存在非法攀高的行为；
电子周界识别算法，该电子周界识别算法用于监测该监控视频中的人员是否进入指定围栏区域内；
输电防外破识别算法，该输电防外破识别算法用于监测该监控视频中的车辆是否为指定车辆。
在本申请实施例中，该人员识别算法是根据目标跟踪模型构建的；该安全帽识别算法是根据人体上半身模型构建的；该攀高识别算法是根据部件模型和密集光流法构建的；该电子周界识别算法是根据前背景模型构建的；该输电防外破识别算法是根据快速区域卷积神经网络模型构建的。
在本申请实施例中，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：
获取施工现场的监控视频，该监控视频包括该施工现场中可能产生违章行为的目标对象；
根据预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得监测结果；
根据该监测结果输出违章行为识别信息，该违章行为识别信息用于指示该目标对象是否存在违章行为。
在本申请实施例中，该监控视频包括固定视频和移动视频，该固定视频是根据该施工现场安装在固定位置的视频采集装置采集得到的，该移动视频是根据该施工现场中可移动的视频采集装置采集得到的。
在本申请实施例中，计算机程序被处理器执行时还实现以下步骤：
在预设的监控模式下，根据该预设的违章行为监测算法对该监控视频中的该目标对象进行监测，获得该监测结果，该监控模式用于指示对该监控视频的监测时长和监测抓拍频率中的至少一种。
在本申请实施例中，该监控模式包括实时监控模式，计算机程序被处理器执行时还实现以下步骤：
利用该预设的违章行为监测算法实时地对该监控视频中的该目标对象进行监测。
在本申请实施例中，该监控模式包括定时监控模式，计算机程序被处理器执行时还实现以下步骤：
在预设时长内，利用该预设的违章行为监测算法对该监控视频中的该目标对象进行监测。
在本申请实施例中，该监控模式包括定时抓拍监控模式，计算机程序被处理器执行时还实现以下步骤：
在预设时长内，按照预设频率对该监控视频进行抓拍，获得抓拍图像，利用该预设的违章行为监测算法对该抓拍图像中的该目标对象进行监测。
在本申请实施例中，该违章行为监测算法包括：
人员识别算法，该人员识别算法用于监测该监控视频中是否有人员以及人员的数量；
安全帽识别算法，该安全帽识别算法用于监测该监控视频中的人员是否佩戴安全帽；
攀高识别算法，该攀高识别算法用于监测该监控视频中的人员是否存在非法攀高的行为；
电子周界识别算法，该电子周界识别算法用于监测该监控视频中的人员是否进入指定围栏区域内；
输电防外破识别算法，该输电防外破识别算法用于监测该监控视频中的车辆是否为指定车辆。
在本申请实施例中，该人员识别算法是根据目标跟踪模型构建的；该安全帽识别算法是根据人体上半身模型构建的；该攀高识别算法是根据部件模型和密集光流法构建的；该电子周界识别算法是根据前背景模型构建的；该输电防外破识别算法是根据快速区域卷积神经网络模型构建的。
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申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种违章行为识别方法，其特征在于，所述方法包括：
获取施工现场的监控视频，所述监控视频包括所述施工现场中可能产生违章行为的目标对象；
根据预设的违章行为监测算法对所述监控视频中的所述目标对象进行监测，获得监测结果；
根据所述监测结果输出违章行为识别信息，所述违章行为识别信息用于指示所述目标对象是否存在违章行为。
2.根据权利要求1所述的方法，其特征在于，所述监控视频包括固定视频和移动视频，所述固定视频是根据所述施工现场安装在固定位置的视频采集装置采集得到的，所述移动视频是根据所述施工现场中可移动的视频采集装置采集得到的。
3.根据权利要求1所述的方法，其特征在于，所述根据预设的违章行为监测算法对所述监控视频中的所述目标对象进行监测，获得监测结果，包括：
在预设的监控模式下，根据所述预设的违章行为监测算法对所述监控视频中的所述目标对象进行监测，获得所述监测结果，所述监控模式用于指示对所述监控视频的监测时长和监测抓拍频率中的至少一种。
4.根据权利要求3所述的方法，其特征在于，所述监控模式包括实时监控模式，所述在预设的监控模式下，根据所述预设的违章行为监测算法对所述监控视频中的所述目标对象进行监测，包括：
利用所述预设的违章行为监测算法实时地对所述监控视频中的所述目标对象进行监测。
5.根据权利要求3所述的方法，其特征在于，所述监控模式包括定时监控模式，所述在预设的监控模式下，根据所述预设的违章行为监测算法对所述监控视频中的所述目标对象进行监测，包括：
在预设时长内，利用所述预设的违章行为监测算法对所述监控视频中的所述目标对象进行监测。
6.根据权利要求3所述的方法，其特征在于，所述监控模式包括定时抓拍监控模式，所述在预设的监控模式下，根据所述预设的违章行为监测算法对所述监控视频中的所述目标对象进行监测，包括：
在预设时长内，按照预设频率对所述监控视频进行抓拍，获得抓拍图像，利用所述预设的违章行为监测算法对所述抓拍图像中的所述目标对象进行监测。
7.根据权利要求1所述的方法，其特征在于，所述违章行为监测算法包括：
人员识别算法，所述人员识别算法用于监测所述监控视频中是否有人员以及人员的数量；
安全帽识别算法，所述安全帽识别算法用于监测所述监控视频中的人员是否佩戴安全帽；
攀高识别算法，所述攀高识别算法用于监测所述监控视频中的人员是否存在非法攀高的行为；
电子周界识别算法，所述电子周界识别算法用于监测所述监控视频中的人员是否进入指定围栏区域内；
输电防外破识别算法，所述输电防外破识别算法用于监测所述监控视频中的车辆是否为指定车辆。
8.根据权利要求7所述的方法，其特征在于，所述人员识别算法是根据目标跟踪模型构建的；所述安全帽识别算法是根据人体上半身模型构建的；所述攀高识别算法是根据部件模型和密集光流法构建的；所述电子周界识别算法是根据前背景模型构建的；所述输电防外破识别算法是根据快速区域卷积神经网络模型构建的。
9.一种违章行为识别装置，其特征在于，所述装置包括：
获取模块，所述获取模块用于获取施工现场的监控视频，所述监控视频包括所述施工现场中可能产生违章行为的目标对象；
监测模块，所述监测模块用于根据预设的违章行为监测算法对所述监控视频中的所述目标对象进行监测，获得监测结果；
输出模块，所述输出模块用于根据所述监测结果输出违章行为识别信息，所述违章行为识别信息用于指示所述目标对象是否存在违章行为。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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至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至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911152996.7A CN110909675A (zh) | 2019-11-22 | 2019-11-22 | 违章行为识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911152996.7A CN110909675A (zh) | 2019-11-22 | 2019-11-22 | 违章行为识别方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110909675A true CN110909675A (zh) | 2020-03-24 |
Family
ID=69818850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911152996.7A Pending CN110909675A (zh) | 2019-11-22 | 2019-11-22 | 违章行为识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110909675A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652185A (zh) * | 2020-06-23 | 2020-09-11 | 广东电网有限责任公司河源供电局 | 一种基于违章行为识别的安全施工方法、系统、装置及存储介质 |
| CN112804494A (zh) * | 2021-01-13 | 2021-05-14 | 广州穗能通能源科技有限责任公司 | 电力施工现场监控方法、系统和存储介质 |
| CN112837531A (zh) * | 2020-12-25 | 2021-05-25 | 朗坤智慧科技股份有限公司 | 基于5g网络的集团级违章行为视频识别方法及装置 |
| CN112839200A (zh) * | 2020-12-25 | 2021-05-25 | 朗坤智慧科技股份有限公司 | 基于5g技术的电厂违章行为识别方法、系统和网络服务端 |
| CN113596387A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油天然气股份有限公司 | 监控系统 |
| CN113743249A (zh) * | 2021-08-16 | 2021-12-03 | 北京佳服信息科技有限公司 | 一种违章识别方法、装置、设备及可读存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203261412U (zh) * | 2013-01-28 | 2013-10-30 | 江西景德镇供电公司 | 输电线路现场安全作业实时监控系统 |
| CN103491351A (zh) * | 2013-09-29 | 2014-01-01 | 东南大学 | 违章建筑物的智能视频监控方法 |
| CN107451607A (zh) * | 2017-07-13 | 2017-12-08 | 山东中磁视讯股份有限公司 | 一种基于深度学习的典型人物的身份识别方法 |
| CN107632565A (zh) * | 2017-08-28 | 2018-01-26 | 上海欧忆能源科技有限公司 | 电力建设工地智能化管理系统及方法 |
| CN107666594A (zh) * | 2017-09-18 | 2018-02-06 | 广东电网有限责任公司东莞供电局 | 一种视频监控实时监测违章作业的方法 |
| CN108174165A (zh) * | 2018-01-17 | 2018-06-15 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管系统及方法 |
| CN108182413A (zh) * | 2017-12-29 | 2018-06-19 | 中国矿业大学(北京) | 一种矿井移动目标检测与跟踪识别方法 |
| CN108833831A (zh) * | 2018-06-15 | 2018-11-16 | 陈在新 | 一种电力施工智能安全监督系统 |
| CN109145789A (zh) * | 2018-08-09 | 2019-01-04 | 炜呈智能电力科技（杭州）有限公司 | 供电系统安全作业保障方法及系统 |
| CN109218673A (zh) * | 2018-09-20 | 2019-01-15 | 国网江苏省电力公司泰州供电公司 | 基于人工智能实现配电网施工安全协同管理控制的系统及方法 |
| CN109559006A (zh) * | 2018-09-19 | 2019-04-02 | 中建科技有限公司深圳分公司 | 一种基于无人机的施工现场的监控方法、装置及终端设备 |
| CN110188731A (zh) * | 2019-06-06 | 2019-08-30 | 广东电网有限责任公司 | 一种作业现场的违章告警方法及相关装置 |
| CN110378908A (zh) * | 2019-06-24 | 2019-10-25 | 台州宏达电力建设有限公司 | 一种基于视觉分析的电网作业现场违章检测方法 |
-
2019
- 2019-11-22 CN CN201911152996.7A patent/CN110909675A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203261412U (zh) * | 2013-01-28 | 2013-10-30 | 江西景德镇供电公司 | 输电线路现场安全作业实时监控系统 |
| CN103491351A (zh) * | 2013-09-29 | 2014-01-01 | 东南大学 | 违章建筑物的智能视频监控方法 |
| CN107451607A (zh) * | 2017-07-13 | 2017-12-08 | 山东中磁视讯股份有限公司 | 一种基于深度学习的典型人物的身份识别方法 |
| CN107632565A (zh) * | 2017-08-28 | 2018-01-26 | 上海欧忆能源科技有限公司 | 电力建设工地智能化管理系统及方法 |
| CN107666594A (zh) * | 2017-09-18 | 2018-02-06 | 广东电网有限责任公司东莞供电局 | 一种视频监控实时监测违章作业的方法 |
| CN108182413A (zh) * | 2017-12-29 | 2018-06-19 | 中国矿业大学(北京) | 一种矿井移动目标检测与跟踪识别方法 |
| CN108174165A (zh) * | 2018-01-17 | 2018-06-15 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管系统及方法 |
| CN108833831A (zh) * | 2018-06-15 | 2018-11-16 | 陈在新 | 一种电力施工智能安全监督系统 |
| CN109145789A (zh) * | 2018-08-09 | 2019-01-04 | 炜呈智能电力科技（杭州）有限公司 | 供电系统安全作业保障方法及系统 |
| CN109559006A (zh) * | 2018-09-19 | 2019-04-02 | 中建科技有限公司深圳分公司 | 一种基于无人机的施工现场的监控方法、装置及终端设备 |
| CN109218673A (zh) * | 2018-09-20 | 2019-01-15 | 国网江苏省电力公司泰州供电公司 | 基于人工智能实现配电网施工安全协同管理控制的系统及方法 |
| CN110188731A (zh) * | 2019-06-06 | 2019-08-30 | 广东电网有限责任公司 | 一种作业现场的违章告警方法及相关装置 |
| CN110378908A (zh) * | 2019-06-24 | 2019-10-25 | 台州宏达电力建设有限公司 | 一种基于视觉分析的电网作业现场违章检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐林等: "《安全生产论文集（2018）》", 30 April 2019 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113596387A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油天然气股份有限公司 | 监控系统 |
| CN113596387B (zh) * | 2020-04-30 | 2023-10-31 | 中国石油天然气股份有限公司 | 监控系统 |
| CN111652185A (zh) * | 2020-06-23 | 2020-09-11 | 广东电网有限责任公司河源供电局 | 一种基于违章行为识别的安全施工方法、系统、装置及存储介质 |
| CN112837531A (zh) * | 2020-12-25 | 2021-05-25 | 朗坤智慧科技股份有限公司 | 基于5g网络的集团级违章行为视频识别方法及装置 |
| CN112839200A (zh) * | 2020-12-25 | 2021-05-25 | 朗坤智慧科技股份有限公司 | 基于5g技术的电厂违章行为识别方法、系统和网络服务端 |
| CN112839200B (zh) * | 2020-12-25 | 2023-01-24 | 朗坤智慧科技股份有限公司 | 基于5g技术的电厂违章行为识别方法、系统和网络服务端 |
| CN112804494A (zh) * | 2021-01-13 | 2021-05-14 | 广州穗能通能源科技有限责任公司 | 电力施工现场监控方法、系统和存储介质 |
| CN113743249A (zh) * | 2021-08-16 | 2021-12-03 | 北京佳服信息科技有限公司 | 一种违章识别方法、装置、设备及可读存储介质 |
| CN113743249B (zh) * | 2021-08-16 | 2024-03-26 | 北京佳服信息科技有限公司 | 一种违章识别方法、装置、设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110909675A (zh) | 违章行为识别方法、装置、计算机设备和存储介质 | |
| CN109040709B (zh) | 视频监控方法及装置、监控服务器及视频监控系统 | |
| CN110781750A (zh) | 危险人物监控处理方法、装置、计算机设备和存储介质 | |
| CN112272288B (zh) | 核电作业监控方法、装置、计算机设备和存储介质 | |
| CN111199200A (zh) | 基于电力防护装备的佩戴检测方法、装置和计算机设备 | |
| CN110262337B (zh) | 电力智能监控系统及方法 | |
| US10565439B2 (en) | Method and system for tracking workers at worksites | |
| CN111080963A (zh) | 施工现场告警方法、装置、计算机设备和存储介质 | |
| CN113011833A (zh) | 施工现场的安全管理方法、装置、计算机设备和存储介质 | |
| CN112364715A (zh) | 核电作业异常监控方法、装置、计算机设备和存储介质 | |
| CN113034826A (zh) | 基于视频的异常事件告警方法及其系统、设备、存储介质 | |
| CN111523362A (zh) | 一种基于电子围网的数据分析方法、装置及电子设备 | |
| CN103810696A (zh) | 一种目标对象图像检测方法及装置 | |
| CN116206255B (zh) | 基于机器视觉的危险区域人员监控方法与装置 | |
| CN112040172A (zh) | 井盖监控方法、装置、计算机设备和存储介质 | |
| CN108288025A (zh) | 一种车载视频监控方法、装置及设备 | |
| CN112595730A (zh) | 电缆破损识别方法、装置和计算机设备 | |
| CN112818758A (zh) | 电力施工现场的监测方法、系统、装置和存储介质 | |
| CN110659564A (zh) | 区域内用户追踪方法、装置、计算机设备以及存储介质 | |
| CN110390226B (zh) | 人群事件识别方法、装置、电子设备及系统 | |
| CN113920543A (zh) | 禁入区域安全检测方法、装置、设备及存储介质 | |
| CN114187561A (zh) | 异常行为的识别方法、装置、终端设备及存储介质 | |
| JP2017167800A (ja) | 監視システム、情報処理装置、監視方法および監視プログラム | |
| CN116052103A (zh) | 监控数据处理方法、装置、计算机设备和存储介质 | |
| CN116310979B (zh) | 图像识别方法、风险管控平台及方法、安全管控平台 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200928 Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant before: GUANGZHOU POWER SUPPLY Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |