CN111091048A - 密封失效监测方法、装置、服务器及存储介质 - Google Patents
密封失效监测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111091048A CN111091048A CN201911052977.7A CN201911052977A CN111091048A CN 111091048 A CN111091048 A CN 111091048A CN 201911052977 A CN201911052977 A CN 201911052977A CN 111091048 A CN111091048 A CN 111091048A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- data
- determining
- preset
- moving target
- 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
Images
Classifications
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
Abstract
本申请提供一种密封失效监测方法、装置、服务器及存储介质。本申请提供的密封失效监测方法通过预设背景建模算法确定监测视频第一区域范围内的第一运动目标,其中,第一区域范围包括待监测对象,然后根据预设深度检测模型确定第一区域范围内的第二运动目标,最后根据第一运动目标、第二运动目标以及预设密封失效条件确定待监测对象是否存在密封失效现象。从而,实现对密封失效现象的实时监测,能够避免漏检,以及时止损。并且,能够精准地获得发生密封失效现象的位置,以及对误检情况的及时排除,进而提高了密封失效监测的准确度。
Description
技术领域
本申请涉及视频图像识别技术领域,尤其涉及一种密封失效监测方法、装置、服务器及存储介质。
背景技术
在工农业生产领域,对于各种储存容器以及管道而言,密封性尤为重要。
由于长期持续性的使用,可能会受振动、应力、变形、冲击、冲刷、腐蚀、温度、压力、环境、季节以及人为因素、材料自身缺陷等众多内在和/或外在因素的影响,时常会造成各种形式的密封失效,进而引起介质泄漏,例如出现跑、冒、滴、漏(跑气、冒水、滴液、漏液)现象。若该现象未被及时发现,则不能及时进行处理,造成的后果不堪设想。现有技术中,一种是采用多种传感器实现预警监测系统,另一种是针对具体的某一种状态的介质采用相应的监测方法。
但是,前者存在系统成本高,且不能进行实时监测以及时发现密封失效,例如:跑、冒、滴、漏现象的问题。后者仅针对某一种状态的介质进行监测,此种方法具有局限性,不能对其他不同状态的介质实现监测,其方法不具有普适性。另外,上述两种方法均因为无法排除干扰因素,例如人、车、动物(包括猫、狗、鸟以及飞蛾)等可疑运动目标,存在监测准确率不高的问题。
发明内容
本申请提供一种密封失效监测方法、装置、服务器及存储介质,用以解决现有的密封失效监测不及时以及准确率不高的各种技术问题。
第一方面,本申请提供一种密封失效监测方法,包括:
根据预设背景建模算法确定监测视频第一区域范围内的第一运动目标,所述第一区域范围包括待监测对象;
根据预设深度检测模型确定所述第一区域范围内的第二运动目标;
根据所述第一运动目标、所述第二运动目标以及预设密封失效条件确定所述待监测对象是否存在密封失效现象。
一种可能的设计中,在所述根据预设背景建模算法确定监测视频第一区域范围内的第一运动目标之后,还包括:
根据所述第一运动目标确定第一视频帧数据,其中,所述第一视频帧数据为所述第一运动目标对应的视频图像的视频帧数据;
根据所述第一运动目标以及所述第一视频帧数据确定第一监测数据。
一种可能的设计中,在所述根据预设深度检测模型确定所述第一区域范围内的第二运动目标之后,还包括:
根据所述第二运动目标确定第二视频帧数据,其中,所述第二视频帧数据为所述第二运动目标对应的视频图像的视频帧数据;
根据所述第二运动目标以及所述第二视频帧数据确定第二监测数据。
一种可能的设计中,所述根据所述第一运动目标、所述第二运动目标以及预设密封失效条件确定所述待监测对象是否存在密封失效现象,包括:
采用预设估算模型对所述第一监测数据进行处理,以确定第一监测序列数据,所述第一监测序列数据用于表征所述第一运动目标的表观特征与运动信息;
采用所述预设估算模型对所述第二监测数据进行处理,以确定第二监测序列数据,所述第二监测序列数据用于表征所述第二运动目标的表观特征与运动信息;
根据所述第一监测序列数据判断所述第一运动目标是否满足所述预设密封失效条件;
若判断结果为满足,则继续判断所述第一监测序列数据与所述第二监测序列数据是否一致;
若判断结果为不一致,则确定所述待监测对象存在密封失效现象。
一种可能的设计中,所述采用预设估算模型对所述第一监测数据进行处理,以确定第一监测序列数据,包括:
判断所述监测视频当前帧中的所述第一运动目标是否为新增目标,若判断结果为是,创建第一监测类别数据,所述第一监测类别数据用于表征所述第一运动目标的所述表观特征以及位置;
若判断结果为否,采用所述预设估算模型根据所述第一监测类别数据估算所述第一运动目标在下一帧的位置,并在所述下一帧更新所述第一监测类别数据,所述第一监测序列数据包括连续N帧的所述第一监测类别数据,其中,所述N为大于1的任意整数;
判断所述第一监测类别数据在连续N帧内是否被更新,若判断结果为是,则确定所有更新后的所述第一监测类别数据为所述第一监测序列数据;
若判断结果为否,则清空所述第一监测类别数据。
一种可能的设计中,所述采用预设估算模型对所述第二监测数据进行处理确定第二监测序列数据,包括:
判断所述监测视频当前帧中的所述第二运动目标是否为新增目标,若判断结果为是,创建第二监测类别数据,所述第二监测类别数据用于表征所述第二运动目标的所述表观特征以及位置;
若判断结果为否,采用所述预设估算模型根据所述第二监测类别数据估算所述第二运动目标在下一帧的位置,并在所述下一帧更新所述第二监测类别数据,所述第二监测序列数据包括连续N帧的所述第二监测类别数据,N为大于1的任意整数;
判断所述第二监测类别数据在连续N帧内是否被更新,若判断结果为是,则确定所有更新后的所述第二监测类别数据为所述第二监测序列数据;
若判断结果为否,则清空所述第二监测类别数据。
一种可能的设计中,所述确定所述待监测对象存在所述密封失效现象之后,还包括:
生成报警消息,所述报警消息用于提示所述待监测对象存在所述密封失效现象。
第二方面,本申请提供一种密封失效监测装置,包括:
第一处理模块,用于根据预设背景建模算法确定监测视频第一区域范围内的第一运动目标,所述第一区域范围包括待监测对象;
第二处理模块,用于根据预设深度检测模型确定所述第一区域范围内的第二运动目标;
第三处理模块,用于根据所述第一运动目标、所述第二运动目标以及预设密封失效条件确定所述待监测对象是否存在密封失效现象。
一种可能的设计中,所述第一处理模块,还包括:
第一处理单元,用于根据所述第一运动目标确定第一视频帧数据,其中,所述第一视频帧数据为所述第一运动目标对应的视频图像的视频帧数据;根据所述第一运动目标以及所述第一视频帧数据确定第一监测数据。
一种可能的设计中,所述第二处理模块,还包括:
第二处理单元,用于根据所述第二运动目标确定第二视频帧数据,其中,所述第二视频帧数据为所述第二运动目标对应的视频图像的视频帧数据;根据所述第二运动目标以及所述第二视频帧数据确定第二监测数据。
一种可能的设计中,所述第三处理模块,具体用于:
采用预设估算模型对所述第一监测数据进行处理,以确定第一监测序列数据,所述第一监测序列数据用于表征所述第一运动目标的表观特征与运动信息;
采用所述预设估算模型对所述第二监测数据进行处理,以确定第二监测序列数据,所述第二监测序列数据用于表征所述第二运动目标的表观特征与运动信息;
根据所述第一监测序列数据判断所述第一运动目标是否满足所述预设密封失效条件;
若判断结果为满足,则继续判断所述第一监测序列数据与所述第二监测序列数据是否一致;
若判断结果为不一致,则确定所述待监测对象存在密封失效现象。
一种可能的设计中,所述第三处理模块包括第三处理单元,所述第三处理单元,具体用于:
判断所述监测视频当前帧中的所述第一运动目标是否为新增目标,若判断结果为是,创建第一监测类别数据,所述第一监测类别数据用于表征所述第一运动目标的所述表观特征以及位置;
若判断结果为否,采用所述预设估算模型根据所述第一监测类别数据估算所述第一运动目标在下一帧的位置,并在所述下一帧更新所述第一监测类别数据,所述第一监测序列数据包括连续N帧的所述第一监测类别数据,其中,所述N为大于1的任意整数;
判断所述第一监测类别数据在连续N帧内是否被更新,若判断结果为是,则确定所有更新后的所述第一监测类别数据为所述第一监测序列数据;
若判断结果为否,则清空所述第一监测类别数据。
一种可能的设计中,所述第三处理模块包括第四处理单元,所述第四处理单元,具体用于:
判断所述监测视频当前帧中的所述第二运动目标是否为新增目标,若判断结果为是,创建第二监测类别数据,所述第二监测类别数据用于表征所述第二运动目标的所述表观特征以及位置;
若判断结果为否,采用所述预设估算模型根据所述第二监测类别数据估算所述第二运动目标在下一帧的位置,并在所述下一帧更新所述第二监测类别数据,所述第二监测序列数据包括连续N帧的所述第二监测类别数据,N为大于1的任意整数;
判断所述第二监测类别数据在连续N帧内是否被更新,若判断结果为是,则确定所有更新后的所述第二监测类别数据为所述第二监测序列数据;
若判断结果为否,则清空所述第二监测类别数据。
可选地,所述装置,还包括:
生成模块,用于生成报警消息,所述报警消息用于提示所述待监测对象存在所述密封失效现象。
第三方面,本申请提供一种服务器,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面及可选的方案涉及的密封失效监测方法。
第四方面,本申请提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行第一方面及可选的方案涉及的密封失效监测方法。
本申请提供一种密封失效监测方法、装置、服务器及存储介质,首先根据预设背景建模算法确定监测视频第一区域范围内的第一运动目标,其中,第一区域范围包括待监测对象,然后根据预设深度检测模型确定第一区域范围内的第二运动目标,最后根据第一运动目标、第二运动目标以及预设密封失效条件确定待监测对象是否存在密封失效现象。能够对密封失效实现实时监测,避免漏检,以及时止损。并且,能够精准地获得发生密封失效现象的位置,以及对误检情况的及时排除,进而提高了密封失效监测的准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本申请实施例提供的密封失效监测方法的一种应用场景图;
图2为本申请实施例提供的一种密封失效监测方法的流程示意图;
图3为本申请实施例提供的一种第一运动目标监测结果示意图;
图4为本申请实施例提供的一种确定第一监测数据的流程示意图;
图5为本申请实施例提供的一种第二运动目标监测结果示意图;
图6为本申请实施例提供的一种确定第二监测数据的流程示意图;
图7为本申请实施例提供的一种确定密封失效现象的流程示意图;
图8为本申请实施例提供的一种确定第一监测序列数据的流程示意图;
图9为本申请实施例提供的一种确定第二监测序列数据的流程示意图;
图10为本申请实施例提供的一种存在密封失效现象的示意图;
图11为本申请实施例提供的一种密封失效监测装置的结构示意图;
图12为本申请实施例提供的一种服务器的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的方法和装置的例子。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在工农业生产领域,各种储存容器以及管道的密封性至关重要。在长期持续性的使用中,其可能会受振动、应力、变形、冲击、冲刷、腐蚀、温度、压力、环境、季节以及人为因素、材料自身缺陷等众多内在和/或外在因素的影响,时常造成各种形式的密封失效,进而导致介质泄露,例如出现跑、冒、滴、漏(跑气、冒水、滴液、漏液)现象。当该现象发生却不能被及时发现,则不能给予及时处理,会给生产带来不可估量的损失以及危害。现有技术中,针对此问题,通常一种是采用多种传感器以实现预警监测系统,另一种是针对所涉及的某一种状态的介质采用相应的监测方法。然而,前置存在系统成本高,且不能实现实时监测以及时发现密封失效,后者所采用的方法仅针对特定的介质展开,其方法不具有普适性。再者,上述两种方法均因无法排除干扰因素,例如人、车、动物(包括猫、狗、鸟以及飞蛾)等可疑运动目标,存在监测准确率不高的问题。
针对现有技术中存在的上述问题,本申请提供一种密封失效监测方法、装置、服务器及存储介质,首先根据预设背景建模算法确定监测视频第一区域范围内的第一运动目标,其中,第一区域范围包括待监测对象,然后根据预设深度检测模型确定第一区域范围内的第二运动目标,最后根据第一运动目标、第二运动目标以及预设密封失效条件确定待监测对象是否存在密封失效现象。能够对密封失效现象实现实时监测,降低漏检率,以及时止损。并且,能够精准地获得发生密封失效现象的位置,以及对误检情况的及时排除,进而提高了密封失效监测的准确度。
下面以具体地实施例对本申请的技术方案进行详细说明。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不再赘述。
图1为本申请实施例提供的密封失效监测方法的一种应用场景图。如图1所示,本申请提供的密封失效监测方法由服务器执行,如图1中的服务器1所示。通过本申请提供的密封失效监测方法可以实现对监控区域内密封失效现象的实时监测。
随着视频监控系统的发展,在生产工区通常会配套安装有视频监控系统,以对工区进行实时监控。本申请实施例提供的密封失效监测方法,首先根据预设背景建模算法确定所监测视频第一区域范围内的第一运动目标,其中第一区域范围包括待监测对象。图1中所示的为视频监控系统所监控到的画面图像,画面图像2即为监测视频中的第一区域范围的视频图像,可以理解的是,出现在该区域范围内的容器和/或管道即为待监测对象,可能存在密封失效现象,其中,第一运动目标可以理解为发生密封失效的介质。然后根据预设深度检测模型确定第一区域范围内的第二运动目标。可以理解为,对于同一个监测区域,通过预设深度检测模型确定出该监测区域范围内的第二运动目标,其中,第二运动目标为外界的干扰运动对象。最后根据第一运动目标、第二运动目标以及预设密封失效条件确定待监测对象是否存在密封失效现象。其中,预设密封失效条件可以是本领域技术人员根据实际工况以及介质进行设置,对此,本申请实施例不作限定。从而,通过本申请实施例提供的密封失效监测方法能够对待监测对象是否存在密封失效现象实现实时地监测,精准地锁定发生密封失效现象的位置,降低漏检率,对于密封失效及时发现及时处理及时止损。同时,引入对于第二运动目标的监测,能够排除误检,进而提高密封失效监测的准确率。
图2为本申请实施例提供的一种密封失效监测方法的流程示意图。如图2所示,本实施例提供的密封失效监测方法可以由服务器执行,该方法包括:
S21:根据预设背景建模算法确定监测视频第一区域范围内的第一运动目标。
其中,第一区域范围包括待监测对象。
第一区域范围为视频监控系统所监控的区域,该区域范围内包括有待监测对象,例如各种储存容器和/或管道,其内有液态或气态的介质存在。
背景建模是视频图像领域中对于运动目标监测的一种方法,具体地,是对背景进行建模,一旦背景模型建立,将当前的图像与背景模型进行比较,根据比较结果则可以确定出需要监测的运动目标对象。
第一运动目标可以理解为正发生密封失效现象的介质,例如,发生跑、冒、滴、漏(跑气、冒水、滴液、漏液)现象的介质。
在本实施例中,预设背景建模算法可以为混合高斯背景建模算法,通过预设背景建模算法对监测区域内的第一运动目标实现实时监测。值得理解的是,预设背景建模算法也可以为其他能够基于视频图像实现目标监测的算法,例如单高斯模型、混合高斯平均等等,对此,本申请实施例不作限定。
具体地,在本实施例中,根据预设背景建模算法能够在监测视频的视频图像中将运动目标从第一区域范围分割出来,并将所监测到的运动目标的二值化图像进行连通域标记,获取到运动目标所在位置的外接矩形框如图3中的虚线框所示,图3为本申请实施例提供的一种第一运动目标监测结果示意图,图3中所示的实线框内的区域为第一区域范围。值得理解的是,本实施例中所监测到的所有运动目标皆为第一运动目标。需要说明的是,为了清楚地显示附图,图3中的虚线框是对实际所得到的结果进行了局部放大处理。
可选地,在根据预设背景建模算法确定监测视频第一区域范围内的第一运动目标之后,还包括确定第一监测数据,如图4所示,图4为本申请实施例提供的一种确定第一监测数据的流程示意图。本实施例提供的确定第一监测数据的方法,包括:
S211:根据第一运动目标确定第一视频帧数据。
其中,第一视频帧数据为第一运动目标对应的视频图像的视频帧数据。
可以理解的是,在确定了监测视频第一区域范围内的第一运动目标之后,在所监测到的视频图像的视频帧数据中,第一运动目标所对应的视频帧数据则为第一视频帧数据。
S212:根据第一运动目标以及第一视频帧数据确定第一监测数据。
将所确定的第一运动目标,以及该第一运动目标对应的视频帧数据,即第一视频帧数据,这两种数据确定为第一监测数据。可以理解的是,表征第一运动目标的数据为表示该运动目标所在的位置的数据。
本实施例提供的确定第一监测数据的方法是根据第一运动目标首先确定第一视频帧数据,其中第一视频帧数据为运动目标对应的视频图像的视频帧数据,然后将第一运动目标以及第一视频帧数据这两种数据确定为第一监测数据。对于每帧监测视频而言,第一运动目标与第一视频帧数据之间具有一一对应关系。
S22:根据预设深度检测模型确定第一区域范围内的第二运动目标。
与步骤S21中确定第一运动目标相同的监测视频第一区域范围内,采用预设深度检测模型进行第二运动目标的确定。
其中,预设深度检测模型可以是一种深度卷积神经网络模型,例如CornerNet模型,可以对出现在第一区域范围内的第二运动目标进行监测,例如出现在监测视频第一区域范围内的人、车、动物(如猫、狗、鸟以及飞蛾等等),第二运动目标可以理解为可疑目标,是为了提高监测的准确率需要排除的误检以及干扰。
值得被理解的是,预设深度检测模型是在离线阶段使用网络公开数据集训练出来的模型,例如,通过收集到的实际工况环境下存在于第一区域范围内的人、车或动物等数据,对CornerNet模型进行微调,训练出适合实际工况的检测模型,以实现对第二运动目标的精准监测。具体地,可以将第二运动目标通过目标外界矩形框的形式于视频图像上输出,如图5所示,图5为本申请实施例提供的一种第二运动目标监测结果示意图,图5中所示虚线框标记的为第二运动目标,实线框内的区域为第一区域范围。
可选地,在根据预设深度检测模型确定第一区域范围内的第二运动目标之后,还包括确定第二监测数据,如图6所示,图6为本申请实施例提供的一种确定第二监测数据的流程示意图。本实施例提供的确定第二监测数据的方法,包括:
S221:根据第二运动目标确定第二视频帧数据。
其中,第二视频帧数据为第二运动目标对应的视频图像的视频帧数据。
可以理解的是,在确定了监测视频第一区域范围内的第二运动目标之后,在所监测到的视频图像的视频帧数据中,第二运动目标所对应的视频帧数据则为第二视频帧数据。
S222:根据第二运动目标以及第二视频帧数据确定第二监测数据。
将所确定的第二运动目标,以及该第二运动目标对应的视频帧数据,即第二视频帧数据,将这两种数据确定为第二监测数据。可以理解的是,表征第二运动目标的数据为表示该运动目标所在的位置的数据。
本实施例提供的确定第二监测数据的方法是根据第二运动目标首先确定第二视频帧数据,其中第二视频帧数据为该运动目标对应的视频图像的视频帧数据,然后将第二运动目标以及第二视频帧数据这两种数据确定为第二监测数据。对于每帧监测视频而言,第二运动目标与第二视频帧数据之间具有一一对应关系。
S23:根据第一运动目标、第二运动目标以及预设密封失效条件确定待监测对象是否存在密封失效现象。
首先,在根据预设背景建模算法确定了监测视频第一区域范围内的第一运动目标之后,所确定的第一运动目标为正处于发生密封失效现象的介质,第一运动目标所在的位置可以理解为发生密封失效现象的位置。其次,根据预设深度检测模型确定第一区域范围内的第二运动目标,即通过预设深度检测模型将第一区域范围内的可疑目标实现监测,可疑目标即第二运动目标,该第二运动目标以干扰的形式存在,会造成密封失效监测的误检。最后,再根据第一运动目标、第二运动目标以及预设密封失效条件确定待监测对象是否存在密封失效现象。
可以理解的,所确定的第一运动目标为正处于密封失效现象的介质,而引起发生密封失效现象的可能是由于第二运动目标所造成,因此,需要将第二运动目标,即造成误检的可疑目标排除。预设密封失效条件为本领域技术人员根据实际工况所设定的满足密封失效现象的条件,例如,第一运动目标持续的时间,换言之,密封失效现象在某一确定的工况中所持续的时间,对于预设密封失效条件本申请实施例不作限定。最后,根据第一运动目标、第二运动目标以及预设密封失效条件就可以准确地确定待监测对象是否存在密封失效现象。再者,预设背景建模算法对于第一运动目标的确定是实时进行,与此同时,预设深度检测模型对于第二运动目标的确定也在实时进行,故而,根据第一运动目标、第二运动目标以及预设密封失效条件能够实时地确定待监测对象是否存在密封失效现象,避免了漏检。
可选地,预设深度检测模型也可以间隔性被调用。换言之,在确定了第一运动目标之后,可以间隔性地对可疑目标,即第二运动目标进行排除,例如在根据第一运动目标、第二运动目标以及预设密封失效条件确定待监测对象是否存在密封失效现象时,第二运动目标可以被间隔性采纳,即间隔性地对可疑目标进行排除,以节约整个密封失效监测系统成本,同时,相对于仅采用背景建模算法确定第一运动目标来进行密封失效监测而言,提高了监测的准确率。
值得说明的是,假如待监测对象中存储和/或流经的为气态介质,则不需要进行第二运动目标的确定,根据第一运动目标以及预设密封失效条件就能够确定待测对象是否存在密封失效现象。
本实施例提供的密封失效监测方法,首先通过预设背景建模算法确定了监测视频的第一区域范围内的第一运动目标,其中,第一区域范围包括待监测对象,然后根据预设深度检测模型确定该第一区域范围内的第二运动目标,最后根据第一运动目标、第二运动目标以及预设密封失效条件确定待监测对象是否存在密封失效现象。从而,对于监测视频第一区域范围内的密封失效现象实现实时监测。因采用了预设深度检测模型对造成误检的可疑目标进行确定,所以,最终确定的待监测对象是否存在密封失效现象相比于现有技术中仅采用预设背景建模算法进行密封失效现象的监测提高了准确率。
为了更加明确如何根据第一运动目标、第二运动目标以及预设密封失效条件确定待监测对象是否存在密封失效现象,步骤S23的一种可能的实现方式如图7所示,图7为本申请实施例提供的一种确定密封失效现象的流程示意图,其实现方式包括:
S231:采用预设估算模型对第一监测数据进行处理,以确定第一监测序列数据。
第一监测序列数据用于表征第一运动目标的表观特征与运动信息。
通过步骤S211-S212能够确定第一监测数据,即第一运动目标以及第一视频帧数据,第一运动目标可以通过位置数据得以表征,第一视频帧数据则为第一运动目标对应的视频图像的视频帧数据。
在本步骤中,通过预设估算模型对第一监测数据进行处理,得到的处理结果为第一监测序列数据,其中,第一监测序列数据用于表征第一运动目标的表观特征与运动信息。在视频图像领域,对于每帧图像而言,对第一监测数据进行处理以后的输出结果中包括所监测视频中第一运动目标的例如颜色、纹理以及哈特特征(Haar)等数据,这一类数据能够表征第一运动目标的表观特征。对于运动目标而言,每一帧图像中,第一运动目标都有对应的位置数据,连续视频帧中的位置数据即能够明确第一运动目标的运动信息。故而,第一监测序列数据表征第一运动目标的表观特征与运动信息。
预设估算模型可以为卡尔曼(Kalman)跟踪模型,具体地为卡尔曼滤波器,能够将过去的测量估计误差合并到新的测量误差中来估计将来的误差,通过这种误差迭代传递的方式,实现对目标未来的状态进行预测,以实现跟踪功能。换言之,卡尔曼滤波器能够根据物体的当前位置,在观察序列中预测出物体的下个位置以及运动的速度等信息。并能够对所采集到的数据进行实时更新和处理。值得被理解的是,也可以采用其他能够实现跟踪功能的模型,对此,本申请实施例不作限定。
一种可能的设计中,采用预设估算模型对第一监测数据进行处理,以确定第一监测序列数据的方法如图8所示,图8为本申请实施例提供的一种确定第一监测序列数据的流程示意图,该方法包括:
S2311:判断监测视频当前帧中的第一运动目标是否为新增目标。
遍历监测视频当前帧中的所有第一运动目标,判断其是否为于当前帧图像中第一次出现,即判断当前帧中的第一运动目标是否为新增目标。
S2312:若判断结果为是,创建第一监测类别数据。
其中,第一监测类别数据用于表征第一运动目标的表观特征以及位置。
当经过判断,确定第一运动目标于当前帧图像中第一次出现,即第一运动目标为新增目标,则创建第一监测类别数据,第一监测类别数据用来表征第一运动目标的表观特征以及位置。可以理解为,当第一运动目标为新增目标时,创建新的类别数据,该类别数据中的数据均用以表征第一运动目标,具体为表征第一运动目标的表观特征以及位置的数据,定义该类别数据为第一监测类别数据。
S2313:若判断结果为否,采用预设估算模型根据第一监测类别数据估算第一运动目标在下一帧的位置,并在下一帧更新第一监测类别数据。
第一监测序列数据包括连续N帧的第一监测类别数据,其中,N为大于1的任意整数。
当经过判断,确定第一运动目标于当前帧图像中并非第一次出现,即第一运动目标不是新增目标,换言之,判断结果为否,采用前述的预设估算模型根据第一监测类别数据估算第一运动目标在下一帧的位置,当进入到下一帧图像时,还能够更新当前帧对应的第一监测类别数据。可以理解的是,连续N帧的第一监测类别数据可以表明第一运动目标的运动信息,例如跑、冒、滴、漏现象出现的时刻、消失的时刻以及在连续N帧图像中的位置等信息,因此,第一监测序列数据包括连续N帧的第一监测类别数据,N为大于1的任意整数。
S2314:判断第一监测类别数据在连续N帧内是否被更新。
值得说明的是,采用预设估算模型对第一监测数据进行处理是相对于一定时长内监测视频第一区域范围内的第一运动目标而言,连续N帧图像则指该时长内的连续N帧。其中,对于时长的具体设置由本领域技术人员根据实际工况决定,对比,本申请实施例不作限定。
因此,可以理解的是,在本步骤中判断连续N帧内第一监测类别数据是否被更新,其中,对于更新的次数不作限定,即凡是被更新过,均认为被更新。
S2315:若判断结果为是,则确定所有更新后的第一监测类别数据为第一监测序列数据。
判断第一监测类型数据是否被更新,若被更新过,即判断结果为是,则将所有更新过的每帧对应的第一监测类别数据确定为第一监测序列数据。值得被理解的是,若确定了第一监测序列数据,则说明在上述的一定时长内,监测视频第一区域范围内的待测对象正处于密封失效现象。
S2316:若判断结果为否,则清空第一监测类别数据。
若判断结果为否,即第一监测类别数据没有被更新,第一监测类别数据在被创建以后均未被更新,则清空第一监测类别数据。换言之,此种情况中的第一监测类别数据对应的第一运动目标仅是在当前帧中作为新增目标出现,但也仅出现于当前帧图像中,则清空该第一监测类别数据,相当于清除该第一运动目标,从而不再据此进行密封失效现象的确定。
本实施例提供的确定第一监测序列数据的方法,首先判断当前帧中的第一运动目标是否是新增目标,若是新增目标,则创建对应的第一监测类别数据,其中,第一监测类别数据能够表征第一运动目标的表观特征以及位置;若不是新增目标,则通过预设估算模型根据当前帧的第一监测类别数据能够估算第一运动目标的下一帧的位置,并在进入下一帧图像时更新当前第一监测类别数据,连续N帧的第一监测类别数据能够明确第一运动目标的运动信息,N为大于1的任意整数,最后再判断在连续N帧内第一监测类别数据是否被更新过,若判断结果为是,则将所有更新过的第一监测类别数据确定为第一监测序列数据,若判断结果为否,则清空第一监测类别数据,相当于清除第一运动目标,不再据此进行密封失效现象的确定。本实施例提供的确定第一监测序列数据的方法能够智能化地对第一监测数据进行处理,对每一帧的第一监测类别数据实现监控。从而,若确定待测对象已发生密封失效现象,则能够据此分析发生失效的原因,防微杜渐,避免同样原因的密封失效再次发生。
S232:采用预设估算模型对第二监测数据进行处理,以确定第二监测序列数据。
其中,第二监测序列数据用于表征第二运动目标的表观特征与运动信息。
本步骤的实现方式以及原理与步骤S231类似,在此不再赘述。不同的是本步骤是根据第二监测数据确定第二运动目标对应的第二监测序列数据,即可疑目标的表观特征与运动信息的数据。
一种可能的设计中,采用预设估算模型对第二监测数据进行处理,以确定第二监测序列数据的方法如图9所示,图9为本申请实施例提供的一种确定第二监测序列数据的流程示意图,该方法包括:
S2321:判断监测视频当前帧中的第二运动目标是否为新增目标。
S2322:若判断结果为是,创建第二监测类别数据。
其中,第二监测类别数据用于表征第二运动目标的表观特征以及位置。
S2323:若判断结果为否,采用预设估算模型根据第二监测类别数据估算第二运动目标在下一帧的位置,并在下一帧更新第二监测类别数据。
第二监测序列数据包括连续N帧的第二监测类别数据,其中,N为大于1的任意整数。
S2324:判断第二监测类别数据在连续N帧内是否更新。
S2325:若判断结果为是,则确定所有更新后的第二监测类别数据为第二监测序列数据。
S2326:若判断结果为否,则清空第二监测类别数据。
步骤S2321-S2326与步骤S2311-S2316的实现原理以及效果相类似,在此不再赘述。不同的是本实施例中为第二监测序列数据,即可疑目标在连续N帧中的表观特征以及位置信息的数据。
S233:根据第一监测序列数据判断第一运动目标是否满足预设密封失效条件。
第一监测序列数据为表征第一运动目标的表观特征以及运动信息的数据,根据第一监测序列数据判断第一运动目标是否满足预设密封失效条件,预设密封失效条件例如发生跑、冒、滴、漏现象的出现时刻,该现象持续的时间等等条件,可以由本领域技术人员根据实际工况中的待监测对象进行设置,对此,本申请实施例不作限定。
S234:若判断结果为满足,则继续判断第一监测序列数据与第二监测序列数据是否一致。
当已确定第一监测序列数据满足预设密封失效条件时,从监测视频的角度而言,则判断当前帧图像中的第一运动目标所在的位置上是否有第二运动目标,而对于执行密封失效监测方法的服务器而言,则判断当前帧的第一监测序列数据与第二监测序列数据是否一致,可以理解为同一帧图像的同一位置上对应的第一监测序列数据与第二监测序列数据是否相同。
可以理解的是,对于判断结果为不满足时,则不再继续判断第一监测序列数据是否与
第二监测序列数据一致,即终止确定密封失效现象的进程。
S235:若判断结果为不一致,则确定待监测对象存在密封失效现象。
当第一监测序列数据与第二监测序列数据一致时,则说明待测对象的位置上存在可疑目标,通过预设背景建模算法所确定的第一运动目标就为该可疑目标,若通过该可疑目标确定待测对象存在密封失效现象,则属于误检,应当排除这种干扰因素导致的误检,即不能确定待监测对象存在密封失效现象。
当第一监测序列数据与第二监测序列数据不一致时,即判断结果为否,则待监测对象存在密封失效现象,第一运动目标为正在发生密封失效现象的介质,至此,实现对待监测对象是否存在密封失效现象的确定。
本实施例提供的确定待监测对象是否存在密封失效现象,首先通过预设估算模型分别对第一监测数据以及第二监测数据进行处理,以确定了第一监测序列数据以及第二监测序列数据,其中,第一监测序列数据与第二监测序列数据分别为表征第一运动目标与第二运动目标的表观特征与运动信息的数据,然后根据第一监测序列数据判断第一运动目标是否满足预设密封失效条件,若满足,则进一步判断第一监测序列数据与第二监测序列数据是否一致,当不一致时,确定待监测对象存在密封失效现象。从而,实现对于密封失效现象的实时监测,以及有效地排除干扰因素导致的误检,提高了密封失效监测的准确度。并且,当确定待测对象存在密封失效现象时,还能够根据已获知的第一监测序列数据分析发生失效的原因,以避免同样原因的密封失效再次发生。
在上述各实施例的基础上,可选地,本申请实施例提供的密封失效监测方法在确定待监测对象存在密封失效现象之后,还包括:
生成报警消息。
其中,报警消息用于提示待监测对象存在密封失效现象。
可以理解的是,本申请提供的密封失效监测方法在确定待监测对象存在密封失效现象之后,还能够生成报警消息,在第一时间通过报警消息提示本领域技术人员待监测对象存在密封失效现象,以能够及时获知失效现象并做出相应措施,减少密封失效现象带来的损失,维护公共安全。
图10为本申请实施例提供的一种存在密封失效现象的示意图,如图10所示,图10中的实线框内的区域为监测视频的第一区域范围,单虚线框标记的为第二运动目标,双虚线框标记的则为所确定的密封失效现象。图10所显示的视频图像为采用本申请实施例提供的密封失效监测方法所确定的密封失效现象最终呈现给本领域技术人员的结果,可由视频监控系统呈现其监测结果,可见,从视频图像中可以直接地、及时地反馈结果,此外,还能够在第一时间保存视频图像,以备后续分析原因时查看。值得说明的是,图10所示的存在密封失效现象为人为制造。
图11为本申请实施例提供的一种密封失效监测装置的结构示意图。本实施例提供的密封失效监测装置可以执行上述各实施例提供的密封失效监测方法。如图11所示,本实施例提供的密封失效监测装置100,包括:
第一处理模块101,用于根据预设背景建模算法确定监测视频第一区域范围内的第一运动目标,第一区域范围包括待监测对象。
第二处理模块102,用于根据预设深度检测模型确定第一区域范围内的第二运动目标。
第三处理模块103,用于根据第一运动目标、第二运动目标以及预设密封失效条件确定待监测对象是否存在密封失效现象。
本实施例提供的密封失效监测装置与上述图2所示的方法实施例的实现原理以及效果类似,在此不再赘述。
一种可能的设计中,第一处理模块101,还包括第一处理单元1010,具体用于:
根据第一运动目标确定第一视频帧数据,其中,第一视频帧数据为第一运动目标对应的视频图像的视频帧数据;根据第一运动目标以及第一视频帧数据确定第一监测数据。
本实施例与上述图4所示的方法实施例的实现原理以及效果类似,在此不再赘述。
一种可能的设计中,第二处理模块102,还包括第二处理单元1020,具体用于:
根据第二运动目标确定第二视频帧数据,其中,第二视频帧数据为第二运动目标对应的视频图像的视频帧数据;根据第二运动目标以及第二视频帧数据确定第二监测数据。
本实施例与上述图6所示的方法实施例的实现原理以及效果类似,在此不再赘述。
一种可能的设计中,第三处理模块103,具体用于:
采用预设估算模型对第一监测数据进行处理,以确定第一监测序列数据,第一监测序列数据用于表征第一运动目标的表观特征与运动信息;
采用预设估算模型对第二监测数据进行处理,以确定第二监测序列数据,第二监测序列数据用于表征第二运动目标的表观特征与运动信息;
根据第一监测序列数据判断第一运动目标是否满足预设密封失效条件;
若判断结果为是,则判断第一监测序列数据与第二监测序列数据是否一致;
若判断结果为否,则确定待监测对象存在密封失效现象。
本实施例与上述图7所示的方法实施例的实现原理以及效果类似,在此不再赘述。
可选地,第三处理模块103包括第三处理单元1031,第三处理单元1031,具体用于:
判断监测视频当前帧中的第一运动目标是否为新增目标,若判断结果为是,创建第一监测类别数据,第一监测类别数据用于表征第一运动目标的表观特征以及位置;
若判断结果为否,采用预设估算模型根据第一监测类别数据估算第一运动目标在下一帧的位置,并在下一帧更新第一监测类别数据,第一监测序列数据包括连续N帧的第一监测类别数据,其中,N为大于1的任意整数;
判断第一监测类别数据在连续N帧内是否被更新,若判断结果为是,则确定所有更新后的第一监测类别数据为第一监测序列数据;
若判断结果为否,则清空第一监测类别数据。
本实施例与上述图8所示的方法实施例的实现原理以及效果类似,在此不再赘述。
可选地,第三处理模块103包括第四处理单元1032,第四处理单元1032,具体用于:
判断监测视频当前帧中的第二运动目标是否为新增目标,若判断结果为是,创建第二监测类别数据,第二监测类别数据用于表征第二运动目标的表观特征以及位置;
若判断结果为否,采用预设估算模型根据第二监测类别数据估算第二运动目标在下一帧的位置,并在下一帧更新第二监测类别数据,第二监测序列数据包括连续N帧的第二监测类别数据,N为大于1的任意整数;
判断第二监测类别数据在连续N帧内是否被更新,若判断结果为是,则确定所有更新后的第二监测类别数据为第二监测序列数据;
若判断结果为否,则清空第二监测类别数据。
本实施例与上述图9所示的方法实施例的实现原理以及效果类似,在此不再赘述。
可选地,密封失效监测装置100,还包括:
生成模块104,用于生成报警消息,报警消息用于提示待监测对象存在密封失效现象。
图12为本申请实施例提供的一种服务器的结构示意图。如图12所示,本实施例提供的服务器800包括:
至少一个处理器801;以及
与至少一个处理器801通信连接的存储器802;其中,
存储器802存储有可被至少一个处理器801执行的指令,该指令被至少一个处理器801执行,以使至少一个处理器801能够执行上述的密封失效监测方法的各个步骤,具体可以参考前述方法实施例中的相关描述。
在示例性实施例中,本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行上述各实施例中密封失效监测方法的各个步骤。例如,可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求书指出。
应当理解的是,本公开不局限于上面已经描述并在附图中示出的精确结构,且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种密封失效监测方法,其特征在于,包括:
根据预设背景建模算法确定监测视频第一区域范围内的第一运动目标,所述第一区域范围包括待监测对象;
根据预设深度检测模型确定所述第一区域范围内的第二运动目标;
根据所述第一运动目标、所述第二运动目标以及预设密封失效条件确定所述待监测对象是否存在密封失效现象。
2.根据权利要求1所述的密封失效监测方法,其特征在于,在所述根据预设背景建模算法确定监测视频第一区域范围内的第一运动目标之后,还包括:
根据所述第一运动目标确定第一视频帧数据,其中,所述第一视频帧数据为所述第一运动目标对应的视频图像的视频帧数据;
根据所述第一运动目标以及所述第一视频帧数据确定第一监测数据。
3.根据权利要求2所述的密封失效监测方法,其特征在于,在所述根据预设深度检测模型确定所述第一区域范围内的第二运动目标之后,还包括:
根据所述第二运动目标确定第二视频帧数据,其中,所述第二视频帧数据为所述第二运动目标对应的视频图像的视频帧数据;
根据所述第二运动目标以及所述第二视频帧数据确定第二监测数据。
4.根据权利要求3所述的密封失效监测方法,其特征在于,所述根据所述第一运动目标、所述第二运动目标以及预设密封失效条件确定所述待监测对象是否存在密封失效现象,包括:
采用预设估算模型对所述第一监测数据进行处理,以确定第一监测序列数据,所述第一监测序列数据用于表征所述第一运动目标的表观特征与运动信息;
采用所述预设估算模型对所述第二监测数据进行处理,以确定第二监测序列数据,所述第二监测序列数据用于表征所述第二运动目标的表观特征与运动信息;
根据所述第一监测序列数据判断所述第一运动目标是否满足所述预设密封失效条件;
若判断结果为满足,则继续判断所述第一监测序列数据与所述第二监测序列数据是否一致;
若判断结果为不一致,则确定所述待监测对象存在密封失效现象。
5.根据权利要求4所述的密封失效监测方法,其特征在于,所述采用预设估算模型对所述第一监测数据进行处理,以确定第一监测序列数据,包括:
判断所述监测视频当前帧中的所述第一运动目标是否为新增目标,若判断结果为是,创建第一监测类别数据,所述第一监测类别数据用于表征所述第一运动目标的所述表观特征以及位置;
若判断结果为否,采用所述预设估算模型根据所述第一监测类别数据估算所述第一运动目标在下一帧的位置,并在所述下一帧更新所述第一监测类别数据,所述第一监测序列数据包括连续N帧的所述第一监测类别数据,其中,所述N为大于1的任意整数;
判断所述第一监测类别数据在连续N帧内是否被更新,若判断结果为是,则确定所有更新后的所述第一监测类别数据为所述第一监测序列数据;
若判断结果为否,则清空所述第一监测类别数据。
6.根据权利要求4所述的密封失效监测方法,其特征在于,所述采用预设估算模型对所述第二监测数据进行处理确定第二监测序列数据,包括:
判断所述监测视频当前帧中的所述第二运动目标是否为新增目标,若判断结果为是,创建第二监测类别数据,所述第二监测类别数据用于表征所述第二运动目标的所述表观特征以及位置;
若判断结果为否,采用所述预设估算模型根据所述第二监测类别数据估算所述第二运动目标在下一帧的位置,并在所述下一帧更新所述第二监测类别数据,所述第二监测序列数据包括连续N帧的所述第二监测类别数据,N为大于1的任意整数;
判断所述第二监测类别数据在连续N帧内是否被更新,若判断结果为是,则确定所有更新后的所述第二监测类别数据为所述第二监测序列数据;
若判断结果为否,则清空所述第二监测类别数据。
7.根据权利要求1-6中任一项所述的密封失效监测方法,其特征在于,所述确定所述待监测对象存在所述密封失效现象之后,还包括:
生成报警消息,所述报警消息用于提示所述待监测对象存在所述密封失效现象。
8.一种密封失效监测装置,其特征在于,包括:
第一处理模块,用于根据预设背景建模算法确定监测视频第一区域范围内的第一运动目标,所述第一区域范围包括待监测对象;
第二处理模块,用于根据预设深度检测模型确定所述第一区域范围内的第二运动目标;
第三处理模块,用于根据所述第一运动目标、所述第二运动目标以及预设密封失效条件确定所述待监测对象是否存在密封失效现象。
9.一种服务器,其特征在于,包括:至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的密封失效监测方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的密封失效监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911052977.7A CN111091048B (zh) | 2019-10-31 | 2019-10-31 | 密封失效监测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911052977.7A CN111091048B (zh) | 2019-10-31 | 2019-10-31 | 密封失效监测方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091048A true CN111091048A (zh) | 2020-05-01 |
CN111091048B CN111091048B (zh) | 2022-10-14 |
Family
ID=70393576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911052977.7A Active CN111091048B (zh) | 2019-10-31 | 2019-10-31 | 密封失效监测方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091048B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104244113A (zh) * | 2014-10-08 | 2014-12-24 | 中国科学院自动化研究所 | 一种基于深度学习技术的视频摘要生成方法 |
CN107123131A (zh) * | 2017-04-10 | 2017-09-01 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的运动目标检测方法 |
CN108629935A (zh) * | 2018-05-17 | 2018-10-09 | 山东深图智能科技有限公司 | 一种基于视频监控检测爬楼翻窗盗窃行为的方法及系统 |
CN109919053A (zh) * | 2019-02-24 | 2019-06-21 | 太原理工大学 | 一种基于监控视频的深度学习车辆停车检测方法 |
US20190244366A1 (en) * | 2017-09-07 | 2019-08-08 | Comcast Cable Communications, Llc | Relevant Motion Detection in Video |
CN110309765A (zh) * | 2019-06-27 | 2019-10-08 | 浙江工业大学 | 一种视频运动目标高效检测方法 |
-
2019
- 2019-10-31 CN CN201911052977.7A patent/CN111091048B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104244113A (zh) * | 2014-10-08 | 2014-12-24 | 中国科学院自动化研究所 | 一种基于深度学习技术的视频摘要生成方法 |
CN107123131A (zh) * | 2017-04-10 | 2017-09-01 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的运动目标检测方法 |
US20190244366A1 (en) * | 2017-09-07 | 2019-08-08 | Comcast Cable Communications, Llc | Relevant Motion Detection in Video |
CN108629935A (zh) * | 2018-05-17 | 2018-10-09 | 山东深图智能科技有限公司 | 一种基于视频监控检测爬楼翻窗盗窃行为的方法及系统 |
CN109919053A (zh) * | 2019-02-24 | 2019-06-21 | 太原理工大学 | 一种基于监控视频的深度学习车辆停车检测方法 |
CN110309765A (zh) * | 2019-06-27 | 2019-10-08 | 浙江工业大学 | 一种视频运动目标高效检测方法 |
Non-Patent Citations (1)
Title |
---|
崔佳伟等: "一种基于ViBe的自适应运动目标检测算法", 《电视技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111091048B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101963308B1 (ko) | 열악한 환경 조건 하에서 딥 러닝을 이용한 영상 내 이동객체 및 돌발상황 감시 시스템 및 그 방법 | |
Theissler | Anomaly detection in recordings from in-vehicle networks | |
CN111126460B (zh) | 基于人工智能的路面病害自动巡检方法、介质、设备及装置 | |
JP2022546729A (ja) | 複雑な人間挙動に関するモジュール式予測 | |
CN109918687B (zh) | 一种基于机器学习的列车动力学仿真方法及仿真平台 | |
CN109377694A (zh) | 社区车辆的监控方法及系统 | |
CN116503229B (zh) | 一种智慧燃气管网巡检方法、物联网系统及存储介质 | |
CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
CN110889371A (zh) | 一种渣土车抛洒检测的方法及装置 | |
CN111091048B (zh) | 密封失效监测方法、装置、服务器及存储介质 | |
US20200214264A1 (en) | Method and system for monitoring epidemic disease in piggery | |
CN102740107A (zh) | 影像监控设备的破坏侦测系统及方法 | |
EP4047550A1 (en) | Train inspection system | |
Jensen et al. | Automatic recognition of operation modes of combines and transport units based on GNSS trajectories | |
CN102842139B (zh) | 一种目标轨迹的求取方法 | |
CN113420631A (zh) | 一种基于图像识别的安全报警方法及装置 | |
US10929776B2 (en) | Thermally-compensated prognostic-surveillance technique for critical assets in outdoor environments | |
CN112032567A (zh) | 一种埋地燃气管道泄漏危险度预测系统 | |
Rehder et al. | Influence of different ground truth hypotheses on the quality of Bayesian networks for maneuver detection and prediction of driving behavior | |
CN117037045B (zh) | 基于融合聚类与深度学习的异常检测系统 | |
Banerjee et al. | Particle Filter Based Prognostic Approach for Automotive Motor | |
JP2020021111A (ja) | 種別判定プログラム、種別判定装置及び種別判定方法 | |
CN116910569B (zh) | 一种车辆碳排放大数据监测方法、系统、装置及存储介质 | |
CN111338892B (zh) | 一种针对极端运行条件下的时间序列上升异常识别方法 | |
US20230236921A1 (en) | Information processing system, information processing method, and program |
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 |