CN111341068B - 一种基于深度学习的钻井现场危险区域预警系统构成方法 - Google Patents
一种基于深度学习的钻井现场危险区域预警系统构成方法 Download PDFInfo
- Publication number
- CN111341068B CN111341068B CN202010135095.3A CN202010135095A CN111341068B CN 111341068 B CN111341068 B CN 111341068B CN 202010135095 A CN202010135095 A CN 202010135095A CN 111341068 B CN111341068 B CN 111341068B
- Authority
- CN
- China
- Prior art keywords
- early warning
- module
- danger
- area
- warning system
- 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.)
- Expired - Fee Related
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000010276 construction Methods 0.000 title claims description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000001960 triggered effect Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 231100001261 hazardous Toxicity 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 231100001267 hazard identification Toxicity 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
- G08B21/0205—Specific application combined with child monitoring using a transmitter-receiver system
- G08B21/0208—Combination with audio or video communication, e.g. combination with "baby phone" function
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
- G08B21/0233—System arrangements with pre-alarms, e.g. when a first distance is exceeded
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
- G08B21/0261—System arrangements wherein the object is to detect trespassing over a fixed physical boundary, e.g. the end of a garden
Abstract
一种基于深度学习的钻井现场危险区域预警系统构成方法，包括视频采集模块、视频智能识别模块、危险分析模块和预警模块；由所述视频采集模块进行图像采集，并传输进入所述视频智能识别模块；所述视频识别模块对采集的图像进行人员识别，并将识别结果传输进入所述危险分析模块；所述危险分析模块判断图像内的人员是否位于危险区域，且钻柱的旋转状态，判断是否触发所述预警模块，进行预警。本发明所述的预警系统方便高效，能够实现实时监测，提高了钻井现场的智能化管理水平；可以实现对钻台危险区域人员靠近的自动预警，能够极大提升监控效率，降低事故发生，对井队安全生产起到促进作用。
Description
技术领域
本发明涉及钻井领域，尤其涉及一种基于深度学习的钻井现场危险区域预警系统构成方法。
背景技术
钻井现场对安全生产的要求日益严格，钻柱正常旋转过程可能会对靠近的作业工人造成人身伤害，属于安全事故潜在发生场所。目前，钻柱旋转过程对其附近工人靠近行为的管控主要靠人工来实现，通过现场摄像头将钻台附近的情况传输至监控室，通过专职人员查看的方式来监测，这种方法局限性很大，不能做到实时提醒，并且难以做到全天候监控。
发明内容
本发明的目的在于提供一种基于深度学习的钻井现场危险区域预警系统构成方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于深度学习的钻井现场危险区域预警系统，包括视频采集模块、视频智能识别模块、危险分析模块和预警模块；所述视频采集模块连接所述视频智能识别模块，将采集到的钻台周围的图像传输进入所述视频智能识别模块；所述视频智能识别模块输出端连接所述危险分析模块，将识别结果传输给所述危险分析模块；所述危险分析模块输出端与所述预警模块进行电连接，当识别结果位于危险区域内，且钻柱转动时，触发所述预警模块。
优选的，所述视频智能识别模块、所述危险分析模块和所述预警模块均嵌入至NVIDIA Jetson XT2硬件平台中。
优选的，所述视频采集模块通过所述NVIDIA Jetson XT2硬件平台的接口连接所述视频智能识别模块。
优选的，所述危险区域预警系统通过所述NVIDIA Jetson XT2硬件平台获取钻柱的旋转状态。
优选的，所述视频采集模块包括摄像头。
一种基于深度学习的钻井现场危险区域预警系统的方法，包括以下步骤：
S1、将视频采集模块安装于钻台区域上端，采集所述钻台周围的图像并传输进入视频智能识别模块；
S2、所述视频识别模块中通过卷积神经网络识别算法构建图像检测模型，通过所述图像检测模型对所述钻台周围的人员进行检测，并输出人员识别序列和对应的目标区域矩形框，传输进入危险识别模块；
S3、所述危险识别模块将所述目标区域矩形框转化为目标中心坐标点，并判断所述目标中心坐标点是否位于预先设定的危险区域内，当钻柱旋转状态下，有一个及一个以上的所述目标中心坐标点位于所述危险区域内，则触发预警模块，所述预警模块发出警报声音。
优选的，所述危险识别模块通过NVIDIA Jetson XT2硬件平台获取所述钻柱的旋转状态。
优选的，所述图像检测模型的创建方式为：收集所述钻台周围的图片，对其中的工人进行手工标注，并进行监督学习训练，应用深度学习算法离线训练出图像检测模型。
优选的，所述视频识别模块处理单帧图像的处理速度为10fps。
优选的，所述危险区域以钻柱为中心，宽度范围为0.4倍摄像头输出图像宽度，高度为摄像头输出图像高度。
本发明的有益效果是：本发明所述的基于深度学习的钻井现场危险区域预警系统构成方法，借助深度学习算法，构建了一种轻量级识别模型，能够克服光照、遮挡等对工人检测精度的影响，实现全天候实时监测，工作过程中对进入旋转钻柱附近的现场人员进行声音警报，达到提醒现场人员的功能，最大限度降低现场人员由于疏忽大意进入危险区域而引起的安全事故。本发明所述的预警系统方便高效，能够实现实时监测，提高了钻井现场的智能化管理水平；可以实现对钻台危险区域人员靠近的自动预警，能够极大提升监控效率，降低事故发生，对井队安全生产起到促进作用。
附图说明
图1是危险区域预警系统的结构示意图；
图2是神经网络组成图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
一种基于深度学习的钻井现场危险区域预警系统，其结构如图1所示，包括视频采集模块、视频智能识别模块、危险分析模块和预警模块；所述视频采集模块连接所述视频智能识别模块，将采集到的钻台周围的图像传输进入所述视频智能识别模块；所述视频智能识别模块输出端连接所述危险分析模块，将识别结果传输给所述危险分析模块；所述危险分析模块输出端与所述预警模块进行电连接，当识别结果位于危险区域内时，触发所述预警模块。所述视频智能识别模块、所述危险分析模块和所述预警模块均嵌入至NVIDIAJetson XT2硬件平台中；所述视频采集模块通过所述NVIDIA Jetson XT2硬件平台的接口连接所述视频智能识别模块；所述危险区域预警系统通过NVIDIA Jetson XT2硬件平台获取钻柱的旋转状态。
基于深度学习的钻井现场危险区域预警系统的构成方法，包括以下步骤：
S1、在钻台区域上端安装一组摄像头作为视频采集模块，采集所述钻台周围的图像并传输进入视频智能识别模块中；
S2、所述视频识别模块中通过卷积神经网络识别算法构建图像检测模型，所述图像检测模型在所述NVIDIA Jetson XT2中运行，通过所述图像检测模型对所述钻台周围的人员进行检测，并输出人员识别序列和对应的目标区域矩形框，所述人员识别序列表示图像中的人员数量，所述目标区域矩形框表示每一个人员对应的区域矩形框；
所述图像检测模型利用卷积神经网络识别算法进行构建：采用的神经网络由卷积层、池化层、非线性RELU层等组成，如图2所示，输入图像归一化为300×300大小，经过一系列的卷积层学习到不同尺度的特征图,分别如下：
[Cov5_3,Cov7,Cov8_2,Cov9_2,Cov10_2,Cov11_2]
对其中5种不同的卷积层的输出的特征图分别用两个不同的3×3的卷积核进行卷积，一个输出分类用的confidence；一个输出回归用的localization，网络最后的损失层由SmoothL1和Softmax组成；
Anchor设计方法：每一个特征图上的一个特征元组，可以预测若干个Anchors。其大小由scale(大小)和aspect ratio(长宽比)决定。
Scale的计算公式如下：
其中Smin＝0.2，表示最底层的scale；Smax＝0.9，表示最高层的scale；
Aspect ratio，用ar表示为下式：
ar＝{1,2,3,1/2,1/3}
因此每个default box的宽wk和高hk计算公式为：
数据准备好后，收集所述钻台周围的图片，对其中的工人进行手工标注，并对上述模型进行监督学习训练，应用深度学习算法离线训练出图像检测模型。
S3、危险识别模块预先定义一个矩形区域作为危险区域，将所述目标区域矩形框转化为目标中心坐标点，并通过所述NVIDIA Jetson XT2硬件平台获取所述钻柱的旋转状态；所述危险识别模块判断所述目标中心坐标点是否位于所述危险区域内，当所述目标中心坐标点位于所述危险区域内，且所述钻柱处于旋转状态时，触发所述预警模块，所述预警模块发出警报声；否则不进行报警。
实施例
通过所述NVIDIA Jetson XT2平台运行所述图像检测模型，控制摄像头进行图像采集，并接收钻柱的旋转状态；所述NVIDIA Jetson XT2通过USB接口连接所述摄像头进行图像采集，接收单帧图像，且设置有程序启动计数器，当计数器为3的倍数时，对采集到的图像进行二分之一降采样，并传输进入训练完毕的图像检测模型中，由所述图像检测模型对单帧图像进行人员识别分析，设定处理速度为10fps，并输出人员识别序列和目标区域矩形框；所述危险识别模块中设定所述危险区域以钻柱为中心，宽度范围为0.4倍摄像头输出图像宽度，高度为摄像头输出图像高度；将上述输出结果和所述钻柱的旋转状态输入所述危险识别模块，所述危险识别模块将所述目标区域矩形框转化为目标中心坐标点，检测到人员的位置的矩形框坐标(x0,y0),(x1,y1),(x2,y2),(x3,y3)，其中(x0,y0)是左下点，(x1,y1)右下点；用(x，y)表示人员的准确位置即所述目标中心坐标点，其中x＝(x0+x1)/2,y＝(y2+y1)/2；并判断所述目标中心点是否位于所述危险区域内，计算危险区域的面积，并投影到图像像素坐标，设为S；如果(x,y)∈S且钻柱正常工作，则触发预警模块，所述预警模块发出警报声音。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明所述的基于深度学习的钻井现场危险区域预警系统构成方法，借助深度学习算法，构建了一种轻量级识别模型，能够克服光照、遮挡等对工人检测精度的影响，实现全天候实时监测，工作过程中对进入旋转钻柱附近的现场人员进行声音警报，达到提醒现场人员的功能，最大限度降低现场人员由于疏忽大意进入危险区域而引起的安全事故。本发明所述的预警系统方便高效，能够实现实时监测，提高了钻井现场的智能化管理水平；可以实现对钻台危险区域人员靠近的自动预警，能够极大提升监控效率，降低事故发生，对井队安全生产起到促进作用。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (8)
1.一种基于深度学习的钻井现场危险区域预警系统构成方法，其特征在于，所述钻井现场危险区域预警系统包括视频采集模块、视频智能识别模块、危险分析模块和预警模块；所述视频采集模块连接所述视频智能识别模块，将采集到的钻台周围的图像传输进入所述视频智能识别模块；所述视频智能识别模块输出端连接所述危险分析模块，将识别结果传输给所述危险分析模块；所述危险分析模块输出端与所述预警模块进行电连接，当识别结果位于危险区域内，且钻柱转动时，触发所述预警模块；
基于深度学习的所述钻井现场危险区域预警系统构成方法包括以下步骤：
S1、将视频采集模块安装于钻台区域上端，采集所述钻台周围的图像，并传输进入视频智能识别模块；
S2、所述视频识别模块中通过卷积神经网络识别算法构建图像检测模型，通过所述图像检测模型对所述钻台周围的人员进行检测，并输出人员识别序列和对应的目标区域矩形框，传输进入危险识别模块；
S3、所述危险识别模块将所述目标区域矩形框转化为目标中心坐标点，并判断所述目标中心坐标点是否位于预先设定的危险区域内，当钻柱旋转状态下，有一个以上的所述目标中心坐标点位于所述危险区域内，则触发预警模块，所述预警模块发出警报声音；
其中，在构建所述图像检测模型时，对传输输入的图像归一化，经过系列的卷积层学习到不同尺度的特征图，对不同的卷积层的输出的特征图分别用两个不同的3×3的卷积核进行卷积，并分别输出分类用的confidence和输出回归用的localization；通过NVIDIAJetson XT2平台运行所述图像检测模型，进行图像采集，并接收钻柱的旋转状态，接收采集的单帧图像，且设置有程序启动计数器，当计数器为3的倍数时，对采集到的图像进行二分之一降采样，并传输进入训练完毕的所述图像检测模型中，由所述图像检测模型对单帧图像进行人员识别分析，并输出人员识别序列和目标区域矩形框；所述危险识别模块中设定所述危险区域以钻柱为中心，所述危险识别模块将所述目标区域矩形框转化为目标中心坐标点，检测到人员的位置的矩形框坐标(x0,y0),(x1,y1),(x2,y2),(x3,y3)，其中(x0,y0)是左下点，(x1,y1)右下点；用(x，y)表示人员的准确位置即所述目标中心坐标点，其中x＝(x0+x1)/2,y＝(y2+y1)/2；并判断所述目标中心点是否位于所述危险区域内，计算危险区域的面积，并投影到图像像素坐标，设为S；如果(x,y)∈S且钻柱正常工作，则触发预警模块发出警报声音。
2.根据权利要求1所述的基于深度学习的钻井现场危险区域预警系统构成方法，其特征在于，所述视频智能识别模块、所述危险分析模块和所述预警模块均嵌入至NVIDIAJetson XT2硬件平台中。
3.根据权利要求2所述的基于深度学习的钻井现场危险区域预警系统构成方法，其特征在于，所述视频采集模块通过所述NVIDIA Jetson XT2硬件平台的接口连接所述视频智能识别模块。
4.根据权利要求1所述的基于深度学习的钻井现场危险区域预警系统构成方法，其特征在于，所述危险区域预警系统通过NVIDIA Jetson XT2硬件平台获取钻柱的旋转状态。
5.根据权利要求1所述的基于深度学习的钻井现场危险区域预警系统构成方法，其特征在于，所述视频采集模块包括摄像头。
6.根据权利要求1所述的基于深度学习的钻井现场危险区域预警系统构成方法，其特征在于，所述图像检测模型的创建方式为：收集所述钻台周围的图片，对其中的工人进行手工标注，并进行监督学习训练，应用深度学习算法离线训练出图像检测模型。
7.根据权利要求1所述的基于深度学习的钻井现场危险区域预警系统构成方法，其特征在于，所述视频识别模块处理单帧图像的处理速度为10fps。
8.根据权利要求1所述的基于深度学习的钻井现场危险区域预警系统构成方法，其特征在于，所述危险区域以钻柱为中心，宽度范围为0.4倍摄像头输出图像宽度，高度为摄像头输出图像高度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010135095.3A CN111341068B (zh) | 2020-03-02 | 2020-03-02 | 一种基于深度学习的钻井现场危险区域预警系统构成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010135095.3A CN111341068B (zh) | 2020-03-02 | 2020-03-02 | 一种基于深度学习的钻井现场危险区域预警系统构成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111341068A CN111341068A (zh) | 2020-06-26 |
| CN111341068B true CN111341068B (zh) | 2022-04-08 |
Family
ID=71183961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010135095.3A Expired - Fee Related CN111341068B (zh) | 2020-03-02 | 2020-03-02 | 一种基于深度学习的钻井现场危险区域预警系统构成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111341068B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798466A (zh) * | 2020-07-01 | 2020-10-20 | 中国海洋石油集团有限公司 | 基于视觉定位的钻井支持平台动能实时测量方法和系统 |
| CN112010185B (zh) * | 2020-08-25 | 2022-07-12 | 陈兆娜 | 一种天车周边危险源自动辨识与控制系统及方法 |
| CN112145129B (zh) * | 2020-10-28 | 2022-09-02 | 中油国家油气钻井装备工程技术研究中心有限公司 | 一种石油钻机空间安全管理系统 |
| CN113688713A (zh) * | 2021-08-18 | 2021-11-23 | 广东电网有限责任公司 | 基于危险行为识别的线缆保护方法、装置、系统和介质 |
| CN113763659A (zh) * | 2021-09-08 | 2021-12-07 | 山西华拓电气有限公司 | 一种基于视觉识别的矿井区域人员侵入监测系统 |
| CN113903058A (zh) * | 2021-11-19 | 2022-01-07 | 上海玉贲智能科技有限公司 | 一种基于区域人员识别的智能控制系统 |
| CN114526052B (zh) * | 2021-12-31 | 2023-09-19 | 中国石油天然气集团有限公司 | 一种钻完井工程风险预测方法及装置 |
| CN115424407A (zh) * | 2022-09-02 | 2022-12-02 | 中国矿业大学 | 一种煤矿井下危险区域智能感知系统和方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647559A (zh) * | 2018-03-21 | 2018-10-12 | 四川弘和通讯有限公司 | 一种基于深度学习的危险物识别方法 |
| CN110110657A (zh) * | 2019-05-07 | 2019-08-09 | 中冶赛迪重庆信息技术有限公司 | 视觉识别危险的预警方法、装置、设备及存储介质 |
| CN110232320A (zh) * | 2019-05-08 | 2019-09-13 | 华中科技大学 | 实时检测工地现场工人危险靠近施工机械的方法及系统 |
| CN110766917A (zh) * | 2019-09-26 | 2020-02-07 | 山东中衡光电科技有限公司 | 一种矿井危险区域视频监测及预警系统 |
-
2020
- 2020-03-02 CN CN202010135095.3A patent/CN111341068B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647559A (zh) * | 2018-03-21 | 2018-10-12 | 四川弘和通讯有限公司 | 一种基于深度学习的危险物识别方法 |
| CN110110657A (zh) * | 2019-05-07 | 2019-08-09 | 中冶赛迪重庆信息技术有限公司 | 视觉识别危险的预警方法、装置、设备及存储介质 |
| CN110232320A (zh) * | 2019-05-08 | 2019-09-13 | 华中科技大学 | 实时检测工地现场工人危险靠近施工机械的方法及系统 |
| CN110766917A (zh) * | 2019-09-26 | 2020-02-07 | 山东中衡光电科技有限公司 | 一种矿井危险区域视频监测及预警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111341068A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111341068B (zh) | 一种基于深度学习的钻井现场危险区域预警系统构成方法 | |
| CN110826514A (zh) | 一种基于深度学习的施工现场违章智能识别方法 | |
| CN110263686A (zh) | 一种基于深度学习的施工工地图像安全帽检测方法 | |
| CN106593534A (zh) | 一种智能隧道施工安全监控系统 | |
| CN114241298A (zh) | 一种激光雷达和图像融合的塔吊环境目标检测方法及系统 | |
| CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
| CN112149512A (zh) | 一种基于两阶段深度学习的安全帽佩戴识别方法 | |
| CN105338112A (zh) | 一种基于物联网的盾构隧道施工精细化数字管理平台 | |
| CN107770491A (zh) | 基于机器视觉的煤矿井下人员异常轨迹检测系统和方法 | |
| CN104599427A (zh) | 一种用于公路隧道的智能图像型火灾报警系统 | |
| CN111915128B (zh) | 一种对地震诱发的次生滑坡灾后评估与救援辅助系统 | |
| CN114973140A (zh) | 基于机器视觉的危险区域人员闯入监测方法及系统 | |
| CN111898563A (zh) | 一种保护区安全综合监护装备与监护方法 | |
| CN113206978B (zh) | 油气管道站场安防智能监控预警系统及方法 | |
| CN110885019A (zh) | 一种基于bim模型的塔吊监测与实时报警系统 | |
| CN112685812A (zh) | 一种动态监管方法、装置、设备及存储介质 | |
| CN113256269A (zh) | 一种基于bim、云计算及大数据技术的工程管理系统 | |
| CN113158849A (zh) | 一种基于5g的工业设备通信微处理器以及方法 | |
| CN110127526B (zh) | 一种用于塔式起重机的智慧预警系统 | |
| CN113807240A (zh) | 基于非配合式人脸识别的变电站人员着装智能监控方法 | |
| CN111160838A (zh) | 一种基于bim技术的3d可视化建筑项目管理系统及方法 | |
| CN115663999A (zh) | 基于大数据和深度学习的变电站在线智能巡视系统及方法 | |
| CN113506416A (zh) | 一种基于智能视觉分析的工程异常预警方法及系统 | |
| CN213424017U (zh) | 一种智能工地系统 | |
| CN112702570A (zh) | 一种基于多维行为识别的安防管理系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220408 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |