CN111432182A - 一种加油站卸油场所安全监管方法及系统 - Google Patents
一种加油站卸油场所安全监管方法及系统 Download PDFInfo
- Publication number
- CN111432182A CN111432182A CN202010356918.5A CN202010356918A CN111432182A CN 111432182 A CN111432182 A CN 111432182A CN 202010356918 A CN202010356918 A CN 202010356918A CN 111432182 A CN111432182 A CN 111432182A
- Authority
- CN
- China
- Prior art keywords
- real
- gas station
- oil discharge
- time
- monitored 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明提供一种加油站卸油场所安全监管方法,用于通过加油站卸油场所安全监管系统对加油站卸油作业进行实时安全监测,包括加油站卸油场所安全监管系统采集加油站卸油作业中每一个监控对象的实时视频和/或实时图像;对所有实时视频和/或实时图像进行分类并导入筛选出每一监控对象所对应的预设图像识别模型中识别,分别得到每一监控对象是否存在安全隐患的检测结果;对存在安全隐患的检测结果进行预警,并将存在安全隐患的监控对象及其经智能识别及异常分析后的处理结果推送给用户。实施本发明,能实现加油站卸油作业无人化监管,对卸油作业中不符合要求规范行为进行实时报警,有效减少卸油作业安全事故的发生。
Description
技术领域
本发明涉及安全生产检测技术领域,尤其涉及一种加油站卸油场所安全监管方法。
背景技术
加油站卸油作业需要转储大量的易燃易爆物质,潜在的事故风险较高,近年来,由于卸油作业人员不按照操作规范进行卸油作业而导致的安全事故,数不胜数。卸油作业的安全进行直接影响到社会公共安全和环境污染等各个方面。当前,对于加油站卸油作业虽然有较为严格的安全作业规章制度,但在制度落实监管方面依然存在很大的漏洞,监管部门无法对每个加油站的每次卸油作业做到全面的监督管理。
近年来,图像识别技术发展迅猛。例如,在PASCAL VOC物体检测基准测试中,检测器的性能从平均准确率百分之三十飙升到了今天的超过百分之九十。对于图像分类,在极具挑战性的ImageNet数据集上,先进算法的表现甚至超过了人类。图像识别技术的发展,为安全视频监控技术提供了更为广阔的发展前景。
然而,现有技术却缺乏相应的图像识别技术来实现对加油站卸油作业全过程的安全监管,使得卸油作业中存在的安全隐患较大,且违规作业行为不能实时预警。
发明内容
本发明实施例所要解决的技术问题在于,提供一种加油站卸油场所安全监管方法及系统,能实现加油站卸油作业无人化监管,对卸油作业中不符合要求规范行为进行实时报警,有效减少卸油作业安全事故的发生。
为了解决上述技术问题,本发明实施例提供了一种加油站卸油场所安全监管方法,用于通过加油站卸油场所安全监管系统对加油站卸油作业进行实时安全监测,所述方法包括以下步骤:
所述加油站卸油场所安全监管系统采集加油站卸油作业中每一个监控对象的实时视频和/或实时图像;
所述加油站卸油场所安全监管系统根据监控对象,对所有监控对象的实时视频和/或实时图像进行分类以及筛选出每一监控对象所对应的预设图像识别模型,且进一步将每一监控对象的实时视频和/或实时图像分别导入相应的预设图像识别模型中识别,分别得到每一监控对象是否存在安全隐患的检测结果;
所述加油站卸油场所安全监管系统对存在安全隐患的检测结果进行预警,并将存在安全隐患的监控对象及其经智能识别及异常分析后的处理结果推送给用户。
其中,所述方法进一步包括:
所述加油站卸油场所安全监管系统将每一个监控对象的实时视频和/或实时图像以及每一监控对象所得到的检测结果进行共享。
其中,所述方法进一步包括:
所述加油站卸油场所安全监管系统根据用户操作指令,形成相应的用户操作结果反馈给用户。
其中,所述加油站卸油场所安全监管系统将存在安全隐患的监控对象及其经智能识别及异常分析后的处理结果通过微信、QQ、邮件、短信之中其一种方式和其多种组合方式推送给用户。
其中,所述监控对象包括油罐车车牌、油罐车、消防器材、静电连接标志、卸油操作人员及其数量。
其中,所述每一监控对象所对应的预设图像识别模型均是通过对每一监控对象的历史视频预处理成图像和/或历史图像中的一个或多个进行区域名称标记后,采用多层级的特征提炼来构建的深度学习模型,并经迭代和优化得到的。
本发明实施例还提供了一种加油站卸油场所安全监管系统,包括视频图像采集装置、图像识别服务器和预警装置;其中,
所述视频图像采集装置,用于采集加油站卸油作业中每一个监控对象的实时视频和/或实时图像;
所述图像识别服务器,用于根据监控对象,对所有监控对象的实时视频和/或实时图像进行分类以及筛选出每一监控对象所对应的预设图像识别模型,且进一步将每一监控对象的实时视频和/或实时图像分别导入相应的预设图像识别模型中识别,分别得到每一监控对象是否存在安全隐患的检测结果;
所述预警装置,用于所述加油站卸油场所安全监管系统对存在安全隐患的检测结果进行预警,并将存在安全隐患的监控对象及其经智能识别及异常分析后的处理结果推送给用户。
其中,还包括:共享服务器;其中,
所述共享服务器,用于将每一个监控对象的实时视频和/或实时图像以及每一监控对象所得到的检测结果进行共享。
其中,还包括:应用服务器;其中,
所述应用服务器,用于根据用户操作指令,形成相应的用户操作结果反馈给用户。
其中,所述监控对象包括油罐车车牌、油罐车、消防器材、静电连接标志、卸油操作人员及其数量。
实施本发明实施例,具有如下有益效果:
本发明通过对加油站卸油作业场视频和/图像的采集来预识别监控对象,并对监控对象是否存在安全隐患进行检测,将存在安全隐患的检测结果进行预警,以及将存在安全隐患的监控对象及其经智能识别及异常分析后的处理结果推送给用户,从而实现对加油站卸油作业过程监管和违规预警,严格监督卸油作业人员作业规范,有效减少加油站卸油作业中的安全隐患。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的加油站卸油场所安全监管系统的结构示意图;
图2为本发明实施例提供的加油站卸油场所安全监管方法的流程图。
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,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提供的一种加油站卸油场所安全监管系统,包括视频图像采集装置10、图像识别服务器20和预警装置30;其中,
视频图像采集装置10,用于采集加油站卸油作业中每一个监控对象的实时视频和/或实时图像;其中,监控对象包括油罐车车牌、油罐车、消防器材、静电连接标志、卸油操作人员及其数量;
图像识别服务器20,用于根据监控对象,对所有监控对象的实时视频和/或实时图像进行分类以及筛选出每一监控对象所对应的预设图像识别模型,且进一步将每一监控对象的实时视频和/或实时图像分别导入相应的预设图像识别模型中识别,分别得到每一监控对象是否存在安全隐患的检测结果;
预警装置30,用于所述加油站卸油场所安全监管系统对存在安全隐患的检测结果进行预警,并将存在安全隐患的监控对象及其经智能识别及异常分析后的处理结果推送给用户。
在本发明实施例中,视频图像采集装置10为各种类型的摄像头,支持多分辨率,变焦,双码流,多种视频编码方式等;为了便于管理,对所有摄像头进行编码,包括摄像头的设备名称,安装位置,设备编号,摄像机类型等信息。其中,视频和/或图像用来作为穿戴特征、车辆特征、辅助设备特征等等的机器学习的素材,且视频和/或图像必须包括不同观察角度、距离远近、不同天气(晴天阴天雨天雪天)、白天黑夜等等各种不同的场景,素材越多越好。
图像识别服务器20采用深度学习的软件框架和算法来实现智能图像识别功能,不仅具有视频、图像识别及自动处理功能,还预设有对应各种监控对象的图像识别模型。其中,每一监控对象所对应的预设图像识别模型均是通过对每一监控对象的历史视频预处理成图像和/或历史图像中的一个或多个进行区域名称标记后,采用多层级的特征提炼来构建的深度学习模型,并经迭代和优化得到的。
对于构建监控对象的图像识别模型,通常是通过从历史视频和/或历史图像进行图片提取,然后通过人工或图像数据库自动对比来给每一张图像标记标签,作为后续的机器学方法的训练类别,用以识别待测图像的归属,即是否为存在安全隐患的图像,采用多层级的特征提炼来构建深度学习(如卷积神经网络)模型,并经迭代和优化收敛,得到训练好的图像识别模型作为最终的图像识别模型。
预警装置30可以将存在安全隐患的监控对象及其经智能识别及异常分析后的处理结果通过微信、QQ、邮件、短信之中其一种方式和其多种组合方式推送给用户。
在本发明实施例中,该加油站卸油场所安全监管系统还包括:共享服务器40;其中,共享服务器40,用于将每一个监控对象的实时视频和/或实时图像以及每一监控对象所得到的检测结果进行共享。
在本发明实施例中,该加油站卸油场所安全监管系统还包括:应用服务器50;其中,应用服务器50,用于根据用户操作指令,形成相应的用户操作结果反馈给用户。如,当前实时卸油作业过程直播、过往卸油作业过程录像点播、过往异常事件查询等功能。
在本发明实施例中,该加油站卸油场所安全监管系统实现的具体功能,如下表1所示:
如图2所示,为本发明实施例中,提供的一种加油站卸油场所安全监管方法,用于通过加油站卸油场所安全监管系统对加油站卸油作业进行实时安全监测,所述方法包括以下步骤:
步骤S1、所述加油站卸油场所安全监管系统采集加油站卸油作业中每一个监控对象的实时视频和/或实时图像;
步骤S2、所述加油站卸油场所安全监管系统根据监控对象,对所有监控对象的实时视频和/或实时图像进行分类以及筛选出每一监控对象所对应的预设图像识别模型,且进一步将每一监控对象的实时视频和/或实时图像分别导入相应的预设图像识别模型中识别,分别得到每一监控对象是否存在安全隐患的检测结果;
步骤S3、所述加油站卸油场所安全监管系统对存在安全隐患的检测结果进行预警,并将存在安全隐患的监控对象及其经智能识别及异常分析后的处理结果推送给用户。
其中,所述方法进一步包括:
所述加油站卸油场所安全监管系统将每一个监控对象的实时视频和/或实时图像以及每一监控对象所得到的检测结果进行共享。
其中,所述方法进一步包括:
所述加油站卸油场所安全监管系统根据用户操作指令,形成相应的用户操作结果反馈给用户。
其中,所述加油站卸油场所安全监管系统将存在安全隐患的监控对象及其经智能识别及异常分析后的处理结果通过微信、QQ、邮件、短信之中其一种方式和其多种组合方式推送给用户。
其中,所述监控对象包括油罐车车牌、油罐车、消防器材、静电连接标志、卸油操作人员及其数量。
其中,所述每一监控对象所对应的预设图像识别模型均是通过对每一监控对象的历史视频预处理成图像和/或历史图像中的一个或多个进行区域名称标记后,采用多层级的特征提炼来构建的深度学习模型,并经迭代和优化得到的。
在一个实施例中,图像识别模型中采用3×3大小的卷积核,池化窗口的大小均为2×2,非线性激活函数ReLU在每一个卷积操作之后才使用,从输入向输出看,卷积神经网络CNN模型的通道数由6变为32,32变为64,64变为1024,最终输出只有1个通道。将池化层2输出的特征矩阵拉长变为一维矩阵,再输入到全连接层1中,在全连接层1的输出端使用了Dropout方法,此方法在训练阶段按概率随机舍掉网络模型中的部分神经元。
卷积神经网络的具体结构如下:
输入层
<=1卷积层1_1(3x3x64)
<=2非线性响应Relu层
<=3卷积层1_2(3x3x64)
<=4非线性响应Relu层
<=5池化层(2x2/2)
<=6卷积层2_1(3x3x128)
<=7非线性响应Relu层
<=8卷积层2_2(3x3x128)
<=9非线性响应Relu层
<=10池化层(2x2/2)
<=11卷积层3_1(3x3x256)
<=12非线性响应Relu层
<=13卷积层3_2(3x3x256)
<=14全局平均池化层
<=15全连接层(256x100)s
<=16非线性响应Relu层
<=17全连接层(100x2)
<=14反卷积层D1(4x4x256)
<=19卷积层D1_1(3x3x256)
<=20卷积层D1_2(3x3x256)
<=21反卷积层D2(4x4x128)
<=22卷积层D2_1(3x3x128)
<=23卷积层D2_2(3x3x128)
<=24卷积层D2_3(3x3x2)
其中,符号“.<=”前面的数字为当前层数,符号“.<=”后面的数字为输入层数;卷积层和反卷积层后面括号内均为卷积层参数,其中该卷积层参数前面的两个乘数的积为卷积核大小,该卷积层参数后面的乘数为通道数;池化层后面括号内为池化层参数,其中该池化层参数前面的两个乘数的积为池化核大小,该池化层参数后面的乘数为步长;全连接层后面括号内为全连接层参数,其中该全连接层后面参数为输出的类别;非线响应层由一个非线性的激活函数ReLU构成。
实施本发明实施例,具有如下有益效果:
本发明通过对加油站卸油作业场视频和/图像的采集来预识别监控对象,并对监控对象是否存在安全隐患进行检测,将存在安全隐患的检测结果进行预警,以及将存在安全隐患的监控对象及其经智能识别及异常分析后的处理结果推送给用户,从而实现对加油站卸油作业过程监管和违规预警,严格监督卸油作业人员作业规范,有效减少加油站卸油作业中的安全隐患。
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步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种加油站卸油场所安全监管方法,用于通过加油站卸油场所安全监管系统对加油站卸油作业进行实时安全监测,其特征在于,所述方法包括以下步骤:
所述加油站卸油场所安全监管系统采集加油站卸油作业中每一个监控对象的实时视频和/或实时图像;
所述加油站卸油场所安全监管系统根据监控对象,对所有监控对象的实时视频和/或实时图像进行分类以及筛选出每一监控对象所对应的预设图像识别模型,且进一步将每一监控对象的实时视频和/或实时图像分别导入相应的预设图像识别模型中识别,分别得到每一监控对象是否存在安全隐患的检测结果;
所述加油站卸油场所安全监管系统对存在安全隐患的检测结果进行预警,并将存在安全隐患的监控对象及其经智能识别及异常分析后的处理结果推送给用户。
2.如权利要求1所述的加油站卸油场所安全监管方法,其特征在于,所述方法进一步包括:
所述加油站卸油场所安全监管系统将每一个监控对象的实时视频和/或实时图像以及每一监控对象所得到的检测结果进行共享。
3.如权利要求2所述的加油站卸油场所安全监管方法,其特征在于,所述方法进一步包括:
所述加油站卸油场所安全监管系统根据用户操作指令,形成相应的用户操作结果反馈给用户。
4.如权利要求1所述的加油站卸油场所安全监管方法,其特征在于,所述加油站卸油场所安全监管系统将存在安全隐患的监控对象及其经智能识别及异常分析后的处理结果通过微信、QQ、邮件、短信之中其一种方式和其多种组合方式推送给用户。
5.如权利要求1所述的加油站卸油场所安全监管方法,其特征在于,所述监控对象包括油罐车车牌、油罐车、消防器材、静电连接标志、卸油操作人员及其数量。
6.如权利要求1所述的加油站卸油场所安全监管方法,其特征在于,所述每一监控对象所对应的预设图像识别模型均是通过对每一监控对象的历史视频预处理成图像和/或历史图像中的一个或多个进行区域名称标记后,采用多层级的特征提炼来构建的深度学习模型,并经迭代和优化得到的。
7.一种加油站卸油场所安全监管系统,其特征在于,包括视频图像采集装置、图像识别服务器和预警装置;其中,
所述视频图像采集装置,用于采集加油站卸油作业中每一个监控对象的实时视频和/或实时图像;
所述图像识别服务器,用于根据监控对象,对所有监控对象的实时视频和/或实时图像进行分类以及筛选出每一监控对象所对应的预设图像识别模型,且进一步将每一监控对象的实时视频和/或实时图像分别导入相应的预设图像识别模型中识别,分别得到每一监控对象是否存在安全隐患的检测结果;
所述预警装置,用于所述加油站卸油场所安全监管系统对存在安全隐患的检测结果进行预警,并将存在安全隐患的监控对象及其经智能识别及异常分析后的处理结果推送给用户。
8.如权利要求7所述的加油站卸油场所安全监管系统,其特征在于,还包括:共享服务器;其中,
所述共享服务器,用于将每一个监控对象的实时视频和/或实时图像以及每一监控对象所得到的检测结果进行共享。
9.如权利要求8所述的加油站卸油场所安全监管系统,其特征在于,还包括:应用服务器;其中,
所述应用服务器,用于根据用户操作指令,形成相应的用户操作结果反馈给用户。
10.如权利要求7所述的加油站卸油场所安全监管系统,其特征在于,所述监控对象包括油罐车车牌、油罐车、消防器材、静电连接标志、卸油操作人员及其数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010356918.5A CN111432182B (zh) | 2020-04-29 | 2020-04-29 | 一种加油站卸油场所安全监管方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010356918.5A CN111432182B (zh) | 2020-04-29 | 2020-04-29 | 一种加油站卸油场所安全监管方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111432182A true CN111432182A (zh) | 2020-07-17 |
CN111432182B CN111432182B (zh) | 2021-10-08 |
Family
ID=71554926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010356918.5A Active CN111432182B (zh) | 2020-04-29 | 2020-04-29 | 一种加油站卸油场所安全监管方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111432182B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932708A (zh) * | 2020-09-03 | 2020-11-13 | 四川弘和通讯有限公司 | 一种基于ai识别实现加油站卸油作业违规安全监管的方法 |
CN111986051A (zh) * | 2020-09-03 | 2020-11-24 | 四川弘和通讯有限公司 | 一种实现加油站设备安全监管的方法 |
CN112004061A (zh) * | 2020-09-03 | 2020-11-27 | 四川弘和通讯有限公司 | 一种基于计算机视觉的卸油流程规范性智能监控方法 |
CN112004063A (zh) * | 2020-09-03 | 2020-11-27 | 四川弘和通讯有限公司 | 一种基于多相机联动的卸油油管连接正确性的监控方法 |
CN112004064A (zh) * | 2020-09-03 | 2020-11-27 | 四川弘和通讯有限公司 | 基于ai识别加油站区域安全风险行为的管理平台及方法 |
CN112132092A (zh) * | 2020-09-30 | 2020-12-25 | 四川弘和通讯有限公司 | 一种基于卷积神经网络的灭火器和灭火毯的识别方法 |
CN112163528A (zh) * | 2020-09-30 | 2021-01-01 | 四川弘和通讯有限公司 | 一种基于卷积神经网络的油管拖地的识别方法 |
CN112382044A (zh) * | 2020-10-30 | 2021-02-19 | 北京中铁建建筑科技有限公司 | 一种用于工地的智能安全监控系统 |
CN112446646A (zh) * | 2020-12-14 | 2021-03-05 | 上善智城(苏州)信息科技有限公司 | 一种加油站数字化安全洞察系统管理及展示平台 |
CN112801466A (zh) * | 2021-01-08 | 2021-05-14 | 上善智城(苏州)信息科技有限公司 | 一种加油站卸油作业违规操作预警方法及系统 |
CN113203437A (zh) * | 2021-04-30 | 2021-08-03 | 郑州永邦测控技术有限公司 | 一种油罐车储罐密闭性监管系统及其工作方法 |
CN113743331A (zh) * | 2021-09-08 | 2021-12-03 | 济南博观智能科技有限公司 | 一种卸油运作监控方法、装置、设备及存储介质 |
CN115034691A (zh) * | 2022-08-11 | 2022-09-09 | 四川弘和通讯集团有限公司 | 一种油气站安全预警及管理方法、装置、电子设备及介质 |
CN117011787A (zh) * | 2023-07-12 | 2023-11-07 | 中关村科学城城市大脑股份有限公司 | 应用于加油站的信息处理方法、装置和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533551A (zh) * | 2009-04-03 | 2009-09-16 | 中国安全生产科学研究院 | 加油站安全监控预警与应急管理系统及其方法 |
US8885929B2 (en) * | 2010-06-08 | 2014-11-11 | Gorilla Technology Inc. | Abnormal behavior detection system and method using automatic classification of multiple features |
CN104200466A (zh) * | 2014-08-20 | 2014-12-10 | 深圳市中控生物识别技术有限公司 | 一种预警方法及摄像机 |
CN108777777A (zh) * | 2018-05-04 | 2018-11-09 | 江苏理工学院 | 一种基于深度神经网络的监控视频秸秆焚烧巡检方法 |
CN109002744A (zh) * | 2017-06-06 | 2018-12-14 | 中兴通讯股份有限公司 | 图像识别方法、装置和视频监控设备 |
CN109271938A (zh) * | 2018-09-19 | 2019-01-25 | 上海鸢安智能科技有限公司 | 一种基于智能视频分析技术的加油站卸油过程安全监控方法 |
CN109410497A (zh) * | 2018-11-20 | 2019-03-01 | 江苏理工学院 | 一种基于深度学习的桥洞空间安全监测与报警系统 |
-
2020
- 2020-04-29 CN CN202010356918.5A patent/CN111432182B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533551A (zh) * | 2009-04-03 | 2009-09-16 | 中国安全生产科学研究院 | 加油站安全监控预警与应急管理系统及其方法 |
US8885929B2 (en) * | 2010-06-08 | 2014-11-11 | Gorilla Technology Inc. | Abnormal behavior detection system and method using automatic classification of multiple features |
CN104200466A (zh) * | 2014-08-20 | 2014-12-10 | 深圳市中控生物识别技术有限公司 | 一种预警方法及摄像机 |
CN109002744A (zh) * | 2017-06-06 | 2018-12-14 | 中兴通讯股份有限公司 | 图像识别方法、装置和视频监控设备 |
CN108777777A (zh) * | 2018-05-04 | 2018-11-09 | 江苏理工学院 | 一种基于深度神经网络的监控视频秸秆焚烧巡检方法 |
CN109271938A (zh) * | 2018-09-19 | 2019-01-25 | 上海鸢安智能科技有限公司 | 一种基于智能视频分析技术的加油站卸油过程安全监控方法 |
CN109410497A (zh) * | 2018-11-20 | 2019-03-01 | 江苏理工学院 | 一种基于深度学习的桥洞空间安全监测与报警系统 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932708A (zh) * | 2020-09-03 | 2020-11-13 | 四川弘和通讯有限公司 | 一种基于ai识别实现加油站卸油作业违规安全监管的方法 |
CN111986051A (zh) * | 2020-09-03 | 2020-11-24 | 四川弘和通讯有限公司 | 一种实现加油站设备安全监管的方法 |
CN112004061A (zh) * | 2020-09-03 | 2020-11-27 | 四川弘和通讯有限公司 | 一种基于计算机视觉的卸油流程规范性智能监控方法 |
CN112004063A (zh) * | 2020-09-03 | 2020-11-27 | 四川弘和通讯有限公司 | 一种基于多相机联动的卸油油管连接正确性的监控方法 |
CN112004064A (zh) * | 2020-09-03 | 2020-11-27 | 四川弘和通讯有限公司 | 基于ai识别加油站区域安全风险行为的管理平台及方法 |
CN112132092A (zh) * | 2020-09-30 | 2020-12-25 | 四川弘和通讯有限公司 | 一种基于卷积神经网络的灭火器和灭火毯的识别方法 |
CN112163528A (zh) * | 2020-09-30 | 2021-01-01 | 四川弘和通讯有限公司 | 一种基于卷积神经网络的油管拖地的识别方法 |
CN112382044A (zh) * | 2020-10-30 | 2021-02-19 | 北京中铁建建筑科技有限公司 | 一种用于工地的智能安全监控系统 |
CN112446646A (zh) * | 2020-12-14 | 2021-03-05 | 上善智城(苏州)信息科技有限公司 | 一种加油站数字化安全洞察系统管理及展示平台 |
CN112801466A (zh) * | 2021-01-08 | 2021-05-14 | 上善智城(苏州)信息科技有限公司 | 一种加油站卸油作业违规操作预警方法及系统 |
CN112801466B (zh) * | 2021-01-08 | 2024-03-29 | 温州大学激光与光电智能制造研究院 | 一种加油站卸油作业违规操作预警方法及系统 |
CN113203437A (zh) * | 2021-04-30 | 2021-08-03 | 郑州永邦测控技术有限公司 | 一种油罐车储罐密闭性监管系统及其工作方法 |
CN113743331A (zh) * | 2021-09-08 | 2021-12-03 | 济南博观智能科技有限公司 | 一种卸油运作监控方法、装置、设备及存储介质 |
CN113743331B (zh) * | 2021-09-08 | 2024-02-23 | 济南博观智能科技有限公司 | 一种卸油运作监控方法、装置、设备及存储介质 |
CN115034691A (zh) * | 2022-08-11 | 2022-09-09 | 四川弘和通讯集团有限公司 | 一种油气站安全预警及管理方法、装置、电子设备及介质 |
CN117011787A (zh) * | 2023-07-12 | 2023-11-07 | 中关村科学城城市大脑股份有限公司 | 应用于加油站的信息处理方法、装置和电子设备 |
CN117011787B (zh) * | 2023-07-12 | 2024-02-02 | 中关村科学城城市大脑股份有限公司 | 应用于加油站的信息处理方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111432182B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111432182B (zh) | 一种加油站卸油场所安全监管方法及系统 | |
CN111967393B (zh) | 一种基于改进YOLOv4的安全帽佩戴检测方法 | |
CN110414320B (zh) | 一种安全生产监管的方法及系统 | |
CN102610102A (zh) | 一种嫌疑车辆查控方法及系统 | |
CN111629181B (zh) | 消防生命通道监控系统及方法 | |
CN111222478A (zh) | 一种工地安全防护检测方法和系统 | |
CN111257507B (zh) | 一种基于无人机的气体浓度检测及事故预警系统 | |
CN110619277A (zh) | 一种多社区智慧布控方法以及系统 | |
CN112863100B (zh) | 一种智能施工安全监测系统及方法 | |
CN112163572A (zh) | 识别对象的方法和装置 | |
CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测系统 | |
CN116012762A (zh) | 一种针对电力设备的交通路口视频影像分析方法及系统 | |
CN111783700A (zh) | 一种路面异物自动识别预警方法和系统 | |
CN115171013A (zh) | 一种基于智慧交通事故施救的车辆调度系统及方法 | |
CN104574729A (zh) | 一种报警方法、装置及系统 | |
CN110691224A (zh) | 一种变电站周界视频智能检测系统 | |
CN113066070A (zh) | 三维场景中多源数据融合交互方法 | |
CN113191273A (zh) | 基于神经网络的油田井场视频目标检测与识别方法及系统 | |
CN114768158B (zh) | 一种智慧消防系统及其自动巡检方法 | |
CN112580470A (zh) | 城市视觉感知方法、装置、电子设备和存储介质 | |
CN115035439A (zh) | 一种基于深度网络学习的校园异常事件监控系统 | |
CN113065416A (zh) | 集成于变电站视频监控装置的渗漏监测装置及方法、介质 | |
CN113920535A (zh) | 一种基于YOLOv5的电子区域检测方法 | |
CN113191274A (zh) | 基于神经网络的油田视频智能安全事件检测方法及系统 | |
CN110826473A (zh) | 一种基于神经网络的绝缘子图像自动识别方法 |
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 |