CN111462259A - 一种基于人工智能的汽车充电桩监控系统 - Google Patents

一种基于人工智能的汽车充电桩监控系统 Download PDF

Info

Publication number
CN111462259A
CN111462259A CN202010253409.XA CN202010253409A CN111462259A CN 111462259 A CN111462259 A CN 111462259A CN 202010253409 A CN202010253409 A CN 202010253409A CN 111462259 A CN111462259 A CN 111462259A
Authority
CN
China
Prior art keywords
image block
pixel
image
representing
value
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
Application number
CN202010253409.XA
Other languages
English (en)
Other versions
CN111462259B (zh
Inventor
易修元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ji'an Nuo Huichengshen Technology Co ltd
Original Assignee
Ji'an Nuo Huichengshen Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ji'an Nuo Huichengshen Technology Co ltd filed Critical Ji'an Nuo Huichengshen Technology Co ltd
Priority to CN202011073912.3A priority Critical patent/CN112200877B/zh
Priority to CN202010253409.XA priority patent/CN111462259B/zh
Publication of CN111462259A publication Critical patent/CN111462259A/zh
Application granted granted Critical
Publication of CN111462259B publication Critical patent/CN111462259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/68—Off-site monitoring or control, e.g. remote control
    • G06T5/70—
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Abstract

一种基于人工智能的汽车充电桩监控系统，包括智能监控模块、信息传输模块和远程监控终端，所述智能监控模块用于采集汽车充电桩的视频图像、红外图像和位置信息，将采集的图像和位置信息通过信息传输模块传输至远程监控终端，所述远程监控终端根据所述红外图像对汽车充电桩的安全进行判断，并对视频图像和位置信息进行显示。本发明的有益效果：将图像处理技术应用到汽车充电桩的安全监控中，实现了对汽车充电桩远程、有效的安全监控。

Description

一种基于人工智能的汽车充电桩监控系统
技术领域
本发明创造涉及安全监控领域，具体涉及一种基于人工智能的汽车充电桩监控系统。
背景技术
随着环境与能源压力越来越大，新能源汽车成为城市低碳交通发展的重要方向，但其相对有限的续航里程在一定程度上制约了其进一步的发展。为此，大力发展电动汽车充电桩，成为促进电动汽车发展的重要手段。随着智能充电桩的广泛部署，电动汽车充电桩的安全问题日益严重。
汽车充电桩的温度信息能够直观的反应汽车充电桩的安全问题，当汽车充电桩的温度较高时，该汽车充电桩具有较大概率处于危险状态，因此，通过对汽车充电桩的温度信息进行监控，能够及时、有效的判断汽车充电桩是否处于危险状态。
发明内容
针对上述问题，本发明旨在提供一种基于人工智能的汽车充电桩监控系统。
本发明创造的目的通过以下技术方案实现：
一种基于人工智能的汽车充电桩监控系统，包括智能监控模块、信息传输模块和远程监控终端，所述智能监控模块包括视频监控单元、红外监控单元和位置信息采集单元，所述视频监控单元用于采集汽车充电桩的视频图像，所述红外监控单元用于采集汽车充电桩的红外图像，所述位置信息采集单元用于采集所述汽车充电桩的位置信息，所述智能监控模块将采集的图像和位置信息通过信息传输模块传输至远程监控终端，所述远程监控终端包括图像处理单元、危险预警单元和信息显示单元，所述图像处理单元用于对接收到的红外图像进行处理，所述危险预警单元根据处理后的红外图像对汽车充电桩的安全进行判断，当判断汽车充电桩存在危险时进行预警，所述信息显示单元用于显示接收到的视频图像和位置信息。
本发明创造的有益效果：将图像处理技术应用到汽车充电桩的安全监控中，红外图像的灰度值能够有效的反应温度信息，采集汽车充电桩的红外图像，并提取所述红外图像中的汽车充电桩的区域图像，提取到的汽车充电桩的区域图像的灰度值能够有效的反应汽车充电桩当前的状态，将所述汽车充电桩的区域图像的灰度值均值与给定的安全阈值进行比较，能够有效的检测出汽车充电桩的异常情况，实现了对汽车充电桩远程、实时的安全监控。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种基于人工智能的汽车充电桩监控系统，包括智能监控模块、信息传输模块和远程监控终端，所述智能监控模块包括视频监控单元、红外监控单元和位置信息采集单元，所述视频监控单元用于采集汽车充电桩的视频图像，所述红外监控单元用于采集汽车充电桩的红外图像，所述位置信息采集单元用于采集所述汽车充电桩的位置信息，所述智能监控模块将采集的图像和位置信息通过信息传输模块传输至远程监控终端，所述远程监控终端包括图像处理单元、危险预警单元和信息显示单元，所述图像处理单元用于对接收到的红外图像进行处理，所述危险预警单元根据处理后的红外图像对汽车充电桩的安全进行判断，当判断汽车充电桩存在危险时进行预警，所述信息显示单元用于显示接收到的视频图像和位置信息。
本优选实施例将图像处理技术应用到汽车充电桩的安全监控中，红外图像的灰度值能够有效的反应温度信息，采集汽车充电桩的红外图像，并提取所述红外图像中的汽车充电桩的区域图像，提取到的汽车充电桩的区域图像的灰度值情况能够有效的反应汽车充电桩当前的状态，将所述汽车充电桩的区域图像的灰度值均值与给定的安全阈值进行比较，能够有效的检测出汽车充电桩的异常情况，实现了对汽车充电桩远程、实时的安全监控。
优选地，所述图像处理单元采用双边滤波算法对接收到的红外图像进行滤波处理，并在滤波处理后的红外图像中提取汽车充电桩的目标区域图像。
优选地，设I表示图像处理单元接收到的红外图像，I′表示图像处理单元对红外图像I进行滤波处理后的红外图像，设红外图像I′的大小为M×N，将红外图像I′划分为K个大小为n×n的图像块，其中，0<n<M且0<n<N，对划分的图像块进行检测，设si表示第i个图像块，定义图像块si对应的检测函数ρ(si)为：
ρ(si)＝A(si)*B(si)
Figure BDA0002436324820000031
Figure BDA0002436324820000032
式中，A(si)表示图像块si的灰度检测因子，B(si)表示图像块si的空间检测因子，m(si)表示图像块si中像素灰度值的种类，sj表示第j个图像块，m(sj)表示图像块sj中像素灰度值的种类，fy(si)表示图像块si中的第y种灰度值，Ny(si)表示图像块si中灰度值为第y种灰度值的像素数，fx(sj)表示图像块sj中的第x种灰度值，Nx(sj)表示图像块sj中灰度值为第x种灰度值的像素数，N(si)表示图像块si中的像素数，N(sj)表示图像块sj中的像素数，d(si,sj)表示图像块si和图像块sj之间的距离，且
Figure BDA0002436324820000033
其中，(xi,yi)表示图像块si的中心位置的坐标，(xj,yj)表示图像块sj的中心位置的坐标，(xI′,yI′)表示红外图像I′的中心位置的坐标，U(si)表示图像块si的邻域图像块集合，且
Figure BDA0002436324820000034
Figure BDA0002436324820000035
se表示集合U(si)中的第e个图像块，(xe,ye)表示图像块se的中心位置的坐标，E(si)表示集合U(si)中的图像块数，K(s)为给定的灰度检测阈值，且K(s)＝midj＝1,2,…,KA(sj)，A(sj)表示图像块sj的灰度检测因子，A(se)表示图像块se的灰度检测因子，λ(A(se),K(s))表示判断函数，当A(se)>K(s)时，λ(A(se),K(s))＝1，当A(se)≤K(s)时，λ(A(se),K(s))＝0.01；
给定目标检测阈值H(ρ)，且
Figure BDA0002436324820000036
当图像块si对应的检测函数ρ(si)≥H(ρ)时，则图像块si为目标图像块，图像块si中的像素即为目标像素，当图像块si对应的检测函数ρ(si)<H(ρ)时，则图像块si为背景图像块，其中，E(ρ)表示图像块的检测函数值的均值，σ(ρ)表示图像块的检测函数值的标准差，ρ(sj)表示图像块sj的检测函数值；
其中，n为给定的值，且n可以采用下列方式确定：
所述红外监控单元采集一张汽车充电桩的红外图像作为参考图像，对该参考图像中的汽车充电桩的区域图像和背景区域图像进行标记，设标记的汽车充电桩的区域图像的像素到该红外图像的边的最小距离值为d(min)，n为满足{M％n＝0且N％n＝0且n≤d(min)}的最大整数值，其中M％n＝0表示M除以n的余数为0，N％n＝0表示N除以n的余数为0。
本优选实施例用于在滤波处理后的红外图像中提取汽车充电桩的区域图像，将红外图像划分为K个图像块，当图像块为汽车充电桩的区域图像时，该图像块为目标图像块，当图像块为背景区域图像时，该图像块为背景图像块，定义检测函数对图像块进行检测，所述检测函数包括灰度检测因子和空间检测因子，所述灰度检测因子通过将图像块的像素灰度值和其他图像块的像素灰度值进行比较确定该图像块的显著性，能够有效衡量该图像块中像素灰度值在红外图像中的显著性，所述空间检测因子通过所述图像块在红外图像中的空间分布特性确定所述图像块为目标图像块的可能性，空间检测因子综合考虑了所述图像块在红外图像中的整体位置分布和所述图像块的邻域图像块的像素灰度值的显著性，当所述图像块距离红外图像的中心位置越近，其邻域图像块的像素灰度值越显著，表明该图像块为目标图像块的可能性越大，因此，所述检测函数通过灰度检测因子和空间检测因子对图像块进行检测，提高了目标图像块的检测精度。
优选地，设集合Q(I′)表示检测所得的目标图像块集合，且Q(I′)＝{sq,q＝1,2,…,M(Q)}，P(I′)表示检测所得的背景图像块集合，且P(I′)＝{sp,p＝1,2,…,M(P)}，其中，sq表示集合Q(I′)中的第q个目标图像块，M(Q)表示集合Q(I′)中的目标图像块数，sp表示集合P(I′)中的第p个背景图像块，M(P)表示集合P(I′)中的背景图像块数，对集合P(I′)中的背景图像块进行筛选，定义背景图像块sp对应的筛选函数为γ(sp)，则γ(sp)的表达式为：
Figure BDA0002436324820000041
式中，σ′p表示背景图像块sp中像素灰度值的标准差，σ′j表示图像块sj中像素灰度值的标准差，U(sp)表示背景图像块sp的邻域图像块集合，且
Figure BDA0002436324820000042
Figure BDA0002436324820000043
sv表示集合U(sp)中的第v个图像块，(xv,yv)表示图像块sv的中心位置的坐标，E(sp)表示集合U(sp)中的图像块数，
Figure BDA0002436324820000051
为取值函数，当邻域图像块集合U(sp)中存在背景图像块时，则
Figure BDA0002436324820000052
当邻域图像块集合U(sp)中不存在背景图像块时，则
Figure BDA0002436324820000053
Figure BDA0002436324820000054
为取值函数，当邻域图像块集合U(sp)中存在目标图像块时，则
Figure BDA0002436324820000055
当邻域图像块集合U(sp)中不存在目标图像块时，则
Figure BDA0002436324820000056
当背景图像块sp对应的筛选函数
Figure BDA0002436324820000057
时，则判定背景图像块sp中存在目标像素，其中，
Figure BDA0002436324820000058
表示集合Q(I′)中目标图像块的像素灰度值的标准差的均值，
Figure BDA0002436324820000059
表示集合P(I′)中背景图像块的像素灰度值的标准差的均值。
本优选实施例定义筛选函数对背景图像块进行筛选，从而检测背景图像块中是否存在目标像素，避免了因图像块包含少量目标像素而被判定为背景图像块造成的目标区域提取的不完整性，定义的筛选函数从背景图像块的自身区域特性和其邻居图像块的特性对该背景图像块进行检测，当背景图像块的邻居图像块中既包含背景图像块又包含目标图像块时，则较大概率表明该图像块位于目标区域的边缘，进一步的，考虑到目标像素和背景像素之间灰度值的差异性，通过对所述背景图像块中像素灰度值的变化情况进行判断，能够有效的检测出该背景图像块是否存在目标像素。
优选地，对背景图像块sp中的像素进行检测，具体包括：
(1)设C(sp)表示背景图像块sp中的目标像素集合，I′p(i,j)表示背景图像块sp中坐标(i,j)处的像素，定义像素I′p(i,j)对应的初始像素检测函数为ω′p(i,j)，且ω′p(i,j)的表达式为：
Figure BDA00024363248200000510
式中，φ(sv)为判断函数，当图像块sv为目标图像块时，则φ(sv)＝1，当图像块sv为背景图像块时，则φ(sv)＝0，D′p(i,j)为像素I′p(i,j)的邻域检测因子，且D′p(i,j)的表达式为：
Figure BDA00024363248200000511
Figure BDA00024363248200000512
式中，f′p(i,j)表示像素I′p(i,j)的灰度值，I′v(x,y)表示图像块sv中坐标(x,y)处的像素，f′v(x,y)表示像素I′v(x,y)的灰度值，f′(sv)表示图像块sv中像素对于像素I′p(i,j)的参考灰度值；
计算背景图像块sp中各像素的初始像素检测函数值，并将各像素按其初始像素检测函数值由小到大进行排列，判定前2个像素为目标像素，并将这两个像素加入到集合C(sp)中；
(2)对背景区域图像块sp中其他的像素进行检测，设I′p(k,l)表示背景图像块sp中坐标(k,l)处的像素，定义像素I′p(k,l)对应的像素检测函数为β′p(k,l)，且β′p(k,l)的表达式为：
β′p(k,l)＝σ(D′p(k,l),H(D))*ε(S′p(k,l),H(S))
式中，D′p(k,l)为像素I′p(k,l)的邻域检测因子，H(D)为邻域判断阈值，设
Figure BDA0002436324820000061
表示图像块sv中灰度值最大的像素，(c,d)为像素
Figure BDA0002436324820000062
在图像块sv中的坐标，则
Figure BDA0002436324820000063
Figure BDA0002436324820000064
Figure BDA0002436324820000065
表示像素
Figure BDA0002436324820000066
的灰度值，
Figure BDA0002436324820000067
表示图像块sv中像素灰度值的中值，σ(D′p(k,l),H(D))为邻域判断因子，当D′p(k,l)≤H(D)时，则σ(D′p(k,l),H(D))＝1，当D′p(k,l)>H(D)时，则σ(D′p(k,l),H(D))＝0，S′p(k,l)为像素I′p(k,l)对应的局部检测因子，且S′p(k,l)的表达式为：
Figure BDA0002436324820000068
式中，f′p(k,l)表示像素I′p(k,l)的灰度值，I′p(a,b)表示背景图像块sp中坐标(a,b)处的像素，且I′p(a,b)为集合C(sp)中的像素，H(S)为局部判断阈值，且
Figure BDA0002436324820000069
表示集合C(sp)中像素灰度值的最大值，f′min(C)表示集合C(sp)中像素灰度值的最小值，ε(S′p(k,l),H(S))为局部判断因子，当S′p(k,l)<H(S)时，则ε(S′p(k,l),H(S))＝1，当S′p(k,l)≥H(S)时，则ε(S′p(k,l),H(S))＝0，
当像素I′p(k,l)对应的像素检测函数β′p(k,l)＝1时，则像素I′p(k,l)为目标像素，并将像素I′p(k,l)加入到集合C(sp)中。
优选地，根据获取的目标图像块和上述背景图像块中检测所得的目标像素确定红外图像I′中的汽车充电桩的区域图像，具体为：
设B′表示红外图像I′中目标像素的集合，所述集合B′包括上述在背景图像块中检测所得的目标像素和集合Q(I′)中目标图像块中的像素，所述集合B′中包含的目标像素组成的区域图像即为在红外图像I′中提取到的汽车充电桩的区域图像。
本优选实施例通过像素检测函数对包含目标像素的背景图像块中的像素进行检测，所述像素检测函数包括邻域检测因子和局部检测因子，所述邻域检测因子通过将背景图像块中像素的灰度值和其邻域图像块集合中的目标图像块的像素灰度值进行比较，当该像素的灰度值和其邻域目标图像块的像素灰度值较为接近时，表明该像素具有较大概率为目标像素，进一步地，将该像素和其所在背景图像块中的目标像素集合中的像素的灰度值进行比较，背景图像块的目标像素集合中包含了所述背景背景图像块中已经检测出的目标像素，因此，当所述像素的灰度值和所述目标像素集合中像素的灰度值较为接近时，该像素具有较大概率为目标像素，根据所述背景图像块的邻居图像块集合中目标图像块的特性和所述背景图像块的目标像素集合中像素的特性设置邻域判断阈值和局部判断阈值，将所述像素的邻域检测因子和设置的邻域判断阈值进行比较，将像素的局部检测因子和设置的局部判断阈值进行比较，能够有效的检测出背景图像块中的目标像素；考虑到刚对背景图像块中的像素进行检测时，其目标像素集合中不包含目标像素的情况，本优选实施例定义了初始像素检测函数，所述初始像素检测函数综合考虑了所述背景图像块中像素和其邻居目标图像块中像素灰度值的相似情况，和所述背景图像块中像素和其邻居目标图像块的中心位置的坐标的距离，将所述背景图像块中和其邻居目标图像块中像素灰度值最为接近、并且和其邻居目标图像块的中心位置最为接近的前两个像素作为目标像素，提高了目标像素检测的精度。
优选地，设图像处理单元在红外图像I′中提取到的汽车充电桩的区域图像为M′，所述危险预警单元计算所述汽车充电桩的区域图像M′的灰度值均值，并将计算所得的灰度值均值与给定的安全阈值进行比较，当所述灰度值均值高于给定的安全阈值时，判定该汽车充电桩存在危险，当危险预警单元判定汽车充电桩存在危险时进行预警。
优选地，所述安全阈值可以采用下列方式确定：
令红外监控单元采集处于安全状态的汽车充电桩的红外图像，并令图像处理单元对采集的红外图像进行滤波处理，在滤波处理后的红外图像中提取汽车充电桩的区域图像，计算提取到汽车充电桩的区域图像的灰度值均值，并将计算所得的灰度值均值设置为安全阈值。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (5)

1.一种基于人工智能的汽车充电桩监控系统，其特征是，包括智能监控模块、信息传输模块和远程监控终端，所述智能监控模块包括视频监控单元、红外监控单元和位置信息采集单元，所述视频监控单元用于采集汽车充电桩的视频图像，所述红外监控单元用于采集汽车充电桩的红外图像，所述位置信息采集单元用于采集所述汽车充电桩的位置信息，所述智能监控模块将采集的图像和位置信息通过信息传输模块传输至远程监控终端，所述远程监控终端包括图像处理单元、危险预警单元和信息显示单元，所述图像处理单元用于对接收到的红外图像进行处理，所述危险预警单元根据处理后的红外图像对汽车充电桩的安全进行判断，当判断汽车充电桩存在危险时进行预警，所述信息显示单元用于显示接收到的视频图像和位置信息。
2.根据权利要求1所述的一种基于人工智能的汽车充电桩监控系统，其特征是，所述图像处理单元用于对接收到的红外图像进行滤波处理，并在滤波处理后的红外图像中提取汽车充电桩的区域图像。
3.根据权利要求2所述的一种基于人工智能的汽车充电桩监控系统，其特征是，设I表示图像处理单元接收到的红外图像，I′表示图像处理单元对红外图像I进行滤波处理后的红外图像，设红外图像I′的大小为M×N，将红外图像I′划分为K个大小为n×n的图像块，其中，0＜n＜M且0＜n＜N，对划分的图像块进行检测，设si表示第i个图像块，定义图像块si对应的检测函数ρ(si)为：
ρ(si)＝A(si)*B(si)
Figure FDA0002436324810000011
Figure FDA0002436324810000012
式中，A(si)表示图像块si的灰度检测因子，B(si)表示图像块si的空间检测因子，m(si)表示图像块si中像素灰度值的种类，sj表示第j个图像块，m(sj)表示图像块sj中像素灰度值的种类，fy(si)表示图像块si中的第y种灰度值，Ny(si)表示图像块si中灰度值为第y种灰度值的像素数，fx(sj)表示图像块sj中的第x种灰度值，Nx(sj)表示图像块sj中灰度值为第x种灰度值的像素数，N(si)表示图像块si中的像素数，N(sj)表示图像块sj中的像素数，d(si，sj)表示图像块si和图像块sj之间的距离，且
Figure FDA0002436324810000021
其中，(xi，yi)表示图像块si的中心位置的坐标，(xj，yi)表示图像块sj的中心位置的坐标，(xI′，yI′)表示红外图像I′的中心位置的坐标，U(si)表示图像块si的邻域图像块集合，且
Figure FDA0002436324810000022
Figure FDA0002436324810000023
se表示集合U(si)中的第e个图像块，(xe，ye)表示图像块se的中心位置的坐标，E(si)表示集合U(si)中的图像块数，K(s)为给定的灰度检测阈值，且K(s)＝midj＝1，2，...，KA(sj)，A(sj)表示图像块sj的灰度检测因子，A(se)表示图像块se的灰度检测因子，λ(A(se)，K(s))表示判断函数，当A(se)＞K(s)时，λ(A(se)，K(s))＝1，当A(se)≤K(s)时，λ(A(se)，K(s))＝0.01；
给定目标检测阈值H(ρ)，且
Figure FDA0002436324810000024
当图像块si对应的检测函数ρ(si)≥H(ρ)时，则图像块si为目标图像块，图像块si中的像素即为目标像素，当图像块si对应的检测函数ρ(si)＜H(ρ)时，则图像块si为背景图像块，其中，E(ρ)表示图像块的检测函数值的均值，σ(ρ)表示图像块的检测函数值的标准差，ρ(sj)表示图像块sj的检测函数值。
4.根据权利要求3所述的一种基于人工智能的汽车充电桩监控系统，其特征是，设集合Q(I′)表示检测所得的目标图像块集合，且Q(I′)＝{sq，q＝1，2，...，M(Q)}，P(I′)表示检测所得的背景图像块集合，且P(I′)＝{sp，p＝1，2，...，M(P)}，其中，sq表示集合Q(I′)中的第q个目标图像块，M(Q)表示集合Q(I′)中的目标图像块数，sp表示集合P(I′)中的第p个背景图像块，M(P)表示集合P(I′)中的背景图像块数，对集合P(I′)中的背景图像块进行筛选，定义背景图像块sp对应的筛选函数为γ(sp)，则γ(sp)的表达式为：
Figure FDA0002436324810000025
式中，σ′p表示背景图像块sp中像素灰度值的标准差，σ′j表示图像块sj中像素灰度值的标准差，U(sp)表示背景图像块sp的邻域图像块集合，且
Figure FDA0002436324810000031
Figure FDA0002436324810000032
sv表示集合U(sp)中的第v个图像块，(xv，yv)表示图像块sv的中心位置的坐标，E(sp)表示集合U(sp)中的图像块数，υ(sp)为取值函数，当邻域图像块集合U(sp)中存在背景图像块时，则υ(sp)＝1，当邻域图像块集合U(sp)中不存在背景图像块时，则υ(sp)＝0，
Figure FDA0002436324810000033
为取值函数，当邻域图像块集合U(sp)中存在目标图像块时，则
Figure FDA0002436324810000034
当邻域图像块集合U(sp)中不存在目标图像块时，则
Figure FDA0002436324810000035
当背景图像块sp对应的筛选函数
Figure FDA0002436324810000036
时，则判定背景图像块sp中存在目标像素，其中，
Figure FDA0002436324810000037
表示集合Q(I′)中目标图像块的像素灰度值的标准差的均值，
Figure FDA0002436324810000038
表示集合P(I′)中背景图像块的像素灰度值的标准差的均值，对背景图像块sp中的像素进行检测，具体包括：
(1)设C(sp)表示背景图像块sp中的目标像素集合，I′p(i，j)表示背景图像块sp中坐标(i，j)处的像素，定义像素I′p(i，j)对应的初始像素检测函数为ω′p(i，j)，且ω′p(i，j)的表达式为：
Figure FDA0002436324810000039
式中，φ(sv)为判断函数，当图像块sv为目标图像块时，则φ(sv)＝1，当图像块sv为背景图像块时，则φ(sv)＝0，D′p(i，j)为像素I′p(i，j)的邻域检测因子，且D′p(i，j)的表达式为：
Figure FDA00024363248100000310
Figure FDA00024363248100000311
式中，f′p(i，j)表示像素I′p(i，j)的灰度值，I′v(x，y)表示图像块sv中坐标(x，y)处的像素，f′v(x，y)表示像素I′v(x，y)的灰度值，f′(sv)表示图像块sv中像素对于像素I′p(i，j)的参考灰度值；
计算背景图像块sp中各像素的初始像素检测函数值，并将各像素按其初始像素检测函数值由小到大进行排列，判定前2个像素为目标像素，并将这两个像素加入到集合C(sp)中；
(2)对图像块sp中的其他像素进行检测，设I′p(k，l)表示背景图像块sp中坐标(k，l)处的像素，定义像素I′p(k，l)对应的像素检测函数为β′p(k，l)，且β′p(k，l)的表达式为：
β′p(k，l)＝σ(D′p(k，l)，H(D))*ε(S′p(k，l)，H(S))
式中，D′p(k，l)为像素I′p(k，l)的邻域检测因子，H(D)为邻域判断阈值，设
Figure FDA0002436324810000041
表示图像块sv中灰度值最大的像素，(c，d)为像素
Figure FDA0002436324810000042
在图像块sv中的坐标，则
Figure FDA0002436324810000043
Figure FDA0002436324810000044
Figure FDA0002436324810000045
表示像素
Figure FDA0002436324810000046
的灰度值，
Figure FDA0002436324810000047
表示图像块sv中像素灰度值的中值，σ(D′p(k，l)，H(D))为邻域判断因子，当D′p(k，l)≤H(D)时，则σ(D′p(k，l)，H(D))＝1，当D′p(k，l)＞H(D)时则σ(D′p(k，l)，H(D))＝0，S′p(k，l)为像素I′p(k，l)的局部检测因子，且S′p(k，l)的表达式为：
Figure FDA0002436324810000048
式中，f′p(k，l)表示像素I′p(k，l)的灰度值，I′p(a，b)表示背景像素图像块sp中坐标(a，b)处的像素，且I′p(a，b)为集合C(sp)中的像素，H(S)为局部判断阈值，且
Figure FDA0002436324810000049
f′max(C)表示集合C(sp)中像素灰度值的最大值，f′min(C)表示集合C(sp)中像素灰度值的最小值，ε(S′p(k，l)，H(S))为局部判断因子，当S′p(k，l)＜H(S)时，则ε(S′p(k，l)，H(S))＝1，当S′p(k，l)≥H(S)时，则ε(S′p(k，l)，H(S))＝0，
当像素I′p(k，l)对应的像素检测函数β′p(k，l)＝1时，则像素I′p(k，l)为目标像素，并将像素I′p(k，l)加入到集合C(sp)中。
5.根据权利要求4所述的一种基于人工智能的汽车充电桩监控系统，其特征是，根据获取的目标图像块和上述背景图像块中检测所得的目标像素确定红外图像I′中的汽车充电桩的区域图像。
CN202010253409.XA 2020-04-02 2020-04-02 一种基于人工智能的汽车充电桩监控系统 Active CN111462259B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011073912.3A CN112200877B (zh) 2020-04-02 2020-04-02 一种基于人工智能的汽车充电桩监控系统
CN202010253409.XA CN111462259B (zh) 2020-04-02 2020-04-02 一种基于人工智能的汽车充电桩监控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010253409.XA CN111462259B (zh) 2020-04-02 2020-04-02 一种基于人工智能的汽车充电桩监控系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202011073912.3A Division CN112200877B (zh) 2020-04-02 2020-04-02 一种基于人工智能的汽车充电桩监控系统

Publications (2)

Publication Number Publication Date
CN111462259A true CN111462259A (zh) 2020-07-28
CN111462259B CN111462259B (zh) 2020-11-17

Family

ID=71681404

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011073912.3A Active CN112200877B (zh) 2020-04-02 2020-04-02 一种基于人工智能的汽车充电桩监控系统
CN202010253409.XA Active CN111462259B (zh) 2020-04-02 2020-04-02 一种基于人工智能的汽车充电桩监控系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202011073912.3A Active CN112200877B (zh) 2020-04-02 2020-04-02 一种基于人工智能的汽车充电桩监控系统

Country Status (1)

Country Link
CN (2) CN112200877B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111942375A (zh) * 2020-08-24 2020-11-17 米传科技（上海）有限公司 基于毫米波雷达和5g的自动泊车系统
CN111950450A (zh) * 2020-08-11 2020-11-17 李国安 基于区块链和图像处理的智慧医疗养老管理系统
CN116840693A (zh) * 2023-06-30 2023-10-03 深圳市盛弘新能源设备有限公司 基于人工智能的充放电测试控制方法及系统
CN117227551A (zh) * 2023-08-28 2023-12-15 大唐昌裕(北京)新能源有限公司 新能源设备安全监控方法、装置、设备及可读存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19517517B4 (de) * 1994-05-28 2004-07-01 Cerberus AG, Männedorf Passiv Infrarot Eindringdetektor
KR20080101979A (ko) * 2007-05-17 2008-11-24 주식회사 엔엔티 온도감시 경보장치 및 이를 이용한 운영방법
CN202150904U (zh) * 2010-12-29 2012-02-22 上海市电力公司 一种变配电站移动式实时视频监测装置
CN104966375A (zh) * 2015-07-01 2015-10-07 安徽创世科技有限公司 一种安防监控系统及监控方法
CN105243627A (zh) * 2015-09-06 2016-01-13 天维尔信息科技股份有限公司 基于无人机的消防监控系统
US20170147885A1 (en) * 2013-11-11 2017-05-25 Osram Sylvania Inc. Heat-Based Human Presence Detection and Tracking
CN206402354U (zh) * 2017-01-02 2017-08-11 南京国电南自新能源工程技术有限公司 一种充电桩监控系统
CN108200205A (zh) * 2018-02-08 2018-06-22 四川道勤信业科技有限公司 一种充电站远程视频监控控制系统
CN110320843A (zh) * 2019-07-19 2019-10-11 云南北方驰宏光电有限公司 基于双光谱的智能楼宇安防监控系统及方法
CN209514378U (zh) * 2019-05-13 2019-10-18 深圳市恩逸新能源有限公司 一种新能源汽车充电桩远程监控装置
BR102018009044A2 (pt) * 2018-05-04 2019-11-19 Universidade Tecnologica Federal Do Parana método e disposição para o monitoramento e o controle da temperatura em fornos de altas temperaturas, baseado em radiação infravermelha
CN110774919A (zh) * 2019-12-02 2020-02-11 广州供电局有限公司 充电桩监测系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8363098B2 (en) * 2008-09-16 2013-01-29 Plantronics, Inc. Infrared derived user presence and associated remote control
DE202012005170U1 (de) * 2012-05-25 2012-07-11 Abb Ag Mobiler Bewegungs- und Kameramelder
CN106826821A (zh) * 2017-01-16 2017-06-13 深圳前海勇艺达机器人有限公司 基于图像视觉引导的机器人自动返回充电的方法和系统
CN108492517A (zh) * 2018-03-06 2018-09-04 深圳智达机械技术有限公司 一种用于楼宇的火灾监控系统
CN111806299B (zh) * 2018-03-09 2021-09-14 宁德时代新能源科技股份有限公司 电池充电方法、充电桩和存储介质
CN109703410B (zh) * 2019-01-23 2021-08-27 北京交通大学 一种充电站安全防护系统及预警方法
CN110297498B (zh) * 2019-06-13 2022-04-26 暨南大学 一种基于无线充电无人机的轨道巡检方法及系统
CN110599479A (zh) * 2019-09-16 2019-12-20 北京航天宏图信息技术股份有限公司 一种监测区域变化检测方法、装置及存储介质
CN110458839B (zh) * 2019-10-09 2020-01-14 江西太平洋电缆集团有限公司 一种有效的电线电缆监测系统
CN110458157B (zh) * 2019-10-14 2020-01-07 江西太平洋电缆集团有限公司 一种电力电缆生产过程智能监控系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19517517B4 (de) * 1994-05-28 2004-07-01 Cerberus AG, Männedorf Passiv Infrarot Eindringdetektor
KR20080101979A (ko) * 2007-05-17 2008-11-24 주식회사 엔엔티 온도감시 경보장치 및 이를 이용한 운영방법
CN202150904U (zh) * 2010-12-29 2012-02-22 上海市电力公司 一种变配电站移动式实时视频监测装置
US20170147885A1 (en) * 2013-11-11 2017-05-25 Osram Sylvania Inc. Heat-Based Human Presence Detection and Tracking
CN104966375A (zh) * 2015-07-01 2015-10-07 安徽创世科技有限公司 一种安防监控系统及监控方法
CN105243627A (zh) * 2015-09-06 2016-01-13 天维尔信息科技股份有限公司 基于无人机的消防监控系统
CN206402354U (zh) * 2017-01-02 2017-08-11 南京国电南自新能源工程技术有限公司 一种充电桩监控系统
CN108200205A (zh) * 2018-02-08 2018-06-22 四川道勤信业科技有限公司 一种充电站远程视频监控控制系统
BR102018009044A2 (pt) * 2018-05-04 2019-11-19 Universidade Tecnologica Federal Do Parana método e disposição para o monitoramento e o controle da temperatura em fornos de altas temperaturas, baseado em radiação infravermelha
CN209514378U (zh) * 2019-05-13 2019-10-18 深圳市恩逸新能源有限公司 一种新能源汽车充电桩远程监控装置
CN110320843A (zh) * 2019-07-19 2019-10-11 云南北方驰宏光电有限公司 基于双光谱的智能楼宇安防监控系统及方法
CN110774919A (zh) * 2019-12-02 2020-02-11 广州供电局有限公司 充电桩监测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱金涞: "《接触网线夹温度的在线监测》", 《中国优秀硕士学位论文全文及数据》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950450A (zh) * 2020-08-11 2020-11-17 李国安 基于区块链和图像处理的智慧医疗养老管理系统
CN111942375A (zh) * 2020-08-24 2020-11-17 米传科技（上海）有限公司 基于毫米波雷达和5g的自动泊车系统
CN111942375B (zh) * 2020-08-24 2021-02-19 米传科技（上海）有限公司 基于毫米波雷达和5g的自动泊车系统
CN116840693A (zh) * 2023-06-30 2023-10-03 深圳市盛弘新能源设备有限公司 基于人工智能的充放电测试控制方法及系统
CN116840693B (zh) * 2023-06-30 2024-03-19 深圳市盛弘新能源设备有限公司 基于人工智能的充放电测试控制方法及系统
CN117227551A (zh) * 2023-08-28 2023-12-15 大唐昌裕(北京)新能源有限公司 新能源设备安全监控方法、装置、设备及可读存储介质
CN117227551B (zh) * 2023-08-28 2024-03-05 大唐昌裕(北京)新能源有限公司 新能源设备安全监控方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN111462259B (zh) 2020-11-17
CN112200877A (zh) 2021-01-08
CN112200877B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN111462259B (zh) 一种基于人工智能的汽车充电桩监控系统
CN109977812B (zh) 一种基于深度学习的车载视频目标检测方法
CN108960065B (zh) 一种基于视觉的驾驶行为检测方法
CN108469806B (zh) 交替式人机共驾中驾驶权转移方法
KR101748121B1 (ko) 객체 인지 기반의 실시간 영상 검지 시스템 및 그 방법
CN102509291B (zh) 基于无线网络视频传感器的公路路面病害检测及识别方法
CN107578012B (zh) 一种基于聚类算法选择敏感区域的驾驶辅助系统
CN111626203B (zh) 一种基于机器学习的铁路异物识别方法及系统
CN104902265A (zh) 一种基于背景边缘模型的摄像机异常检测方法及系统
CN112433519A (zh) 一种无人驾驶检测系统及车辆行驶检测方法
CN103996030A (zh) 一种车道线检测方法
CN106339657A (zh) 基于监控视频的秸秆焚烧监测方法、装置
CN109034038B (zh) 一种基于多特征融合的火灾识别装置
CN111797803A (zh) 基于人工智能和图像处理的道路护栏异常检测方法
CN111563468B (zh) 一种基于神经网络注意力的驾驶员异常行为检测方法
CN116110012B (zh) 用于智慧工地的危险违规动作识别方法及系统
CN111523416A (zh) 一种基于高速公路etc门架的车辆预警方法和装置
CN110781872A (zh) 一种双模态特征融合的驾驶员疲劳等级识别系统
CN110728212B (zh) 一种基于计算机视觉的道路井盖监控装置及监控方法
CN113221759A (zh) 基于异常检测模型的道路遗撒识别方法以及装置
CN111985295A (zh) 一种电动自行车行为识别方法、系统、工控机及摄像头
CN109325426B (zh) 一种基于三正交平面时空特征的黑烟车检测方法
CN109543610B (zh) 车辆检测跟踪方法、装置、设备及存储介质
WO2023124221A1 (zh) 车辆可行驶区域的区域边缘检测方法、装置和存储介质
KR102423218B1 (ko) 심층 신경망을 이용한 도로 노면 손상 및 장애물 동시 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체.

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