CN111614938B - 一种风险识别方法及装置 - Google Patents
一种风险识别方法及装置 Download PDFInfo
- Publication number
- CN111614938B CN111614938B CN202010406739.8A CN202010406739A CN111614938B CN 111614938 B CN111614938 B CN 111614938B CN 202010406739 A CN202010406739 A CN 202010406739A CN 111614938 B CN111614938 B CN 111614938B
- Authority
- CN
- China
- Prior art keywords
- risk
- target
- time period
- monitoring image
- 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.)
- Active
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供一种风险识别方法及装置,所述方法包括:获取指定时间段内采集的至少一帧目标区域的监控图像;当依据所述监控图像确定所述目标区域被至少一个目标对象占用时,确定所述监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比;依据所述监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值;所述占用风险值是指所述目标区域被占用的风险值;依据各监控图像对应的占用风险值确定所述目标区域在所述指定时间段内被占用的目标风险值。应用该方法,可以实现对目标区域被占用时所面临的风险进行量化。
Description
技术领域
本申请涉及视频监控技术领域,尤其涉及一种风险识别方法及装置。
背景技术
消防通道是指被困人员疏散以及消防人员实施营救的专用通道,比如楼梯口、过道。消防通道在各种险情中起到不可低估的作用。
在应用中,可能会由于各种原因,例如人员安全意识薄弱等导致消防通道被占用,而在消防通道被占用的情况下,一旦发生险情将很可能导致被困人员无法及时疏散,消防人员无法及时实施营救,从而造成重大损失。
发明内容
有鉴于此,本申请提供一种风险识别方法及装置,以实现对目标区域比如消防通道被占用时所面临的风险进行量化。
根据本申请实施例的第一方面,提供一种风险识别方法,所述方法包括:
获取指定时间段内采集的至少一帧目标区域的监控图像;
当依据所述监控图像确定所述目标区域被至少一个目标对象占用时,确定所述监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比;依据所述监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值;所述占用风险值是指所述目标区域被占用的风险值;
依据各监控图像对应的占用风险值确定所述目标区域在所述指定时间段内被占用的目标风险值。
在一实施例中,当依据所述监控图像确定所述目标区域被至少一个目标对象占用时,确定所述监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比,包括:
将所述监控图像输入至已训练的目标检测模型,以得到所述监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比;所述目标检测模型用于在输入的监控图像中检测出目标对象时,进一步确定该目标对象在输入的监控图像中所处的图像区域并确定该图像区域在所述监控图像中的面积占比。
在一实施例中,所述依据监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值,包括:
确定各目标对象所属类别在所述监控图像的采集时间点所处时间段内对应的风险权重,其中,目标对象所属类别在不同时间段内对应的风险权重不同;
依据所述监控图像中各目标对象对应的面积占比、各目标对象所属类别在所述监控图像的采集时间点所处时间段内对应的风险权重,确定所述目标区域的占用风险值。
在一实施例中,所述依据监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值,包括:
针对所述监控图像中的每一目标对象,利用该目标对象对应的面积占比和预设的该目标对象所属类别对应的风险权重进行第一设定运算,得到该目标对象对应的第一运算结果;
利用所述监控图像中各目标对象对应的第一运算结果进行第二设定运算,得到第二运算结果,将所述第二运算结果确定为所述目标区域的占用风险值。
在一实施例中,所述指定时间段包括:第一指定时间段和第二指定时间段;
所述依据各监控图像对应的占用风险值确定所述目标区域在所述指定时间段内被占用的目标风险值,包括:
统计已获取的所有监控图像中采集时间点处于第一指定时间段的监控图像的数量M,并统计已获取的所有监控图像中采集时间点处于第二指定时间段的监控图像的数量N;
依据所述M、N、所述第一指定时间段对应的风险权重K1、所述第二指定时间段对应的风险权重K2、采集时间点处于第一指定时间段的监控图像对应的占用风险值,以及采集时间点处于第二指定时间段的监控图像对应的占用风险值,确定所述目标风险值。
在一实施例中,所述依据M、N、所述第一指定时间段对应的风险权重K1、所述第二指定时间段对应的风险权重K2、采集时间点处于第一指定时间段的监控图像对应的占用风险值,以及采集时间点处于第二指定时间段的监控图像对应的占用风险值,确定所述目标风险值,包括:
利用所述M、N、所述第一指定时间段对应的风险权重K1、所述第二指定时间段对应的风险权重K2,并按照设定的归一化方式分别对所述采集时间点处于第一指定时间段的监控图像对应的占用风险值和采集时间点处于第二指定时间段的监控图像对应的占用风险值进行运算,得到所述采集时间点处于第一指定时间段的监控图像对应的第三运算结果和所述采集时间点处于第二指定时间段的监控图像对应的第四运算结果;
利用各所述采集时间点处于第一指定时间段的监控图像对应的第三运算结果和各所述采集时间点处于第二指定时间段的监控图像对应的第四运算结果进行第三设定运算,得到第五运算结果,将所述第五运算结果确定为所述目标风险值。
在一实施例中,所述方法进一步包括:
依据预设的风险占用值范围与风险等级的对应关系,确定所述目标风险占用值对应的目标风险等级;
当所述目标风险等级用于指示高风险时,进行告警处理。
根据本申请实施例的第二方面,提供一种风险识别装置,所述装置包括:
图像获取模块,用于获取指定时间段内采集的至少一帧目标区域的监控图像;
第一确定模块,用于当依据所述监控图像确定所述目标区域被至少一个目标对象占用时,确定所述监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比;依据所述监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值;所述占用风险值是指所述目标区域被占用的风险值;
第二确定模块,用于依据各监控图像对应的占用风险值确定所述目标区域在所述指定时间段内被占用的目标风险值。
在一实施例中,所述第一确定模块当依据所述监控图像确定所述目标区域被至少一个目标对象占用时,确定所述监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比,包括:
将所述监控图像输入至已训练的目标检测模型,以得到所述监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比;所述目标检测模型用于在输入的监控图像中检测出目标对象时,进一步确定该目标对象在输入的监控图像中所处的图像区域并确定该图像区域在所述监控图像中的面积占比。
在一实施例中,所述第一确定模块依据监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值,包括:
确定各目标对象所属类别在所述监控图像的采集时间点所处时间段内对应的风险权重,其中,目标对象所属类别在不同时间段内对应的风险权重不同;
依据所述监控图像中各目标对象对应的面积占比、各目标对象所属类别在所述监控图像的采集时间点所处时间段内对应的风险权重,确定所述目标区域的占用风险值。
在一实施例中,所述第一确定模块依据监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值,包括:
针对所述监控图像中的每一目标对象,利用该目标对象对应的面积占比和预设的该目标对象所属类别对应的风险权重进行第一设定运算,得到该目标对象对应的第一运算结果;
利用所述监控图像中各目标对象对应的第一运算结果进行第二设定运算,得到第二运算结果,将所述第二运算结果确定为所述目标区域的占用风险值。
在一实施例中,所述指定时间段包括:第一指定时间段和第二指定时间段;
所述第二确定模块依据各监控图像对应的占用风险值确定所述目标区域在所述指定时间段内被占用的目标风险值,包括:
统计已获取的所有监控图像中采集时间点处于第一指定时间段的监控图像的数量M,并统计已获取的所有监控图像中采集时间点处于第二指定时间段的监控图像的数量N;
依据所述M、N、所述第一指定时间段对应的风险权重K1、所述第二指定时间段对应的风险权重K2、采集时间点处于第一指定时间段的监控图像对应的占用风险值,以及采集时间点处于第二指定时间段的监控图像对应的占用风险值,确定所述目标风险值。
在一实施例中,所述第二确定模块依据M、N、所述第一指定时间段对应的风险权重K1、所述第二指定时间段对应的风险权重K2、采集时间点处于第一指定时间段的监控图像对应的占用风险值,以及采集时间点处于第二指定时间段的监控图像对应的占用风险值,确定所述目标风险值,包括:
利用所述M、N、所述第一指定时间段对应的风险权重K1、所述第二指定时间段对应的风险权重K2,并按照设定的归一化方式分别对所述采集时间点处于第一指定时间段的监控图像对应的占用风险值和采集时间点处于第二指定时间段的监控图像对应的占用风险值进行运算,得到所述采集时间点处于第一指定时间段的监控图像对应的第三运算结果和所述采集时间点处于第二指定时间段的监控图像对应的第四运算结果;
利用各所述采集时间点处于第一指定时间段的监控图像对应的第三运算结果和各所述采集时间点处于第二指定时间段的监控图像对应的第四运算结果进行第三设定运算,得到第五运算结果,将所述第五运算结果确定为所述目标风险值。
在一实施例中,所述装置进一步包括:
定级模块,用于依据预设的风险占用值范围与风险等级的对应关系,确定所述目标风险占用值对应的目标风险等级;
告警模块,用于当所述目标风险等级用于指示高风险时,进行告警处理。
根据本申请实施例的第三方面,提供一种电子设备,所述设备包括可读存储介质和处理器;
其中,所述可读存储介质,用于存储机器可执行指令;
所述处理器,用于读取所述可读存储介质上的所述机器可执行指令,并执行所述指令以实现本申请提供的风险识别方法的步骤。
根据本申请实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请提供的风险识别方法的步骤。
应用本申请实施例,通过分析目标区域的监控图像,在确定目标区域被目标对象占用时,依据目标对象在监控图像中所处的图像区域确定目标区域被占用的风险值,实现了对目标区域被占用时所面临的风险进行量化。
附图说明
图1为本申请一示例性实施例提供的一种风险识别方法的实施例流程图;
图2为本申请一示例性实施例提供的一种步骤102的实现流程;
图3为本申请一示例性实施例提供的一种步骤103的实现流程;
图4为本申请一示例性实施例提供的一种风险识别装置的实施例框图;
图5为本申请根据一示例性实施例示出的一种电子设备的硬件结构图。
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装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参见图1,为本申请一示例性实施例提供的一种风险识别方法的实施例流程图,作为一个实施例,该方法可应用于风险识别装置,可选的,这里的风险识别装置可通过软件实现,也可通过硬件实现,当通过硬件实现时,可以通过一个或多个设备共同实现该风险分析装置,本实施例并不具体限定。
如图1所示,该流程可包括以下步骤:
步骤101:获取指定时间段内采集的至少一帧目标区域的监控图像。
在应用中,上述至少一帧目标区域的监控图像可由图像采集设备,比如抓拍机、摄像机在指定时间段内采集得到,基于此,风险识别装置则可以从图像采集设备处获取指定时间段内采集的至少一帧目标区域的监控图像。
作为一个可选的实现方式,图像采集设备可以在指定时间段内,比如某一天内,周期性地采集目标区域的监控图像,比如图像采集设备从某一天的零点开始,每隔1小时或者2小时即采集一帧目标区域的监控图像。
作为另一个可选的实现方式,图像采集设备可以在指定时间段内定时地采集目标区域的监控图像,比如图像采集设备在某一天的8点、9点、11点、14点、15点、18点、19点、20点时分别采集一帧目标区域的监控图像。
作为又一个可选的实现方式,图像采集设备可以在指定时间段内实时采集目标区域的监控视频流。在该种情况下,风险识别装置则可以采取抽帧的方式从图像采集设备采集到的监控视频流中获取至少一帧目标区域的监控图像,比如风险识别装置可以依据监控视频流中每一监控图像的采集时间点,并按照固定的时间间隔进行抽帧,获取至少一帧目标区域的监控图像。
应当理解的是,上述仅仅是获取指定时间段内采集的至少一帧目标区域的监控图像的示例性说明,在实际应用中还可以通过其他方式实现,比如风险识别装置可以获取图像采集设备在指定时间段内采集的目标区域的监控视频流中所有的监控图像。
此外,还可以理解的是,在本申请中,通过步骤101获取到的监控图像的数量越多、每相邻两幅监控图像之间的采集间隔越短,最终计算出的目标区域在指定时间段内被占用的目标风险值越为可靠。至于是如何依据步骤101中获取到的监控图像确定目标区域在指定时间段内被占用的目标风险值的,见下述步骤102和步骤103。
步骤102:当依据监控图像确定目标区域被至少一个目标对象占用时,确定监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比;依据监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定目标区域的占用风险值。
首先说明,上述目标区域的占用风险值是指目标区域被占用的风险值。以消防通道作为目标区域为例,在实际应用中,占用消防通道的目标对象越多,目标对象在消防通道中的占用面积越大,在发生险情比如火灾的情况下所面临的风险也就越大,即,消防通道的占用风险值越大。进一步,目标对象在消防通道中占用面积的大小可通过监控图像中目标对象所处的图像区域在监控图像中的面积占比反映,据此,在步骤102中,
可以确定监控图像中各目标对象所处的图像区域在监控图像中的面积占比,依据监控图像中各目标对象对应的面积占比确定目标区域的占用风险值。可以理解的是,面积占比越大,则意味着目标对象在监控区域中的占用面积越大,则监控区域的占用风险值越大。
作为一个可选的实现方式,可以将监控图像中各目标对象对应的面积占比求和,将求和结果确定为监控区域的占用风险值。
作为另一个可选的实现方式,可以先通过一个预设的系数对监控图像中各目标对象对应的面积占比进行调整比如将面积占比与预设的系数相乘,然后将各相乘结果求和,将求和结果确定为监控区域的占用风险值。
进一步,作为一个实施例,由于不同类别的目标对象占用监控区域时所造成的风险不同,因此可以为不同的类别设置不同的风险权重,基于此,在该实施例中,则可以依据监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定目标区域的占用风险值。
以消防通道作为目标区域举例来说,在实际应用中占用消防通道的目标对象通常包含人、车辆、物品这三个类别,其中,人的行动最为灵活,当人占用消防通道时,若发生险情,人一般能够及时地撤离消防通道,这也就意味着人对于消防通道的占用风险值的影响较小,因此,可以针对人这一类别设置一个较小的风险权重(记为α),比如0.1。
车辆的行动灵活性次于人,当车辆占用消防通道时,若发生险情,车辆一般能够在较短的时间内撤离消防通道,这也就意味着车辆对于消防通道的占用风险值的影响大于人,因此,可以针对车辆这一类别设置一个大于α的风险权重(记为β),比如0.5。
而物品的行动灵活性较差,当物品占用消防通道时,若发生险情,则需要较长的时间才能够将物品从消防通道中撤离,尤其对于大型物品而言,更需要消耗较多的人力和时间,这也就意味着物品对于消防通道的占用风险值的影响较大,因此,可以针对物品这一类别设置一个较大的权重(记为γ),比如1。
作为再一个实施例,在上述实施例的基础上,还可以设置为:同一类别在不同的时间段内对应的风险权重不同。比如,相对于白天而言,车辆在晚上的行动灵活性较差,因此,可以针对车辆这一类别,设置其在8:00~18:00这一时间段内对应的风险权重为β1,设置其在18:00~24:00和0:00~8:00这两个时间段内对应的风险权重为β2,可以理解的是,β2>β1。
基于此,在依据监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定目标区域的占用风险值时,可以先确定各目标对象所属类别在该监控图像的采集时间点所处时间段内对应的风险权重,比如监控图像的采集时间点为9点,那么车辆这一类别在9点所处时间段8:00~18:00内对应的风险权重为β1,然后,依据该监控图像中各目标对象对应的面积占比、各目标对象所属类别在该监控图像的采集时间点所处时间段内对应的风险权重,确定目标区域的占用风险值。
至于是如何依据监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定目标区域的占用风险值的,在下文中描述,这里先不做详述。
在本步骤102中,作为一个实施例,可以预先训练出一个或多个目标检测模型,该目标检测模型用于检测输入图像的指定区域(这里的指定区域即对应上述监控区域)中是否存在目标对象,并在检测出目标对象时进一步确定目标对象在输入图像中所处的图像区域并确定该图像区域在输入图像中的面积占比。可以理解的是,在预先训练出多个目标检测模型的情况下,该多个目标检测模型可分别用于检测不同类别的目标对象,比如,可以预先针对人、车辆、物品这三个类别分别训练出一个目标检测模型,至于目标检测模型的训练过程,在这里不再赘述。
基于此,在该实施例中,则可以针对步骤101获取到的每一帧监控图像,将该监控图像输入至已训练的一个或多个目标检测模型,以得到监控图像中各目标对象所处的图像区域在监控图像中的面积占比。
步骤103:依据各监控图像对应的占用风险值确定目标区域在指定时间段内被占用的目标风险值。
本步骤的详细描述在下文中会有描述,这里先不详述。
由上述实施例可见,应用本申请提供的风险识别方法,通过分析目标区域的监控图像,在确定目标区域被目标对象占用时,依据目标对象在监控图像中所处的图像区域确定目标区域被占用的风险值,实现了对目标区域被占用时所面临的风险进行量化。
此外,执行完步骤103得到监控区域在指定时间段内被占用的目标风险值之后,还可以依据该目标风险值确定目标区域在设定时间段内的风险等级。
作为一个实施例,可以预先设置风险占用值范围与风险等级的对应关系,例如,如下述表1所示,为风险占用值范围与风险等级的对应关系的示例:
表1
风险占用值(F) | 风险等级 |
0.05>F≥0 | 无风险 |
0.1>F≥0.05 | 低风险 |
0.3>F≥0.1 | 中风险 |
1≥F≥0.3 | 高风险 |
据此,在该实施例中,则可以确定步骤103得到的目标风险占用值对应的风险占用值范围(以下称目标风险占用值范围),然后则可以依据上述表1确定目标风险占用值范围对应的风险等级(以下称目标风险等级),即,确定目标风险占用值对应的目标风险等级。举例来说,假设步骤103得到的目标风险占用值为0.5,则可以确定目标风险等级为高风险。
此外,作为一个实施例,当目标风险等级用于指示高风险时,进行告警处理。
作为另一个实施例,还可以针对不同的风险等级分别设置不同的告警方式,其中,告警方式的不同可以体现在告警形式不同,比如对于低风险可以采用指示灯闪烁的告警方式,对于中风险可以采用鸣音的告警方式,对于高风险则采用指示灯闪烁和鸣音的告警方式,也可以体现在鸣音音量不同,本申请对此不做限制。
以下描述如何依据监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定目标区域的占用风险值:
请参见图2,为本申请一示例性实施例提供的一种步骤102的实现流程,包括以下步骤:
步骤201:针对监控图像中的每一目标对象,利用该目标对象对应的面积占比和预设的该目标对象所属类别对应的风险权重进行第一设定运算,得到该目标对象对应的第一运算结果。
作为一个实施例,这里的第一设定运算可以为相乘运算,比如将目标对象对应的面积占比和预设的该目标对象所属类别对应的风险权重相乘,得到上述第一运算结果,或者是将目标对象对应的面积占比、预设的该目标对象所属类别对应的风险权重以及一个预设的系数相乘,得到上述第一运算结果。
步骤202:利用监控图像中各目标对象对应的第一运算结果进行第二设定运算,得到第二运算结果,将第二运算结果确定为目标区域的占用风险值。
作为一个实施例,这里的第二设定运算可以为求和运算,即可以将监控图像中各目标对象对应的第一运算结果进行求和,得到第二运算结果,将第二运算结果确定为目标区域的占用风险值。
以消防通道为目标区域为例,可以通过如下公式(一)确定消防通道的占用风险值FA:
FA=α*x+β*y+γ*z公式(一)
在上述公式(一)中,x表示人这一类目标对象对应的面积占比,y表示车辆这一类目标对象对应的面积占比,z表示物品这一类目标对象对应的面积占比。
至此,完成图2所示流程的相关描述。
通过图2所示实施例,实现了依据监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定目标区域的占用风险值。
以下描述如何依据各监控图像对应的占用风险值确定目标区域在指定时间段内被占用的目标风险值:
请参见图3,为本申请一示例性实施例提供的一种步骤103的实现流程,包括以下步骤:
步骤301:统计已获取的所有监控图像中采集时间点处于第一指定时间段的监控图像的数量M,并统计已获取的所有监控图像中采集时间点处于第二指定时间段的监控图像的数量N。
步骤302:依据M、N、第一指定时间段对应的风险权重K1、第二指定时间段对应的风险权重K2、采集时间点处于第一指定时间段的监控图像对应的占用风险值,以及采集时间点处于第二指定时间段的监控图像对应的占用风险值,确定目标风险值。
以下对步骤301至步骤302进行统一说明:
继续以消防通道为目标区域为例,在实际应用中,在不同的时段内,建筑物比如企业办公大楼内聚集的人员数量不同,当人员数量较多时,一旦发生险情则面临的风险较大;反之,当人员数量较少时,相对人员数量较多的情况下面临的风险较小,因此,作为一个实施例,可以将上述指定时间段分为第一指定时间段和第二指定时间段。在一个例子中,第一指定时间段可以对应人员数量较多的时间段,比如上班时间,第二指定时间段则可以对应人员数量较少的时间段,比如下班时间。
进一步,在该实施例中,针对不同的时间段设置不同的风险权重,比如,针对第一指定时间段设置一个风险权重K1,针对第二指定时间段设置一个风险权重K2,可以理解的是,在上述例子中,由于第一指定时间段内人员数量较多,而第二指定时间段内人员数量较少,因此设置为K1大于K2,比如K1为λ(λ>1),K2为1。
在该实施例中,为了提高最终计算出的目标风险值的可靠性,避免目标风险值受不同时间段内对消防通道占用情况的检测次数的影响,并非是直接将各监控图像对应的占用风险值和该监控图像的采集时间点所处的时间段对应的风险权重进行加权求和运算以得到上述目标风险值,而是采用归一化的思想对各监控图像对应的占用风险值和该监控图像的采集时间点所处的时间段对应的风险权进行运算得到上述目标风险值。
基于归一化的思想,先统计出步骤101中已获取的所有监控图像中采集时间点处于第一指定时间段的监控图像的数量M,并统计步骤101中已获取的所有监控图像中采集时间点处于第二指定时间段的监控图像的数量N(可以理解的是,M和N可以相同,也可以不同),之后,依据M、N、第一指定时间段对应的风险权重K1、第二指定时间段对应的风险权重K2、采集时间点处于第一指定时间段的监控图像对应的占用风险值,以及采集时间点处于第二指定时间段的监控图像对应的占用风险值,确定目标风险值。
作为一个实施例,首先利用M、N、第一指定时间段对应的风险权重K1、第二指定时间段对应的风险权重K2,并按照设定的归一化方式分别对采集时间点处于第一指定时间段的监控图像对应的占用风险值和采集时间点处于第二指定时间段的监控图像对应的占用风险值进行运算,得到采集时间点处于第一指定时间段的监控图像对应的第三运算结果和采集时间点处于第二指定时间段的监控图像对应的第四运算结果,然后利用各采集时间点处于第一指定时间段的监控图像对应的第三运算结果和各采集时间点处于第二指定时间段的监控图像对应的第四运算结果进行第三设定运算,得到第五运算结果,将第五运算结果确定为目标风险值。
作为一个可选的实现方式,上述归一化方式可以通过如下公式(二)表示:
在上述公式(二)中,s=K1*M+K2*N。
作为一个可选的实现方式,上述第三设定运算可以为求和运算,即将各采集时间点处于第一指定时间段的监控图像对应的第三运算结果和各采集时间点处于第二指定时间段的监控图像对应的第四运算结果求和,得到上述目标风险值。
至此,完成图3所示流程的描述。
通过图3所示流程,最终实现了依据各监控图像对应的占用风险值确定目标区域在指定时间段内被占用的目标风险值。
此外,为了更好地理解本申请,以下对本申请应用的具体场景做出示例性说明:
在一示例性应用场景中,本申请可应用于消防安全评估,消防安全评估是指消防安全评估机构提供的一种服务活动,具体为对社会单位、场所、工矿企业等机构的消防综合情况进行评估,针对评估结果,依据消防法律法规、技术规范提出解决措施的一服务活动,即,可以应用本申请对各种机构的消防综合情况进行评估,最终的评估结果可以为上述目标风险值,以实现依据目标风险值为机构提出可靠的消防安全措施,有效降低风险。
与前述风险识别方法的实施例相对应,本申请还提供了风险识别装置的实施例。
请参见图4,为本申请一示例性实施例提供的一种风险识别装置的实施例框图,该装置可以包括:
图像获取模块41,用于获取指定时间段内采集的至少一帧目标区域的监控图像;
第一确定模块42,用于当依据所述监控图像确定所述目标区域被至少一个目标对象占用时,确定所述监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比;依据所述监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值;所述占用风险值是指所述目标区域被占用的风险值;
第二确定模块43,用于依据各监控图像对应的占用风险值确定所述目标区域在所述指定时间段内被占用的目标风险值。
在一实施例中,所述第一确定模块42当依据所述监控图像确定所述目标区域被至少一个目标对象占用时,确定所述监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比,包括:
将所述监控图像输入至已训练的目标检测模型,以得到所述监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比;所述目标检测模型用于在输入的监控图像中检测出目标对象时,进一步确定该目标对象在输入的监控图像中所处的图像区域并确定该图像区域在所述监控图像中的面积占比。
在一实施例中,所述第一确定模块42依据监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值,包括:
确定各目标对象所属类别在所述监控图像的采集时间点所处时间段内对应的风险权重,其中,目标对象所属类别在不同时间段内对应的风险权重不同;
依据所述监控图像中各目标对象对应的面积占比、各目标对象所属类别在所述监控图像的采集时间点所处时间段内对应的风险权重,确定所述目标区域的占用风险值。
在一实施例中,所述第一确定模块42依据监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值,包括:
针对所述监控图像中的每一目标对象,利用该目标对象对应的面积占比和预设的该目标对象所属类别对应的风险权重进行第一设定运算,得到该目标对象对应的第一运算结果;
利用所述监控图像中各目标对象对应的第一运算结果进行第二设定运算,得到第二运算结果,将所述第二运算结果确定为所述目标区域的占用风险值。
在一实施例中,所述指定时间段包括:第一指定时间段和第二指定时间段;
所述第二确定模块43依据各监控图像对应的占用风险值确定所述目标区域在所述指定时间段内被占用的目标风险值,包括:
统计已获取的所有监控图像中采集时间点处于第一指定时间段的监控图像的数量M,并统计已获取的所有监控图像中采集时间点处于第二指定时间段的监控图像的数量N;
依据所述M、N、所述第一指定时间段对应的风险权重K1、所述第二指定时间段对应的风险权重K2、采集时间点处于第一指定时间段的监控图像对应的占用风险值,以及采集时间点处于第二指定时间段的监控图像对应的占用风险值,确定所述目标风险值。
在一实施例中,所述第二确定模块43依据M、N、所述第一指定时间段对应的风险权重K1、所述第二指定时间段对应的风险权重K2、采集时间点处于第一指定时间段的监控图像对应的占用风险值,以及采集时间点处于第二指定时间段的监控图像对应的占用风险值,确定所述目标风险值,包括:
利用所述M、N、所述第一指定时间段对应的风险权重K1、所述第二指定时间段对应的风险权重K2,并按照设定的归一化方式分别对所述采集时间点处于第一指定时间段的监控图像对应的占用风险值和采集时间点处于第二指定时间段的监控图像对应的占用风险值进行运算,得到所述采集时间点处于第一指定时间段的监控图像对应的第三运算结果和所述采集时间点处于第二指定时间段的监控图像对应的第四运算结果;
利用各所述采集时间点处于第一指定时间段的监控图像对应的第三运算结果和各所述采集时间点处于第二指定时间段的监控图像对应的第四运算结果进行第三设定运算,得到第五运算结果,将所述第五运算结果确定为所述目标风险值。
在一实施例中,所述装置进一步包括(图4中未示出):
定级模块,用于依据预设的风险占用值范围与风险等级的对应关系,确定所述目标风险占用值对应的目标风险等级;
告警模块,用于当所述目标风险等级用于指示高风险时,进行告警处理。
请继续参见图5,本申请还提供一种电子设备,包括处理器501、通信接口502、存储器503,以及通信总线504。
其中,处理器501、通信接口502、存储器503通过通信总线504进行相互间的通信;
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的计算机程序,处理器501执行所述计算机程序时实现本申请实施例提供的风险识别方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请实施例提供的风险识别方法的步骤。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请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,本申请的真正范围和精神由下面的权利要求指出。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (9)
1.一种风险识别方法,其特征在于,所述方法包括:
获取指定时间段内采集的至少一帧目标区域的监控图像;
当依据所述监控图像确定所述目标区域被至少一个目标对象占用时,确定所述监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比;
依据所述监控图像中各目标对象对应的面积占比、和各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值;所述占用风险值是指所述目标区域被占用的风险值;
依据各监控图像对应的占用风险值确定所述目标区域在所述指定时间段内被占用的目标风险值;
所述依据监控图像中各目标对象对应的面积占比、和各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值,包括:
针对所述监控图像中的每一目标对象,利用该目标对象对应的面积占比和预设的该目标对象所属类别对应的风险权重进行第一设定运算,得到该目标对象对应的第一运算结果;
利用所述监控图像中各目标对象对应的第一运算结果进行第二设定运算,得到第二运算结果,将所述第二运算结果确定为所述目标区域的占用风险值;
其中,所述第一设定运算为相乘运算,所述第二设定运算为求和运算。
2.根据权利要求1所述的方法,其特征在于,当依据所述监控图像确定所述目标区域被至少一个目标对象占用时,确定所述监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比,包括:
将所述监控图像输入至已训练的目标检测模型,以得到所述监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比;所述目标检测模型用于在输入的监控图像中检测出目标对象时,进一步确定该目标对象在输入的监控图像中所处的图像区域并确定该图像区域在所述监控图像中的面积占比。
3.根据权利要求1所述的方法,其特征在于,所述依据监控图像中各目标对象对应的面积占比、和各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值,包括:
确定各目标对象所属类别在所述监控图像的采集时间点所处时间段内对应的风险权重,其中,目标对象所属类别在不同时间段内对应的风险权重不同;
依据所述监控图像中各目标对象对应的面积占比、和各目标对象所属类别在所述监控图像的采集时间点所处时间段内对应的风险权重,确定所述目标区域的占用风险值。
4.根据权利要求1所述的方法,其特征在于,所述指定时间段包括:第一指定时间段和第二指定时间段;
所述依据各监控图像对应的占用风险值确定所述目标区域在所述指定时间段内被占用的目标风险值,包括:
统计已获取的所有监控图像中采集时间点处于第一指定时间段的监控图像的数量M,并统计已获取的所有监控图像中采集时间点处于第二指定时间段的监控图像的数量N;
依据所述M、N、所述第一指定时间段对应的风险权重K1、所述第二指定时间段对应的风险权重K2、采集时间点处于第一指定时间段的监控图像对应的占用风险值,以及采集时间点处于第二指定时间段的监控图像对应的占用风险值,确定所述目标风险值。
5.根据权利要求4所述的方法,其特征在于,所述依据M、N、所述第一指定时间段对应的风险权重K1、所述第二指定时间段对应的风险权重K2、采集时间点处于第一指定时间段的监控图像对应的占用风险值,以及采集时间点处于第二指定时间段的监控图像对应的占用风险值,确定所述目标风险值,包括:
利用所述M、N、所述第一指定时间段对应的风险权重K1、所述第二指定时间段对应的风险权重K2,并按照设定的归一化方式分别对所述采集时间点处于第一指定时间段的监控图像对应的占用风险值和采集时间点处于第二指定时间段的监控图像对应的占用风险值进行运算,得到所述采集时间点处于第一指定时间段的监控图像对应的第三运算结果和所述采集时间点处于第二指定时间段的监控图像对应的第四运算结果;
利用各所述采集时间点处于第一指定时间段的监控图像对应的第三运算结果和各所述采集时间点处于第二指定时间段的监控图像对应的第四运算结果进行第三设定运算,得到第五运算结果,将所述第五运算结果确定为所述目标风险值;所述第三设定运算为求和运算;
其中,所述按照设定的归一化方式对所述采集时间点处于第一指定时间段的监控图像对应的占用风险值和采集时间点处于第二指定时间段的监控图像对应的占用风险值进行运算,包括:
通过如下公式进行计算:
其中,FA1为采集时间点处于第一指定时间段的监控图像对应的占用风险值;FA2为采集时间点处于第一指定时间段的监控图像对应的占用风险值。
6.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
依据预设的风险占用值范围与风险等级的对应关系,确定所述目标风险占用值对应的目标风险等级;
当所述目标风险等级用于指示高风险时,进行告警处理。
7.一种风险识别装置,其特征在于,所述装置包括:
图像获取模块,用于获取指定时间段内采集的至少一帧目标区域的监控图像;
第一确定模块,用于当依据所述监控图像确定所述目标区域被至少一个目标对象占用时,确定所述监控图像中各目标对象所处的图像区域在所述监控图像中的面积占比;依据所述监控图像中各目标对象对应的面积占比、和各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值;所述占用风险值是指所述目标区域被占用的风险值;
第二确定模块,用于依据各监控图像对应的占用风险值确定所述目标区域在所述指定时间段内被占用的目标风险值;
所述第一确定模块依据监控图像中各目标对象对应的面积占比、各目标对象所属类别对应的风险权重,确定所述目标区域的占用风险值,包括:
针对所述监控图像中的每一目标对象,利用该目标对象对应的面积占比和预设的该目标对象所属类别对应的风险权重进行第一设定运算,得到该目标对象对应的第一运算结果;
利用所述监控图像中各目标对象对应的第一运算结果进行第二设定运算,得到第二运算结果,将所述第二运算结果确定为所述目标区域的占用风险值;其中,所述第一设定运算为相乘运算,所述第二设定运算为求和运算。
8.一种电子设备,其特征在于,所述设备包括可读存储介质和处理器;
其中,所述可读存储介质,用于存储机器可执行指令;
所述处理器,用于读取所述可读存储介质上的所述机器可执行指令,并执行所述指令以实现权利要求1-6任一所述方法的步骤。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010406739.8A CN111614938B (zh) | 2020-05-14 | 2020-05-14 | 一种风险识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010406739.8A CN111614938B (zh) | 2020-05-14 | 2020-05-14 | 一种风险识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111614938A CN111614938A (zh) | 2020-09-01 |
CN111614938B true CN111614938B (zh) | 2021-11-02 |
Family
ID=72197995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010406739.8A Active CN111614938B (zh) | 2020-05-14 | 2020-05-14 | 一种风险识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111614938B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524691B (zh) * | 2023-07-05 | 2023-10-20 | 广东电网有限责任公司广州供电局 | 输电线路隐患告警方法、装置、存储介质及计算机设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1486932A2 (de) * | 2003-06-05 | 2004-12-15 | DaimlerChrysler AG | Bildverarbeitungssystem für ein Fahrzeug |
CN105513264A (zh) * | 2015-11-27 | 2016-04-20 | 公安部上海消防研究所 | 大型物流仓储风险源监控平台 |
CN105913184A (zh) * | 2016-04-11 | 2016-08-31 | 青岛理工大学 | 基于实时监测数据的尾矿坝失稳风险评价方法 |
CN106096838A (zh) * | 2016-06-14 | 2016-11-09 | 广州市恒迅技防系统有限公司 | 基于模糊综合评价模型的建筑火灾安全评估方法及系统 |
CN106570647A (zh) * | 2016-11-08 | 2017-04-19 | 北京师范大学 | 基于地下水污染风险评价的傍河水源地水质安全预警方法 |
CN107909492A (zh) * | 2017-11-30 | 2018-04-13 | 河南云保遥感科技有限公司 | 一种利用机器学习技术的农业保险查勘定损方法 |
CN109166295A (zh) * | 2018-09-21 | 2019-01-08 | 中科海慧(天津)科技有限公司 | 一种沙漠化灾害预警方法 |
CN109241896A (zh) * | 2018-08-28 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 一种通道安全检测方法、装置及电子设备 |
CN109284697A (zh) * | 2018-09-03 | 2019-01-29 | 江南大学 | 基于滑动窗口的应急通道占用实时检测方法 |
CN109389795A (zh) * | 2018-09-05 | 2019-02-26 | 深圳市中电数通智慧安全科技股份有限公司 | 动态火灾风险评估方法、装置、服务器及存储介质 |
CN109584494A (zh) * | 2018-10-25 | 2019-04-05 | 安徽含光软件开发有限公司 | 一种基于物联网的消防隐患巡查系统 |
CN110189355A (zh) * | 2019-05-05 | 2019-08-30 | 暨南大学 | 安全疏散通道占用检测方法、装置、电子设备及存储介质 |
CN110555617A (zh) * | 2019-09-05 | 2019-12-10 | 消检通(深圳)科技有限公司 | 一种基于物联网的建筑火灾风险实时动态定量评估方法 |
CN110659606A (zh) * | 2019-09-23 | 2020-01-07 | 重庆商勤科技有限公司 | 消防通道占用识别方法、装置、计算机设备及存储介质 |
CN111047099A (zh) * | 2019-12-16 | 2020-04-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160010847A1 (en) * | 2014-03-11 | 2016-01-14 | Jaeger Arneaux Bellows | Baton Combination Tool |
CN106303403B (zh) * | 2015-06-12 | 2019-03-12 | 中国人民公安大学 | 监控装置预置位设置、切换方法及系统 |
US11307042B2 (en) * | 2015-09-24 | 2022-04-19 | Allstate Insurance Company | Three-dimensional risk maps |
CN106228499A (zh) * | 2016-07-06 | 2016-12-14 | 东南大学 | 一种基于人‑车‑路‑货多风险源的货运安全评价模型 |
CN109102166A (zh) * | 2018-07-23 | 2018-12-28 | 深圳市中电数通智慧安全科技股份有限公司 | 一种综合火灾风险评估方法、装置及服务器 |
CN110956396A (zh) * | 2019-12-02 | 2020-04-03 | 天津大海云科技有限公司 | 一种基于单体建筑的消防风险评估方法 |
CN111063099A (zh) * | 2019-12-02 | 2020-04-24 | 合肥美的智能科技有限公司 | 货柜监控方法、系统和装置、货柜及计算机可读存储介质 |
-
2020
- 2020-05-14 CN CN202010406739.8A patent/CN111614938B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1486932A2 (de) * | 2003-06-05 | 2004-12-15 | DaimlerChrysler AG | Bildverarbeitungssystem für ein Fahrzeug |
CN105513264A (zh) * | 2015-11-27 | 2016-04-20 | 公安部上海消防研究所 | 大型物流仓储风险源监控平台 |
CN105913184A (zh) * | 2016-04-11 | 2016-08-31 | 青岛理工大学 | 基于实时监测数据的尾矿坝失稳风险评价方法 |
CN106096838A (zh) * | 2016-06-14 | 2016-11-09 | 广州市恒迅技防系统有限公司 | 基于模糊综合评价模型的建筑火灾安全评估方法及系统 |
CN106570647A (zh) * | 2016-11-08 | 2017-04-19 | 北京师范大学 | 基于地下水污染风险评价的傍河水源地水质安全预警方法 |
CN107909492A (zh) * | 2017-11-30 | 2018-04-13 | 河南云保遥感科技有限公司 | 一种利用机器学习技术的农业保险查勘定损方法 |
CN109241896A (zh) * | 2018-08-28 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 一种通道安全检测方法、装置及电子设备 |
CN109284697A (zh) * | 2018-09-03 | 2019-01-29 | 江南大学 | 基于滑动窗口的应急通道占用实时检测方法 |
CN109389795A (zh) * | 2018-09-05 | 2019-02-26 | 深圳市中电数通智慧安全科技股份有限公司 | 动态火灾风险评估方法、装置、服务器及存储介质 |
CN109166295A (zh) * | 2018-09-21 | 2019-01-08 | 中科海慧(天津)科技有限公司 | 一种沙漠化灾害预警方法 |
CN109584494A (zh) * | 2018-10-25 | 2019-04-05 | 安徽含光软件开发有限公司 | 一种基于物联网的消防隐患巡查系统 |
CN110189355A (zh) * | 2019-05-05 | 2019-08-30 | 暨南大学 | 安全疏散通道占用检测方法、装置、电子设备及存储介质 |
CN110555617A (zh) * | 2019-09-05 | 2019-12-10 | 消检通(深圳)科技有限公司 | 一种基于物联网的建筑火灾风险实时动态定量评估方法 |
CN110659606A (zh) * | 2019-09-23 | 2020-01-07 | 重庆商勤科技有限公司 | 消防通道占用识别方法、装置、计算机设备及存储介质 |
CN111047099A (zh) * | 2019-12-16 | 2020-04-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
公共场所紧急疏散风险研究;麦永耀;《中国优秀硕士学位论文全文数据库》;20140715(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111614938A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108965826B (zh) | 监控方法、装置、处理设备及存储介质 | |
CN206058455U (zh) | 一种具备三种等级烟雾识别的火灾图像识别系统 | |
CN111488799A (zh) | 一种基于图像识别的坠落物识别方法及系统 | |
CN108830143A (zh) | 一种基于深度学习的视频分析系统 | |
CN111614938B (zh) | 一种风险识别方法及装置 | |
CN111178828A (zh) | 一种建筑消防安全预警的方法和系统 | |
CN111815177A (zh) | 消防安全评估方法、服务器、系统及存储介质 | |
CN113112241A (zh) | 基于数据信息特征识别和深度学习的消防数据平台建立管理方法 | |
CN114997754B (zh) | 基于云模型及熵权法的应急预案分析方法及装置 | |
CN113792972A (zh) | 一种消防安全管理方法 | |
CN115660922A (zh) | 一种基于物联网的智慧安消一体化预警管理系统 | |
US20200117840A1 (en) | Injection of simulated sources in a system of networked sensors | |
CN117495113B (zh) | 建筑消防安全评估方法、设备和介质 | |
CN111359132B (zh) | 一种基于人工智能的智慧消防警报方法及系统 | |
KR20220028852A (ko) | 영상기반의 화재감지시스템 및 이를 이용한 실시간 상황 전파 장치 | |
CN111582183A (zh) | 一种公共场所的口罩识别方法及系统 | |
CN218145195U (zh) | 一种楼宇群租监控系统 | |
JP6650659B2 (ja) | 不審者検出装置およびプログラム | |
CN112949442B (zh) | 一种异常事件预识别方法、装置、电子设备及监控系统 | |
CN115376268A (zh) | 一种基于图像识别的监控报警消防联动系统 | |
CN115841730A (zh) | 视频监控系统、异常事件检测方法 | |
EP3825875B1 (en) | Installation environment estimation device and program | |
CN112329608A (zh) | 一种基于大数据分析的智慧消防监测管理云平台 | |
CN111882800A (zh) | 一种基于多维度数据联动的消防预警方法及系统 | |
CN117911958B (zh) | 一种消防监控视频大数据智能管理方法 |
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 |