CN111614969A - 无人机巡视视频直播方法及系统 - Google Patents
无人机巡视视频直播方法及系统 Download PDFInfo
- Publication number
- CN111614969A CN111614969A CN202010410985.0A CN202010410985A CN111614969A CN 111614969 A CN111614969 A CN 111614969A CN 202010410985 A CN202010410985 A CN 202010410985A CN 111614969 A CN111614969 A CN 111614969A
- Authority
- CN
- China
- Prior art keywords
- video
- video stream
- unmanned aerial
- aerial vehicle
- tower
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000007547 defect Effects 0.000 claims description 51
- 238000001514 detection method Methods 0.000 claims description 50
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
- H04N21/218—Source of audio or video content, e.g. local disk arrays
- H04N21/2187—Live feed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/239—Interfacing the upstream path of the transmission network, e.g. prioritizing client content requests
- H04N21/2393—Interfacing the upstream path of the transmission network, e.g. prioritizing client content requests involving handling client requests
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client
- H04N21/65—Transmission of management data between client and server
- H04N21/658—Transmission by the client directed to the server
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明提供一种无人机巡视视频直播方法及系统,包括:控制终端将巡视指令发送至无人机;无人机基于所述巡视指令,移动至指定位置开启摄像装置,采集得到视频流,并将所述视频流发送至控制终端;控制终端将所述视频流发送至后台服务器;后台服务器将所述视频流发送至流媒体服务器以及监控器;流媒体服务器存储所述视频流;监控器显示所述视频流对应的视频图像。通过本发明,在对电力设备进行巡检时,通过操纵无人机进行巡视拍摄,并对拍摄得到的视频图像进行实时直播,减少了人工工作量,提升了巡视效率。
Description
技术领域
本发明涉及无人机技术领域,尤其涉及一种无人机巡视视频直播方法及系统。
背景技术
电力设备巡检是保证电力设备安全运行的一项重要工作,目前国内普遍采用人工巡视、手工记录的方式,这种方式存在人力成本高、工作效率低、巡检数据信息化程度低等缺陷,尤其是在杆塔巡检工作中,还存在有些杆塔地处偏僻地区,人员无法到达,或有些设备安装位置较高,人员攀爬不便等问题。
发明内容
本发明的主要目的在于提供一种无人机巡视视频直播方法及系统,旨在解决现有技术中存在的上述问题。
为实现上述目的,本发明实施例提供一种无人机巡视视频直播方法,所述无人机巡视视频直播方法包括:
控制终端将巡视指令发送至无人机;
无人机基于所述巡视指令,移动至指定位置开启摄像装置,采集得到视频流,并将所述视频流发送至控制终端;
控制终端将所述视频流发送至后台服务器;
后台服务器将所述视频流发送至流媒体服务器以及监控器;
流媒体服务器存储所述视频流;
监控器显示所述视频流对应的视频图像。
可选的,在所述控制终端将所述视频流发送至后台服务器之后,还包括:
后台服务器对所述视频流进行解码,得到若干张视频帧;
对每张视频帧进行缺陷检测,得到每张视频帧的检测结果;
将检测结果为存在缺陷的视频帧发送至流媒体服务器以及监控器。
可选的,所述视频流为对杆塔进行拍摄得到的视频流,所述对每张视频帧进行缺陷检测,得到每张视频帧的检测结果包括:
将每张视频帧分别输入杆塔缺陷检测模型,得到每张视频帧的检测结果。
可选的,在所述后台服务器对所述视频流进行解码,得到若干张视频帧之前还包括:
后台服务器通过样本图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到杆塔缺陷检测模型,其中,样本图片包括正常的杆塔图片以及存在缺陷的杆塔图片。
可选的,在所述流媒体服务器存储所述视频流之后,还包括:
当流媒体服务器接收到点播端发送的点播指令时,从存储的数据中查找所述点播指令对应的目标数据,并将所述目标数据返回至点播端。
此外,为实现上述目的,本发明实施例还提供一种无人机巡视视频直播系统,所述系统包括:
控制终端,用于将巡视指令发送至无人机;
无人机,用于基于所述巡视指令,移动至指定位置开启摄像装置,采集得到视频流,并将所述视频流发送至控制终端;
控制终端,还用于将所述视频流发送至后台服务器;
后台服务器,用于将所述视频流发送至流媒体服务器以及监控器;
流媒体服务器,用于存储所述视频流;
监控器,用于显示所述视频流对应的视频图像。
可选的,后台服务器,还用于:
对所述视频流进行解码,得到若干张视频帧;
对每张视频帧进行缺陷检测,得到每张视频帧的检测结果;
将检测结果为存在缺陷的视频帧发送至流媒体服务器以及监控器。
可选的,视频流为对杆塔进行拍摄得到的视频流,后台服务器,还用于:
将每张视频帧分别输入杆塔缺陷检测模型,得到每张视频帧的检测结果。
可选的,后台服务器,还用于:
通过样本图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到杆塔缺陷检测模型,其中,样本图片包括正常的杆塔图片以及存在缺陷的杆塔图片。
可选的,流媒体服务器,还用于:
接收到点播端发送的点播指令时,从存储的数据中查找所述点播指令对应的目标数据,并将所述目标数据返回至点播端。
本发明中,控制终端将巡视指令发送至无人机;无人机基于所述巡视指令,移动至指定位置开启摄像装置,采集得到视频流,并将所述视频流发送至控制终端;控制终端将所述视频流发送至后台服务器;后台服务器将所述视频流发送至流媒体服务器以及监控器;流媒体服务器存储所述视频流;监控器显示所述视频流对应的视频图像。通过本发明,在对电力设备进行巡检时,通过操纵无人机进行巡视拍摄,并对拍摄得到的视频图像进行实时直播,减少了人工工作量,提升了巡视效率。
附图说明
图1为本发明无人机巡视视频直播方法一实施例的流程示意图;
图2为本发明无人机巡视视频直播方法一实施例的场景示意图;
图3为本发明无人机巡视视频直播系统一实施例的系统架构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明无人机巡视视频直播方法一实施例的流程示意图。在一实施例中,无人机巡视视频直播方法包括:
步骤S10,控制终端将巡视指令发送至无人机;
本实施例中,控制终端与无人机建立无线通信连接,由无人机操纵者在控制终端上手动操作,控制终端将基于手动操作触发的巡视指令发送至无人机。
步骤S20,无人机基于所述巡视指令,移动至指定位置开启摄像装置,采集得到视频流,并将所述视频流发送至控制终端;
本实施例中,无人机接收到控制终端发送的巡视指令后,移动至指定位置并开启摄像装置开始拍摄,得到视频流,并将视频流发送至控制终端。
步骤S30,控制终端将所述视频流发送至后台服务器;
本实施例中,控制终端接收到无人机发送的视频流后,将视频流发送至后台服务器。具体可以通过RTMP推流的方式将视频流发送至后台服务器。其中,RTMP即Real TimeMessaging Protocol,实时消息传输协议。
步骤S40,后台服务器将所述视频流发送至流媒体服务器以及监控器;
本实施例中,后台服务器将接收到的视频流进一步发送至流媒体服务器以及监控器。
步骤S50,流媒体服务器存储所述视频流;
本实施例中,流媒体服务器接收到来自后台服务器的视频流后,对视频流进行存储。
步骤S60,监控器显示所述视频流对应的视频图像。
本实施例中,监控器接收到来自后台服务器的视频流后,对视频流进行解码,然后将解码得到的视频图像显示在监控器屏幕上。
参照图2,图2为本发明无人机巡视视频直播方法一实施例的场景示意图。如图2所示,无人机与控制终端建立无线通信连接,以供将拍摄得到的视频流发送至控制终端,控制终端与后台服务器建立无线通信连接,通过RTMP推流的方式,将视频流发送至后台服务器,后台服务器分别与流媒体服务器以及监控器建立有线/无线通信连接,将视频流分别发送至流媒体服务器和监控器,以供流媒体服务器存储视频流,监控器实时显示视频流对应的视频图像。
本实施例中,控制终端将巡视指令发送至无人机;无人机基于所述巡视指令,移动至指定位置开启摄像装置,采集得到视频流,并将所述视频流发送至控制终端;控制终端将所述视频流发送至后台服务器;后台服务器将所述视频流发送至流媒体服务器以及监控器;流媒体服务器存储所述视频流;监控器显示所述视频流对应的视频图像。通过本实施例,在对电力设备进行巡检时,通过操纵无人机进行巡视拍摄,并对拍摄得到的视频图像进行实时直播,减少了人工工作量,提升了巡视效率。
进一步地,一实施例中,步骤S30之后,还包括:
后台服务器对所述视频流进行解码,得到若干张视频帧;对每张视频帧进行缺陷检测,得到每张视频帧的检测结果;将检测结果为存在缺陷的视频帧发送至流媒体服务器以及监控器。
本实施例中,视频流是由无人机拍摄得到的视频帧编码而成,后台服务器对视频流进行解码,即可得到若干视频帧。基于图像检测技术,对每张视频帧进行缺陷检测,从而得到每张视频帧的检测结果,其中,检测结果包括两种:正常、存在缺陷。将检测结果为存在缺陷的视频帧发送至流媒体服务器以及监控器。以供在监控器的显示屏上实时显示存在缺陷的视频帧,以及在流媒体服务器上存储存在缺陷的视频帧,使得后续可查看流媒体服务器上存储的数据。
进一步地,一实施例中,所述视频流为对杆塔进行拍摄得到的视频流,所述对每张视频帧进行缺陷检测,得到每张视频帧的检测结果包括:
将每张视频帧分别输入杆塔缺陷检测模型,得到每张视频帧的检测结果。
本实施例中,杆塔缺陷检测模型的实质为卷积神经网络,借助卷积神经网络实现图像检测,即将每张视频帧分别输入杆塔缺陷检测模型,得到每张视频帧的检测结果。
进一步地,一实施例中,在所述后台服务器对所述视频流进行解码,得到若干张视频帧之前还包括:
后台服务器通过样本图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到杆塔缺陷检测模型,其中,样本图片包括正常的杆塔图片以及存在缺陷的杆塔图片。
本实施例中,在使用杆塔缺陷检测模型对视频帧进行缺陷检测之前,需要通过样本图片对卷积神经网络模型进行训练,得到杆塔缺陷检测模型,其中,样本图片包括正常的杆塔图片以及存在缺陷的杆塔图片,正常的杆塔图片的数量与存在缺陷的杆塔图片的数量需保持相对一致,即两种类型图片的数量相差要小于一定值。其中,卷积神经网络模型分为三部分,第一部分为采用VGG-16作为基础网络的特征提取层,用于对输入的图片进行特征提取,第二部分为预测层,用于基于第一部分提取到的特征信息进行结果预测,第三部分为输出层,用于输出第二部分预测得到的结果。对卷积神经网络模型的训练过程具体如下:
将样本图片输入预置卷积神经网络模型之前,需要对图片进行预处理,预处理的方式可以是,将图片调整为统一的格式(如JPG),保证了图片输入一致性,有利于提高训练效果;将每张样本图片输入预置卷积神经网络模型,通过VGG-16网络提取每张样本图片的特征信息;根据预测层和每张样本图片的特征信息,预测样本图片为正常的杆塔图片还是存在缺陷的杆塔图片;输出预测结果;将每张样本图片的预测结果与各自对应的原始标注信息进行对比,得到每张样本图片对应的预测准确度,综合所有样本图片对应的预测准确度,得到综合准确率(即预测正确次数占样本图片总数的比例),以综合准确率作为map值;检测map值是否满足精度需求;若map值满足精度需求,则以预置卷积神经网络模型作为目标卷积神经网络模型;若map值不满足精度需求,则对预置卷积神经网络模型进行参数调整,得到新的卷积神经网络模型;将新的卷积神经网络模型作为预置卷积神经网络模型,并重复上述步骤。
其中,原始标注信息用于标记样本图片为正常的杆塔图片还是存在缺陷的杆塔图片。若一样本图片的预测结果与其原始标注信息一致,则预测准确度为1,否则为0。计算预测准确度为1的次数占样本图片总数的比例,得到map值。map值反应了卷积神经网络的优劣,map值越高,说明当前的卷积神经网络输出的结果越准确。本实施例中,可预设一个阈值,若map值高于阈值,即map值满足精度需求,则当前的卷积神经网络模型可用于对杆塔图片进行缺陷检测,则将当前的卷积神经网络模型作为杆塔缺陷检测模型。若map值低于阈值,则对预置卷积神经网络模型进行参数调整(参数调整的实施方式可参考现有技术,神经网络本质上是一个计算流程,在前端接收输入信号后,经过一层层复杂的运算,在最末端输出结果。然后将计算结果和正确结果相比较,得到误差,再根据误差通过相应计算方法改进网络内部的相关参数,使得网络下次再接收到同样的数据时,最终计算输出得到的结果与正确结果之间的误差能越来越小),得到新的卷积神经网络模型,然后将样本图片输入当前得到的新的卷积神经网络模型,并根据新的卷积神经网络模型针对样本图片输出的预测结果与样本图片的原始标注信息进行对比,得到新的map值,若map值大于预设阈值,则将新的卷积神经网络模型作为杆塔缺陷检测模型,否则重复上述步骤,直至map值大于预设阈值时,将对应的卷积神经网络模型作为杆塔缺陷检测模型。
进一步地,一实施例中,步骤S50之后,还包括:
当流媒体服务器接收到点播端发送的点播指令时,从存储的数据中查找所述点播指令对应的目标数据,并将所述目标数据返回至点播端。
本实施例中,流媒体服务器在存储视频流时将视频流与其对应的时间关联存储,后续若相关人员需要对视频流进行查看,即可通过点播端访问流媒体服务器,并选择要查看的时间段,将携带有时间段标记的点播指令发送至流媒体服务器,流媒体服务器接收到点播指令后,从存储的数据中查找时间段对应的目标数据,并将目标数据返回至点播端,实现了对无人机采集的视频流进行点播回看。
参照图3,图3为本发明无人机巡视视频直播系统一实施例的系统架构示意图。在一实施例中,无人机巡视视频直播系统包括:
控制终端10,用于将巡视指令发送至无人机;
无人机20,用于基于所述巡视指令,移动至指定位置开启摄像装置,采集得到视频流,并将所述视频流发送至控制终端;
控制终端30,还用于将所述视频流发送至后台服务器;
后台服务器40,用于将所述视频流发送至流媒体服务器以及监控器;
流媒体服务器50,用于存储所述视频流;
监控器60,用于显示所述视频流对应的视频图像。
进一步地,一实施例中,后台服务器40,还用于:
对所述视频流进行解码,得到若干张视频帧;
对每张视频帧进行缺陷检测,得到每张视频帧的检测结果;
将检测结果为存在缺陷的视频帧发送至流媒体服务器以及监控器。
进一步地,一实施例中,视频流为对杆塔进行拍摄得到的视频流,后台服务器40,还用于:
将每张视频帧分别输入杆塔缺陷检测模型,得到每张视频帧的检测结果。
进一步地,一实施例中,后台服务器40,还用于:
通过样本图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到杆塔缺陷检测模型,其中,样本图片包括正常的杆塔图片以及存在缺陷的杆塔图片。
进一步地,一实施例中,流媒体服务器50,还用于:
接收到点播端发送的点播指令时,从存储的数据中查找所述点播指令对应的目标数据,并将所述目标数据返回至点播端。
本发明无人机巡视视频直播系统的具体实施例与上述无人机巡视视频直播方法的各个实施例基本相同,在此不做赘述。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种无人机巡视视频直播方法,其特征在于,所述无人机巡视视频直播方法包括:
控制终端将巡视指令发送至无人机;
无人机基于所述巡视指令,移动至指定位置开启摄像装置,采集得到视频流,并将所述视频流发送至控制终端;
控制终端将所述视频流发送至后台服务器;
后台服务器将所述视频流发送至流媒体服务器以及监控器;
流媒体服务器存储所述视频流;
监控器显示所述视频流对应的视频图像。
2.如权利要求1所述的方法,其特征在于,在所述控制终端将所述视频流发送至后台服务器之后,还包括:
后台服务器对所述视频流进行解码,得到若干张视频帧;
对每张视频帧进行缺陷检测,得到每张视频帧的检测结果;
将检测结果为存在缺陷的视频帧发送至流媒体服务器以及监控器。
3.如权利要求2所述的方法,其特征在于,所述视频流为对杆塔进行拍摄得到的视频流,所述对每张视频帧进行缺陷检测,得到每张视频帧的检测结果包括:
将每张视频帧分别输入杆塔缺陷检测模型,得到每张视频帧的检测结果。
4.如权利要求3所述的方法,其特征在于,在所述后台服务器对所述视频流进行解码,得到若干张视频帧之前还包括:
后台服务器通过样本图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到杆塔缺陷检测模型,其中,样本图片包括正常的杆塔图片以及存在缺陷的杆塔图片。
5.如权利要求1所述的方法,其特征在于,在所述流媒体服务器存储所述视频流之后,还包括:
当流媒体服务器接收到点播端发送的点播指令时,从存储的数据中查找所述点播指令对应的目标数据,并将所述目标数据返回至点播端。
6.一种无人机巡视视频直播系统,其特征在于,所述系统包括:
控制终端,用于将巡视指令发送至无人机;
无人机,用于基于所述巡视指令,移动至指定位置开启摄像装置,采集得到视频流,并将所述视频流发送至控制终端;
控制终端,还用于将所述视频流发送至后台服务器;
后台服务器,用于将所述视频流发送至流媒体服务器以及监控器;
流媒体服务器,用于存储所述视频流;
监控器,用于显示所述视频流对应的视频图像。
7.如权利要求6所述的系统,其特征在于,后台服务器,还用于:
对所述视频流进行解码,得到若干张视频帧;
对每张视频帧进行缺陷检测,得到每张视频帧的检测结果;
将检测结果为存在缺陷的视频帧发送至流媒体服务器以及监控器。
8.如权利要求7所述的系统,其特征在于,视频流为对杆塔进行拍摄得到的视频流,后台服务器,还用于:
将每张视频帧分别输入杆塔缺陷检测模型,得到每张视频帧的检测结果。
9.如权利要求8所述的系统,其特征在于,后台服务器,还用于:
通过样本图片,基于迭代训练的方式对预置卷积神经网络模型进行训练,得到杆塔缺陷检测模型,其中,样本图片包括正常的杆塔图片以及存在缺陷的杆塔图片。
10.如权利要求6所述的系统,其特征在于,流媒体服务器,还用于:
接收到点播端发送的点播指令时,从存储的数据中查找所述点播指令对应的目标数据,并将所述目标数据返回至点播端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010410985.0A CN111614969A (zh) | 2020-05-14 | 2020-05-14 | 无人机巡视视频直播方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010410985.0A CN111614969A (zh) | 2020-05-14 | 2020-05-14 | 无人机巡视视频直播方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111614969A true CN111614969A (zh) | 2020-09-01 |
Family
ID=72203380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010410985.0A Pending CN111614969A (zh) | 2020-05-14 | 2020-05-14 | 无人机巡视视频直播方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111614969A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113542680A (zh) * | 2021-06-25 | 2021-10-22 | 郑州信源信息技术股份有限公司 | 一种远程异地开评标监控系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206117878U (zh) * | 2016-08-31 | 2017-04-19 | 浙江宇视科技有限公司 | 智能视频分析装置、设备及视频监控系统 |
CN108445767A (zh) * | 2018-05-16 | 2018-08-24 | 安徽建筑大学 | 一种基于无人机的可视化现场安全监督管理系统 |
CN108960134A (zh) * | 2018-07-02 | 2018-12-07 | 广东容祺智能科技有限公司 | 一种巡线无人机影像标注及智能识别方法 |
CN109215009A (zh) * | 2017-06-29 | 2019-01-15 | 上海金艺检测技术有限公司 | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 |
CN109712127A (zh) * | 2018-12-21 | 2019-05-03 | 云南电网有限责任公司电力科学研究院 | 一种用于机巡视频流的输电线路故障检测方法 |
CN109840600A (zh) * | 2018-12-29 | 2019-06-04 | 天津大学 | Bim辅助的供水渠道无人机在线协同巡检系统 |
CN209744069U (zh) * | 2019-03-29 | 2019-12-06 | 西安因诺航空科技有限公司 | 一种用于油气管道在线巡检装置 |
CN111007073A (zh) * | 2019-12-23 | 2020-04-14 | 华中科技大学 | 一种増材制造过程中零件缺陷在线检测的方法及检测系统 |
CN111008641A (zh) * | 2019-10-24 | 2020-04-14 | 云南电网有限责任公司昆明供电局 | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 |
-
2020
- 2020-05-14 CN CN202010410985.0A patent/CN111614969A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206117878U (zh) * | 2016-08-31 | 2017-04-19 | 浙江宇视科技有限公司 | 智能视频分析装置、设备及视频监控系统 |
CN109215009A (zh) * | 2017-06-29 | 2019-01-15 | 上海金艺检测技术有限公司 | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 |
CN108445767A (zh) * | 2018-05-16 | 2018-08-24 | 安徽建筑大学 | 一种基于无人机的可视化现场安全监督管理系统 |
CN108960134A (zh) * | 2018-07-02 | 2018-12-07 | 广东容祺智能科技有限公司 | 一种巡线无人机影像标注及智能识别方法 |
CN109712127A (zh) * | 2018-12-21 | 2019-05-03 | 云南电网有限责任公司电力科学研究院 | 一种用于机巡视频流的输电线路故障检测方法 |
CN109840600A (zh) * | 2018-12-29 | 2019-06-04 | 天津大学 | Bim辅助的供水渠道无人机在线协同巡检系统 |
CN209744069U (zh) * | 2019-03-29 | 2019-12-06 | 西安因诺航空科技有限公司 | 一种用于油气管道在线巡检装置 |
CN111008641A (zh) * | 2019-10-24 | 2020-04-14 | 云南电网有限责任公司昆明供电局 | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 |
CN111007073A (zh) * | 2019-12-23 | 2020-04-14 | 华中科技大学 | 一种増材制造过程中零件缺陷在线检测的方法及检测系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113542680A (zh) * | 2021-06-25 | 2021-10-22 | 郑州信源信息技术股份有限公司 | 一种远程异地开评标监控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109286855A (zh) | 全景视频的传输方法、传输装置和传输系统 | |
CN109688410A (zh) | 以支持辅助帧的视频编码格式编码视频流的方法及编码器 | |
CN106803997B (zh) | 一种音视频直播中检测客户端播放状态的系统及方法 | |
CN106292625B (zh) | 车辆故障在线检测系统及方法 | |
CN103078937B (zh) | 一种基于信息网络的多视频云端合成的方法、客户端、服务器及系统 | |
CN105430344A (zh) | 一种基于车载移动网络的p2p远程直播方法 | |
CN103108160B (zh) | 监控视频数据获取方法、服务器和终端 | |
US11363234B2 (en) | Video management system and video management method | |
US10917604B2 (en) | Captured image display device, captured image display method, and captured image display program | |
CN110560376B (zh) | 一种产品表面缺陷检测方法及装置 | |
CN114257760A (zh) | 视频拼接处理方法、智能机器人及系统 | |
CN106534347A (zh) | 基于lbs和自动拍照技术进行户外广告监测的方法 | |
CN111614969A (zh) | 无人机巡视视频直播方法及系统 | |
CN107580234B (zh) | 无线直播中的拍照方法、显示端、摄像头端及系统 | |
CN108881119B (zh) | 一种视频浓缩的方法、装置和系统 | |
US10225586B2 (en) | Method for transmitting video surveillance images | |
US10701122B2 (en) | Video streaming stitching and transmitting method, video streaming gateway and video streaming viewer | |
US9020038B2 (en) | Systems and methods for streaming and archiving video with geographic anchoring of frame contents | |
CN112565178B (zh) | 基于流媒体技术的无人机电力设备巡检系统 | |
CN115082768A (zh) | 一种基于相机的变电站压板状态识别的方法 | |
US20190095076A1 (en) | Video data streaming monitoring device, method, and program, and terminal device, and video data streaming monitoring system | |
CN108769579B (zh) | 故障巡视方法及系统 | |
CN109547845A (zh) | 一种视频标记方法及装置 | |
CN109493336B (zh) | 基于人工智能的视频马赛克识别自动学习的系统及方法 | |
CN117749987A (zh) | 视频采集方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |