CN111695632A - 一种基于自适应基准图像隐患库的隐患识别方法及装置 - Google Patents
一种基于自适应基准图像隐患库的隐患识别方法及装置 Download PDFInfo
- Publication number
- CN111695632A CN111695632A CN202010534411.4A CN202010534411A CN111695632A CN 111695632 A CN111695632 A CN 111695632A CN 202010534411 A CN202010534411 A CN 202010534411A CN 111695632 A CN111695632 A CN 111695632A
- Authority
- CN
- China
- Prior art keywords
- image
- hidden danger
- identified
- library
- similarity
- 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 23
- 239000013598 vector Substances 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 208000028571 Occupational disease Diseases 0.000 description 6
- 230000001681 protective effect Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000009931 harmful effect Effects 0.000 description 2
- 239000000383 hazardous chemical Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于自适应基准图像隐患库的隐患识别方法。包括获取待识别图像，将待识别图像导入至预设的基准图像隐患库进行图像配准，获得与待识别图像相似度最高的基准隐患图像；判断基准隐患图像是否与待识别图像匹配；若匹配成功，则将基准隐患图像的隐患类型作为待识别图像的隐患类别；若匹配失败，则更新基准图像隐患库。本发明还公开了一种基于自适应基准图像隐患库的隐患识别装置。本发明通过设置基准图像隐患库来对待识别图像自动识别，提高了隐患上报的准确率和效率，增加了安全生产管理水平。
Description
技术领域
本发明涉及安全生产技术领域，特别是涉及一种基于自适应基准图像隐患库的隐患识别方法及装置。
背景技术
安全生产中隐患管理是重点，然而目前大多是依靠人工巡检的方式进行隐患上报。由于安全生产工作人员工作任务繁杂，导致工作中容易出现疏漏；另一方面，水平参差不齐，业务熟练程度不足，难以准确评判隐患严重类型及严重程度。
针对现有隐患管理中的问题，急需通过隐患类型的自动识别方法，弥补人员工作的不足，提高安全管理水平。目前的隐患上报仅限于拍照上传，但是对于隐患的类型是依赖于人工经验进行评判的，无法根据上传照片，自动识别隐患类型，并进行提醒工作人员，以帮助工作人员快速准确定位隐患，提高工作效率。
发明内容
本发明目的是提供一种基于自适应基准图像隐患库的隐患识别方法及装置，能够提高隐患确定效率。
根据本发明的第一方面，提供了一种基于自适应基准图像隐患库的隐患识别方法，包括：
获取待识别图像，将待识别图像导入至预设的基准图像隐患库进行图像配准，获得与待识别图像相似度最高的基准隐患图像；
判断基准隐患图像是否与待识别图像匹配；
若匹配成功，则将基准隐患图像的隐患类型作为待识别图像的隐患类别；
若匹配失败，则更新基准图像隐患库。
进一步的，“将待识别图像导入至预设的基准图像隐患库进行图像配准，获得与待识别图像相似度最高的基准隐患图像”的具体过程为：
通过SIFT规则对待识别图像和基准图像隐患库中的一个基准隐患图像提取特征点，构成待识别图像与基准图像隐患库中的一个基准隐患图像的特征向量；
通过对特征向量进行Hausdorff距离处理，获得待识别图像与基准图像隐患库中的一个基准隐患图像的相似度；
重复上述步骤，得到基准图像隐患库中所有基准隐患图像与待识别图像的相似度，获取与待识别图像相似度最高的基准隐患图像。
进一步的，“判断基准隐患图像是否与待识别图像匹配”具体包括：
获取与待识别图像相似度最高的基准隐患图像的相似度值，并判断相似度值是否不小于预设的判断阈值；
若相似度值不小于预设的判断阈值，则匹配成功；
若相似度值小于预设的判断阈值，则匹配失败。
进一步的，“更新基准图像隐患库”具体包括：
将待识别图像保存入基准图像隐患库，并向用户端发送更新提示信息。
根据本发明的第二方面，提供了一种基于自适应基准图像隐患库的隐患识别装置，包括：
获取模块：获取待识别图像，将待识别图像导入至预设的基准图像隐患库进行图像配准，获得与待识别图像相似度最高的基准隐患图像；
判断模块：判断基准隐患图像是否与待识别图像匹配；
处理模块：若匹配成功，则将基准隐患图像的隐患类型作为待识别图像的隐患类别；
若匹配失败，则更新基准图像隐患库。
进一步的，获取模块包括：
第一处理单元：通过SIFT规则对待识别图像和基准图像隐患库中的一个基准隐患图像提取特征点，构成待识别图像与基准图像隐患库中的一个基准隐患图像的特征向量；
第二处理单元：通过对特征向量进行Hausdorff距离处理，获得待识别图像与基准图像隐患库中的一个基准隐患图像的相似度；
第一获取单元：重复上述步骤，得到基准图像隐患库中所有基准隐患图像与待识别图像的相似度，获取与待识别图像相似度最高的基准隐患图像。
进一步的，判断模块包括：
第一判断单元：获取与待识别图像相似度最高的基准隐患图像的相似度值，并判断相似度值是否不小于预设的判断阈值；
若相似度值不小于预设的判断阈值，则匹配成功；
若相似度值小于预设的判断阈值，则匹配失败。
进一步的，处理模块包括：
发送单元：将待识别图像保存入基准图像隐患库，并向用户端发送更新提示信息。
本发明的有益效果为：1.通过设置基准图像隐患库来对待识别图像自动识别，提高了隐患上报的准确率和效率，增加了安全生产管理水平。2.能够不断更新基准图像隐患库，将与基准图像隐患库中所有图像的相似度都不高的待识别图像审核后更新入基准图像隐患库中，丰富基准图像隐患库，使得基准图像隐患库的隐患上报准确率越来越高。
附图说明
图1是根据本发明一实施例的一种基于自适应基准图像隐患库的隐患识别方法的流程图；
图2是根据本发明一实施例的一种基于自适应基准图像隐患库的隐患识别装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了根据本发明一实施例的一种基于自适应基准图像隐患库的隐患识别方法的流程，包括：
S11、获取待识别图像，将待识别图像导入至预设的基准图像隐患库进行图像配准，获得与待识别图像相似度最高的基准隐患图像。
本方法的执行主体可以是服务器。
在本说明书实施例中，当服务器获取到发送来的待识别图像后，会将待识别图像导入预设的基准图像隐患库图像匹配。
其中，待识别图像是工作人员通过手机巡检APP或者手机相机对待检隐患点进行拍照而获取到的图像，工作人员在拍摄完毕图像后便会将图像上传至服务器。基准图像隐患库是根据预先创建好的另一个文本隐患库而同样预先创建好的数据库，文本隐患库是由管业人员根据经验以及相关法律法规总结整理，由管理层领导审批通过后而输入保存至其中的隐患库，其中的隐患描述包括隐患类别、隐患内容、隐患说明。基准图像隐患库是根据文本隐患的隐患描述采集图像，每一项隐患描述对应一个图像，将这些图像整合起来形成的，由于每个隐患类型的实物可能需要从多个角度进行隐患上报，因此对于每个隐患类型创建基准图像时，每个隐患类型对应的是多个基准图像，即每个隐患类型对应一组基准图像。
文本隐患库中，隐患类别可以分为：防护、保险、信号等装置装备；原辅物料、产品；职业病危害。防护、保险、信号等装置装备类别的隐患内容可以分为：无防护；防护装置、设施缺陷；防护不当；其他。无防护的隐患说明可以是：没有实施必要的防护措施，如无防护罩、无安全保险装置、无报警装置、未安装防止“跑车”的挡车器或挡车栏等。防护装置、设施缺陷的隐患说明可以是：防护装置、设施本身安全性、可靠性差，包括防护装置、设施损坏、失效、失灵等。防护不当的隐患说明可以是：未按规定配置、使用合格的防护装置、设施。原辅物料、产品的隐患内容可以分为：一般物品处置不当；危险化学品处置不当；其他。一般物品处置不当的隐患说明可以是：物品存放不当，如成品、半成品、材料和生产用品等在储存数量、堆码方式等方面存放不当；物品使用不当，未按规定搬运、使用物品；物品失效、过期、发生物理化学变化等。危险化学品处置不当的隐患说明可以是：对易燃、易爆、高温、高压、有毒有害等危险化学品处置错误，危险化学品失效、过期、发生物理化学变化，未按规定记录危险化学品出入库情况等。其他的隐患说明可以是：原辅料调整更换时，未进行安全评价等。职业病危害的隐患内容可以分为：职业病危害超标；职业病危害因素标识不清。职业病危害超标的隐患内容可以是：噪声强度超标，粉尘浓度超标，照度不足或过强，作业场所温度、湿度超出限值，缺氧或有毒有害气体超限，辐射强度超限等。职业病危害因素标识不清的隐患内容可以是：作业场所缺少防护设施，公告栏，警示标识等。
S12、判断基准隐患图像是否与待识别图像匹配。
在本说明书实施例中，服务器将会对基准隐患图像进行一次图像匹配来判断相似度最高的基准隐患图像是否与待识别图像匹配。
S13、若匹配成功，则将基准隐患图像的隐患类型作为待识别图像的隐患类别。
在本说明书实施例中，匹配成功后，服务器根据匹配结果将相似度最高的基准隐患图像作为待识别图像所对应的基准隐患图像，即该基准隐患图像的隐患描述便是待识别图像的隐患描述。
S14、若匹配失败，则更新基准图像隐患库。
在本说明书实施例中，匹配失败后，服务器则认为该待识别图像为一种新的隐患图像，不与库中的任何图像相对应，服务器进而将会根据该待识别图像更新基准图像隐患库，使其更加完善。
作为优选实施例，“将待识别图像导入至预设的基准图像隐患库进行图像配准，获得与待识别图像相似度最高的基准隐患图像”的具体过程为：通过SIFT规则对待识别图像和基准图像隐患库中的一个基准隐患图像提取特征点，构成待识别图像与基准图像隐患库中的一个基准隐患图像的特征向量；通过对特征向量进行Hausdorff距离处理，获得待识别图像与基准图像隐患库中的一个基准隐患图像的相似度；重复上述步骤，得到基准图像隐患库中所有基准隐患图像与待识别图像的相似度，获取与待识别图像相似度最高的基准隐患图像。
在本说明书实施例中，图像配准，是将待识别图像和基准图像隐患库中的图像进行配准，通过配准结果，获得与待识别图像最相似的基准隐患图像。
其中图像配准过程如下：1）通过SIFT算法对待识别图像img和基准隐患图像imgxy提取特征点，构成二者的特征向量；2）通过对特征向量进行Hausdorff距离进行计算，获得待识别图像与一个基准隐患图像的相似度；3）首先将img在一个隐患类型中对应的隐患图像组中找到一个相似度最大的图像；4）然后将img在每个隐患类型中的相似度最大值进行比较，得到一个隐患类间的最大相似度值，这个相似度对应的基准隐患图像就是上传的图像对应的匹配成功的图像；5）匹配成功的基准隐患图像所对应的隐患类型，即为待识别图像对应的隐患类别，其中最大相似度计算公式如下：
Sift(*)表示对图像进行Sift特征提取，获得Sift特征向量；Hausdorff(a,b)计算两个特征向量a、b间的Hausdorff距离，
计算每个隐患类型中所有基准图像与待识别图像的Hausdorff距离，获得每类的最大Hausdorff距离，即为一个隐患类型中对应的隐患图像组中找到一个最大相似度；
对每类的最大Hausdorff距离进行排序，取得所有类中最大的一个Hausdorff距离，这个值即为隐患类间的最大相似度值。
作为优选实施例，“判断基准隐患图像是否与待识别图像匹配”具体包括：获取与待识别图像相似度最高的基准隐患图像的相似度值，并判断相似度值是否不小于预设的判断阈值；若相似度值不小于预设的判断阈值，则匹配成功；若相似度值小于预设的判断阈值，则匹配失败。
在本说明书实施例中，当最大相似度不小于设定的阈值N时，匹配成功，服务器认为已有基准图像隐患库中包含待识别图像的隐患类型，服务器通过最大相似度对应的基准图像获取文本隐患库的信息，进而获取隐患类型等信息；当最大相似度小于设定的阈值N时，匹配失败。
作为优选实施例，“更新所述基准图像隐患库”具体包括：
将所述待识别图像保存入所述基准图像隐患库，并向用户端发送更新提示信息。
在本说明书实施例中，由于匹配失败，服务器认为已有的基准图像隐患库是不完整的，需要完善，将待识别图像保存入基准图像隐患库。然后通过向服用户端发送更新提示信息来提醒专业人士对新增基准图像进行隐患类型、严重程度、隐患描述的更新。
图2示出了根据本发明一实施例的一种基于自适应基准图像隐患库的隐患识别装置的结构，包括：
获取模块21：获取待识别图像，将待识别图像导入至预设的基准图像隐患库进行图像配准，获得与待识别图像相似度最高的基准隐患图像；
判断模块22：判断基准隐患图像是否与待识别图像匹配；
处理模块23：若匹配成功，则将基准隐患图像的隐患类型作为待识别图像的隐患类别；
若匹配失败，则更新基准图像隐患库。
作为优选实施例，获取模块包括：
第一处理单元：通过SIFT规则对待识别图像和基准图像隐患库中的一个基准隐患图像提取特征点，构成待识别图像与基准图像隐患库中的一个基准隐患图像的特征向量；
第二处理单元：通过对特征向量进行Hausdorff距离处理，获得待识别图像与基准图像隐患库中的一个基准隐患图像的相似度；
第一获取单元：重复上述步骤，得到基准图像隐患库中所有基准隐患图像与待识别图像的相似度，获取与待识别图像相似度最高的基准隐患图像。
作为优选实施例，判断模块包括：
第一判断单元：获取与待识别图像相似度最高的基准隐患图像的相似度值，并判断相似度值是否不小于预设的判断阈值；
若相似度值不小于预设的判断阈值，则匹配成功；
若相似度值小于预设的判断阈值，则匹配失败。
作为优选实施例，处理模块包括：
发送单元：将待识别图像保存入基准图像隐患库，并向用户端发送更新提示信息。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其他实施例中所包括的某些特征而不是其他特征，但是不同的实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求的保护的实施例的任意之一都可以以任意的组合方式来使用。
本领域普通技术人员可以理解：以上各实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (8)
1.一种基于自适应基准图像隐患库的隐患识别方法，其特征为，包括：
获取待识别图像，将所述待识别图像导入至预设的基准图像隐患库进行图像配准，获得与所述待识别图像相似度最高的基准隐患图像；
判断所述基准隐患图像是否与所述待识别图像匹配；
若匹配成功，则将所述基准隐患图像的隐患类型作为所述待识别图像的隐患类别；
若匹配失败，则更新所述基准图像隐患库。
2.根据权利要求1所述的一种基于自适应基准图像隐患库的隐患识别方法，其特征为，“将所述待识别图像导入至预设的基准图像隐患库进行图像配准，获得与所述待识别图像相似度最高的基准隐患图像”的具体过程为：
通过SIFT规则对所述待识别图像和所述基准图像隐患库中的一个基准隐患图像提取特征点，构成所述待识别图像与所述基准图像隐患库中的一个基准隐患图像的特征向量；
通过对所述特征向量进行Hausdorff距离处理，获得所述待识别图像与所述基准图像隐患库中的一个基准隐患图像的相似度；
重复上述步骤，得到所述基准图像隐患库中所有基准隐患图像与所述待识别图像的相似度，获取与所述待识别图像相似度最高的基准隐患图像。
3.根据权利要求1所述的一种基于自适应基准图像隐患库的隐患识别方法，其特征为，“判断所述基准隐患图像是否与所述待识别图像匹配”具体包括：
获取与所述待识别图像相似度最高的基准隐患图像的相似度值，并判断所述相似度值是否不小于预设的判断阈值；
若所述相似度值不小于预设的所述判断阈值，则匹配成功；
若所述相似度值小于预设的所述判断阈值，则匹配失败。
4.根据权利要求1所述的一种基于自适应基准图像隐患库的隐患识别方法，其特征为，“更新所述基准图像隐患库”具体包括：
将所述待识别图像保存入所述基准图像隐患库，并向用户端发送更新提示信息。
5.一种基于自适应基准图像隐患库的隐患识别装置，其特征为，包括：
获取模块：获取待识别图像，将所述待识别图像导入至预设的基准图像隐患库进行图像配准，获得与所述待识别图像相似度最高的基准隐患图像；
判断模块：判断所述基准隐患图像是否与所述待识别图像匹配；
处理模块：若匹配成功，则将所述基准隐患图像的隐患类型作为所述待识别图像的隐患类别；
若匹配失败，则更新所述基准图像隐患库。
6.根据权利要求5所述的一种基于自适应基准图像隐患库的隐患识别装置，其特征为，所述获取模块包括：
第一处理单元：通过SIFT规则对所述待识别图像和所述基准图像隐患库中的一个基准隐患图像提取特征点，构成所述待识别图像与所述基准图像隐患库中的一个基准隐患图像的特征向量；
第二处理单元：通过对所述特征向量进行Hausdorff距离处理，获得所述待识别图像与所述基准图像隐患库中的一个基准隐患图像的相似度；
第一获取单元：重复上述步骤，得到所述基准图像隐患库中所有基准隐患图像与所述待识别图像的相似度，获取与所述待识别图像相似度最高的基准隐患图像。
7.根据权利要求5所述的一种基于自适应基准图像隐患库的隐患识别装置，其特征为，所述判断模块包括：
第一判断单元：获取与所述待识别图像相似度最高的基准隐患图像的相似度值，并判断所述相似度值是否不小于预设的判断阈值；
若所述相似度值不小于预设的所述判断阈值，则匹配成功；
若所述相似度值小于预设的所述判断阈值，则匹配失败。
8.根据权利要求5所述的一种基于自适应基准图像隐患库的隐患识别装置，其特征为，所述处理模块包括：
发送单元：将所述待识别图像保存入所述基准图像隐患库，并向用户端发送更新提示信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010534411.4A CN111695632A (zh) | 2020-06-12 | 2020-06-12 | 一种基于自适应基准图像隐患库的隐患识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010534411.4A CN111695632A (zh) | 2020-06-12 | 2020-06-12 | 一种基于自适应基准图像隐患库的隐患识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111695632A true CN111695632A (zh) | 2020-09-22 |
Family
ID=72480745
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010534411.4A Pending CN111695632A (zh) | 2020-06-12 | 2020-06-12 | 一种基于自适应基准图像隐患库的隐患识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695632A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117195860A (zh) * | 2023-11-07 | 2023-12-08 | 品茗科技股份有限公司 | 智能巡检方法、系统、电子设备和计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120076422A1 (en) * | 2010-09-28 | 2012-03-29 | Futurewei Technologies, Inc. | System and Method for Image Authentication |
| US20150146991A1 (en) * | 2013-11-28 | 2015-05-28 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method of identifying object in image |
| CN104881820A (zh) * | 2015-06-08 | 2015-09-02 | 安徽中兴继远信息技术股份有限公司 | 一种利用智能手机的电力设备外破隐患排查系统及其控制方法 |
| CN107181319A (zh) * | 2017-05-03 | 2017-09-19 | 贵州电网有限责任公司 | 一种变电站硬压板状态智能巡检方法 |
| CN109827182A (zh) * | 2018-12-06 | 2019-05-31 | 上海金山环境再生能源有限公司 | 垃圾焚烧发电生产安全监测系统 |
| CN110310450A (zh) * | 2019-07-22 | 2019-10-08 | 软通智慧科技有限公司 | 一种基于可穿戴设备的电气火灾智能巡检系统及方法 |
-
2020
- 2020-06-12 CN CN202010534411.4A patent/CN111695632A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120076422A1 (en) * | 2010-09-28 | 2012-03-29 | Futurewei Technologies, Inc. | System and Method for Image Authentication |
| US20150146991A1 (en) * | 2013-11-28 | 2015-05-28 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method of identifying object in image |
| CN104881820A (zh) * | 2015-06-08 | 2015-09-02 | 安徽中兴继远信息技术股份有限公司 | 一种利用智能手机的电力设备外破隐患排查系统及其控制方法 |
| CN107181319A (zh) * | 2017-05-03 | 2017-09-19 | 贵州电网有限责任公司 | 一种变电站硬压板状态智能巡检方法 |
| CN109827182A (zh) * | 2018-12-06 | 2019-05-31 | 上海金山环境再生能源有限公司 | 垃圾焚烧发电生产安全监测系统 |
| CN110310450A (zh) * | 2019-07-22 | 2019-10-08 | 软通智慧科技有限公司 | 一种基于可穿戴设备的电气火灾智能巡检系统及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117195860A (zh) * | 2023-11-07 | 2023-12-08 | 品茗科技股份有限公司 | 智能巡检方法、系统、电子设备和计算机可读存储介质 |
| CN117195860B (zh) * | 2023-11-07 | 2024-03-26 | 品茗科技股份有限公司 | 智能巡检方法、系统、电子设备和计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310947A (zh) | 基于5g的建筑设施运维方法、设备、存储介质及系统 | |
| CN107330579A (zh) | 一种hse风险分级管控系统 | |
| EP0984413A3 (de) | Verfahren und Vorrichtung zur automatischen Waldbranderkennung | |
| CN112927461B (zh) | 一种新能源汽车充电桩预警决策方法及装置 | |
| CN111932709A (zh) | 一种基于ai识别实现加油站巡检作业违规安全监管的方法 | |
| CN112507892A (zh) | 基于深度学习的特种场所重点人员穿着识别处理的系统、方法、装置、处理器及其存储介质 | |
| CN113822385B (zh) | 基于图像的输煤异常监测方法、装置、设备及存储介质 | |
| CN113989503A (zh) | 一种生产线巡检系统、方法、电子设备及存储介质 | |
| CN114037939B (zh) | 一种危险品识别方法、识别装置、电子设备及存储介质 | |
| CN111695632A (zh) | 一种基于自适应基准图像隐患库的隐患识别方法及装置 | |
| CN114444996A (zh) | 一种基于多维度特征分析的物资仓库工作人员行为识别分析管理系统 | |
| CN115147939A (zh) | 一种大规模场景下的数据分发管理系统及方法 | |
| CN109828891B (zh) | 一种故障指示灯识别方法 | |
| CN110738077B (zh) | 一种异物检测方法及装置 | |
| CN112101180B (zh) | 一种人的不安全行为识别方法及系统 | |
| CN112149586A (zh) | 一种基于神经网络的视频片段自动抽取系统及方法 | |
| CN113343754A (zh) | 基于视频图像分析的危货监管系统及危货监管方法 | |
| CN111582676A (zh) | 一种工程监理监管系统 | |
| CN110826473A (zh) | 一种基于神经网络的绝缘子图像自动识别方法 | |
| CN116002480A (zh) | 电梯轿厢内乘客意外摔倒的自动检测方法和系统 | |
| CN115631169A (zh) | 产品检测方法、装置、电子设备及存储介质 | |
| CN116228097A (zh) | 一种危险品仓储应急管理系统 | |
| CN115456812A (zh) | 一种智慧工地管理方法、装置、设备及介质 | |
| CN112085612B (zh) | 车辆全损检测方法、装置、终端设备及存储介质 | |
| WO2020213408A1 (ja) | 危険予知方法及び危険予知装置 |
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: 20200922 |