CN111860419A - 电力检修过程中合规检测的方法、电子设备及存储介质 - Google Patents

电力检修过程中合规检测的方法、电子设备及存储介质 Download PDF

Info

Publication number
CN111860419A
CN111860419A CN202010746597.XA CN202010746597A CN111860419A CN 111860419 A CN111860419 A CN 111860419A CN 202010746597 A CN202010746597 A CN 202010746597A CN 111860419 A CN111860419 A CN 111860419A
Authority
CN
China
Prior art keywords
mask
object mask
image
area
image information
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
Application number
CN202010746597.XA
Other languages
English (en)
Inventor
邓立邦
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.)
Guangdong Intellvision Technology Co ltd
Original Assignee
Guangdong Intellvision 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 Guangdong Intellvision Technology Co ltd filed Critical Guangdong Intellvision Technology Co ltd
Priority to CN202010746597.XA priority Critical patent/CN111860419A/zh
Publication of CN111860419A publication Critical patent/CN111860419A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种电力检修过程中合规检测的方法及装置。本申请实施例提供的技术方案，通过采集电力检修过程中的图像信息，并采用掩膜局部神经网络模型对采集到的图像信息进行检测识别，进而判断在电力检修过程中相应的检修人员是否存在违规操作，通过上述进行摄像头图像监测的方式大大减少了安全检察员的工作量，并且通过摄像头识别的方式不会遗漏电力检修过程中的违规点，能够达到更好的监查的目的，且能够降低电力检修监查的人力成本。

Description

电力检修过程中合规检测的方法、电子设备及存储介质
技术领域
本申请实施例涉及电力检测技术领域，尤其涉及一种电力检修过程中合规检测的方法、电子设备及存储介质。
背景技术
目前，在电力检修过程中，不仅有相应的检修人员，还有安全检查人员对电力检修人员进行安全检查；安全检查人员在进行监控时，通常是通过人来进行观察，并辅助于摄像机来进行图像拍摄。如果检修时间较短的话，那么安全检查员能够对整个过程进行详细的观察记录，但是如果检修时间相对较长的话，这个过程中，则会出现安全检察员不能够专注的情况，此时，如果检修人员出现不合规的操作，那么则不能够及时的对其进行记录。因此，设计一种能够在电力检修过程中实时进行合规检测的方法称为本领域技术人员亟待解决的技术问题。
发明内容
本申请实施例提供一种电力检修过程中合规检测的方法、电子设备及存储介质，能够通过实时获取图像信息的方式来对电力检修过程中是否存在违规操作进行监控，大大降低了人工监控压力。
在第一方面，本申请实施例提供了一种电力检修过程中合规检测的方法，包括：
获取通过摄像头在预设采集区域采集到的图像信息；
采用训练后的掩膜局部神经网络模型对所述图像信息进行检测得到第一对象、第二对象和第三对象；所述第一对象包括检修人员，所述第二对象包括梯子，第三对象包括扶梯人员；
对所述图像信息进行分割得到对应的第一对象掩膜、第二对象掩膜和第三对象掩膜，并获取与所述第一对象掩膜、第二对象掩膜和第三对象掩膜对应的定位信息；
根据所述定位信息确定所述第一对象掩膜和第二对象掩膜以及第二对象掩膜和第三对象掩膜之间的交叠状态以进行合规检测。
进一步的，在所述获取通过摄像在预设采集区域采集到的图像信息之后，还包括：
对所述图像信息进行预处理；
在所述根据所述定位信息确定所述第一对象和第二对象以及第二对象和第三对象之间的交叠状态以进行合规检测之后，还包括：
当检测到电力检修过程中出现不合规操作时，对当前图像进行截取并对不合规操作进行次数统计。
进一步的，所述采用训练后的掩膜局部神经网络模型对所述图像信息进行检测得到第一对象、第二对象和第三对象；所述第一对象包括检修人员，所述第二对象包括梯子，第三对象包括扶梯人员；包括：
采用训练后的神经网络模型对所述图像信息进行检测得到相应的特征图；
将所述特征图输入至区域生成网络进行图像扫描得到多个感兴趣区域；
对多个所述感兴趣区域进行分类以及位置回归；
对进行所述分类以及位置回归之后的感兴趣区域执行感兴趣区域校准以得到的识别特征图；所述识别特征图包括固定大小的特征图；
将所述识别特征图输入至预测器进行检测以得到所述第一对象、第二对象和第三对象的分类识别结果，所述第一对象包括检修人员，所述第二对象包括梯子，第三对象包括扶梯人员。
进一步的，所述对所述图像信息进行分割得到对应的第一对象掩膜、第二对象掩膜和第三对象掩膜，包括：
对所述图像信息进行实例分割得到对应的第一对象掩膜、第二对象掩膜和第三对象掩膜。
进一步的，所述根据所述定位信息确定所述第一对象掩膜和第二对象掩膜以及第二对象掩膜和第三对象掩膜之间的交叠状态以进行合规检测，包括：
根据所述定位信息判断所述第一对象掩膜是否处于所述第二对象掩膜的上部区域且所述第一对象掩膜与第二对象掩膜之间交叠区域大于预设值，如果是，则执行下一步；
判断所述第三对象掩膜是否处于所述第二对象掩膜的下部区域且所述第三对象掩膜与第二对象掩膜之间存在交叠区域，如果是，则判断电力检修过程合规，如果否，则判断电力检修过程不合规。
进一步的，所述第一对象掩膜是否处于所述第二对象掩膜的上部区域且所述第一对象掩膜与第二对象掩膜之间交叠区域大于预设值，包括：
对所述第二对象掩膜所在区域进行图像补全，并获取图像补全后第二对象掩膜的第二像素点集合；
获取第一对象掩膜所处区域的第一像素点集合；
根据所述第一像素点集合与所述第二像素点集合确定第一交叠区域；
判断所述第一交叠区域是否处于所述第二对象掩膜的上部区域且所述第一交叠区域的面积是否大于预设值；
所述判断所述第三对象掩膜是否处于所述第二对象掩膜的下部区域且所述第三对象掩膜与第二对象掩膜之间存在交叠区域，包括：
对所述第二对象掩膜所在区域进行图像补全，并获取图像补全后第二对象掩膜的第二像素点集合；
获取第三对象掩膜所处区域的第三像素点集合；
判断所述第二像素点集合与所述第三像素点集合是否存在第二交叠区域且所述第二交叠区域位于第二对象掩膜的下部区域。
进一步的，在所述根据所述定位信息确定所述第一对象掩膜和第二对象掩膜以及第二对象掩膜和第三对象掩膜之间的交叠状态以进行合规检测之前，还包括：
采用训练后的掩膜局部神经网络模型识别所述第三对象的姿态信息，根据所述姿态信息得到第三对象的关节连接点；
对应的，所述根据所述定位信息确定第二对象掩膜和第三对象掩膜之间的交叠状态，包括：
根据所述定位信息确定第三对象的手部区域掩膜与第二对象掩膜之间的交叠状态；或，
根据所述定位信息确定第三对象的臂腕区域掩膜与第二对象掩膜之间的交叠状态。
在第二方面，本申请实施例提供了一种电力检修过程中合规检测的装置，包括：
获取模块：用于获取通过摄像头在预设采集区域采集到的图像信息；
检测模块：用于采用训练后的掩膜局部神经网络模型对所述图像信息进行检测得到第一对象、第二对象和第三对象；所述第一对象包括检修人员，所述第二对象包括梯子，第三对象包括扶梯人员；
分割模块：用于对所述图像信息进行分割得到对应的第一对象掩膜、第二对象掩膜和第三对象掩膜，并获取与所述第一对象掩膜、第二对象掩膜和第三对象掩膜对应的定位信息；
确定模块：用于根据所述定位信息确定所述第一对象掩膜和第二对象掩膜以及第二对象掩膜和第三对象掩膜之间的交叠状态以进行合规检测。
在第三方面，本申请实施例提供了一种电子设备，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的电力检修过程中合规检测的方法。
在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的电力检修过程中合规检测的方法。
本申请实施例通过采集电力检修过程中的图像信息，并采用掩膜局部神经网络模型对采集到的图像信息进行检测识别，进而判断在电力检修过程中相应的检修人员是否存在违规操作，通过上述进行摄像头图像监测的方式大大减少了安全检察员的工作量，并且通过摄像头识别的方式不会遗漏电力检修过程中的违规点，能够达到更好的监查的目的，且能够降低电力检修监查的人力成本。
附图说明
图1是本申请实施例提供的一种电力检修过程中合规检测的方法的流程图；
图2是本申请实施例提供的采用掩膜局部神经网络模型进行检测的流程图；
图3是本申请提供的图像检测的效果图示；
图4是本申请提供的进行实例分割的效果图示；
图5是本申请提供的进行姿态检测的效果图示；
图6是本申请实施例提供的第一对象与第二对象交叠判断的流程图；
图7是本申请实施例提供的第三对象与第二对象交叠判断的流程图；
图8是本申请实施例提供的进行合规检测的效果图示；
图9是本申请实施例提供的一种电力检修过程中合规检测的装置的结构示意图；
图10是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
在电力检修过程中，不仅有相应的检修人员，还有安全检查人员对电力检修人员进行安全检查，在整个检修过程中，安全检查员并不一定能够时时刻刻对现场进行监控。基于此，本申请提供了一种电力检修过程中合规检测的方法，通过采集电力检修过程中的图像信息，并采用掩膜局部神经网络模型对采集到的图像信息进行检测识别，进而判断在电力检修过程中相应的检修人员是否存在违规操作，通过上述进行摄像头图像监测的方式大大减少了安全检察员的工作量，并且通过摄像头识别的方式不会遗漏电力检修过程中的违规点，能够达到更好的监查的目的，且能够降低电力检修监查的人力成本。
图1给出了本申请实施例提供的一种电力检修过程中合规检测的方法的流程图，本实施例中提供的电力检修过程中合规检测的方法可以由电力检修过程中合规检测的设备执行，该电力检修过程中合规检测的设备可以通过软件和/或硬件的方式实现，该电力检修过程中合规检测的设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该电力检修过程中合规检测的设备可以是电脑，手机，平板或后台服务器等。
下述以后台服务器为执行电力检修过程中合规检测的方法的设备为例，进行描述。参照图1，该电力检修过程中合规检测的方法具体包括：
S101：获取通过摄像头在预设采集区域采集到的图像信息。
本步骤主要是为了实时获取检修区的图像，摄像头的位置设置可以是通过人手持摄像头来进行拍摄，也可以是通过固定架来对摄像头进行固定，摄像头是朝向检修区进行图像的获取。
进一步的，在所述获取通过摄像在预设采集区域采集到的图像信息之后，还包括：
S1011：对所述图像信息进行预处理。
在本申请实施例中，图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。
S102：采用训练后的掩膜局部神经网络模型对所述图像信息进行检测得到第一对象、第二对象和第三对象；所述第一对象包括检修人员，所述第二对象包括梯子，第三对象包括扶梯人员。
在图像识别中，会存在有多种方式与模型来进行图像监测。在进行图像检测时会存在有如下两种图像识别方式：图像分类和图像检测。
图像分类也即是对一幅图进行分类判断，比如现在有一副图像，该图像中有一只猫，采用图像分类的方式对其进行识别时，是对整幅图像进行判断，判断该幅图像中是否有猫，最终输出的结果是有猫或者无猫。图像检测是对图像中存在的所有物体来进行检测，图3是本申请提供的图像检测的效果图示，如图3所示，通过采用框线来圈出图中出现的物体并对其进行检测标注。当具体到人-梯-人的合规检测时，如果采用图像分类的方式，则是需要获取到大量的图像然后对其进行训练，最终得到相应的识别模型来进行图像分类判断；这种方式虽然思路简单，但是最终得到的模型识别精度以及判断的准确性却并不高，不能够满足实际需求。因为如果在监测过程中由于误报使得使用者对其准确性产生质疑，那么并不会减少相应人员的工作量，还增加了人员对该监测方式校对的工作量。同样的，采用图像检测的方式，由于是采用框线标注，从一定程度并不能够反应图中物体的准确形态，并且由于框线在进行选取时，也会存在一定的偏移，故而通过框线识别也并不能够准确的反映人和梯子的实际的相对位置。因此，当采用上述两种方式来进行时，并不能够满足电力检修过程中的合规检查。
除了上述的图像分类以及图像检测方式之外，还可以进行采用图像切割以及姿态识别等方式。虽然其均涉及图像识别，但是两者采用模型差异较大。在本实施例中为了精确获取到人和梯子的位置，需要对人的边缘以及梯子的边缘进行识别切割。具体的，图4是本申请提供的进行实例分割的效果图示，如图4所示，可以知晓通过实例分割来确认找到车辆的精准位置以及边缘轮廓。图5是本申请提供的进行姿态检测的效果图示，如图5所示，可以知晓通过姿态识别可以构建人的骨架关键点进而实现人的姿态检测。
具体的，图2是本申请实施例提供的采用掩膜局部神经网络模型进行检测的流程图，如图2所示，所述采用训练后的掩膜局部神经网络模型对所述图像信息进行检测得到第一对象、第二对象和第三对象；所述第一对象包括检修人员，所述第二对象包括梯子，第三对象包括扶梯人员；包括：
S1021：采用训练后的神经网络模型对所述图像信息进行检测得到相应的特征图；
S1022：将所述特征图输入至区域生成网络进行图像扫描得到多个感兴趣区域；
S1023：对多个所述感兴趣区域进行分类以及位置回归；
S1024：对进行所述分类以及位置回归之后的感兴趣区域执行感兴趣区域校准以得到的识别特征图；所述识别特征图包括固定大小的特征图；
S1025：将所述识别特征图输入至预测器进行检测以得到所述第一对象、第二对象和第三对象的分类识别结果，所述第一对象包括检修人员，所述第二对象包括梯子，第三对象包括扶梯人员。
通过上述步骤能够实现对图像信息中的出现的检修人员、梯子以及扶梯人员进行检测。在进行模型构建时，可以直接将其分成两个类别，一个是梯子，另一个是人。然后再分析识别到的人与梯子之间的空间位置关系即可。还有另外一种方式是，构建三个不同的类型，一个是检修人员，一个是梯子，还有一个是扶梯人员。通过上述精准建模可以更精准进行识别。
本申请实施例提及的掩膜局部神经网络模型指的是Mask R-CNN模型。Mask R-CNN模型包括有Faster-rcnn模型、ROI Align和FCN网络架构。
具体的，Faster-rcnn模型主要包括4个关键步骤：特征提取网络、生成ROI、ROI分类、ROI回归。
特征提取网络：它用来从大量的图片中提取出一些不同目标的重要特征，通常由conv+relu+pool层构成，常用一些预训练好的网络(VGG、Inception、Resnet等)，获得的结果叫做特征图；生成ROI：在获得的特征图的每一个点上做多个候选ROI，然后利用分类器将这些ROI区分为背景和前景，同时利用回归器对这些ROI的位置进行初步的调整；ROI分类：在RPN阶段，用来区分前景(与真实目标重叠并且其重叠区域大于0.5)和背景(不与任何目标重叠或者其重叠区域小于0.1)；在Fast-rcnn阶段，用于区分不同种类的目标(猫、狗、人等)；ROI回归：在RPN阶段，进行初步调整；在Fast-rcnn阶段进行精确调整。通过上述步骤来构建得到相应的目标识别模型。
在本实施例中采用ROI Align技术而不采用ROI Pooling技术，主要是因为ROIPooling技术在具体过程中使用了两次量化操作中，而ROI Align并没有采用量化操作，而是使用了线性差值算法。在进行特征图对应时，ROI Pooling引入的误差会导致图像中的像素和特征中的像素的偏差，即将feature空间的ROI对应到原图上面会出现很大的偏差；并且在这个过程中产生的偏差较大，会对整个检测算法的性能产生严重的影响。因此，在本实施例中采用ROI Align技术而不采用ROI Pooling技术。
本实施例中FCN算法是一个经典的语义分割算法，可以对图片中的目标进行准确的分割。其总体架构是一个端到端的网络，主要的模快包括卷积和去卷积，即先对图像进行卷积和池化，使其feature map的大小不断减小；然后进行反卷积操作，即进行插值操作，不断的增大其feature map，最后对每一个像素值进行分类。从而实现对输入图像的准确分割。
S103：对所述图像信息进行分割得到对应的第一对象掩膜、第二对象掩膜和第三对象掩膜，并获取与所述第一对象掩膜、第二对象掩膜和第三对象掩膜对应的定位信息。更为优选的，所述对所述图像信息进行分割得到对应的第一对象掩膜、第二对象掩膜和第三对象掩膜，包括：
对所述图像信息进行实例分割得到对应的第一对象掩膜、第二对象掩膜和第三对象掩膜。
本实施例中提及的Mask R-CNN是可以实现实例分割(Instance segmentation)算法，可以用来做“目标检测”、“目标实例分割”、“目标关键点检测”。为了得到固定大小的feature map(特征图)，ROI Align技术并没有使用量化操作，即并不想引入量化误差，比如665/32＝20.78，就用20.78，不用什么20来替代它，比如20.78/7＝2.97，就用2.97，而不用2来代替它。这就是采用ROI Align的原因。那么具体操作过程中如何处理这些浮点数呢，具体的解决思路是使用“双线性插值”算法。双线性插值是一种比较好的图像缩放算法，它充分的利用了原图中虚拟点(比如20.56这个浮点数，像素位置都是整数值，没有浮点值)四周的四个真实存在的像素值来共同决定目标图中的一个像素值，即可以将20.56这个虚拟的位置点对应的像素值估计出来。然后进行卷积后获得的feature map，最后需要输出的固定大小是特征图，那么就利用双线性插值来估计这些虚拟坐标点(又称双线性插值的网格点)处所对应的像素值，最后得到相应的输出。得到随机采样的普通点的个数和位置不会对性能产生很大的影响，具体也可以用其它的方法获得。然后再进行max pooling或者averagepooling操作，获得相应的输出结果。在整个过程中没有用到量化操作，没有引入误差，即原图中的像素和feature map中的像素是完全对齐的，没有偏差，这不仅会提高检测的精度，同时也会有利于实例分割。
本实施例中提及的掩膜即是mask，一个mask对一个目标的输入空间布局进行编码，与类别标签和BB偏置不同，它们通常需要通过FC层而导致其以短向量的形式输出。可以通过由卷积提供的像素和像素的对应关系来获得mask的空间结构信息。具体的来说，可以使用FCN从每一个ROI中预测出一个m*m大小的mask，这使得mask分支中的每个层能够明确的保持m×m空间布局，而不将其折叠成缺少空间维度的向量表示。在具体操作时，为每一个类生成一个mask，这样不用和其他类进行竞争，依赖于分类分支所预测的类别标签来选择输出mask，这样能够实现更好的实例分割。
除了生成相应的掩膜之外，还要获取到具体的位置，通过该模型可以获取到其在图像信息中的具体位置。因为进行具体判断时，需要判断图像中出现的两个对象之间的空间位置关系，因此，需要获取具体的位置信息来对其具体的空间位置关系进行获取。
S104：根据所述定位信息确定所述第一对象掩膜和第二对象掩膜以及第二对象掩膜和第三对象掩膜之间的交叠状态以进行合规检测。
本步骤主要是对图像中出现的各个对象之间的空间位置信息进行具体判断，从而判断整个检修过程是否合规。
更进一步的，所述根据所述定位信息确定所述第一对象掩膜和第二对象掩膜以及第二对象掩膜和第三对象掩膜之间的交叠状态以进行合规检测，包括：
根据所述定位信息判断所述第一对象掩膜是否处于所述第二对象掩膜的上部区域且所述第一对象掩膜与第二对象掩膜之间交叠区域大于预设值，如果是，则执行下一步；
判断所述第三对象掩膜是否处于所述第二对象掩膜的下部区域且所述第三对象掩膜与第二对象掩膜之间存在交叠区域，如果是，则判断电力检修过程合规，如果否，则判断电力检修过程不合规。
在进行具体的判断的时候，主要是判断两个状态：第一、检修人员是否在梯子上，这个是一个大前提，如果检修人员没有在梯子上方对电力设备进行检修，那么进行各种检测也不是必要的；因为本身就没有处于检修状态；第二、当检测到检修人员在梯子上方时，需要判断梯子下方是否有人扶梯，因为在高空危险作业过程中，如果出现梯子打滑的情况，那么会对检修人员产生极大的身体伤害；这种情况也是检修过程中需要避免的，如果出现检修人员在梯子上对设备进行检修，而下方没有人扶梯，那么则判断此次行为不合规。需要对其进行记录。
因为在整个检测过程中，是通过图像进行检测的，虽然可以通过实例分割对图像信息中各个对象分割开，但是对于图像来说，并不能够确定分割后的就是相应对象的完整图像，因此，还需要进行如下处理
具体的，图6是本申请实施例提供的第一对象与第二对象交叠判断的流程图，如图6所示，所述第一对象掩膜是否处于所述第二对象掩膜的上部区域且所述第一对象掩膜与第二对象掩膜之间交叠区域大于预设值，包括：
S1041a：对所述第二对象掩膜所在区域进行图像补全，并获取图像补全后第二对象掩膜的第二像素点集合；
S1041b：获取第一对象掩膜所处区域的第一像素点集合；
S1041c：根据所述第一像素点集合与所述第二像素点集合确定第一交叠区域；
S1041d：判断所述第一交叠区域是否处于所述第二对象掩膜的上部区域且所述第一交叠区域的面积是否大于预设值；
图7是本申请实施例提供的第三对象与第二对象交叠判断的流程图，如图7所示，所述判断所述第三对象掩膜是否处于所述第二对象掩膜的下部区域且所述第三对象掩膜与第二对象掩膜之间存在交叠区域，包括：
S1042a：对所述第二对象掩膜所在区域进行图像补全，并获取图像补全后第二对象掩膜的第二像素点集合；
S1042b：获取第三对象掩膜所处区域的第三像素点集合；
S1042c：判断所述第二像素点集合与所述第三像素点集合是否存在第二交叠区域且所述第二交叠区域位于第二对象掩膜的下部区域。
也即是对其中出现的梯子进行图像补全，这样的话就可以获取到补全之后的相应的像素点以及像素点位置，通过判断检修人员、扶梯人员与补全后的图像是否有重叠点即可判断两者的具体交叠情况，并通过检测补全之后的像素点所处方位可以判断相应人员是位于梯子上方还是位于梯子下方。当人在梯子上方时，判断人的切割图像是否有超过2/5落在梯子的图像范围内。
更为优选的，在所述根据所述定位信息确定所述第一对象掩膜和第二对象掩膜以及第二对象掩膜和第三对象掩膜之间的交叠状态以进行合规检测之前，还包括：
采用训练后的掩膜局部神经网络模型识别所述第三对象的姿态信息，根据所述姿态信息得到第三对象的关节连接点；
对应的，所述根据所述定位信息确定第二对象掩膜和第三对象掩膜之间的交叠状态，包括：
根据所述定位信息确定第三对象的手部区域掩膜与第二对象掩膜之间的交叠状态；或，
根据所述定位信息确定第三对象的臂腕区域掩膜与第二对象掩膜之间的交叠状态。
也即是获取到扶梯人员的骨架关键点，通过扶梯人员的骨架关键点得到扶梯人员的人手位置，并通过判断手部区域或者臂腕区域与梯子之间的交叠情况即可获取到扶梯人员与梯子之间的空间位置关系以及作用关系。通过识别扶梯人员的手部区域与梯子之间的交叠情况，能够实现更为精准的定位。除了上述可以通过确认扶梯人员的手部区域与梯子之间的关系之外，还可以确认检修人员腿部区域与梯子之间的交叠关系来确认两者之间的空间位置关系。图8是本申请实施例提供的进行合规检测的效果图示，如图8所示，可以看出梯子上方有人进行电力设备检修时，下方有人员进行扶梯操作，通过上图可以看出，上述检修过程合规。
S105：当检测到电力检修过程中出现不合规操作时，对当前图像进行截取并对不合规操作进行次数统计。
当检测到出现不合规时，可以对相应的图像进行图像截取，只有出现不合规动作时，才需要进行图像截取留存，出现合规动作则不需要进行图像留存。除了进行图像截取留存之外，也可以记录视频时间点等信息来进行数据统计，通过对具体信息进行确认留存方便监查部门对整个检修过程进行评估。
本申请实施例通过采集电力检修过程中的图像信息，并采用掩膜局部神经网络模型对采集到的图像信息进行检测识别，进而判断在电力检修过程中相应的检修人员是否存在违规操作，通过上述进行摄像头图像监测的方式大大减少了安全检察员的工作量，并且通过摄像头识别的方式不会遗漏电力检修过程中的违规点，能够达到更好的监查的目的，且能够降低电力检修监查的人力成本。
在上述实施例的基础上，图9为本申请实施例提供的一种电力检修过程中合规检测的装置的结构示意图。参考图9，本实施例提供的电力检修过程中合规检测的装置具体包括：
获取模块21：用于获取通过摄像头在预设采集区域采集到的图像信息；
检测模块22：用于采用训练后的掩膜局部神经网络模型对所述图像信息进行检测得到第一对象、第二对象和第三对象；所述第一对象包括检修人员，所述第二对象包括梯子，第三对象包括扶梯人员；
分割模块23：用于对所述图像信息进行分割得到对应的第一对象掩膜、第二对象掩膜和第三对象掩膜，并获取与所述第一对象掩膜、第二对象掩膜和第三对象掩膜对应的定位信息；
确定模块24：用于根据所述定位信息确定所述第一对象掩膜和第二对象掩膜以及第二对象掩膜和第三对象掩膜之间的交叠状态以进行合规检测。
本申请实施例通过采集电力检修过程中的图像信息，并采用掩膜局部神经网络模型对采集到的图像信息进行检测识别，进而判断在电力检修过程中相应的检修人员是否存在违规操作，通过上述进行摄像头图像监测的方式大大减少了安全检察员的工作量，并且通过摄像头识别的方式不会遗漏电力检修过程中的违规点，能够达到更好的监查的目的，且能够降低电力检修监查的人力成本。
本申请实施例提供的电力检修过程中合规检测的装置可以用于执行上述实施例提供的电力检修过程中合规检测的方法，具备相应的功能和有益效果。
图10是本申请实施例提供的一种电子设备的结构示意图，参照图10，该电子设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器31的数量可以是一个或者多个，该电子设备中的存储器32的数量可以是一个或者多个。该电子设备的处理器31、存储器32、通信模块33、输入装置34及输出装置35可以通过总线或者其他方式连接。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的电力检修过程中合规检测的方法对应的程序指令/模块(例如，电力检修过程中合规检测的装置中的获取模块21、检测模块22、分割模块23和确认模块24)。存储器32可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块33用于进行数据传输。
处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的电力检修过程中合规检测的方法。
输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。
上述提供的电子设备可用于执行上述实施例提供的电力检修过程中合规检测的方法，具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器31执行时用于执行一种电力检修过程中合规检测的方法，该电力检修过程中合规检测的方法包括：
获取通过摄像头在预设采集区域采集到的图像信息；
采用训练后的掩膜局部神经网络模型对所述图像信息进行检测得到第一对象、第二对象和第三对象；所述第一对象包括检修人员，所述第二对象包括梯子，第三对象包括扶梯人员；
对所述图像信息进行分割得到对应的第一对象掩膜、第二对象掩膜和第三对象掩膜，并获取与所述第一对象掩膜、第二对象掩膜和第三对象掩膜对应的定位信息；
根据所述定位信息确定所述第一对象掩膜和第二对象掩膜以及第二对象掩膜和第三对象掩膜之间的交叠状态以进行合规检测。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器31执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的电力检修过程中合规检测的方法，还可以执行本申请任意实施例所提供的电力检修过程中合规检测的方法中的相关操作。
上述实施例中提供的电力检修过程中合规检测的装置、存储介质及电子设备可执行本申请任意实施例所提供的电力检修过程中合规检测的方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的电力检修过程中合规检测的方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。

Claims (10)

1.一种电力检修过程中合规检测的方法，其特征在于，包括：
获取通过摄像头在预设采集区域采集到的图像信息；
采用训练后的掩膜局部神经网络模型对所述图像信息进行检测得到第一对象、第二对象和第三对象；所述第一对象包括检修人员，所述第二对象包括梯子，第三对象包括扶梯人员；
对所述图像信息进行分割得到对应的第一对象掩膜、第二对象掩膜和第三对象掩膜，并获取与所述第一对象掩膜、第二对象掩膜和第三对象掩膜对应的定位信息；
根据所述定位信息确定所述第一对象掩膜和第二对象掩膜以及第二对象掩膜和第三对象掩膜之间的交叠状态以进行合规检测。
2.根据权利要求1所述的电力检修过程中合规检测的方法，其特征在于，在所述获取通过摄像在预设采集区域采集到的图像信息之后，还包括：
对所述图像信息进行预处理；
在所述根据所述定位信息确定所述第一对象和第二对象以及第二对象和第三对象之间的交叠状态以进行合规检测之后，还包括：
当检测到电力检修过程中出现不合规操作时，对当前图像进行截取并对不合规操作进行次数统计。
3.根据权利要求1所述的电力检修过程中合规检测的方法，其特征在于，所述采用训练后的掩膜局部神经网络模型对所述图像信息进行检测得到第一对象、第二对象和第三对象；所述第一对象包括检修人员，所述第二对象包括梯子，第三对象包括扶梯人员；包括：
采用训练后的神经网络模型对所述图像信息进行检测得到相应的特征图；
将所述特征图输入至区域生成网络进行图像扫描得到多个感兴趣区域；
对多个所述感兴趣区域进行分类以及位置回归；
对进行所述分类以及位置回归之后的感兴趣区域执行感兴趣区域校准以得到的识别特征图；所述识别特征图包括固定大小的特征图；
将所述识别特征图输入至预测器进行检测以得到所述第一对象、第二对象和第三对象的分类识别结果，所述第一对象包括检修人员，所述第二对象包括梯子，第三对象包括扶梯人员。
4.根据权利要求1所述的电力检修过程中合规检测的方法，其特征在于，所述对所述图像信息进行分割得到对应的第一对象掩膜、第二对象掩膜和第三对象掩膜，包括：
对所述图像信息进行实例分割得到对应的第一对象掩膜、第二对象掩膜和第三对象掩膜。
5.根据权利要求1所述的电力检修过程中合规检测的方法，其特征在于，所述根据所述定位信息确定所述第一对象掩膜和第二对象掩膜以及第二对象掩膜和第三对象掩膜之间的交叠状态以进行合规检测，包括：
根据所述定位信息判断所述第一对象掩膜是否处于所述第二对象掩膜的上部区域且所述第一对象掩膜与第二对象掩膜之间交叠区域大于预设值，如果是，则执行下一步；
判断所述第三对象掩膜是否处于所述第二对象掩膜的下部区域且所述第三对象掩膜与第二对象掩膜之间存在交叠区域，如果是，则判断电力检修过程合规，如果否，则判断电力检修过程不合规。
6.根据权利要求5所述的电力检修过程中合规检测的方法，其特征在于，所述第一对象掩膜是否处于所述第二对象掩膜的上部区域且所述第一对象掩膜与第二对象掩膜之间交叠区域大于预设值，包括：
对所述第二对象掩膜所在区域进行图像补全，并获取图像补全后第二对象掩膜的第二像素点集合；
获取第一对象掩膜所处区域的第一像素点集合；
根据所述第一像素点集合与所述第二像素点集合确定第一交叠区域；
判断所述第一交叠区域是否处于所述第二对象掩膜的上部区域且所述第一交叠区域的面积是否大于预设值；
所述判断所述第三对象掩膜是否处于所述第二对象掩膜的下部区域且所述第三对象掩膜与第二对象掩膜之间存在交叠区域，包括：
对所述第二对象掩膜所在区域进行图像补全，并获取图像补全后第二对象掩膜的第二像素点集合；
获取第三对象掩膜所处区域的第三像素点集合；
判断所述第二像素点集合与所述第三像素点集合是否存在第二交叠区域且所述第二交叠区域位于第二对象掩膜的下部区域。
7.根据权利要求1所述的电力检修过程中合规检测的方法，其特征在于，在所述根据所述定位信息确定所述第一对象掩膜和第二对象掩膜以及第二对象掩膜和第三对象掩膜之间的交叠状态以进行合规检测之前，还包括：
采用训练后的掩膜局部神经网络模型识别所述第三对象的姿态信息，根据所述姿态信息得到第三对象的关节连接点；
对应的，所述根据所述定位信息确定第二对象掩膜和第三对象掩膜之间的交叠状态，包括：
根据所述定位信息确定第三对象的手部区域掩膜与第二对象掩膜之间的交叠状态；或，
根据所述定位信息确定第三对象的臂腕区域掩膜与第二对象掩膜之间的交叠状态。
8.一种电力检修过程中合规检测的装置，其特征在于，包括：
获取模块：用于获取通过摄像头在预设采集区域采集到的图像信息；
检测模块：用于采用训练后的掩膜局部神经网络模型对所述图像信息进行检测得到第一对象、第二对象和第三对象；所述第一对象包括检修人员，所述第二对象包括梯子，第三对象包括扶梯人员；
分割模块：用于对所述图像信息进行分割得到对应的第一对象掩膜、第二对象掩膜和第三对象掩膜，并获取与所述第一对象掩膜、第二对象掩膜和第三对象掩膜对应的定位信息；
确定模块：用于根据所述定位信息确定所述第一对象掩膜和第二对象掩膜以及第二对象掩膜和第三对象掩膜之间的交叠状态以进行合规检测。
9.一种电子设备，其特征在于，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一所述的电力检修过程中合规检测的方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一所述的电力检修过程中合规检测的方法。
CN202010746597.XA 2020-07-29 2020-07-29 电力检修过程中合规检测的方法、电子设备及存储介质 Pending CN111860419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010746597.XA CN111860419A (zh) 2020-07-29 2020-07-29 电力检修过程中合规检测的方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010746597.XA CN111860419A (zh) 2020-07-29 2020-07-29 电力检修过程中合规检测的方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111860419A true CN111860419A (zh) 2020-10-30

Family

ID=72945358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010746597.XA Pending CN111860419A (zh) 2020-07-29 2020-07-29 电力检修过程中合规检测的方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111860419A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115188222A (zh) * 2022-05-26 2022-10-14 民航中南空管设备工程(广州)有限公司 一种设备集中监视方法、存储介质和计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682601A (zh) * 2016-12-16 2017-05-17 华南理工大学 一种基于多维信息特征融合的驾驶员违规通话检测方法
CN107680220A (zh) * 2017-09-28 2018-02-09 朱明增 一种基于机器视觉技术的作业违规行为智能识别方法
WO2020098506A1 (zh) * 2018-11-13 2020-05-22 北京市商汤科技开发有限公司 路口状态检测方法、装置、电子设备及车辆
CN111325128A (zh) * 2020-02-13 2020-06-23 上海眼控科技股份有限公司 违规操作检测方法、装置、计算机设备和存储介质
CN111428617A (zh) * 2020-03-20 2020-07-17 广东电网有限责任公司 一种基于视频图像的配网违规检修行为的识别方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682601A (zh) * 2016-12-16 2017-05-17 华南理工大学 一种基于多维信息特征融合的驾驶员违规通话检测方法
CN107680220A (zh) * 2017-09-28 2018-02-09 朱明增 一种基于机器视觉技术的作业违规行为智能识别方法
WO2020098506A1 (zh) * 2018-11-13 2020-05-22 北京市商汤科技开发有限公司 路口状态检测方法、装置、电子设备及车辆
CN111325128A (zh) * 2020-02-13 2020-06-23 上海眼控科技股份有限公司 违规操作检测方法、装置、计算机设备和存储介质
CN111428617A (zh) * 2020-03-20 2020-07-17 广东电网有限责任公司 一种基于视频图像的配网违规检修行为的识别方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孔英会 等: "基于改进Mask Ｒ-CNN模型的电力场景目标检测方法", 《科学技术与工程》, vol. 20, no. 8, pages 3134 - 3142 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115188222A (zh) * 2022-05-26 2022-10-14 民航中南空管设备工程(广州)有限公司 一种设备集中监视方法、存储介质和计算机设备

Similar Documents

Publication Publication Date Title
WO2022160413A1 (zh) 电力生产异常监控方法、装置、计算机设备和存储介质
CN109858367B (zh) 工人通过支撑不安全行为的视觉自动化检测方法及系统
CN112381075B (zh) 一种机房特定场景下进行人脸识别的方法及系统
CN109685075A (zh) 一种基于图像的电力设备识别方法、装置及系统
WO2021031954A1 (zh) 对象数量确定方法、装置、存储介质与电子设备
CN111160202A (zh) 基于ar设备的身份核验方法、装置、设备及存储介质
CN112257669A (zh) 行人重识别方法、装置及电子设备
CN111325128A (zh) 违规操作检测方法、装置、计算机设备和存储介质
CN110458794B (zh) 用于轨道列车的配件质量检测方法及装置
CN110969610A (zh) 基于深度学习的电力设备红外热图的识别方法及系统
KR20210083221A (ko) 비정상 차량 번호판 인식 방법, 장치, 기기 및 판독 가능 저장 매체
CN111639513A (zh) 一种船只遮挡识别方法、装置及电子设备
CN114067431A (zh) 图像处理方法、装置、计算机设备和存储介质
CN114494161A (zh) 基于图像对比的受电弓异物检测方法、设备及存储介质
CN117876922A (zh) 一种基于视频识别电力现场作业风险的方法及装置
CN114821430A (zh) 跨摄像头的目标对象跟踪方法、装置、设备及存储介质
CN111860419A (zh) 电力检修过程中合规检测的方法、电子设备及存储介质
CN112435240B (zh) 一种面向工人违规使用手机的深度视觉手机检测系统
CN117745709A (zh) 一种铁路异物侵限检测方法、系统、设备及介质
CN112131919B (zh) 安检方法、装置、设备及介质
CN116503807A (zh) 一种设备巡检方法、装置、电子设备及计算机程序产品
CN117011216A (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN113762096A (zh) 健康码识别方法、装置、存储介质及电子设备
CN212208397U (zh) 安检系统
CN118038026B (zh) 基于旋转目标检测的变电站二次接线可信质检方法

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