CN112101181A - 一种基于深度学习的自动化隐患场景识别方法及系统 - Google Patents
一种基于深度学习的自动化隐患场景识别方法及系统 Download PDFInfo
- Publication number
- CN112101181A CN112101181A CN202010946309.5A CN202010946309A CN112101181A CN 112101181 A CN112101181 A CN 112101181A CN 202010946309 A CN202010946309 A CN 202010946309A CN 112101181 A CN112101181 A CN 112101181A
- Authority
- CN
- China
- Prior art keywords
- hidden danger
- scene
- deep learning
- map
- hidden
- 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 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000007547 defect Effects 0.000 claims abstract description 33
- 238000013136 deep learning model Methods 0.000 claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 24
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/36—Indoor scenes
-
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习的自动化隐患场景识别方法及系统，所述方法包括：获取一定数量的隐患场景图片作为训练样本；对所述训练样本中的隐患对象及隐患类型进行标注并保存；建立深度学习模型，采用所述标注后的样本训练所述深度学习模型；通过移动终端获取带时间戳和位置信息的待识别场景图片，通过所述深度学习模型对待识别场景图片进行识别，识别出隐患对象和隐患类型；根据不同场景类型分类整理出的多级安全隐患缺陷对隐患类型进行场景归类；获取巡检区域地图，将识别出的隐患对象的位置信息与所述区域巡检地图叠加显示，生成隐患地图。本发明可实现隐患自动识别与场景归类，减少隐患排查疏漏，提高生产安全。
Description
技术领域
本发明属于隐患排查技术领域，具体涉及一种基于深度学习的自动化隐患场景识别方法。
背景技术
当下，各企业的生产车间及库房为企业创造了巨大的价值，但其隐藏的消防安全隐患也威胁着工人的人身安全和企业的财产安全。锅炉房及生产车间安全隐患风险高，隐患检查难度大一直是困扰人们的一大难题。
得益于近年来深度学习与大数据相关技术的快速发展，图像检测与自动化识别技术已应用到各个行业中，在消安防领域中，各种火灾自动化检测系统也得到广泛应用。但在消防巡检等场景复杂、专业性强的具体业务中，依然需要专业的巡检员进行巡检、巡查从而给出整改意见，然而一些消防隐患不易被发现，隐患检查存在疏忽、漏检等问题。
发明内容
有鉴于此，本发明提出了一种基于深度学习的自动化隐患场景识别方法及系统，用于解决人工排查难度大、易造成隐患疏漏等问题，便于隐患排查。
本发明第一方面，公开一种基于深度学习的自动化隐患场景识别方法，所述方法包括：
获取一定数量的隐患场景图片作为训练样本；
对所述训练样本中的隐患对象及隐患类型进行标注并保存；
建立深度学习模型，采用所述标注后的样本训练所述深度学习模型；
通过移动终端获取带时间戳和位置信息的待识别场景图片，通过所述深度学习模型对待识别场景图片进行识别，识别出隐患对象和隐患类型；
根据不同场景类型分类整理出的多级安全隐患缺陷对隐患类型进行场景归类，为隐患对象配置一个或多个隐患描述；
获取巡检区域地图，将识别出的隐患对象的位置信息与所述区域巡检地图叠加显示，生成隐患地图并同步显示。
优选的，所述隐患对象为各类锅炉设备、各类消防器材及其零部件，包括但不限于消防栓、灭火器、配电箱、水泵接合器、压力表、水带。
优选的，所述对所述训练样本中的隐患对象及隐患类型进行标注的保存格式为隐患对象在图片中的位置坐标+对应的隐患类型。
优选的，所述根据不同场景类型分类整理出的多级安全隐患缺陷对隐患类型进行归类具体为：
预先根据作业场所、办公区域、设备设施、原辅料产品的不同分类整理出不同的一级全隐患缺陷，根据一级安全隐患缺陷划分二级安全隐患缺陷，构建隐患的树形级联列表；
预先建立训练样本中各隐患类型与二级安全隐患缺陷的映射关系表；
根据所述映射关系表对识别出的隐患对象及隐患类型进行场景归类。
根据隐患紧急程度设置优先级，根据优先级采用不同的颜色标记隐患地图的叠加位置，并在所述叠加位置显示隐患对象图片、时间戳、相应的隐患场景归类和隐患描述，分别在移动终端和云平台同步显示所述隐患地图。
优选的，所述方法还包括，巡检人员或责任人对隐患整改后，重新获取同一位置的隐患场景图片进行隐患识别，更新叠加显示的巡检区域地图。
本发明第二方面，公开一种基于深度学习的自动化隐患场景识别系统，所述系统包括：
数据获取模块：用于获取一定数量的隐患场景图片作为训练样本；对所述训练样本中的识别对象及隐患类型进行标注；
模型训练模块：用于建立深度学习模型，采用所述标注后的样本训练所述深度学习模型；隐患识别模块：用于通过移动终端获取带时间戳和位置信息的待识别场景图片，通过所述深度学习模型对待识别场景图片进行识别，识别出隐患对象和隐患类型；
隐患归类模块：用于根据不同场景类型分类整理出的多级隐患类型对隐患对象进行归类，为隐患对象配置多个隐患描述；
地图显示模块：用于获取巡检区域地图，将识别出的隐患对象的位置信息与所述区域巡检地图叠加显示，并在所述叠加位置显示隐患图片、时间戳、相应的隐患描述，形成隐患地图，分别在移动终端和云平台同步显示所述隐患地图。
本发明相对于现有技术具有以下有益效果：
1)本发明采用深度学习进行隐患识别，根据不同场景类型分类整理出的多级隐患类型对隐患识别结果进行归类，为隐患对象配置多个隐患描述，实现消防隐患分级管理，方便用户了解隐患类型、落实隐患责任排查，减少人工排查难度；
2)本发明通过移动终端采集隐患场景图片进行隐患智能识别，生成隐患地图并同步显示在移动终端和云平台，帮助巡检人员进行隐患决策，减少隐患检查疏忽、漏检等问题；隐患地图同时帮助用户及时查看各处隐患，制定隐患处理方案，及时排除隐患，提高安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的自动化隐患场景识别方法的流程示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1所示，本发明第一方面，公开一种基于深度学习的自动化隐患场景识别方法，所述方法包括：
S1、获取一定数量的隐患场景图片作为训练样本；
由于隐患目标一般位于生产车间或锅炉房，所处环境复杂且较为特殊，因此训练样本都来自于现场拍摄的图片。
S2、对所述训练样本中的隐患对象及隐患类型进行标注并保存；
所述隐患对象为各类锅炉设备、各类消防器材及其零部件，包括但不限于消防栓、灭火器、配电箱、水泵接合器、压力表、水带。所述训练样本中的隐患对象及隐患类型进行标注的保存格式为隐患对象在图片中的位置坐标+对应的隐患类型。
S3、建立深度学习模型，采用所述标注后的样本训练所述深度学习模型；模型训练之后通过准确率(Precision P)、召回率(Recall R)和平均精准率mAP(mean averageprecision)进行模型效果评估。一个模型很难一次性就训练到最佳的效果，需要结合模型评估报告和校验结果不断扩充数据和调优，因此本发明提供了模型迭代功能，可以通过调整训练数据集和算法，多次训练，获得更好的训练模型。同时可通过难例处理的方式，训练过程中或者用户使用过程中查找识别错误的数据，纠正结果并将其加入到模型迭代的训练集中，实现训练数据的持续丰富和模型效果的持续优化。
训练好深度学习模型后，可将模型部署在公有云服务器或私有服务器上通过独立Rest API进行调用，实现AI能力与业务系统或硬件设备整合。API调用过程中可自定义API地址，请求参数只需要base64编码的图像及身份认证所需的access_token。检测结果以数组的形式返回给用户，数组中每一个元素即为一个识别结果对象。主要参数如下表1所示：
表1
| 字段 | 类型 | 说明 |
| Name | 字符 | 分类名称 |
| Score | 数值 | 置信度 |
| Left | 数值 | 检测到的目标主体区域到图片左边界的距离 |
| Top | 数值 | 检测到的目标主体区域到图片上边界的距离 |
| Width | 数值 | 检测到的目标主体区域的宽度 |
| Height | 数值 | 检测到的目标主体区域的高度 |
S4、获取带时间戳和位置信息的待识别场景图片，通过所述深度学习模型对待识别场景图片进行识别，识别出隐患对象和隐患类型；
S5、根据不同场景类型分类整理出的多级安全隐患缺陷对隐患类型进行归类，为隐患对象配置多个隐患描述；
图片识别及物体检测模型通常只能检测图像或视频中的一个或多个目标对象，比如如检测结果只能是若干物体(配电箱未关闭，消火栓箱中水带缺失)，不能具体到隐患场景。本发明根据不同场景类型分类整理出的多级安全隐患缺陷对隐患类型进行场景归类，具体为：
预先根据作业场所、办公区域、设备设施、原辅料产品的不同分类整理出不同的一级安全隐患缺陷，根据一级安全隐患缺陷划分二级安全隐患缺陷，为二级安全隐患缺陷配置多个隐患描述，构建隐患的树形级联列表；
预先建立训练样本中各隐患类型与二级安全隐患缺陷的映射关系表；
对每一条安全隐患，根据实际情况，可配置多个隐患描述，方便安检员进行检查、整改。
根据所述映射关系表对识别出的隐患对象及隐患类型进行归类，并根据隐患的紧急程度设置树形级联列表中对外默认显示的隐患条目。
比如对于消防设备，将消防设备设施缺陷设置为一级安全隐患缺陷，其下属的二级安全隐患缺陷可包括防火分区和防护间距缺陷、疏散通道和安全出口缺陷、消防供电设备缺陷、消防供水设备缺陷、消防栓和水泵接合器缺陷、灭火器缺陷、灭在自动报警系统缺陷等。当识别对象为消火栓、隐患类型为消火栓使用标识缺失，则将该隐患归类为消防栓和水泵接合器缺陷。
S6、获取巡检区域地图，将识别出的隐患对象的位置信息与所述区域巡检地图叠加显示，生成隐患地图并同步显示。
根据隐患紧急程度设置优先级，根据优先级采用不同的颜色标记隐患地图的叠加位置，并在所述叠加位置显示隐患对象图片、时间戳、相应的隐患场景归类和隐患描述，分别在移动终端和云平台同步显示所述隐患地图。
本发明通过移动终端采集隐患场景图片进行隐患智能识别，生成隐患地图并同步显示在移动终端和云平台，帮助巡检人员进行隐患决策和隐患路径导航，减少隐患检查疏忽、漏检等问题；隐患地图同时帮助用户及时查看各处隐患，制定隐患处理方案，及时排除隐患，提高安全性。
S7、对隐患整改后，重新获取同一位置的隐患场景图片进行隐患识别，更新隐患地图，保存历史隐患数据。
通过隐患地图，管理人员和巡检人员可随时掌握巡检区域当前各处隐患情况和隐患处理情况，同时可查看历史隐患数据，为后续安全生产和隐患排查提供参考。
与所述方法实施例相对应，本发明还提出一种基于深度学习的自动化隐患场景识别系统，所述系统包括：
数据获取模块：获取一定数量的隐患场景图片作为训练样本；对所述训练样本中的识别对象及隐患类型进行标注；
模型训练模块：建立深度学习模型，采用所述标注后的样本训练所述深度学习模型；
隐患识别模块：获取带时间戳和位置信息的待识别场景图片，通过所述深度学习模型对待识别场景图片进行识别，识别出隐患对象和隐患类型；
隐患归类模块：根据不同场景类型分类整理出的多级隐患类型对隐患对象进行归类，为隐患对象配置多个隐患描述；
图形显示模块：获取巡检区域地图，将识别出的隐患对象的位置信息与所述区域巡检地图叠加显示，并在所述叠加位置显示隐患图片、时间戳、相应的一级安全隐患缺陷条目、二级安全隐患条目、隐患描述，形成隐患地图，将所述隐患地图在移动终端和云平台显示。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于深度学习的自动化隐患场景识别方法，其特征在于，所述方法包括：
获取一定数量的隐患场景图片作为训练样本；
对所述训练样本中的隐患对象及隐患类型进行标注并保存；
建立深度学习模型，采用所述标注后的样本训练所述深度学习模型；
通过移动终端获取带时间戳和位置信息的待识别场景图片，通过所述深度学习模型对待识别场景图片进行识别，识别出隐患对象和隐患类型；
根据不同场景类型分类整理出的多级安全隐患缺陷，对隐患类型进行场景归类，为隐患对象配置一个或多个隐患描述；
获取巡检区域地图，将识别出的隐患对象的位置信息与所述区域巡检地图叠加显示，生成隐患地图并同步显示。
2.根据权利要求1所述基于深度学习的自动化隐患场景识别方法，其特征在于，所述隐患对象为各类锅炉设备、各类消防器材及其零部件，包括但不限于消防栓、灭火器、配电箱、水泵接合器、压力表、水带。
3.根据权利要求1所述基于深度学习的自动化隐患场景识别方法，其特征在于，所述对所述训练样本中的隐患对象及隐患类型进行标注的保存格式为隐患对象在图片中的位置坐标+对应的隐患类型。
4.根据权利要求1所述基于深度学习的自动化隐患场景识别方法，其特征在于，所述根据不同场景类型分类整理出的多级安全隐患缺陷对隐患类型进行场景归类具体为：
预先根据作业场所、办公区域、设备设施、原辅料产品的不同分类整理出不同的一级安全隐患缺陷，根据一级安全隐患缺陷划分二级安全隐患缺陷，为每个二级安全隐患缺陷配置一个或多个隐患描述，构建隐患的树形级联列表；
预先建立训练样本中各隐患类型与二级安全隐患缺陷的映射关系表；
根据所述映射关系表对识别出的隐患对象及隐患类型进行场景归类。
5.根据权利要求1所述基于深度学习的自动化隐患场景识别方法，其特征在于，所述生成隐患地图并同步显示具体包括：
根据隐患紧急程度设置优先级，根据优先级采用不同的颜色标记隐患地图的叠加位置，并在所述叠加位置显示隐患对象图片、时间戳、相应的隐患场景归类和隐患描述，分别在移动终端和云平台同步显示所述隐患地图。
6.根据权利要求5所述基于深度学习的自动化隐患场景识别方法，其特征在于，所述方法还包括，对隐患整改后，重新获取同一位置的隐患场景图片，并上传至云平台进行隐患识别，更新隐患地图，将隐患位置标记为已处理，保存历史隐患数据。
7.一种基于深度学习的自动化隐患场景识别系统，其特征在于，所述系统包括：
数据获取模块：用于获取一定数量的隐患场景图片作为训练样本；对所述训练样本中的识别对象及隐患类型进行标注；
模型训练模块：用于建立深度学习模型，采用所述标注后的样本训练所述深度学习模型；隐患识别模块：用于通过移动终端获取带时间戳和位置信息的待识别场景图片，通过所述深度学习模型对待识别场景图片进行识别，识别出隐患对象和隐患类型；
场景归类模块：用于根据不同场景类型分类整理出的多级隐患类型对隐患对象进行归类，为隐患对象配置多个隐患描述；
地图显示模块：用于获取巡检区域地图，将识别出的隐患对象的位置信息与所述区域巡检地图叠加显示，并在所述叠加位置显示隐患图片、时间戳、相应的隐患描述，形成隐患地图，分别在移动终端和云平台同步显示所述隐患地图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010946309.5A CN112101181A (zh) | 2020-09-10 | 2020-09-10 | 一种基于深度学习的自动化隐患场景识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010946309.5A CN112101181A (zh) | 2020-09-10 | 2020-09-10 | 一种基于深度学习的自动化隐患场景识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112101181A true CN112101181A (zh) | 2020-12-18 |
Family
ID=73752083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010946309.5A Pending CN112101181A (zh) | 2020-09-10 | 2020-09-10 | 一种基于深度学习的自动化隐患场景识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101181A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033322A (zh) * | 2021-03-02 | 2021-06-25 | 国网江苏省电力有限公司南通供电分公司 | 基于深度学习的变电站充油设备渗漏油隐患识别方法 |
| CN113052561A (zh) * | 2021-04-01 | 2021-06-29 | 苏州惟信易量智能科技有限公司 | 一种基于可穿戴设备的流程控制系统及方法 |
| CN113486808A (zh) * | 2021-07-08 | 2021-10-08 | 核工业井巷建设集团有限公司 | 一种基于卷积神经网络的配电箱隐患识别方法 |
| CN114120089A (zh) * | 2021-11-24 | 2022-03-01 | 北京达氟安全科技有限公司 | 消防设备辅助安装方法以及系统、电子设备、存储介质 |
| CN116304993A (zh) * | 2023-05-22 | 2023-06-23 | 广东电网有限责任公司江门供电局 | 一种电网输变配场景采集系统、方法、设备及介质 |
| WO2024087275A1 (zh) * | 2022-10-28 | 2024-05-02 | 清华大学 | 工业场景中安全隐患排查方法、装置、设备及存储介质 |
| CN118505704A (zh) * | 2024-07-18 | 2024-08-16 | 成都数之联科技股份有限公司 | 一种面板产线缺陷检测通用模型建模检测方法 |
| CN118505704B (zh) * | 2024-07-18 | 2024-10-22 | 成都数之联科技股份有限公司 | 一种面板产线缺陷检测通用模型建模检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010006575A (ja) * | 2008-06-30 | 2010-01-14 | Toshiba Elevator Co Ltd | 昇降機の保守管理システム |
| CN104407602A (zh) * | 2014-10-29 | 2015-03-11 | 中国神华能源股份有限公司 | 一种电力机车电气系统故障判断方法 |
| CN106355254A (zh) * | 2016-08-31 | 2017-01-25 | 易瓦特科技股份公司 | 一种输电线路管理方法及系统 |
| CN109409404A (zh) * | 2018-09-13 | 2019-03-01 | 西南交通大学 | 一种基于深度学习的高铁接触网防风拉线故障检测方法 |
| CN110610244A (zh) * | 2019-05-29 | 2019-12-24 | 广东龙泉科技有限公司 | 供水管线隐患排查一体化作业方法、计算机可读存储介质和终端 |
| CN111401437A (zh) * | 2020-03-13 | 2020-07-10 | 智洋创新科技股份有限公司 | 基于深度学习的输电通道隐患预警等级分析方法 |
-
2020
- 2020-09-10 CN CN202010946309.5A patent/CN112101181A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010006575A (ja) * | 2008-06-30 | 2010-01-14 | Toshiba Elevator Co Ltd | 昇降機の保守管理システム |
| CN104407602A (zh) * | 2014-10-29 | 2015-03-11 | 中国神华能源股份有限公司 | 一种电力机车电气系统故障判断方法 |
| CN106355254A (zh) * | 2016-08-31 | 2017-01-25 | 易瓦特科技股份公司 | 一种输电线路管理方法及系统 |
| CN109409404A (zh) * | 2018-09-13 | 2019-03-01 | 西南交通大学 | 一种基于深度学习的高铁接触网防风拉线故障检测方法 |
| CN110610244A (zh) * | 2019-05-29 | 2019-12-24 | 广东龙泉科技有限公司 | 供水管线隐患排查一体化作业方法、计算机可读存储介质和终端 |
| CN111401437A (zh) * | 2020-03-13 | 2020-07-10 | 智洋创新科技股份有限公司 | 基于深度学习的输电通道隐患预警等级分析方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033322A (zh) * | 2021-03-02 | 2021-06-25 | 国网江苏省电力有限公司南通供电分公司 | 基于深度学习的变电站充油设备渗漏油隐患识别方法 |
| CN113052561A (zh) * | 2021-04-01 | 2021-06-29 | 苏州惟信易量智能科技有限公司 | 一种基于可穿戴设备的流程控制系统及方法 |
| CN113486808A (zh) * | 2021-07-08 | 2021-10-08 | 核工业井巷建设集团有限公司 | 一种基于卷积神经网络的配电箱隐患识别方法 |
| CN113486808B (zh) * | 2021-07-08 | 2024-09-13 | 核工业井巷建设集团有限公司 | 一种基于卷积神经网络的配电箱隐患识别方法 |
| CN114120089A (zh) * | 2021-11-24 | 2022-03-01 | 北京达氟安全科技有限公司 | 消防设备辅助安装方法以及系统、电子设备、存储介质 |
| WO2024087275A1 (zh) * | 2022-10-28 | 2024-05-02 | 清华大学 | 工业场景中安全隐患排查方法、装置、设备及存储介质 |
| CN116304993A (zh) * | 2023-05-22 | 2023-06-23 | 广东电网有限责任公司江门供电局 | 一种电网输变配场景采集系统、方法、设备及介质 |
| CN118505704A (zh) * | 2024-07-18 | 2024-08-16 | 成都数之联科技股份有限公司 | 一种面板产线缺陷检测通用模型建模检测方法 |
| CN118505704B (zh) * | 2024-07-18 | 2024-10-22 | 成都数之联科技股份有限公司 | 一种面板产线缺陷检测通用模型建模检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101181A (zh) | 一种基于深度学习的自动化隐患场景识别方法及系统 | |
| CN107808133B (zh) | 基于无人机巡线的油气管道安全监测方法、系统及软件存储器 | |
| CN103065413B (zh) | 获取火灾等级信息的方法及装置 | |
| KR102108754B1 (ko) | 접근불능지역 실시간 산불위험예보시스템 | |
| KR102108752B1 (ko) | 접근불능지역 실시간 산불위험예보방법 | |
| CN107545256A (zh) | 一种结合时空和网络一致性的摄像机网络行人重识别方法 | |
| CN111639825A (zh) | 基于A-Star算法是森林火灾指示逃生路径方法及系统 | |
| US20150243047A1 (en) | Method and arrangement for identifying a difference between a first 3d model of an environment and a second 3d model of the environment | |
| CN113344745A (zh) | 基于远程视频监控和云计算的工程项目智慧工地数据采集分析一体化云平台 | |
| CN115330129A (zh) | 一种企业安全风险预警分析方法及系统 | |
| CN117575170B (zh) | 一种智能管理系统 | |
| CN116205504A (zh) | 一种数字化应急预案管理方法及系统 | |
| CN115880231A (zh) | 一种基于深度学习的输电线路隐患检测方法和系统 | |
| CN113722870B (zh) | 一种电网运行全空间监测方法、系统、设备及介质 | |
| CN111860187A (zh) | 一种高精度的佩戴口罩识别方法及系统 | |
| CN113569801A (zh) | 一种配电施工现场带电设备及其带电区域识别方法及装置 | |
| CN112949536A (zh) | 一种基于云平台的火灾报警方法 | |
| CN111582183A (zh) | 一种公共场所的口罩识别方法及系统 | |
| KR20210098234A (ko) | 전통시장 화재 위험도 평가지표 시스템 및 방법 | |
| CN111242010A (zh) | 一种基于边缘ai的判断并识别乱扔垃圾人员身份的方法 | |
| CN114821486B (zh) | 一种电力作业场景下人员识别方法 | |
| US20230410421A1 (en) | Automated updating and distribution of digital reconnaissance maps of an incident scene | |
| CN116070790A (zh) | 一种减少施工现场重大安全风险隐患的预测方法和系统 | |
| CN113762115B (zh) | 一种基于关键点检测的配网作业人员行为检测方法 | |
| KR20220157626A (ko) | 공간정보 융합기술을 활용한 노후 건축지구 화재위험지수 평가장치, 방법 및 그 방법을 기록한 기록매체 |
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: 20201218 |