CN112270284A - 照明设施监控方法、系统和电子设备 - Google Patents

照明设施监控方法、系统和电子设备 Download PDF

Info

Publication number
CN112270284A
CN112270284A CN202011231917.4A CN202011231917A CN112270284A CN 112270284 A CN112270284 A CN 112270284A CN 202011231917 A CN202011231917 A CN 202011231917A CN 112270284 A CN112270284 A CN 112270284A
Authority
CN
China
Prior art keywords
feature map
image
difference
grayscale
gray
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.)
Granted
Application number
CN202011231917.4A
Other languages
English (en)
Other versions
CN112270284B (zh
Inventor
王斌
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.)
Osford Group Ltd
Original Assignee
Nanjing Binzhizhi Network 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 Nanjing Binzhizhi Network Technology Co ltd filed Critical Nanjing Binzhizhi Network Technology Co ltd
Priority to CN202011231917.4A priority Critical patent/CN112270284B/zh
Publication of CN112270284A publication Critical patent/CN112270284A/zh
Application granted granted Critical
Publication of CN112270284B publication Critical patent/CN112270284B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

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

Abstract

本申请公开了一种基于环境明暗特征的照明设施监控方法、系统和电子设备。所述方法，包括：分别获取相邻的第一、第二摄像头拍摄的第一和第二夜间图像；将所述第一和第二夜间图像分别转化为第一和第二灰度图像；计算所述第一和第二灰度图像的每个像素之间的差值以获得灰度差值图；将所述第一、第二灰度图像以及所述灰度差值图像分别输入卷积神经网络以获得第一、第二灰度特征图和灰度差值特征图；融合所述第一、第二灰度特征图和所述灰度差值特征图以获得分类特征图；以及,基于所述分类特征图使用分类函数获得分类结果，所述分类结果用于表示照明设施的故障情况。这样，基于环境中不同位置的图像的明暗特征的分布来判断出照明设施是否存在故障。

Description

照明设施监控方法、系统和电子设备
技术领域
本申请涉及人工智能技术领域，且更为具体地，涉及一种基于环境明暗特征的照明设施监控方法、系统和电子设备。
背景技术
“智慧城市”将信息技术与先进的城市经营服务理念进行有效融合，通过对城市的地理、资源、环境、经济等进行数字网络化管理，为城市提供更便捷、高效、灵活的公共管理的创新服务模式。
城市照明设施是城市基础建设的重要内容，包括用于城市道路(例如，里巷、住宅小区、桥梁、隧道、广场、公共停车场等)、不售票的公园和绿地等处的照明设备。
城市照明设备具有数量大(高达百万级)、分布广(遍布城市的各个区域)等特性，这些特征导致对其的监管非常之难。在实际城市运营过程中，经常会发生照明设备性能衰减(发光强度明显不够)、照明设备损坏，但却长时间没有被维修和保养的现象。
近年来，深度学习尤其是神经网络的发展为照明设施的监控提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于环境明暗特征的照明设施监控方法、系统和电子设备，其通过深度神经网络基于环境中不同位置的图像的明暗特征的分布来判断出环境中的照明设施是否存在故障。
根据本申请的一个方面，提供了一种基于环境明暗特征的照明设施监控方法，包括：
分别获取相邻的第一摄像头和第二摄像头拍摄的第一夜间图像和第二夜间图像；
将所述第一夜间图像和所述第二夜间图像分别转化为第一灰度图像和第二灰度图像；
计算所述第一灰度图像和所述第二灰度图像的每个像素之间的差值以获得灰度差值图；
将所述第一灰度图像、所述第二灰度图像以及所述灰度差值图像分别输入卷积神经网络以获得第一灰度特征图、第二灰度特征图和灰度差值特征图；
融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图；以及
基于所述分类特征图使用分类函数获得分类结果，所述分类结果用于表示与所述第一摄像头和所述第二摄像头具有预定位置关系的区域内的照明设施的故障情况。
在上述基于环境明暗特征的照明设施监控方法中，计算所述第一灰度图像与第二灰度图像的每个像素之间的差值以获得灰度差值图像，包括：计算所述第一灰度图像与所述第二灰度图像的每个像素之间的灰度差值；以及，取每个灰度差值的绝对值以获得灰度差值图像。
在上述基于环境明暗特征的照明设施监控方法中，融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图，包括：计算所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图的加权和以获得所述分类特征图，其中，所述灰度差值特征图的权重大于所述第一灰度特征图的权重或者所述第二灰度特征图的权重，且小于所述第一灰度特征图的权重与所述第二灰度特征图的权重之和。
在上述基于环境明暗特征的照明设施监控方法中，融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图，包括：计算所述第一灰度特征图与所述灰度差值特征图之间的图像差值的第一绝对值；计算所述第二灰度特征图与所述灰度差值特征图之间的图像差值的第二绝对值；计算所述第一绝对值与所述第二绝对值之和以作为所述灰度差值特征图相对于所述分类特征图的有向边缘值；以及，基于所述有向边缘值对所述灰度差值特征图进行传递以获得所述分类特征图。
在上述基于环境明暗特征的照明设施监控方法中，所述相邻的第一摄像头和第二摄像头为沿着街道的延伸方向布置的两个相邻的摄像头。
在上述基于环境明暗特征的照明设施监控方法中，所述第一摄像头和所述第二摄像头具有预定位置关系的区域包括沿着街道的延伸方向在所述第一摄像头和所述第二摄像头之间的第一区域，在所述第一摄像头相对于所述第二摄像头以外的第二区域以及所述第二摄像头相对于所述第一摄像头以外的第三区域。
在上述基于环境明暗特征的照明设施监控方法中，在所述第一区域、所述第二区域和所述第三区域的至少一个中，对于所述区域内包含的各个照明设施进行编号；以及，所述分类函数具有对应于不同编号的照明设施的标签，且所述分类结果包括对应于每个标签的概率值，以用于表示与每个标签对应的编号的照明设施的故障概率值。
在上述基于环境明暗特征的照明设施监控方法中，所述相邻的第一摄像头和第二摄像头为与街道的延伸方向垂直地布置的两个相邻的摄像头。
根据本申请的另一方面，提供了一种基于环境明暗特征的照明设施监控系统，包括：
夜间图像获取单元，用于分别获取相邻的第一摄像头和第二摄像头拍摄的第一夜间图像和第二夜间图像；
灰度图像转化单元，用于将所述夜间图像获取单元获得的所述第一夜间图像和所述第二夜间图像分别转化为第一灰度图像和第二灰度图像；
灰度差值图生成单元，用于计算所述灰度图像转化单元获得的所述第一灰度图像和所述第二灰度图像的每个像素之间的差值以获得灰度差值图；
特征图生成单元，用于将所述灰度图像转化单元获得的所述第一灰度图像、所述灰度图像转化单元获得的所述第二灰度图像以及所述灰度差值图生成单元获得的所述灰度差值图像分别输入卷积神经网络以获得第一灰度特征图、第二灰度特征图和灰度差值特征图；
特征图融合单元，用于融合所述特征图生成单元获得的所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图；以及
分类单元，用于基于所述特征图融合单元获得的所述分类特征图使用分类函数获得分类结果，所述分类结果用于表示与所述第一摄像头和所述第二摄像头具有预定位置关系的区域内的照明设施的故障情况。
在上述基于环境明暗特征的照明设施监控系统中，所述灰度差值图生成单元，进一步用于：计算所述第一灰度图像与所述第二灰度图像的每个像素之间的灰度差值；以及，取每个灰度差值的绝对值以获得灰度差值图像。
在上述基于环境明暗特征的照明设施监控系统中，所述特征图融合单元，进一步用于：计算所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图的加权和以获得所述分类特征图，其中，所述灰度差值特征图的权重大于所述第一灰度特征图的权重或者所述第二灰度特征图的权重，且小于所述第一灰度特征图的权重与所述第二灰度特征图的权重之和。
在上述基于环境明暗特征的照明设施监控系统中，所述特征图融合单元，包括：
第一绝对值计算子单元，用于计算所述第一灰度特征图与所述灰度差值特征图之间的图像差值的第一绝对值；
第二绝对值计算子单元，用于计算所述第二灰度特征图与所述灰度差值特征图之间的图像差值的第二绝对值；
有向边缘值计算子单元，用于计算所述第一绝对值与所述第二绝对值之和以作为所述灰度差值特征图相对于所述分类特征图的有向边缘值；以及
传递子单元，用于基于所述有向边缘值对所述灰度差值特征图进行传递以获得所述分类特征图。
在上述基于环境明暗特征的照明设施监控系统中，所述相邻的第一摄像头和第二摄像头为沿着街道的延伸方向布置的两个相邻的摄像头。
在上述基于环境明暗特征的照明设施监控系统中，所述第一摄像头和所述第二摄像头具有预定位置关系的区域包括沿着街道的延伸方向在所述第一摄像头和所述第二摄像头之间的第一区域，在所述第一摄像头相对于所述第二摄像头以外的第二区域以及所述第二摄像头相对于所述第一摄像头以外的第三区域。
在上述基于环境明暗特征的照明设施监控系统中，在所述第一区域、所述第二区域和所述第三区域的至少一个中，对于所述区域内包含的各个照明设施进行编号；以及，所述分类函数具有对应于不同编号的照明设施的标签，且所述分类结果包括对应于每个标签的概率值，以用于表示与每个标签对应的编号的照明设施的故障概率值。
在上述基于环境明暗特征的照明设施监控系统中，所述相邻的第一摄像头和第二摄像头为与街道的延伸方向垂直地布置的两个相邻的摄像头。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于环境明暗特征的照明设施监控方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于环境明暗特征的照明设施监控方法。
与现有技术相比，本申请提供的使用蓝牙信息的深度神经网络分类的环卫人员监控方法、系统和电子设备，其通过深度神经网络基于环境中不同位置的图像的明暗特征的分布来判断出环境中的照明设施是否存在故障。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于环境明暗特征的照明设施监控方法的应用场景图。
图2图示了根据本申请实施例的基于环境明暗特征的照明设施监控方法的流程图。
图3图示了根据本申请实施例的基于环境明暗特征的照明设施监控方法中融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图的流程图。
图4图示了根据本申请实施例的基于环境明暗特征的照明设施监控方法中融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图的示意图。
图5图示了根据本申请实施例的基于环境明暗特征的照明设施监控系统的框图。
图6图示了根据本申请实施例的基于环境明暗特征的照明设施监控系统中特征图融合单元的框图。
图7图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，城市照明设施是城市基础建设的重要内容，包括用于城市道路(例如，里巷、住宅小区、桥梁、隧道、广场、公共停车场等)、不售票的公园和绿地等处的照明设备。
城市照明设备具有数量大(高达百万级)、分布广(遍布城市的各个区域)等特性，这些特征导致对其的监管非常之难。在实际城市运营过程中，经常会发生照明设备性能衰减(发光强度明显不够)、照明设备损坏，但却长时间没有被维修和保养的现象。
近年来，深度学习尤其是神经网络的发展为照明设施的监控提供了新的解决思路和方案。
本申请发明人研究发现：针对城市内的照明设施的故障情况，可以通过对环境中的明暗特征进行对比来进行。具体地，如果照明设施完好，则环境中的明暗特征应该保持规律分布，即，按照单独照明设备的范围内亮度由内向外按照规律减弱，而由于两个相邻的照明设施的照明范围的重叠，又会出现亮度的叠加状态，从而保持亮度的基本恒定。
因此，通过基于对应于环境中的不同位置的图像中的明暗特征的对比，可以基于明暗特征的分布来判断出环境中照明设施的是否存在故障，且通过预设的分类标签，可以进一步判断环境中具有预设位置关系的区域内的照明设施的故障情况。
在采集环境中的明暗特征时，可以将摄像头采集到的图像转化为灰度图像，进而通过深度神经网络来提取灰度图像内的明暗特征分布，此外，由于在灰度图像中，对应于源图像中的亮和暗的区域，即灰度图像中的高灰度值和低灰度值的图像体现出区域特性，因此，在本申请中部，可借助图割的思想来提取区域特征。也就是，通过计算灰度图像之间的差值图像，可以获得基于图像中的区域特性的能量特征，从而进一步由深度神经网络提取出与明暗特征的区域分布相关联的能量特征。这样，结合从单独的灰度图像中提取出的明暗特征分布，可以充分利用环境内的明暗特征，以获得准确的分类结果。
基于此，本申请提出了一种基于环境明暗特征的照明设施监控方法，其包括：分别获取相邻的第一摄像头和第二摄像头拍摄的第一夜间图像和第二夜间图像；将所述第一夜间图像和所述第二夜间图像分别转化为第一灰度图像和第二灰度图像；计算所述第一灰度图像和所述第二灰度图像的每个像素之间的差值以获得灰度差值图；将所述第一灰度图像、所述第二灰度图像以及所述灰度差值图像分别输入卷积神经网络以获得第一灰度特征图、第二灰度特征图和灰度差值特征图；融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图；以及，基于所述分类特征图使用分类函数获得分类结果，所述分类结果用于表示与所述第一摄像头和所述第二摄像头具有预定位置关系的区域内的照明设施的故障情况。
图1图示了根据本申请实施例的基于环境明暗特征的照明设施监控方法的应用场景图。
如图1所示，在该应用场景(在如图1所示意的示例中，所述应用场景为街道)中，设有多个照明设施(在如图1所示意的示例中，以包括照明设施L1和照明设施L2为示例)、多个摄像头(在如图1所示意的示例中，以包括第一摄像头C1和第二摄像头C2为示例)。相应地，所述第一摄像头和所述第二摄像头以俯视的角度对应于所述街道，以用于采集街道的第一夜间图像和第二夜间图像，进而，所述第一夜间图像和所述第二夜间图像被输入至部署有基于环境明暗特征的照明设施监控算法的服务器(在如图1所示意的示例中，以S表示服务器)中，其中，所述基于环境明暗特征的照明设施监控算法能够对所述第一夜间图像和所述第二夜间图像进行处理，以获得与所述第一摄像头和所述第二摄像头具有预定位置关系的区域内的照明设施的故障情况。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的使基于环境明暗特征的照明设施监控方法的流程图。如图2所示，根据本申请实施例的基于环境明暗特征的照明设施监控方法，包括：S110，分别获取相邻的第一摄像头和第二摄像头拍摄的第一夜间图像和第二夜间图像；S120，将所述第一夜间图像和所述第二夜间图像分别转化为第一灰度图像和第二灰度图像；S130，计算所述第一灰度图像和所述第二灰度图像的每个像素之间的差值以获得灰度差值图；S140，将所述第一灰度图像、所述第二灰度图像以及所述灰度差值图像分别输入卷积神经网络以获得第一灰度特征图、第二灰度特征图和灰度差值特征图；S150，融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图；以及，S160，基于所述分类特征图使用分类函数获得分类结果，所述分类结果用于表示与所述第一摄像头和所述第二摄像头具有预定位置关系的区域内的照明设施的故障情况。
在步骤S110中，分别获取相邻的第一摄像头和第二摄像头拍摄的第一夜间图像和第二夜间图像。特别地，在本申请实施例中，所述第一摄像头和所述第二摄像头以俯视视角对应于被拍摄的区域，也就是，所述第一夜间图像和所述第二夜间图像为所述第一摄像头和所述第二摄像头在其俯视视角下拍摄的图像。优选地，在本申请实施例中，所述第一摄像头和所述第二摄像头的光轴与被拍摄的区域之间所成的夹角的范围为60°至90°，这样，所述第一摄像头和所述第二摄像头能够采集到能够反应环境明暗特征的第一夜间图像和第二夜间图像。
值得一提的是，在本申请实施例中，所述第一摄像头和所述第二摄像头具有夜间拍摄性能，例如，所述第一摄像头和所述第二摄像头被实施为红外摄像头。当然，在本申请其他示例中，所述第一摄像头和所述第二摄像头能够被实施为其他类型的摄像头，例如，全通摄像头，对此，并不为本申请所局限。
在实际工作过程中，为了节省能量，所述第一摄像头和所述第二摄像头能够被设置在特定时间段工作，例如，仅设置在下午六点至凌晨六点之间工作，当然，其具体工作时段可基于实际情况作出调整，例如，在夏天适当地缩短其工作时长。考虑到不需要持续地对照明设施进行检测，因此，为了进一步地节省能量，在实际工作过程中，可以以预订周期对照明设施进行检测，例如，每三天检测一次等。
值得一提的是，在实际工作过程中，如果某处照明设施发生故障并被替换成新的照明设备，可重点关注此照明设施的发光情况，例如，所述第一摄像头和所述第二摄像头被设置在一周内连续监测该照明设施的发光情况，以确保新替换的照明设施能够提供良好的照明效果。
在具体部署所述第一摄像头和所述第二摄像头时，所述相邻的第一摄像头和第二摄像头为沿着街道的延伸方向布置的两个相邻的摄像头，例如，所述第一摄像头和所述第二摄像头可被实施为部署于路边的监控摄像头。当然，所述第一摄像头和所述第二摄像头还能够以其他方式进行部署，例如，所述相邻的第一摄像头和第二摄像头为与街道的延伸方向垂直地布置的两个相邻的摄像头，例如，所述第一摄像头和所述第二摄像头可被实施为用于拍摄交通违章的摄像头，对此，并不为本申请所局限。
在步骤S120中，将所述第一夜间图像和所述第二夜间图像分别转化为第一灰度图像和第二灰度图像。如前所述，本申请的照明设施的监控思路为：基于环境中不同位置的图像的明暗特征的分布来判断出环境中的照明设施是否存在故障。因此，在获得所述第一夜间图像和所述第二夜间图像后，将其转化为灰度图像，其中，在灰度图像中，对应于源图像中的亮和暗的区域，即灰度图像中的高灰度值和低灰度值的图像体现出区域特性。
在步骤S130中，计算所述第一灰度图像和所述第二灰度图像的每个像素之间的差值以获得灰度差值图。也就是，通过计算灰度图像之间的差值图像，可以获取基于图像中的区域特性的能量特征，从而进一步由深度神经网络提取出与明暗特征的区域分布相关联的能量特征。
在本申请一示例中，计算所述第一灰度图像与第二灰度图像的每个像素之间的差值以获得灰度差值图像的过程，包括：计算所述第一灰度图像与所述第二灰度图像的每个像素之间的灰度差值；以及，取每个灰度差值的绝对值以获得灰度差值图像。
应可以理解，由于灰度差值图像是以图割的思想获取基于图像中的区域特性的能量特征，所述能量特征仅需要考虑绝对值，而不需要考虑符号，即能量的增加或减少的方向性。也就是，在实际应用中，不需要考虑区域的方向性，即所述区域相对于图像整体具有更深或者更浅的深度的方向性。因此，通过取每个灰度差值的绝对值来获得灰度差值图像，可以更聚焦于图像中的明暗特征的以能量表示的区域特性，从而提高分类准确性。
在步骤S140中，将所述第一灰度图像、所述第二灰度图像以及所述灰度差值图像分别输入卷积神经网络以获得第一灰度特征图、第二灰度特征图和灰度差值特征图。也就是，通过深度神经网络提取出单独灰度图像的明暗特征和图像中的区域特性的能量特征。
在步骤S150中，融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图。也就是，结合从单独的灰度图像中提取出的明暗特征分布，以及，图像中的区域特征性的能量特征，以获得能够充分利用环境内的明暗特征的分类特征图。
在本申请一具体示例中，融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图的过程，包括：计算所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图的加权和以获得所述分类特征图，其中，所述灰度差值特征图的权重大于所述第一灰度特征图的权重或者所述第二灰度特征图的权重，且小于所述第一灰度特征图的权重与所述第二灰度特征图的权重之和。
特别地，在该示例中，在融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图的过程中，所述灰度差值特征图的权重大于所述第一灰度特征图的权重或者所述第二灰度特征图的权重，且小于所述第一灰度特征图的权重与所述第二灰度特征图的权重之和。如前所述，如果照明设施完好，则区域中的明暗特征应该保持规律分布，即按照单独照明设施的照明范围内亮度由内向外按照规律减弱，而由于两个相邻的照明设施的照明范围的重叠，又会出现亮度的叠加状态，从而保持亮度的基本恒定，基于如上情况分析可知，最终生成的分类特征图，其不仅需具有第一灰度特征图和第二灰度特征图的特征(即，具有能够表征单独的照明设备的照明特性的特征图)，同时，还需具有能够表征相邻两照明设施的照明特性的特征图(即，所述灰度差值特征图)。
并且，在所述分类特征图中，所述灰度差值特征图对于判断照明设施的故障情况的权重高于所述第一灰度特征图和所述第二灰度特征图，因此，在融合特征图的过程中，将各特征图的权重关系配置为：所述灰度差值特征图的权重大于所述第一灰度特征图的权重或者所述第二灰度特征图的权重，且小于所述第一灰度特征图的权重与所述第二灰度特征图的权重之和。
在本申请另一示例中，融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图的过程，包括如下步骤。
首先,计算所述第一灰度特征图与所述灰度差值特征图之间的图像差值的第一绝对值；
然后，计算所述第二灰度特征图与所述灰度差值特征图之间的图像差值的第二绝对值；
接着，计算所述第一绝对值与所述第二绝对值之和以作为所述灰度差值特征图相对于所述分类特征图的有向边缘值；以及
继而，基于所述有向边缘值对所述灰度差值特征图进行传递以获得所述分类特征图。
也就是，在该示例中，进一步借助图割的思想，如图4所示，通过计算所述第一灰度特征图与所述灰度差值特征图之间的图像差值的第一绝对值，和所述第二灰度特征图与所述灰度差值特征图之间的图像差值的第二绝对值，并以所述第一绝对值与所述第二绝对值之和作为所述灰度差值特征图相对于所述分类特征图的有向边缘值，通过这样的方式，可以保证所述灰度差值特征图向着所述分类特征图的能量特征的传递的单调性和连续性，以使得基于所述分类特征图进行分类的准确性提升。
图3图示了根据本申请实施例的基于环境明暗特征的照明设施监控方法中融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图的流程图。如图3所示，在该示例中，融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图，包括步骤：S210,计算所述第一灰度特征图与所述灰度差值特征图之间的图像差值的第一绝对值；S220，计算所述第二灰度特征图与所述灰度差值特征图之间的图像差值的第二绝对值；S230,计算所述第一绝对值与所述第二绝对值之和以作为所述灰度差值特征图相对于所述分类特征图的有向边缘值；以及，S240基于所述有向边缘值对所述灰度差值特征图进行传递以获得所述分类特征图。
在步骤S160中，基于所述分类特征图使用分类函数获得分类结果，所述分类结果用于表示与所述第一摄像头和所述第二摄像头具有预定位置关系的区域内的照明设施的故障情况。
特别地，当所述相邻的第一摄像头和第二摄像头为沿着街道的延伸方向布置的两个相邻的摄像头时，可将与所述第一摄像头和所述第二摄像头具有预定位置关系的区域划分为：沿着街道的延伸方向在所述第一摄像头和所述第二摄像头之间的第一区域，在所述第一摄像头相对于所述第二摄像头以外的第二区域以及所述第二摄像头相对于所述第一摄像头以外的第三区域，并且，可以在所述第一区域、所述第二区域和所述第三区域的至少一个中，对于所述区域内包含的各个照明设施进行编号。相对应地，所述分类函数具有对应于不同编号的照明设施的标签，且所述分类结果包括对应于每个标签的概率值，以用于表示与每个标签对应的编号的照明设施的故障概率值。
综上，基于本申请实施例的基于环境明暗特征的照明设施监控方法被阐明，其通过深度神经网络基于环境中不同位置的图像的明暗特征的分布来判断出环境中的照明设施是否存在故障。
值得一提的是，在本申请实施例中，用于照明设施的故障情况的深度神经网络由训练用夜间图像而获得，所述训练用夜间图像具有照明设施是否发生故障的标签。
示例性装置
图5图示了根据本申请实施例的基于环境明暗特征的照明设施监控系统的框图。
如图5所示，根据本申请实施例的照明设施监控系统500，包括：夜间图像获取单元510，用于分别获取相邻的第一摄像头和第二摄像头拍摄的第一夜间图像和第二夜间图像；灰度图像转化单元520，用于将所述夜间图像获取单元510获得的所述第一夜间图像和所述第二夜间图像分别转化为第一灰度图像和第二灰度图像；灰度差值图生成单元530，用于计算所述灰度图像转化单元520获得的所述第一灰度图像和所述第二灰度图像的每个像素之间的差值以获得灰度差值图；特征图生成单元540，用于将所述灰度图像转化单元520获得的所述第一灰度图像、所述灰度图像转化单元520获得的所述第二灰度图像以及所述灰度差值图生成单元530获得的所述灰度差值图像分别输入卷积神经网络以获得第一灰度特征图、第二灰度特征图和灰度差值特征图；特征图融合单元550，用于融合所述特征图生成单元540获得的所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图；以及，分类单元560，用于基于所述特征图融合单元550获得的所述分类特征图使用分类函数获得分类结果，所述分类结果用于表示与所述第一摄像头和所述第二摄像头具有预定位置关系的区域内的照明设施的故障情况。
在一个示例中，在上述照明设施监控系统500中，所述灰度差值图生成单元530，进一步用于：计算所述第一灰度图像与所述第二灰度图像的每个像素之间的灰度差值；以及，取每个灰度差值的绝对值以获得灰度差值图像。
在一个示例中，在上述照明设施监控系统500中，所述特征图融合单元550，进一步用于：计算所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图的加权和以获得所述分类特征图，其中，所述灰度差值特征图的权重大于所述第一灰度特征图的权重或者所述第二灰度特征图的权重，且小于所述第一灰度特征图的权重与所述第二灰度特征图的权重之和。
在一个示例中，在上述照明设施监控系统500中，如图6所示，所述特征图融合单元550，包括：第一绝对值计算子单元551，用于计算所述第一灰度特征图与所述灰度差值特征图之间的图像差值的第一绝对值；第二绝对值计算子单元552，用于计算所述第二灰度特征图与所述灰度差值特征图之间的图像差值的第二绝对值；有向边缘值计算子单元553，用于计算所述第一绝对值与所述第二绝对值之和以作为所述灰度差值特征图相对于所述分类特征图的有向边缘值；以及，传递子单元554，用于基于所述有向边缘值对所述灰度差值特征图进行传递以获得所述分类特征图。
在一个示例中，在上述照明设施监控系统500中，所述相邻的第一摄像头和第二摄像头为沿着街道的延伸方向布置的两个相邻的摄像头。
在一个示例中，在上述照明设施监控系统500中，所述第一摄像头和所述第二摄像头具有预定位置关系的区域包括沿着街道的延伸方向在所述第一摄像头和所述第二摄像头之间的第一区域，在所述第一摄像头相对于所述第二摄像头以外的第二区域以及所述第二摄像头相对于所述第一摄像头以外的第三区域。
在一个示例中，在上述照明设施监控系统500中，在所述第一区域、所述第二区域和所述第三区域的至少一个中，对于所述区域内包含的各个照明设施进行编号；以及，所述分类函数具有对应于不同编号的照明设施的标签，且所述分类结果包括对应于每个标签的概率值，以用于表示与每个标签对应的编号的照明设施的故障概率值。
在一个示例中，在上述照明设施监控系统500中，所述相邻的第一摄像头和第二摄像头为与街道的延伸方向垂直地布置的两个相邻的摄像头。
这里，本领域技术人员可以理解，上述照明设施监控系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于环境明暗特征的照明设施监控方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的照明设施监控系统500可以实现在各种终端设备中，例如用于监控照明设施的服务器等。在一个示例中，根据本申请实施例的照明设施监控系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该照明设施监控系统500可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该照明设施监控系统500同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该照明设施监控系统500与该终端设备也可以是分立的设备，并且该照明设施监控系统500可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于环境明暗特征的照明设施监控方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如夜间图像、分类结果等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于环境明暗特征的照明设施监控方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于环境明暗特征的照明设施监控方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于环境明暗特征的照明设施监控方法，其特征在于，包括：
分别获取相邻的第一摄像头和第二摄像头拍摄的第一夜间图像和第二夜间图像；
将所述第一夜间图像和所述第二夜间图像分别转化为第一灰度图像和第二灰度图像；
计算所述第一灰度图像和所述第二灰度图像的每个像素之间的差值以获得灰度差值图；
将所述第一灰度图像、所述第二灰度图像以及所述灰度差值图像分别输入卷积神经网络以获得第一灰度特征图、第二灰度特征图和灰度差值特征图；
融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图；以及
基于所述分类特征图使用分类函数获得分类结果，所述分类结果用于表示与所述第一摄像头和所述第二摄像头具有预定位置关系的区域内的照明设施的故障情况。
2.根据权利要求1所述的基于环境明暗特征的照明设施监控方法，其中，计算所述第一灰度图像与第二灰度图像的每个像素之间的差值以获得灰度差值图像，包括：
计算所述第一灰度图像与所述第二灰度图像的每个像素之间的灰度差值；以及
取每个灰度差值的绝对值以获得灰度差值图像。
3.根据权利要求1所述的基于环境明暗特征的照明设施监控方法，其中，融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图，包括：
计算所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图的加权和以获得所述分类特征图，其中，所述灰度差值特征图的权重大于所述第一灰度特征图的权重或者所述第二灰度特征图的权重，且小于所述第一灰度特征图的权重与所述第二灰度特征图的权重之和。
4.根据权利要求1所述的基于环境明暗特征的照明设施监控方法，其中，融合所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图，包括：
计算所述第一灰度特征图与所述灰度差值特征图之间的图像差值的第一绝对值；
计算所述第二灰度特征图与所述灰度差值特征图之间的图像差值的第二绝对值；
计算所述第一绝对值与所述第二绝对值之和以作为所述灰度差值特征图相对于所述分类特征图的有向边缘值；以及
基于所述有向边缘值对所述灰度差值特征图进行传递以获得所述分类特征图。
5.根据权利要求1所述的基于环境明暗特征的照明设施监控方法，其中，所述相邻的第一摄像头和第二摄像头为沿着街道的延伸方向布置的两个相邻的摄像头。
6.根据权利要求5所述的基于环境明暗特征的照明设施监控方法，其中，所述第一摄像头和所述第二摄像头具有预定位置关系的区域包括沿着街道的延伸方向在所述第一摄像头和所述第二摄像头之间的第一区域，在所述第一摄像头相对于所述第二摄像头以外的第二区域以及所述第二摄像头相对于所述第一摄像头以外的第三区域。
7.根据权利要求6所述的基于环境明暗特征的照明设施监控方法，其中，在所述第一区域、所述第二区域和所述第三区域的至少一个中，对于所述区域内包含的各个照明设施进行编号；以及，所述分类函数具有对应于不同编号的照明设施的标签，且所述分类结果包括对应于每个标签的概率值，以用于表示与每个标签对应的编号的照明设施的故障概率值。
8.根据权利要求1所述的基于环境明暗特征的照明设施监控方法、其中，所述相邻的第一摄像头和第二摄像头为与街道的延伸方向垂直地布置的两个相邻的摄像头。
9.一种基于环境明暗特征的照明设施监控系统，其特征在于，包括：
夜间图像获取单元，用于分别获取相邻的第一摄像头和第二摄像头拍摄的第一夜间图像和第二夜间图像；
灰度图像转化单元，用于将所述夜间图像获取单元获得的所述第一夜间图像和所述第二夜间图像分别转化为第一灰度图像和第二灰度图像；
灰度差值图生成单元，用于计算所述灰度图像转化单元获得的所述第一灰度图像和所述第二灰度图像的每个像素之间的差值以获得灰度差值图；
特征图生成单元，用于将所述灰度图像转化单元获得的所述第一灰度图像、所述灰度图像转化单元获得的所述第二灰度图像以及所述灰度差值图生成单元获得的所述灰度差值图像分别输入卷积神经网络以获得第一灰度特征图、第二灰度特征图和灰度差值特征图；
特征图融合单元，用于融合所述特征图生成单元获得的所述第一灰度特征图、所述第二灰度特征图和所述灰度差值特征图以获得分类特征图；以及
分类单元，用于基于所述特征图融合单元获得的所述分类特征图使用分类函数获得分类结果，所述分类结果用于表示与所述第一摄像头和所述第二摄像头具有预定位置关系的区域内的照明设施的故障情况。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-8中任一项所述的基于环境明暗特征的照明设施监控方法。
CN202011231917.4A 2020-11-06 2020-11-06 照明设施监控方法、系统和电子设备 Active CN112270284B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011231917.4A CN112270284B (zh) 2020-11-06 2020-11-06 照明设施监控方法、系统和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011231917.4A CN112270284B (zh) 2020-11-06 2020-11-06 照明设施监控方法、系统和电子设备

Publications (2)

Publication Number Publication Date
CN112270284A true CN112270284A (zh) 2021-01-26
CN112270284B CN112270284B (zh) 2021-12-03

Family

ID=74345116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011231917.4A Active CN112270284B (zh) 2020-11-06 2020-11-06 照明设施监控方法、系统和电子设备

Country Status (1)

Country Link
CN (1) CN112270284B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102946663A (zh) * 2012-05-18 2013-02-27 南昌绿扬光电科技有限公司 一种图像识别智能照明控制系统及其控制方法
CN104582209A (zh) * 2013-10-29 2015-04-29 杭州海康威视数字技术股份有限公司 补光灯故障检测方法及其装置
WO2016010720A1 (en) * 2014-07-15 2016-01-21 Qualcomm Incorporated Multispectral eye analysis for identity authentication
CN106241533A (zh) * 2016-06-28 2016-12-21 西安特种设备检验检测院 基于机器视觉的电梯乘员综合安全智能监控方法
CN106376163A (zh) * 2016-08-25 2017-02-01 福建福光股份有限公司 机场中线灯具的安全检测系统及方法
CN108229319A (zh) * 2017-11-29 2018-06-29 南京大学 基于帧间差异与卷积神经网络融合的船舶视频检测方法
CN108376253A (zh) * 2018-03-05 2018-08-07 西南交通大学 一种基于机器视觉的信号机故障监测方法
CN108628237A (zh) * 2018-07-02 2018-10-09 青岛华高物联网科技有限公司 一种地下综合管廊环境设备运行监控系统
CN108650503A (zh) * 2018-04-28 2018-10-12 努比亚技术有限公司 摄像头故障确定方法、装置及计算机可读存储介质
CN108738219A (zh) * 2018-06-25 2018-11-02 袁德森 基于路灯对电力系统进行诊断的智能监控系统
CN108845565A (zh) * 2018-08-17 2018-11-20 深圳市道通科技股份有限公司 一种车辆诊断的方法及车辆诊断仪
CN109064768A (zh) * 2018-09-28 2018-12-21 通号（长沙）轨道交通控制技术有限公司 一种用于交通信号设施工作状态实时监控系统及方法
CN109636777A (zh) * 2018-11-20 2019-04-16 广州方纬智慧大脑研究开发有限公司 一种交通信号灯的故障检测方法、系统及存储介质
CN109840900A (zh) * 2018-12-31 2019-06-04 常州轻工职业技术学院 一种应用于智能制造车间的故障在线检测系统及检测方法
CN110135343A (zh) * 2019-05-15 2019-08-16 南通大学 一种路灯智能检测与夜间状态判断方法
CN110191556A (zh) * 2019-05-28 2019-08-30 佛山市田昌灯饰有限公司 一种可语音控制的智能照明装置及控制方法
CN110309033A (zh) * 2019-07-15 2019-10-08 中国工商银行股份有限公司 故障监控方法、装置和系统
CN110428379A (zh) * 2019-07-29 2019-11-08 慧视江山科技(北京)有限公司 一种图像灰度增强方法及系统
KR102047977B1 (ko) * 2019-08-21 2019-11-22 주식회사 인포웍스 심층 신경망 알고리즘 기반 eo／ir 영상 융합 시스템 및 방법
CN110992725A (zh) * 2019-10-24 2020-04-10 合肥讯图信息科技有限公司 用于检测交通信号灯故障的方法、系统及存储介质
CN111160410A (zh) * 2019-12-11 2020-05-15 北京京东乾石科技有限公司 一种物体检测方法和装置

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102946663A (zh) * 2012-05-18 2013-02-27 南昌绿扬光电科技有限公司 一种图像识别智能照明控制系统及其控制方法
CN104582209A (zh) * 2013-10-29 2015-04-29 杭州海康威视数字技术股份有限公司 补光灯故障检测方法及其装置
WO2016010720A1 (en) * 2014-07-15 2016-01-21 Qualcomm Incorporated Multispectral eye analysis for identity authentication
CN106241533A (zh) * 2016-06-28 2016-12-21 西安特种设备检验检测院 基于机器视觉的电梯乘员综合安全智能监控方法
CN106376163A (zh) * 2016-08-25 2017-02-01 福建福光股份有限公司 机场中线灯具的安全检测系统及方法
CN108229319A (zh) * 2017-11-29 2018-06-29 南京大学 基于帧间差异与卷积神经网络融合的船舶视频检测方法
CN108376253A (zh) * 2018-03-05 2018-08-07 西南交通大学 一种基于机器视觉的信号机故障监测方法
CN108650503A (zh) * 2018-04-28 2018-10-12 努比亚技术有限公司 摄像头故障确定方法、装置及计算机可读存储介质
CN108738219A (zh) * 2018-06-25 2018-11-02 袁德森 基于路灯对电力系统进行诊断的智能监控系统
CN108628237A (zh) * 2018-07-02 2018-10-09 青岛华高物联网科技有限公司 一种地下综合管廊环境设备运行监控系统
CN108845565A (zh) * 2018-08-17 2018-11-20 深圳市道通科技股份有限公司 一种车辆诊断的方法及车辆诊断仪
CN109064768A (zh) * 2018-09-28 2018-12-21 通号（长沙）轨道交通控制技术有限公司 一种用于交通信号设施工作状态实时监控系统及方法
CN109636777A (zh) * 2018-11-20 2019-04-16 广州方纬智慧大脑研究开发有限公司 一种交通信号灯的故障检测方法、系统及存储介质
CN109840900A (zh) * 2018-12-31 2019-06-04 常州轻工职业技术学院 一种应用于智能制造车间的故障在线检测系统及检测方法
CN110135343A (zh) * 2019-05-15 2019-08-16 南通大学 一种路灯智能检测与夜间状态判断方法
CN110191556A (zh) * 2019-05-28 2019-08-30 佛山市田昌灯饰有限公司 一种可语音控制的智能照明装置及控制方法
CN110309033A (zh) * 2019-07-15 2019-10-08 中国工商银行股份有限公司 故障监控方法、装置和系统
CN110428379A (zh) * 2019-07-29 2019-11-08 慧视江山科技(北京)有限公司 一种图像灰度增强方法及系统
KR102047977B1 (ko) * 2019-08-21 2019-11-22 주식회사 인포웍스 심층 신경망 알고리즘 기반 eo／ir 영상 융합 시스템 및 방법
CN110992725A (zh) * 2019-10-24 2020-04-10 合肥讯图信息科技有限公司 用于检测交通信号灯故障的方法、系统及存储介质
CN111160410A (zh) * 2019-12-11 2020-05-15 北京京东乾石科技有限公司 一种物体检测方法和装置

Also Published As

Publication number Publication date
CN112270284B (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
AU2020100323A4 (en) Solar Power Forecasting
CN105608693B (zh) 车载全景环视的标定系统及方法
US11481991B2 (en) System and method for detecting and transmitting incidents of interest of a roadway to a remote server
KR102119721B1 (ko) 지능형 에지장치 및 그 장치의 구동방법
WO2010141419A2 (en) Non-kinematic behavioral mapping
Tetri et al. Tutorial: Road lighting for efficient and safe traffic environments
CN103761274A (zh) 以全景摄像机对街景数据库进行更新的方法
WO2017193172A1 (en) "solar power forecasting"
CN111931726A (zh) 交通灯检测的方法、装置、计算机存储介质和路侧设备
CN112418198B (zh) 基于灰度图能量值的人行走道的地砖起伏缺陷检测方法
CN111835961B (zh) 一种相机自动曝光的信息处理方法、装置及存储介质
CN112270284B (zh) 照明设施监控方法、系统和电子设备
US20210258564A1 (en) Profiling video devices
CN102609696A (zh) 基于图像识别的照明设备故障检测方法
CN110766045A (zh) 一种地下排水管道病害识别方法、智能终端及存储介质
CN112101302B (zh) 非法张贴物检测方法、系统和电子设备
KR100961675B1 (ko) 발광 다이오드를 이용하는 교통 신호등
CN113569956A (zh) 一种基于ai算法的山火灾害勘查识别方法
CN112749746A (zh) 一种缺陷样本迭代更新方法、系统及装置
CN111126187A (zh) 火情检测方法、系统、电子设备及存储介质
de La Rocha et al. Image-processing algorithms for detecting and counting vehicles waiting at a traffic light
Soustek et al. Possibilities of intelligent camera system based on virtual instrumentation: Technology of Broadband LIGHT for" Smart City" concept
Kabir et al. Energy efficient street lighting: a GIS approach
KR102348233B1 (ko) Cctv 동영상 콘트라스트 최적화를 이용한 영상 감시 장치
CN117255250A (zh) 一种基于摄像机镜头自适应调节透光度的停车管理方法

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
CB03 Change of inventor or designer information

Inventor after: Li Yongshan

Inventor after: Hu Liangliang

Inventor after: Wang Fengjun

Inventor after: Wang Bin

Inventor before: Wang Bin

CB03 Change of inventor or designer information
TA01 Transfer of patent application right

Effective date of registration: 20211117

Address after: 250000 4b, building 2, No. 26, Beiyuan street, Licheng District, Jinan City, Shandong Province

Applicant after: Osford Group Ltd.

Address before: 210000 75-4 Renmin South Road, Gucheng Town, Gaochun District, Nanjing City, Jiangsu Province

Applicant before: Nanjing binzhizhi Network Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Lighting facility monitoring method, system and electronic equipment

Effective date of registration: 20211230

Granted publication date: 20211203

Pledgee: Jinan Rural Commercial Bank Co.,Ltd. Licheng sub branch

Pledgor: Osford Group Ltd.

Registration number: Y2021980017093

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20230104

Granted publication date: 20211203

Pledgee: Jinan Rural Commercial Bank Co.,Ltd. Licheng sub branch

Pledgor: Osford Group Ltd.

Registration number: Y2021980017093

PC01 Cancellation of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Lighting monitoring methods, systems and electronic equipment

Effective date of registration: 20230106

Granted publication date: 20211203

Pledgee: Jinan Rural Commercial Bank Co.,Ltd. Licheng sub branch

Pledgor: Osford Group Ltd.

Registration number: Y2023980030464

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20231016

Granted publication date: 20211203

Pledgee: Jinan Rural Commercial Bank Co.,Ltd. Licheng sub branch

Pledgor: Osford Group Ltd.

Registration number: Y2023980030464

PC01 Cancellation of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Lighting facility monitoring methods, systems, and electronic equipment

Effective date of registration: 20231023

Granted publication date: 20211203

Pledgee: Jinan Rural Commercial Bank Co.,Ltd. Licheng sub branch

Pledgor: Osford Group Ltd.

Registration number: Y2023980062094

PE01 Entry into force of the registration of the contract for pledge of patent right