CN112381054A - 摄像机的工作状态检测方法及相关设备、系统 - Google Patents

摄像机的工作状态检测方法及相关设备、系统 Download PDF

Info

Publication number
CN112381054A
CN112381054A CN202011390229.2A CN202011390229A CN112381054A CN 112381054 A CN112381054 A CN 112381054A CN 202011390229 A CN202011390229 A CN 202011390229A CN 112381054 A CN112381054 A CN 112381054A
Authority
CN
China
Prior art keywords
camera
training
model
sample
learning algorithm
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
CN202011390229.2A
Other languages
English (en)
Inventor
朱道鸽
余雷
杨臻
刘红彪
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.)
Netposa Technologies Ltd
Original Assignee
Netposa Technologies 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 Netposa Technologies Ltd filed Critical Netposa Technologies Ltd
Priority to CN202011390229.2A priority Critical patent/CN112381054A/zh
Publication of CN112381054A publication Critical patent/CN112381054A/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
    • G06V20/10—Terrestrial 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Studio Devices (AREA)

Abstract

本申请涉及一种摄像机的工作状态检测方法及相关设备、系统，摄像机的工作状态检测方法包括：按照预设时间间隔，获取待检测的摄像机拍摄的图片；基于预先训练好的深度学习算法模型，对图片进行识别，得到识别结果；根据识别结果，确定当前摄像机的工作状态。如此，无需人工逐个进行视频开流轮巡，也无需人工对拍摄的视频结果进行逐一查看并记录查看结果，有效节约了人力资源，节省了工作时间，提高了识别效率，避免了摄像机镜头被长时间遮挡而没有被及时处理的情况发生，保证了摄像机的正常工作。

Description

摄像机的工作状态检测方法及相关设备、系统
技术领域
本申请涉及图像检测技术领域，具体涉及一种摄像机的工作状态检测方法及相关设备、系统。
背景技术
对于安装在室外的摄像机设备，其在安装之后，受设置环境的影响，经常会被树叶等障碍物遮挡。因此在摄像机设备工作的过程中，需要对摄像机设备的工作状态进行查看，避免摄像机长时间被障碍物遮挡进而影响其正常工作。
目前针对摄像机镜头被树叶等障碍物遮挡情况的识别，主要是依靠轮巡摄像机开流以及人工对播放画面查看来实现。依靠轮巡摄像机开流需要工作人员逐个进行视频开流轮巡，耗时比较长，识别效率比较低；人工对播放画面进行查看识别也需要消耗大量人力和时间对拍摄的视频进行查看和标记，并不能及时、有效地发现并解决镜头被遮挡的问题。
发明内容
有鉴于此，本申请的目的在于克服现有技术的不足，提供一种摄像机的工作状态检测方法及相关设备、系统。
为实现以上目的，本申请采用如下技术方案：
本申请的第一方面提供一种摄像机的工作状态检测方法，包括：
按照预设时间间隔，获取待检测的摄像机拍摄的图片；
基于预先训练好的深度学习算法模型，对所述图片进行识别，得到识别结果；
根据所述识别结果，确定当前所述摄像机的工作状态。
可选的，所述获取待检测的摄像机拍摄的图片之前，还包括：
获取所述摄像机在多种场景下拍摄的若干样本图片；
对若干所述样本图片进行分类，得到预设种类的样本训练集；
将所述预设种类的样本训练集输入到训练模型中进行训练，构建所述深度学习算法模型。
可选的，所述将所述预设种类的样本训练集输入到训练模型中进行训练，构建所述深度学习算法模型，包括：
配置所述训练模型的参数；
将所述预设种类的样本训练集输入到训练模型中进行训练，得到第一训练结果模型；
计算所述第一训练结果模型的准确率，判断所述准确率是否达到预设阈值；
若所述准确率达到所述预设阈值，则所述第一训练结果模型为所述深度学习算法模型；若所述准确率未达到所述预设阈值，则继续对所述第一训练结果模型进行训练，直至所述准确率达到所述预设阈值。
可选的，所述样本训练集包括：被树叶遮挡的样本训练集、被其他障碍物遮挡的样本训练集和无遮挡的样本训练集。
可选的，所述基于预先训练好的深度学习算法模型，对所述图片进行识别，得到识别结果，包括：
利用所述深度学习算法模型对所述图片进行结构化处理；
对结构化处理后的图片进行特征提取，得到特征值；
将所述特征值与所述深度学习算法模型的样本库中的样本特征值进行比对，得到比对结果；
根据所述比对结果，确定所述识别结果。
可选的，所述确定当前所述摄像机的工作状态之后，所述方法还包括：
将所述图片和所述识别结果加入到所述深度学习算法模型的样本库。
可选的，所述摄像机的工作状态包括：被树叶遮挡、被其他遮挡物遮挡和无遮挡；
所述确定当前所述摄像机的工作状态之后，所述方法还包括：
若所述摄像机的状态为被树叶遮挡，发出第一提示信息；
若所述摄像机的状态为被其他遮挡物遮挡，发出第二提示信息。
本申请的第二方面提供一种摄像机的工作状态检测装置，包括：
获取模块，用于按照预设时间间隔，获取待检测的摄像机拍摄的图片；
识别模块，用于基于预先训练好的深度学习算法模型，对所述图片进行识别，得到识别结果；
确定模块，用于根据所述识别结果，确定当前所述摄像机的工作状态。
本申请的第三方面提供一种摄像机的工作状态检测设备，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序；
所述处理器用于调用并执行所述存储器中的所述计算机程序，以执行如本申请的第一方面所述的方法。
本申请的第四方面提供一种室外视频监测系统，包括摄像机和如本申请的第三方面所述的摄像机的工作状态检测设备。
本申请提供的技术方案可以包括以下有益效果：
本申请的方案中，可以预先设置好时间间隔，然后按照预设时间间隔来获取摄像机拍摄的图片，以便于实现对摄像机状态的实时检测；在获取到摄像机拍摄的图片后，可以将图片输入到已经预先训练好的深度学习算法模型中，利用深度学习算法模型即可完成对图片的识别，得到识别结果，从而根据识别结果就可以确定出当前摄像机的工作状态。如此，无需人工逐个进行视频开流轮巡，也无需人工对拍摄的视频结果进行逐一查看并记录查看结果，有效节约了人力资源，节省了工作时间，提高了识别效率，避免了摄像机镜头被长时间遮挡而没有被及时处理的情况发生，保证了摄像机的正常工作。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请一个实施例提供的一种摄像机的工作状态检测方法的流程图。
图2是本申请另一个实施例提供的一种摄像机的工作状态检测装置的结构示意图。
图3是本申请另一个实施例提供的一种摄像机的工作状态检测设备的结构示意图。
图4是本申请另一个实施例提供的一种室外视频监测系统的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
参见图1是本申请一个实施例提供的一种摄像机的工作状态检测方法的流程图。本申请的实施例提供一种摄像机的工作状态检测方法，如图所示，该方法具体可以包括如下步骤：
步骤11、按照预设时间间隔，获取待检测的摄像机拍摄的图片。
实施时，可以每隔一段时间获取一次待检测的摄像机拍摄的图片，将获取到的图片作为待检测图片，以确认摄像机是否处于正常工作状态。例如，每隔一个小时获取一次待检测的摄像机拍摄的图片，如此，能保证待检测的摄像机的镜头被遮挡物遮挡住的时候能够被及时发现，便于工作人员及时处理。
其中，预设时间间隔可以根据实际需求进行设置，此处不作限定。
步骤12、基于预先训练好的深度学习算法模型，对所述图片进行识别，得到识别结果。
步骤13、根据所述识别结果，确定当前所述摄像机的工作状态。
在本实施例中，可以预先设置好时间间隔，然后按照预设时间间隔来获取摄像机拍摄的图片，以便于实现对摄像机状态的实时检测；在获取到摄像机拍摄的图片后，可以将图片输入到已经预先训练好的深度学习算法模型中，利用深度学习算法模型即可完成对图片的识别，得到识别结果，从而根据识别结果就可以确定出当前摄像机的工作状态。如此，无需人工逐个进行视频开流轮巡，也无需人工对拍摄的视频结果进行逐一查看并记录查看结果，有效节约了人力资源，节省了工作时间，提高了识别效率，避免了摄像机镜头被长时间遮挡而没有被及时处理的情况发生，保证了摄像机的正常工作。
一些实施例中，为了确保能够准确识别出待检测的摄像机的工作状态，可以预先对深度学习算法模型进行训练，具体的训练过程可以包括：获取摄像机在多种场景下拍摄的若干样本图片；对若干样本图片进行分类，得到预设种类的样本训练集；将预设种类的样本训练集输入到训练模型中进行训练，构建深度学习算法模型。
样本训练集可以包括：被树叶遮挡的样本训练集、被其他障碍物遮挡的样本训练集和无遮挡的样本训练集。
具体实施时，可以首先采集若干张摄像机被树叶遮挡、被其他障碍物遮挡、无遮挡三种情形下的抓拍图片，然后整理这些抓拍图片，将其按照被树叶遮挡、被其他障碍物遮挡和无遮挡三种类型进行分类，得到三种类型的样本训练集，将三种类型的样本训练集输入到训练模型中进行训练，即可构建能够识别摄像机是否被遮挡物遮挡的深度学习算法模型。
其中，训练模型可以是Tensor Flow模型。
为了进一步提高构建的深度学习算法模型的准确率，一些实施例中，上述将预设种类的样本训练集输入到训练模型中进行训练，构建深度学习算法模型，具体可以包括：配置训练模型的参数；将预设种类的样本训练集输入到训练模型中进行训练，得到第一训练结果模型；计算第一训练结果模型的准确率，判断准确率是否达到预设阈值；若准确率达到预设阈值，则第一训练结果模型为深度学习算法模型；若准确率未达到预设阈值，则继续对第一训练结果模型进行训练，直至准确率达到预设阈值。
具体实施时，在整理好样本训练集后，配置好深度学习算法训练模型需要修改的参数，例如，将Tensor Flow模型的参数设置为：分类数量labels_nums＝3、批尺寸batch_size＝32、学习率learning_rate＝0.2；将样本训练集中的样本图片输入到配置好参数的Tensor Flow模型中进行训练，在本次训练结束后得到Tensor Flow模型训练收敛之后的第一训练结果模型。计算第一训练结果模型的准确率，判断准确率是否达到预设阈值(比如80％)。如果准确率能够达到预设阈值，则训练结束，第一训练结果模型即为深度学习算法模型；如果准确率没有达到预设阈值，则返回对训练集样本集、训练模型参数进行调整，例如：增加训练集样本数量、将批尺寸batch_size增大、将学习率learning_rate调小等，然后对继续对第一训练结果模型进行训练，直至准确率能够达到预设阈值。
其中，预设阈值可以根据实际需求进行设定，此处不作限定。
一些实施例中，上述步骤12具体还可以包括：利用深度学习算法模型对图片进行结构化处理；对结构化处理后的图片进行特征提取，得到特征值；将特征值与深度学习算法模型的样本库中的样本特征值进行比对，得到比对结果；根据比对结果，确定识别结果。
具体实施时，可以通过调用视频设备接口来获取到抓拍图片，将抓拍到的图片输入到预先训练好的深度学习算法模型中进行图片特征的提取，得到抓拍图片的特征值。将抓拍图片的特征值与参与模型训练的样本训练集中的类型样本图片进行特征值比对，获取抓拍图片与各类型样本图片的比对相似度，选取比对相似度最高的类型为当前抓拍图片所述的遮挡类型(树叶遮挡、其他遮挡、无遮挡)。如此，即可确定出摄像机的工作状态。例如，识别结果为被树叶遮挡，则当前摄像机处于被树叶遮挡而无法正常工作的状态，需要工作人员进行处理。
其中，摄像机的工作状态可以包括：被树叶遮挡、被其他遮挡物遮挡和无遮挡。
在得到识别结果，确定当前摄像机的工作状态之后，若摄像机的状态为被树叶遮挡，可以发出第一提示信息，以提示工作人员当前摄像机处于被树叶遮挡而无法正常工作的状态，需要工作人员处理；若摄像机的状态为被其他遮挡物遮挡，可以发出第二提示信息，以提示工作人员当前摄像机处于被其他遮挡物遮挡而无法继续正常工作的状态，需要工作人员前去处理。
为了进一步扩充样本训练集的样本数量，提升深度学习算法的准确率，上述确定当前摄像机的工作状态之后，还可以将图片和识别结果加入到深度学习算法模型的样本库中。
同样的，为了确保加入到深度学习算法模型的样本库中的图片和其对应的识别结果是准确的，还可以在得到识别结果时，利用人工确认当前图片的遮挡类型的识别结果是否准确。
本申请的实施例提供一种摄像机的工作状态检测装置，如图2所示，该装置具体可以包括：获取模块201，用于按照预设时间间隔，获取待检测的摄像机拍摄的图片；识别模块202，用于基于预先训练好的深度学习算法模型，对所述图片进行识别，得到识别结果；确定模块203，用于根据所述识别结果，确定当前所述摄像机的工作状态。
可选的，摄像机的工作状态检测装置还可以包括训练模块，训练模块用于：获取摄像机在多种场景下拍摄的若干样本图片；对若干样本图片进行分类，得到预设种类的样本训练集；将预设种类的样本训练集输入到训练模型中进行训练，构建深度学习算法模型。
可选的，将预设种类的样本训练集输入到训练模型中进行训练，构建深度学习算法模型，训练模块，具体可以用于：配置训练模型的参数；将预设种类的样本训练集输入到训练模型中进行训练，得到第一训练结果模型；计算第一训练结果模型的准确率，判断准确率是否达到预设阈值；若准确率达到预设阈值，则第一训练结果模型为深度学习算法模型；若准确率未达到预设阈值，则继续对第一训练结果模型进行训练，直至准确率达到预设阈值。
可选的，样本训练集可以包括：被树叶遮挡的样本训练集、被其他障碍物遮挡的样本训练集和无遮挡的样本训练集。
可选的，识别模块202，具体可以用于：利用深度学习算法模型对图片进行结构化处理；对结构化处理后的图片进行特征提取，得到特征值；将特征值与深度学习算法模型的样本库中的样本特征值进行比对，得到比对结果；根据比对结果，确定识别结果。
可选的，摄像机的工作状态检测装置还可以包括扩展模块，扩展模块用于：将图片和识别结果加入到深度学习算法模型的样本库。
可选的，摄像机的工作状态可以包括：被树叶遮挡、被其他遮挡物遮挡和无遮挡。相应的，扩展模块还可以用于：若摄像机的状态为被树叶遮挡，发出第一提示信息；若摄像机的状态为被其他遮挡物遮挡，发出第二提示信息。
本申请实施例提供的摄像机的工作状态检测装置的具体实施方案可以参考以上任意实施例所述的摄像机的工作状态检测方法的实施方案，此处不再赘述。
本申请的实施例提供一种摄像机的工作状态检测设备，如图3所示，该设备具体可以包括：处理器301，以及与处理器301相连接的存储器302；存储器302用于存储计算机程序；处理器301用于调用并执行存储器302中的计算机程序，以执行如以上任意实施例所述的摄像机的工作状态检测方法。
本申请实施例提供的摄像机的工作状态检测设备的具体实施方案可以参考以上任意实施例所述的摄像机的工作状态检测方法的实施方案，此处不再赘述。
本申请的实施例提供一种室外视频监测系统，如图4所示，室外视频监测系统可以包括摄像机401和如以上任意实施例所述的摄像机的工作状态检测设备402。
其中，摄像机401可以是多个。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种摄像机的工作状态检测方法，其特征在于，包括：
按照预设时间间隔，获取待检测的摄像机拍摄的图片；
基于预先训练好的深度学习算法模型，对所述图片进行识别，得到识别结果；
根据所述识别结果，确定当前所述摄像机的工作状态。
2.根据权利要求1所述的方法，其特征在于，所述获取待检测的摄像机拍摄的图片之前，还包括：
获取所述摄像机在多种场景下拍摄的若干样本图片；
对若干所述样本图片进行分类，得到预设种类的样本训练集；
将所述预设种类的样本训练集输入到训练模型中进行训练，构建所述深度学习算法模型。
3.根据权利要求2所述的方法，其特征在于，所述将所述预设种类的样本训练集输入到训练模型中进行训练，构建所述深度学习算法模型，包括：
配置所述训练模型的参数；
将所述预设种类的样本训练集输入到训练模型中进行训练，得到第一训练结果模型；
计算所述第一训练结果模型的准确率，判断所述准确率是否达到预设阈值；
若所述准确率达到所述预设阈值，则所述第一训练结果模型为所述深度学习算法模型；若所述准确率未达到所述预设阈值，则继续对所述第一训练结果模型进行训练，直至所述准确率达到所述预设阈值。
4.根据权利要求2或3所述的方法，其特征在于，所述样本训练集包括：被树叶遮挡的样本训练集、被其他障碍物遮挡的样本训练集和无遮挡的样本训练集。
5.根据权利要求1所述的方法，其特征在于，所述基于预先训练好的深度学习算法模型，对所述图片进行识别，得到识别结果，包括：
利用所述深度学习算法模型对所述图片进行结构化处理；
对结构化处理后的图片进行特征提取，得到特征值；
将所述特征值与所述深度学习算法模型的样本库中的样本特征值进行比对，得到比对结果；
根据所述比对结果，确定所述识别结果。
6.根据权利要求1所述的方法，其特征在于，所述确定当前所述摄像机的工作状态之后，所述方法还包括：
将所述图片和所述识别结果加入到所述深度学习算法模型的样本库。
7.根据权利要求1所述的方法，其特征在于，所述摄像机的工作状态包括：被树叶遮挡、被其他遮挡物遮挡和无遮挡；
所述确定当前所述摄像机的工作状态之后，所述方法还包括：
若所述摄像机的状态为被树叶遮挡，发出第一提示信息；
若所述摄像机的状态为被其他遮挡物遮挡，发出第二提示信息。
8.一种摄像机的工作状态检测装置，其特征在于，包括：
获取模块，用于按照预设时间间隔，获取待检测的摄像机拍摄的图片；
识别模块，用于基于预先训练好的深度学习算法模型，对所述图片进行识别，得到识别结果；
确定模块，用于根据所述识别结果，确定当前所述摄像机的工作状态。
9.一种摄像机的工作状态检测设备，其特征在于，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序；
所述处理器用于调用并执行所述存储器中的所述计算机程序，以执行如权利要求1-7任一项所述的方法。
10.一种室外视频监测系统，其特征在于，包括摄像机和如权利要求9所述的摄像机的工作状态检测设备。
CN202011390229.2A 2020-12-02 2020-12-02 摄像机的工作状态检测方法及相关设备、系统 Pending CN112381054A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011390229.2A CN112381054A (zh) 2020-12-02 2020-12-02 摄像机的工作状态检测方法及相关设备、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011390229.2A CN112381054A (zh) 2020-12-02 2020-12-02 摄像机的工作状态检测方法及相关设备、系统

Publications (1)

Publication Number Publication Date
CN112381054A true CN112381054A (zh) 2021-02-19

Family

ID=74590439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011390229.2A Pending CN112381054A (zh) 2020-12-02 2020-12-02 摄像机的工作状态检测方法及相关设备、系统

Country Status (1)

Country Link
CN (1) CN112381054A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113401617A (zh) * 2021-07-09 2021-09-17 泰戈特（北京）工程技术有限公司 一种选煤厂生产线物料堵塞检测系统
CN113705472A (zh) * 2021-08-30 2021-11-26 平安国际智慧城市科技股份有限公司 基于图像识别的异常摄像头排查方法、装置、设备及介质
CN113824884A (zh) * 2021-10-20 2021-12-21 深圳市睿联技术股份有限公司 拍摄方法与装置、摄影设备及计算机可读存储介质
CN115082571A (zh) * 2022-07-20 2022-09-20 深圳云游四海信息科技有限公司 用于路内停车摄像机的异常检测方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102176244A (zh) * 2011-02-17 2011-09-07 东方网力科技股份有限公司 一种确定摄像头被遮挡的方法及装置
CN108712606A (zh) * 2018-05-14 2018-10-26 Oppo广东移动通信有限公司 提示方法、装置、存储介质及移动终端
CN109389146A (zh) * 2018-08-22 2019-02-26 中翔科技（杭州）有限公司 基于神经网络图像分类算法的设备状态反馈方法及系统
CN111209807A (zh) * 2019-12-25 2020-05-29 航天信息股份有限公司 一种基于yolov3的视频结构化方法及系统
CN111476124A (zh) * 2020-03-26 2020-07-31 杭州鸿泉物联网技术股份有限公司 摄像头检测方法、装置、电子设备及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102176244A (zh) * 2011-02-17 2011-09-07 东方网力科技股份有限公司 一种确定摄像头被遮挡的方法及装置
CN108712606A (zh) * 2018-05-14 2018-10-26 Oppo广东移动通信有限公司 提示方法、装置、存储介质及移动终端
CN109389146A (zh) * 2018-08-22 2019-02-26 中翔科技（杭州）有限公司 基于神经网络图像分类算法的设备状态反馈方法及系统
CN111209807A (zh) * 2019-12-25 2020-05-29 航天信息股份有限公司 一种基于yolov3的视频结构化方法及系统
CN111476124A (zh) * 2020-03-26 2020-07-31 杭州鸿泉物联网技术股份有限公司 摄像头检测方法、装置、电子设备及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113401617A (zh) * 2021-07-09 2021-09-17 泰戈特（北京）工程技术有限公司 一种选煤厂生产线物料堵塞检测系统
CN113705472A (zh) * 2021-08-30 2021-11-26 平安国际智慧城市科技股份有限公司 基于图像识别的异常摄像头排查方法、装置、设备及介质
CN113705472B (zh) * 2021-08-30 2024-01-26 平安国际智慧城市科技股份有限公司 基于图像识别的异常摄像头排查方法、装置、设备及介质
CN113824884A (zh) * 2021-10-20 2021-12-21 深圳市睿联技术股份有限公司 拍摄方法与装置、摄影设备及计算机可读存储介质
CN113824884B (zh) * 2021-10-20 2023-08-08 深圳市睿联技术股份有限公司 拍摄方法与装置、摄影设备及计算机可读存储介质
CN115082571A (zh) * 2022-07-20 2022-09-20 深圳云游四海信息科技有限公司 用于路内停车摄像机的异常检测方法和系统

Similar Documents

Publication Publication Date Title
CN112381054A (zh) 摄像机的工作状态检测方法及相关设备、系统
US8737740B2 (en) Information processing apparatus, information processing method, and non-transitory computer-readable storage medium
US20160098636A1 (en) Data processing apparatus, data processing method, and recording medium that stores computer program
CN112001230B (zh) 睡觉行为的监控方法、装置、计算机设备和可读存储介质
CN107133629B (zh) 图片分类方法、装置和移动终端
CN110516572B (zh) 一种识别体育赛事视频片段的方法、电子设备及存储介质
CN111223129A (zh) 检测方法、检测装置、监控设备和计算机可读存储介质
CN111832492A (zh) 静态交通异常的判别方法、装置、计算机设备及存储介质
CN110472561B (zh) 足球进球类型识别方法、装置、系统及存储介质
CN112804519A (zh) 摄像头遮挡检测方法、装置、电子设备及通道闸
CN112380977A (zh) 吸烟行为检测方法和装置
CN113723157A (zh) 一种农作物病害识别方法、装置、电子设备及存储介质
CN106781167B (zh) 监测物体运动状态的方法及设备
CN117132768A (zh) 车牌及人脸检测和脱敏方法、装置、电子设备和存储介质
CN115661475A (zh) 一种图像异物识别方法、装置、设备及存储介质
CN111553408B (zh) 视频识别软件自动测试的方法
CN114973135A (zh) 一种基于头肩的时序视频睡岗识别方法、系统及电子设备
CN115205541A (zh) 泄漏检测方法及相关装置、电子设备和存储介质
CN114005060A (zh) 图像数据的确定方法及装置
CN113096024B (zh) 用于深度数据的去飞点方法及其系统和电子设备
CN113837138A (zh) 一种着装监控方法、系统、介质及电子终端
CN114782883A (zh) 基于群体智能的异常行为检测方法、装置和设备
CN114051624A (zh) 检测游戏区域上游戏道具的方法及装置、设备、存储介质
CN114169404A (zh) 一种基于图像智能获取边坡病害量化信息方法
CN111160156A (zh) 一种移动物体的识别方法及装置

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210219