CN112528854A - 振动对象监测方法、装置、计算机设备和存储介质 - Google Patents

振动对象监测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112528854A
CN112528854A CN202011452604.1A CN202011452604A CN112528854A CN 112528854 A CN112528854 A CN 112528854A CN 202011452604 A CN202011452604 A CN 202011452604A CN 112528854 A CN112528854 A CN 112528854A
Authority
CN
China
Prior art keywords
vibration
information
monitoring
area
video picture
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
CN202011452604.1A
Other languages
English (en)
Other versions
CN112528854B (zh
Inventor
彭煜民
汪志强
张豪
陈恒俊
胡迅
冯推祥
孙立群
陈满
卢勇
刘涛
林恺
韩玉麟
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.)
Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Original Assignee
Peak and Frequency Regulation Power Generation Co of China Southern Power Grid 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 Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd filed Critical Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Priority to CN202011452604.1A priority Critical patent/CN112528854B/zh
Priority to US18/550,727 priority patent/US11972557B2/en
Priority to PCT/CN2021/079472 priority patent/WO2022121132A1/zh
Publication of CN112528854A publication Critical patent/CN112528854A/zh
Application granted granted Critical
Publication of CN112528854B publication Critical patent/CN112528854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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
    • 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
    • G06V10/443—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 by matching or filtering
    • 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
    • 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
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B6/00—Tactile signalling systems, e.g. personal calling systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments
    • G06F2218/18—Classification; Matching by matching signal segments by plotting the signal segments against each other, e.g. analysing scattergrams
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30108—Industrial image inspection
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • 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
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Analysis (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请涉及一种振动对象监测方法、装置、计算机设备和存储介质。所述方法包括：若检测到在针对目标监控区域的监控视频画面中存在振动对象时，确定所述监控视频画面中的振动对象区域；所述振动对象区域为所述振动对象在所述监控视频画面中所处的区域；记录所述振动对象的关键点在所述振动对象区域中的位移信息；基于所述位移信息，确定所述振动对象在所述监控视频画面中的振动信息；根据所述振动信息，生成针对所述目标监控区域的振动对象监测结果。采用本方法能够及时地对目标监控区域的振动对象进行异常振动监控。

Description

振动对象监测方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种振动对象监测方法、装置、计算机设备和存储介质。
背景技术
工业管路内工质在流动过程中由于阀门开合或者出现工质泄露等异常情况，工质在惯性作用下往往带来管路振动。正常情况下，管路允许在一定振幅和频率振动，若超出正常范围且未能及时处理，则容易带来管路破损或者导致连接法兰、阀门处出现工质泄露。
相关技术中，往往是需要工作人员人工对工业管路产生的振动进行监测。然而，管路振动及其先兆现象的出现往往具有随机性，而人工监测无法实现全范围全时段监视，这使得相关技术无法及时地监测出工业管路的异常振动。
发明内容
基于此，有必要针对上述技术问题，提供一种能够及时地对目标监控区域的振动对象进行振动监控的振动对象监测方法、装置、计算机设备和存储介质。
一种振动对象监测方法，所述方法包括：
若检测到在针对目标监控区域的监控视频画面中存在振动对象时，确定所述监控视频画面中的振动对象区域；所述振动对象区域为所述振动对象在所述监控视频画面中所处的区域；
记录所述振动对象的关键点在所述振动对象区域中的位移信息；
基于所述位移信息，确定所述振动对象在所述监控视频画面中的振动信息；
根据所述振动信息，生成针对所述目标监控区域的振动对象监测结果。
在其中一个实施例中，所述方法还包括：
获取所述监控视频画面中的图像内容变化程度；
若所述图像内容变化程度处于预设变化范围，则判定在所述监控视频画面中存在振动对象。
在其中一个实施例中，所述确定所述监控视频画面中的振动对象区域，包括：
将所述监控视频画面划分为若干个候选区域；
获取各个所述候选区域在所述监控视频画面中对应的图像内容变化程度；
将所述图像内容变化程度最高的所述候选区域，作为所述振动对象区域。
在其中一个实施例中，所述记录所述振动对象的关键点在所述振动对象区域中的位移信息，包括：
分别计算在所述监控视频画面的每一图像帧中，所述振动对象的关键点与所述振动对象区域中的原点之间的距离，作为关键点距离；
将每一所述图像帧对应的关键点距离，作为所述位移信息。
在其中一个实施例中，所述基于所述位移信息，确定所述振动对象在所述监控视频画面中的振动信息，包括：
根据每一所述图像帧对应的关键点距离，绘制出针对所述振动对象的振动周期信号；
根据所述振动周期信号，确定出所述振动对象的振动幅值和振动频率。
在其中一个实施例中，所述振动信息包括所述振动对象的振动幅值和振动频率，所述根据所述振动信息，生成针对所述目标监控区域的振动对象监测结果，包括：
若所述振动幅值大于预设的幅值阈值，和/或，所述振动频率大于预设的频率阈值，则生成针对所述振动对象的振动异常告警信息，作为所述振动对象监测结果。
在其中一个实施例中，当所述振动对象为管路时，所述生成针对所述振动对象的振动异常告警信息，包括：
识别出所述管路在所述监控视频画面的管路颜色信息，以及，获取所述目标监控区域的区域类型信息；
根据所述管路颜色信息和区域类型信息，查询出所述管路对应的管路类型信息和管路工质信息；
生成包含有所述管路类型信息、所述管路工质信息和所述振动信息的告警信息，作为所述振动异常告警信息。
一种振动对象监测装置，所述装置包括：
检测模块，用于若在针对目标监控区域的监控视频画面中检测到振动对象时，确定所述监控视频画面中的振动对象区域；所述振动对象区域为所述振动对象在所述监控视频画面中所处的区域；
记录模块，用于记录所述振动对象的关键点在所述振动对象区域中的位移信息；
确定模块，用于基于所述位移信息，确定所述振动对象在所述监控视频画面中的振动信息；
生成模块，用于根据所述振动信息，生成针对所述目标监控区域的振动对象监测结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
若检测到在针对目标监控区域的监控视频画面中存在振动对象时，确定所述监控视频画面中的振动对象区域；所述振动对象区域为所述振动对象在所述监控视频画面中所处的区域；
记录所述振动对象的关键点在所述振动对象区域中的位移信息；
基于所述位移信息，确定所述振动对象在所述监控视频画面中的振动信息；
根据所述振动信息，生成针对所述目标监控区域的振动对象监测结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
若检测到在针对目标监控区域的监控视频画面中存在振动对象时，确定所述监控视频画面中的振动对象区域；所述振动对象区域为所述振动对象在所述监控视频画面中所处的区域；
记录所述振动对象的关键点在所述振动对象区域中的位移信息；
基于所述位移信息，确定所述振动对象在所述监控视频画面中的振动信息；
根据所述振动信息，生成针对所述目标监控区域的振动对象监测结果。
上述振动对象监测方法、装置、计算机设备和存储介质，若检测到在针对目标监控区域的监控视频画面中存在振动对象时，通过确定监控视频画面中的振动对象区域；振动对象区域为振动对象在监控视频画面中所处的区域；并记录振动对象的关键点在振动对象区域中的位移信息；然后，基于位移信息，确定振动对象在监控视频画面中的振动信息；最后，根据振动信息，生成针对目标监控区域的振动对象监测结果；如此，可以准确地识别出监控视频画面中的振动对象的振动信息，并基于该振动信息对该振动对象进行监控，无需工作人员亲自到现场进行全范围全时段监视，及时地对目标监控区域的振动对象进行振动监控。
附图说明
图1为一个实施例中一种振动对象监测方法的应用环境图；
图2为一个实施例中一种振动对象监测方法的流程示意图；
图3为一个实施例中一种振动对象区域的示意图；
图4a为一个实施例中一种振动对象区域对应的彩色图像帧的示意图；
图4b为一个实施例中一种振动对象区域对应的灰度图像帧的示意图；
图4c为一个实施例中一种振动对象区域对应的分割图像帧的示意图；
图5为一个实施例中一种振动周期信号的示意图；
图6为一个实施例中一种振动周期信号的功率谱的示意图；
图7a为一个实施例中的第一种直方图；
图7b为一个实施例中的第二种直方图；
图7c为一个实施例中的第三种直方图；
图8为一个实施例中一种振动对象监测方法的处理流程图；
图9为一个实施例中一种振动对象监测装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的振动对象监测方法，可以应用于如图1所示的应用环境中。其中，计算机设备110通过网络与图像采集装置120进行通信。其中，若计算机设备110检测到在图像采集装置120针对目标监控区域采集到的监控视频画面中存在振动对象时，确定监控视频画面中的振动对象区域；振动对象区域为振动对象在监控视频画面中所处的区域；然后，计算机设备110记录振动对象的关键点在振动对象区域中的位移信息；再然后，计算机设备110基于位移信息，确定振动对象在监控视频画面中的振动信息；最后，计算机设备110根据振动信息，生成针对目标监控区域的振动对象监测结果。实际应用中，计算机设备110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备；图像采集装置120可以但不限于是各种监控摄像头、照相机等。
在一个实施例中，如图2所示，提供了一种振动对象监测方法，以该方法应用于图1中的计算机设备110为例进行说明，包括以下步骤：
步骤S210，若检测到在针对目标监控区域的监控视频画面中存在振动对象时，确定监控视频画面中的振动对象区域。
其中，振动对象区域为振动对象在监控视频画面中所处的区域。
其中，目标监控区域可以是指需要对振动对象进行振动监控的区域。
其中，振动对象可以是指管道、设备等可能存在振动的物体。
具体实现中，计算机设备实时获取针对目标监控区域的监控视频，并对该目标监控区域的监控视频进行检测，判断监控视频画面中是否存在振动对象。当监控视频画面中存在振动对象，计算机设备则确定监控视频画面中的振动对象区域。
步骤S220，记录振动对象的关键点在振动对象区域中的位移信息。
具体实现中，当计算机设备则确定监控视频画面中的振动对象区域后，计算机设备可以识别出该振动对象的关键点，并记录下该关键点在振动对象区域中的位移信息。
步骤S230，基于位移信息，确定振动对象在监控视频画面中的振动信息。
具体实现中，当计算机设备记录下该关键点在振动对象区域中的位移信息后计算机设备可以将该关键点在振动对象区域中的位移信息转化为对应的周期信号图，并基于该周期信号图的信号变化特征，测量出该振动对象在监控视频画面中的振动信息。其中，振动信息可以是指振动对象的振动频率和振动幅度中的至少一种。
步骤S240，根据振动信息，生成针对目标监控区域的振动对象监测结果。
具体实现中，当计算机设备确定出振动对象在监控视频画面中的振动信息后，计算机设备可以基于该振动信息，生成针对目标监控区域的振动对象监测结果。例如，当计算机设备确定振动对象在监控视频画面中的振动幅度大于预设的幅度阈值时，计算机设备则生成针对该振动对象的振动异常告警。
上述振动对象监测方法中，若检测到在针对目标监控区域的监控视频画面中存在振动对象时，通过确定监控视频画面中的振动对象区域；振动对象区域为振动对象在监控视频画面中所处的区域；并记录振动对象的关键点在振动对象区域中的位移信息；然后，基于位移信息，确定振动对象在监控视频画面中的振动信息；最后，根据振动信息，生成针对目标监控区域的振动对象监测结果；如此，可以准确地识别出监控视频画面中的振动对象的振动信息，并基于该振动信息对该振动对象进行监控，无需工作人员亲自到现场进行全范围全时段监视，及时地对目标监控区域的振动对象进行振动监控。
在另一个实施例中，方法还包括：获取监控视频画面中的图像内容变化程度；若图像内容变化程度处于预设变化范围，则判定在监控视频画面中存在振动对象。
具体实现中，计算机设备可以对目标监控区域的监控视频进行图像差分求和，公式如下：
Diffi＝∑(|Ii-Ii-1|)；
其中，Ii代表第i帧抽样图片，Ii-1代表第i-1帧抽样图片，大小为H×W×C，∑代表对差分图像的所有像素点的绝对值求和。
选取N帧图像(如取N＝60)，在N帧图像中每隔n(如n＝5)帧图像抽取出图像Ii,计算相邻抽样帧之间的差值，如果N/n张抽样图片的差值的和
Figure BDA0002832078840000071
处于设定的阈值区间(θdiff1,θdiff2)，则认为摄像机拍摄的区域内存在振动物体，从而在后续进行振动测量。
本实施例的技术方案，通过获取监控视频画面中的图像内容变化程度，并通过判断图像内容变化程度是否处于预设变化范围，准确且快速地判定出监控视频画面中是否存在振动对象。
在另一个实施例中，确定监控视频画面中的振动对象区域，包括：将监控视频画面划分为若干个候选区域；获取各个候选区域在监控视频画面中对应的图像内容变化程度；将图像内容变化程度最高的候选区域，作为振动对象区域。
具体实现中，计算机设备在确定监控视频画面中的振动对象区域的过程中，具体包括：计算机设备将监控视频画面划分为若干个候选区域；然后，计算机设备获取各个候选区域在监控视频画面中对应的图像内容变化程度；最后，计算机设备将图像内容变化程度最高的候选区域，作为振动对象区域。
具体来说，对于已经判断出存在振动物体的视频，对视频进行网格划分，划分成m×n个网格，对这m×n个网格进行逐个判断，确定出差分像素值变化最大的区域，即作为振动物体区域。为了便于本领域技术人员的理解，图3提供了一种振动对象区域的示意图；其中，310为监控视频画面；320为振动对象区域。
本实施例的技术方案，通过将监控视频画面划分为若干个候选区域，并获取各个候选区域在监控视频画面中对应的图像内容变化程度；将图像内容变化程度最高的候选区域，作为振动对象区域；如此，可以实现快速且准确地确定出监控视频画面中的振动对象区域。
在另一个实施例中，记录振动对象的关键点在振动对象区域中的位移信息，包括：分别计算在监控视频画面的每一图像帧中，振动对象的关键点与振动对象区域中的原点之间的距离，作为关键点距离；将每一图像帧对应的关键点距离，作为位移信息。
其中，振动对象的关键点可以是指振动对象的中心点。
具体实现中，计算机设备可以分别计算在监控视频画面的每一图像帧中，振动对象的关键点与振动对象区域中的原点之间的距离，作为关键点距离，并将每一图像帧对应的关键点距离，作为位移信息。
具体来说，计算机设备可以在监控视频中裁剪该振动对象区域进行计算，这里选取前五帧的彩色图片当成示例。如图4a所示，图4a提供了一种振动对象区域对应的彩色图像帧的示意图。
然后，计算机设备对于裁剪下来的图像帧序列依次进行分割，得到振动物体的左右边缘，然后计算检测出振动物体的边缘中心点，当成物体的中心点。其具体步骤如下：采用OTSU(日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法)阈值分割算法对振动物体进行分割，得到杆的左右边缘，具体步骤如下：
首先，对裁剪后的图像序列中的图片进行灰度化处理，将彩色图像转换为灰度图像，得到转化后的灰度图像。如图4b所示，图4b提供了一种振动对象区域对应的灰度图像帧的示意图。
然后，采用传统OSTU算法计算出前景背景的分割阈值，通过自适应阈值选择，例如，自适应阈值可以选取为162，得到分割后的图像。如图4c所示，图4c提供了一种振动对象区域对应的分割图像帧的示意图。
再然后，通过边缘查找确定出左右边缘所有像素点的坐标，将这些边缘点记为Lt，具体计算方式为：
Lt∈{(x,y)；(x,y)in the border}；
其中，Lt表示边缘点，t代表第t帧图片，(x，y)表示像素点的坐标。下面给出一些前五张示例图的坐标点示例：
L1∈{(91,0)，(91,2)，(91,3)，...}；
L2∈{(90,0)，(91,1)，(91,4)，...}；
L3∈{(90,0)，(90,2)，(91,3)，...}；
L4∈{(90,0)，(90,2)，(91,3)，...}；
L5∈{(90,0)，(90,1)，(91,2)，...}。
然后，计算振动对象的关键点与振动对象区域中的原点之间的距离，作为关键点距离；将每一图像帧对应的关键点距离，作为位移信息。
具体来说，当振动对象的关键点为中心点时，可以对每一帧图像得到的边缘点集合Lt，计算出每一帧图像振动物体的中心点Ct，计算公式如下：
Figure BDA0002832078840000091
其中，(xi,yi)表示边缘点集合Lt里的坐标，N表示边缘点的总个数。
计算中心点坐标Ct其到原点的距离即中心点距离Dt，从而将坐标转化成距离，公式如下：
Figure BDA0002832078840000092
然后，对于计算得到的每一帧的中心点距离Dt，做一个简单的规范化处减去所有时刻Dt的均值，得到最后的数值。公式如下：
Dt＝Dt-mean(Dt)；
其中，Dt表示每一帧的中心点距离，mean(Dt)表示所有时刻Dt的均值。通过以上处理，最后得到前五帧的距离Dt＝{0.282,0.025,-0.031,-0.039,-0.45；0<t≤5}，作为位移信息。
本实施例的技术方案，通过分别计算在监控视频画面的每一图像帧中，振动对象的关键点与振动对象区域中的原点之间的距离，作为关键点距离；将每一图像帧对应的关键点距离，作为位移信息。
在另一个实施例中，基于位移信息，确定振动对象在监控视频画面中的振动信息，包括：根据每一图像帧对应的关键点距离，绘制出针对振动对象的振动周期信号；根据振动周期信号，确定出振动对象的振动幅值和振动频率。
具体实现中，计算机设备在基于位移信息，确定振动对象在监控视频画面中的振动信息的过程中，具体包括：计算机设备可以根据每一图像帧对应的关键点距离，绘制出针对振动对象的振动周期信号。
接上例，当计算机设备获取到振动对象的每一帧的中心点距离Dt后，计算机设备可以得到帧序列中振动物体中心点坐标的周期性信号。具体来说，计算机设备可以将每一帧的中心点距离Dt按照时间t的顺序进行排列，其中，Dt为t时刻的响应值，得到采样得到的序列(t,Dt)，并以t为横轴，Dt为纵轴，画出响应的周期性信号。为了便于本领域技术人员的理解，图5提供了一种振动周期信号，如图5所示，其中，510为响应的周期性信号，520为所示动作放大后的周期性信号。
最后，计算机设备根据振动周期信号，确定出振动对象的振动幅值和振动频率。具体来说，对于得到振动物体中心点的周期图中的曲线，找到曲线上所有的峰值点，记为集合P。对P中所有的峰值点求平均，从而得到振动的幅值A。如图5中对应测量的振动物体通过该方法可以测得振动的幅值约为1.5个像素。
对于物体振动的频率的计算方式一般分为两种，1)直接统计测量时间的峰值数，再除以对应时间作为频率，但是此方法容易因为信号的噪声使统计的峰值数不准确，影响最后的频率测量的效果，所以不采用此方法计算频率。2)在频域来进行统计，通过计算出功率谱来得到更加精确的频率，本发明选择该种方法来计算振动物体的频率。
功率谱的定义是单位频带内的信号功率。功率谱曲线的横轴为频率，而纵轴为功率的大小。根据信号与系统理论，周期信号的功率谱会在相应的频率处形成尖峰。通过功率谱来计算，可以省去复杂的统计峰值的过程，而且在频域上可以忽略掉时域的一些噪声，使测量的结果更加准确。
计算机设备可以将振动周期信号转化为如图6所示的功率谱，通过观察功率谱的最高峰值所对应的横坐标频率，可以得出振动的频率。例如，基于如图6的功率谱，可以测量的振动物体通的振动频率约为10Hz。
本实施例的技术方案，通过根据每一图像帧对应的关键点距离，绘制出针对振动对象的振动周期信号，从而实现基于振动周期信号，准确地确定出振动对象的振动幅值和振动频率。
在另一个实施例中，振动信息包括振动对象的振动幅值和振动频率，根据振动信息，生成针对目标监控区域的振动对象监测结果，包括：若振动幅值大于预设的幅值阈值，和/或，振动频率大于预设的频率阈值，则生成针对振动对象的振动异常告警信息，作为振动对象监测结果。
其中，振动信息包括振动对象在视频监控画面中的振动幅值A和振动频率f。
具体实现中，计算机设备在根据振动信息，生成针对目标监控区域的振动对象监测结果的过程中，具体包括：计算机设备可以判断振动幅值A是否大于预设的幅值阈值At，和/或，判断振动频率f是否大于预设的频率阈值ft。当计算机设备确定振动对象的振动幅值A大于幅值阈值At，和/或，振动频率f大于频率阈值ft时，计算机设备则生成针对振动对象的振动异常告警信息，作为振动对象监测结果。
本实施例的技术方案，若振动幅值大于预设的幅值阈值，和/或，振动频率大于预设的频率阈值，及时且准确地生成针对振动对象的振动异常告警信息，并与用户及时对振动对象进行检查、维修等操作。
在另一个实施例中，当振动对象为管路时，生成针对振动对象的振动异常告警信息，包括：识别出管路在监控视频画面的管路颜色信息，以及，获取目标监控区域的区域类型信息；根据管路颜色信息和区域类型信息，查询出管路对应的管路类型信息和管路工质信息；生成包含有管路类型信息、管路工质信息和振动信息的告警信息，作为振动异常告警信息。
其中，区域类型信息可以包括蓄能电厂、常规水电厂和燃气电厂中的至少一种。
具体实现中，当振动对象为管路时，计算机设备在生成针对振动对象的振动异常告警信息的过程中，具体包括：计算机设备可以识别出管路在监控视频画面的管路颜色信息，以及，获取目标监控区域的区域类型信息。具体来说，计算机设备可以将振动对象的彩色图像，并将该彩色图像中属于前景(振动管路)的其中1个像素点的RGB颜色空间坐标值(R,G,B),然后将RGB颜色值转换为十六进制颜色代码，从而得到管路的颜色。
然后，计算机设备则根据管路颜色信息和区域类型信息，查询出管路对应的管路类型信息和管路工质信息。
具体来说，当区域类型信息为蓄能电厂，则根据颜色进行如下管路类型判断：
如果识别出的颜色为蓝色，则管路类型为供水管道，工质为水。
如果识别出的颜色为绿色，则管路类型为排水管道，工质为水。
如果识别出的颜色为黄色，则管路类型为压力回油管道，工质为油。
如果识别出的颜色为白色，则将振动对象的灰度图像，进行灰度直方图统计：若直方图只出现一个波峰，如图7a所示的第一种直方图，则判定管路类型为供气管道，工质为气体；若出现两个波峰则，如图7b所示的第二种直方图，则管路类型为消防管道，工质为水。
如果识别出的颜色为红色，则将振动对象的灰度图像，进行灰度直方图统计：若直方图只出现一个波峰，如图7c所示的第三种直方图，则管路类型为压力透油管道，工质为油；若出现两个波峰，如图7b所示的第二种直方图，则管路类型为消防管道，工质为水。
需要说明的是，如果识别出的颜色非上述颜色则管路类型为未知类型管路，工质为未知工质。
当区域类型信息为常规水电厂，则根据颜色进行如下管路类型判断：
如果识别出的颜色为蓝色，则管路类型为气管道，工质为气体。
如果识别出的颜色为黄色，则管路类型为回油管道，工质为油。
如果识别出的颜色为红色，则将振动对象的灰度图像，进行灰度直方图统计：若直方图只出现一个波峰，如图7b所示的第三种直方图，则管路类型为供油管道，工质为油；若出现两个波峰，如图7b所示的第二种直方图，则管路类型为消防水管道，工质为水。
如果识别出的颜色为白色，则管路类型为消防水管道，工质为水。
如果识别出的颜色非上述颜色则管路类型为未知类型管道，工质为未知工质。
当区域类型信息为燃气电厂，则根据颜色进行如下管路类型判断：
如果识别出的颜色为蓝色，则管路类型为压缩空气管道，工质为空气。
如果识别出的颜色为黄色，则管路类型为天然气管道，工质为天然气。
如果识别出的颜色为银色，则管路类型为蒸汽管道道，工质为蒸汽。
如果识别出的颜色为黑色，则管路类型为循环水管道，工质为水。
如果识别出的颜色为绿色，则管路类型为除盐水管道，工质为水。
如果识别出的颜色非上述颜色则管路类型为未知类型管道，工质为未知工质。
最后，计算机设备生成包含有管路类型信息、管路工质信息和振动信息的告警信息，作为振动异常告警信息，即计算机设备将报警信息以管路类型+工质+振幅+频率的形式进行输出。
本实施例的技术方案，通过识别出管路在监控视频画面的管路颜色信息，以及，获取目标监控区域的区域类型信息，并根据管路颜色信息和区域类型信息，查询出管路对应的管路类型信息和管路工质信息；生成包含有管路类型信息、管路工质信息和振动信息的告警信息，作为振动异常告警信息，如此，当用户在可以基于该告警信息及时地确定存在振动异常的振动对象和知晓到该振动管道的管路类型信息和管路工质信息。
为了便于本领域技术人员的理解，图8提供了一种振动对象监测方法的处理流程图；其中，首先，输入监控视频的图像帧序列；然后，计算机设备判断该图像帧序列中是否存在振动物体；若该图像帧序列中不存在振动物体，则返回开始并输入下一帧序列。若该图像帧序列中存在振动物体，则对视频监控画面进行划分网格，得到振动物体区域；然后，计算振动物体中心点，并记录下该振动物体的振动周期性信号；然后，计算机设备基于该振动周期性信号，计算振动幅值和振动频率。当计算机设备确定振动幅值和振动频率大于设定阈值时，则确定振动物体的类型以及工质，并输出报警信息。当振动幅值和振动频率小于或等于设定阈值时，则返回开始并输入下一帧序列。
应该理解的是，虽然图2和图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种振动对象监测装置，包括：
检测模块910，用于若在针对目标监控区域的监控视频画面中检测到振动对象时，确定所述监控视频画面中的振动对象区域；所述振动对象区域为所述振动对象在所述监控视频画面中所处的区域；
记录模块920，用于记录所述振动对象的关键点在所述振动对象区域中的位移信息；
确定模块930，用于基于所述位移信息，确定所述振动对象在所述监控视频画面中的振动信息；
生成模块940，用于根据所述振动信息，生成针对所述目标监控区域的振动对象监测结果。
在其中一个实施例中，所述一种振动对象监测装置，还包括：获取模块，用于获取所述监控视频画面中的图像内容变化程度；判定模块，用于若所述图像内容变化程度处于预设变化范围，则判定在所述监控视频画面中存在振动对象。
在其中一个实施例中，所述检测模块910，具体用于将所述监控视频画面划分为若干个候选区域；获取各个所述候选区域在所述监控视频画面中对应的图像内容变化程度；将所述图像内容变化程度最高的所述候选区域，作为所述振动对象区域。
在其中一个实施例中，所述记录模块920，具体用于分别计算在所述监控视频画面的每一图像帧中，所述振动对象的关键点与所述振动对象区域中的原点之间的距离，作为关键点距离；将每一所述图像帧对应的关键点距离，作为所述位移信息。
在其中一个实施例中，所述确定模块930，具体用于根据每一所述图像帧对应的关键点距离，绘制出针对所述振动对象的振动周期信号；根据所述振动周期信号，确定出所述振动对象的振动幅值和振动频率。
在其中一个实施例中，所述振动信息包括所述振动对象的振动幅值和振动频率，所述生成模块940，具体用于若所述振动幅值大于预设的幅值阈值，和/或，所述振动频率大于预设的频率阈值，则生成针对所述振动对象的振动异常告警信息，作为所述振动对象监测结果。
在其中一个实施例中，当所述振动对象为管路时，所述生成模块940，具体用于识别出所述管路在所述监控视频画面的管路颜色信息，以及，获取所述目标监控区域的区域类型信息；根据所述管路颜色信息和区域类型信息，查询出所述管路对应的管路类型信息和管路工质信息；生成包含有所述管路类型信息、所述管路工质信息和所述振动信息的告警信息，作为所述振动异常告警信息。
关于一种振动对象监测装置的具体限定可以参见上文中对于一种振动对象监测方法的限定，在此不再赘述。上述一种振动对象监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种振动对象监测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种振动对象监测方法的步骤。此处一种振动对象监测方法的步骤可以是上述各个实施例的一种振动对象监测方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种振动对象监测方法的步骤。此处一种振动对象监测方法的步骤可以是上述各个实施例的一种振动对象监测方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种振动对象监测方法，其特征在于，包括：
若检测到在针对目标监控区域的监控视频画面中存在振动对象时，确定所述监控视频画面中的振动对象区域；所述振动对象区域为所述振动对象在所述监控视频画面中所处的区域；
记录所述振动对象的关键点在所述振动对象区域中的位移信息；
基于所述位移信息，确定所述振动对象在所述监控视频画面中的振动信息；
根据所述振动信息，生成针对所述目标监控区域的振动对象监测结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述监控视频画面中的图像内容变化程度；
若所述图像内容变化程度处于预设变化范围，则判定在所述监控视频画面中存在振动对象。
3.根据权利要求1所述的方法，其特征在于，所述确定所述监控视频画面中的振动对象区域，包括：
将所述监控视频画面划分为若干个候选区域；
获取各个所述候选区域在所述监控视频画面中对应的图像内容变化程度；
将所述图像内容变化程度最高的所述候选区域，作为所述振动对象区域。
4.根据权利要求1所述的方法，其特征在于，所述记录所述振动对象的关键点在所述振动对象区域中的位移信息，包括：
分别计算在所述监控视频画面的每一图像帧中，所述振动对象的关键点与所述振动对象区域中的原点之间的距离，作为关键点距离；
将每一所述图像帧对应的关键点距离，作为所述位移信息。
5.根据权利要求4所述的方法，其特征在于，所述基于所述位移信息，确定所述振动对象在所述监控视频画面中的振动信息，包括：
根据每一所述图像帧对应的关键点距离，绘制出针对所述振动对象的振动周期信号；
根据所述振动周期信号，确定出所述振动对象的振动幅值和振动频率。
6.根据权利要求1所述的方法，其特征在于，所述振动信息包括所述振动对象的振动幅值和振动频率，所述根据所述振动信息，生成针对所述目标监控区域的振动对象监测结果，包括：
若所述振动幅值大于预设的幅值阈值，和/或，所述振动频率大于预设的频率阈值，则生成针对所述振动对象的振动异常告警信息，作为所述振动对象监测结果。
7.根据权利要求6所述的方法，其特征在于，当所述振动对象为管路时，所述生成针对所述振动对象的振动异常告警信息，包括：
识别出所述管路在所述监控视频画面的管路颜色信息，以及，获取所述目标监控区域的区域类型信息；
根据所述管路颜色信息和区域类型信息，查询出所述管路对应的管路类型信息和管路工质信息；
生成包含有所述管路类型信息、所述管路工质信息和所述振动信息的告警信息，作为所述振动异常告警信息。
8.一种振动对象监测装置，其特征在于，所述装置包括：
检测模块，用于若在针对目标监控区域的监控视频画面中检测到振动对象时，确定所述监控视频画面中的振动对象区域；所述振动对象区域为所述振动对象在所述监控视频画面中所处的区域；
记录模块，用于记录所述振动对象的关键点在所述振动对象区域中的位移信息；
确定模块，用于基于所述位移信息，确定所述振动对象在所述监控视频画面中的振动信息；
生成模块，用于根据所述振动信息，生成针对所述目标监控区域的振动对象监测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202011452604.1A 2020-12-12 2020-12-12 振动对象监测方法、装置、计算机设备和存储介质 Active CN112528854B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011452604.1A CN112528854B (zh) 2020-12-12 2020-12-12 振动对象监测方法、装置、计算机设备和存储介质
US18/550,727 US11972557B2 (en) 2020-12-12 2021-03-08 Vibration object monitoring method and apparatus, computer device and storage medium
PCT/CN2021/079472 WO2022121132A1 (zh) 2020-12-12 2021-03-08 振动对象监测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011452604.1A CN112528854B (zh) 2020-12-12 2020-12-12 振动对象监测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112528854A true CN112528854A (zh) 2021-03-19
CN112528854B CN112528854B (zh) 2023-07-25

Family

ID=74998801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011452604.1A Active CN112528854B (zh) 2020-12-12 2020-12-12 振动对象监测方法、装置、计算机设备和存储介质

Country Status (3)

Country Link
US (1) US11972557B2 (zh)
CN (1) CN112528854B (zh)
WO (1) WO2022121132A1 (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245650A (zh) * 2019-08-09 2019-09-17 深圳市广宁股份有限公司 振动智能检测方法及相关产品
CN110595749A (zh) * 2019-04-26 2019-12-20 深圳市豪视智能科技有限公司 电风扇振动故障检测方法及装置
CN110595745A (zh) * 2019-04-26 2019-12-20 深圳市豪视智能科技有限公司 针对设备的固定螺丝异常的检测方法及相关产品
CN110617973A (zh) * 2019-04-26 2019-12-27 深圳市豪视智能科技有限公司 振动检测方法及相关装置
CN110650316A (zh) * 2019-09-27 2020-01-03 万翼科技有限公司 智能巡逻及预警处理方法、装置、电子设备及存储介质
CN111010544A (zh) * 2019-12-18 2020-04-14 广州穗能通能源科技有限责任公司 配电房监控方法、装置、计算机设备和存储介质
US20200198538A1 (en) * 2018-12-20 2020-06-25 Mando Corporation Apparatus and method for around view monitoring using lidar

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7480460B2 (en) * 2005-03-29 2009-01-20 University Of New Brunswick Dynamic strain distributed fiber optic sensor
TWI420906B (zh) * 2010-10-13 2013-12-21 Ind Tech Res Inst 興趣區域之追蹤系統與方法及電腦程式產品
WO2016149938A1 (zh) 2015-03-26 2016-09-29 北京旷视科技有限公司 视频监控方法、视频监控系统以及计算机程序产品
US11567201B2 (en) * 2016-03-11 2023-01-31 Kaarta, Inc. Laser scanner with real-time, online ego-motion estimation
US10908079B2 (en) * 2016-06-07 2021-02-02 Konica Minolta, Inc. Image-processing device for gas detection, image-processing method for gas detection, and image-processing program for gas detection
JP2019139476A (ja) * 2018-02-09 2019-08-22 オリンパス株式会社 管路検査情報管理装置、及び、管路検査情報管理方法
EP3788331A4 (en) * 2018-05-03 2022-02-23 Quantum IR Technologies, LLC INFRARED IMAGING SYSTEMS AND METHODS FOR GAS LEAK DETECTION
CN111914661A (zh) 2020-07-06 2020-11-10 广东技术师范大学 异常行为识别方法、目标异常识别方法、设备及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200198538A1 (en) * 2018-12-20 2020-06-25 Mando Corporation Apparatus and method for around view monitoring using lidar
CN110595749A (zh) * 2019-04-26 2019-12-20 深圳市豪视智能科技有限公司 电风扇振动故障检测方法及装置
CN110595745A (zh) * 2019-04-26 2019-12-20 深圳市豪视智能科技有限公司 针对设备的固定螺丝异常的检测方法及相关产品
CN110617973A (zh) * 2019-04-26 2019-12-27 深圳市豪视智能科技有限公司 振动检测方法及相关装置
CN110245650A (zh) * 2019-08-09 2019-09-17 深圳市广宁股份有限公司 振动智能检测方法及相关产品
CN110650316A (zh) * 2019-09-27 2020-01-03 万翼科技有限公司 智能巡逻及预警处理方法、装置、电子设备及存储介质
CN111010544A (zh) * 2019-12-18 2020-04-14 广州穗能通能源科技有限责任公司 配电房监控方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN112528854B (zh) 2023-07-25
US20240054635A1 (en) 2024-02-15
US11972557B2 (en) 2024-04-30
WO2022121132A1 (zh) 2022-06-16

Similar Documents

Publication Publication Date Title
WO2022121129A1 (zh) 烟火识别方法、装置、计算机设备和存储介质
JP5701005B2 (ja) 物体検知装置、物体検知方法、監視カメラシステム、およびプログラム
TWI419082B (zh) 偵測視訊序列中的移動物體影像的方法以及影像處理系統
CN111122490B (zh) 一种室内气体泄漏信息采集方法及其装置
US20200175692A9 (en) Low-complexity motion detection based on image edges
CN113343779B (zh) 环境异常检测方法、装置、计算机设备和存储介质
CN111915541B (zh) 基于人工智能的图像增强处理方法、装置、设备及介质
JP7009783B2 (ja) 切羽監視システム
CN115861210A (zh) 一种基于孪生网络的变电站设备异常检测方法和系统
JPWO2015146111A1 (ja) 検知装置、検知方法、及びコンピュータプログラム
CN112528854B (zh) 振动对象监测方法、装置、计算机设备和存储介质
KR101395666B1 (ko) 비디오 영상의 변화를 이용한 도난 감시 장치 및 방법
US10916016B2 (en) Image processing apparatus and method and monitoring system
JP2005070985A (ja) 画像処理装置および方法、並びにプログラム
JP7279817B2 (ja) 画像処理装置、画像処理方法及び画像処理プログラム
JP7305509B2 (ja) 情報処理装置、その制御方法、プログラム、及び記憶媒体
JP7048590B2 (ja) 構造物異常診断装置及び構造物異常診断プログラム
KR20210108522A (ko) 영상 기반의 구조물 건전성 모니터링 방법.
CN111191593A (zh) 图像目标检测方法、装置、存储介质及污水管道检测装置
JP7383531B2 (ja) 監視装置、監視システムおよび監視方法
CN112261386B (zh) 一种视频高速帧差备份系统
JP6292708B2 (ja) 画像情報から交通量推定のためのパラメータを求める方法
CN114067441B (zh) 摄录行为检测方法及系统
CN111222428B (zh) 一种基于监控视频的器件紧固操作的检测方法
CN116385931B (zh) 视频监控画面的检测方法、装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant