CN112597811A - 场景监测模型的获取方法及装置、监测系统及监测方法 - Google Patents
场景监测模型的获取方法及装置、监测系统及监测方法 Download PDFInfo
- Publication number
- CN112597811A CN112597811A CN202011405600.8A CN202011405600A CN112597811A CN 112597811 A CN112597811 A CN 112597811A CN 202011405600 A CN202011405600 A CN 202011405600A CN 112597811 A CN112597811 A CN 112597811A
- Authority
- CN
- China
- Prior art keywords
- picture
- night
- monitoring
- scene
- model
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06V20/50—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明提供一种场景监测模型的获取方法及装置、监测系统及监测方法,属于监测技术领域。所述场景监测模型的获取方法包括:建立场景监测初始模型;获取数据集,所述数据集包括夜间图片及所述夜间图片对应的标签,所述夜间图片与昼间图片相关联;以及基于所述数据集对所述场景监测初始模型进行训练,以获取所述场景监测模型。通过上述技术方案,对用于训练场景监测初始模型的数据集进行改进,可以有效提高场景监测模型在夜间识别的准确率,并能够减少其在应用过程中的漏报率。
Description
技术领域
本发明涉及监测技术领域,具体地涉及一种场景监测模型的获取方法及装置、监测系统及监测方法。
背景技术
近年来电网输电线路被破坏的情况时有发生,监控输电线路附近出现的隐患成为迫切的需求,因而科研界和工业界的研究人员也对输电线路的智能监控进行了大量的研究,提出了基于算法模型的监测装置。
本申请发明人发现,现有的监测装置中的算法模型在光照良好的昼间可以正常地工作,但是在夜间的表现非常差,会产生大量的信息漏报情况,从而无法及时的进行相应的告警和处理,可能会导致发生严重事故,易造成大量的经济损失和严重的社会恐慌。并且现有监测装置在长时间运行后,其健壮性和准确性会变差。
发明内容
本发明实施例的目的是提供一种场景监测模型的获取方法及装置、监测系统及监测方法,用于解决上述技术问题中的一者或多者。
为了实现上述目的,本发明实施例提供一种场景监测模型的获取方法,所述方法包括:建立场景监测初始模型;获取数据集,所述数据集包括夜间图片及所述夜间图片对应的标签,所述夜间图片与所述昼间图片相关联;以及基于所述数据集对所述场景监测初始模型进行训练,以获取所述场景监测模型。
可选的,所述夜间图片为具有隐患的夜间图片。
可选的,所述数据集的获取过程包括:采集昼间图片;以及对所述昼间图片进行昼夜转换,以得到与所述昼间图片相对应的第一夜间图片。
可选的,所述数据集的获取过程还包括:采集夜间图片,作为第二夜间图片;构建所述第一夜间图片与所述第二夜间图片的映射关系;以及基于所述映射关系,将所述第一夜间图片的标签作为与其对应的所述第二夜间图片的标签。
另一方面,本发明实施例还提供一种场景监测模型的获取装置,所述获取装置包括:初始模型建立单元,用于建立场景监测初始模型;数据采集单元,用于获取数据集,所述数据集包括夜间图片及所述夜间图片对应的标签,所述夜间图片与昼间图片相关联;以及训练单元,用于基于所述数据集对所述场景监测初始模型进行训练,以获取所述场景监测模型。
可选的,所述数据采集单元用于通过以下方式获取所述数据集:采集昼间图片;以及对所述昼间图片进行昼夜转换,以得到与所述昼间图片相对应的第一夜间图片。
可选的,所述数据采集单元用于通过以下方式获取所述数据集:采集夜间图片,作为第二夜间图片;构建所述第一夜间图片与所述第二夜间图片的映射关系;以及基于所述映射关系,将所述第一夜间图片的标签作为与其对应的所述第二夜间图片的标签。
另一方面,本发明实施例还提供一种监测系统,所述监测系统至少包括一个监测单元,所述监测单元包括:采集模块,用于采集现场图片;以及场景监测模型,用于确定所述现场图片的特征识别结果,其中,所述场景监测模型采用本申请上述中任一项所述的场景监测模型的获取方法获取。
可选的,在所述监测系统中包括多个所述监测单元的情况下,多个所述监测单元中的每一个监测单元位于一个容器中。
可选的,所述监测系统还包括:异常提示模块,用于基于所述现场图片的特征识别结果确定现场是否出现异常,并在所述现场出现异常的情况下发出提示信号。
另一方面,本发明实施例还提供一种监测方法,所述监测方法包括:采集现场图片;以及基于场景监测模型确定所述现场图片的特征识别结果,其中,所述场景监测模型采用本申请上述中任一项所述的场景监测模型的获取方法获取。
可选的,每隔预设时间间隔采集一次所述现场图片,所述方法还包括:确定第一时间点的现场图片的第一特征识别结果;确定第二时间点的现场图片的第二特征识别结果;将所述第一特征识别结果与所述第二特征识别结果进行比对;以及根据所述第一特征识别结果与所述第二特征识别结果的比对结果确定是否发出提示信号,其中,所述第一时间点与所述第二时间点间隔所述预设时间间隔,所述第一时间点的现场图片与所述第二时间点的现场图片为同一视角的图片。
另一方面,本发明实施例还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行:本申请上述中任一项所述的场景监测模型的获取方法;和/或本申请上述中任一项所述的监测方法。
通过上述技术方案,通过对用于训练场景监测初始模型的数据集进行改进,可以有效提高场景监测模型在夜间识别的准确率,并能够减少其在应用过程中的漏报率
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例提供的场景监测模型的获取方法的流程示意图;
图2是本发明实施例提供的场景监测模型的获取装置的结构示意图;
图3是本发明实施例提供的监测方法的流程示意图;
图4是本发明实施例提供的监测单元的结构示意图。
附图标记说明
210 初始模型建立单元 220 数据采集单元
230 训练单元 410 采集模块
420 场景监测模型
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
首先需要说明的是,本发明实施例中的术语“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或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征,并且在需要的情况下,这些技术特征所能达到的效果基本相同。
图1是本发明实施例提供的场景监测模型的获取方法的流程示意图。如图1所示,所述场景监测模型的获取方法包括步骤S110至S130。
在步骤S110,建立场景监测初始模型。
所述场景监测初始模型的建立包括对所述场景监测初始模型的网络设计等,例如模型层数和超参数等固定参数和函数都在场景监测初始模型的构建过程中确定,在此基础上,可以依据获取的数据集对场景监测初始模型在后续训练过程中再进行调整和优化。
在步骤S120,获取数据集。
本发明该实施例提出的数据集主要包括夜间图片和夜间图片对应的标签。所述数据集中可以仅包含具有隐患的夜间图片,也可以包含呈预定比例的具有隐患的夜间图片和不具有隐患的夜间图片。
其中,考虑到图片采集设备的夜视效果差,使得采集的夜间图片清晰度低,并进一步导致场景监测模型的识别准确度低,容易出现漏报的问题,因而本发明实施例提出可以将与昼间图片相关联的夜间图片作为数据集,对场景监测初始模型进行训练,以保障训练后获取的场景监测效果和质量。
在此基础上,本发明实施例还提供了一种数据集的获取方法。具体的,可以通过以下方式获取由与昼间图片相关联的夜间图片构成的数据集:采集昼间图片;以及对所述昼间图片进行昼夜转换,将转换后的昼间图片作为第一夜间图片。
其中,将所述昼间图片转换成对应的夜间图片可以采用现有的任意方式实现,例如可以基于Cyclegan神经网络进行图像转换,以将昼间图片转换成夜间图片。
对于所述Cyclegan神经网络来说,也可以对其进行多次迭代训练,以提高由训练后的Cyclegan神经网络得到的生成器网络对昼间图片进行昼夜转换的质量。
在采用第一夜间图片构成数据集时,所述第一夜间图片的标签可以是人为标定,也可以是场景监测模型基于对应的昼间图片的输出结果。
进一步地,在已经获取由昼间图片转换的第一夜间图片和所述第一夜间图片的基础上,还可以通过以下方式获取数据集:重新采集夜间图片并将其作为第二夜间图片;构建第一夜间图片和第二夜间图片的映射关系;以及基于所述映射关系,将所述第一夜间图片的标签作为与其对应的第二夜间图片的标签。
其中,在所述第一夜间图片和所述第二夜间图片的内容相似度大于预设值的情况下,才可以在这两张图片之间建立映射关系。
其中,所述第二夜间图片主要通过如相机等硬件设备实现采集。所述第一夜间图片和第二夜间图片的映射关系为一一对应关系,且对应的第一夜间图片和第二夜间图片的视角相同,图片中的内容相同。例如,可以将摄像机安装在固定位置且摄像机视角固定,使其采集昼间图片和夜间图片,在该视角内的场景内容未发生变化的情况下,昼间图片经昼夜转换后的图片与所述夜间图片的相似度很高,因此可以在其之间建立映射关系。
通过该实施例提供的获取方式获取的数据集中,包括第二夜间图片及与其对应的第一夜间图片的标签。
在步骤S130,基于所述数据集对所述场景监测初始模型进行训练,以获取所述场景监测模型。
本发明该实施例提供的场景监测模型的获取方法,通过对用于训练场景监测初始模型的数据集进行改进,可以有效提高场景监测模型在夜间识别的准确率,减少其在应用过程中的漏报率。
图2是本发明实施例提供的场景监测模型的获取装置的结构框图。如图2所示,所述场景模型的获取装置包括:初始模型建立单元210,用于建立场景监测初始模型;数据采集单元220,用于获取数据集;以及训练单元230,用于基于所述数据集对所述场景监测初始模型进行训练,以获取所述场景监测模型。
其中,所述数据集包括夜间图片及所述夜间图片对应的标签,所述夜间图片与昼间图片相关联,可以有效提高获取的场景监测模型的识别准确率。
在一些可选实施例中,数据采集单元220可以通过以下方式获取所述数据集:采集昼间图片;以及对所述昼间图片进行昼夜转换,以得到与所述昼间图片相对应的第一夜间图片。
在一些可选实施例中,数据采集单元220可以通过以下方式获取所述数据集:采集夜间图片,作为第二夜间图片;构建所述第一夜间图片与所述第二夜间图片的映射关系;以及基于所述映射关系,将所述第一夜间图片的标签作为与其对应的所述第二夜间图片的标签。其中,互相对应的第一夜间图片与第二夜间图片的内容相似度需要大于预设值,例如需要大于95%等。
采用本发明上述实施例提供的方案获取的场景监测模型具有准确的夜间场景监测能力,可以有效解决现有的夜间场景监测过程中存在的大量漏报的问题。并且本发明实施例提供的方案还可以不断提升场景监测模型的准确性和广泛性,在用于对电网输电线路进行监测的过程中,可以有效报障电网输电线路的安全可靠运行,能够带来良好的社会效益和经济效益。
有关于本发明上述实施例提供的场景监测模型的获取装置的具体细节和益处,可参阅上述针对本发明提供的场景监测模型的获取方法的具体细节和益处,于此不再赘述。
图3是本发明实施例提供的监测方法的流程示意图。如图3所示,所述监测方法包括步骤S310和步骤S320。
在步骤S310,采集现场图片。
具体的,可以通过相机或者摄像机等设备采集待监测现场的现场图片。
在步骤S320,基于场景监测模型确定所述现场图片的特征识别结果。
例如,以预设的频率采集输电线路附近的图片,场景监测模型对所述图片进行特征识别,输出的结果中可以包含如图片中的车辆数量等特征数据。
其中,本发明该实施例提及的场景监测模型是采用本发明上述任意实施例提供的场景监测模型的获取方法获取,以便于在夜间时也能够准确采集的现场图片中的特征数据。
在每隔预设时间间隔采集一次同一视角的现场图片的情况下,本发明实施例还提供了一种监测方法,所述方法还包括:确定第一时间点的现场图片的第一特征识别结果;确定第二时间点的现场图片的第二特征识别结果;将所述第一特征识别结果与所述第二特征识别结果进行比对;以及根据所述第一特征识别结果与所述第二特征识别结果的比对结果确定是否发出提示信号。其中,所述第一时间点与所述第二时间点间隔所述预设时间间隔。
现以预设时间间隔为15为例,对本发明该实施例提供的方案进行解释。
对输电线路中的某线路塔杆附近场景进行监测,由场景监测模型识别出在12:00时采集的第一现场图片中有三辆车,在12:15时采集的第二现场图片中有三辆车且第一现场图片中的车辆位置与第二现场图片中的车辆位置基本一致,因此不需要发出提示信号,在12:30时采集的第三现场图片中有三辆车但第三现场图片中的车辆位置相较于第二现场图片中的车辆位置有明显变化,因此需要发出提示信号,在12:45采集的第四现场图片中的车辆数量增加为四辆,与第三现场图片中的车辆数量不一致,因此也需要发出提示信号。
其中,所述提示信号可以被上传至服务器或者用户终端等,由用户自行判定由场景监测模型识别出的异常结果是否会对输电线路造成影响。
本发明实施例提供的监测系统会包括至少一个监测单元,图4是本发明实施例提供的监测单元的结构示意图。如图4所示,每一个监测单元中会包括:采集模块410,用于采集现场图片;以及场景监测模型420,用于确定所述现场图片的特征识别结果。
其中,本发明该实施例提及的场景监测模型是采用本发明上述任意实施例提供的场景监测模型的获取方法获取的。
在一些可选实施例中,监测系统还可以包括异常提示模块,用于基于现场图片的特征识别结果确定现场是否出现异常,并在现场出现异常的情况下发出提示信号。
具体的,可以通过显示装置、蜂鸣器和指示灯等发出提示信号。
或者,所述异常提示模块还包括通信组件,其能够将提示信号以及异常现场的图片信息等数据上传至服务器或者用户终端等。
在一些可选实施例中,若监测系统中包含有多个上述的监测单元,那么可以将所述多个监测单元设置在不同的容器中。
通过该实施例,在对监测系统中的场景监测模型进行训练和更新过程中,容器可以在毫秒级开启和关闭,可以使得多个监测单元互不影响,从而实现快速部署和更新,能够增强监测系统的运检效率,有利于增强场景监测系统的健壮性和场景监测模型识别结果的准确性。
有关于本发明上述实施例提供的监测系统的具体细节和益处,可参阅上述针对本发明提供的监测方法的具体细节和益处,于此不再赘述。
所述场景监测模型的获取装置和所述监测系统均包括处理器和存储器,上述初始模型建立单元、数据采集单元、训练单元、监测单元、采集模块、场景监测模型和异常提示模块等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数获取场景监测模型,或者通过调整内核参数以实现高准确率的昼间场景监测和夜间场景监测。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所发明上述任意实施例提供的场景监测模型的获取方法;和/或监测方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述发明上述任意实施例提供的场景监测模型的获取方法;和/或监测方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现本发明上述任意实施例提供的场景监测模型的获取方法和/或监测方法中的步骤。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化本发明上述任意实施例提供的场景监测模型的获取方法;和/或监测方法的程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种场景监测模型的获取方法,其特征在于,所述方法包括:
建立场景监测初始模型;
获取数据集,所述数据集包括夜间图片及所述夜间图片对应的标签,所述夜间图片与昼间图片相关联;以及
基于所述数据集对所述场景监测初始模型进行训练,以获取所述场景监测模型。
2.根据权利要求1所述的方法,其特征在于,所述夜间图片为具有隐患的夜间图片。
3.根据权利要求1或2所述的方法,其特征在于,所述数据集的获取过程包括:
采集昼间图片;以及
对所述昼间图片进行昼夜转换,以得到与所述昼间图片相对应的第一夜间图片。
4.根据权利要求3所述的方法,其特征在于,所述数据集的获取过程还包括:
采集夜间图片,作为第二夜间图片;
构建所述第一夜间图片与所述第二夜间图片的映射关系;以及
基于所述映射关系,将所述第一夜间图片的标签作为与其对应的所述第二夜间图片的标签。
5.一种场景监测模型的获取装置,其特征在于,所述获取装置包括:
初始模型建立单元,用于建立场景监测初始模型;
数据采集单元,用于获取数据集,所述数据集包括夜间图片及所述夜间图片对应的标签,所述夜间图片与昼间图片相关联;以及
训练单元,用于基于所述数据集对所述场景监测初始模型进行训练,以获取所述场景监测模型。
6.根据权利要求5所述的装置,其特征在于,所述数据采集单元用于通过以下方式获取所述数据集:
采集昼间图片;以及
对所述昼间图片进行昼夜转换,以得到与所述昼间图片相对应的第一夜间图片。
7.根据权利要求6所述的装置,其特征在于,所述数据采集单元用于通过以下方式获取所述数据集:
采集夜间图片,作为第二夜间图片;
构建所述第一夜间图片与所述第二夜间图片的映射关系;以及
基于所述映射关系,将所述第一夜间图片的标签作为与其对应的所述第二夜间图片的标签。
8.一种监测系统,其特征在于,所述监测系统包括至少一个监测单元,所述监测单元包括:
采集模块,用于采集现场图片;以及
场景监测模型,用于确定所述现场图片的特征识别结果,
其中,所述场景监测模型采用如权利要求1-4中任一项所述的场景监测模型的获取方法获取。
9.根据权利要求8所述的监测系统,其特征在于,在所述监测系统中包括多个所述监测单元的情况下,多个所述监测单元中的每一个监测单元位于一个容器中。
10.根据权利要求8所述的监测系统,其特征在于,所述监测系统还包括:
异常提示模块,用于基于所述现场图片的特征识别结果确定现场是否出现异常,并在所述现场出现异常的情况下发出提示信号。
11.一种监测方法,其特征在于,所述监测方法还包括:
采集现场图片;以及
基于场景监测模型确定所述现场图片的特征识别结果,
其中,所述场景监测模型采用如权利要求1-4中任一项所述的场景监测模型的获取方法获取。
12.根据权利要求11所述的监测方法,其特征在于,每隔预设时间间隔采集一次所述现场图片,所述方法还包括:
确定第一时间点的现场图片的第一特征识别结果;
确定第二时间点的现场图片的第二特征识别结果;
将所述第一特征识别结果与所述第二特征识别结果进行比对;以及
根据所述第一特征识别结果与所述第二特征识别结果的比对结果确定是否发出提示信号,
其中,所述第一时间点与所述第二时间点间隔所述预设时间间隔,所述第一时间点的现场图片与所述第二时间点的现场图片为同一视角的图片。
13.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行:
上述权利要求1-4中任一项所述场景监测模型的获取方法;和/或
上述权利要求11-12中任一项所述的监测方法。
14.一种处理器,其特征在于,用于运行程序,其中,所述程序被运行时用于执行:
上述权利要求1-4中任一项所述场景监测模型的获取方法;和/或
上述权利要求11-12中任一项所述的监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011405600.8A CN112597811A (zh) | 2020-12-02 | 2020-12-02 | 场景监测模型的获取方法及装置、监测系统及监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011405600.8A CN112597811A (zh) | 2020-12-02 | 2020-12-02 | 场景监测模型的获取方法及装置、监测系统及监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112597811A true CN112597811A (zh) | 2021-04-02 |
Family
ID=75188113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011405600.8A Pending CN112597811A (zh) | 2020-12-02 | 2020-12-02 | 场景监测模型的获取方法及装置、监测系统及监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597811A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101409825A (zh) * | 2007-10-10 | 2009-04-15 | 中国科学院自动化研究所 | 基于信息融合的夜间视觉监控方法 |
CN104463798A (zh) * | 2014-11-28 | 2015-03-25 | 河海大学常州校区 | 基于稀疏表示算法的图像昼夜场景转换方法及系统 |
CN106095655A (zh) * | 2016-05-31 | 2016-11-09 | 北京蓝海讯通科技股份有限公司 | 一种异常检测方法、应用和监控设备 |
CN110276715A (zh) * | 2019-05-14 | 2019-09-24 | 北京邮电大学 | 一种图像去夜方法和装置 |
CN110458763A (zh) * | 2019-07-08 | 2019-11-15 | 深圳中兴网信科技有限公司 | 基于深度学习的夜间彩色图像的还原方法、系统、介质 |
WO2019233393A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN111125405A (zh) * | 2019-12-19 | 2020-05-08 | 国网冀北电力有限公司信息通信分公司 | 电力监控图像异常检测方法和装置、电子设备及存储介质 |
-
2020
- 2020-12-02 CN CN202011405600.8A patent/CN112597811A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101409825A (zh) * | 2007-10-10 | 2009-04-15 | 中国科学院自动化研究所 | 基于信息融合的夜间视觉监控方法 |
CN104463798A (zh) * | 2014-11-28 | 2015-03-25 | 河海大学常州校区 | 基于稀疏表示算法的图像昼夜场景转换方法及系统 |
CN106095655A (zh) * | 2016-05-31 | 2016-11-09 | 北京蓝海讯通科技股份有限公司 | 一种异常检测方法、应用和监控设备 |
WO2019233393A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN110276715A (zh) * | 2019-05-14 | 2019-09-24 | 北京邮电大学 | 一种图像去夜方法和装置 |
CN110458763A (zh) * | 2019-07-08 | 2019-11-15 | 深圳中兴网信科技有限公司 | 基于深度学习的夜间彩色图像的还原方法、系统、介质 |
CN111125405A (zh) * | 2019-12-19 | 2020-05-08 | 国网冀北电力有限公司信息通信分公司 | 电力监控图像异常检测方法和装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
LEI SUN,KAIWAI WANG, KAILUN YANG, KAITE XIANG: "夜间场景缺数据,如何进行语义分割?浙大提出基于GAN的高鲁棒夜间语义分割框架", 雷锋网/ARXIV, 5 November 2019 (2019-11-05), pages 1 - 7 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210389293A1 (en) | Methods and Systems for Water Area Pollution Intelligent Monitoring and Analysis | |
CN113792578A (zh) | 用于变电站异常的检测方法、设备及系统 | |
JP2015076868A (ja) | 異常状態検知システム | |
CN115797877B (zh) | 一种电力传输设备的智能监控方法、系统及介质 | |
CN112597811A (zh) | 场景监测模型的获取方法及装置、监测系统及监测方法 | |
CN116071901B (zh) | 一种机房环境的多元监测预警方法、设备及介质 | |
CN116402346A (zh) | 基于城市管网的风险预警方法、系统、设备及存储介质 | |
CN114550129B (zh) | 一种基于数据集的机器学习模型处理方法和系统 | |
CN114842380B (zh) | 一种火灾监测方法、装置、系统、存储器和处理器 | |
CN113938673B (zh) | 一种智慧城市监控管理方法 | |
CN113052340B (zh) | 聚合多源数据的预警方法、系统及存储介质 | |
CN111967419B (zh) | 一种坝岸险情预测方法、装置、计算机设备及存储介质 | |
CN114153831A (zh) | 电力微气象监测数据的标准化转换方法及系统 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN114387391A (zh) | 变电站设备的安全监测方法、装置、计算机设备和介质 | |
CN111798672A (zh) | 道路气象信息监测管理系统 | |
CN113689587B (zh) | 一种园区内干道占用巡检方法及系统 | |
CN116386060B (zh) | 一种水尺数据自动标注方法、装置、设备及介质 | |
CN113723268B (zh) | 识别电网故障的方法、装置、计算机存储介质及处理器 | |
CN114972218B (zh) | 指针表读数识别方法和系统 | |
CN116012777A (zh) | 基于深度学习的单目标跟踪方法及系统 | |
CN117458698A (zh) | 一种智能巡视监控系统 | |
CN114296498A (zh) | 网点机房的监控系统和方法 | |
CN117911349A (zh) | 特高压输电线路覆冰的监测方法和监测系统 | |
CN116193080A (zh) | 一种粮仓粮食异动的远程监控方法、设备及介质 |
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 |