CN112687022A - 一种基于视频的智能楼宇巡检方法及系统 - Google Patents
一种基于视频的智能楼宇巡检方法及系统 Download PDFInfo
- Publication number
- CN112687022A CN112687022A CN202011510225.3A CN202011510225A CN112687022A CN 112687022 A CN112687022 A CN 112687022A CN 202011510225 A CN202011510225 A CN 202011510225A CN 112687022 A CN112687022 A CN 112687022A
- Authority
- CN
- China
- Prior art keywords
- inspection
- equipment
- training
- building
- video
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000013526 transfer learning Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种基于视频的智能楼宇巡检方法及系统，本公开通过获取历史楼宇视频和实时楼宇视频，并从历史楼宇视频中获取训练数据，对所述训练数据进行处理和标注，获得标注数据集；构建训练神经网络，通过所述训练模型对实时楼宇视频进行处理得到待测设备类别、待测设备的历史巡检记录和待测设备在所述图像中的相对坐标；根据设备类别、历史巡检记录和相对坐标来获得巡检布设方案，巡检布设方案具体为规划巡检路线、巡检时间和制定巡检任务表；有效判断图像的目标实体区域和相邻的设备、线路和环境场景之间的关系，有效降低了巡检误差，满足通过视频实现楼宇巡检准确性的需求。
Description
技术领域
本公开涉及建筑物巡检维护领域，涉及一种基于视频的智能楼宇巡检方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成现有技术。
建筑物特别是大型楼宇内的电气维修和巡检是一项重要工作，为了防止电气设施的安全，电气设施都是设置在专门控制柜内，但是对控制柜门和电气设施的维修，通过是没有进行智能管理，都只是通过简单的锁紧将柜门锁住，并且对报修和维修，也都是通过人工口头或者纸件信息进行传递，效率低，并且也不能及时对信息进行保存和记录，特别是对维修过程中柜门开关控制，容易发生柜门不能及时关闭，对电气设施的安全留下很大的隐患；
巡检人员对于每个巡检对象进行消防巡检时，较为先进的方式包括；在巡检对象上、巡检对象周边或是巡检路线上设有NFC贴片等利用的非接触式射频识别(RFID)技术的设备或装置；在巡检过程中，巡检人员可以持有设有NFC模块的移动终端，通过该移动终端读取各个NFC贴片的方式来进行签到，以证明自己到达了巡检对象的位置，从而达到对巡检人员的巡检行为进行监测的目的
发明人经过研究发现，现有技术中的巡检方式，至少还存在以下缺陷：
在传统的巡检管理工作中，一般采用的是挂牌、拨针、签到等方式，这些方式的弊端是经常发生早检、晚检、漏检甚至不检等不按巡检规定进行巡检的情况，管理者如不亲临现场根本无法掌握巡检人员的巡检情况，无法知道巡检人员是否按照规定的巡检计划进行按时、按点的巡查。且人员巡检的工作量大及效率低，因手工记录的种类多、工作量大，造成巡检填报工作效率低和漏项或错项情况时有发生，由于对同种缺陷的描述不统一，常出现记录重复、难以进行分类整理、不便于文件保存与日后查找等问题，也不能为缺陷消除提供科学的技术依据。
通过对视频监控网络的自动巡检，可及时快速的对网络中的摄像头进行巡视检查，现有技术中一般由视频巡检服务器在报警中心进行巡检，不方便放在网点进行部署，速度慢及容易受网络传输速度影响；
且，楼宇巡检的问题往往与视频中的目标实体有关，然而目前的视频中所提取信息无法实现外形信息的提取，不能有效判断图像的目标实体区域和相邻的设备、线路和环境场景之间的关系，使得巡检误差较大，目前难以满足通过视频实现楼宇巡检准确性的需求。
发明内容
为了解决上述问题，本公开提出了一种基于视频的智能楼宇巡检方法及系统。
第一方面，本公开提供了一种基于视频的智能楼宇巡检方法，包括：
获取历史楼宇视频和实时楼宇视频，并从历史楼宇视频中获取训练数据，对所述训练数据进行处理和标注，获得标注数据集；
构建训练神经网络，利用所述训练神经网络对所述标注数据集进行训练，得到训练模型；
通过所述训练模型对实时楼宇视频进行处理得到待测设备类别、待测设备的历史巡检记录和待测设备在所述图像中的相对坐标；
根据设备类别、历史巡检记录和相对坐标来获得巡检布设方案，巡检布设方案具体为规划巡检路线、巡检时间和制定巡检任务表。
第二方面，本公开提供了一种基于视频的智能楼宇巡检系统，包括：
数据采集模块，被配置为：获取历史楼宇视频和实时楼宇视频，并从历史楼宇视频中获取训练数据，对所述训练数据进行处理和标注，获得标注数据集；
模型训练模块，被配置为：构建训练神经网络，利用所述训练神经网络对所述标注数据集进行训练，得到训练模型；
数据处理模块，被配置为：通过所述训练模型对实时楼宇视频进行处理得到待测设备类别、待测设备的历史巡检记录和待测设备在所述图像中的相对坐标；
巡检布设方案生成模块，被配置为：根据设备类别、历史巡检记录和相对坐标来获得巡检布设方案，巡检布设方案具体为规划巡检路线、巡检时间和制定巡检任务表。
第三方面，本公开提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如第一方面所述的基于视频的智能楼宇巡检方法。
第四方面，本公开提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如第一方面所述的基于视频的智能楼宇巡检方法。
与现有技术对比，本公开具备以下有益效果：
1、本公开通过获取历史楼宇视频和实时楼宇视频，并从历史楼宇视频中获取训练数据，对所述训练数据进行处理和标注，获得标注数据集；构建训练神经网络，利用所述训练神经网络对所述标注数据集进行训练，得到训练模型；通过所述训练模型对实时楼宇视频进行处理得到待测设备类别、待测设备的历史巡检记录和待测设备在所述图像中的相对坐标；根据设备类别、历史巡检记录和相对坐标来获得巡检布设方案，巡检布设方案具体为规划巡检路线、巡检时间和制定巡检任务表；解决了成巡检填报工作效率低和漏项或错项情况时有发生，由于对同种缺陷的描述不统一，常出现记录重复、难以进行分类整理、不便于文件保存与日后查找等问题，为缺陷消除提供科学的技术依据。
2、本公开对训练数据进行处理和标注，获得标注数据集具体是通过多模态融合模型对视频数据进行处理，可以有效提高待测设备外形特征和环境特征的信息，并根据历史巡检数据有效规划巡检方案；从摄像头的视频数据中提取待测设备外形特征和待测设备环境特征，有效判断图像的目标实体区域和相邻的设备、线路和环境场景之间的关系，有效降低了巡检误差，满足通过视频实现楼宇巡检准确性的需求。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开的基于视频的智能楼宇巡检方法流程图；
图2为本公开的基于视频的智能楼宇巡检系统的结构示意图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
一种基于视频的智能楼宇巡检方法，包括：
预设建筑物内每个巡检对象对应的近场范围；所述近场范围包括所述建筑物内的室内位置数据；
根据室内位置数据布设摄像设备，并对一定区域内的近场范围内的巡检对象进行观测；
判断摄像设备的当前拍摄区域是否属于所述巡检对象对应的近场范围；
当判断结果为是，触发所述巡检移动终端中的巡检录入界面为可接受所述巡检对象的输入巡检记录的状态；
所述摄像设备将已完成的摄像数据发送至预设的服务器；
服务器获取历史楼宇视频和拍摄的实时楼宇视频，并从历史楼宇视频中获取训练数据，对所述训练数据进行处理和标注，获得标注数据集；
构建训练神经网络，利用所述训练神经网络对所述标注数据集进行训练，得到训练模型；
通过所述训练模型对拍摄的图像进行运算得到所述图像中的待测设备类别、待测设备的历史巡检记录和待测设备在所述图像中的相对坐标；
根据设备类别、历史巡检记录和相对坐标来获得巡检布设方案，巡检布设方案具体为规划巡检路线、巡检时间和制定巡检任务表；执行视频巡检任务时，根据巡检任务表配置仪表分组编号信息和对应的视频设备编号信息，并制定切换任务表；所述巡检布设方案的执行者可为巡检人员、巡检机器人或智能系统获取所需巡检信息。
进一步的，构建训练神经网络的具体步骤包括：
具体对所述标注数据集进行训练时，本发明实施例以COCO数据集作为所述神经网络的输入训练得到的权重值作为初始化参数来得到权重参数。本发明实施例采用迁移学习的方法，将COCO数据集预训练模型的参数作为初始化参数。COCO数据集包括91个类目标，328000个影像和2500000个label。以COCO数据集作为输入训练得到的权重值作为初始化参数能更快的获得更好的权重参数。
进一步的，对所述训练数据进行处理和标注，获得标注数据集具体是通过多模态融合模型对视频数据进行处理，可以有效提高待测设备外形特征和环境特征的信息，并根据历史巡检数据有效获取标注数据集，进而实现规划巡检方案；从摄像头的视频数据中提取待测设备外形特征和待测设备环境特征；
将外形特征和环境特征进行融合处理，获得融合外形特征和融合环境特征；
将融合外形特征、融合环境特征和历史巡检数据输入多模态融合模型中进行训练，获得训练好的多模态融合模型；
将待测设备的视频数据输入训练好的多模态融合模型，获得标注数据集。
进一步的，制定切换任务表包括如下步骤：
i：根据待执行的视频巡检任务以及巡检任务表，获取任务执行类型、任务执行时间及视频切换周期；
ii：获取对应的切换任务表，根据仪表分组编号，调取对应的视频设备，继续通过智能巡检读数模块进行巡检数据的读取，并将该组视频设备监控到的视频图像切换到对应编号的视频监控终端上进行显示；
iii：判断是否到达视频设备的切换周期，到达视频设备的切换周期后，调取下一组仪表需要的视频设备，重复步骤ii的过程进行查看；
iv：不断重复步骤iii，直到下一组仪表分组编号为空时，结束视频巡检。
实施例2
一种基于视频的智能楼宇巡检系统，其特征在于，包括：
数据采集模块，被配置为：获取历史楼宇视频和实时楼宇视频，并从历史楼宇视频中获取训练数据，对所述训练数据进行处理和标注，获得标注数据集；
模型训练模块，被配置为：构建训练神经网络，利用所述训练神经网络对所述标注数据集进行训练，得到训练模型；
数据处理模块，被配置为：通过所述训练模型对实时楼宇视频进行处理得到待测设备类别、待测设备的历史巡检记录和待测设备在所述图像中的相对坐标；
巡检布设方案生成模块，被配置为：根据设备类别、历史巡检记录和相对坐标来获得巡检布设方案，巡检布设方案具体为规划巡检路线、巡检时间和制定巡检任务表。
进一步的，所述数据采集模块、模型训练模块、数据处理模块和巡检布设方案生成模块所被配置的具体方式分别对应上述实施例中所述的基于位置隐私保护的交通密度检测方法的具体步骤。
实施例3
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上述实施例所述的基于视频的智能楼宇巡检方法。
实施例4
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上述实施例所述的基于视频的智能楼宇巡检方法。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开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，本公开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。
本公开是参照根据本公开实施例的方法、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。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于视频的智能楼宇巡检方法，其特征在于，包括：
获取历史楼宇视频和实时楼宇视频，并从历史楼宇视频中获取训练数据，对所述训练数据进行处理和标注，获得标注数据集；
构建训练神经网络，利用所述训练神经网络对所述标注数据集进行训练，得到训练模型；
通过所述训练模型对实时楼宇视频进行处理得到待测设备类别、待测设备的历史巡检记录和待测设备在所述图像中的相对坐标；
根据设备类别、历史巡检记录和相对坐标来获得巡检布设方案，巡检布设方案具体为规划巡检路线、巡检时间和制定巡检任务表。
2.如权利要求1所述的智能楼宇巡检方法，其特征在于，还包括预设建筑物内每个巡检对象对应的近场范围；所述近场范围包括所述建筑物内的室内位置数据；根据室内位置数据布设摄像设备，并对一定区域内的近场范围内的巡检对象进行观测。
3.如权利要求2所述的智能楼宇巡检方法，其特征在于，判断摄像设备的当前拍摄区域是否属于所述巡检对象对应的近场范围；当判断结果为是，触发所述巡检移动终端中的巡检录入界面为可接受所述巡检对象的输入巡检记录的状态；所述摄像设备将已完成的摄像数据发送至预设的服务器。
4.如权利要求1所述的智能楼宇巡检方法，其特征在于，执行视频巡检任务时，根据巡检任务表配置仪表分组编号信息和对应的视频设备编号信息，并制定切换任务表。
5.如权利要求1所述的智能楼宇巡检方法，其特征在于，对所述训练数据进行处理和标注，获得标注数据集具体是通过多模态融合模型对视频数据进行处理，可以有效提高待测设备外形特征和环境特征的信息，并根据历史巡检数据有效获得巡检方案的标注数据集。
6.如权利要求5所述的智能楼宇巡检方法，其特征在于，通过多模态融合模型对视频数据进行处理步骤包括：
从摄像头的视频数据中提取待测设备外形特征和待测设备环境特征；
将外形特征和环境特征进行融合处理，获得融合外形特征和融合环境特征；
将融合外形特征、融合环境特征和历史巡检数据输入多模态融合模型中进行训练，获得训练好的多模态融合模型；
将待测设备的视频数据输入训练好的多模态融合模型，获得标注数据集。
7.如权利要求1所述的智能楼宇巡检方法，其特征在于，采用迁移学习的方法，将COCO数据集预训练模型的参数作为卷积神经网络模型的初始化参数。
8.一种基于视频的智能楼宇巡检系统，其特征在于，包括：
数据采集模块，被配置为：获取历史楼宇视频和实时楼宇视频，并从历史楼宇视频中获取训练数据，对所述训练数据进行处理和标注，获得标注数据集；
模型训练模块，被配置为：构建训练神经网络，利用所述训练神经网络对所述标注数据集进行训练，得到训练模型；
数据处理模块，被配置为：通过所述训练模型对实时楼宇视频进行处理得到待测设备类别、待测设备的历史巡检记录和待测设备在所述图像中的相对坐标；
巡检布设方案生成模块，被配置为：根据设备类别、历史巡检记录和相对坐标来获得巡检布设方案，巡检布设方案具体为规划巡检路线、巡检时间和制定巡检任务表。
9.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时，完成如权利要求1-7任一所述的基于视频的智能楼宇巡检方法。
10.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-7任一所述的基于视频的智能楼宇巡检方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011510225.3A CN112687022A (zh) | 2020-12-18 | 2020-12-18 | 一种基于视频的智能楼宇巡检方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011510225.3A CN112687022A (zh) | 2020-12-18 | 2020-12-18 | 一种基于视频的智能楼宇巡检方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112687022A true CN112687022A (zh) | 2021-04-20 |
Family
ID=75450181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011510225.3A Pending CN112687022A (zh) | 2020-12-18 | 2020-12-18 | 一种基于视频的智能楼宇巡检方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112687022A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780578A (zh) * | 2021-09-08 | 2021-12-10 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备及可读存储介质 |
| CN116841301A (zh) * | 2023-09-01 | 2023-10-03 | 杭州义益钛迪信息技术有限公司 | 巡检机器人巡检模型训练方法、装置、设备及介质 |
| CN116863272A (zh) * | 2023-07-11 | 2023-10-10 | 广州兴合科技有限公司 | 基于工程分类的巡检图像处理方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015022414A (ja) * | 2013-07-17 | 2015-02-02 | セコム株式会社 | 巡回業務支援システム、巡回業務支援方法及び巡回業務支援システム用プログラム |
| CN106599907A (zh) * | 2016-11-29 | 2017-04-26 | 北京航空航天大学 | 多特征融合的动态场景分类方法与装置 |
| CN107590874A (zh) * | 2017-08-10 | 2018-01-16 | 福州中优奕信息技术服务有限公司 | 安全巡检方法和巡检移动终端 |
| WO2018023884A1 (zh) * | 2016-08-04 | 2018-02-08 | 深圳先进技术研究院 | 一种身份识别装置及方法 |
| CN108121961A (zh) * | 2017-12-21 | 2018-06-05 | 华自科技股份有限公司 | 巡检行为识别方法、装置、计算机设备和存储介质 |
| CN108762503A (zh) * | 2018-05-24 | 2018-11-06 | 深圳万智联合科技有限公司 | 一种基于多模态数据采集的人机交互系统 |
| CN110121054A (zh) * | 2018-02-07 | 2019-08-13 | 中国石油化工股份有限公司 | 一种基于视频分析的石化装置巡检系统 |
| CN111124015A (zh) * | 2019-12-26 | 2020-05-08 | 华电山东新能源有限公司莱西分公司 | 一种智能风电巡检视频监测方法 |
| CN111275130A (zh) * | 2020-02-18 | 2020-06-12 | 上海交通大学 | 基于多模态的深度学习预测方法、系统、介质及设备 |
| CN111401146A (zh) * | 2020-02-26 | 2020-07-10 | 长江大学 | 一种无人机电力巡检方法、设备及存储介质 |
-
2020
- 2020-12-18 CN CN202011510225.3A patent/CN112687022A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015022414A (ja) * | 2013-07-17 | 2015-02-02 | セコム株式会社 | 巡回業務支援システム、巡回業務支援方法及び巡回業務支援システム用プログラム |
| WO2018023884A1 (zh) * | 2016-08-04 | 2018-02-08 | 深圳先进技术研究院 | 一种身份识别装置及方法 |
| CN106599907A (zh) * | 2016-11-29 | 2017-04-26 | 北京航空航天大学 | 多特征融合的动态场景分类方法与装置 |
| CN107590874A (zh) * | 2017-08-10 | 2018-01-16 | 福州中优奕信息技术服务有限公司 | 安全巡检方法和巡检移动终端 |
| CN108121961A (zh) * | 2017-12-21 | 2018-06-05 | 华自科技股份有限公司 | 巡检行为识别方法、装置、计算机设备和存储介质 |
| CN110121054A (zh) * | 2018-02-07 | 2019-08-13 | 中国石油化工股份有限公司 | 一种基于视频分析的石化装置巡检系统 |
| CN108762503A (zh) * | 2018-05-24 | 2018-11-06 | 深圳万智联合科技有限公司 | 一种基于多模态数据采集的人机交互系统 |
| CN111124015A (zh) * | 2019-12-26 | 2020-05-08 | 华电山东新能源有限公司莱西分公司 | 一种智能风电巡检视频监测方法 |
| CN111275130A (zh) * | 2020-02-18 | 2020-06-12 | 上海交通大学 | 基于多模态的深度学习预测方法、系统、介质及设备 |
| CN111401146A (zh) * | 2020-02-26 | 2020-07-10 | 长江大学 | 一种无人机电力巡检方法、设备及存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780578A (zh) * | 2021-09-08 | 2021-12-10 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备及可读存储介质 |
| CN113780578B (zh) * | 2021-09-08 | 2023-12-12 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备及可读存储介质 |
| CN116863272A (zh) * | 2023-07-11 | 2023-10-10 | 广州兴合科技有限公司 | 基于工程分类的巡检图像处理方法及系统 |
| CN116863272B (zh) * | 2023-07-11 | 2024-01-30 | 广州兴合科技有限公司 | 基于工程分类的巡检图像处理方法及系统 |
| CN116841301A (zh) * | 2023-09-01 | 2023-10-03 | 杭州义益钛迪信息技术有限公司 | 巡检机器人巡检模型训练方法、装置、设备及介质 |
| CN116841301B (zh) * | 2023-09-01 | 2024-01-09 | 杭州义益钛迪信息技术有限公司 | 巡检机器人巡检模型训练方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112687022A (zh) | 一种基于视频的智能楼宇巡检方法及系统 | |
| WO2017084186A1 (zh) | 挠性电路板制造过程自动监测和智能分析系统及方法 | |
| CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及系统 | |
| CN106846530A (zh) | 一种基于nfc技术的物业移动巡检系统及方法 | |
| CN109840157A (zh) | 故障诊断的方法、装置、电子设备和存储介质 | |
| CN111260325A (zh) | 基于bim的桥梁施工进度管理系统 | |
| WO2020114131A1 (zh) | 同行分析方法及装置 | |
| CN108627520A (zh) | 一种非均质固体材料外观质量的在线检测系统和方法 | |
| CN111695771B (zh) | 基于物联网技术的电力物资智能检测管控系统及其方法 | |
| CN113989503A (zh) | 一种生产线巡检系统、方法、电子设备及存储介质 | |
| CN117035419B (zh) | 企业项目实施智能管理系统及方法 | |
| CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
| CN110659201A (zh) | 一种安全技术防范工程智能测试分析系统 | |
| CN109615722A (zh) | 基于云监控的机房巡检方法、电子设备及计算机存储介质 | |
| CN207663460U (zh) | 一种可视化智能巡检监测平台 | |
| CN113780594A (zh) | 一种服务器智能识别与巡检系统 | |
| CN116986246A (zh) | 一种用于对输煤皮带进行智能巡检系统及巡检方法 | |
| CN113741368A (zh) | 一种基于物联网管控的电力企业安全生产管理方法 | |
| CN113780342A (zh) | 一种基于自监督预训练的智能检测方法、装置及机器人 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN207008631U (zh) | 基于rfid的机房监测管理系统 | |
| CN202854576U (zh) | 汽车生产线数据管理系统 | |
| CN110163084A (zh) | 操作员动作监督方法、装置及电子设备 | |
| CN112348306A (zh) | 一种面向配电运检中的TitanOS人工智能开发方法及装置 | |
| CN116239019A (zh) | 一种智慧港口起重机作业监测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210420 |
|
| RJ01 | Rejection of invention patent application after publication |