CN112818753A - 采坑坠物检测方法、装置及系统 - Google Patents

采坑坠物检测方法、装置及系统 Download PDF

Info

Publication number
CN112818753A
CN112818753A CN202110029534.7A CN202110029534A CN112818753A CN 112818753 A CN112818753 A CN 112818753A CN 202110029534 A CN202110029534 A CN 202110029534A CN 112818753 A CN112818753 A CN 112818753A
Authority
CN
China
Prior art keywords
vehicle
pit
normal driving
target detection
driving route
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
CN202110029534.7A
Other languages
English (en)
Other versions
CN112818753B (zh
Inventor
朱晓宁
孙惠康
李园园
谭海燕
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.)
Jingying Digital Technology Co Ltd
Original Assignee
Jingying Digital 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 Jingying Digital Technology Co Ltd filed Critical Jingying Digital Technology Co Ltd
Priority to CN202110029534.7A priority Critical patent/CN112818753B/zh
Publication of CN112818753A publication Critical patent/CN112818753A/zh
Application granted granted Critical
Publication of CN112818753B publication Critical patent/CN112818753B/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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B3/00—Audible signalling systems; Audible personal calling systems
    • G08B3/10—Audible signalling systems; Audible personal calling systems using electric transmission; using electromagnetic transmission
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明提供了一种采坑坠物检测方法、装置及系统，该方法包括：获取采坑的监控视频；对监控视频的图像帧进行运动目标检测，确定图像帧中的运动区域；对运动区域进行目标检测，得到车辆和/或边坡的目标检测结果；根据车辆的目标检测结果确定是否出现车辆坠落，和/或，根据边坡的目标检测结果确定是否出现边坡滑坡。本发明基于图像处理技术自动监控矿场采坑的实时情况，对突发异常情况能够及时反应，可以降低人工监控及巡逻方式的人力物力消耗，提高监控效果，能够及时发现、及时救援，保证工作人员的人身安全，提高矿场采坑的作业效率。

Description

采坑坠物检测方法、装置及系统
技术领域
本发明涉及采坑监测技术领域，具体而言，涉及一种采坑坠物检测方法、装置及系统。
背景技术
随着露天煤矿规模的迅速发展，边坡暴露的高度、面积以及维持的时间也在不断增加，导致露天煤矿滑坡等事故频发，不但扰乱了矿场正常的生产秩序，企业蒙受巨大经济损失，而且对工作人员的生命安全构成了严重威胁。因此，如何能够监控矿场采坑的实时情况，对突发的异常情况能够及时反应就显得尤为重要。
矿场采坑可能会发生的异常情况主要包括以下两种：一是采坑周边道路是否发生车辆坠落，二是采坑周边道路是否发生滑坡等灾害。科学有效地采坑边坡滑坡、车辆坠落监控，对煤矿的突发情况处置及安全生产具有决定性的意义。
现有监测方式主要靠人工监控值班或日常巡逻检查等传统方式，耗费大量的人力物力，监控效果较差。
发明内容
本发明解决是现有采坑的人工监测方式，人力物力耗费大且监控效果较差的问题。
为解决上述问题，本发明提供一种采坑坠物检测方法，所述方法包括：获取采坑的监控视频；对所述监控视频的图像帧进行运动目标检测，确定所述图像帧中的运动区域；对所述运动区域进行目标检测，得到车辆和/或边坡的目标检测结果；根据所述车辆的目标检测结果确定是否出现车辆坠落，和/或，根据所述边坡的目标检测结果确定是否出现边坡滑坡。
可选地，所述根据所述车辆的目标检测结果确定是否出现车辆坠落，包括：获取所述图像帧中道路的正常行车路线，以及所述车辆的目标检测结果中车辆的位置信息；比较所述位置信息及所述正常行车路线，确定所述车辆是否偏离所述正常行车路线；若偏离所述正常行车路线，则确定出现车辆坠落。
可选地，所述比较所述位置信息及所述正常行车路线，确定所述车辆是否偏离所述正常行车路线，包括：计算所述位置信息与所述正常行车路线上各点的距离；若所述距离的最小值大于偏移距离阈值，则确定所述车辆偏离所述正常行车路线。
可选地，若偏离所述正常行车路线，所述方法还包括：获取确定偏离所述正常行车路线的第一图像帧中所述车辆的第一位置信息及所述第一图像帧之前相邻的第二图像帧中所述车辆的第二位置信息；所述第一图像帧与所述第二图像帧间隔预设时长；根据所述第一位置信息、所述第二位置信息及所述预设时长，确定所述车辆的速度；若偏离所述正常行车路线且所述车辆的速度大于坠落速度阈值，则确定出现车辆坠落。
可选地，所述根据所述边坡的目标检测结果确定是否出现边坡滑坡，包括：若所述边坡的目标检测结果中的边坡变化面积大于滑坡面积阈值，则确定出现边坡滑坡。
可选地，在所述对所述监控视频的图像帧进行运动目标检测，确定所述图像帧中的运动区域之前，所述方法还包括：对所述监控视频的图像帧进行清晰度检测；将清晰度不满足检测处理标准的图像帧剔除。
可选地，在所述对所述监控视频的图像帧进行运动目标检测，确定所述图像帧中的运动区域之前，所述方法还包括：对所述监控视频的图像帧进行降噪预处理。
本发明提供一种采坑坠物检测装置，所述装置包括：获取模块，用于获取采坑的监控视频；运动目标检测模块，用于对所述监控视频的图像帧进行运动目标检测，确定所述图像帧中的运动区域；目标检测模块，用于对所述运动区域进行目标检测，得到车辆和/或边坡的目标检测结果；坠物检测模块，用于根据所述车辆的目标检测结果确定是否出现车辆坠落，和/或，根据所述边坡的目标检测结果确定是否出现边坡滑坡。
可选地，所述坠物检测模块，具体用于：获取所述图像帧中道路的正常行车路线，以及所述车辆的目标检测结果中车辆的位置信息；比较所述位置信息及所述正常行车路线，确定所述车辆是否偏离所述正常行车路线；若偏离所述正常行车路线，则确定出现车辆坠落。
本发明提供一种采坑坠物检测系统，包括摄像装置、服务器及发声装置；所述摄像装置，用于采集采坑的监控视频；服务器，用于执行上述采坑坠物检测方法；发声装置，用于接收所述服务器发送的采坑坠物警告指令及根据所述采坑坠物警告指令发声。
本发明实施例基于图像处理技术自动监控矿场采坑的实时情况，对突发异常情况能够及时反应，可以降低人工监控及巡逻方式的人力物力消耗，提高监控效果，能够及时发现、及时救援，保证工作人员的人身安全，提高矿场采坑的作业效率。
附图说明
为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明的一个实施例中采坑坠物检测方法的应用环境示意图；
图2为本发明的一个实施例中一种采坑坠物检测方法的示意性流程图；
图3为本发明的一个实施例中采坑的典型盘旋上升式道路的示意图；
图4为本发明的一个实施例中一种采坑坠物检测装置的结构示意图。
附图标记说明：
101摄像装置；102-服务器；103-发声装置；301-道路；302-正常行车路线；401-获取模块；402-运动目标检测模块；403-目标检测模块；404-坠物检测模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了提升矿场采坑异常情况的应急处理能力，亟需建设一套实时的基采坑坠物检测方法和系统。本实施例针对矿场采坑会遇到对突发性事件，对采坑周围进行实时监控，通过网络将监控视频上传至服务器进行处理。当检测到车辆时，进行车辆的运动轨迹进行跟踪，实时检测车辆坠落等险情，还对采坑的实时情况进行检测，如有边坡滑坡等自然灾害，也能够及时通过广播喇叭等通知作业人员，安全撤离人员和设备，为生产计划的调整争取时间。
参见图1所示的采坑坠物检测方法的应用环境示意图，示出了采坑坠物检测系统，其具体包括摄像装置101、服务器102及发声装置103。该摄像装置101，用于采集采坑的监控视频；该服务器102，用于执行采坑坠物检测方法；发声装置103，用于接收服务器发送的采坑坠物警告指令及根据该采坑坠物警告指令发声。
摄像装置101例如是高清防爆摄像头，发生装置103例如是喇叭。高清防爆摄像头对采坑的情况进行实时监控并获得视频流，然后将获得的视频流通过有线网络传送到服务器。有线网络，用于摄像头和服务器间的视频流传输，以及服务器对发声装置的信号控制。
服务器102对视频流的图像帧进行分析处理，进行车辆坠落判断、采坑边坡滑坡判断。主要包括以下功能模块：
数据收集模块，通过有线网络接收通过RTSP(Real Time Streaming Protocol，实时流传输协议)传送的视频流，将视频流解析后发送数据处理模块；
数据处理模块，用于处理接收到的视频流，并根据运动目标检测算法对运动物体进行检测。若判断为车辆，则还原其行驶路径，通过与规定路径的对比，判断其行驶状态并进一步判断是否坠落。若是画面发生大面积变化，则判断是否发生滑坡等灾害。若为出现异常情况，则发送指令给发声装置进行警告。
数据存储模块，用于若数据处理模块检测到车辆坠落、山体滑坡等情况，则进行记录以保存对应的图像、视频以及分析结果，通知值班人员进行核验，进行下一步处置。
图2是本发明的一个实施例中一种采坑坠物检测方法的示意性流程图，该方法包括：
S202，获取采坑的监控视频。
S204，对监控视频的图像帧进行运动目标检测，确定图像帧中的运动区域。
其中，运动目标检测是指将图像序列或视频中发生空间位置变化的物体作为前景提出并标示的过程。本实施例可以采用以下运动目标检测方法：帧差法、光流法、背景减法、特征匹配法、KNN(k-NearestNeighbor，k最邻近分类算法)，及这些方法的变种(三帧差分、五帧差分)。
例如，利用帧差法对监控视频的连续视频帧进行差分运算，提取出连续视频帧画面中的不同区域，即为运动区域。
S206，对运动区域进行目标检测，得到车辆和/或边坡的目标检测结果。
在得到视频帧的运动区域后，对该运动区域进行目标检测，目标对象为车辆和边坡。预先训练目标检测模型由车辆和边坡的样本集训练得到，该样本集的样本为包括车辆或边坡的图像帧、以及图像帧中车辆及边坡的类别标签。
具体的目标检测算法可以采用基于候选区域的目标检测、单次检测算法，该基于候选区域的目标检测包括Fast R-CNN(Fast Region-Convolutional Neural Networks，快速区域-卷积神经网络)、R-FCN(Region-based Fully Convolutional Networks，基于区域的完全卷积网络)等；单次检测算法包括SSD(Single Shot MultiBox Detector，单激发多盒探测器)等。
S208，根据车辆的目标检测结果确定是否出现车辆坠落，和/或，根据边坡的目标检测结果确定是否出现边坡滑坡。
若目标检测结果为车辆，则判断是否出现车辆坠落。结合采坑的道路特点，道路的可通行范围狭窄，道路外的边坡无法通行，道路的可通行速度较低，因此若车辆出现在道路以外区域和/或速度超过规定速度，则可以确定为出现车辆坠落情况。
若目标检测结果为边坡，则判断是否出现边坡滑坡。由于边坡正常情况下处于静止状态，若出现大面积移动的情况，则可以确定为出现边坡滑坡情况。可选地，若边坡的目标检测结果中的边坡变化面积大于滑坡面积阈值，则确定出现边坡滑坡。该滑坡面积阈值可以结合采坑的边坡滑坡特点灵活确定，本实施例对此不作限定。
本实施例提供的采坑坠物检测方法，基于图像处理技术自动监控矿场采坑的实时情况，对突发异常情况能够及时反应，可以降低人工监控及巡逻方式的人力物力消耗，提高监控效果，能够及时发现、及时救援，保证工作人员的人身安全，提高矿场采坑的作业效率。
为了判断车辆是否出现在道路以外区域，也就是是否偏离正常行车路线，需要预先拟合监控范围内道路对应的行车路线。参见图3所示的采坑的典型盘旋上升式道路的示意图，示出了道路301及拟合得到的正常行车路线302。
示例性地，可以以画面左下角为原点建立二维坐标系，然后将该道路拟合出正常行车路线S＝f(x)。在拟合过程中以道路各位置的中点坐标为基础，可以采用现有拟合函数方式，本实施例对此不作限定。
在得到上述正常行车路线后，结合车辆的实时位置，可以确定是否出现车辆坠落，可按照以下步骤执行：
首先，获取图像帧中道路的正常行车路线，以及车辆的目标检测结果中车辆的位置信息。该位置信息以车辆的坐标表示，一般采用车辆的中心点坐标。
其次，比较上述位置信息及正常行车路线，确定车辆是否偏离正常行车路线。具体地，计算上述位置信息与正常行车路线上各点的距离；若各个距离的最小值大于偏移距离阈值，则确定车辆偏离正常行车路线。
例如，车辆的坐标为(x’,y’)，正常行车路线为S＝f(x)，计算车辆是否偏离正常行车路线，可以通过计算坐标(x’,y’)与曲线S＝f(x)的距离确定。通过计算该坐标(x’,y’)与曲线S＝f(x)上各点的距离g(x)＝(x-x’)2+(f(x)-y’)2，然后选择所有点的距离中的最小值，将其确定为车辆与正常行车路线的距离。上述偏移距离阈值，可以结合视频帧中道路的宽度以及车辆的宽度共同决定，一般需要大于道路宽度与车辆宽度之和的1/2，即车辆中心点距离道路中点的距离大于上述阈值时，车辆已处于道路之外。
然后，若偏离正常行车路线，则确定出现车辆坠落。若车辆偏离正常行车路线，则表示此刻车辆位置发生异常，基于此可以确定出现车辆坠落。
考虑到采坑的道路通行速度一般不高，且有限速要求，车辆正常行驶时速度应低于某速度阈值，而车辆在发生坠落时，速度往往较大，因此可以在上述车辆位置发生异常的基础上，再判断车辆的速度是否也发生异常，从而综合确定是否出现车辆坠落，提高判断采坑坠物的准确度。基于此，上述方法还可以包括以下步骤：
首先，获取确定偏离正常行车路线的第一图像帧中车辆的第一位置信息及第一图像帧之前相邻的第二图像帧中车辆的第二位置信息。该第一图像帧与第二图像帧间隔预设时长。需要说明的是，第一图像帧及第二图像帧可以是监控视频中的相邻的两帧，或者是以预设时长为间隔自监控视频中提取的图像帧序列中相邻的两帧。
其次，根据第一位置信息、第二位置信息及预设时长，确定车辆的速度。以第一位置信息及第二位置信息的坐标计算得到距离，以该距离除以该预设时长，即可得到车辆的速度。该速度可以是以像素距离计算得到的像素速度，相应地，后文中坠落速度阈值也以像素速度表示。
然后，若偏离正常行车路线且车辆的速度大于坠落速度阈值，则确定出现车辆坠落。该坠落速度阈值一般设置为大于上述道路的规定速度的某速度值。
示例性地，根据监控视频的连续两图像帧中的车辆坐标，可以计算出车辆实时的像素速度。计算公式如下：
Figure BDA0002891459260000081
其中，V像素速度，(x1,y1)为前一帧的车辆坐标，(x2,y2)为后一帧的车辆坐标，f为监控视频的帧数，1/f为连续两图像帧的间隔时长。
根据上述像素速度的大小，可以判定车辆在发生位置偏移时的速度是否超出了采坑道路的规定速度，以辅助判断车辆是否发生坠落。若车辆发生偏移，且实时速度超过了规定的速度阈值，则可以判定此车辆发生坠落。通过告警系统发出指令，现场的发声装置进行广播告警，以及向值班人发送异常状态告警短信，通知及时其尽快抵达现场处置。
由于采坑附近的环境中煤尘大、风沙大，摄像装置采集的监控视频可能出现画面清晰度不够的情况，影响后续坠物检测的精度。在执行上述运动目标检测算法之前，可以对监控视频的图像帧进行筛选和预处理。基于此，上述方法还包括：
(1)对监控视频的图像帧进行清晰度检测，然后将清晰度不满足检测处理标准的图像帧剔除。可选地，通过角点检测算法，可以将不符合处理标准的图像剔除。角点反映的是图像中局部最大值或最小值的孤立点，可理解为区域邻域的小方块，存在于不同方形的主边缘处。窗口向任意方向的移动都会导致图像灰度的明显变化，形成的点集称为角点。例如，检测得到的脚点数量较少，则表示图像帧比较模糊。
(2)对监控视频的图像帧进行降噪预处理，包括但不限于高斯平滑、多阀值处理等，使得图像中的噪声最小，且减少自然光线对于后续步骤的影响。
本实施例针对采坑工作现场可能发生的异常情况进行检测，一是检测采坑周边道路是否发生车辆坠落，由于坡陡路窄，采坑周边时常发生机动车坠落，及时发现，及时救援，在很大程度上可以保证工作人员的人身安全。二是对道路通行状态进行检测，如遇滑坡等灾害，能够及时准确地通知工作人员，及时处置，恢复道路畅通。
图4是本发明的一个实施例中一种采坑坠物检测装置的结构示意图，所述装置包括：
获取模块401，用于获取采坑的监控视频；
运动目标检测模块402，用于对所述监控视频的图像帧进行运动目标检测，确定所述图像帧中的运动区域；
目标检测模块403，用于对所述运动区域进行目标检测，得到车辆和/或边坡的目标检测结果；
坠物检测模块404，用于根据所述车辆的目标检测结果确定是否出现车辆坠落，和/或，根据所述边坡的目标检测结果确定是否出现边坡滑坡。
本实施例提供的采坑坠物检测装置，基于图像处理技术自动监控矿场采坑的实时情况，对突发异常情况能够及时反应，可以降低人工监控及巡逻方式的人力物力消耗，提高监控效果，能够及时发现、及时救援，保证工作人员的人身安全，提高矿场采坑的作业效率。
可选地，作为一个实施例，所述坠物检测模块，具体用于：获取所述图像帧中道路的正常行车路线，以及所述车辆的目标检测结果中车辆的位置信息；比较所述位置信息及所述正常行车路线，确定所述车辆是否偏离所述正常行车路线；若偏离所述正常行车路线，则确定出现车辆坠落。
可选地，作为一个实施例，所述坠物检测模块，具体用于：计算所述位置信息与所述正常行车路线上各点的距离；若所述距离的最小值大于偏移距离阈值，则确定所述车辆偏离所述正常行车路线。
可选地，作为一个实施例，若偏离所述正常行车路线，所述坠物检测模块，具体用于：获取确定偏离所述正常行车路线的第一图像帧中所述车辆的第一位置信息及所述第一图像帧之前相邻的第二图像帧中所述车辆的第二位置信息；所述第一图像帧与所述第二图像帧间隔预设时长；根据所述第一位置信息、所述第二位置信息及所述预设时长，确定所述车辆的速度；若偏离所述正常行车路线且所述车辆的速度大于坠落速度阈值，则确定出现车辆坠落。
可选地，作为一个实施例，所述坠物检测模块，具体用于：若所述边坡的目标检测结果中的边坡变化面积大于滑坡面积阈值，则确定出现边坡滑坡。
可选地，作为一个实施例，所述装置还包括筛选模块，用于：对所述监控视频的图像帧进行清晰度检测；将清晰度不满足检测处理标准的图像帧剔除。
可选地，作为一个实施例，所述装置还包括预处理模块，用于：对所述监控视频的图像帧进行降噪预处理。
本发明提供了一种采坑坠物检测系统，包括摄像装置、服务器及发声装置；所述摄像装置，用于采集采坑的监控视频；服务器，用于执行上述采坑坠物检测方法；发声装置，用于接收所述服务器发送的采坑坠物警告指令及根据所述采坑坠物警告指令发声。
上述实施例提供的采坑坠物检测装置能够实现上述采坑坠物检测方法的实施例中的各个过程，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述采坑坠物检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
当然，本领域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度来指令控制装置来完成，所述的程序可存储于一计算机可读取的存储介质中，所述程序在执行时可包括如上述各方法实施例的流程，其中所述的存储介质可为存储器、磁盘、光盘等。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种采坑坠物检测方法，其特征在于，所述方法包括：
获取采坑的监控视频；
对所述监控视频的图像帧进行运动目标检测，确定所述图像帧中的运动区域；
对所述运动区域进行目标检测，得到车辆和/或边坡的目标检测结果；
根据所述车辆的目标检测结果确定是否出现车辆坠落，和/或，根据所述边坡的目标检测结果确定是否出现边坡滑坡。
2.根据权利要求1所述的方法，其特征在于，所述根据所述车辆的目标检测结果确定是否出现车辆坠落，包括：
获取所述图像帧中道路的正常行车路线，以及所述车辆的目标检测结果中车辆的位置信息；
比较所述位置信息及所述正常行车路线，确定所述车辆是否偏离所述正常行车路线；
若偏离所述正常行车路线，则确定出现车辆坠落。
3.根据权利要求2所述的方法，其特征在于，所述比较所述位置信息及所述正常行车路线，确定所述车辆是否偏离所述正常行车路线，包括：
计算所述位置信息与所述正常行车路线上各点的距离；
若所述距离的最小值大于偏移距离阈值，则确定所述车辆偏离所述正常行车路线。
4.根据权利要求2所述的方法，其特征在于，若偏离所述正常行车路线，所述方法还包括：
获取确定偏离所述正常行车路线的第一图像帧中所述车辆的第一位置信息及所述第一图像帧之前相邻的第二图像帧中所述车辆的第二位置信息；所述第一图像帧与所述第二图像帧间隔预设时长；
根据所述第一位置信息、所述第二位置信息及所述预设时长，确定所述车辆的速度；
若偏离所述正常行车路线且所述车辆的速度大于坠落速度阈值，则确定出现车辆坠落。
5.根据权利要求1所述的方法，其特征在于，所述根据所述边坡的目标检测结果确定是否出现边坡滑坡，包括：
若所述边坡的目标检测结果中的边坡变化面积大于滑坡面积阈值，则确定出现边坡滑坡。
6.根据权利要求1-5任一项所述的方法，其特征在于，在所述对所述监控视频的图像帧进行运动目标检测，确定所述图像帧中的运动区域之前，所述方法还包括：
对所述监控视频的图像帧进行清晰度检测；
将清晰度不满足检测处理标准的图像帧剔除。
7.根据权利要求1-5任一项所述的方法，其特征在于，在所述对所述监控视频的图像帧进行运动目标检测，确定所述图像帧中的运动区域之前，所述方法还包括：
对所述监控视频的图像帧进行降噪预处理。
8.一种采坑坠物检测装置，其特征在于，所述装置包括：
获取模块，用于获取采坑的监控视频；
运动目标检测模块，用于对所述监控视频的图像帧进行运动目标检测，确定所述图像帧中的运动区域；
目标检测模块，用于对所述运动区域进行目标检测，得到车辆和/或边坡的目标检测结果；
坠物检测模块，用于根据所述车辆的目标检测结果确定是否出现车辆坠落，和/或，根据所述边坡的目标检测结果确定是否出现边坡滑坡。
9.根据权利要求8所述的装置，其特征在于，所述坠物检测模块，具体用于：
获取所述图像帧中道路的正常行车路线，以及所述车辆的目标检测结果中车辆的位置信息；
比较所述位置信息及所述正常行车路线，确定所述车辆是否偏离所述正常行车路线；
若偏离所述正常行车路线，则确定出现车辆坠落。
10.一种采坑坠物检测系统，其特征在于，包括摄像装置、服务器及发声装置；
所述摄像装置，用于采集采坑的监控视频；
服务器，用于执行如权利要求1-7任一项所述的采坑坠物检测方法；
发声装置，用于接收所述服务器发送的采坑坠物警告指令及根据所述采坑坠物警告指令发声。
CN202110029534.7A 2021-01-11 2021-01-11 采坑坠物检测方法、装置及系统 Active CN112818753B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110029534.7A CN112818753B (zh) 2021-01-11 2021-01-11 采坑坠物检测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110029534.7A CN112818753B (zh) 2021-01-11 2021-01-11 采坑坠物检测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN112818753A true CN112818753A (zh) 2021-05-18
CN112818753B CN112818753B (zh) 2024-06-28

Family

ID=75868802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110029534.7A Active CN112818753B (zh) 2021-01-11 2021-01-11 采坑坠物检测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN112818753B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082864A (zh) * 2022-07-25 2022-09-20 青岛亨通建设有限公司 一种建筑施工安全监控系统
CN116071657A (zh) * 2023-03-07 2023-05-05 青岛旭华建设集团有限公司 一种建筑施工视频监控大数据的智能预警系统
CN116385948A (zh) * 2023-06-07 2023-07-04 成都考拉悠然科技有限公司 一种预警铁路边坡异常的系统和方法
CN117953016A (zh) * 2024-03-27 2024-04-30 华能澜沧江水电股份有限公司 一种泄洪建筑物出口区边坡危岩监测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040001793A (ko) * 2002-06-28 2004-01-07 현대자동차주식회사 차량의 차선 이탈 경보방법
JP2006021705A (ja) * 2004-07-09 2006-01-26 Honda Motor Co Ltd 車両の速度制御装置
CN105809679A (zh) * 2016-03-04 2016-07-27 李云栋 一种基于视觉分析的山区铁路边坡落石检测方法
CN107918127A (zh) * 2017-11-20 2018-04-17 武汉大学 一种基于车载InSAR的道路边坡形变检测系统及方法
WO2018130016A1 (zh) * 2017-01-10 2018-07-19 哈尔滨工业大学深圳研究生院 一种基于监控视频的停车检测方法及装置
CN109686088A (zh) * 2018-12-29 2019-04-26 重庆同济同枥信息技术有限公司 一种交通视频告警方法、设备及系统
CN111523464A (zh) * 2020-04-23 2020-08-11 上海眼控科技股份有限公司 车辆违法变道的检测方法和装置
CN111833598A (zh) * 2020-05-14 2020-10-27 山东科技大学 一种高速公路无人机交通事件自动监测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040001793A (ko) * 2002-06-28 2004-01-07 현대자동차주식회사 차량의 차선 이탈 경보방법
JP2006021705A (ja) * 2004-07-09 2006-01-26 Honda Motor Co Ltd 車両の速度制御装置
CN105809679A (zh) * 2016-03-04 2016-07-27 李云栋 一种基于视觉分析的山区铁路边坡落石检测方法
WO2018130016A1 (zh) * 2017-01-10 2018-07-19 哈尔滨工业大学深圳研究生院 一种基于监控视频的停车检测方法及装置
CN107918127A (zh) * 2017-11-20 2018-04-17 武汉大学 一种基于车载InSAR的道路边坡形变检测系统及方法
CN109686088A (zh) * 2018-12-29 2019-04-26 重庆同济同枥信息技术有限公司 一种交通视频告警方法、设备及系统
CN111523464A (zh) * 2020-04-23 2020-08-11 上海眼控科技股份有限公司 车辆违法变道的检测方法和装置
CN111833598A (zh) * 2020-05-14 2020-10-27 山东科技大学 一种高速公路无人机交通事件自动监测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIN LIN ET AL.: "Inter-frame Correlation Based on Moving Vehicle Target Detection in Infrared Image Sequences", 《2017 INTERNATIONAL CONFERENCE ON COMPUTER TECHNOLOGY, ELECTRONICS AND COMMUNICATION 》, 8 August 2019 (2019-08-08) *
陶小保;: "露天矿边坡变形监测", 技术与市场, no. 06, 15 June 2011 (2011-06-15) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082864A (zh) * 2022-07-25 2022-09-20 青岛亨通建设有限公司 一种建筑施工安全监控系统
CN116071657A (zh) * 2023-03-07 2023-05-05 青岛旭华建设集团有限公司 一种建筑施工视频监控大数据的智能预警系统
CN116385948A (zh) * 2023-06-07 2023-07-04 成都考拉悠然科技有限公司 一种预警铁路边坡异常的系统和方法
CN116385948B (zh) * 2023-06-07 2023-09-15 成都考拉悠然科技有限公司 一种预警铁路边坡异常的系统和方法
CN117953016A (zh) * 2024-03-27 2024-04-30 华能澜沧江水电股份有限公司 一种泄洪建筑物出口区边坡危岩监测方法及系统

Also Published As

Publication number Publication date
CN112818753B (zh) 2024-06-28

Similar Documents

Publication Publication Date Title
CN112818753B (zh) 采坑坠物检测方法、装置及系统
Aboah A vision-based system for traffic anomaly detection using deep learning and decision trees
CN111986228B (zh) 一种基于lstm模型扶梯场景下的行人跟踪方法、装置和介质
KR101748121B1 (ko) 객체 인지 기반의 실시간 영상 검지 시스템 및 그 방법
JP6584024B2 (ja) 監視システム
KR101375583B1 (ko) 비디오에서의 물체 조밀도 판단
CN109448365B (zh) 一种跨尺度空基平台区域道路交通系统综合监视方法
KR101095528B1 (ko) 연속류도로 사고 및 돌발 자동판별 검지시스템 및 그 방법
CN111432179A (zh) 基于计算机视觉的输煤皮带智能巡检系统及方法
CN103456024B (zh) 一种运动目标越线判断方法
CN103096121B (zh) 一种摄像头移动检测方法及装置
US8301577B2 (en) Intelligent monitoring system for establishing reliable background information in a complex image environment
KR101515166B1 (ko) 객체인식 기반의 주차장 이벤트 검지 시스템
KR101048045B1 (ko) 객체의 이동궤적을 이용한 철도건널목 위험지역의 지장물 영상검지장치 및 그 제어방법
CN112282819B (zh) 基于视觉的综采工作面人员目标安全监控方法及系统
CN103152558B (zh) 基于场景识别的入侵检测方法
CN110519566B (zh) 一种基于视频处理的皮带运动状态监测方法
Ketcham et al. The intruder detection system for rapid transit using CCTV surveillance based on histogram shapes
CN109488383B (zh) 智能视频分析系统及其应用方法
JP7125843B2 (ja) 障害検知システム
CN116385948B (zh) 一种预警铁路边坡异常的系统和方法
CN114648748A (zh) 一种基于深度学习的机动车违停智能识别方法及系统
KR100690279B1 (ko) 다목적 영상감지 시스템
CN117978969A (zh) 一种应用于养殖业的ai视频管理平台
CN104392201A (zh) 一种基于全向视觉的人体跌倒识别方法

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
GR01 Patent grant
GR01 Patent grant