CN113114935A - 一种基于视频图像的振动识别方法 - Google Patents

一种基于视频图像的振动识别方法 Download PDF

Info

Publication number
CN113114935A
CN113114935A CN202110373063.1A CN202110373063A CN113114935A CN 113114935 A CN113114935 A CN 113114935A CN 202110373063 A CN202110373063 A CN 202110373063A CN 113114935 A CN113114935 A CN 113114935A
Authority
CN
China
Prior art keywords
image
video
side slope
shooting
slope
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
CN202110373063.1A
Other languages
English (en)
Other versions
CN113114935B (zh
Inventor
康跃明
康厚清
王自亮
赵智辉
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.)
Chongqing Smart City Science And Technology Research Institute Co ltd
CCTEG Chongqing Research Institute Co Ltd
Original Assignee
Chongqing Smart City Science And Technology Research Institute Co ltd
CCTEG Chongqing Research Institute 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 Chongqing Smart City Science And Technology Research Institute Co ltd, CCTEG Chongqing Research Institute Co Ltd filed Critical Chongqing Smart City Science And Technology Research Institute Co ltd
Priority to CN202110373063.1A priority Critical patent/CN113114935B/zh
Publication of CN113114935A publication Critical patent/CN113114935A/zh
Application granted granted Critical
Publication of CN113114935B publication Critical patent/CN113114935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N25/00—Circuitry of solid-state image sensors [SSIS]; Control thereof
    • H04N25/60—Noise processing, e.g. detecting, correcting, reducing or removing noise
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及振动识别技术领域，尤其是一种基于视频图像的振动识别方法，包括如下步骤：S1：采集环境数据，所述环境数据包括雨量；S2：根据采集的环境数据控制拍摄频率，根据拍摄频率对待测对象连续拍摄；所述雨量达到雨量阈值时，加快拍摄频率；S3：对拍摄的图像进行预处理；S4：获取预处理后的图像中对象边缘的像素骨架线段，并以相同的方式获取连续拍摄的图像中像素骨架线段上的目标点，计算目标点的振动数据，生成边坡位移变化量。该方法能够基于视频图像处理技术，通过边坡本身的边缘信息实现振动识别，且能够根据导致边坡位移的环境因素，控制检测频率，边坡位移易发时，加快检测频率。

Description

一种基于视频图像的振动识别方法
技术领域
本发明涉及振动识别技术领域，特别涉及一种基于视频图像的振动识别方法。
背景技术
二十世纪以来，高速摄像技术和数据传输技术逐步发展，视频图像处理技术飞速成长，极大地推动了测量技术的变革，目前，视频图像处理技术已在国防军工、航空航天、机器人视觉、医学生物工程、工业产品检测等方面广泛应用，不可忽视的是，视频图像处理技术在振动识别与检测中也发挥着重要的应用价值。
由于我国地质条件的限制和公路线性的制约，崩塌、滑坡以及由边坡失稳引起的边坡位移等问题成为了不可忽视的安全隐患。为了准确的监测出边坡的位移并对变形的发展趋势进行预报，现有技术大多采用在边坡表面布设、粘贴标志或者纹理的方式实现特征点的动态追踪。然而，这样的方式对于位于室外的边坡振动检测存在着不易布设、粘贴标志，且标志易脱落的问题。因此，基于视频图像处理技术，通过被测边坡本身的边缘信息来实现振动识别，成为了边坡振动识别领域的突破点。如何根据导致边坡位移的环境因素，控制检测频率，也成为了亟待解决的问题。
发明内容
本发明提供了一种基于视频图像的振动识别方法，能够基于视频图像处理技术，通过边坡本身的边缘信息实现振动识别，且能够根据导致边坡位移的环境因素，控制检测频率，边坡位移易发时，加快检测频率。
本发明提供的基础方案：
一种基于视频图像的振动识别方法，包括如下步骤：
S1：采集环境数据，所述环境数据包括雨量；
S2：根据采集的环境数据控制拍摄频率，根据拍摄频率对待测对象连续拍摄；所述雨量达到雨量阈值时，加快拍摄频率；
S3：对拍摄的图像进行预处理；
S4：获取预处理后的图像中对象边缘的像素骨架线段，并以相同的方式获取连续拍摄的图像中像素骨架线段上的目标点，计算目标点的振动数据，生成边坡位移变化量。
本发明的原理及优点在于：边坡的位移与周围的环境因素有关，采集环境数据，根据采集的环境数据控制拍摄频率，如雨量达到雨量阈值时，加快拍摄频率，从而达到边坡位移易发时，加快检测频率的效果；获取拍摄的图像中对象边缘的像素骨架线段，根据图像中对象边缘的像素骨架线段生成边坡位移变化量，由此可见，本方案能够基于视频图像处理技术，通过边坡本身的边缘信息实现振动识别。
进一步，所述环境数据还包括风力和风向，所述风力达到风力阈值，且风向与边坡的坡面的夹角小于角度阈值时，加快拍摄频率。
有益效果：边坡上的植物受到风的作用后，将其荷载传递给边坡，风力越大，风向与边坡的坡面的夹角越小，边坡上的植物受到风的作用力就越大，从而传递给边坡的荷载就越大，可以得出，边坡的位移会受到风力及风向的影响，风力达到风力阈值，且风向与边坡的坡面的夹角小于角度阈值时，容易发生边坡位移，故加快拍摄频率。
进一步，所述环境数据包括道路中通行的车辆的重量，车辆的重量达到重量阈值时，对待测对象连续拍摄。
有益效果：对边坡位移产生影响的外部因素包括振动作用，道路中通行的车辆的重量越大，通过边坡附近的道路时，产生的振动作用就越大，从而对边坡位移产生的影响就越大，除正常情况下按照拍摄频率对边坡进行拍摄外，当道路中通过了车辆的重量达到重量阈值的车辆时，会额外进行一次对边坡振动的检测与识别。
进一步，所述S3包括：
S301：对拍摄的图像进行降噪处理；
S302：对降噪处理后的图像进行阈值分割，获取二值图像。
有益效果：对图像进行降噪处理、阈值分割，获取二值图像，有利于获取图像中边坡边缘的像素骨架线段。
进一步，对拍摄的图像进行降噪处理的方式为中值滤波。
有益效果：中值滤波采用非线性的方法，在平滑脉冲噪声方面非常有效,同时它可以保护图像尖锐的边缘，选择适当的点来替代污染点的值，所以处理效果好，对椒盐噪声表现较好。
进一步，对待测对象的拍摄采用高速相机，至少在边坡的左右两侧各设置一台高速相机，还包括S5：将两台高速相机拍摄的图像得到的边坡位移变化量的平均值作为调整后的边坡位移变化量。
有益效果：采用多台高速相机进行图像的拍摄与边坡位移变化量的计算，提高计算结果的精确度。
进一步，S4中可以对待测对象的多个目标点的同时进行获取，上述识别方法可以对多个目标点的振动数据同时进行计算。
有益效果：对多个目标点同时进行获取，提高工作效率，还可以通过对多个目标点的振动数据同时进行计算，反映更加全面的边坡位移变化量。
进一步，还包括S6：调整后的边坡位移变化量达到变化阈值时，发出提示。
有益效果：边坡位移变化量达到变化阈值时，提示周围的人员。
附图说明
图1为本发明实施例1中一种基于视频图像的振动识别方法的逻辑框图。
图2为本发明实施例2中一种基于视频图像的振动识别方法的逻辑框图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例1基本如附图1所示：
一种基于视频图像的振动识别方法，包括如下步骤：
S1：采集环境数据。
S2：根据采集的环境数据控制拍摄频率，根据拍摄频率对待测对象连续拍摄，本实施例中，对待测对象的拍摄采用高速相机，在边坡的左右两侧各设置一台高速相机，两台高速相机设有初始拍摄频率，初始拍摄频率为每三十分钟进行一次拍摄，每次拍摄连续拍摄两张图像。
S3：对拍摄的图像进行预处理；S301：对拍摄的图像进行降噪处理，本实施例中，对拍摄图像进行降噪处理的方式为中值滤波；S302：对降噪处理后的图像进行阈值分割，获取二值图像，本实施例中，图像二值化阈值选取的方法为最大类间方差法。
S4：获取预处理后的图像中对象边缘的像素骨架线段，并以相同的方式获取连续拍摄的图像中像素骨架线段上的目标点，计算目标点的振动数据，生成边坡位移变化量。可以对待测对象的多个目标点的同时进行获取，上述识别方法可以对多个目标点的振动数据同时进行计算。
S5：将两台高速相机拍摄的图像得到的边坡位移变化量的平均值作为调整后的边坡位移变化量。
S6：调整后的边坡位移变化量达到变化阈值时，发出提示。本实施例中，变化阈值为3cm；本实施例中，采用蜂鸣器进行提示。
环境数据包括雨量、风力、风向和道路中通行的车辆的重量。本实施例中，采用雨量传感器检测边坡附近的雨量，雨量达到雨量阈值时，加快拍摄频率，本实施例中，雨量阈值为10min雨强≥4mm，当检测到的雨量达到该雨量阈值时，将拍摄频率从每三十分钟进行一次拍摄，加快至每十分钟进行一次拍摄，当检测到的雨量小于该雨量阈值时，将拍摄频率重置为每三十分钟进行一次拍摄。
边坡上的植物受到风的作用后，将其荷载传递给边坡，风力越大，风向与边坡的坡面的夹角越小，边坡上的植物受到风的作用力就越大，从而传递给边坡的荷载就越大，可以得出，边坡的位移会受到风力及风向的影响。所以，本实施例中采用风力传感器对边坡附近的风力进行检测，采用风向传感器对边坡附近的风向进行检测，当检测到的风力达到风力阈值，且风向与边坡的坡面的夹角小于角度阈值时，加快拍摄频率至每十分钟进行一次拍摄。本实施例中，风力阈值为9级，角度阈值为45度，当检测到的风力小于风力阈值，或风向与边坡的坡面的夹角大于角度阈值时，将拍摄频率重置为每三十分钟进行一次拍摄。
对边坡位移产生影响的外部因素包括振动作用，道路中通行的车辆的重量越大，通过边坡附近的道路时，产生的振动作用就越大，从而对边坡位移产生的影响就越大，除正常情况下按照拍摄频率对边坡进行拍摄外，当道路中通过了车辆的重量达到重量阈值的车辆时，会额外进行一次拍摄，即额外增加一次对边坡的连续拍摄。本实施例中，重量阈值为12吨。
对每次拍摄的图像进行预处理，其中，由于拍摄的图像本身存在噪声，故需要先通过降噪处理使图像更加平滑、边缘更加清晰；为了使图像中的背景与边坡分割开，对降噪处理后的图像进行阈值分割，获取二值图像。
对预处理后的图像进行对象边缘的粗定位，获取对象边缘的像素骨架线段，本实施例中，获取像素骨架线段的方法采用迭代替换算法。以相同的方式获取连续拍摄的图像中像素骨架线段上的目标点，本实施例中，获取目标点的方式为将像素骨架线段平均分割成4份，取分割像素骨架线段的三个点为目标点，分别为目标点1、目标点2和目标点3。
对连续拍摄的图像中，以相同方式获取的同一目标点进行动态位置追踪，如对拍摄的第一张图像中的目标点1和第二张图像中的目标点1进行动态位置追踪。由于本方案中，采用了两台高速相机同时进行拍摄，所以对于两台高速相机同时拍摄的图像，会将同一目标点进行匹配，如对同一时间高速摄像机1拍摄的图像中的目标点2和高速摄像机2拍摄的图像中的目标点2进行匹配。计算目标点的振动数据，生成边坡位移变化量，本实施例中，计算目标点的振动数据采用双目立体摄影成像原理。
实施例2基本如附图2所示：
实施例2基本原理与实施例1相同，其区别在于实施例2还包括S7：获取天气预报信息，根据天气预报中各时间点边坡所在地的雨量、风力和风向，预估各时间点边坡发生滑坡的风险系数。
具体的，通过人工智能算法预估各时间点边坡发生滑坡的风险系数，将雨量、风向和风力作为输入层的输入，边坡发生滑坡的风险系数作为输出层的输出。首先，先构建一个三层的BP神经网络模型，包括输入层、隐层和输出层，本实施例中，以雨量、风向和风力作为输入层的输入，因此输入层有3个节点，而输出的是边坡发生滑坡的风险系数，因此共有1个节点，本实施例中，边坡发生滑坡的风险系数为0-1；针对于隐层，本实施例使用了以下公式来确定隐层节点的数量：
Figure BDA0003010112080000051
其中l为隐层的节点数，n为输入层的节点数，m为输出层的节点数，a为1至10之间的一个数，本实施例中取为6，因此隐层共有8个节点。BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本实施例选择S型正切函数tansig作为隐层神经元的激励函数。预测模型选取S型对数函数tansig作为输出层神经元的激励函数。在BP网络模型构建完毕后，利用历史数据中的节点数据作为样本对模型进行训练，通过节点数据训练完成后得到的预测模型可以取得较为准确的预测结果。
S8：获取边坡下停留时间超过时间阈值的车辆的车牌号，根据车牌号获取车主的身份信息，所述身份信息包括手机号，同时获取车主的亲友的身份信息，根据车主的身份信息获取通过车主或其亲友的手机号登录的导航软件中的导航信息及定位信息，所述导航信息包括目的地、单次导航中已行驶的路程和单次导航中已行驶的时间。本实施例中，时间阈值为5分钟，本实施例中，通过大数据获取车主及其亲友的身份信息。
S9：获取定位信息为边坡所在地的终端中的导航信息。
S10：根据获取的终端中的导航信息，预测车辆的停留时间。
具体的，通过人工智能算法预测车辆的停留时间，将目的地、单次导航中已行驶的路程和单次导航中已行驶的时间作为输入层的输入，车辆的停留时间作为输出层的输出。首先，先构建一个三层的BP神经网络模型，包括输入层、隐层和输出层，本实施例中，以目的地、单次导航中已行驶的路程和单次导航中已行驶的时间作为输入层的输入，因此输入层有3个节点，而输出是车辆的停留时间，因此共有1个节点；针对于隐层，本实施例使用了以下公式来确定隐层节点的数量：
Figure BDA0003010112080000061
其中l为隐层的节点数，n为输入层的节点数，m为输出层的节点数，a为1至10之间的一个数，本实施例中取为6，因此隐层共有8个节点。BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本实施例选择S型正切函数tansig作为隐层神经元的激励函数。预测模型选取S型对数函数tansig作为输出层神经元的激励函数。在BP网络模型构建完毕后，利用历史数据中的节点数据作为样本对模型进行训练，通过节点数据训练完成后得到的预测模型可以取得较为准确的预测结果。
S11：将当前时间点与叠加预测的停留时间后的时间点之间的时间段设为停留时间段，该停留时间段间有边坡发生滑坡的风险系数大于系数阈值的时间点时，向车主或其亲友的手机号发送提示短信。本实施例中，系数阈值为0.5.
例如：当前时间点为12:00，预测的停留时间为3个小时，故停留时间段为12:00-15:00，如果停留时间段间，任一时间点边坡发生滑坡的风险系数大于0.5时，向车主或其亲友的手机号发送提示短信。
采用本方案，可以根据天气情况，预测边坡每一个时间点发生滑坡的风险系数，通过预估停留在边坡附近的车辆的停留时间，预测该车辆停在边坡附近的这段时间内发生滑坡的风险系数，从而对其进行提醒。
首先，传统的振动识别只能够在边坡发生振动位移的时候进行检测，而检测出边坡存在振动位移时，附近停放的车辆已无法及时予以疏散，而本方案对边坡发生滑坡的风险系数进行了预估，并对车辆停留的时间进行了估算，再分析车辆停留的时间段内滑坡的风险系数，可能存在危险时，对车主及其亲友进行提示，从而达到规避风险的效果。其次，本方案对每辆车辆的停留时间进行了预估，可以满足其余停留时间段内没有滑坡风险的车辆在边坡附近的停车需求。
以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (8)

1.一种基于视频图像的振动识别方法，其特征在于：包括如下步骤：
S1：采集环境数据，所述环境数据包括雨量；
S2：根据采集的环境数据控制拍摄频率，根据拍摄频率对待测对象连续拍摄；所述雨量达到雨量阈值时，加快拍摄频率；
S3：对拍摄的图像进行预处理；
S4：获取预处理后的图像中对象边缘的像素骨架线段，并以相同的方式获取连续拍摄的图像中像素骨架线段上的目标点，计算目标点的振动数据，生成边坡位移变化量。
2.根据权利要求1所述的基于视频图像的振动识别方法，其特征在于：所述环境数据还包括风力和风向，所述风力达到风力阈值，且风向与边坡的坡面的夹角小于角度阈值时，加快拍摄频率。
3.根据权利要求1所述的基于视频图像的振动识别方法，其特征在于：所述环境数据包括道路中通行的车辆的重量，车辆的重量达到重量阈值时，对待测对象连续拍摄。
4.根据权利要求1所述的基于视频图像的振动识别方法，其特征在于：所述S3包括：
S301：对拍摄的图像进行降噪处理；
S302：对降噪处理后的图像进行阈值分割，获取二值图像。
5.根据权利要求4所述的基于视频图像的振动识别方法，其特征在于：对拍摄的图像进行降噪处理的方式为中值滤波。
6.根据权利要求1所述的基于视频图像的振动识别方法，其特征在于：对待测对象的拍摄采用高速相机，至少在边坡的左右两侧各设置一台高速相机，还包括S5：将两台高速相机拍摄的图像得到的边坡位移变化量的平均值作为调整后的边坡位移变化量。
7.根据权利要求1所述的基于视频图像的振动识别方法，其特征在于：S4中可以对待测对象的多个目标点的同时进行获取，上述识别方法可以对多个目标点的振动数据同时进行计算。
8.根据权利要求6所述的基于视频图像的振动识别方法，其特征在于：还包括S6：调整后的边坡位移变化量达到变化阈值时，发出提示。
CN202110373063.1A 2021-04-07 2021-04-07 一种基于视频图像的振动识别方法 Active CN113114935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110373063.1A CN113114935B (zh) 2021-04-07 2021-04-07 一种基于视频图像的振动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110373063.1A CN113114935B (zh) 2021-04-07 2021-04-07 一种基于视频图像的振动识别方法

Publications (2)

Publication Number Publication Date
CN113114935A true CN113114935A (zh) 2021-07-13
CN113114935B CN113114935B (zh) 2022-08-19

Family

ID=76714552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110373063.1A Active CN113114935B (zh) 2021-04-07 2021-04-07 一种基于视频图像的振动识别方法

Country Status (1)

Country Link
CN (1) CN113114935B (zh)

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007318242A (ja) * 2006-05-23 2007-12-06 Pioneer Electronic Corp 撮影装置、撮影方法及び撮影プログラム
JP2012247326A (ja) * 2011-05-30 2012-12-13 Sanyo Electric Co Ltd 歩行経路案内装置及びシステム
CN102930348A (zh) * 2012-10-19 2013-02-13 广东电网公司电力科学研究院 一种区段输电线路杆塔基础边坡暴雨灾害风险的评估方法
CN102999694A (zh) * 2012-10-30 2013-03-27 四川大学 一种山地灾害频发区泥石流风险评价方法
CN103743441A (zh) * 2014-01-20 2014-04-23 马鞍山南山开发公司 一种边坡安全的多元耦合在线监测系统及方法
CN104899437A (zh) * 2015-05-29 2015-09-09 杭州辰青和业科技有限公司 强降雨型滑坡灾害预警方法
CN105096606A (zh) * 2015-08-31 2015-11-25 成都众孚理想科技有限公司 汽车鸣笛闯红灯抓拍系统
US20150350536A1 (en) * 2014-05-30 2015-12-03 Sony Corporation Wearable terminal device, photographing system, and photographing method
CN105260625A (zh) * 2015-11-19 2016-01-20 阿坝师范学院 一种滑坡地质灾害预警推送方法
CN105547252A (zh) * 2015-12-16 2016-05-04 中国科学院地理科学与资源研究所 基于情景感知的作物冠层图像采集装置
JP2016109498A (ja) * 2014-12-04 2016-06-20 三菱電機株式会社 環境予測システム及び環境予測方法
CN105989697A (zh) * 2015-01-27 2016-10-05 同济大学 一种基于多源传感器的滑坡监测和预警装置
CN106936865A (zh) * 2015-12-29 2017-07-07 天津科寻科技有限公司 基于物联网及云计算平台的道路地质安全信息互联系统
CN107633659A (zh) * 2017-10-13 2018-01-26 中电科新型智慧城市研究院有限公司 危险边坡监测预警系统及方法
CN107749142A (zh) * 2017-11-21 2018-03-02 海南电网有限责任公司电力科学研究院 一种输电线路防山火预警系统及其预警方法
CN108344448A (zh) * 2018-02-11 2018-07-31 江苏中路工程检测有限公司 一种边坡稳定性自动监测系统
CN207963788U (zh) * 2018-02-28 2018-10-12 江苏大学 一种基于深度摄像头的公路边坡安全智能监测及预警装置
CN108663026A (zh) * 2018-05-21 2018-10-16 湖南科技大学 一种振动测量方法
CN109196305A (zh) * 2016-07-29 2019-01-11 株式会社尼康·天宝 监控方法、监控系统以及程序
CN110489860A (zh) * 2019-08-16 2019-11-22 兰州交通大学 一种新型滑坡风险评价方法
CN112327698A (zh) * 2020-11-05 2021-02-05 叶远 一种基于物联网的洪水灾害预警系统及方法
CN112541399A (zh) * 2020-11-19 2021-03-23 山东信通电子股份有限公司 一种输电线路监拍控制方法及装置

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007318242A (ja) * 2006-05-23 2007-12-06 Pioneer Electronic Corp 撮影装置、撮影方法及び撮影プログラム
JP2012247326A (ja) * 2011-05-30 2012-12-13 Sanyo Electric Co Ltd 歩行経路案内装置及びシステム
CN102930348A (zh) * 2012-10-19 2013-02-13 广东电网公司电力科学研究院 一种区段输电线路杆塔基础边坡暴雨灾害风险的评估方法
CN102999694A (zh) * 2012-10-30 2013-03-27 四川大学 一种山地灾害频发区泥石流风险评价方法
CN103743441A (zh) * 2014-01-20 2014-04-23 马鞍山南山开发公司 一种边坡安全的多元耦合在线监测系统及方法
US20150350536A1 (en) * 2014-05-30 2015-12-03 Sony Corporation Wearable terminal device, photographing system, and photographing method
JP2016109498A (ja) * 2014-12-04 2016-06-20 三菱電機株式会社 環境予測システム及び環境予測方法
CN105989697A (zh) * 2015-01-27 2016-10-05 同济大学 一种基于多源传感器的滑坡监测和预警装置
CN104899437A (zh) * 2015-05-29 2015-09-09 杭州辰青和业科技有限公司 强降雨型滑坡灾害预警方法
CN105096606A (zh) * 2015-08-31 2015-11-25 成都众孚理想科技有限公司 汽车鸣笛闯红灯抓拍系统
CN105260625A (zh) * 2015-11-19 2016-01-20 阿坝师范学院 一种滑坡地质灾害预警推送方法
CN105547252A (zh) * 2015-12-16 2016-05-04 中国科学院地理科学与资源研究所 基于情景感知的作物冠层图像采集装置
CN106936865A (zh) * 2015-12-29 2017-07-07 天津科寻科技有限公司 基于物联网及云计算平台的道路地质安全信息互联系统
CN109196305A (zh) * 2016-07-29 2019-01-11 株式会社尼康·天宝 监控方法、监控系统以及程序
CN107633659A (zh) * 2017-10-13 2018-01-26 中电科新型智慧城市研究院有限公司 危险边坡监测预警系统及方法
CN107749142A (zh) * 2017-11-21 2018-03-02 海南电网有限责任公司电力科学研究院 一种输电线路防山火预警系统及其预警方法
CN108344448A (zh) * 2018-02-11 2018-07-31 江苏中路工程检测有限公司 一种边坡稳定性自动监测系统
CN207963788U (zh) * 2018-02-28 2018-10-12 江苏大学 一种基于深度摄像头的公路边坡安全智能监测及预警装置
CN108663026A (zh) * 2018-05-21 2018-10-16 湖南科技大学 一种振动测量方法
CN110489860A (zh) * 2019-08-16 2019-11-22 兰州交通大学 一种新型滑坡风险评价方法
CN112327698A (zh) * 2020-11-05 2021-02-05 叶远 一种基于物联网的洪水灾害预警系统及方法
CN112541399A (zh) * 2020-11-19 2021-03-23 山东信通电子股份有限公司 一种输电线路监拍控制方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
窦梓雯: "关于制定旅游景区突发泥石流灾害应急对策的初步探讨", 《灾害学》 *

Also Published As

Publication number Publication date
CN113114935B (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN110244322B (zh) 基于多源传感器的路面施工机器人环境感知系统及方法
JP6759474B2 (ja) 深層学習ネットワーク及び平均シフトに基づく船舶自動追跡方法及びシステム
CN107972662B (zh) 一种基于深度学习的车辆前向碰撞预警方法
CN109085823B (zh) 一种园区场景下基于视觉的自动循迹行驶方法
CN108701396B (zh) 一种车前积雪与结冰的检测报警方法、存储介质和服务器
CN107316457B (zh) 判断道路交通状况是否符合汽车自动驾驶的方法
CN115018903B (zh) 一种堆场料堆体积计算方法及系统
CN105678287A (zh) 一种基于脊度量的车道线检测方法
CN109492700A (zh) 一种基于多维信息融合的复杂背景目标识别方法
Vaibhav et al. Real-time fog visibility range estimation for autonomous driving applications
CN115083199B (zh) 一种车位信息确定方法及其相关设备
Sumalee et al. Probabilistic fusion of vehicle features for reidentification and travel time estimation using video image data
CN113114935B (zh) 一种基于视频图像的振动识别方法
CN110864670B (zh) 目标障碍物位置的获取方法和系统
Lim et al. Gaussian process auto regression for vehicle center coordinates trajectory prediction
Küçükmanisa et al. Robust and real‐time lane detection filter based on adaptive neuro‐fuzzy inference system
CN115187959B (zh) 一种基于双目视觉的飞行汽车山地着陆方法及系统
Yu et al. Adaptive vehicle extraction in real-time traffic video monitoring based on the fusion of multi-objective particle swarm optimization algorithm
CN115761265A (zh) 一种用于提取激光雷达点云中变电站设备的方法及装置
CN115909285A (zh) 一种雷达和视频信号融合的车辆跟踪方法
Xu et al. [Retracted] Multiview Fusion 3D Target Information Perception Model in Nighttime Unmanned Intelligent Vehicles
CN107229938A (zh) 一种基于摄像装置的车辆轮胎带泥识别系统及方法
Zeng et al. Research on recognition technology of vehicle rolling line violation in highway based on visual UAV
CN115049745B (zh) 一种路侧传感器的标定方法、装置、设备及介质
Xu et al. Cross-spectral Proximity Detection and Tracking of Underwater Suspicious Targets

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