CN113537166B - 报警方法、装置及存储介质 - Google Patents
报警方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113537166B CN113537166B CN202111078709.XA CN202111078709A CN113537166B CN 113537166 B CN113537166 B CN 113537166B CN 202111078709 A CN202111078709 A CN 202111078709A CN 113537166 B CN113537166 B CN 113537166B
- Authority
- CN
- China
- Prior art keywords
- alarm
- information
- monitoring
- detection result
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 187
- 238000001514 detection method Methods 0.000 claims abstract description 150
- 238000003062 neural network model Methods 0.000 claims abstract description 55
- 239000003245 coal Substances 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 239000000779 smoke Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 230000004044 response Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 229910000831 Steel Inorganic materials 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本公开涉及一种报警方法、装置及存储介质，上述方法包括：接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，其中，所述神经网络模型已通过训练，学习并保存有输入的监控图像和输出的检测结果信息之间的对应关系；通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，其中，所述检测结果信息和每个报警服务均包含所述任务编码，所述检测结果信息的任务编码是所述监控端发送所述监控图像时所携带的；根据所述检测结果信息，通过所述目标报警服务发出报警信息。采用上述技术手段，解决现有技术中，煤炭工业上的安全监控需要依赖硬件传感器，同时报警内容单一的问题。
Description
技术领域
本公开涉及人工智能领域，尤其涉及一种报警方法、装置及存储介质。
背景技术
煤炭作为我国的主体能源，煤炭的安全生产至关重要。煤炭的开采环境非常复杂，由于技术装备，人文因素以及地质环境的不同，煤矿事故时常发生。如何推进煤矿的安全生产，建造一个安全高效的智能监控系统成为我们迫切解决的问题。传统技术中，煤炭工业上的安全监控需要安装配置不同类型的传感器，而且依赖传感器的安全监控有报警内容单一的问题。
在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：煤炭工业上的安全监控需要依赖硬件传感器，同时报警内容单一的问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开的实施例提供了一种报警方法、装置及存储介质，以至少解决现有技术中，煤炭工业上的安全监控需要依赖硬件传感器，同时报警内容单一的问题。
本公开的目的是通过以下技术方案实现的：
第一方面，本公开的实施例提供了一种报警方法，包括：接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，其中，所述神经网络模型已通过训练，学习并保存有输入的监控图像和输出的检测结果信息之间的对应关系；通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，其中，所述检测结果信息和每个报警服务均包含所述任务编码，所述检测结果信息的任务编码是所述监控端发送所述监控图像时所携带的；根据所述检测结果信息，通过所述目标报警服务发出报警信息。
在一个示例性实施例中，所述通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务之前，所述方法还包括：设置配置信息，其中，所述配置信息包括：主配置信息和子配置信息，所述主配置信息包括以下至少之一：报警类别、所述任务编码、图像获取设备的设备信息，子配置信息包括：所述报警类别对应的警报线信息；根据所述配置信息对所述事件处理中心进行配置。
在一个示例性实施例中，所述根据所述配置信息对所述事件处理中心进行配置，包括：根据所述任务编码对所述配置信息进行信息划分处理，得到多个服务配置信息；根据所述多个服务配置信息对所述多个报警服务进行配置。
在一个示例性实施例中，所述接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测之前，所述方法还包括：将所述神经网络模型部署在服务器端；设置所述服务器端的参数输入接口和参数输出接口，其中，所述参数输出接口包括以下至少之一：检测目标的类别参数、所述检测目标的数量参数和所述检测目标的位置参数；其中，所述类别参数用于传输所述检测目标的类别信息，所述数量参数用于传输所述检测目标的数量信息，所述位置参数用于传输所述检测目标的位置信息。
在一个示例性实施例中，所述接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，包括：接收所述监控端发送的多个监控图像，并将同一个图像获取设备获取的监控图像放入同一个图像队列中，得到多个图像队列，其中，所述监控端有多个图像获取设备；按照所述图像队列中存储所述监控图像的顺序，通过所述神经网络模型依次对所述监控图像进行检测。
在一个示例性实施例中，所述根据所述检测结果信息，通过所述目标报警服务发出报警信息，包括：根据检测目标的类别信息的标志位判断是否发生异常事件，其中，所述检测结果信息包括所述检测目标的类别信息；在发生所述异常事件的情况下，通过所述目标报警服务发出异常事件报警信息。
在一个示例性实施例中，所述根据所述检测结果信息，通过所述目标报警服务发出报警信息，包括：在检测到消防器材的数量小于第一预设阈值的情况下，通过所述目标报警服务发出消防器材报警信息，其中，所述检测结果信息包括所述消防器材的数量；和/或在检测到工作人员的数量大于第二预设阈值的情况下，通过所述目标报警服务发出人员上限报警信息，其中，所述检测结果信息包括所述工作人员的数量。
在一个示例性实施例中，所述根据所述检测结果信息，通过所述目标报警服务发出报警信息，包括：在检测到工作人员的位置与禁止区域的距离小于第三预设阈值的情况下，通过所述目标报警服务发出禁止区域报警信息，其中，所述检测结果信息包括所述工作人员的位置。
第二方面，本公开的实施例提供了一种报警装置，包括：检测模块，用于接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，其中，所述神经网络模型已通过训练，学习并保存有输入的监控图像和输出的检测结果信息之间的对应关系；报警服务模块，用于通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，其中，所述检测结果信息和每个报警服务均包含所述任务编码，所述检测结果信息的任务编码是所述监控端发送所述监控图像时所携带的；报警模块，用于根据所述检测结果信息，通过所述目标报警服务发出报警信息。
第三方面，本公开的实施例提供了一种电子设备。上述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现如上所述的报警方法或图像处理的方法。
第四方面，本公开的实施例提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序，上述计算机程序被处理器执行时实现如上所述的报警方法或图像处理的方法。
本公开实施例提供的上述技术方案与现有技术相比至少具有如下优点的部分或全部：接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，其中，所述神经网络模型已通过训练，学习并保存有输入的监控图像和输出的检测结果信息之间的对应关系；通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，其中，所述检测结果信息和每个报警服务均包含所述任务编码，所述检测结果信息的任务编码是所述监控端发送所述监控图像时所携带的；根据所述检测结果信息，通过所述目标报警服务发出报警信息。因为，本公开实施例可以通过神经网络模型对所述监控图像进行检测，通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，因此，采用上述技术手段，可以解决现有技术中，煤炭工业上的安全监控需要依赖硬件传感器，同时报警内容单一的问题，进而降低煤炭工业上安全监控的成本，提高告警的精确度和效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出了本公开实施例一种报警方法的计算机终端的硬件结构框图；
图2示意性示出了本公开实施例的一种报警方法的流程图；
图3示意性示出了本公开实施例的一种报警方法的流程示意图；
图4示意性示出了本公开实施例的一种处理中心的示意图；
图5示意性示出了本公开实施例的一种配置信息的示意图；
图6示意性示出了本公开实施例的一种检测结果信息的示意图；
图7示意性示出了本公开实施例的一种报警装置的结构框图；
图8示意性示出了本公开实施例提供的一种电子设备的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本公开。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本公开实施例所提供的方法实施例可以在计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1示意性示出了本公开实施例的一种报警方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器（Microprocessor Unit，简称是MPU）或可编程逻辑器件（Programmable logic device，简称是PLD）等处理装置和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本公开实施例中的报警方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本公开实施例中提供了一种报警方法，图2示意性示出了本公开实施例的一种报警方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，其中，所述神经网络模型已通过训练，学习并保存有输入的监控图像和输出的检测结果信息之间的对应关系；
步骤S204，通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，其中，所述检测结果信息和每个报警服务均包含所述任务编码，所述检测结果信息的任务编码是所述监控端发送所述监控图像时所携带的；
步骤S206，根据所述检测结果信息，通过所述目标报警服务发出报警信息。
通过本公开，接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，其中，所述神经网络模型已通过训练，学习并保存有输入的监控图像和输出的检测结果信息之间的对应关系；通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，其中，所述检测结果信息和每个报警服务均包含所述任务编码，所述检测结果信息的任务编码是所述监控端发送所述监控图像时所携带的；根据所述检测结果信息，通过所述目标报警服务发出报警信息。因为，本公开实施例可以通过神经网络模型对所述监控图像进行检测，通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，因此，采用上述技术手段，可以解决现有技术中，煤炭工业上的安全监控需要依赖硬件传感器，同时报警内容单一的问题，进而降低煤炭工业上安全监控的成本，提高告警的精确度和效率。
在本公开实施例中，监控端发送监控图像，可以是只发送监控图像ip地址、统一资源定位符等信息。因为，只传ip的地址或者定位符，没有传递图像，所以，解决了传递图像会占用很大的通信资源的问题，进而减少损耗。同时，接收监控图像的这一端还可以通过rtsp协议，主动向监控端获取监控图像。
在步骤S204之前，也就是通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务之前，所述方法还包括：设置配置信息，其中，所述配置信息包括：主配置信息和子配置信息，所述主配置信息包括以下至少之一：报警类别、所述任务编码、图像获取设备的设备信息，子配置信息包括：所述报警类别对应的警报线信息；根据所述配置信息对所述事件处理中心进行配置。
报警类别包括：工作人员进入禁止区域报警、人员数量上限报警、消防器材短缺报警和异常事件报警等。异常事件报警是检测到异常事件的情况下发出相应的报警，异常事件包括火灾、烟雾和煤矿皮带上有异物等。其中，煤矿皮带上有异物，可以是煤矿皮带上有人，在检测到煤矿皮带上有人时，发出告警或者为了人员安全，立刻停止煤矿设备运行。每个报警类别对应一个报警服务，每个报警服务都会有一个任务编码。监控端有多个图像获取设备，每个图像获取设备都会有一个任务编码，图像获取设备获取的监控图像都会携带对应的任务编码。根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，也就是，从多个报警服务中找出和所述检测结果信息携带的一样任务编码的报警服务，作为，目标报警服务。图像获取设备的设备信息包括设备代码、设备IP地址、设备所在地点和设备主要用途。其中，设备所在地点就是图像获取设备所获取的监控图像的地址，也就是检测监控图像，得到的目标报警发生的地点。比如目标报警是工作人员进入禁止区域报警，那么设备所在地点就是工作人员进入的禁止区域的地点。
图像获取设备可以是摄像头。
报警类别对应的警报线信息是目标报警对应的数量超过一定阈值发生报警中的阈值。警报线信息包括：警报上限和下限的信息。比如主配置信息中的报警类别是工作人员进入禁止区域报警，则需要在视频图像上的禁止进入区域标定两条电子围栏线，并将电子围栏的两个端点存入数据库，同时设定危险距离，其中危险距离就是该阈值；如主配置信息中的报警类别是工作人员数量上限报警，则需要在子配置信息中输入设定的人员上限数量，其中，人员上限数量就是该阈值；如主配置信息中的报警类别是消防器材短缺报警，需要在子配置信息中输入该场景应有的消防器材数量，其中消防器材数量就是该阈值。
根据所述配置信息对所述事件处理中心进行配置，包括：根据所述任务编码对所述配置信息进行信息划分处理，得到多个服务配置信息；根据所述多个服务配置信息对所述多个报警服务进行配置。
对所述事件处理中心进行配置就是对所述多个报警服务进行配置，也同于在配置中心输入配置信息，其中，所述事件处理中心包括所述多个报警服务，也可以包括配置中心。根据所述任务编码对所述配置信息进行信息划分处理，就是将具有一样的任务编码的设备信息整合在一起，得到多个服务配置信息。在进行信息划分处理之前，还可以按顺序过滤重复的IP，保证传入服务器的图像获取设备IP唯一性和开启视频监控的唯一性，防止资源浪费。根据所述多个服务配置信息对所述多个报警服务进行配置，也就是，根据每个报警服务对应的服务配置信息，对该报警服务进行配置。
在步骤S202之前，也就是接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测之前，所述方法还包括：将所述神经网络模型部署在服务器端；设置所述服务器端的参数输入接口和参数输出接口，其中，所述参数输出接口包括以下至少之一：检测目标的类别参数、所述检测目标的数量参数和所述检测目标的位置参数；其中，所述类别参数用于传输所述检测目标的类别信息，所述数量参数用于传输所述检测目标的数量信息，所述位置参数用于传输所述检测目标的位置信息。
现有技术中，煤炭工业上的安全监控需要依赖硬件传感器，而本公开实施例，只需要一定数量的如摄像头等图像获取设备就可以完成煤炭工业上的安全监控。具体的，监控端的图像获取设备获取监控图像，通过服务器端的神经网络模型就可以对监控图像进行检测。需要说明的是，服务器端可以是云端。所述服务器端的参数输入接口用于接收监控图像，所述参数输出接口用于输出所述检测结果信息，其中，所述检测结果信息包括：所述类别信息、所述数量信息和所述位置信息。
在一个可选实施例中，所述接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测之前，所述方法还包括：获取煤炭工业的公共数据集和采集数据集，并对所述采集数据集进行标注处理；根据所述公共数据集和经过标注处理之后的采集数据集对所述神经网络模型及进行训练。
采集数据集来源于工业现场或网络爬虫，公共数据集可以是Pascal VOC2007、Object365等。
具体的，根据公共数据集和采集数据集建立包含人、烟雾、火焰、灭火器等消防器材、废钢铁、大块煤块等的数据集，按照预设比例将数据集划分为训练集、验证集和测试集，根据训练集、验证集和测试集对所述神经网络模型及完成训练。
在步骤S202中，接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，包括：接收所述监控端发送的多个监控图像，并将同一个图像获取设备获取的监控图像放入同一个图像队列中，得到多个图像队列，其中，所述监控端有多个图像获取设备；按照所述图像队列中存储所述监控图像的顺序，通过所述神经网络模型依次对所述监控图像进行检测。
本公开实施例，通过图像队列实现了所述神经网络模型对所述监控图像的有序检测。检测监控图像中的人可以得到特定区域工作人员的数量、工作人员的位置等，根据特定区域工作人员的数量判断是否发出人员上限报警信息，根据工作人员的位置判断是否发出禁止区域报警信息……检测灭火器等消防器材，可以得到灭火器等消防器材的数量，进而判断是否消防器材短缺报警……。
在步骤S206中，根据所述检测结果信息，通过所述目标报警服务发出报警信息，包括：根据检测目标的类别信息的标志位判断是否发生异常事件，其中，所述检测结果信息包括所述检测目标的类别信息；在发生所述异常事件的情况下，通过所述目标报警服务发出异常事件报警信息。
标志位为1时，说明发生了异常事件，标志位为0时，说明没有发生异常事件。异常事件报警包括：明火报警、烟雾报警、皮带异物报警等，异常事件报警信息包括明火报警信息、烟雾报警信息、皮带异物报警信息等。明火报警就是火灾报警。目标报警服务包括：明火报警服务、烟雾报警服务、皮带异物报警服务。检测目标的类别包括人、烟雾、火焰、灭火器等消防器材、废钢铁、大块煤块等比如，当检测到火焰的标志位为1时，说明发生了火灾，通过明火报警服务发出明火报警或者明火报警信息。
在步骤S206中，根据所述检测结果信息，通过所述目标报警服务发出报警信息，包括：在检测到消防器材的数量小于第一预设阈值的情况下，通过所述目标报警服务发出消防器材报警信息，其中，所述检测结果信息包括所述消防器材的数量；和/或在检测到工作人员的数量大于第二预设阈值的情况下，通过所述目标报警服务发出人员上限报警信息，其中，所述检测结果信息包括所述工作人员的数量。
在检测到消防器材的数量小于第一预设阈值的情况下，所述目标报警服务就是消防器材报警服务，通过消防器材报警服务发出消防器材报警信息或者消防器材报警或者消防器材短缺报警。在检测到工作人员的数量大于第二预设阈值的情况下，所述目标报警服务就是人员上限报警服务，通过人员上限报警服务发出人员上限报警信息。
在步骤S206中，根据所述检测结果信息，通过所述目标报警服务发出报警信息，包括：在检测到工作人员的位置与禁止区域的距离小于第三预设阈值的情况下，通过所述目标报警服务发出禁止区域报警信息，其中，所述检测结果信息包括所述工作人员的位置。
在检测到工作人员的位置与禁止区域的距离小于第三预设阈值的情况下，所述目标报警服务就是禁止区域报警服务，通过禁止区域报警服务发出禁止区域报警信息。
举例说明，主配置信息选择了工作人员进入禁止区域报警功能，则需要在视频图像上的禁止进入区域标定两条电子围栏线，并将电子围栏的两个端点存入数据库，同时设定危险距离，也即是第三预设阈值。将标定电子围栏得到的四个点拟合为两条直线，根据传输回来的人员数量信息和人员位置信息进行每一摄像头人员位置信息的划分，将划分后的人员位置信息计算相对两条电子围栏线的距离，小于的危险距离则会将发出禁止区域报警信息。
可选地，本公开实施例，增设报警响应中心，通过报警服务发出报警信息就是报警服务将报警信息发送给报警响应中心，报警响应中心发出报警。
为了更好的理解上述技术方案，本公开实施例还提供了一种可选实施例，用于解释说明上述技术方案。
图3示意性示出了本公开实施例的一种报警方法的流程示意图，如图3所示：
后台服务端开启摄像头获取监控图像，将监控图像输出神经网络进行检测，也就是预测。在检测后，后台服务端将检测得到的类别信息、数量信息和位置信息发给前台客户端。需要说明的是，后台服务端可以包括摄像头，也可以不包括摄像头。
前台客户端通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务。根据所述检测结果信息，通过所述目标报警服务判断是否发出报警信息。如果需要发出报警信息，那么将报警信息发送给报警响应中心。需要说明的是，图3前台客户端的图块表示的是前台客户端可以调用事件处理中心和报警响应中心，在效果上，同于前台客户端包括了事件处理中心和报警响应中心的功能。
后台服务端和前台客户端通过TCP/IP协议传输信息。
图4示意性示出了本公开实施例的一种处理中心的示意图，如图4所示：
事件处理中心包括：配置模块、信息划分模块和功能模块。
配置模块用于设置配置信息，其中，所述配置信息包括：主配置信息和子配置信息。所述主配置信息包括以下至少之一：报警类别、所述任务编码、图像获取设备的设备信息，子配置信息包括：所述报警类别对应的警报线信息。图像获取设备的设备信息包括设备代码、设备IP地址、设备所在地点和设备主要用途。所述报警类别对应的警报线信息包括：电子围栏标定、工作人员数量上限设定和消防器材数量设定等信息。
信息划分模块用于根据所述任务编码对所述配置信息进行信息划分处理，得到多个服务配置信息。多个服务配置信息包括：工作人员数量上限对应信息、电子围栏点对应信息和设备IP地址信息等。其中，电子围栏点就是电子围栏的端点。
功能模块用于根据目标检测网络推理结果确定目标报警模块，使得目标报警模块将报警信息发送到报警响应中心。其中，目标检测网络也就是神经网络模型，目标检测网络推理结果也就是神经网络模型的输出。功能模块中的目标报警模块，包括：明火报警模块、烟雾报警模块、皮带异物检测报警模块、消防器材短缺模块、人员上限报警模块和人员进入禁止区域报警模块。明火报警模块对应明火报警服务，烟雾报警模块对应烟雾报警服务，皮带异物检测报警模块对应皮带异物报警服务，消防器材短缺模块对应消防器材报警服务，人员上限报警模块对应人员上限报警服务，人员进入禁止区域报警模块对应禁止区域报警服务。
图5示意性示出了本公开实施例的一种配置信息的示意图，如图5所示：
配置信息包括：设备序号、设备名称、设备型号、设备IP地址、设备安装地址、设备主要用途、任务编码、人员数量上限、消防器材数量和电子围栏标定点等。设备序号就是设备代码，设备安装地址就是设备所在地点，电子围栏标定点就是电子围栏的端点。设备是图像获取设备。
图6示意性示出了本公开实施例的一种检测结果信息的示意图，如图6所示：
检测结果信息包括：类别信息、数量信息和位置信息，图6就是一种检测结果信息的例子，其中，位置信息用1、2等表示，1、2等是特定区域的代号。
通过本公开，接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，其中，所述神经网络模型已通过训练，学习并保存有输入的监控图像和输出的检测结果信息之间的对应关系；通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，其中，所述检测结果信息和每个报警服务均包含所述任务编码，所述检测结果信息的任务编码是所述监控端发送所述监控图像时所携带的；根据所述检测结果信息，通过所述目标报警服务发出报警信息。因为，本公开实施例可以通过神经网络模型对所述监控图像进行检测，通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，因此，采用上述技术手段，可以解决现有技术中，煤炭工业上的安全监控需要依赖硬件传感器，同时报警内容单一的问题，进而降低煤炭工业上安全监控的成本，提高告警的精确度和效率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random AccessMemory，简称为RAM）、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，组件服务端，或者网络设备等）执行本公开各个实施例的方法。
在本实施例中还提供了一种报警装置，该报警装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图7示意性示出了本公开可选实施例的一种报警装置的结构框图，如图7所示，该装置包括：
检测模块702，用于接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，其中，所述神经网络模型已通过训练，学习并保存有输入的监控图像和输出的检测结果信息之间的对应关系；
报警服务模块704，用于通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，其中，所述检测结果信息和每个报警服务均包含所述任务编码，所述检测结果信息的任务编码是所述监控端发送所述监控图像时所携带的；
报警模块706，用于根据所述检测结果信息，通过所述目标报警服务发出报警信息。
通过本公开，接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，其中，所述神经网络模型已通过训练，学习并保存有输入的监控图像和输出的检测结果信息之间的对应关系；通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，其中，所述检测结果信息和每个报警服务均包含所述任务编码，所述检测结果信息的任务编码是所述监控端发送所述监控图像时所携带的；根据所述检测结果信息，通过所述目标报警服务发出报警信息。因为，本公开实施例可以通过神经网络模型对所述监控图像进行检测，通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，因此，采用上述技术手段，可以解决现有技术中，煤炭工业上的安全监控需要依赖硬件传感器，同时报警内容单一的问题，进而降低煤炭工业上安全监控的成本，提高告警的精确度和效率。
可选地，报警服务模块704还用于设置配置信息，其中，所述配置信息包括：主配置信息和子配置信息，所述主配置信息包括以下至少之一：报警类别、所述任务编码、图像获取设备的设备信息，子配置信息包括：所述报警类别对应的警报线信息；根据所述配置信息对所述事件处理中心进行配置。
报警类别包括：工作人员进入禁止区域报警、人员数量上限报警、消防器材短缺报警和异常事件报警等。异常事件报警是检测到异常事件的情况下发出相应的报警，异常事件包括火灾、烟雾和煤矿皮带上有异物等。其中，煤矿皮带上有异物，可以是煤矿皮带上有人，在检测到煤矿皮带上有人时，发出告警或者为了人员安全，立刻停止煤矿设备运行。每个报警类别对应一个报警服务，每个报警服务都会有一个任务编码。监控端有多个图像获取设备，每个图像获取设备都会有一个任务编码，图像获取设备获取的监控图像都会携带对应的任务编码。根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，也就是，从多个报警服务中找出和所述检测结果信息携带的一样任务编码的报警服务，作为，目标报警服务。图像获取设备的设备信息包括设备代码、设备IP地址、设备所在地点和设备主要用途。其中，设备所在地点就是图像获取设备所获取的监控图像的地址，也就是检测监控图像，得到的目标报警发生的地点。比如目标报警是工作人员进入禁止区域报警，那么设备所在地点就是工作人员进入的禁止区域的地点。
图像获取设备可以是摄像头。
报警类别对应的警报线信息是目标报警对应的数量超过一定阈值发生报警中的阈值。比如主配置信息中的报警类别是工作人员进入禁止区域报警，则需要在视频图像上的禁止进入区域标定两条电子围栏线，并将电子围栏的两个端点存入数据库，同时设定危险距离，其中危险距离就是该阈值；如主配置信息中的报警类别是工作人员数量上限报警，则需要在子配置信息中输入设定的人员上限数量，其中，人员上限数量就是该阈值；如主配置信息中的报警类别是消防器材短缺报警，需要在子配置信息中输入该场景应有的消防器材数量，其中消防器材数量就是该阈值。
可选地，报警服务模块704还用于根据所述任务编码对所述配置信息进行信息划分处理，得到多个服务配置信息；根据所述多个服务配置信息对所述多个报警服务进行配置。
对所述事件处理中心进行配置就是对所述多个报警服务进行配置，也同于在配置中心输入配置信息，其中，所述事件处理中心包括所述多个报警服务，也可以包括配置中心。根据所述任务编码对所述配置信息进行信息划分处理，就是将具有一样的任务编码的设备信息整合在一起，得到多个服务配置信息。在进行信息划分处理之前，还可以按顺序过滤重复的IP，保证传入服务器的图像获取设备IP唯一性和开启视频监控的唯一性，防止资源浪费。根据所述多个服务配置信息对所述多个报警服务进行配置，也就是，根据每个报警服务对应的服务配置信息，对该报警服务进行配置。
可选地，检测模块702还用于将所述神经网络模型部署在服务器端；设置所述服务器端的参数输入接口和参数输出接口，其中，所述参数输出接口包括以下至少之一：检测目标的类别参数、所述检测目标的数量参数和所述检测目标的位置参数；其中，所述类别参数用于传输所述检测目标的类别信息，所述数量参数用于传输所述检测目标的数量信息，所述位置参数用于传输所述检测目标的位置信息。
现有技术中，煤炭工业上的安全监控需要依赖硬件传感器，而本公开实施例，只需要一定数量的如摄像头等图像获取设备就可以完成煤炭工业上的安全监控。具体的，监控端的图像获取设备获取监控图像，通过服务器端的神经网络模型就可以对监控图像进行检测。需要说明的是，服务器端可以是云端。所述服务器端的参数输入接口用于接收监控图像，所述参数输出接口用于输出所述检测结果信息，其中，所述检测结果信息包括：所述类别信息、所述数量信息和所述位置信息。
可选地，检测模块702还用于获取煤炭工业的公共数据集和采集数据集，并对所述采集数据集进行标注处理；根据所述公共数据集和经过标注处理之后的采集数据集对所述神经网络模型及进行训练。
采集数据集来源于工业现场或网络爬虫，公共数据集可以是Pascal VOC2007、Object365等。
具体的，根据公共数据集和采集数据集建立包含人、烟雾、火焰、灭火器等消防器材、废钢铁、大块煤块等的数据集，按照预设比例将数据集划分为训练集、验证集和测试集，根据训练集、验证集和测试集对所述神经网络模型及完成训练。
可选地，检测模块702还用于接收所述监控端发送的多个监控图像，并将同一个图像获取设备获取的监控图像放入同一个图像队列中，得到多个图像队列，其中，所述监控端有多个图像获取设备；按照所述图像队列中存储所述监控图像的顺序，通过所述神经网络模型依次对所述监控图像进行检测。
本公开实施例，通过图像队列实现了所述神经网络模型对所述监控图像的有序检测。检测监控图像中的人可以得到特定区域工作人员的数量、工作人员的位置等，根据特定区域工作人员的数量判断是否发出人员上限报警信息，根据工作人员的位置判断是否发出禁止区域报警信息……检测灭火器等消防器材，可以得到灭火器等消防器材的数量，进而判断是否消防器材短缺报警……。
可选地，报警模块706还用于根据检测目标的类别信息的标志位判断是否发生异常事件，其中，所述检测结果信息包括所述检测目标的类别信息；在发生所述异常事件的情况下，通过所述目标报警服务发出异常事件报警信息。
标志位为1时，说明发生了异常事件，标志位为0时，说明没有发生了异常事件。异常事件报警包括：明火报警、烟雾报警、皮带异物报警等，异常事件报警信息包括明火报警信息、烟雾报警信息、皮带异物报警信息等。明火报警就是火灾报警。目标报警服务包括：明火报警服务、烟雾报警服务、皮带异物报警服务。检测目标的类别包括人、烟雾、火焰、灭火器等消防器材、废钢铁、大块煤块等比如，当检测到火焰的标志位为1时，说明发生了火灾，通过明火报警服务发出明火报警或者明火报警信息。
可选地，报警模块706还用于在检测到消防器材的数量小于第一预设阈值的情况下，通过所述目标报警服务发出消防器材报警信息，其中，所述检测结果信息包括所述消防器材的数量；和/或在检测到工作人员的数量大于第二预设阈值的情况下，通过所述目标报警服务发出人员上限报警信息，其中，所述检测结果信息包括所述工作人员的数量。
在检测到消防器材的数量小于第一预设阈值的情况下，所述目标报警服务就是消防器材报警服务，通过消防器材报警服务发出消防器材报警信息或者消防器材报警或者消防器材短缺报警。在检测到工作人员的数量大于第二预设阈值的情况下，所述目标报警服务就是人员上限报警服务，通过人员上限报警服务发出人员上限报警信息。
可选地，报警模块706还用于在检测到工作人员的位置与禁止区域的距离小于第三预设阈值的情况下，通过所述目标报警服务发出禁止区域报警信息，其中，所述检测结果信息包括所述工作人员的位置。
在检测到工作人员的位置与禁止区域的距离小于第三预设阈值的情况下，所述目标报警服务就是禁止区域报警服务，通过禁止区域报警服务发出禁止区域报警信息。
举例说明，主配置信息选择了工作人员进入禁止区域报警功能，则需要在视频图像上的禁止进入区域标定两条电子围栏线，并将电子围栏的两个端点存入数据库，同时设定危险距离，也即是第三预设阈值。将标定电子围栏得到的四个点拟合为两条直线，根据传输回来的人员数量信息和人员位置信息进行每一摄像头人员位置信息的划分，将划分后的人员位置信息计算相对两条电子围栏线的距离，小于的危险距离则会将发出禁止区域报警信息。
可选地，本公开实施例，增设报警响应中心，通过报警服务发出报警信息就是报警服务将报警信息发送给报警响应中心，报警响应中心发出报警。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本公开的实施例提供了一种电子设备。
图8示意性示出了本公开实施例提供的一种电子设备的结构框图。
参照图8所示，本公开实施例提供的电子设备800包括处理器801、通信接口802、存储器803和通信总线804，其中，处理器801、通信接口802和存储器803通过通信总线804完成相互间的通信；存储器803，用于存放计算机程序；处理器801，用于执行存储器上所存放的程序时，实现上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该输入输出设备与上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，其中，所述神经网络模型已通过训练，学习并保存有输入的监控图像和输出的检测结果信息之间的对应关系；
S2，通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，其中，所述检测结果信息和每个报警服务均包含所述任务编码，所述检测结果信息的任务编码是所述监控端发送所述监控图像时所携带的；
S3，根据所述检测结果信息，通过所述目标报警服务发出报警信息。
本公开的实施例还提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序，上述计算机程序被处理器执行时实现上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，其中，所述神经网络模型已通过训练，学习并保存有输入的监控图像和输出的检测结果信息之间的对应关系；
S2，通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，其中，所述检测结果信息和每个报警服务均包含所述任务编码，所述检测结果信息的任务编码是所述监控端发送所述监控图像时所携带的；
S3，根据所述检测结果信息，通过所述目标报警服务发出报警信息。该计算机可读存储介质可以是上述实施例中描述的设备/装置中所包含的；也可以是单独存在，而未装配入该设备/装置中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本公开的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本公开不限制于任何特定的硬件和软件结合。
以上所述仅为本公开的优选实施例而已，并不用于限制于本公开，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。
Claims (9)
1.一种报警方法，其特征在于，应用于煤矿工业领域，包括：
接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，其中，所述神经网络模型已通过训练，学习并保存有输入的监控图像和输出的检测结果信息之间的对应关系；
通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，其中，所述检测结果信息和每个报警服务均包含所述任务编码，所述检测结果信息的任务编码是所述监控端发送所述监控图像时所携带的；
根据所述检测结果信息，通过所述目标报警服务发出报警信息；
其中，所述根据所述检测结果信息，通过所述目标报警服务发出报警信息，包括：在检测到消防器材的数量小于第一预设阈值的情况下，通过所述目标报警服务发出消防器材报警信息，其中，所述检测结果信息包括所述消防器材的数量；在检测到工作人员的位置与禁止区域的距离小于第三预设阈值的情况下，通过所述目标报警服务发出禁止区域报警信息，其中，所述检测结果信息包括所述工作人员的位置。
2.根据权利要求1所述的方法，其特征在于，所述通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务之前，所述方法还包括：
设置配置信息，其中，所述配置信息包括：主配置信息和子配置信息，所述主配置信息包括以下至少之一：报警类别、所述任务编码、图像获取设备的设备信息，子配置信息包括：所述报警类别对应的警报线信息；
根据所述配置信息对所述事件处理中心进行配置。
3.根据权利要求2所述的方法，其特征在于，所述根据所述配置信息对所述事件处理中心进行配置，包括：
根据所述任务编码对所述配置信息进行信息划分处理，得到多个服务配置信息；
根据所述多个服务配置信息对所述多个报警服务进行配置。
4.根据权利要求1所述的方法，其特征在于，所述接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测之前，所述方法还包括：
将所述神经网络模型部署在服务器端；
设置所述服务器端的参数输入接口和参数输出接口，其中，所述参数输出接口包括以下至少之一：检测目标的类别参数、所述检测目标的数量参数和所述检测目标的位置参数；
其中，所述类别参数用于传输所述检测目标的类别信息，所述数量参数用于传输所述检测目标的数量信息，所述位置参数用于传输所述检测目标的位置信息。
5.根据权利要求1所述的方法，其特征在于，所述接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，包括：
接收所述监控端发送的多个监控图像，并将同一个图像获取设备获取的监控图像放入同一个图像队列中，得到多个图像队列，其中，所述监控端有多个图像获取设备；
按照所述图像队列中存储所述监控图像的顺序，通过所述神经网络模型依次对所述监控图像进行检测。
6.根据权利要求1所述的方法，其特征在于，所述根据所述检测结果信息，通过所述目标报警服务发出报警信息，包括：
根据检测目标的类别信息的标志位判断是否发生异常事件，其中，所述检测结果信息包括所述检测目标的类别信息；
在发生所述异常事件的情况下，通过所述目标报警服务发出异常事件报警信息。
7.根据权利要求1所述的方法，其特征在于，所述根据所述检测结果信息，通过所述目标报警服务发出报警信息，包括：
在检测到工作人员的数量大于第二预设阈值的情况下，通过所述目标报警服务发出人员上限报警信息，其中，所述检测结果信息包括所述工作人员的数量。
8.一种报警装置，其特征在于，应用于煤矿工业领域，包括：
检测模块，用于接收监控端发送的监控图像，并通过神经网络模型对所述监控图像进行检测，其中，所述神经网络模型已通过训练，学习并保存有输入的监控图像和输出的检测结果信息之间的对应关系；
报警服务模块，用于通过事件处理中心根据任务编码对所述检测结果信息和多个报警服务进行匹配，以确定目标报警服务，其中，所述检测结果信息和每个报警服务均包含所述任务编码，所述检测结果信息的任务编码是所述监控端发送所述监控图像时所携带的；
报警模块，用于根据所述检测结果信息，通过所述目标报警服务发出报警信息；
其中，所述报警模块，还用于在检测到消防器材的数量小于第一预设阈值的情况下，通过所述目标报警服务发出消防器材报警信息，其中，所述检测结果信息包括所述消防器材的数量；在检测到工作人员的位置与禁止区域的距离小于第三预设阈值的情况下，通过所述目标报警服务发出禁止区域报警信息，其中，所述检测结果信息包括所述工作人员的位置。
9.一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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111078709.XA CN113537166B (zh) | 2021-09-15 | 2021-09-15 | 报警方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111078709.XA CN113537166B (zh) | 2021-09-15 | 2021-09-15 | 报警方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113537166A CN113537166A (zh) | 2021-10-22 |
| CN113537166B true CN113537166B (zh) | 2021-12-14 |
Family
ID=78123091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111078709.XA Active CN113537166B (zh) | 2021-09-15 | 2021-09-15 | 报警方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537166B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830730B (zh) * | 2022-11-15 | 2024-10-01 | 广州铭创通讯科技有限公司 | 一种集etc扣费、车流量监控及北斗定位的rsu设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105791745A (zh) * | 2014-12-18 | 2016-07-20 | 云南卡巴的信息科技有限公司 | 一种远程图像监控终端 |
| CN108174165A (zh) * | 2018-01-17 | 2018-06-15 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管系统及方法 |
| CN109961014A (zh) * | 2019-02-25 | 2019-07-02 | 中国科学院重庆绿色智能技术研究院 | 一种煤矿输送带危险区域监测方法及系统 |
| CN110119656A (zh) * | 2018-02-07 | 2019-08-13 | 中国石油化工股份有限公司 | 作业现场违章人员的智能监控系统及现场违章监控方法 |
| CN110321853A (zh) * | 2019-07-05 | 2019-10-11 | 杭州巨骐信息科技股份有限公司 | 基于视频智能检测的分布式电缆防外破系统 |
| CN110691011A (zh) * | 2019-10-14 | 2020-01-14 | 重庆紫光华山智安科技有限公司 | 监控平台测试方法、装置、存储介质及服务器 |
| CN112737121A (zh) * | 2020-12-28 | 2021-04-30 | 内蒙古电力(集团)有限责任公司包头供电局 | 一种电网智能视频监控分析控制管理系统 |
| CN113242359A (zh) * | 2021-04-30 | 2021-08-10 | 西安热工研究院有限公司 | 一种基于企业微信自动发送发电厂报警消息的方法 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101009004B (zh) * | 2007-01-29 | 2012-03-21 | 华为技术有限公司 | 告警装置及告警方法 |
| CN201226173Y (zh) * | 2008-06-27 | 2009-04-22 | 天津三星电子有限公司 | 具有自动监测报警功能的视频监控装置 |
| US8730054B2 (en) * | 2011-05-31 | 2014-05-20 | General Electric Company | Systems and methods to customize alert presentation |
| CN104077872A (zh) * | 2014-05-13 | 2014-10-01 | 国家电网公司 | 一种基于图像识别的输电线路防外力监控预警方法 |
| CN104683770B (zh) * | 2015-03-12 | 2018-01-12 | 北京建筑大学 | 基于图像识别的校园教学大楼安全监控系统及方法 |
| US10192415B2 (en) * | 2016-07-11 | 2019-01-29 | Google Llc | Methods and systems for providing intelligent alerts for events |
| CN107071354A (zh) * | 2017-04-12 | 2017-08-18 | 合肥才来科技有限公司 | 智慧校园安全设备视频监控检测系统 |
| CN110543406A (zh) * | 2019-08-27 | 2019-12-06 | 正知（上海）智能技术有限公司 | 一种基于工业人机界面显示处理报警信息的方法及装置 |
| CN110647819B (zh) * | 2019-08-28 | 2022-02-01 | 中国矿业大学 | 一种井下人员跨越皮带异常行为检测方法及装置 |
| CN111405222B (zh) * | 2019-12-12 | 2022-06-03 | 杭州海康威视系统技术有限公司 | 视频告警方法、视频告警系统及告警图片的获取方法 |
| CN111339366A (zh) * | 2019-12-26 | 2020-06-26 | 广州市炬盾科技发展有限公司 | 大数据视频检索方法、装置、计算机设备以及存储介质 |
| CN111753756A (zh) * | 2020-06-28 | 2020-10-09 | 浙江大华技术股份有限公司 | 基于对象识别的布控报警方法、装置及存储介质 |
| CN112906447A (zh) * | 2020-09-22 | 2021-06-04 | 西南石油大学 | 基于视频监控高危地的异常事件检测系统 |
| CN113239754A (zh) * | 2021-04-23 | 2021-08-10 | 泰山学院 | 一种应用于车联网的危险驾驶行为检测定位方法及系统 |
| CN113380000B (zh) * | 2021-04-30 | 2022-12-16 | 海纳云物联科技有限公司 | 一种基于视频的火灾报警控制器警情处理操作监控方法 |
-
2021
- 2021-09-15 CN CN202111078709.XA patent/CN113537166B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105791745A (zh) * | 2014-12-18 | 2016-07-20 | 云南卡巴的信息科技有限公司 | 一种远程图像监控终端 |
| CN108174165A (zh) * | 2018-01-17 | 2018-06-15 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管系统及方法 |
| CN110119656A (zh) * | 2018-02-07 | 2019-08-13 | 中国石油化工股份有限公司 | 作业现场违章人员的智能监控系统及现场违章监控方法 |
| CN109961014A (zh) * | 2019-02-25 | 2019-07-02 | 中国科学院重庆绿色智能技术研究院 | 一种煤矿输送带危险区域监测方法及系统 |
| CN110321853A (zh) * | 2019-07-05 | 2019-10-11 | 杭州巨骐信息科技股份有限公司 | 基于视频智能检测的分布式电缆防外破系统 |
| CN110691011A (zh) * | 2019-10-14 | 2020-01-14 | 重庆紫光华山智安科技有限公司 | 监控平台测试方法、装置、存储介质及服务器 |
| CN112737121A (zh) * | 2020-12-28 | 2021-04-30 | 内蒙古电力(集团)有限责任公司包头供电局 | 一种电网智能视频监控分析控制管理系统 |
| CN113242359A (zh) * | 2021-04-30 | 2021-08-10 | 西安热工研究院有限公司 | 一种基于企业微信自动发送发电厂报警消息的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113537166A (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102135619B1 (ko) | 지능형 원격단말장치를 이용한 사물인터넷 기반의 산불화재 감시 및 시설물 자율 점검 시스템 | |
| CN206250848U (zh) | 配电网运行状态监测装置 | |
| CN107067676B (zh) | 告警事件智能推送处理方法及装置 | |
| CN111310947A (zh) | 基于5g的建筑设施运维方法、设备、存储介质及系统 | |
| CN108830143A (zh) | 一种基于深度学习的视频分析系统 | |
| CN105847769A (zh) | 一种建筑现场行为分析系统及分析方法 | |
| CN109102677A (zh) | 建筑工地安全监控系统及方法 | |
| CN110675587B (zh) | 火灾预警方法、装置、终端及可读存储介质 | |
| KR102110146B1 (ko) | 무선 통신을 이용한 화재감지장치 및 감지장치 간의 통신 구성 방법 | |
| CN113537166B (zh) | 报警方法、装置及存储介质 | |
| CN111540020B (zh) | 目标行为的确定方法及装置、存储介质、电子装置 | |
| CN115376269B (zh) | 一种基于无人机的火灾监控系统 | |
| KR20190078687A (ko) | 인공지능을 이용한 화재경보 시스템 | |
| CN112288320A (zh) | 一种地铁运行风险监控和管理系统 | |
| CN112489393A (zh) | 一种安全生产管理方法、装置及系统 | |
| CN111640276A (zh) | 基于电子围栏的预警方法及装置、系统 | |
| CN114463873A (zh) | 用于社区的巡逻系统 | |
| CN112216073B (zh) | 一种梯子违规操作告警方法及装置 | |
| CN105978999A (zh) | 告警方法及装置 | |
| CN110599618A (zh) | 地下管线数据监测方法、装置和系统 | |
| CN108510701B (zh) | 一种智能烟雾报警方法、装置及系统 | |
| CN111063152A (zh) | 基于物联网的消防监控方法、装置及系统 | |
| CN114548480A (zh) | 应急逃生演练路径调整方法、装置、电子装置和存储介质 | |
| CN115223091A (zh) | 基于ai的工地隐患监测方法、装置、设备及存储介质 | |
| CN114724011A (zh) | 一种行为的确定方法、装置、存储介质及电子装置 |
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 |