CN113569682A - 一种智能捕捉矿井识别要素的视频监测方法及装置 - Google Patents
一种智能捕捉矿井识别要素的视频监测方法及装置 Download PDFInfo
- Publication number
- CN113569682A CN113569682A CN202110814785.6A CN202110814785A CN113569682A CN 113569682 A CN113569682 A CN 113569682A CN 202110814785 A CN202110814785 A CN 202110814785A CN 113569682 A CN113569682 A CN 113569682A
- Authority
- CN
- China
- Prior art keywords
- feature
- result
- obtaining
- importance
- image
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能捕捉矿井识别要素的视频监测方法及装置,所述方法包括:获得第一历史监测结果信息和第一特征频次排序结果;获得第一重要程度评分指令,对矿井内特征监测集合进行特征重要程度评分,获得第一特征重要性排序结果,进而构建第一特征等级库,构建第一特征优先级筛查模型,并进行训练,获得第二特征优先级筛查模型;获得第一图像,将第一图像输入第二特征优先级筛查模型,获得第一输出结果;第一输出结果包括目标特征时,根据目标特征的特征等级生成第一预警指令,并进行预警处理。解决了现有技术中无法实现对矿井设备、人员进行实时视频监测识别,及时获取相关信息,进而避免事故发生的技术问题。
Description
技术领域
本发明涉及监测装置技术领域,尤其涉及一种智能捕捉矿井识别要素的视频监测方法及装置。
背景技术
智能化开采是实现矿井安全、高效集约化生产和少人无人化开采的有效措施,研究井下作业人员、作业设备和特种机器人等移动目标准确检测与实时跟踪识别,对保障矿井智能安全开采和提高煤矿灾害智能预警具有重要意义。现有的基于射频识别技术的井下定位系统虽然可以实时定位人员在矿井中的位置信息,但难以对矿井工作人员和设备工作状态进行实时监测和跟踪识别。近年来,随着计算机视觉技术的迅速发展,基于深度学习的目标检测算法不仅能对检测的目标进行分类和定位,而且算法速度快,识别精度高,其在智能监控、运动目标检测与识别、视觉导航等领域的应用成为研究热点。因此,本发明提出一种矿井目标智能检测与识别方法,以克服现有矿井目标检测与识别技术的不足,通过机器视觉与智能识别技术,实现对矿井作业人员和设备等矿井目标的快速检测和跟踪识别。
本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中无法实现对矿井设备、人员进行实时视频监测识别,及时获取相关信息,进而避免事故发生的技术问题。
发明内容
本申请实施例通过提供一种智能捕捉矿井识别要素的视频监测方法及装置,获得第一历史监测结果信息和第一特征频次排序结果;获得第一重要程度评分指令,对矿井内特征监测集合进行特征重要程度评分,获得第一特征重要性排序结果;基于第一特征频次排序结果和第一特征重要性排序结果构建第一特征等级库,构建第一特征优先级筛查模型,并进行训练,获得第二特征优先级筛查模型;获得第一图像,将第一图像输入第二特征优先级筛查模型,获得第一输出结果;当第一输出结果包括目标特征时,根据目标特征的特征等级生成第一预警指令,并进行预警处理。解决了现有技术中无法实现对矿井设备、人员进行实时视频监测识别,及时获取相关信息,进而避免事故发生的技术问题。达到了根据图像捕捉设备、识别要素智能分析系统,实现了对矿井人员、设备进行实时监测和识别,及时发现不标准操作,并进行智能预警,提升管理效率,降低煤矿安全事故的技术效果。
鉴于上述问题,本申请实施例提供一种智能捕捉矿井识别要素的视频监测方法及装置。
第一方面,本申请提供了一种智能捕捉矿井识别要素的视频监测方法,其中,所述方法包括:获得第一历史监测结果信息,其中,所述第一历史监测结果信息包括矿井内特征监测集合;根据所述第一历史监测结果信息获得第一特征频次排序结果;获得第一重要程度评分指令,通过所述第一重要程度评分指令对所述矿井内特征监测集合进行特征的重要程度评分,获得第一特征重要性排序结果;基于所述第一特征频次排序结果和所述第一特征重要性排序结果构建第一特征等级库;构建第一特征优先级筛查模型,基于所述第一特征等级库对所述第一特征优先级筛查模型进行训练,获得第二特征优先级筛查模型;通过所述第一图像捕捉设备获得第一图像,将所述第一图像输入所述第二特征优先级筛查模型,获得第一输出结果;当所述第一输出结果包括目标特征时,根据所述目标特征的特征等级生成第一预警指令,通过所述第一预警指令控制所述第一预警设备进行预警处理。
另一方面,本申请还提供了一种智能捕捉矿井识别要素的视频监测装置,其中,所述装置包括:第一获得单元,所述第一获得单元用于获得第一历史监测结果信息,其中,所述第一历史监测结果信息包括矿井内特征监测集合;第二获得单元,所述第二获得单元用于根据所述第一历史监测结果信息获得第一特征频次排序结果;第三获得单元,所述第三获得单元用于获得第一重要程度评分指令,通过所述第一重要程度评分指令对所述矿井内特征监测集合进行特征的重要程度评分,获得第一特征重要性排序结果;第一构建单元,所述第一构建单元用于基于所述第一特征频次排序结果和所述第一特征重要性排序结果构建第一特征等级库;第二构建单元,所述第二构建单元用于构建第一特征优先级筛查模型,基于所述第一特征等级库对所述第一特征优先级筛查模型进行训练,获得第二特征优先级筛查模型;第四获得单元,所述第四获得单元用于通过第一图像捕捉设备获得第一图像,将所述第一图像输入所述第二特征优先级筛查模型,获得第一输出结果;第一执行单元,所述第一执行单元用于当所述第一输出结果包括目标特征时,根据所述目标特征的特征等级生成第一预警指令,通过所述第一预警指令控制第一预警设备进行预警处理。
另一方面,本申请实施例还提供了一种智能捕捉矿井识别要素的视频监测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供了一种智能捕捉矿井识别要素的视频监测方法及装置,获得第一历史监测结果信息,其中,所述第一历史监测结果信息包括矿井内特征监测集合;根据所述第一历史监测结果信息获得第一特征频次排序结果;获得第一重要程度评分指令,通过所述第一重要程度评分指令对所述矿井内特征监测集合进行特征的重要程度评分,获得第一特征重要性排序结果;基于所述第一特征频次排序结果和所述第一特征重要性排序结果构建第一特征等级库;构建第一特征优先级筛查模型,基于所述第一特征等级库对所述第一特征优先级筛查模型进行训练,获得第二特征优先级筛查模型;通过所述第一图像捕捉设备获得第一图像,将所述第一图像输入所述第二特征优先级筛查模型,获得第一输出结果;当所述第一输出结果包括目标特征时,根据所述目标特征的特征等级生成第一预警指令,通过所述第一预警指令控制所述第一预警设备进行预警处理。解决了现有技术中无法实现对矿井设备、人员进行实时视频监测识别,及时获取相关信息,进而避免事故发生的技术问题。达到了根据图像捕捉设备、识别要素智能分析系统,实现了对矿井人员、设备进行实时监测和识别,及时发现不标准操作,并进行智能预警,提升管理效率,降低煤矿安全事故的技术效果。
上述说明是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种智能捕捉矿井识别要素的视频监测方法的流程示意图;
图2为本申请实施例一种智能捕捉矿井识别要素的视频监测方法中构建所述第一特征等级库的流程示意图;
图3为本申请实施例一种智能捕捉矿井识别要素的视频监测方法中基于特征系数转化结果和特征等级计算结果构建第一特征等级库的流程示意图;
图4为本申请实施例一种智能捕捉矿井识别要素的视频监测方法中获得第一输出结果的流程示意图;
图5为本申请实施例一种智能捕捉矿井识别要素的视频监测方法中对所述第一图像进行筛查的流程示意图;
图6为本申请实施例一种智能捕捉矿井识别要素的视频监测方法中控制所述第一预警设备进行预警处理的流程示意图;
图7为本申请实施例一种智能捕捉矿井识别要素的视频监测装置的结构示意图;
图8为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第一构建单元14,第二构建单元15,第四获得单元16,第一执行单元17,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供一种智能捕捉矿井识别要素的视频监测方法及装置,解决了现有技术中无法实现对矿井设备、人员进行实时视频监测识别,及时获取相关信息,进而避免事故发生的技术问题。达到了根据图像捕捉设备、识别要素智能分析系统,实现了对矿井人员、设备进行实时监测和识别,及时发现不标准操作,并进行智能预警,提升管理效率,降低煤矿安全事故的技术效果。
下面,将参考附图详细的描述本申请的示例实施例,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
智能化开采是实现矿井安全、高效集约化生产和少人无人化开采的有效措施,研究井下作业人员、作业设备和特种机器人等移动目标准确检测与实时跟踪识别,对保障矿井智能安全开采和提高煤矿灾害智能预警具有重要意义。现有的基于射频识别技术的井下定位系统虽然可以实时定位人员在矿井中的位置信息,但难以对矿井工作人员和设备工作状态进行实时监测和跟踪识别。近年来,随着计算机视觉技术的迅速发展,基于深度学习的目标检测算法不仅能对检测的目标进行分类和定位,而且算法速度快,识别精度高,其在智能监控、运动目标检测与识别、视觉导航等领域的应用成为研究热点。因此,本发明提出一种矿井目标智能检测与识别方法,以克服现有矿井目标检测与识别技术的不足,通过机器视觉与智能识别技术,实现对矿井作业人员和设备等矿井目标的快速检测和跟踪识别。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种智能捕捉矿井识别要素的视频监测方法,所述方法应用于一识别要素智能分析系统,其中,所述方法包括:获得第一历史监测结果信息,其中,所述第一历史监测结果信息包括矿井内特征监测集合;根据所述第一历史监测结果信息获得第一特征频次排序结果;获得第一重要程度评分指令,通过所述第一重要程度评分指令对所述矿井内特征监测集合进行特征的重要程度评分,获得第一特征重要性排序结果;基于所述第一特征频次排序结果和所述第一特征重要性排序结果构建第一特征等级库;构建第一特征优先级筛查模型,基于所述第一特征等级库对所述第一特征优先级筛查模型进行训练,获得第二特征优先级筛查模型;通过所述第一图像捕捉设备获得第一图像,将所述第一图像输入所述第二特征优先级筛查模型,获得第一输出结果;当所述第一输出结果包括目标特征时,根据所述目标特征的特征等级生成第一预警指令,通过所述第一预警指令控制所述第一预警设备进行预警处理。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供一种智能捕捉矿井识别要素的视频监测方法,所述方法应用于一识别要素智能分析系统,所述系统与第一图像捕捉设备、第一预警设备通信连接,其中,所述方法包括:
步骤S100:获得第一历史监测结果信息,其中,所述第一历史监测结果信息包括矿井内特征监测集合;
步骤S200:根据所述第一历史监测结果信息获得第一特征频次排序结果;
具体而言,所述识别要素智能分析系统,就是通过图像捕捉设备对要素进行画面捕捉,进而对图像里的要素进行特征信息提取,加以识别分析,因此必须获得第一历史监测结果信息,根据第一历史监测信息的特征监测集合,从而使监测结果更加精准。所述要素包括采煤机、掘进机、液压支架、皮带、风门等重要设备,人员,车辆等。所述第一历史监测结果是指以往对矿井内要素进行图像信息捕捉后,对要素进行特征提取而得到的特征信息集。所述第一特征频次排序结果是指要素特征在单位时间出现的次数,将每个要素的特征频次依次按从高到低或从低到高的顺序进行排列,可得到其排序结果。频次越高,表示要素出现的越频繁,为构建第一特征等级库奠定基础。
步骤S300:获得第一重要程度评分指令,通过所述第一重要程度评分指令对所述矿井内特征监测集合进行特征的重要程度评分,获得第一特征重要性排序结果;
步骤S400:基于所述第一特征频次排序结果和所述第一特征重要性排序结果构建第一特征等级库;
具体而言,所述重要程度评分是指对矿井内各要素特征监测集合进行重要程度的评分,举例来说,基于AI智能监测,对人员安全帽、现场环境、携带工具、风门以及非法闯入者等进行检测,对于这些特征进行重要程度分析,风门长时间敞开或关闭不严,会破坏矿井通风系统,造成风流紊乱,使有害气体聚集,给矿井安全带来危险隐患,瓦斯突出逆流波;工人不携带工具或忘戴安全帽可能会在事故中不能更好的保护其生命安全;现场有较大煤块、煤炭落料无规律的偏向、警戒区域有人越位闯入,或有人越位乘车,都会增加事故的风险。以矿井内特征所导致的后果严重性进行判断,进而对矿井内特征进行重要程度评分,评分越高,则此特征的风险越大,并依据特征重要性评分对特征进行排序,记为第一特征重要性排序结果。基于第一特征频次排序结果和第一特征重要性排序结果,将所有数据进行整理归档,进而构建第一特征等级库,通过大量的数据对第一特征优先级筛查模型进行训练,使其结果更加精确。
步骤S500:构建第一特征优先级筛查模型,基于所述第一特征等级库对所述第一特征优先级筛查模型进行训练,获得第二特征优先级筛查模型;
具体而言,以所述第一特征等级库为训练数据,构建所述第一特征优先级筛查模型,所述第一特征优先级筛查模型为一神经网络模型,具有不断学习、获取经验来处理数据的特点,通过将所述第一特征等级库作为输入数据集,输入所述第一特征优先级筛查模型,通过训练数据使神经网络模型自身不断地修正、优化,通过监督学习的过程来提高神经网络模型处理所述数据的准确性,进而使得所述第二特征优先级筛查模型获得的第一输出结果更加准确。
步骤S600:通过所述第一图像捕捉设备获得第一图像,将所述第一图像输入所述第二特征优先级筛查模型,获得第一输出结果;
进一步而言,如图4所示,本申请实施例步骤S600包括:
步骤S610:获得第一图像识别指令,通过所述第一图像识别指令对所述第一图像进行图像识别,获得第一图像识别结果;
步骤S620:判断所述第一图像识别结果中是否包含满足所述第一预设标签阈值的人员特征;
步骤S630:当所述第一图像识别结果中包括所述满足所述第一预设标签阈值的人员特征时,基于所述人员特征标签进行图像的筛查处理。
具体而言,所述第一预设标签阈值是指经常出现同种要素特征行为的人,对其设置标签,进而重点进行排查。举例来说,对于经常忘带东西的人,把他标记,对这类人员进行格外关注,并且以后也需重点检查他忘带东西的关联特征。在人员施工前,系统生成图像识别指令,通过第一图像捕捉设备,对现场进行图片获得,基于识别要素智能分析系统,对图片中要素进行识别分析,进而获得图片中各要素的特征信息,从而获得第一图像识别结果。当第一图像识别结果中出现了带有预设标签的人员特征,对其人员特征标签进行图像的进一步筛查处理,即将带有第一预设标签阈值的图片输入进第二特征优先级筛查模型,通过将所述第一图像作为输入数据集,输入所述第二特征优先级筛查模型,通过训练数据使神经网络模型自身不断地修正、优化,通过监督学习的过程来提高神经网络模型处理所述数据的准确性,进而使得所述第一输出结果更加准确。
步骤S700:当所述第一输出结果包括目标特征时,根据所述目标特征的特征等级生成第一预警指令,通过所述第一预警指令控制所述第一预警设备进行预警处理。
进一步而言,如图7所示,本申请实施例步骤S700包括:
步骤S710:根据所述第一特征等级库获得第一预警指令数据集;
步骤S720:构建所述第一特征等级库中的各特征与所述第一预警指令数据集的映射关系,获得特征等级预警指令匹配库;
步骤S730:将所述目标特征的特征等级输入所述特征等级预警指令匹配库进行指令匹配,获得所述第一预警指令。
具体而言,当第一图像识别结果中出现了带有预设标签的人员特征,对其人员特征标签进行图像的进一步筛查处理,将所述第一图像输入所述第二特征优先级筛查模型,通过神经网络模型的监督学习过程,从而获得精准的第一输出结果。基于第一特征等级库,获得预警指令数据,对数据进行整理,进而可以得到预警指令数据集,通过第一特征等级库中各特征与预警指令数据集的一一对应关系,基于第一特征重要性排序结果,使不同的特征与相应的预警等级进行对应,进而获得特征等级预警指令匹配库。若第一输出结果包括目标特征,将目标特征等级输入特征等级预警指令匹配库进行匹配,进而获得相应的等级预警指令,通过第一预警指令控制第一预警设备进行预警处理,实现了对矿井人员、设备进行实时监测和识别,及时发现不标准操作,并进行智能预警,提升管理效率,降低煤矿安全事故。
进一步而言,如图2所示,本申请实施例步骤S800包括:
步骤S810:根据所述第一特征频次排序结果获得特征频次数据集,并基于所述特征频次数据集获得各特征的频次评分结果;
步骤S820:根据所述第一特征重要性排序结果获得特征重要性数据集,并基于所述特征重要性数据集获得所述各特征的重要性评分结果;
步骤S830:对所述各特征分别进行频次影响程度分析,获得所述各特征的频次因子;
步骤S840:对所述各特征分别进行重要性影响程度分析,获得所述各特征的重要性因子;
步骤S850:基于所述频次评分结果、所述重要性评分结果、所述频次因子、所述重要性因子构建所述第一特征等级库。
具体而言,要想构建第一特征等级库,必须获得其影响因素。所述第一特征频次排序结果是指要素特征在单位时间出现的次数,将每个要素的特征频次依次按从高到低或从低到高的顺序进行排列,可得到其排序结果。频次越高,表示要素出现的越频繁,进而获得各要素特征频次,进一步整理可得特征频次数据集,基于各要素特征频次的高低,对其进行评分判断,进而获得各特征的频次评分结果。以矿井内特征所导致的后果严重性进行判断,进而对矿井内特征进行重要程度评分,评分越高,则此特征的风险越大,并依据特征重要性评分对特征进行排序,记为第一特征重要性排序结果,对数据进行整理,可获得特征重要性数据集,将第一特征重要性排序结果与特征重要性数据集进行对应,进而获得各特征的重要性评分结果。对各特征分别进行频次影响程度以及重要性影响程度分析,比如,风门长时间敞开或关闭不严,就会破坏矿井通风系统,造成风流紊乱,使有害气体聚集,给矿井安全带来危险隐患;有的设备受到一次特征影响还可以继续使用,受到频次影响高,可能会造成设备损害,进而导致安全事故的发生,因此要获得对特征等级有影响作用的各特征的频次因子和重要性因子,通过公式计算获得所述各特征的特征等级,计算公式如下:
其中,y为特征等级,a为频次评分结果,b为重要性评分结果,k1为频次因子,k2为重要性因子,通过所述各特征的特征等级计算结果,进而构建所述第一特征等级库,使特征等级的计算结果更加精确。
进一步而言,如图3所示,本申请实施例步骤S900包括:
步骤S910:根据所述第一历史监测结果信息构建人员特征标签;
步骤S920:获得第一预设标签阈值,将满足所述第一预设标签阈值的人员特征标签进行人员特征系数转化,获得特征系数转化结果;
步骤S930:基于所述特征系数转化结果和所述特征等级计算结果,构建所述第一特征等级库。
具体而言,所述人员特征标签是指对特殊人员进行特殊照顾,比如经常忘带东西的人,对他就重点进行排查,作为一个影响的权重值。所述特征系数转化是指对于满足第一预设标签阈值的人员特征,将其信息输入神经网络模型,通过不断学习、获取经验来处理数据,从而可以通过模型直接将特征标签转化为数值。系统首先根据人员的历史监测信息,构建每个人的特征标签,对于满足第一预设标签阈值的人员特征标签进行特别处理,重点进行标记、检查,基于神经网络模型,将特征标签进行数值化转化,得到其结果,记为特征系数转化结果,基于特征系数转化结果和特征等级计算结果,构建第一特征等级库,进而使得第一特征等级库的数据更加准确。
进一步而言,如图5所示,本申请实施例步骤S1000包括:
步骤S1010:基于所述人员特征标签,构建人员特征的关联特征映射数据集;
步骤S1020:当所述第一图像识别结果中包括所述满足所述第一预设标签阈值的人员特征时,获得所述人员特征在所述人员特征标签的匹配结果;
步骤S1030:根据所述匹配结果获得对应的关联特征映射数据,基于所述关联特征映射数据对所述第一图像进行筛查。
具体而言,所述人员特征的关联特征可以理解为人员在工作时需要装戴的要素不止一个,举例而言,人在上工前需要佩戴安全帽、铁头矿靴、矿灯、自救氧气发生器等工具,对于经常性忘记佩戴安全帽的人员进行标记,并且重点检查是否忘带了其他工具,其他的工具特征记为人员特征的关联特征。基于人员特征标签,对其他特征进行归纳整理,进而构建人员特征的关联特征集合,将其与人员特征标签一一对应,进而构建人员特征的关联特征映射数据集。基于第一图像捕捉设备、识别要素智能分析系统,检测出第一图像识别结果中包括满足第一预设标签阈值的人员特征,此时对人员特征进行关联特征匹配,并对第一图像的关联特征进行筛选处理,判断有无关联特征,及时发现不标准操作,并进行预警,降低煤矿安全事故。
综上所述,本申请实施例所提供的一种智能捕捉矿井识别要素的视频监测方法,具有如下技术效果:
1.本申请提供了一种智能捕捉矿井识别要素的视频监测方法,所述方法应用于一种物流运输方案确定系统,其中,所述方法包括:获得第一历史监测结果信息,其中,所述第一历史监测结果信息包括矿井内特征监测集合;根据所述第一历史监测结果信息获得第一特征频次排序结果;获得第一重要程度评分指令,通过所述第一重要程度评分指令对所述矿井内特征监测集合进行特征的重要程度评分,获得第一特征重要性排序结果;基于所述第一特征频次排序结果和所述第一特征重要性排序结果构建第一特征等级库;构建第一特征优先级筛查模型,基于所述第一特征等级库对所述第一特征优先级筛查模型进行训练,获得第二特征优先级筛查模型;通过所述第一图像捕捉设备获得第一图像,将所述第一图像输入所述第二特征优先级筛查模型,获得第一输出结果;当所述第一输出结果包括目标特征时,根据所述目标特征的特征等级生成第一预警指令,通过所述第一预警指令控制所述第一预警设备进行预警处理。解决了现有技术中无法实现对矿井设备、人员进行实时视频监测识别,及时获取相关信息,进而避免事故发生的技术问题。达到了根据图像捕捉设备、识别要素智能分析系统,实现了对矿井人员、设备进行实时监测和识别,及时发现不标准操作,并进行智能预警,提升管理效率,降低煤矿安全事故的技术效果。
2.通过将所述第一特征等级库作为输入数据集,输入所述第一特征优先级筛查模型,通过训练数据使神经网络模型自身不断地修正、优化,通过监督学习的过程来提高神经网络模型处理所述数据的准确性,进而使得所述第二特征优先级筛查模型获得的第一输出结果更加准确。
实施例二
基于与前述实施例中一种智能捕捉矿井识别要素的视频监测方法,同样发明构思,本发明还提供了一种智能捕捉矿井识别要素的视频监测装置,如图7所示,所述装置包括:
第一获得单元11,所述第一获得单元11用于获得第一历史监测结果信息,其中,所述第一历史监测结果信息包括矿井内特征监测集合;
第二获得单元12,所述第二获得单元12用于根据所述第一历史监测结果信息获得第一特征频次排序结果;
第三获得单元13,所述第三获得单元13用于获得第一重要程度评分指令,通过所述第一重要程度评分指令对所述矿井内特征监测集合进行特征的重要程度评分,获得第一特征重要性排序结果;
第一构建单元14,所述第一构建单元14用于基于所述第一特征频次排序结果和所述第一特征重要性排序结果构建第一特征等级库;
第二构建单元15,所述第二构建单元15用于构建第一特征优先级筛查模型,基于所述第一特征等级库对所述第一特征优先级筛查模型进行训练,获得第二特征优先级筛查模型;
第四获得单元16,所述第四获得单元16用于通过第一图像捕捉设备获得第一图像,将所述第一图像输入所述第二特征优先级筛查模型,获得第一输出结果;
第一执行单元17,所述第一执行单元17用于当所述第一输出结果包括目标特征时,根据所述目标特征的特征等级生成第一预警指令,通过所述第一预警指令控制第一预警设备进行预警处理。
进一步的,所述装置还包括:
第五获得单元,所述第五获得单元用于根据所述第一特征频次排序结果获得特征频次数据集,并基于所述特征频次数据集获得各特征的频次评分结果;
第六获得单元,所述第六获得单元用于根据所述第一特征重要性排序结果获得特征重要性数据集,并基于所述特征重要性数据集获得所述各特征的重要性评分结果;
第七获得单元,所述第七获得单元用于对所述各特征分别进行频次影响程度分析,获得所述各特征的频次因子;
第八获得单元,所述第八获得单元用于对所述各特征分别进行重要性影响程度分析,获得所述各特征的重要性因子;
第三构建单元,所述第三构建单元用于基于所述频次评分结果、所述重要性评分结果、所述频次因子、所述重要性因子构建所述第一特征等级库。
进一步的,所述装置还包括:
第一存储单元,所述第一存储单元用于存储如下计算公式:
其中,y为特征等级,a为频次评分结果,b为重要性评分结果,k1为频次因子,k2为重要性因子,通过所述各特征的特征等级计算结果,构建所述第一特征等级库。
进一步的,所述装置还包括:
第四构建单元,所述第四构建单元用于根据所述第一历史监测结果信息构建人员特征标签;
第九获得单元,所述第九获得单元用于获得第一预设标签阈值,将满足所述第一预设标签阈值的人员特征标签进行人员特征系数转化,获得特征系数转化结果;
第五构建单元,所述第五构建单元用于基于所述特征系数转化结果和所述特征等级计算结果,构建所述第一特征等级库。
进一步的,所述装置还包括:
第十获得单元,所述第十获得单元用于获得第一图像识别指令,通过所述第一图像识别指令对所述第一图像进行图像识别,获得第一图像识别结果;
第一判断单元,所述第一判断单元用于判断所述第一图像识别结果中是否包含满足所述第一预设标签阈值的人员特征;
第二执行单元,所述第二执行单元用于当所述第一图像识别结果中包括所述满足所述第一预设标签阈值的人员特征时,基于所述人员特征标签进行图像的筛查处理。
进一步的,所述装置还包括:
第六构建单元,所述第六构建单元用于基于所述人员特征标签,构建人员特征的关联特征映射数据集;
第十一获得单元,所述第十一获得单元用于当所述第一图像识别结果中包括所述满足所述第一预设标签阈值的人员特征时,获得所述人员特征在所述人员特征标签的匹配结果;
第三执行单元,所述第三执行单元用于根据所述匹配结果获得对应的关联特征映射数据,基于所述关联特征映射数据对所述第一图像进行筛查。
进一步的,所述装置还包括:
第十二获得单元,所述第十二获得单元用于根据所述第一特征等级库获得第一预警指令数据集;
第十三获得单元,所述第十三获得单元用于构建所述第一特征等级库中的各特征与所述第一预警指令数据集的映射关系,获得特征等级预警指令匹配库;
第十四获得单元,所述第十四获得单元用于将所述目标特征的特征等级输入所述特征等级预警指令匹配库进行指令匹配,获得所述第一预警指令。
示例性电子设备
下面参考图8来描述本申请实施例的电子设备。
基于与前述实施例中一种智能捕捉矿井识别要素的视频监测方法相同的发明构思,本申请实施例还提供了一识别要素智能分析系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标总线或扩展工业标准结构总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网,无线局域网,有线接入网等。存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器、只读光盘或其他光盘存储、光碟存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种智能捕捉矿井识别要素的视频监测方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例解决了现有技术中无法实现对矿井设备、人员进行实时视频监测识别,及时获取相关信息,进而避免事故发生的技术问题。达到了根据图像捕捉设备、识别要素智能分析系统,实现了对矿井人员、设备进行实时监测和识别,及时发现不标准操作,并进行智能预警,提升管理效率,降低煤矿安全事故的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质、光介质、或者半导体介质等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。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。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。
相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种智能捕捉矿井识别要素的视频监测方法,其中,所述方法应用于一识别要素智能分析系统,所述系统与第一图像捕捉设备、第一预警设备通信连接,所述方法包括:
获得第一历史监测结果信息,其中,所述第一历史监测结果信息包括矿井内特征监测集合;
根据所述第一历史监测结果信息获得第一特征频次排序结果;
获得第一重要程度评分指令,通过所述第一重要程度评分指令对所述矿井内特征监测集合进行特征的重要程度评分,获得第一特征重要性排序结果;
基于所述第一特征频次排序结果和所述第一特征重要性排序结果构建第一特征等级库;
构建第一特征优先级筛查模型,基于所述第一特征等级库对所述第一特征优先级筛查模型进行训练,获得第二特征优先级筛查模型;
通过所述第一图像捕捉设备获得第一图像,将所述第一图像输入所述第二特征优先级筛查模型,获得第一输出结果;
当所述第一输出结果包括目标特征时,根据所述目标特征的特征等级生成第一预警指令,通过所述第一预警指令控制所述第一预警设备进行预警处理。
2.如权利要求1所述的方法,其中,所述方法还包括:
根据所述第一特征频次排序结果获得特征频次数据集,并基于所述特征频次数据集获得各特征的频次评分结果;
根据所述第一特征重要性排序结果获得特征重要性数据集,并基于所述特征重要性数据集获得所述各特征的重要性评分结果;
对所述各特征分别进行频次影响程度分析,获得所述各特征的频次因子;
对所述各特征分别进行重要性影响程度分析,获得所述各特征的重要性因子;
基于所述频次评分结果、所述重要性评分结果、所述频次因子、所述重要性因子构建所述第一特征等级库。
4.如权利要求3所述的方法,其中,所述方法还包括:
根据所述第一历史监测结果信息构建人员特征标签;
获得第一预设标签阈值,将满足所述第一预设标签阈值的人员特征标签进行人员特征系数转化,获得特征系数转化结果;
基于所述特征系数转化结果和所述特征等级计算结果,构建所述第一特征等级库。
5.如权利要求4所述的方法,其中,所述通过所述第一图像捕捉设备获得第一图像,将所述第一图像输入所述第二特征优先级筛查模型,获得第一输出结果,还包括:
获得第一图像识别指令,通过所述第一图像识别指令对所述第一图像进行图像识别,获得第一图像识别结果;
判断所述第一图像识别结果中是否包含满足所述第一预设标签阈值的人员特征;
当所述第一图像识别结果中包括所述满足所述第一预设标签阈值的人员特征时,基于所述人员特征标签进行图像的筛查处理。
6.如权利要求5所述的方法,其中,所述方法还包括:
基于所述人员特征标签,构建人员特征的关联特征映射数据集;
当所述第一图像识别结果中包括所述满足所述第一预设标签阈值的人员特征时,获得所述人员特征在所述人员特征标签的匹配结果;
根据所述匹配结果获得对应的关联特征映射数据,基于所述关联特征映射数据对所述第一图像进行筛查。
7.如权利要求1所述的方法,其中,所述当所述第一输出结果包括目标特征时,根据所述目标特征的特征等级生成第一预警指令,通过所述第一预警指令控制所述第一预警设备进行预警处理,还包括:
根据所述第一特征等级库获得第一预警指令数据集;
构建所述第一特征等级库中的各特征与所述第一预警指令数据集的映射关系,获得特征等级预警指令匹配库;
将所述目标特征的特征等级输入所述特征等级预警指令匹配库进行指令匹配,获得所述第一预警指令。
8.一种智能捕捉矿井识别要素的视频监测装置,其中,所述装置包括:
第一获得单元,所述第一获得单元用于获得第一历史监测结果信息,其中,所述第一历史监测结果信息包括矿井内特征监测集合;
第二获得单元,所述第二获得单元用于根据所述第一历史监测结果信息获得第一特征频次排序结果;
第三获得单元,所述第三获得单元用于获得第一重要程度评分指令,通过所述第一重要程度评分指令对所述矿井内特征监测集合进行特征的重要程度评分,获得第一特征重要性排序结果;
第一构建单元,所述第一构建单元用于基于所述第一特征频次排序结果和所述第一特征重要性排序结果构建第一特征等级库;
第二构建单元,所述第二构建单元用于构建第一特征优先级筛查模型,基于所述第一特征等级库对所述第一特征优先级筛查模型进行训练,获得第二特征优先级筛查模型;
第四获得单元,所述第四获得单元用于通过第一图像捕捉设备获得第一图像,将所述第一图像输入所述第二特征优先级筛查模型,获得第一输出结果;
第一执行单元,所述第一执行单元用于当所述第一输出结果包括目标特征时,根据所述目标特征的特征等级生成第一预警指令,通过所述第一预警指令控制第一预警设备进行预警处理。
9.一种智能捕捉矿井识别要素的视频监测装置,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110814785.6A CN113569682A (zh) | 2021-07-19 | 2021-07-19 | 一种智能捕捉矿井识别要素的视频监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110814785.6A CN113569682A (zh) | 2021-07-19 | 2021-07-19 | 一种智能捕捉矿井识别要素的视频监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113569682A true CN113569682A (zh) | 2021-10-29 |
Family
ID=78165454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110814785.6A Withdrawn CN113569682A (zh) | 2021-07-19 | 2021-07-19 | 一种智能捕捉矿井识别要素的视频监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569682A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037677A (zh) * | 2021-11-05 | 2022-02-11 | 安徽宇呈数据技术有限公司 | 一种可接入充电宝的便携式地图采集设备 |
CN114359781A (zh) * | 2021-12-02 | 2022-04-15 | 国家石油天然气管网集团有限公司 | 一种云边协同自主学习的智能识别系统 |
CN114462288A (zh) * | 2021-11-09 | 2022-05-10 | 常州天晟紫金自动化设备有限公司 | 一种钠离子电池终端智能除尘方法及系统 |
-
2021
- 2021-07-19 CN CN202110814785.6A patent/CN113569682A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037677A (zh) * | 2021-11-05 | 2022-02-11 | 安徽宇呈数据技术有限公司 | 一种可接入充电宝的便携式地图采集设备 |
CN114462288A (zh) * | 2021-11-09 | 2022-05-10 | 常州天晟紫金自动化设备有限公司 | 一种钠离子电池终端智能除尘方法及系统 |
CN114462288B (zh) * | 2021-11-09 | 2023-01-31 | 常州天晟紫金自动化设备有限公司 | 一种钠离子电池终端智能除尘方法及系统 |
CN114359781A (zh) * | 2021-12-02 | 2022-04-15 | 国家石油天然气管网集团有限公司 | 一种云边协同自主学习的智能识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113569682A (zh) | 一种智能捕捉矿井识别要素的视频监测方法及装置 | |
JP4924607B2 (ja) | 不審行動検知装置および方法、プログラムおよび記録媒体 | |
CN113673459B (zh) | 基于视频的生产施工场所安全巡检方法、系统、设备 | |
CN106951889A (zh) | 井下高危区域动目标监测和管理系统 | |
CN112347916A (zh) | 基于视频图像分析的电力现场作业安全监控方法及装置 | |
CN111652185A (zh) | 一种基于违章行为识别的安全施工方法、系统、装置及存储介质 | |
CN117035419B (zh) | 企业项目实施智能管理系统及方法 | |
CN112861826B (zh) | 基于视频图像的煤矿监管方法、系统、设备及存储介质 | |
KR101668555B1 (ko) | 작업 현장 영상 데이터 내의 작업자 인식 방법 | |
CN114155614A (zh) | 一种作业现场反违章行为识别方法及系统 | |
CN115393789A (zh) | 建筑工地危险区域人群聚集预警方法、系统、设备及存储介质 | |
Siddula et al. | Classifying construction site photos for roof detection: A machine-learning method towards automated measurement of safety performance on roof sites | |
US11367203B2 (en) | Cross-sensor object-attribute analysis method and system | |
CN112183532A (zh) | 基于弱监督协同学习算法的安全帽识别方法及存储介质 | |
CN116682162A (zh) | 一种基于实时视频流的机器人人员检测算法 | |
CN116665305A (zh) | 基于计算机视觉和知识图谱的工人行为检测方法和系统 | |
CN115953815A (zh) | 基建现场的监测方法及装置 | |
CN113469150B (zh) | 一种用于对风险行为进行识别的方法及系统 | |
Nain et al. | Authentication control system for the efficient detection of hard-hats using deep learning algorithms | |
CN113297976B (zh) | 一种基于深度学习的基站入侵检测方法和系统 | |
Yakubraj et al. | Monitoring Industrial Protection Gear Using Intelligent System | |
CN113569637B (zh) | 一种基于物联网的人员轨迹定位监管系统 | |
CN116579609B (zh) | 一种基于巡检过程中的违规操作分析方法 | |
CN117218783A (zh) | 物联网安全管理系统及方法 | |
Liao et al. | Computer vision-based monitoring method of non-wearing helmet events using face recognition |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211029 |
|
WW01 | Invention patent application withdrawn after publication |