CN113570840A - 基于计算机视觉的加油站危险事故预警方法、装置及设备 - Google Patents
基于计算机视觉的加油站危险事故预警方法、装置及设备 Download PDFInfo
- Publication number
- CN113570840A CN113570840A CN202110689250.0A CN202110689250A CN113570840A CN 113570840 A CN113570840 A CN 113570840A CN 202110689250 A CN202110689250 A CN 202110689250A CN 113570840 A CN113570840 A CN 113570840A
- Authority
- CN
- China
- Prior art keywords
- gas station
- sensitivity
- factor
- accident
- risk type
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于计算机视觉的加油站危险事故预警方法、装置及设备。该方法包括:获取初始图像;根据初始图像识别存在危险行为的人员数量作为第一因素,根据传感器检测未熄火的车辆数量作为第二因素;根据第一因素和第二因素得到加油站环境的丰富度;获取环境中的空气湿度和油密度;根据空气湿度和油密度获得加油站环境的敏感度;根据丰富度和敏感度对加油站环境中的风险类型等级进行评估,进一步预测出当前加油站环境中可能发生的事故类型。利用本发明,可以有效帮助加油站工作人员对站点内实时情况的监控,检测可能发生的事故类型原因,有针对的进行排查,有效避免重大危险事故产生更大的影响。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于计算机视觉的加油站危险事故预警方法与系统。
背景技术
目前,各地加油加气站数量急剧上升,但因为管理不当或其他因素使得加油加气站存在较高的风险;在加油加气站环境下,不同的车辆状态、人员行为的带来的影响不一样。
在加油站站点中,因为人员危险行为的干扰或者是在卸油操作中操作不当,会极大增加加油站各类事故发生的概率;正常情况下,金属碰撞的火花影响并不大,但是在油泄露之后,空气中油的密度增大,从而导致金属火花的影响变大,极易引起爆炸。
现有技术下的危险事故预警并不能有效预测出不同事故类型发生的根源,在加油站站点工作人员进行排查时并不能及时有效的发现安全隐患,因此,对加油站站点中发生的危险事故类型的预测显得尤为重要。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于计算机视觉的加油站危险事故预警方法、装置及设备,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于计算机视觉的加油站危险事故预警方法,该方法包括以下具体步骤:
获取初始图像,所述初始图像包括加油站周围区域;根据所述初始图像识别存在危险行为的人员数量作为第一因素,根据传感器检测未熄火的车辆数量作为第二因素;根据所述第一因素和所述第二因素得到当前加油站环境的丰富度;获取所述当前环境中的空气湿度和油密度;根据所述空气湿度和所述油密度获得所述当前加油站环境的敏感度;根据所述丰富度和所述敏感度对所述当前加油站环境中的风险类型等级进行评估,根据所述风险类型等级预测所述当前加油站环境中可能发生的事故类型。
优选的,所述当前加油站环境的丰富度与所述第一因素和第二因素成正相关关系。
优选的,所述当前加油站环境的敏感度与所述空气湿度和所述油密度成正相关关系。
优选的,所述根据所述丰富度和所述敏感度对所述当前加油站环境中的风险类型等级进行评估的步骤,包括:
根据所述丰富度和所述敏感度获取对应于评估矩阵中的风险类型等级,所数风险类型等级通过对历史丰富度和历史敏感度数据的分析划分。
优选的,所述评估矩阵的构建步骤,还包括:
基于所述历史丰富度和所述历史敏感度构建二维数据分布模型,在所述二维数据分布模型中对所述历史丰富度和历史敏感度的数据进行聚类得到多种类别,其中不同的类别对应不同的风险类型等级,根据所述风险类型等级确定所述评估矩阵。
优选的,所述根据风险类型等级确定所述评估矩阵的步骤,还包括:
按照所述风险类型等级的数量,将所述历史丰富度和所述历史敏感度分别划分多个对应的阈值范围,根据所述丰富度和所述敏感度与相应的阈值范围确定相应的风险类型等级,进而确定评估矩阵。
优选的,所述根据所述风险类型等级预测所述当前加油站环境中可能发生的事故类型,包括:
对所述历史丰富度和历史敏感度的数据进行模拟仿真,获取所述不同的事故类型,所述风险类型等级对应所述不同的事故类型。
第二方面,本发明另一个实施例提供了一种基于计算机视觉的加油站危险事故预警装置,该装置包括:
图像获取单元,获取初始图像,所述初始图像包括加油站周围区域;
图像检测及丰富度获取单元,根据所述初始图像识别存在危险行为的人员数量作为第一因素,根据传感器检测未熄火的车辆数量作为第二因素;根据所述第一因素和所述第二因素得到当前加油站环境的丰富度;
敏感度获取单元,获取所述当前环境中的空气湿度和油密度;根据所述空气湿度和所述油密度获得所述当前加油站环境的敏感度;
事故类型预测单元,根据所述丰富度和所述敏感度对所述当前加油站环境中的风险类型等级进行评估,根据所述风险类型等级预测所述当前加油站环境中可能发生的事故类型。
优选的,本发明实施例还提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明实施例的有益效果在于:通过加油站站点环境中人员危险行为、车辆状态、空气湿度以及空气中汽油柴油密度计算当前加油站站点环境的丰富度和敏感度,根据历史丰富度和历史敏感度的数据对应评估矩阵对风险类型等级进行预测,进一步预测出当前加油站环境下可能发生的潜在事故类型,以使工作人员及时进行有针对性的排查,提高了加油站站点环境中的实时预测和监控效果,避免危险事故的发生产生更大的影响。
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和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于计算机视觉的加油站危险事故预警的方法流程图;
图2为本发明一个实施例所提供的一种基于计算机视觉的加油站危险事故预警的逻辑流程图;
图3为本发明一个实施例所提供的获取加油站环境丰富度的方法流程图;
图4为本发明一个实施例所提供的通过历史丰富度和历史敏感度数据模拟事故类型的聚类分割图;
图5为本发明另一个实施例所提供的一种基于计算机视觉的加油站危险事故预警装置的结构框图;
图6为本发明实施例所提供的一种电子设备的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于计算机视觉的加油站危险事故预警方法与系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例所针对的具体场景为:应用在实际生活加油站的环境中,为了解决加油站因为人员危险行为或者油车装卸过程中油泄露油密度增大而发生重大危险事故的问题,本发明实施例利用对人员危险行为、汽车加油时的状态以及加油站当前环境状态的分析和评估预测出加油站当前状态下可能发生事故危险的类型。
下面结合附图具体的说明本发明所提供的一种基于计算机视觉的加油站危险事故预警方法、装置及设备的具体方案。
请参阅图1和图2,图1示出了本发明一个实施例提供的一种基于计算机视觉的加油站危险事故预警的方法流程图;图2示出了本发明一个实施例提供的一种基于计算机视觉的加油站危险事故预警的逻辑流程图。
该方法包括以下步骤:
步骤S100,获取初始图像,初始图像包括加油站周围区域。
在加油站部署相机,相机位于加油站站点上方且能够拍摄加油站站点区域完整信息。
步骤S200,根据初始图像识别存在危险行为的人员数量作为第一因素,根据传感器检测未熄火的车辆数量作为第二因素;根据第一因素和第二因素得到当前加油站环境的丰富度。
加油站均为外放环境,且位置大多数位于道路两旁,环境复杂多变,所以在对采集到的初始图像进行分析之前要先进行初步的处理,以获取更加清晰的图像数据,
请参阅图3,具体过程如下:
步骤S201,采用滤波去噪和锐化处理对采集到的初始图像进行处理得到优化图像。
作为优选,本发明实施例选取自适应中值滤波算法,自动选取适用的滤波窗口,对初始图像进行去噪处理。
为了改善初始图像的视觉效果,使得初始图像的轮廓分明,便于后续准确提取信息,本发明实施例采用图像微分锐化对初始图像进行处理。
步骤S202,根据步骤S201中的优化图像获取第一因素。
作为优选,本发明实施例采用关键点检测网络对人员危险行为进行识别,获取到当前加油站站点环境中危险行为的数量,该方法有效降低了系统的计算量。
该关键点检测网络的训练过程为:
对优化图像中存在危险行为进行人为关键点标注,将相机采集的样本图像以及标签图像数据作为关键点检测网络的输入,经过关键点检测编码器进行特征提取,在通过关键点检测解码器进行上采样,从而生成关键点的热力图。
网络在训练时采用均方差损失函数进行迭代训练,不断对网络参数进行更新。
进一步的,本发明实施例中标注的人员危险行为主要有拍打衣服、打闹、使用手机、吸烟及明火等五类。
在其他实施例中,常采用姿态分析、距离分析等方法进行危险行为的识别。
步骤S203,根据传感器检测获取第二因素。
作为优选,本发明实施例中采用车辆的发动机传感器实时检测车辆的发动机状态,具体过程为:
根据正在加油的车辆的发动机传感器得到车辆的启停状态,将获取到的车辆状态信息通过车辆网进行反馈,从而得到未熄火车辆的数量。
检测车辆是否熄火的方法包括语音检测网络识别、传感器检测等。
步骤S204,根据第一因素和第二因素得到当前环境下加油站的丰富度。
本发明实施例中丰富度指的是当前加油站环境中车辆状态信息及人员信息的复杂程度,与第一因素和第二因素成正相关关系;
环境丰富度的函数模型表达式为:
F=exp(ωK)*ln(C+e)+τ
其中,K为第一因素,ω为大于零的模型可调因子,C为第二因素,τ为模型偏置项。
作为优选,本发明实施例中将ω取值为0.2;τ取值为5;由于环境的丰富度不会无限增大,本发明实施例中将环境丰富度的阈值范围设置为(6,50)。
在丰富度超出阈值范围时,系统会直接发出蜂鸣预警,加油站站点管理人员要对站点做全面检查。
步骤S300,获取当前环境中的空气湿度和油密度,根据空气湿度和油密度获得当前加油站环境的敏感度。
在加油站站点安装传感器,用于测量加油站站点环境中的空气湿度、汽油密度以及柴油密度。
作为优选,本发明实施例中选用SHT30温湿度气压传感器检测环境空气湿度,采用在线式汽油气体检测仪HNAG1000-EXQ检测空气中的汽油密度ρ汽,采用霍尼艾格HAGG1000柴油气体密度检测装置获取空气柴油密度ρ柴。
本发明实施例中环境敏感度指的是当前加油站环境空气中的物质状态,与空气湿度和油密度成正相关关系。
环境敏感度的函数模型表达式为:
E=σ*(exp[(102ρ汽+102ρ柴)-1])
其中,σ为湿度影响因子,ρ汽为加油站站点环境中汽油密度,ρ柴为加油站站点环境中柴油密度。
当加油站站点当前环境湿度高于预设的标准湿度时,当下加油站站点湿度过高,空气流动慢,环境中的气体不宜流通,湿度影响因子取值0<σ<1;当加油站站点当前环境湿度低于预设的标准湿度时,当下加油站站点湿度较小,空气流通较快,此时影响因子取值1<σ。
作为优选,本发明实施例中设置湿度影响因子在环境湿度高于预设的标准湿度时,取值为0.8,在环境湿度低于预设的标准湿度时取值为1.2。
为了便于分析环境丰富度和敏感度对整体环境的影响,在本发明实施例中对环境敏感度模型和环境丰富度模型进行归一化处理,以使两个模型的函数值范围都处于(0,1)区间。
步骤S400,根据丰富度和敏感度对当前加油站环境中的风险类型等级进行评估,根据风险类型等级预测当前加油站环境中可能发生的事故类型。
具体过程为:
根据丰富度和敏感度获取对应于评估矩阵中的风险类型等级,风险类型等级通过对历史丰富度和历史敏感度数据的分析划分。
请参阅图4,对历史丰富度和历史敏感度的数据进行模拟仿真,获取不同的事故类型,风险类型等级对应不同的事故类型。
图中各点横坐标代表加油站站点的环境敏感度,纵坐标代表加油站站点的环境丰富度;
为区分模拟出的事故类型,本发明实施例中采用不同的灰度值大小划分出四个等级来代表不同的事故类型,其中,四个等级分别为无危险事故发生01、操作事故类型02、火灾事故类型03、爆炸事故类型04。
构建评估矩阵的具体过程为:
基于历史丰富度和历史敏感度构建二维数据分布模型,在二维数据分布模型中对历史丰富度和历史敏感度的数据进行聚类得到多种类别,其中不同的类别对应不同的风险类型等级,根据风险类型等级确定评估矩阵。
作为优选,本发明实施例中采用K-means算法对数据进行聚类,将数据分为四个类别,对应四种不同危险程度的事故类型。
根据风险类型等级确定评估矩阵的具体方式为:
按照风险类型等级的数量,将历史丰富度和历史敏感度分别划分多个对应的阈值范围,根据丰富度和敏感度与相应的阈值范围确定相应的风险类型等级,进而确定评估矩阵。
作为优选方案,本发明实施例中设置了四个阈值范围分别为:(0,0.25)、(0.25,0.5)、(0.5,0.75)、(0.75,1.0)。
请参阅以下矩阵:
表1风险类型等级的评估矩阵
其中,矩阵中的F为环境丰富度,E为站点环境敏感度,Z为站点潜在风险类型等级,分别对应四种事故类型。
当风险类型等级为1级时,加油站站点无事故风险;
当风险类型等级为2级时,加油站站点对应的事故类型为操作事故;
当风险类型等级为3级时,加油站站点对应的事故类型为火灾事故;
当风险类型等级为4级时,加油站站点对应的事故类型为爆炸事故;
进一步的,后续站点工作人员可根据当前加油站站点环境中丰富度和敏感度的数值范围对应评估矩阵中风险类型等级,从而快速高效的预测出可能发生的事故类型。
本发明实施例中采用直观的方法对加油站站点潜在的危险事故类型进行预测和判定,通过数据分析获取事故类型的判定矩阵,便于站点工作人员快速准确地掌握加油站站点实时情况;在加油站站点风险类型等级大于1时,系统会发出预警提示,及时警告工作人员对加油站站点环境进行针对性的排查,避免重大事故类型的发生。
综上所述,本发明实施例提供了一种基于计算机视觉的加油站危险事故预警方法,该方法通过当前加油站环境下人员危险行为以及车辆状态考虑在内计算环境的丰富度,通过当前加油站环境空气中的空气湿度以及汽油柴油密度计算环境的敏感度,通过大量的历史丰富度和敏感度的数据模拟出事故类型以及风险类型等级,以此对应于评估矩阵,准确地对加油站站点的风险类型进行预测,进一步获取实时环境的加油站站点事故类型,从而使加油站工作人员能够更加直观的了解到加油站站点的危险来源,能够及时的根据危险事故发生的可能原因进行有针对性的排查,避免危险事故产生更大的影响。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种基于计算机视觉的加油站危险事故预警装置。
请参阅图5,本发明实施例提供了一种基于计算机视觉的加油站危险事故预警装置,该装置包括:图像获取单元100、图像检测及丰富度获取单元200、敏感度获取单元300以及事故类型预测单元400。
图像获取单元100,用于获取初始图像,初始图像包括加油站周围区域。
图像检测及丰富度获取单元200,用于根据初始图像识别存在危险行为的人员数量作为第一因素,根据传感器检测未熄火的车辆数量作为第二因素;根据第一因素和第二因素得到当前加油站环境的丰富度。
敏感度获取单元300,用于获取当前环境中的空气湿度和油密度;根据空气湿度和油密度获得当前加油站环境的敏感度。
事故类型预测单元400,用于根据丰富度和敏感度对当前加油站环境中的风险类型等级进行评估,根据风险类型等级预测当前加油站环境中可能发生的事故类型。
进一步地,请参阅图6,其示出了本发明实施例提供的一种电子设备的示意图。该实施例中的该电子设备包括:处理器、存储器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于计算机视觉的加油站危险事故预警方法实施例中的步骤,例如图1所示的步骤。或者,处理器执行计算机程序时实现上述一种基于计算机视觉的加油站危险事故预警装置实施例中各单元的功能。
示例性的,计算机程序可以被分隔成一个或多个单元,其中一个或者多个单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。其中一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备中的执行过程。
该电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种电子设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,示意图仅仅是该电子设备的示例,并不构成对该电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如该电子设备还可以包括输入输出设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,该处理器是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于计算机视觉的加油站危险事故预警方法,其特征在于,该方法包括:
获取初始图像,所述初始图像包括加油站周围区域;
根据所述初始图像识别存在危险行为的人员数量作为所述第一因素,根据传感器检测未熄火的车辆数量作为所述第二因素;根据所述第一因素和所述第二因素得到当前加油站环境的丰富度;
获取所述当前环境中的空气湿度和油密度;根据所述空气湿度和所述油密度获得所述当前加油站环境的敏感度;
根据所述丰富度和所述敏感度对所述当前加油站环境中的风险类型等级进行评估,根据所述风险类型等级预测所述当前加油站环境中可能发生的事故类型。
2.根据权利要求1所述的方法,其特征在于,所述当前加油站环境的丰富度与所述第一因素和第二因素成正相关关系。
3.根据权利要求1所述的方法,其特征在于,所述当前加油站环境的敏感度与所述空气湿度和所述油密度成正相关关系。
4.根据权利要求1所述的方法,其特征在于,所述根据所述丰富度和所述敏感度对所述当前加油站环境中的风险类型等级进行评估,包括:
根据所述丰富度和所述敏感度获取对应于评估矩阵中的风险类型等级,所数风险类型等级通过对历史丰富度和历史敏感度数据的分析划分。
5.根据权利要求4所述的方法,其特征在于,所述评估矩阵的构建步骤,还包括:
基于所述历史丰富度和所述历史敏感度构建二维数据分布模型,在所述二维数据分布模型中对所述历史丰富度和历史敏感度的数据进行聚类得到多种类别,其中不同的类别对应不同的风险类型等级,根据所述风险类型等级确定所述评估矩阵。
6.根据权利要求5所述的方法,其特征在于,所述根据风险类型等级确定所述评估矩阵的步骤,还包括:
按照所述风险类型等级的数量,将所述历史丰富度和所述历史敏感度分别划分多个对应的阈值范围,根据所述丰富度和所述敏感度与相应的阈值范围确定相应的风险类型等级,进而确定评估矩阵。
7.根据权利要求1所述的方法,其特征在于,所述根据所述风险类型等级预测所述当前加油站环境中可能发生的事故类型,包括:
对所述历史丰富度和历史敏感度的数据进行模拟仿真,获取所述不同的事故类型,所述风险类型等级对应所述不同的事故类型。
8.一种基于计算机视觉的加油站危险事故预警装置,其特征在于,该装置包括:
图像获取单元,用于获取初始图像,所述初始图像包括加油站周围区域;
图像检测及丰富度获取单元,用于根据所述初始图像识别存在危险行为的人员数量作为第一因素,根据传感器检测未熄火的车辆数量作为第二因素;根据所述第一因素和所述第二因素得到当前加油站环境的丰富度;
敏感度获取单元,用于获取所述当前环境中的空气湿度和油密度;根据所述空气湿度和所述油密度获得所述当前加油站环境的敏感度;
事故类型预测单元,用于根据所述丰富度和所述敏感度对所述当前加油站环境中的风险类型等级进行评估,根据所述风险类型等级预测所述当前加油站环境中可能发生的事故类型。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689250.0A CN113570840A (zh) | 2021-06-22 | 2021-06-22 | 基于计算机视觉的加油站危险事故预警方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689250.0A CN113570840A (zh) | 2021-06-22 | 2021-06-22 | 基于计算机视觉的加油站危险事故预警方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113570840A true CN113570840A (zh) | 2021-10-29 |
Family
ID=78162393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110689250.0A Pending CN113570840A (zh) | 2021-06-22 | 2021-06-22 | 基于计算机视觉的加油站危险事故预警方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570840A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116558574A (zh) * | 2023-06-29 | 2023-08-08 | 深圳市秒加能源科技有限公司 | 基于大数据的气站安全监测方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103716177A (zh) * | 2013-11-18 | 2014-04-09 | 国家电网公司 | 安全风险评估方法和装置 |
CN104860255A (zh) * | 2015-03-31 | 2015-08-26 | 上海晨想信息技术有限公司 | 一种加油站的加油方法及系统 |
CN106744628A (zh) * | 2017-03-06 | 2017-05-31 | 桐乡匹昂电子科技有限公司 | 一种加油站控制系统 |
WO2018000740A1 (zh) * | 2016-06-28 | 2018-01-04 | 深圳市元征科技股份有限公司 | 车辆的加油控制方法及系统 |
CN110493566A (zh) * | 2019-08-05 | 2019-11-22 | 成都油管家科技有限公司 | 一种基于视频分析加油站安全识别系统 |
CN111496806A (zh) * | 2020-04-17 | 2020-08-07 | 成都时空穿梭智能科技有限公司 | 化学品仓、加油站安防机器人 |
CN111539661A (zh) * | 2020-07-08 | 2020-08-14 | 浙江浙能天然气运行有限公司 | 基于风险评价和tdlas的天然气站场泄漏监测方法 |
CN112258042A (zh) * | 2020-10-23 | 2021-01-22 | 北京石油化工学院 | 一种基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法 |
-
2021
- 2021-06-22 CN CN202110689250.0A patent/CN113570840A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103716177A (zh) * | 2013-11-18 | 2014-04-09 | 国家电网公司 | 安全风险评估方法和装置 |
CN104860255A (zh) * | 2015-03-31 | 2015-08-26 | 上海晨想信息技术有限公司 | 一种加油站的加油方法及系统 |
WO2018000740A1 (zh) * | 2016-06-28 | 2018-01-04 | 深圳市元征科技股份有限公司 | 车辆的加油控制方法及系统 |
CN106744628A (zh) * | 2017-03-06 | 2017-05-31 | 桐乡匹昂电子科技有限公司 | 一种加油站控制系统 |
CN110493566A (zh) * | 2019-08-05 | 2019-11-22 | 成都油管家科技有限公司 | 一种基于视频分析加油站安全识别系统 |
CN111496806A (zh) * | 2020-04-17 | 2020-08-07 | 成都时空穿梭智能科技有限公司 | 化学品仓、加油站安防机器人 |
CN111539661A (zh) * | 2020-07-08 | 2020-08-14 | 浙江浙能天然气运行有限公司 | 基于风险评价和tdlas的天然气站场泄漏监测方法 |
CN112258042A (zh) * | 2020-10-23 | 2021-01-22 | 北京石油化工学院 | 一种基于人工智能的加油站关键区域及人员安全隐患监测预警系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116558574A (zh) * | 2023-06-29 | 2023-08-08 | 深圳市秒加能源科技有限公司 | 基于大数据的气站安全监测方法和装置 |
CN116558574B (zh) * | 2023-06-29 | 2023-09-26 | 深圳市秒加能源科技有限公司 | 基于大数据的气站安全监测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN111506048B (zh) | 车辆故障预警方法及相关设备 | |
CN111426486B (zh) | 辅助驾驶系统的测试方法、装置、设备及存储介质 | |
CN111240975A (zh) | 人工智能系统风险检测方法、装置、计算机设备与介质 | |
CN111126153A (zh) | 基于深度学习的安全监测方法、系统、服务器及存储介质 | |
US20170176985A1 (en) | Method for predicting end of line quality of assembled product | |
CN116380496A (zh) | 一种汽车车门疲劳耐久测试方法、系统及介质 | |
CN113570840A (zh) | 基于计算机视觉的加油站危险事故预警方法、装置及设备 | |
CN117115743A (zh) | 矿用安全生产监控系统及其方法 | |
CN115496386A (zh) | 设备巡检方法、系统及计算机可读存储介质 | |
CN110266774B (zh) | 车联网数据质量的检验方法、装置、设备及存储介质 | |
CN110310273A (zh) | 工业装配场景中的设备核检方法、装置及电子设备 | |
CN112862345B (zh) | 隐患质检方法、装置、电子设备及存储介质 | |
CN114140025A (zh) | 面向多模态数据的车险欺诈行为预测系统、方法和装置 | |
CN115599077B (zh) | 车辆故障定界方法、装置、电子设备及存储介质 | |
CN117332337A (zh) | 电池热失控预警方法、装置、服务器和存储介质 | |
CN116666785A (zh) | 储能电池系统安全预警方法、装置、电子设备及介质 | |
CN115965625A (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
KR102470520B1 (ko) | 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법 | |
CN115467752B (zh) | 汽车发动机失火诊断分析的方法、系统及计算机存储介质 | |
CN112395936A (zh) | 用于检测承受重复应力的结构中的缺陷的系统和方法 | |
CN110865939A (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
CN115512536B (zh) | 一种基于人车画像的智能车辆管理系统 | |
CN117056686B (zh) | 一种检测压力容器表面缺陷的告警方法及系统 | |
CN111160454B (zh) | 一种速变信号检测方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211029 |