CN113920471B - 生产废物的远程监控方法、装置、计算机设备及存储介质 - Google Patents

生产废物的远程监控方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113920471B
CN113920471B CN202111192680.8A CN202111192680A CN113920471B CN 113920471 B CN113920471 B CN 113920471B CN 202111192680 A CN202111192680 A CN 202111192680A CN 113920471 B CN113920471 B CN 113920471B
Authority
CN
China
Prior art keywords
production waste
video image
production
video
inspection result
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
Application number
CN202111192680.8A
Other languages
English (en)
Other versions
CN113920471A (zh
Inventor
黄志能
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City 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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202111192680.8A priority Critical patent/CN113920471B/zh
Publication of CN113920471A publication Critical patent/CN113920471A/zh
Application granted granted Critical
Publication of CN113920471B publication Critical patent/CN113920471B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/50—Reuse, recycling or recovery technologies
    • Y02W30/82—Recycling of waste of electrical or electronic equipment [WEEE]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请为人工智能技术的云监控技术领域，本申请提供了一种生产废物的远程监控方法、装置、计算机设备及存储介质，其中，所述方法包括：接收生产废物视频，每隔预设时间节点提取生产废物视频中的第一视频图像帧，利用预置的图像识别模型对第一视频图像帧进行识别，得到第一巡检结果，若确定第一巡检结果为生产废物违规排放，则以第一视频图像帧的时间节点为中间时间节点，获取生产废物视频中距离中间时间节点预设时间内的第二视频图像帧，利用图像识别模型对第二视频图像帧进行识别，得到第二巡检结果，在第一巡检结果与第二巡检结果一致时，判定生产单位存在生产废物违规排放，从而降低了生产废物的监管难度，提高了监管效率。

Description

生产废物的远程监控方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能技术的云监控技术领域，具体而言，本申请涉及一种生产废物的远程监控方法、装置、计算机设备及存储介质。
背景技术
在工业生产中，生产单位都会产生大量的固、液、气体废物等生产废物，针对这些生产废物的监管，一般是通过监管部门定时派人去生产单位中巡检，以达到监管的目标，但这种监管方式监管难度较大，需要消耗大量的人力物力，且效率较低。
发明内容
本申请的主要目的为提供一种生产废物的远程监控方法、装置、计算机设备及存储介质，以降低监管难度、节约人力物力，并提高监管效率。
为了实现上述发明目的，本申请提供一种生产废物的远程监控方法，其包括以下步骤：
接收安装在生产单位的摄像设备录制的生产废物视频；
每隔预设时间节点提取所述生产废物视频中的视频图像帧，得到第一视频图像帧，利用预置的图像识别模型对所述第一视频图像帧进行识别，得到第一巡检结果；其中，所述第一巡检结果为生产废物违规排放或者生产废物未违规排放；
若确定所述第一巡检结果为生产废物违规排放，则以所述第一视频图像帧的时间节点为中间时间节点，获取所述生产废物视频中距离所述中间时间节点预设时间内的视频图像帧，得到第二视频图像帧；
利用所述图像识别模型对所述第二视频图像帧进行识别，得到第二巡检结果；
判断所述第一巡检结果与所述第二巡检结果是否一致；
若是，则判定所述生产单位存在生产废物违规排放，并将所述生产单位录入整改名单。
进一步地，所述将所述生产单位录入整改名单之后，还包括：
设置所述生产单位的整改期限；
当到达所述整改期限时，获取所述生产单位上传的整改图像，并利用所述图像识别模型对所述整改图像进行识别，以判断所述整改图像对应的生产废物场景是否存在违规排放；
当判定所述整改图像对应的生产废物场景仍存在违规排放时，向所述生产单位发送处罚方案。
优选地，所述利用预置的图像识别模型对所述第一视频图像帧进行识别，得到第一巡检结果，包括：
利用预置的图像识别模型对所述第一视频图像帧进行识别，预测所述第一视频图像帧中的生产废物排放量；
获取所述生产单位的申报信息；
根据所述申报信息判断所述第一视频图像帧中的生产废物排放量是否超过预设阈值；
若是，则确定所述生产单位的生产废物违规排放的第一巡检结果。
进一步地，所述获取所述生产单位的申报信息之前，还包括：
接收生产单位的申报信息，并审核所述申报信息是否正确；
若正确，则对所述申报信息进行备份，将备份的申报信息保存在区块链中。
优选地，所述每隔预设时间节点提取所述生产废物视频中的视频图像帧，得到第一视频图像帧，包括：
每隔预设时间节点提取所述生产废物视频中的视频图像帧；
判断所述视频图像帧中是否存在生产设备；
若是，则获取所述视频图像帧中生产设备的像素点之间的最大亮度差值、最大灰度差值及最大色度差值，并提取所有生产设备的轮廓；
判断所述最大亮度差值、最大灰度差值及最大色度差值是否都大于对应的差值阈值，并判断每两个生产设备的轮廓是否存在交叉；
当判定所述最大亮度差值、最大灰度差值及最大色度差值都大于对应的差值阈值且每两个生产设备的轮廓都没有交叉时，则将所述视频图像帧确定为第一视频图像帧，否则，跳过所述视频图像帧。
优选地，所述图像识别模型包括输入层、卷积层和全连接层，所述利用预置的图像识别模型对所述第一视频图像帧进行识别，得到第一巡检结果，包括：
在所述输入层中，从所述第一视频图像帧中提取包含生产设备的帧图像，并对所述帧图像进行预处理，得到目标图像；
将所述目标图像输入所述卷积层，对所述目标图像进行卷积计算，得到所述目标图像中所述生产设备所在图像区域的特征数据；
使用所述全连接层对所述特征数据进行分类回归，预测存在生产废物违规排放的目标图像区域，估算所述目标图像区域中的生产废物排放量；
根据所述目标图像区域中的生产废物排放量确定是否存在生产废物违规排放，并生成第一巡检结果。
进一步地，所述利用预置的图像识别模型对所述第一视频图像帧进行识别之前，还包括：
获取图像样本库；其中，所述图像样本库中包含多张有关生产废物违规排放场景的样本图像；
调用深度卷积神经网络模型对所述图像样本库中的多张样本图像进行机器学习训练，得到所述预置的图像识别模型。
本申请还提供一种生产废物的远程监控装置，其包括：
接收模块，用于接收安装在生产单位的摄像设备录制的生产废物视频；
第一识别模块，用于每隔预设时间节点提取所述生产废物视频中的视频图像帧，得到第一视频图像帧，利用预置的图像识别模型对所述第一视频图像帧进行识别，得到第一巡检结果；其中，所述第一巡检结果为生产废物违规排放或者生产废物未违规排放；
获取模块，用于若确定所述第一巡检结果为生产废物违规排放，则以所述第一视频图像帧的时间节点为中间时间节点，获取所述生产废物视频中距离所述中间时间节点预设时间内的视频图像帧，得到第二视频图像帧；
第二识别模块，用于利用所述图像识别模型对所述第二视频图像帧进行识别，得到第二巡检结果；
判断模块，用于判断所述第一巡检结果与所述第二巡检结果是否一致；
录入模块，用于在所述第一巡检结果与所述第二巡检结果一致时，则判定所述生产单位存在生产废物违规排放，并将所述生产单位录入整改名单。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质，所述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任一项所述方法的步骤。
本申请所提供的一种生产废物的远程监控方法、装置、计算机设备及存储介质，通过对生产废物视频进行巡检操作，并在巡检过程中，对生产废物视频不断进行提取视频图像帧，并将视频图像帧输出至预置的图像识别模型中进行自动识别，以判断生产废物视频中是否存在生产废物违规排放的情况，降低了生产废物的监管难度，提高了监管效率。此外，本申请无需对生产废物视频的所有视频图像帧进行识别，而是每隔预设时间节点提取生产废物视频中的第一视频图像帧，并在确定第一视频图像帧中存在生产废物违规排放的情况时，进一步提取与第一视频图像帧相邻的第二视频图像帧，对第二视频图像帧进行识别，以进一步校验生产单位是否存在生产废物违规排放的情况，在提高监管效率的同时，确保远程监控的准确性。
附图说明
图1为本申请一实施例的生产废物的远程监控方法的流程示意图；
图2为本申请一实施例的生产废物的远程监控装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
目前的生产废物监管领域，还是停留在半智能化阶段，例如，生产废物数据会录入到监管系统上，但无法做到远程监管，如生产废物排放量申报还需要生产单位去监管部门登记，监管部门还是需要定期去实地监管生产废物产生情况，执法部门进行违法证据采集时困难重重。这些导致生产废物无法寻迹，无法远程监管，无法形成完整的证据链路，无法成为监管部门高效监管的有力支撑。
因此，本申请提出一种生产废物的远程监控方法，本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请提出的一种生产废物的远程监控方法，以服务器为执行主体，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
该生产废物的远程监控方法用于解决当前的监管方式监管难度较大，需要消耗大量的人力物力，且效率较低的技术问题。参考图1，其中一个实施例中，该生产废物的远程监控方法包括如下步骤：
S11、接收安装在生产单位的摄像设备录制的生产废物视频；
S12、每隔预设时间节点提取所述生产废物视频中的视频图像帧，得到第一视频图像帧，利用预置的图像识别模型对所述第一视频图像帧进行识别，得到第一巡检结果；其中，所述第一巡检结果为生产废物违规排放或者生产废物未违规排放；
S13、若确定所述第一巡检结果为生产废物违规排放，则以所述第一视频图像帧的时间节点为中间时间节点，获取所述生产废物视频中距离所述中间时间节点预设时间内的视频图像帧，得到第二视频图像帧；
S14、利用所述图像识别模型对所述第二视频图像帧进行识别，得到第二巡检结果；
S15、判断所述第一巡检结果与所述第二巡检结果是否一致；
S16、若是，则判定所述生产单位存在生产废物违规排放，并将所述生产单位录入整改名单。
如上述步骤S11所述，本实施例在生产单位预先安装摄像设备，该摄像设备用于对生产单位的生产废物的排放情况进行实时监控，生成生产废物视频，并将生产废物视频发送给服务器，服务器实时接收摄像设备录制的生产废物视频。
在一实施例中，每个生产单位的生产设备都安装了摄像设备，以对生产设备进行实时监控，该生产废物视频通过物联网平台推送到数据平台进行收集，服务器从数据平台中提取生产废物视频，以对生产废物视频进行处理。其中，摄像设备的摄像头可以为枪型摄像头和球型摄像头；接收到摄像设备录制的生产废物视频后，对生产废物视频进行每帧分析，对比预设违规行为以进行判别，若发现违规行为，进行系统提示处理，会提示巡检人员优先巡检。
如上述步骤S12所述，服务器接收到生产废物视频后，获取生产废物视频的所有时间节点，并设定起始节点，以起始节点为起点，每隔预设时间节点提取所述生产废物视频中的一张视频图像帧，将该张视频图像帧作为第一视频图像帧，并将第一视频图像帧输入预置的图像识别模型，利用图像识别模型对第一视频图像帧进行识别，以判断第一视频图像帧是否存在生产废物违规排放，得到第一巡检结果。
其中，图像识别模型为神经网络模型，用于对一张或多张视频图像帧进行识别，以判断视频图像帧是否存在生产废物违规排放的情况。服务器中预先配置有图像识别模型。进一步地，神经网络模型可以是通过大量样本数据训练得到的，可以包括多个网络层，每个网络层可以对应计算操作。网络层与网络层之间可以存在条件或关联关系。例如，一些网络层的输出可以作为对应网络层的输入。例如，图像识别模型可以是卷积神经网络模型(Convolutional Neural Networks，简称CNN)。卷积神经网络模型可以包括输入层、卷积层、池化层、输出层等，以对输入的视频图像帧进行处理。
如上述步骤S13所述，若确定第一巡检结果为生产废物违规排放时，则以第一视频图像帧所位于的时间节点作为中间时间节点，以该中间时间节点为中心，获取生产废物视频中距离该中间时间节点预设时间内的视频图像帧，将该视频图像帧作为第二视频图像帧，第二视频图像帧可以是一张或多张视频图像帧。例如，当中间时间节点为10:00时，则可以获取9:50至10:00，以及10:00至10:10之间的视频图像帧(不包括10:00的视频图像帧)，将9:50至10:00，以及10:00至10:10之间的视频图像帧作为第二视频图像帧。其中，第二视频图像帧不包括第一视频图像帧。
如上述步骤S14所述，在得到第二视频图像帧后，将第二视频图像帧输入图像识别模型，利用图像识别模型对第二视频图像帧进行识别，得到第二巡检结果，所述第二巡检结果也包括生产废物违规排放或者生产废物未违规排放，以进一步校验生产单位是否存在生产废物违规排放的情况。
如上述步骤S15-S16所述，本实施例判断第一巡检结果与第二巡检结果是否一致，若第一巡检结果与第二巡检结果一致，则说明经过进一步验证后，判定生产单位确实存在生产废物违规排放，并将生产单位录入整改名单，督促该生产单位进行整改；若第一巡检结果与第二巡检结果不一致时，则跳过第一视频图像帧，对下一个时间节点的生产废物视频中的视频图像帧进行识别，以确保远程监控的准确性。
本申请所提供的一种生产废物的远程监控方法，通过对生产废物视频进行巡检操作，并在巡检过程中，对生产废物视频不断进行提取视频图像帧，并将视频图像帧输出至预置的图像识别模型中进行自动识别，以判断生产废物视频中是否存在生产废物违规排放的情况，降低了生产废物的监管难度，提高了监管效率。此外，本申请无需对生产废物视频的所有视频图像帧进行识别，而是每隔预设时间节点提取生产废物视频中的第一视频图像帧，并在确定第一视频图像帧中存在生产废物违规排放的情况时，进一步提取与第一视频图像帧相邻的第二视频图像帧，对第二视频图像帧进行识别，以进一步校验生产单位是否存在生产废物违规排放的情况，在提高监管效率的同时，确保远程监控的准确性。
在一实施例中，所述将所述生产单位录入整改名单之后，还可包括：
S17、设置所述生产单位的整改期限；
S18、当到达所述整改期限时，获取所述生产单位上传的整改图像，并利用所述图像识别模型对所述整改图像进行识别，以判断所述整改图像对应的生产废物场景是否存在违规排放；
S19、当判定所述整改图像对应的生产废物场景仍存在违规排放时，向所述生产单位发送处罚方案。
本实施例中，每次巡检后保存相应的巡检记录，通过巡检记录中的巡检结果得到该单位是否有不规范、不完善或不齐全的检查项目，若有，则需要对该检查项目进行整改；若需整改，则对该单位相关的合同备案进行禁用整改操作，给出整改期限；当该单位对需整改项目整改完成之后，需上传整改图像；服务器在接收到整改图像后，采用预置图像识别模型对所述整改图像进行识别，以判断所述整改图像对应的生产废物场景是否存在违规排放，进而判断整改是否完成，若整改完成后，生成对应的整改报告。其中，整改报告包括整改内容、整改前现状信息、整改后现状信息。
当判定所述整改图像对应的生产废物场景仍存在违规时，则向所述生产单位发送处罚方案。其中，处罚方案包括处罚金额、行政处罚等等，如暂停该生产单位的生产。
在一实施例中，在步骤S12中，所述利用预置的图像识别模型对所述第一视频图像帧进行识别，得到第一巡检结果，可具体包括：
S121、利用预置的图像识别模型对所述第一视频图像帧进行识别，预测所述第一视频图像帧中的生产废物排放量；
S122、获取所述生产单位的申报信息；
S123、根据所述申报信息判断所述第一视频图像帧中的生产废物排放量是否超过预设阈值；
S124、若是，则确定所述生产单位的生产废物违规排放的第一巡检结果。
在本实施例中，可利用预置的图像识别模型对第一视频图像帧进行识别，以预测第一视频图像帧中的生产废物排放量，如根据第一视频图像帧中固体废物所在图像区域的占比，预测该固体废物的生产废物排放量；然后获取生产单位的申报信息，申报信息中包括该生产单位可允许的最高生产废物排放量，将最高生产废物排放量作为预设阈值，以根据申报信息判断所述第一视频图像帧中的生产废物排放量是否超过预设阈值，当判定所述第一视频图像帧中的生产废物排放量超过预设阈值时，则确定所述生产单位生产废物违规排放，生成生产废物违规排放的第一巡检结果。
当判定所述第一视频图像帧中的生产废物排放量未超过预设阈值时，则确定所述生产单位生产废物未违规排放，生成生产废物未违规排放的第一巡检结果，从而基于视频图像帧简单、快速地确定生产单位是否存在生产废物违规排放。
在一实施例中，所述获取所述生产单位的申报信息之前，还可包括：
接收生产单位的申报信息，并审核所述申报信息是否正确；
若正确，则对所述申报信息进行备份，将备份的申报信息保存在区块链中。
本实施例中，申报信息作为环保证件链第一环，其中，申报信息包括生产废物合同内容信息、产废单位基本信息、处置单位基本信息、运输单位基本信息、废物收运信息。系统自动审核合同备案，审核通过则可进行固体废物运输。
具体的，根据生产单位、处置单位、运输单位上传的资质证书，资质证书样式都是一致的，通过资质证书人工智能识别模型识别出生产单位、处置单位、运输单位的单位名称、统一社会信用代码，以判断录入信息是否正确；上传申报信息时，需要上传合同附件、合同编号；通过对附件进扫描，以及对合同编号进行核实，以判断该申报信息中各信息是否正确，得到审核结果，审核结果包括审核通过、审核不通过、待进一步人工审核。其中，若录入信息完整且申报信息扫描成功，则为审核通过，对所述申报信息进行备份，将备份的申报信息保存在区块链中；若录入信息不完整，或者申报信息扫描时不成功，则为审核不通过；录入信息或者扫描申报信息时出错了，则需要待进一步人工审核。
在一实施例中，所述每隔预设时间节点提取所述生产废物视频中的视频图像帧，得到第一视频图像帧，可具体包括：
每隔预设时间节点提取所述生产废物视频中的视频图像帧；
判断所述视频图像帧中是否存在生产设备；
若是，则获取所述视频图像帧中生产设备的像素点之间的最大亮度差值、最大灰度差值及最大色度差值，并提取所有生产设备的轮廓；
判断所述最大亮度差值、最大灰度差值及最大色度差值是否都大于对应的差值阈值，并判断每两个生产设备的轮廓是否存在交叉；
当判定所述最大亮度差值、最大灰度差值及最大色度差值都大于对应的差值阈值且每两个生产设备的轮廓都没有交叉时，则将所述视频图像帧确定为第一视频图像帧，否则，跳过所述视频图像帧。
本实施例获取视频图像帧中生产设备的像素点之间的最大亮度差值、最大灰度差值、最大色度差值是为了分别与对应的预设的差值阈值比较，以判断所述视频图像帧中的生产设备所在图像区域是否合格，将合格的视频图像帧作为第一视频图像帧，以得到亮度、色度、灰度都能达到图像识别要求的视频图像帧，并且该视频图像帧包含的每两个生产设备的轮廓都不发生交叉，即视频图像帧的生产设备不发生互相遮挡重叠，以后续提高识别的精度。
其中，所述最大亮度差值为视频图像帧最高亮度的像素点与最低亮度的像素点之间的亮度之差；所述最大灰度差值为视频图像帧最大灰度值的像素点与最小灰度值的像素点之间的灰度值之差；所述最大色度差值为视频图像帧最大色度的像素点与最小色度的像素点之间的色度之差。
在一实施例中，所述图像识别模型包括输入层、卷积层和全连接层，所述利用预置的图像识别模型对所述第一视频图像帧进行识别，得到第一巡检结果，包括：
在所述输入层中，从所述第一视频图像帧中提取包含生产设备的帧图像，并对所述帧图像进行预处理，得到目标图像；
将所述目标图像输入所述卷积层，对所述目标图像进行卷积计算，得到所述目标图像中所述生产设备所在图像区域的特征数据；
使用所述全连接层对所述特征数据进行分类回归，预测存在生产废物违规排放的目标图像区域，估算所述目标图像区域中的生产废物排放量；
根据所述目标图像区域中的生产废物排放量确定是否存在生产废物违规排放，并生成第一巡检结果。
在本实施例中，对保留下来的包含生产设备的帧图像进行预处理，得到目标图像。对帧图像进行预处理时，可先对帧图像进行均值滤波和归一化处理，得到归一化图像；根据背景图像，采用背景差分法对归一化图像进行前后景分离，得到前景图像；对前景图像进行腐蚀、膨胀和二值化处理，最终得到目标图像。
然后将目标图像输入卷积层，对目标图像进行卷积计算，得到目标图像中生产设备所在的图像区域的特征数据。具体地，卷积层可以包括多个卷积单元，每个卷积单元依次对上一个卷积单元的输出数据进行卷积计算，该卷积计算用于提取目标图像中的生产设备的特征数据，每个卷积单元通过卷积计算提取的特征数据不同，最后一个卷积单元的输出即为目标图像中每个生产设备所在的图像区域的特征数据。
其中，卷积单元的数量可以预先进行设置，并且每个卷积单元可以按照预设的顺序排列，例如，卷积层具体可以包括48个卷积单元，排在前面的卷积单元可以对目标图像中的生产设备进行低层次的特征信息的提取，例如，生产设备的边缘、线条和角等低层次的特征数据，排在后面的卷积单元能从低层次的特征数据中迭代计算，获取生产设备更复杂的特征数据，从而使得经过卷积层处理后得到的特征数据能够准确的体现生产设备的特征。使用全连接层对特征数据进行分类回归，预测存在生产废物违规排放的目标图像区域，并估算所述目标图像区域中的生产废物排放量，根据所述目标图像区域中的生产废物排放量确定是否存在生产废物违规排放，并生成第一巡检结果。
其中，在全连接层中包括若干个训练好的分类器，每个分类器分别对应处理一种生产废物违规排放类型。在每个分类器中，使用预设的激活函数对特征数据进行回归分析，得到特征数据与该分类器对应的违规类型的匹配度，该相似度具体可以通过概率值表示，概率值越大，则说明特征数据与该分类器对应的违规类型越匹配。
在一实施例中，所述利用预置的图像识别模型对所述第一视频图像帧进行识别之前，还可包括：
获取图像样本库；其中，所述图像样本库中包含多张有关生产废物违规排放场景的样本图像；
调用深度卷积神经网络模型对所述图像样本库中的多张样本图像进行机器学习训练，得到所述预置的图像识别模型。
本实施例利用图像样本库中的多张样本图像对深度卷积神经网络模型进行机器学习训练，并在每次训练后，计算该深度卷积神经网络模型的损失值，在损失值低于预设损失值时，表明深度卷积神经网络模型完成训练，将损失值低于预设损失值的该深度卷积神经网络模型作为所述预置的图像识别模型，以得到训练好的图像识别模型，确保对视频图像帧进行精准识别。
参照图2，本申请实施例中还提供一种生产废物的远程监控装置，包括：
接收模块11，用于接收安装在生产单位的摄像设备录制的生产废物视频；
第一识别模块12，用于每隔预设时间节点提取所述生产废物视频中的视频图像帧，得到第一视频图像帧，利用预置的图像识别模型对所述第一视频图像帧进行识别，得到第一巡检结果；其中，所述第一巡检结果为生产废物违规排放或者生产废物未违规排放；
获取模块13，用于若确定所述第一巡检结果为生产废物违规排放，则以所述第一视频图像帧的时间节点为中间时间节点，获取所述生产废物视频中距离所述中间时间节点预设时间内的视频图像帧，得到第二视频图像帧；
第二识别模块14，用于利用所述图像识别模型对所述第二视频图像帧进行识别，得到第二巡检结果；
判断模块15，用于判断所述第一巡检结果与所述第二巡检结果是否一致；
录入模块16，用于在所述第一巡检结果与所述第二巡检结果一致时，则判定所述生产单位存在生产废物违规排放，并将所述生产单位录入整改名单。
本实施例在生产单位预先安装摄像设备，该摄像设备用于对生产单位的生产废物的排放情况进行实时监控，生成生产废物视频，并将生产废物视频发送给服务器，服务器实时接收摄像设备录制的生产废物视频。
在一实施例中，每个生产单位的生产设备都安装了摄像设备，以对生产设备进行实时监控，该生产废物视频通过物联网平台推送到数据平台进行收集，服务器从数据平台中提取生产废物视频，以对生产废物视频进行处理。其中，摄像设备的摄像头可以为枪型摄像头和球型摄像头；接收到摄像设备录制的生产废物视频后，对生产废物视频进行每帧分析，对比预设违规行为以进行判别，若发现违规行为，进行系统提示处理，会提示巡检人员优先巡检。
服务器接收到生产废物视频后，获取生产废物视频的所有时间节点，并设定起始节点，以起始节点为起点，每隔预设时间节点提取所述生产废物视频中的一张视频图像帧，将该张视频图像帧作为第一视频图像帧，并将第一视频图像帧输入预置的图像识别模型，利用图像识别模型对第一视频图像帧进行识别，以判断第一视频图像帧是否存在生产废物违规排放，得到第一巡检结果。
其中，图像识别模型为神经网络模型，用于对一张或多张视频图像帧进行识别，以判断视频图像帧是否存在生产废物违规排放的情况。服务器中预先配置有图像识别模型。进一步地，神经网络模型可以是通过大量样本数据训练得到的，可以包括多个网络层，每个网络层可以对应计算操作。网络层与网络层之间可以存在条件或关联关系。例如，一些网络层的输出可以作为对应网络层的输入。例如，图像识别模型可以是卷积神经网络模型(Convolutional Neural Networks，简称CNN)。卷积神经网络模型可以包括输入层、卷积层、池化层、输出层等，以对输入的视频图像帧进行处理。
若确定第一巡检结果为生产废物违规排放时，则以第一视频图像帧所位于的时间节点作为中间时间节点，以该中间时间节点为中心，获取生产废物视频中距离该中间时间节点预设时间内的视频图像帧，将该视频图像帧作为第二视频图像帧，第二视频图像帧可以是一张或多张视频图像帧。例如，当中间时间节点为10:00时，则可以获取9:50至10:00，以及10:00至10:10之间的视频图像帧(不包括10:00的视频图像帧)，将9:50至10:00，以及10:00至10:10之间的视频图像帧作为第二视频图像帧。其中，第二视频图像帧不包括第一视频图像帧。
在得到第二视频图像帧后，将第二视频图像帧输入图像识别模型，利用图像识别模型对第二视频图像帧进行识别，得到第二巡检结果，所述第二巡检结果也包括生产废物违规排放或者生产废物未违规排放，以进一步校验生产单位是否存在生产废物违规排放的情况。
最后，本实施例判断第一巡检结果与第二巡检结果是否一致，若第一巡检结果与第二巡检结果一致，则说明经过进一步验证后，判定生产单位确实存在生产废物违规排放，并将生产单位录入整改名单，督促该生产单位进行整改；若第一巡检结果与第二巡检结果不一致时，则跳过第一视频图像帧，对下一个时间节点的生产废物视频中的视频图像帧进行识别，以确保远程监控的准确性。
如上所述，可以理解地，本申请中提出的所述生产废物的远程监控装置的各组成部分可以实现如上所述生产废物的远程监控方法任一项的功能，具体结构不再赘述。
参照图3，本申请实施例中还提供一种计算机设备，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质、内存储器。该存储介质存储有操作系统、计算机程序和数据库。该内存器为存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储生产废物视频、第一视频图像帧及第二视频图像帧等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种生产废物的远程监控方法。
上述处理器执行上述的生产废物的远程监控方法，包括：
接收安装在生产单位的摄像设备录制的生产废物视频；
每隔预设时间节点提取所述生产废物视频中的视频图像帧，得到第一视频图像帧，利用预置的图像识别模型对所述第一视频图像帧进行识别，得到第一巡检结果；其中，所述第一巡检结果为生产废物违规排放或者生产废物未违规排放；
若确定所述第一巡检结果为生产废物违规排放，则以所述第一视频图像帧的时间节点为中间时间节点，获取所述生产废物视频中距离所述中间时间节点预设时间内的视频图像帧，得到第二视频图像帧；
利用所述图像识别模型对所述第二视频图像帧进行识别，得到第二巡检结果；
判断所述第一巡检结果与所述第二巡检结果是否一致；
若是，则判定所述生产单位存在生产废物违规排放，并将所述生产单位录入整改名单。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种生产废物的远程监控方法，包括步骤：
接收安装在生产单位的摄像设备录制的生产废物视频；
每隔预设时间节点提取所述生产废物视频中的视频图像帧，得到第一视频图像帧，利用预置的图像识别模型对所述第一视频图像帧进行识别，得到第一巡检结果；其中，所述第一巡检结果为生产废物违规排放或者生产废物未违规排放；
若确定所述第一巡检结果为生产废物违规排放，则以所述第一视频图像帧的时间节点为中间时间节点，获取所述生产废物视频中距离所述中间时间节点预设时间内的视频图像帧，得到第二视频图像帧；
利用所述图像识别模型对所述第二视频图像帧进行识别，得到第二巡检结果；
判断所述第一巡检结果与所述第二巡检结果是否一致；
若是，则判定所述生产单位存在生产废物违规排放，并将所述生产单位录入整改名单。
本领域普通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序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本申请的最大有益效果在于：
本申请所提供的一种生产废物的远程监控方法、装置、计算机设备及存储介质，通过对生产废物视频进行巡检操作，并在巡检过程中，对生产废物视频不断进行提取视频图像帧，并将视频图像帧输出至预置的图像识别模型中进行自动识别，以判断生产废物视频中是否存在生产废物违规排放的情况，降低了生产废物的监管难度，提高了监管效率。此外，本申请无需对生产废物视频的所有视频图像帧进行识别，而是每隔预设时间节点提取生产废物视频中的第一视频图像帧，并在确定第一视频图像帧中存在生产废物违规排放的情况时，进一步提取与第一视频图像帧相邻的第二视频图像帧，对第二视频图像帧进行识别，以进一步校验生产单位是否存在生产废物违规排放的情况，在提高监管效率的同时，确保远程监控的准确性。
需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种生产废物的远程监控方法，其特征在于，包括以下步骤：
接收安装在生产单位的摄像设备录制的生产废物视频；
每隔预设时间节点提取所述生产废物视频中的视频图像帧，得到第一视频图像帧，利用预置的图像识别模型对所述第一视频图像帧进行识别，得到第一巡检结果；其中，所述第一巡检结果为生产废物违规排放或者生产废物未违规排放；
若确定所述第一巡检结果为生产废物违规排放，则以所述第一视频图像帧的时间节点为中间时间节点，获取所述生产废物视频中距离所述中间时间节点前后预设时间内的视频图像帧，得到第二视频图像帧；其中，所述第二视频图像帧包括一张或多张视频图像帧；
利用所述图像识别模型对所述第二视频图像帧进行识别，得到第二巡检结果；
判断所述第一巡检结果与所述第二巡检结果是否一致；
若是，则判定所述生产单位存在生产废物违规排放，并将所述生产单位录入整改名单；
若所述第一巡检结果与所述第二巡检结果不一致时，则跳过所述第一视频图像帧，对下一个时间节点的生产废物视频中的视频图像帧进行识别；
所述利用预置的图像识别模型对所述第一视频图像帧进行识别，得到第一巡检结果，包括：
利用预置的图像识别模型对所述第一视频图像帧进行识别，预测所述第一视频图像帧中的生产废物排放量；
获取所述生产单位的申报信息；
根据所述申报信息判断所述第一视频图像帧中的生产废物排放量是否超过预设阈值；
若是，则确定所述生产单位的生产废物违规排放的第一巡检结果；
所述每隔预设时间节点提取所述生产废物视频中的视频图像帧，得到第一视频图像帧，包括：
每隔预设时间节点提取所述生产废物视频中的视频图像帧；
判断所述视频图像帧中是否存在生产设备；
若是，则获取所述视频图像帧中生产设备的像素点之间的最大亮度差值、最大灰度差值及最大色度差值，并提取所有生产设备的轮廓；
判断所述最大亮度差值、最大灰度差值及最大色度差值是否都大于对应的差值阈值，并判断每两个生产设备的轮廓是否存在交叉；
当判定所述最大亮度差值、最大灰度差值及最大色度差值都大于对应的差值阈值且每两个生产设备的轮廓都没有交叉时，则将所述视频图像帧确定为第一视频图像帧，否则，跳过所述视频图像帧。
2.根据权利要求1所述的方法，其特征在于，所述将所述生产单位录入整改名单之后，还包括：
设置所述生产单位的整改期限；
当到达所述整改期限时，获取所述生产单位上传的整改图像，并利用所述图像识别模型对所述整改图像进行识别，以判断所述整改图像对应的生产废物场景是否存在违规排放；
当判定所述整改图像对应的生产废物场景仍存在违规排放时，向所述生产单位发送处罚方案。
3.根据权利要求1所述的方法，其特征在于，所述获取所述生产单位的申报信息之前，还包括：
接收生产单位的申报信息，并审核所述申报信息是否正确；
若正确，则对所述申报信息进行备份，将备份的申报信息保存在区块链中。
4.根据权利要求1所述的方法，其特征在于，所述图像识别模型包括输入层、卷积层和全连接层，所述利用预置的图像识别模型对所述第一视频图像帧进行识别，得到第一巡检结果，包括：
在所述输入层中，从所述第一视频图像帧中提取包含生产设备的帧图像，并对所述帧图像进行预处理，得到目标图像；
将所述目标图像输入所述卷积层，对所述目标图像进行卷积计算，得到所述目标图像中所述生产设备所在图像区域的特征数据；
使用所述全连接层对所述特征数据进行分类回归，预测存在生产废物违规排放的目标图像区域，估算所述目标图像区域中的生产废物排放量；
根据所述目标图像区域中的生产废物排放量确定是否存在生产废物违规排放，并生成第一巡检结果。
5.根据权利要求1所述的方法，其特征在于，所述利用预置的图像识别模型对所述第一视频图像帧进行识别之前，还包括：
获取图像样本库；其中，所述图像样本库中包含多张有关生产废物违规排放场景的样本图像；
调用深度卷积神经网络模型对所述图像样本库中的多张样本图像进行机器学习训练，得到所述预置的图像识别模型。
6.一种生产废物的远程监控装置，用于执行权利要求1-5中任意一项所述的方法，其特征在于，包括：
接收模块，用于接收安装在生产单位的摄像设备录制的生产废物视频；
第一识别模块，用于每隔预设时间节点提取所述生产废物视频中的视频图像帧，得到第一视频图像帧，利用预置的图像识别模型对所述第一视频图像帧进行识别，得到第一巡检结果；其中，所述第一巡检结果为生产废物违规排放或者生产废物未违规排放；
获取模块，用于若确定所述第一巡检结果为生产废物违规排放，则以所述第一视频图像帧的时间节点为中间时间节点，获取所述生产废物视频中距离所述中间时间节点预设时间内的视频图像帧，得到第二视频图像帧；
第二识别模块，用于利用所述图像识别模型对所述第二视频图像帧进行识别，得到第二巡检结果；
判断模块，用于判断所述第一巡检结果与所述第二巡检结果是否一致；
录入模块，用于在所述第一巡检结果与所述第二巡检结果一致时，则判定所述生产单位存在生产废物违规排放，并将所述生产单位录入整改名单。
7.一种计算机设备，其特征在于，包括：
处理器；
存储器；
其中，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至5任一项所述的生产废物的远程监控方法。
8.一种计算机可读存储介质，其特征在于，所述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权利要求1-5任一项所述的生产废物的远程监控方法。
CN202111192680.8A 2021-10-13 2021-10-13 生产废物的远程监控方法、装置、计算机设备及存储介质 Active CN113920471B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111192680.8A CN113920471B (zh) 2021-10-13 2021-10-13 生产废物的远程监控方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111192680.8A CN113920471B (zh) 2021-10-13 2021-10-13 生产废物的远程监控方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN113920471A CN113920471A (zh) 2022-01-11
CN113920471B true CN113920471B (zh) 2024-07-19

Family

ID=79240214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111192680.8A Active CN113920471B (zh) 2021-10-13 2021-10-13 生产废物的远程监控方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113920471B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115512499A (zh) * 2022-08-12 2022-12-23 四川弘和通讯集团有限公司 一种加油站自动干预方法、系统、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111223011A (zh) * 2019-12-29 2020-06-02 航天信息股份有限公司 一种基于视频分析的餐饮企业食品安全监管方法及系统
CN112525348A (zh) * 2019-09-19 2021-03-19 杭州海康微影传感科技有限公司 工业废气的监测方法、装置及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203492131U (zh) * 2013-08-02 2014-03-19 中山爱科数字家庭产业孵化基地有限公司 一种工业废气排放监测装置
EP3700835A4 (en) * 2017-10-24 2021-07-14 Waterloo Controls Inc. SYSTEMS AND METHODS FOR DETECTION OF GARBAGE USING NEURAL CONVOLUTION NETWORKS
CN111062316A (zh) * 2019-12-16 2020-04-24 成都之维安科技股份有限公司 一种基于深度学习技术的污染源废水排放实时视频分析系统
CN111339907A (zh) * 2020-02-24 2020-06-26 江河瑞通（北京）技术有限公司 一种基于图像识别技术的排污识别方法及装置
US11335086B2 (en) * 2020-03-21 2022-05-17 Fidelity Ag, Inc. Methods and electronic devices for automated waste management
CN112560574A (zh) * 2020-10-30 2021-03-26 广东柯内特环境科技有限公司 河流黑水排放检测方法及应用其的识别系统
CN113111769A (zh) * 2021-04-09 2021-07-13 平安国际智慧城市科技股份有限公司 垃圾违规投放行为监控方法、装置和计算机设备
CN113470050A (zh) * 2021-08-01 2021-10-01 北京环拓科技有限公司 利用双光谱图像解析识别和量化voc泄漏的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112525348A (zh) * 2019-09-19 2021-03-19 杭州海康微影传感科技有限公司 工业废气的监测方法、装置及系统
CN111223011A (zh) * 2019-12-29 2020-06-02 航天信息股份有限公司 一种基于视频分析的餐饮企业食品安全监管方法及系统

Also Published As

Publication number Publication date
CN113920471A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
US11823365B2 (en) Automatic image based object damage assessment
CN108022235B (zh) 高压输电铁塔关键部件缺陷识别方法
CN109816200B (zh) 任务推送方法、装置、计算机设备和存储介质
CN111160169B (zh) 人脸检测方法、装置、设备及计算机可读存储介质
CN111191532A (zh) 基于施工区域的人脸识别方法、装置、计算机设备
CN110751675B (zh) 基于图像识别的城市宠物活动轨迹监测方法及相关设备
CN110738178A (zh) 园区施工安全检测方法、装置、计算机设备及存储介质
CN111191568A (zh) 翻拍图像识别方法、装置、设备及介质
CN112529012A (zh) 基于目标匹配的油气管道巡检方法、装置、设备及介质
WO2019144416A1 (zh) 信息处理方法、系统、云处理设备以及计算机程序产品
CN117370919B (zh) 污水处理设备远程监控系统
CN113920471B (zh) 生产废物的远程监控方法、装置、计算机设备及存储介质
CN113095132A (zh) 一种基于神经网络的燃气现场目标检测和行为识别方法、系统、终端及存储介质
CN112464030B (zh) 一种可疑人员确定方法及装置
CN111539317A (zh) 车辆违规行驶检测方法、装置、计算机设备和存储介质
CN110188717A (zh) 图像获取方法及装置
CN112528860A (zh) 基于图像识别的安全工器具管理方法及系统
CN114067431A (zh) 图像处理方法、装置、计算机设备和存储介质
CN113128357B (zh) 车辆故障处理方法及系统
CN111680733A (zh) 组分检测、样本库建立方法、装置、平台、系统及介质
CN111738182B (zh) 基于图像识别的身份验证方法、装置、终端及存储介质
CN112435240B (zh) 一种面向工人违规使用手机的深度视觉手机检测系统
CN110718071B (zh) 图像采集设备的校验方法、装置、计算机设备和存储介质
CN113869364A (zh) 图像处理方法、装置、电子设备及介质
CN111652242B (zh) 图像处理方法、装置、电子设备及存储介质

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