CN114049732B - 一种变电站视频监控方法、系统及存储介质 - Google Patents

一种变电站视频监控方法、系统及存储介质 Download PDF

Info

Publication number
CN114049732B
CN114049732B CN202111148237.0A CN202111148237A CN114049732B CN 114049732 B CN114049732 B CN 114049732B CN 202111148237 A CN202111148237 A CN 202111148237A CN 114049732 B CN114049732 B CN 114049732B
Authority
CN
China
Prior art keywords
video
video frames
network
low
module
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
CN202111148237.0A
Other languages
English (en)
Other versions
CN114049732A (zh
Inventor
董晓虎
徐晨曦
樊淑娟
郭朔
李一博
郭路
王永立
杨亚菲
桑盛强
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.)
Yuncheng Power Supply Company State Grid Shandong Electric Power Co
Original Assignee
Yuncheng Power Supply Company State Grid Shandong Electric Power Co
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 Yuncheng Power Supply Company State Grid Shandong Electric Power Co filed Critical Yuncheng Power Supply Company State Grid Shandong Electric Power Co
Priority to CN202111148237.0A priority Critical patent/CN114049732B/zh
Publication of CN114049732A publication Critical patent/CN114049732A/zh
Application granted granted Critical
Publication of CN114049732B publication Critical patent/CN114049732B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
    • G08B13/19613—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本申请涉及变电站视频监控方法、系统及存储介质。本申请实时采集变电站的各个场景的视频；分析所采集视频的清晰度是否异常，并根据异常情况发出清晰度异常警报；检测所采集视频的视频帧是否属于低照度视频帧，是则通过低照度图像增强模型对低照度的视频帧进行增强获取增强视频帧，所述增强视频帧不属于低照度视频帧；将增强视频帧和非低照度视频帧按时序制成目标视频；通过变电站监控模型对目标视频进行分析，判断变电站内是否发生入侵或违规；是则向后台及客户端发送入侵或违规警示消息，保存记录入侵和违规的目标视频。本申请进行变电站监控所应用的场景范围更广，能够有效避免人为干扰对变电站监控分析的影响，变电站监控分析的稳定性更强。

Description

一种变电站视频监控方法、系统及存储介质
技术领域
本申请涉及监控领域，尤其涉及一种变电站视频监控方法、系统及存储介质。
背景技术
随着深度卷积神经网络的发展，变电站的监控方式也发生极大的进步，由深度卷积神经网络模型分析变电站场景视频的监控方式逐步取代了传统通过摄像装置采集视频，再由人工对所采集图像进行查看以判断变电站是否发生可疑人员入侵、偷窃、人员违规操作的方式。
深度卷积神经网络模型分析变电站场景的过程，需要基于摄像头提供变电站场景的相对清晰的视频。在实际应用中，摄像头成像的效果往往会受到多种因素的影响，如成像的光照条件、如摄像头本身镜头清洁度。而成像的光照情况和摄像头镜头的清洁情况会被人为的影响。如：在摄像头受到人为创造的干扰光照条件影响时，摄像头所采集视频的视频帧对于深度卷积神经网络模型来说缺乏特征，从而使得深度卷积神经网络模型无法对变电站场景进行分析。具体例子包括：摄像头在低照度情况下成像，成像整体亮度较暗、噪声较多、颜色失真，图像灰度分布不均匀，这种情况下的成像无法进一步进行分析。在摄像头的镜头涂抹污物或者覆盖干扰镜片，使得摄像头的清晰度造成影响。
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，本申请提供一种变电站视频监控方法、系统及存储介质。
第一方面，本申请提供一种变电站视频监控方法，包括：
实时采集变电站的各个场景的视频；
分析所采集视频的清晰度是否异常，并根据异常情况发出清晰度异常警报；
检测所采集视频的视频帧是否属于低照度视频帧，是则通过低照度图像增强模型对低照度的视频帧进行增强获取增强视频帧，所述增强视频帧不属于低照度视频帧；
将增强视频帧和非低照度视频帧按时序制成目标视频；
通过变电站监控模型对目标视频进行分析，判断变电站内是否发生入侵或违规；
是则向后台及客户端发送入侵或违规警示消息，保存记录入侵和违规的目标视频。
更进一步地，分析所采集视频的清晰度是否异常，并根据异常情况发出清晰度异常警报包括：
预设RGB色差距离阈值和灰度变化阈值；
获取所述视频的视频帧，将视频帧转化为RGB图和灰度图；
利用RGB图计算视频帧的RGB色差距离值，利用灰度图计算视频帧的灰度变化值；
比较视频帧的RGB色差距离值和RGB色差距离阈值和视频帧的灰度变化值和灰度变化阈值判断视频帧是否清晰异常；
对发生清晰异常的视频帧的持续帧数或者持续时间进行统计。
判断持续帧数是否超出预设的帧数阈值或者持续时间是否超出预设的持续时间阈值；是则，发出清晰度异常警报。
更进一步地，所述检测所采集视频的视频帧是否属于低照度视频帧包括：
预设亮度阈值；
获取所述视频的视频帧转化为HSV并计算视频帧的平均亮度；
比较预设的亮度阈值与视频帧的平均亮度判断视频帧是否属于低照度视频帧。
更进一步地，所述低照度图像增强模型采用信道分割注意力网络，信道分割注意力网络的网络架构包括浅层特征提取网络、非线性映射网络和图像增强网络，其中，所述浅层特征提取网络的输出为非线性映射网络的输入，非线性映射网络的输出为图像增强网络的输出；所述非线性映射网络包括残差网络分支和稠密网络分支，所述残差网络分支和所述稠密网络分支之间设置注意力模块。
更进一步地，通过LOL数据集对信道分割注意力网络进行训练获取低照度图像增强模型。
更进一步地，将增强视频帧和非低照度视频帧按时序制成目标视频包括：
按时序排列增强视频帧和非低照度视频帧；
按照时序组合增强视频帧和非低照度视频帧形成目标视频。
更进一步地，所述变电站监控模块包括Yolo子模块和分类子模块，其中所述Yolo子模块用于向分类子模块提供目标视频帧，所述目标视频帧中的人像被Yolo子模块抓取，所述分类子模块对目标视频帧进行分类。
更进一步地，利用Yolo子模块创建分类子模块的训练集和测试集，利用Yolo子模块所创建的训练集和测试集训练获取分类子模块。
第二方面，本申请提供一种变电站视频监控系统，包括：采集模块，所述采集模块用于采集变电站中各个场景的视频；
第一判断模块，所述第一判断模块用于判断所采集视频的视频帧的清晰度是否异常，并对异常情况进行分析；
第二判断模块，所述第一判断模块用于判断采集视频的视频帧是否属于低照度视频帧；
第一运算模块，所述第一运算模块部署低照度图像增强模型，对低照度视频帧进行增强获取增强视频帧；
目标视频生成模块，所述目标视频生成模块将增强视频帧和非低照度视频帧按时序制成目标视频；
第二运算模块，所述第二运算模块部署变电站监控模型，对目标视频进行分析；
后台服务器，所述后台服务器通过网络连接第二运算模块和客户端。
第三方面，本申请提供一种实现变电站视频监控方法的存储介质，所述实现变电站视频监控方法的存储介质存储至少一条指令，读取并执行所述指令实现所述的变电站视频监控方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：
应用本申请，所获取的视频缺乏可进一步通过变电站监视模型分析的特征时，能够通过低照度图像增强模型对视频的低照度视频帧进行增强，获取增强视频帧，再将增强视频帧和非低照度视频帧按时序制成目标视频，通过变电站监控模型对目标视频的目标视频帧进行处理分类，实现在低照度的情况下对变电站的场景进行监视分析。应用的场景范围更广，能够有效避免人为干扰对变电站监控分析的影响，变电站监控分析的稳定性更强；且在一定程度上能够降低采集模块配置的照明系统要求，降低采集模块的成本。
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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，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为本申请实施例提供的变电站视频监控方法的流程图；
图2为本申请实施例提供的分析所采集视频的清晰度是否异常，并根据异常情况发出清晰度异常警报的流程图；
图3为本申请实施例提供的检测所采集视频的视频帧是否属于低照度视频帧的流程图；
图4为本申请实施例提供的低照度图像增强模型的整体网络架构示意图；
图5为本申请实施例提供的低照度图像增强模型的中非线性映射网络的具体架构示意图；
图6为本申请实施例提供的非线性映射网络中注意力模块的具体架构示意图；
图7为本申请实施例提供的实现变电站视频监控系统的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例1
参阅图1所示，本申请实施例提供一种变电站视频监控方法，包括：
S100，实时采集变电站的各个场景的视频；具体的，将采集模块配置于变电站的各个场景中，通过多个采集模块实施采集变电站各个场景的视频，所述采集模块采用摄像头。
S200，分析所采集视频的清晰度是否异常，并根据异常情况发出清晰度异常警报；具体实施过程中，参阅图2所示，所述分析所采集视频的清晰度是否异常，并根据异常情况发出清晰度异常警报包括：
S201，预设RGB色差距离阈值、灰度变化阈值、帧数阈值和持续时间阈值。
S202，按时序获取所述视频的视频帧，将获取的视频帧转化为RGB图和灰度图；具体的，将所述视频逐帧分解获取所述视频帧。
S203，利用RGB图计算视频帧的RGB色差距离值，利用灰度图计算视频帧的灰度变化值；
S204，比较视频帧的RGB色差距离值是否超过RGB色差距离阈值和视频帧的灰度变化值是否超过灰度变化阈值；否则循环执行S202。
S205，是则判断视频帧清晰异常。
S206，对发生清晰异常的视频帧的持续帧数或者持续时间进行统计。具体的，从清晰异常开始的视频帧开始，对发生清晰异常的视频帧的持续帧数或者持续时间进行统计。
S207，判断持续帧数是否超出预设的帧数阈值或者持续时间是否超出预设的持续时间阈值；否则循环执行S206。
S208，是则，发出清晰度异常警报。具体的，所述清晰度异常报警内容包括发声清晰度异常的摄像头。
S300，检测所采集视频的视频帧是否属于低照度视频帧，是则执行S400。具体实施过程中，参阅图3所示，所述检测所采集视频的视频帧是否属于低照度视频帧包括：
S301，预设亮度阈值。
S302，按时序获取所述视频的视频帧，将视频帧转化为HSV并计算视频帧的平均亮度。
S303，比较视频帧的平均亮度是否低于预设的亮度阈值，否则循环执行S302。
S304，是则判断视频帧属于低照度视频帧。
S400，通过低照度图像增强模型对低照度的视频帧进行增强以获取增强视频帧，所述增强视频帧不属于低照度视频帧。具体的，参阅图4所示，所述低照度图像增强模型采用信道分割注意力网络，信道分割注意力网络的网络架构包括浅层特征提取网络、非线性映射网络和图像增强网络，其中，所述浅层特征提取网络的输出为非线性映射网络的输入，非线性映射网络的输出为图像增强网络的输出；所述非线性映射网络包括残差网络分支和稠密网络分支，所述残差网络分支和所述稠密网络分支之间设置注意力模块。
其中，基于paddle架构定义的浅层特征提取网络类的定义如下：
FeatureExtract类为浅层特征提取网络类；FeatureExtract类中的forward定义了浅层特征网络的结构，利用FeatureExtract类创建浅层特征提取网络。
基于paddle架构定义的非线性映射网络类的定义如下：
NonlinearMapping类为非线性映射网络类；NonlinearMapping类中的forward定义了非线性映射网络的结构，利用NonlinearMapping类创建非线性映射网络。
在NonlinearMapping类中的创建csams对象的CSAM类、CSAB类、残差网络分支类(Res_Branch)、稠密网络分支类(Den_Branch)以及注意力模块类(Attention)的定义如下：
利用NonlinearMapping、CSAM类、CSAB类、残差网络分支类(Res_Branch)、稠密网络分支类(Den_Branch)以及注意力模块类(Attention)创建非线性映射网络。
基于paddle架构定义的图像增强网络类定义如下：
ImageReconstruction类为图像增强网络类、利用ImageReconstruct ion类创建图像增强网络。
通过LOL数据集对信道分割注意力网络进行训练获取低照度图像增强模型。所述LOL数据集为包含物体低照度图像和正常照度图像的数据集。
S500，将增强视频帧和非低照度视频帧按时序制成目标视频；具体的，按时序排列增强视频帧和非低照度视频帧，按照时序组合增强视频帧和非低照度视频帧形成目标视频。
S600，通过变电站监控模型对目标视频进行分析，判断变电站内是否发生入侵或违规；是则执行S700。具体的，所述变电站监控模块包括Yolo子模块和分类子模块，其中所述Yolo子模块用于向分类子模块提供目标视频帧，所述目标视频帧中的人像被Yolo子模块抓取，所述分类子模块对目标视频帧进行分类。利用Yolo子模块创建分类子模块的训练集和测试集，利用Yolo子模块所创建的训练集和测试集训练获取分类子模块。
S700，向后台及客户端发送入侵或违规警示消息，保存记录入侵和违规的目标视频。
实施例2
参阅图7所示，本申请实施例提供一种变电站视频监控系统。所述变电站视频监控系统包括：采集模块，所述采集模块用于采集变电站中各个场景的视频；具体的，所述采集模块为监控摄像头。
第一判断模块，所述第一判断模块用于判断所采集视频的视频帧的清晰度是否异常，并对异常情况进行分析；
第二判断模块，所述第一判断模块用于判断采集视频的视频帧是否属于低照度视频帧；
第一运算模块，所述第一运算模块部署低照度图像增强模型，对低照度视频帧进行增强获取增强视频帧；
目标视频生成模块，所述目标视频生成模块将增强视频帧和非低照度视频帧按时序制成目标视频；
第二运算模块，所述第二运算模块部署变电站监控模型，对目标视频进行分析；
后台服务器，所述后台服务器通过网络连接第二运算模块和客户端。所述后台服务器向客户端提供基于采集模块、第一判断模块、第二判断模块、第一运算模块、目标视频生成模块和第二运算模块的变电站监控服务，变电站监控服务包括：
在第一判断模块统计清晰度异常的持续帧数超过帧数阈值或者持续时间超过持续时间时，向客户端发送清晰度异常报警；
在变电站监控模型分析目标视频中存在入侵或违规行为时存储记录入侵和违规的目标视频。
实施例3
本申请实施例提供一种实现变电站视频监控方法的存储介质。所述实现变电站视频监控方法的存储介质存储至少一条指令，读取并执行所述指令实现所述的变电站视频监控方法。
本申请能够在所获取的视频缺乏可进一步通过变电站监视模型分析的特征时，能够通过低照度图像增强模型对视频的低照度视频帧进行增强，获取增强视频帧，再将增强视频帧和非低照度视频帧按时序制成目标视频，通过变电站监控模型对目标视频的目标视频帧进行处理分类，实现在低照度的情况下对变电站的场景进行监视分析。应用的场景范围更广，能够有效避免人为干扰对变电站监控分析的影响，变电站监控分析的稳定性更强；且在一定程度上能够降低采集模块配置的照明系统要求，降低采集模块的成本。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种变电站视频监控方法，其特征在于，包括：
实时采集变电站的各个场景的视频；
分析所采集视频的清晰度是否异常，并根据异常情况发出清晰度异常警报，包括：预设RGB色差距离阈值和灰度变化阈值；获取所述视频的视频帧，将视频帧转化为RGB图和灰度图；利用RGB图计算视频帧的RGB色差距离值，利用灰度图计算视频帧的灰度变化值；比较视频帧的RGB色差距离值和RGB色差距离阈值和视频帧的灰度变化值和灰度变化阈值判断视频帧是否清晰异常；对发生清晰异常的视频帧的持续帧数或者持续时间进行统计;判断持续帧数是否超出预设的帧数阈值或者持续时间是否超出预设的持续时间阈值；是则，发出清晰度异常警报；
检测所采集视频的视频帧是否属于低照度视频帧，是则通过低照度图像增强模型对低照度的视频帧进行增强获取增强视频帧，所述增强视频帧不属于低照度视频帧；其中，所述低照度图像增强模型采用信道分割注意力网络；所述信道分割注意力网络的网络架构包括浅层特征提取网络、非线性映射网络和图像增强网络，其中，所述浅层特征提取网络的输出为非线性映射网络的输入，非线性映射网络的输出为图像增强网络的输出；所述非线性映射网络包括残差网络分支和稠密网络分支，所述残差网络分支和所述稠密网络分支之间设置注意力模块；
将增强视频帧和非低照度视频帧按时序制成目标视频；
通过变电站监控模型对目标视频进行分析，判断变电站内是否发生入侵或违规；
是则向后台及客户端发送入侵或违规警示消息，保存记录入侵和违规的目标视频。
2.根据权利要求1所述变电站视频监控方法，其特征在于，所述检测所采集视频的视频帧是否属于低照度视频帧包括：
预设亮度阈值；
获取所述视频的视频帧转化为HSV并计算视频帧的平均亮度；
比较预设的亮度阈值与视频帧的平均亮度判断视频帧是否属于低照度视频帧。
3.根据权利要求1所述变电站视频监控方法，其特征在于，通过LOL数据集对信道分割注意力网络进行训练获取低照度图像增强模型。
4.根据权利要求1所述变电站视频监控方法，其特征在于，将增强视频帧和非低照度视频帧按时序制成目标视频包括：
按时序排列增强视频帧和非低照度视频帧；
按照时序组合增强视频帧和非低照度视频帧形成目标视频。
5.根据权利要求1所述变电站视频监控方法，其特征在于，所述变电站监控模块包括Yolo子模块和分类子模块，其中所述Yolo子模块用于向分类子模块提供目标视频帧，所述目标视频帧中的人像被Yolo子模块抓取，所述分类子模块对目标视频帧进行分类。
6.根据权利要求5所述变电站视频监控方法，其特征在于，利用Yolo子模块创建分类子模块的训练集和测试集，利用Yolo子模块所创建的训练集和测试集训练获取分类子模块。
7.一种变电站视频监控系统，其特征在于，包括：采集模块，所述采集模块用于采集变电站中各个场景的视频；
第一判断模块，所述第一判断模块用于判断所采集视频的视频帧的清晰度是否异常，并对异常情况进行分析，包括：预设RGB色差距离阈值和灰度变化阈值；获取所述视频的视频帧，将视频帧转化为RGB图和灰度图；利用RGB图计算视频帧的RGB色差距离值，利用灰度图计算视频帧的灰度变化值；比较视频帧的RGB色差距离值和RGB色差距离阈值和视频帧的灰度变化值和灰度变化阈值判断视频帧是否清晰异常；对发生清晰异常的视频帧的持续帧数或者持续时间进行统计;判断持续帧数是否超出预设的帧数阈值或者持续时间是否超出预设的持续时间阈值；是则，发出清晰度异常警报；
第二判断模块，所述第一判断模块用于判断采集视频的视频帧是否属于低照度视频帧；
第一运算模块，所述第一运算模块部署低照度图像增强模型，对低照度视频帧进行增强获取增强视频帧；其中，所述低照度图像增强模型采用信道分割注意力网络；所述信道分割注意力网络的网络架构包括浅层特征提取网络、非线性映射网络和图像增强网络，其中，所述浅层特征提取网络的输出为非线性映射网络的输入，非线性映射网络的输出为图像增强网络的输出；所述非线性映射网络包括残差网络分支和稠密网络分支，所述残差网络分支和所述稠密网络分支之间设置注意力模块；
目标视频生成模块，所述目标视频生成模块将增强视频帧和非低照度视频帧按时序制成目标视频；
第二运算模块，所述第二运算模块部署变电站监控模型，对目标视频进行分析。
8.一种实现变电站视频监控方法的存储介质，其特征在于，所述实现变电站视频监控方法的存储介质存储至少一条指令，处理单元读取并执行所述指令实现如权利要求1-6任一所述的变电站视频监控方法。
CN202111148237.0A 2021-09-29 2021-09-29 一种变电站视频监控方法、系统及存储介质 Active CN114049732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111148237.0A CN114049732B (zh) 2021-09-29 2021-09-29 一种变电站视频监控方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111148237.0A CN114049732B (zh) 2021-09-29 2021-09-29 一种变电站视频监控方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN114049732A CN114049732A (zh) 2022-02-15
CN114049732B true CN114049732B (zh) 2023-07-21

Family

ID=80205010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111148237.0A Active CN114049732B (zh) 2021-09-29 2021-09-29 一种变电站视频监控方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN114049732B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104902265A (zh) * 2015-05-22 2015-09-09 深圳市赛为智能股份有限公司 一种基于背景边缘模型的摄像机异常检测方法及系统
CN105678717A (zh) * 2016-03-02 2016-06-15 合一网络技术(北京)有限公司 动态视频图像清晰度强化方法及装置
CN111105439A (zh) * 2019-11-28 2020-05-05 同济大学 一种使用残差注意力机制网络的同步定位与建图方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202085261U (zh) * 2010-12-14 2011-12-21 广东鑫程电子科技有限公司 智能视频诊断监控系统
CN102413356B (zh) * 2011-12-30 2014-04-16 武汉烽火众智数字技术有限责任公司 视频清晰度检测系统及其检测方法
CN104156921B (zh) * 2014-08-08 2017-02-22 大连理工大学 一种低照度或亮度不均图像的自适应图像增强方法
CN105447830B (zh) * 2015-11-27 2018-05-25 合一网络技术(北京)有限公司 动态视频图像清晰度强化方法及装置
CN107272637B (zh) * 2017-06-06 2019-08-30 武汉瑞科兴业科技有限公司 一种视频监控系统故障自检自恢复控制系统及方法
CN110933323B (zh) * 2018-09-19 2021-06-22 深圳市航盛电子股份有限公司 一种车载视频显示装置及显示方法
CN111340732B (zh) * 2020-02-28 2022-10-14 新疆大学 一种低照度视频图像增强方法及装置
CN111339977A (zh) * 2020-03-03 2020-06-26 河南中光学集团有限公司 一种基于远程视频监控的小目标智能识别系统及其识别方法
CN111833318A (zh) * 2020-06-30 2020-10-27 佛山科学技术学院 一种基于图像处理的轴承异常检测方法及装置
CN111783744A (zh) * 2020-07-31 2020-10-16 上海仁童电子科技有限公司 一种操作现场安全防护检测方法及装置
CN111915526A (zh) * 2020-08-05 2020-11-10 湖北工业大学 一种基于亮度注意力机制低照度图像增强算法的摄影方法
CN112435191B (zh) * 2020-11-25 2024-04-16 西安交通大学 一种基于多个神经网络结构融合的低照度图像增强方法
CN112767259A (zh) * 2020-12-29 2021-05-07 上海联影智能医疗科技有限公司 图像处理方法、装置、计算机设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104902265A (zh) * 2015-05-22 2015-09-09 深圳市赛为智能股份有限公司 一种基于背景边缘模型的摄像机异常检测方法及系统
CN105678717A (zh) * 2016-03-02 2016-06-15 合一网络技术(北京)有限公司 动态视频图像清晰度强化方法及装置
CN111105439A (zh) * 2019-11-28 2020-05-05 同济大学 一种使用残差注意力机制网络的同步定位与建图方法

Also Published As

Publication number Publication date
CN114049732A (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
US10070053B2 (en) Method and camera for determining an image adjustment parameter
Goljan Digital camera identification from images–estimating false acceptance probability
KR101023207B1 (ko) 영상 객체 추출 장치 및 그 방법
US8224088B2 (en) Method for background generation and its system for video surveillance
CN104966266B (zh) 自动模糊身体部位的方法及系统
CN108596140A (zh) 一种移动终端人脸识别方法及系统
Karaman et al. Comparison of static background segmentation methods
US10452922B2 (en) IR or thermal image enhancement method based on background information for video analysis
AU2010241260A1 (en) Foreground background separation in a scene with unstable textures
Fayyaz et al. An improved surveillance video forgery detection technique using sensor pattern noise and correlation of noise residues
KR101553589B1 (ko) Lpr 시스템에서 적응적 확률기반의 저조도 영상개선 및 스미어 복원처리 장치와 그 방법
CN106683409A (zh) 一种重型卡车摄像识别管理方法及其系统
CN113936252A (zh) 基于视频监控的电瓶车智能管理系统及方法
CN114140481A (zh) 一种基于红外图像的边缘检测方法、装置
JP6266946B2 (ja) 監視カメラ及び画像監視装置
CN114049732B (zh) 一种变电站视频监控方法、系统及存储介质
CN110062150A (zh) 一种自动对焦方法及装置
KR102346752B1 (ko) 저시정 영상개선 기능을 갖는 영상처리 시스템 및 이의 영상처리 방법
Deepika et al. Motion Detection In Real-Time Video Surveillance With Movement Frame Capture And Auto Record
KR102122853B1 (ko) 외부기기 제어가 가능한 모니터링시스템
KR101563543B1 (ko) 경차 및 이륜차 인식을 위한 lpr 시스템
Thakur et al. Classification of color hazy images
Liu et al. Perceptually relevant ringing region detection method
CN117011288B (zh) 视频质量诊断方法及系统
CN115409753B (zh) 图像融合方法、装置、电子设备及计算机可读存储介质

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