CN114066892A - 安全隐患检测方法、装置、电子设备及可读存储介质 - Google Patents
安全隐患检测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN114066892A CN114066892A CN202210046073.9A CN202210046073A CN114066892A CN 114066892 A CN114066892 A CN 114066892A CN 202210046073 A CN202210046073 A CN 202210046073A CN 114066892 A CN114066892 A CN 114066892A
- Authority
- CN
- China
- Prior art keywords
- safety hazard
- potential safety
- image
- white
- building site
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 147
- 238000010276 construction Methods 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 31
- 239000000428 dust Substances 0.000 claims description 28
- 239000000779 smoke Substances 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims 1
- 230000009466 transformation Effects 0.000 description 13
- 238000013145 classification model Methods 0.000 description 12
- 239000007787 solid Substances 0.000 description 11
- 238000011109 contamination Methods 0.000 description 9
- 239000002245 particle Substances 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000003014 reinforcing effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 210000003128 head Anatomy 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 101150077939 mapA gene Proteins 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
Abstract
本申请公开了安全隐患检测方法、装置、电子设备及可读存储介质，应用于图像处理技术领域，所述安全隐患检测方法包括：获取建筑工地图像，对所述建筑工地图像进行安全隐患判别，以判断所述建筑工地图像中是否存在安全隐患；若存在安全隐患，则对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果，其中，所述安全隐患包括：火灾安全隐患、白色安全隐患以及坍塌安全隐患中至少之一。本申请解决了现有技术中建筑工地中安全隐患检测准确率低的技术问题。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种安全隐患检测方法、装置、电子设备及可读存储介质。
背景技术
随着人工智能的不断发展，图像识别技术也在房地产、金融以及教育等众多领域，得到了越来越广泛的应用，其中，图像识别技术在房地产领域的应用前景更是人们关注的焦点，目前，通常情况下会在监控室配置专门的工作人员，以实时检测施工现场的安全隐患问题，但是，由于建筑工地存在大量摄像头且安全隐患情况复杂，同时，检测的过程依赖于工作人员的主观判断，进而导致通过人力无法持续准确判别监控设备上的图像是否为安全隐患图像，进而易造成无法挽回的损失，所以，建筑工地中安全隐患检测准确率低。
发明内容
本申请的主要目的在于提供一种安全隐患检测方法、装置、电子设备及可读存储介质，旨在解决现有技术中建筑工地中安全隐患检测准确率低的技术问题。
为实现上述目的，本申请提供一种安全隐患检测方法，所述安全隐患检测方法包括：
获取建筑工地图像，对所述建筑工地图像进行安全隐患判别，以判断所述建筑工地图像中是否存在安全隐患；
若存在安全隐患，则对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果，其中，所述安全隐患包括：火灾安全隐患、白色安全隐患以及坍塌安全隐患中至少之一。
可选地，所述对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果的步骤包括：
对所述建筑工地图像进行图像增强，以增强所述建筑工地图像的白色区域，得到建筑工地增强图像；
对所述建筑工地增强图像进行白色安全隐患检测，得到白色安全隐患检测结果。
可选地，所述白色安全隐患包括烟雾安全隐患和扬尘安全隐患，
在所述对所述建筑工地增强图像进行白色安全隐患检测，得到白色安全隐患检测结果的步骤之后，所述安全隐患检测方法还包括：
若所述白色安全隐患检测结果为存在白色安全隐患，则对所述建筑工地增强图像进行图像分割，得到白色区域图像；
获取所述白色区域图像的白色像素点密度；
依据所述白色像素点密度，判断所述白色安全隐患为所述烟雾安全隐患还是所述扬尘安全隐患。
可选地，所述依据所述白色像素点密度，判断所述白色安全隐患为所述烟雾安全隐患还是所述扬尘安全隐患的步骤包括：
判断所述白色像素点密度是否大于预设白色像素点密度阈值；
若大于，则判定所述白色安全隐患为所述烟雾安全隐患；
若不大于，则判定所述白色安全隐患为所述扬尘安全隐患。
可选地，所述对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果的步骤包括：
对所述建筑工地图像进行灰度化，以增强所述建筑工地图像的火焰颜色区域，得到建筑工地灰度化图像；
对所述建筑工地灰度化图像进行火灾安全隐患检测，得到火灾安全隐患检测结果。
可选地，所述对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果的步骤包括：
对所述建筑工地图像进行坍塌安全隐患检测，得到坍塌安全隐患检测结果。
可选地，在所述获取建筑工地图像，对所述建筑工地图像进行安全隐患判别，以判断所述建筑工地图像中是否存在安全隐患的步骤之后，所述安全隐患检测方法还包括：
若存在安全隐患，则在所述建筑工地图像对应的监控设备处显示告警界面；
若不存在安全隐患，则继续采集所述建筑工地图像。
为实现上述目的，本申请还提供一种安全隐患检测装置，所述安全隐患检测装置包括：
获取模块，用于获取建筑工地图像，对所述建筑工地图像进行安全隐患判别，以判断所述建筑工地图像中是否存在安全隐患；
检测模块，用于若存在安全隐患，则对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果，其中，所述安全隐患包括：火灾安全隐患、白色安全隐患以及坍塌安全隐患中至少之一。
可选地，所述检测模块还用于：
对所述建筑工地图像进行图像增强，以增强所述建筑工地图像的白色区域，得到建筑工地增强图像；
对所述建筑工地增强图像进行白色安全隐患检测，得到白色安全隐患检测结果。
可选地，所述白色安全隐患包括烟雾安全隐患和扬尘安全隐患，所述检测模块还用于：
若所述白色安全隐患检测结果为存在白色安全隐患，则对所述建筑工地增强图像进行图像分割，得到白色区域图像；
获取所述白色区域图像的白色像素点密度；
依据所述白色像素点密度，判断所述白色安全隐患为所述烟雾安全隐患还是所述扬尘安全隐患。
可选地，所述检测模块还用于：
判断所述白色像素点密度是否大于预设白色像素点密度阈值；
若大于，则判定所述白色安全隐患为所述烟雾安全隐患；
若不大于，则判定所述白色安全隐患为所述扬尘安全隐患。
可选地，所述检测模块还用于：
对所述建筑工地图像进行灰度化，以增强所述建筑工地图像的火焰颜色区域，得到建筑工地灰度化图像；
对所述建筑工地灰度化图像进行火灾安全隐患检测，得到火灾安全隐患检测结果。
可选地，所述检测模块还用于：
对所述建筑工地图像进行坍塌安全隐患检测，得到坍塌安全隐患检测结果。
可选地，所述安全隐患检测装置还用于：
若存在安全隐患，则在所述建筑工地图像对应的监控设备处显示告警界面；
若不存在安全隐患，则继续采集所述建筑工地图像。
本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述安全隐患检测方法的程序，所述安全隐患检测方法的程序被处理器执行时可实现如上述的安全隐患检测方法的步骤。
本申请还提供一种可读存储介质，所述可读存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有实现安全隐患检测方法的程序，所述安全隐患检测方法的程序被处理器执行时实现如上述的安全隐患检测方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的安全隐患检测方法的步骤。
本申请提供了一种安全隐患检测方法、装置、电子设备及可读存储介质，相比于现有技术中配置专门的工作人员实时检测施工现场的安全隐患图像的技术手段，本申请首先获取建筑工地图像，对所述建筑工地图像进行安全隐患判别，以判断所述建筑工地图像中是否存在安全隐患，进而若存在安全隐患，则对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果，其中，所述安全隐患包括：火灾安全隐患、白色安全隐患以及坍塌安全隐患中至少之一。可实现通过图像识别的方式从火灾安全隐患、白色安全隐患以及坍塌安全隐患四个方面对监控摄像头中的图像进行全自动检测的目的，而非依据工作人员通过肉眼去检测监控摄像头中的图像是否为安全隐患图像，而由于采用图像识别的检测方式更加智能和全面，所以克服了现有技术中由于依赖工作人员的主观判断而出现漏检或错检的技术缺陷，所以，提升了安全隐患检测的准确性。
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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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为本申请安全隐患检测方法中第一实施例的流程示意图；
图2为本申请安全隐患检测方法中第二实施例的流程示意图；
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的实现、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
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
本申请实施例提供一种安全隐患检测方法，在本申请安全隐患检测方法的第一实施例中，参照图1，所述安全隐患检测方法包括：
步骤S10，获取建筑工地图像，对所述建筑工地图像进行安全隐患判别，以判断所述建筑工地图像中是否存在安全隐患；
步骤S20，若存在安全隐患，则对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果，其中，所述安全隐患包括：火灾安全隐患、白色安全隐患以及坍塌安全隐患中至少之一。
在本实施例中，需要说明的是，所述建筑工地图像为建筑工地部署的摄像头拍摄的图像，通过摄像头拍摄的图像，可以检测施工现场是否存在安全隐患，所述安全隐患包括火灾安全隐患、白色安全隐患以及坍塌安全隐患中至少之一，其中，所述火灾安全隐患可以为施工现场存在火焰，所述白色安全隐患为施工现场存在的固体颗粒物污染度超过固体颗粒物污染阈值，所述坍塌安全隐患可以为坍塌物倾斜程度超过预设倾斜程度阈值，所述坍塌隐患物可以为吊塔塔身、建筑墙体以及建筑悬梁等等。
步骤S10至S20包括：周期性获取建筑工地图像，对所述建筑工地图像进行预处理，得到预处理图像，通过预设建筑工地图像分类模型对所述预处理图像进行图像分类，得到图像分类标签，依据所述图像分类标签对所述建筑工地图像进行安全隐患判别，以判断所述建筑工地图像中是否存在安全隐患，其中，所述周期性获取的周期可设置为5s、10s以及15s等等；若所述建筑工地图像中存在安全隐患，则通过所述图像分类标签确定的安全隐患检测模型对所述建筑工地图像进行多分类，判断所述建筑工地图像的安全隐患，得到安全隐患检测结果，所述安全隐患包括：火灾安全隐患、烟雾安全隐患、扬尘安全隐患以及坍塌安全隐患中至少之一。其中，所述预设建筑工地图像分类模型为二分类模型，用于对建筑工地图像进行二分类，输出对应的二分类标签，例如，可设置当二分类标签为0时，则表示存在安全隐患，设置当二分类标签为1时，则表示不存在安全隐患。所述安全隐患检测模型为多分类模型，用于对建筑工地图像进行分类，输出对应的图像分类标签，所述图像分类标签与所述安全隐患检测模型一一对应，所述图像分类标签可以为火灾隐患图像标签、烟雾隐患图像标签、扬尘隐患图像标签以及坍塌隐患图像标签中的任意一种；所述安全隐患检测模型可以为火灾安全隐患检测模型、白色安全隐患检测模型以及坍塌安全隐患检测模型中的任意一种；所述火灾安全隐患检测模型对应所述火灾隐患图像标签，用于检测图像中是否存在火灾安全隐患；所述白色安全隐患检测模型对应所述白色隐患图像标签，用于检测图像中是否存在白色安全隐患；所述坍塌安全隐患检测模型对应所述坍塌隐患图像标签，用于检测图像中是否存在坍塌安全隐患。
在一种可实施的方式中，所述预设建筑工地图像分类模型的构建步骤如下：从建筑工地的图像数据库中采集大量的安全隐患图像，其中，所述安全隐患图像可以为火灾安全隐患图像、白色安全隐患图像以及坍塌安全隐患图像中的任意一种；对各所述安全隐患图像进行预处理操作，其中，所述预处理操作具体包括：将各所述安全隐患图像统一调整为预设长宽比，其中，所述预设长宽比可以为800*600、1200*800以及1000*500等等；通过预设加权公式对调整后的安全隐患图像进行灰度化，其中，所述预设加权公式可以为：
，其中，R为像素点颜色通道中的红色色值，G为表示像素点颜色通道中的绿色色值，B为像素点颜色通道中的蓝色色值，L为像素点灰度化后的颜色值，R、G、B以及L的取值范围均为0~255；对灰度化后的安全隐患图像进行几何变换操作，其中，进行几何变换的方式可以为采用三线性插值的方式；对几何变换后的安全隐患图像进行图像增强，其中，图像增强的方式为先利用预设图像反转公式进行图像反转，再通过对数变换公式进行对数增强，其中，所述预设图像反转公式可以为：
，其中，
为像素点变换前的颜色值，
为像素点变换后的颜色值，
和
的取值范围均为0~255，所述对数变换公式可以为：
,其中，r为像素点变换前颜色值归一化后的值，S为像素点进行变换后的值，r和S的取值范围为0~1，c为常数，具体取值可以为
;将预处理操作后的各所述安全隐患图像作为训练集，训练依据DenseNet算法搭建的分类模型，得到预设建筑工地图像分类模型，其中，所述安全隐患图像的预处理流程和所述建筑工地图像的预处理流程一致，以保证二分类结果的准确性。
由于在预设建筑工地图像分类模型构建的过程中，所述预设建筑工地图像分类模型的训练图像均通过预设加权公式对R和G进行加权，进而采用预设建筑工地分类模型对建筑工地图像进行识别时，能够更加准确地判断图像中是否存在火灾颜色，同时，由于所述预设建筑工地图像分类模型的训练图像均通过预设图像反转公式以及对数变换公式对图像的白色进行增强，进而采用预设建筑工地分类模型对建筑工地进行识别时，能够更加准确地判断图像中是否存在烟雾或扬尘，所以，提升了图像识别的准确率。
其中，所述对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果的步骤包括：
步骤A10，对所述建筑工地图像进行图像增强，以增强所述建筑工地图像的白色区域，得到建筑工地增强图像；
步骤A20，对所述建筑工地增强图像进行白色安全隐患检测，得到白色安全隐患检测结果。
在本实施例中，需要说明的是，所述建筑工地增强图像为图像增强后的建筑工地图像，在一种可实施的方式中，所述图像增强的流程具体为：将所述建筑工地图像调整为预设长宽比，并采用预设图像反转公式进行图像反转，再通过对数变换公式进行对数增强，其中，所述预设图像反转公式可以为：
，其中，
为像素点变换前的颜色值，
为像素点变换后的颜色值,
和
的取值范围均为0~255，所述对数变换公式可以为:
，其中，r为像素点变换前颜色值归一化后的值，S为像素点进行变换后的值，r和S的取值范围为0~1，c为常数，具体取值可以为
,用于提升建筑工地图像中的白色像素点，所述预设长宽比800*600、1200*800以及1000*500等等，用于规避图像尺寸引起的特征提取误差。
另外地，需要说明的是，所述白色安全隐患的检测方式为通过白色安全隐患检测模型的方式，白色安全隐患检测结果包括存在白色安全隐患和不存在白色安全隐患。
作为一种示例，步骤A10包括：将所述建筑工地图像的尺寸调整为预设长宽比，并采用预设图像反转公式对调整后的建筑工地图像进行图像反转，再通过对数变换公式进行对数增强，得到建筑工地增强图像；步骤A20包括：通过将所述建筑工地增强图像输入白色安全隐患检测模型，对所述建筑工地增强图像进行二分类，得到第一二分类标签，依据所述第一二分类标签，判断所述建筑工地增强图像中是否存在白色安全隐患，例如，可设置当第一二分类标签为0时，则表示存在白色安全隐患，设置当第一二分类标签为1时，则表示不存在白色安全隐患。
其中，所述对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果的步骤包括：
步骤B10，对所述建筑工地图像进行灰度化，以增强所述建筑工地图像的火焰颜色区域，得到建筑工地灰度化图像；
步骤B20，对所述建筑工地灰度化图像进行火灾安全隐患检测，得到火灾安全隐患检测结果。
在本实施例中，需要说明的是，所述火灾安全隐患的检测方式为通过火灾安全隐患检测模型的方式，火灾安全隐患检测结果包括存在火灾安全隐患和不存在火灾安全隐患。
另外地，需要说明的是，所述建筑工地灰度化图像为灰度化的建筑工地图像，在一种可实施的方式中，所述灰度化的流程具体为：将所述建筑工地图像调整为预设长宽比，并采用预设加权公式对调整后的建筑工地图像进行灰度化，其中，所述预设加权公式可以为：
，其中，R为像素点颜色通道中的红色色值，G为表示像素点颜色通道中的绿色色值，B为像素点颜色通道中的蓝色色值，L为像素点灰度化后的颜色值，R、G、B以及L的取值范围均为0~255，用于提升建筑工地图像中的红色以及黄色像素点，所述预设长宽比800*600、1200*800以及1000*500等等，用于规避图像尺寸引起的特征提取误差。
作为一种示例，步骤B10包括：将所述建筑工地图像的尺寸调整为预设长宽比，并采用预设加权公式对调整后的建筑工地图像进行灰度化，得到建筑工地灰度化图像，其中，所述建筑工地灰度化图像为调整尺寸且进行灰度化后的建筑工地图像；步骤B20包括：通过将所述建筑工地灰度化图像输入火灾安全隐患检测模型，对所述建筑工地灰度化图像进行二分类，得到第二二分类标签，依据所述第二二分类标签，判断所述建筑工地灰度化图像中是否存在火灾安全隐患，例如，可设置当第二二分类标签为0时，则表示存在火灾安全隐患，设置当第二二分类标签为1时，则表示不存在火灾安全隐患。
其中，所述对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果的步骤包括：
步骤C10，对所述建筑工地图像进行坍塌安全隐患检测，得到坍塌安全隐患检测结果。
步骤C10包括：通过将所述建筑工地图像输入至坍塌隐患检测模型，对所述坍塌隐患图像进行二分类，得到第三二分类标签，依据所述第三二分类标签，判断所述建筑图像中是否存在安全隐患，例如，可设置当第三二分类标签为0时，则表示存在坍塌安全隐患，设置当第三二分类标签为1时，则表示不存在坍塌安全隐患。实现了以图像二分类的方式，检测存在安全隐患的建筑工地图像是否存在坍塌安全隐患的目的。
关于步骤S20，所述获取建筑工地图像，对所述建筑工地图像进行安全隐患判别，以判断所述建筑工地图像中是否存在安全隐患的步骤之后，所述安全隐患检测方法还包括：
步骤D10，若存在安全隐患，则在所述建筑工地图像对应的监控设备处显示告警界面；
步骤D20，若不存在安全隐患，则继续采集所述建筑工地图像。
在本实施例中，需要说明的是，所述监控设备为部署有显示屏的监控终端，具体可以为手机以及电脑等等，所述告警界面用于提示工作人员，具体可以为具有提示性语句的提示界面，所述不存在安全隐患仅表示为不存在火灾安全隐患、白色安全隐患以及坍塌安全隐患中任意之一，具体包括没有安全隐患和存在其它安全隐患。
示例性的，步骤D10包括：若判定所述建筑工地图像存在安全隐患，则在部署有显示屏的监控终端处显示具有提示性语句的提示界面；步骤D20包括：若判定所述建筑工地图像不存在安全隐患，则继续采集建筑工地部署的摄像头拍摄的图像。
本申请实施例提供了一种安全隐患检测方法，相比于现有技术中配置专门的工作人员实时检测施工现场的安全隐患图像的技术手段，本申请首先获取建筑工地图像，对所述建筑工地图像进行安全隐患判别，以判断所述建筑工地图像中是否存在安全隐患，进而若存在安全隐患，则对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果，其中，所述安全隐患包括：火灾安全隐患、白色安全隐患以及坍塌安全隐患中至少之一。可实现通过图像识别的方式从火灾安全隐患、白色安全隐患以及坍塌安全隐患四个方面对监控摄像头中的图像进行全自动检测的目的，而非依据工作人员通过肉眼去检测监控摄像头中的图像是否为安全隐患图像，而由于采用图像识别的检测方式更加智能和全面，所以克服了现有技术中由于依赖工作人员的主观判断而出现漏检或错检的技术缺陷，所以，提升了安全隐患检测的准确性。
参照图2，在本申请另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，所述白色安全隐患包括烟雾安全隐患和扬尘安全隐患，在所述对所述建筑工地增强图像进行白色安全隐患检测，得到白色安全隐患检测结果的步骤之后，所述安全隐患检测方法还包括：
步骤E10，若所述白色安全隐患检测结果为存在白色安全隐患，则对所述建筑工地增强图像进行图像分割，得到白色区域图像；
步骤E20，获取所述白色区域图像的白色像素点密度；
步骤E30，依据所述白色像素点密度，判断所述白色安全隐患为所述烟雾安全隐患还是所述扬尘安全隐患。
在本实施例中，需要说明的是，当所述建筑工地增强图像输入至白色安全隐患模型，对所述建筑工地增强图像进行二分类，得到的二分类标签判定所述建筑工地增强图像存在白色安全隐患，由于白色安全隐患包括烟雾安全隐患和扬尘安全隐患，且肉眼无法区分烟雾安全隐患和扬尘安全隐患，进而需要分割出用于检测烟雾安全隐患和扬尘安全隐患的区域图像，也即，分割得到白色区域图像。
另外地，需要说明的是，所述烟雾安全隐患为施工现场存在的固体颗粒物污染度超过固体颗粒物污染第一阈值，所述扬尘安全隐患为施工现场存在的固体颗粒物污染度超过固体颗粒物污染第二阈值，且未超过固体颗粒物污染第一阈值，其中，所述固体颗粒物污染第一阈值大于固体颗粒物污染第二阈值，所述固体颗粒物污染第一阈值可以为80%、85%以及90%等，所述固体颗粒物污染第二阈值可以为40%、45%以及50%等等。
作为一种示例，步骤E10包括：若所述白色安全隐患检测结果为存在白色安全隐患，则对所述建筑工地增强图像进行图像分割，得到白色区域图像；步骤E20包括：获取所述白色区域图像的白色像素点个数以及像素点总个数，依据所述白色像素点个数与所述像素点总个数，确定所述白色区域图像的白色像素点密度；步骤E30包括：依据所述白色像素点密度，判断所述白色安全隐患为所述烟雾安全隐患还是所述扬尘安全隐患。
关于步骤E30，所述依据所述白色像素点密度，判断所述白色安全隐患为所述烟雾安全隐患还是所述扬尘安全隐患的步骤包括：
步骤E31，判断所述白色像素点密度是否大于预设白色像素点密度阈值；
步骤E32，若大于，则判定所述白色安全隐患为所述烟雾安全隐患；
步骤E33，若不大于，则判定所述白色安全隐患为所述扬尘安全隐患。
作为一种示例，步骤E31包括：判断所述白色区域图像的白色像素点密度是否大于白色像素点密度阈值；步骤E32包括：若所述白色区域图像的白色像素点密度大于白色像素点密度阈值，则判定所述白色安全隐患为所述烟雾安全隐患;步骤E33包括：若所述白色区域图像的白色像素点密度不大于白色像素点密度阈值，则判定所述白色安全隐患为所述扬尘安全隐患。所述白色像素点密度阈值为烟雾安全隐患的白色像素点密度的最低值，本申请实施例通过建筑工地的图像数据库采集大量烟雾安全隐患图像，通过计算各烟雾安全隐患的白色像素点密度，得到白色像素点密度阈值，进而依据白色像素点密度阈值，可判断白色安全隐患是烟雾安全隐患还是扬尘安全隐患，实现了以图像识别的方式，检测白色安全隐患的类别的目的。
本申请实施例提供了一种白色安全隐患分类方法，其中，所述白色安全隐患包括烟雾安全隐患和扬尘安全隐患，也即，首先若所述白色安全隐患检测结果为存在白色安全隐患，则对所述建筑工地增强图像进行图像分割，得到白色区域图像，进而获取所述白色区域图像的白色像素点密度，进而依据所述白色像素点密度，判断所述白色安全隐患为所述烟雾安全隐患还是所述扬尘安全隐患，若工作人员通过监控的方式进行白色安全隐患检测，则由于肉眼的限制性，导致对于白色安全隐患的分类不具有准确性，而通过像素点密度进行白色安全隐患分类，可在像素层面上精准检测出白色安全隐患的类别，无论白色安全隐患是否存在，均可进行检测，相比于通过工作人员以监控的方式进行白色安全隐患检测，提升了白色安全隐患检测的准确性。
本申请实施例还提供一种安全隐患检测装置，所述安全隐患检测装置包括：
获取模块，用于获取建筑工地图像，对所述建筑工地图像进行安全隐患判别，以判断所述建筑工地图像中是否存在安全隐患；
检测模块，用于若存在安全隐患，则对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果，其中，所述安全隐患包括：火灾安全隐患、白色安全隐患以及坍塌安全隐患中至少之一。
可选地，所述检测模块还用于：
对所述建筑工地图像进行图像增强，以增强所述建筑工地图像的白色区域，得到建筑工地增强图像；
对所述建筑工地增强图像进行白色安全隐患检测，得到白色安全隐患检测结果。
可选地，所述白色安全隐患包括烟雾安全隐患和扬尘安全隐患，所述检测模块还用于：
若所述白色安全隐患检测结果为存在白色安全隐患，则对所述建筑工地增强图像进行图像分割，得到白色区域图像；
获取所述白色区域图像的白色像素点密度；
依据所述白色像素点密度，判断所述白色安全隐患为所述烟雾安全隐患还是所述扬尘安全隐患。
可选地，所述检测模块还用于：
判断所述白色像素点密度是否大于预设白色像素点密度阈值；
若大于，则判定所述白色安全隐患为所述烟雾安全隐患；
若不大于，则判定所述白色安全隐患为所述扬尘安全隐患。
可选地，所述检测模块还用于：
对所述建筑工地图像进行灰度化，以增强所述建筑工地图像的火焰颜色区域，得到建筑工地灰度化图像；
对所述建筑工地灰度化图像进行火灾安全隐患检测，得到火灾安全隐患检测结果。
可选地，所述检测模块还用于：
对所述建筑工地图像进行坍塌安全隐患检测，得到坍塌安全隐患检测结果。
可选地，所述安全隐患检测装置还用于：
若存在安全隐患，则在所述建筑工地图像对应的监控设备处显示告警界面；
若不存在安全隐患，则继续采集所述建筑工地图像。
本发明提供的安全隐患检测装置，采用上述实施例一或实施例二中的安全隐患检测方法，解决了建筑工地中安全隐患检测准确率低的技术问题。与现有技术相比，本发明实施例提供的安全隐患检测装置的有益效果与上述实施例提供的安全隐患检测方法的有益效果相同，且该安全隐患检测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
本发明实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一或实施例二中的安全隐患检测方法。
下面参考图3，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，电子设备可以包括处理装置（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）中的程序或者从存储装置加载到随机访问存储器（RAM）中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
通常，以下系统可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
本发明提供的电子设备，采用上述实施例一或实施例二中的安全隐患检测方法，解决了建筑工地中安全隐患检测准确率低的技术问题。与现有技术相比，本发明实施例提供的电子设备的有益效果与上述实施例一提供的安全隐患检测方法的有益效果相同，且该电子设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的安全隐患检测的方法。
本发明实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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）、光纤、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。在本实施例中，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、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
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电子设备执行时，使得电子设备：获取建筑工地图像，对所述建筑工地图像进行安全隐患判别，以判断所述建筑工地图像中是否存在安全隐患；
若存在安全隐患，则对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果，其中，所述安全隐患包括：火灾安全隐患、白色安全隐患以及坍塌安全隐患中至少之一。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
本发明提供的计算机可读存储介质，存储有用于执行上述安全隐患检测方法的计算机可读程序指令，解决了建筑工地中安全隐患检测准确率低的技术问题。与现有技术相比，本发明实施例提供的计算机可读存储介质的有益效果与上述实施例一或实施例二提供的安全隐患检测方法的有益效果相同，在此不做赘述。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的安全隐患检测方法的步骤。
本申请提供的计算机程序产品解决了建筑工地中安全隐患检测准确率低的技术问题。与现有技术相比，本发明实施例提供的计算机程序产品的有益效果与上述实施例一或实施例二提供的安全隐患检测方法的有益效果相同，在此不做赘述。
以上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处理范围内。
Claims (10)
1.一种安全隐患检测方法，其特征在于，所述安全隐患检测方法包括：
获取建筑工地图像，对所述建筑工地图像进行安全隐患判别，以判断所述建筑工地图像中是否存在安全隐患；
若存在安全隐患，则对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果，其中，所述安全隐患包括：火灾安全隐患、白色安全隐患以及坍塌安全隐患中至少之一。
2.如权利要求1所述安全隐患检测方法，其特征在于，所述对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果的步骤包括：
对所述建筑工地图像进行图像增强，以增强所述建筑工地图像的白色区域，得到建筑工地增强图像；
对所述建筑工地增强图像进行白色安全隐患检测，得到白色安全隐患检测结果。
3.如权利要求2所述安全隐患检测方法，其特征在于，所述白色安全隐患包括烟雾安全隐患和扬尘安全隐患，
在所述对所述建筑工地增强图像进行白色安全隐患检测，得到白色安全隐患检测结果的步骤之后，所述安全隐患检测方法还包括：
若所述白色安全隐患检测结果为存在白色安全隐患，则对所述建筑工地增强图像进行图像分割，得到白色区域图像；
获取所述白色区域图像的白色像素点密度；
依据所述白色像素点密度，判断所述白色安全隐患为所述烟雾安全隐患还是所述扬尘安全隐患。
4.如权利要求3所述安全隐患检测方法，其特征在于，所述依据所述白色像素点密度，判断所述白色安全隐患为所述烟雾安全隐患还是所述扬尘安全隐患的步骤包括：
判断所述白色像素点密度是否大于预设白色像素点密度阈值；
若大于，则判定所述白色安全隐患为所述烟雾安全隐患；
若不大于，则判定所述白色安全隐患为所述扬尘安全隐患。
5.如权利要求1所述安全隐患检测方法，其特征在于，所述对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果的步骤包括：
对所述建筑工地图像进行灰度化，以增强所述建筑工地图像的火焰颜色区域，得到建筑工地灰度化图像；
对所述建筑工地灰度化图像进行火灾安全隐患检测，得到火灾安全隐患检测结果。
6.如权利要求1所述安全隐患检测方法，其特征在于，所述对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果的步骤包括：
对所述建筑工地图像进行坍塌安全隐患检测，得到坍塌安全隐患检测结果。
7.如权利要求1所述安全隐患检测方法，其特征在于，在所述获取建筑工地图像，对所述建筑工地图像进行安全隐患判别，以判断所述建筑工地图像中是否存在安全隐患的步骤之后，所述安全隐患检测方法还包括：
若存在安全隐患，则在所述建筑工地图像对应的监控设备处显示告警界面；
若不存在安全隐患，则继续采集所述建筑工地图像。
8.一种安全隐患检测装置，其特征在于，所述安全隐患检测装置包括：
获取模块，用于获取建筑工地图像，对所述建筑工地图像进行安全隐患判别，以判断所述建筑工地图像中是否存在安全隐患；
检测模块，用于若存在安全隐患，则对所述建筑工地图像进行安全隐患检测，得到安全隐患检测结果，其中，所述安全隐患包括：火灾安全隐患、白色安全隐患以及坍塌安全隐患中至少之一。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述安全隐患检测方法的步骤。
10.一种计算机可读存储介质，用于存储计算机程序，其特征在于，所述可读存储介质上存储有实现安全隐患检测方法的程序，所述实现安全隐患检测方法的程序被处理器执行以实现如权利要求1至7中任一项所述安全隐患检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210046073.9A CN114066892A (zh) | 2022-01-17 | 2022-01-17 | 安全隐患检测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210046073.9A CN114066892A (zh) | 2022-01-17 | 2022-01-17 | 安全隐患检测方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114066892A true CN114066892A (zh) | 2022-02-18 |
Family
ID=80231407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210046073.9A Pending CN114066892A (zh) | 2022-01-17 | 2022-01-17 | 安全隐患检测方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114066892A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1089741A (zh) * | 1993-11-05 | 1994-07-20 | 中国科学技术大学 | 图像识别火灾监测报警装置 |
| KR101306884B1 (ko) * | 2013-02-06 | 2013-09-10 | (주)미디어스페이스 | 화재 피난 체험장 |
| JP2017076304A (ja) * | 2015-10-16 | 2017-04-20 | アズビル株式会社 | 火災検知システム |
| CN208956343U (zh) * | 2018-11-08 | 2019-06-07 | 湖北正天工程咨询有限公司 | 一种基于bim的地下建筑施工安全管理系统 |
| CN112055153A (zh) * | 2020-07-17 | 2020-12-08 | 上海有间建筑科技有限公司 | 一种智能工地3d隐患排查设备及其系统 |
| CN112396017A (zh) * | 2020-11-27 | 2021-02-23 | 上海建科工程咨询有限公司 | 一种基于图像识别的工程安全隐患识别方法及系统 |
| CN113516120A (zh) * | 2020-12-15 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 扬尘检测方法、图像处理方法、装置、设备及系统 |
-
2022
- 2022-01-17 CN CN202210046073.9A patent/CN114066892A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1089741A (zh) * | 1993-11-05 | 1994-07-20 | 中国科学技术大学 | 图像识别火灾监测报警装置 |
| KR101306884B1 (ko) * | 2013-02-06 | 2013-09-10 | (주)미디어스페이스 | 화재 피난 체험장 |
| JP2017076304A (ja) * | 2015-10-16 | 2017-04-20 | アズビル株式会社 | 火災検知システム |
| CN208956343U (zh) * | 2018-11-08 | 2019-06-07 | 湖北正天工程咨询有限公司 | 一种基于bim的地下建筑施工安全管理系统 |
| CN112055153A (zh) * | 2020-07-17 | 2020-12-08 | 上海有间建筑科技有限公司 | 一种智能工地3d隐患排查设备及其系统 |
| CN112396017A (zh) * | 2020-11-27 | 2021-02-23 | 上海建科工程咨询有限公司 | 一种基于图像识别的工程安全隐患识别方法及系统 |
| CN113516120A (zh) * | 2020-12-15 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 扬尘检测方法、图像处理方法、装置、设备及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109614934B (zh) | 在线教学质量评估参数生成方法及装置 | |
| CN114549993B (zh) | 实验中线段图像的评分方法、系统、设备及可读存储介质 | |
| CN112989989A (zh) | 一种安检方法、装置、设备及存储介质 | |
| CN112071016A (zh) | 火灾监控方法、装置、设备及存储介质 | |
| CN112688434A (zh) | 输配电线路的监测预警方法、装置、计算机设备和介质 | |
| CN114798495A (zh) | 基于质量检测的钣金冲压件分拣方法、装置、设备及介质 | |
| CN115330789A (zh) | 屏幕缺陷检测方法、装置、设备和可读存储介质 | |
| CN112749735B (zh) | 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端 | |
| CN114066892A (zh) | 安全隐患检测方法、装置、电子设备及可读存储介质 | |
| CN114092889B (zh) | 违规行为检测方法、装置、电子设备及可读存储介质 | |
| CN116978180A (zh) | 一种炼钢厂环境安全检测方法、装置、介质及电子设备 | |
| CN115953774A (zh) | 基于机器视觉的报警器显示数码识别方法 | |
| CN115908816A (zh) | 基于人工智能的积水识别方法、装置、设备及存储介质 | |
| CN113763344A (zh) | 操作平台安全检测方法、装置、电子设备及介质 | |
| CN113989286A (zh) | 深度学习的皮带撕裂度量方法、装置、设备及存储介质 | |
| CN114387544A (zh) | 一种高空抛物检测方法、系统、电子设备及存储介质 | |
| CN114332695A (zh) | 电梯开关门的识别方法、设备及存储介质 | |
| CN113807209A (zh) | 车位检测方法、装置、电子设备及存储介质 | |
| CN104299002B (zh) | 一种基于监控系统的塔吊图像检测方法 | |
| CN114758296B (zh) | 一种基于vr技术的电网设备远程监测方法及系统 | |
| CN111222421A (zh) | 水域中人员状态检测方法、装置及电子设备 | |
| CN116403165B (zh) | 一种危险化学品泄露应急处理方法、装置及可读存储介质 | |
| CN106600590A (zh) | 电流互感器漏油自动检测方法及装置 | |
| CN113971838A (zh) | 一种基于识别人员安全行为画像的检测方法及装置 | |
| CN115830438A (zh) | 基于深度学习的复杂场景下违章建筑物体检测方法及装置 |
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 |
Application publication date: 20220218 |
|
| RJ01 | Rejection of invention patent application after publication |