CN114091520A - 一种井工煤矿中工作设备识别与检测的方法与装置 - Google Patents
一种井工煤矿中工作设备识别与检测的方法与装置 Download PDFInfo
- Publication number
- CN114091520A CN114091520A CN202111456924.9A CN202111456924A CN114091520A CN 114091520 A CN114091520 A CN 114091520A CN 202111456924 A CN202111456924 A CN 202111456924A CN 114091520 A CN114091520 A CN 114091520A
- Authority
- CN
- China
- Prior art keywords
- working equipment
- underground
- image
- video
- contour
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000003245 coal Substances 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 239000002817 coal dust Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种井工煤矿中工作设备识别与检测的方法,包括:井下终端获取井下工作区域的工作设备的视频;井下终端判断视频的采样频率或者采样到的相邻图像的PSNR值是否大于阈值;在判断结果为是的情况,井下终端将该视频上传至服务器端,服务器端对该视频中的图像进行去噪,并将去噪后的图像传至井下终端;否则,由井下终端对该视频中的图像进行去噪;井下终端对去噪后的图像进行基于神经网络的目标识别,提取出工作设备的第一轮廓;井下终端对第一轮廓中的直线进行拟合,得到工作设备的第二轮廓;井下终端对连续多帧图像中的第二轮廓的位置进行对比计算,得到工作设备的运行状态。本发明还提供一种井工煤矿中工作设备识别与检测的装置。
Description
技术领域
本发明涉及图像处理与识别技术领域,尤其涉及一种井工煤矿中工作设备识别与检测的方法与装置。
背景技术
随着煤矿智能化进程的加速,对井下工作设备进行高质高效的巡检和远程监控的需求越来越强烈。
在实现本发明过程中,发明人发现现有技术中至少存在以下问题:由于井下的专业设备、装置等日趋复杂化和多样化,对巡检人员的专业素质要求不断提高,一些疑难问题甚至需要专家巡检才能得出结论。而目前井工煤矿中所使用的摄像装置只具有图像拍摄和视频上传的能力,对于具体的设备识别和工作状态判断,还需要人工进行分析,难以满足越来越深入的煤矿智能化和无人化的需求。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种井工煤矿中工作设备识别与检测的方法。
本发明的第二个目的在于提出一种井工煤矿中工作设备识别与检测的装置。
为达到上述目的,第一方面,本发明提出的一种井工煤矿中工作设备识别与检测的方法,包括:
井下终端获取井下工作区域的工作设备的视频;
井下终端判断视频的采样频率或者采样到的相邻图像的PSNR值是否大于阈值;
在判断结果为是的情况,井下终端将该视频上传至服务器端,服务器端对该视频中的图像进行去噪,并将去噪后的图像传至井下终端;否则,由井下终端对该视频中的图像进行去噪;
井下终端对去噪后的图像进行基于神经网络的目标识别,提取出工作设备的第一轮廓;
井下终端对第一轮廓中的直线进行拟合,得到工作设备的第二轮廓;
井下终端对连续多帧图像中的第二轮廓的位置进行对比计算,得到工作设备的运行状态。
本发明提供的井工煤矿中工作设备识别与检测的方法,通过井下终端对图像的处理,基于神经网络的目标识别,能够识别图像中所包含的井下设备,通过对井下设备的轮廓的处理,能够自动获取井下设备的运行状态,减少人力成本,提高煤矿的智能化水平。
根据本发明的一个实施例,一种井工煤矿中工作设备识别与检测的方法,还包括:
所述井下终端在获取井下工作区域的工作设备的视频的过程中是固定或者移动的。
根据本发明的一个实施例,一种井工煤矿中工作设备识别与检测的方法,还包括:
将中值滤波器和高斯滤波器进行自适应加权,构造自适应滤波器,利用自适应滤波器对所述视频中的图像进行去噪。
根据本发明的一个实施例,一种井工煤矿中工作设备识别与检测的方法,还包括:
将去噪后的图像输入到模型中;其中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据的每一组训练数据均包括:工作设备的图片,标识该图片上工作设备名称和编码的标签,标识该图片上工作设备的轮廓线坐标的标签;
获取所述模型的输出信息,其中,所述输出信息包括所述工作设备的图片中工作设备的设备名称和编码,工作设备的第一轮廓。
根据本发明的一个实施例,一种井工煤矿中工作设备识别与检测的方法,还包括:
利用最小二乘法对所述工作设备的第一轮廓中的直线进行拟合,得到所述工作设备的第二轮廓。
第二方面,提供一种井工煤矿中工作设备识别与检测的装置,包括:
井下终端,用于获取井下工作区域的工作设备的视频,判断视频的采样频率或者采样到的相邻图像的PSNR值是否大于阈值,在判断结果为是的情况,将该视频上传至服务器端;在判断结果为否的情况,对该视频中的图像进行去噪,对去噪后的图像进行基于神经网络的目标识别,提取出工作设备的第一轮廓,对第一轮廓中的直线进行拟合,得到工作设备的第二轮廓,对连续多帧图像中的第二轮廓的位置进行对比计算,得到工作设备的运行状态;
服务器端,用于接收井下终端传来的视频,并对该视频中的图像进行去噪,并将去噪后的图像传至井下终端。
根据本发明的一个实施例,所述井下终端包括摄像头。
根据本发明的一个实施例,所述工作设备为液压支架、采煤机、刮板输送机、破碎机、给煤机和掘进机一种或多种。
本发明提供的井工煤矿中工作设备识别与检测的装置,通过井下终端对图像的处理,基于神经网络的目标识别,能够识别图像中所包含的井下设备,通过对井下设备的轮廓的处理,能够自动获取井下设备的运行状态,减少人力成本,提高煤矿的智能化水平。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一实施例提出的井工煤矿中工作设备识别与检测的方法流程图。
图2是本发明一实施例提出的图像去噪的原理示意图。
图3是本发明一实施例提出的进行目标识别的神经网络模型结构示意图。
图4是本发明一实施例提出的进行图像分割的神经网络模型结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本发明一实施例提出的井工煤矿中工作设备识别与检测的方法流程图。
参见图1,本发明实施例的第一方面提供一种井工煤矿中工作设备识别与检测的方法,包括以下步骤
井下终端获取井下工作区域的工作设备的视频;
井下终端判断视频的采样频率或者采样到的相邻图像的PSNR(峰值信噪比)值是否大于阈值;
在判断结果为是的情况,井下终端将该视频上传至服务器端,服务器端对该视频中的图像进行去噪,并将去噪后的图像传至井下终端;否则,由井下终端对该视频中的图像进行去噪;
井下终端对去噪后的图像进行基于神经网络的目标识别,提取出工作设备的第一轮廓;
井下终端对第一轮廓中的直线进行拟合,得到工作设备的第二轮廓;
井下终端对连续多帧图像中的第二轮廓的位置进行对比计算,得到工作设备的运行状态。
具体地,工作设备为液压支架、采煤机、刮板输送机、破碎机、给煤机和掘进机一种或多种。井下终端可以是一个摄像头,摄像头在获取井下工作区域的工作设备的视频的过程中可以是固定或者移动的。摄像头能够以可见光成像或红外成像等方式在井下拍摄1080P及以上的数字图像,帧率不低于每秒25帧。
摄像头的总成中含有本地内存、本地处理器。本地图像处理和服务器端图像处理均具备完善且独立的处理能力,区别只在于算力大小和运算速度的不同。本地图像处理算力相对较弱,服务器端图像处理算力相对较强。
由此,对图像去噪的复杂程度进行判定。对于简单去噪,摄像头能够执行去噪;对于较为复杂处理任务,能够实时通过以太环网上传至服务器端进行计算,并由服务器端返回计算结果。
本实施例提供的方法,通过井下终端对图像的处理,基于神经网络的目标识别,能够识别图像中所包含的井下设备,通过对井下设备的轮廓的处理,能够自动获取井下设备的运行状态,减少人力成本,提高煤矿的智能化水平。
在上述实施例的基础上,摄像头以一定的采样频率拍摄图像。对于相邻两张图像,通过计算峰值信噪比(PSNR)来确定相邻两张图像的相似度:
式中,表示峰值信噪比,表示图像单点颜色的最大表示数量,表示对两张相同分辨率的图片计算均方误差,其中m、n分别表示图像宽度和高度方向的分辨率,表示用于对比的一张图像在第行第列的像素值,表示用于对比的另一张图像在第行第列的像素值。对于峰值信噪比,设置阈值t,若某一时刻下相邻两张图像的峰值信噪比高于阈值t,则表明图像中主要内容未变,不需要进一步精确识别;若峰值信噪比低于阈值t,则表明图像中主要内容有较大改变,需要进一步精确识别。
在一些实施例中,由于在井工煤矿中,光照条件不好,且矿井中存在较多煤尘,容易影响摄像头的拍摄效果,造成图像中噪声信号较多,使拍摄主体难以被识别,因此需要在识别前进行图像去噪,消除噪声信号。对噪声信号的消除主要是根据噪声类型来进行针对性的去噪。由于井工煤矿中煤尘较多,存在一定程度的椒盐噪声,属于乘性噪声,可通过中值滤波对煤尘进行滤除;又由于在拍摄过程中,必然存在一定程度的高斯噪声,属于加性噪声,可通过高斯滤波进行滤除。参照图2,本实施例根据椒盐噪声与高斯噪声的特点,使用自适应滤波器对图像中的噪声信号进行滤除。该自适应滤波器为中值滤波器与高斯滤波器的自适应加权和,可表示如下:
式中,(x,y)表示图像中像素点的位置坐标,(s,t)表示滤波器中权重点的位置坐标,(2a+1,2b+1)分别表示滤波器的宽和高,f(x,y)是去噪前的图像的数学表示,g(x,y)是去噪后的图像的数学表示,表示自适应权重,其取值在0~1之间;表示中值滤波器,通过选择卷积窗所覆盖的区域内所有原始像素的中值来作为滤波器的输出结果;表示高斯滤波器。通过对卷积窗所覆盖的区域内所有原始像素的高斯加权平均值来作为滤波器的输出结果。经过去噪后的图像,其边缘更加清晰,更适合用来作为下一步目标识别的输入。
作为一种可能实现的方式,摄像头对去噪后的图像进行基于神经网络的目标识别,提取出工作设备的第一轮廓,可以分为目标识别和图像分割两个步骤。
目标识别是初步判断输入图像中所包含的工作设备。图像分割是分离出工作设备主体的轮廓边缘即第一轮廓,并通过轮廓边缘抽象出设备骨架模型,以供更高级别的分析与建模。可以使用机器学习进行目标识别和图像分割。
例如:将去噪后的图像输入到模型中;其中,模型使用多组训练数据训练出来的,多组中的训练数据的每一组训练数据均包括:工作设备的图片,标识该图片上工作设备名称和编码的标签,标识该图片上工作设备的轮廓线坐标的标签;
获取模型的输出信息,其中,输出信息包括工作设备的图片中工作设备的设备名称和编码,工作设备的第一轮廓。
具体地,对输入图像进行目标识别和图像分割均需首先建立标准图片库。标准图片库是在较好的光线条件下,对井下的各主要工作设备如液压支架、采煤机、刮板机等拍摄大量图片并保存而成,每张图片均通过人工标记了其中所包含工作设备的名称编码向量与轮廓线坐标向量,作为标签量。针对输入图像的目标识别任务,使用神经网络的方法来完成。参照图3,首先定义目标识别网络的输入为一个图像的灰度值矩阵,其输出为一个一维向量。向量具有的元素个数与标准图片库中的设备名称数量一致,每个元素的值是一个归一化的概率,表示输入图片是该工作设备的可能性,输出向量中最大的元素所对应的设备名称,就是输入图片中所包含的工作设备名称。目标识别网络由卷积层、池化层、正则化层、全连接层等组成,其参数通过误差反向传播算法进行训练得到。目标识别网络的输出可表示如下:
参照图4,针对输入图像的图像分割任务,同样使用神经网络的方法来完成。首先定义图像分割网络的输入为一幅图像的灰度值矩阵,其输出为一个二维向量,向量中的每一个元素均为一个包含宽度与高度方向坐标的轮廓像素点坐标值。将向量中的所有轮廓像素点坐标值连成线,即为从输入图像中所提取出的设备轮廓。图像分割网络同样由卷积层、池化层、正则化层、全连接层等组成,其参数通过误差反向传播算法进行训练得到。由于在进行图像分割之前已经通过目标识别网络确定了设备名称,因此图像分割只针对该工作设备进行,相比直接进行图像分割具有更高的聚焦性和精确性。
由于从图像分割网络中提取出的设备轮廓是由相邻像素点连线构成,必然具有一定程度的不规则性,故可根据从图像分割网络中所提取出的图像轮廓点坐标,利用最小二乘法对轮廓中近似直线处进行拟合,从而得到工作设备的近似理想轮廓。对摄像头所拍摄的一段视频流中的所有图片均进行目标识别、图像分割和轮廓近似理想化后,则能够根据理想轮廓的变化过程,计算得到工作设备的位移量和速度,从而获取到工作设备的运行状态。
基于上述目的,本发明实施例的第二个方面,提出一种井工煤矿中工作设备识别与检测的装置,包括井下终端和服务器端,其中,
井下终端,用于获取井下工作区域的工作设备的视频,判断视频的采样频率或者采样到的相邻图像的PSNR值是否大于阈值,在判断结果为是的情况,将该视频上传至服务器端;在判断结果为否的情况,对该视频中的图像进行去噪,对去噪后的图像进行基于神经网络的目标识别,提取出工作设备的第一轮廓,对第一轮廓中的直线进行拟合,得到工作设备的第二轮廓,对连续多帧图像中的第二轮廓的位置进行对比计算,得到工作设备的运行状态;
服务器端,用于接收井下终端传来的视频,并对该视频中的图像进行去噪,并将去噪后的图像传至井下终端。
本发明实施例提供的井工煤矿中工作设备识别与检测的装置,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
需要特别指出的是,上述井工煤矿中工作设备识别与检测的装置的实施例采用了所述井工煤矿中工作设备识别与检测的方法的实施例来具体说明各部件的工作过程,本领域技术人员能够很容易想到,将这些部件应用到所述井工煤矿中工作设备识别与检测的方法的其他实施例中。当然,由于井工煤矿中工作设备识别与检测的方法实施例中的各个步骤均可以相互交叉、替换、增加、删减,因此,这些合理的排列组合变换之于所述井工煤矿中工作设备识别与检测的装置也应当属于本发明的保护范围,并且不应将本发明的保护范围局限在所述实施例之上。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、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。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种井工煤矿中工作设备识别与检测的方法,其特征在于,包括:
井下终端获取井下工作区域的工作设备的视频;
井下终端判断视频的采样频率或者采样到的相邻图像的PSNR值是否大于阈值;
在判断结果为是的情况,井下终端将该视频上传至服务器端,服务器端对该视频中的图像进行去噪,并将去噪后的图像传至井下终端;否则,由井下终端对该视频中的图像进行去噪;
井下终端对去噪后的图像进行基于神经网络的目标识别,提取出工作设备的第一轮廓;
井下终端对第一轮廓中的直线进行拟合,得到工作设备的第二轮廓;
井下终端对连续多帧图像中的第二轮廓的位置进行对比计算,得到工作设备的运行状态。
2.根据权利要求1所述的一种井工煤矿中工作设备识别与检测的方法,其特征在于,包括:
所述井下终端在获取井下工作区域的工作设备的视频的过程中是固定或者移动的。
3.根据权利要求1所述的一种井工煤矿中工作设备识别与检测的方法,其特征在于,包括:
将中值滤波器和高斯滤波器进行自适应加权,构造自适应滤波器,利用自适应滤波器对所述视频中的图像进行去噪。
4.根据权利要求1所述的一种井工煤矿中工作设备识别与检测的方法,其特征在于,包括:
将去噪后的图像输入到模型中;其中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据的每一组训练数据均包括:工作设备的图片,标识该图片上工作设备名称和编码的标签,标识该图片上工作设备的轮廓线坐标的标签;
获取所述模型的输出信息,其中,所述输出信息包括所述工作设备的图片中工作设备的设备名称和编码,工作设备的第一轮廓。
5.根据权利要求4所述的一种井工煤矿中工作设备识别与检测的方法,其特征在于,包括:
利用最小二乘法对所述工作设备的第一轮廓中的直线进行拟合,得到所述工作设备的第二轮廓。
6.一种井工煤矿中工作设备识别与检测的装置,其特征在于,包括:
井下终端,用于获取井下工作区域的工作设备的视频,判断视频的采样频率或者采样到的相邻图像的PSNR值是否大于阈值,在判断结果为是的情况,将该视频上传至服务器端;在判断结果为否的情况,对该视频中的图像进行去噪,对去噪后的图像进行基于神经网络的目标识别,提取出工作设备的第一轮廓,对第一轮廓中的直线进行拟合,得到工作设备的第二轮廓,对连续多帧图像中的第二轮廓的位置进行对比计算,得到工作设备的运行状态;
服务器端,用于接收井下终端传来的视频,并对该视频中的图像进行去噪,并将去噪后的图像传至井下终端。
7.根据权利要求6所述的一种井工煤矿中工作设备识别与检测的装置,其特征在于,所述井下终端包括摄像头。
8.根据权利要求6所述的一种井工煤矿中工作设备识别与检测的装置,其特征在于,所述工作设备为液压支架、采煤机、刮板输送机、破碎机、给煤机和掘进机一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111456924.9A CN114091520B (zh) | 2021-12-02 | 2021-12-02 | 一种井工煤矿中工作设备识别与检测的方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111456924.9A CN114091520B (zh) | 2021-12-02 | 2021-12-02 | 一种井工煤矿中工作设备识别与检测的方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091520A true CN114091520A (zh) | 2022-02-25 |
CN114091520B CN114091520B (zh) | 2022-04-05 |
Family
ID=80306191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111456924.9A Active CN114091520B (zh) | 2021-12-02 | 2021-12-02 | 一种井工煤矿中工作设备识别与检测的方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091520B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114671214A (zh) * | 2022-05-27 | 2022-06-28 | 新风光电子科技股份有限公司 | 基于高压变频器的煤矿输送皮带调速方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2897043A1 (en) * | 2014-08-07 | 2016-02-07 | Russell Peter Warren Stancliffe | Method and system for performing an assessment of a mine face |
CN105760883A (zh) * | 2016-02-15 | 2016-07-13 | 西安科技大学 | 基于红外热像的带式输送机关键部件自动识别方法 |
CN110248167A (zh) * | 2019-07-13 | 2019-09-17 | 中国矿业大学(北京) | 基于矿灯设备的井下人员识别定位及通信系统 |
CN113283332A (zh) * | 2021-05-20 | 2021-08-20 | 国电南瑞科技股份有限公司 | 一种消防机器人火焰识别方法、设备及存储介质 |
-
2021
- 2021-12-02 CN CN202111456924.9A patent/CN114091520B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2897043A1 (en) * | 2014-08-07 | 2016-02-07 | Russell Peter Warren Stancliffe | Method and system for performing an assessment of a mine face |
CN105760883A (zh) * | 2016-02-15 | 2016-07-13 | 西安科技大学 | 基于红外热像的带式输送机关键部件自动识别方法 |
CN110248167A (zh) * | 2019-07-13 | 2019-09-17 | 中国矿业大学(北京) | 基于矿灯设备的井下人员识别定位及通信系统 |
CN113283332A (zh) * | 2021-05-20 | 2021-08-20 | 国电南瑞科技股份有限公司 | 一种消防机器人火焰识别方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
张金虎 等: "超长工作面布置方式优化设计与设备选型配套", 《煤炭工程》 * |
赵谦: "煤矿井下动态目标视频监测图像处理研究", 《中国博士学位论文全文数据库(电子期刊)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114671214A (zh) * | 2022-05-27 | 2022-06-28 | 新风光电子科技股份有限公司 | 基于高压变频器的煤矿输送皮带调速方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114091520B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
TW202101371A (zh) | 視訊流的處理方法和裝置 | |
EP2549759B1 (en) | Method and system for facilitating color balance synchronization between a plurality of video cameras as well as method and system for obtaining object tracking between two or more video cameras | |
CN107248174A (zh) | 一种基于tld算法的目标跟踪方法 | |
WO2008020598A1 (fr) | Dispositif et procédé de détection d'un nombre d'objets | |
CN112104869B (zh) | 一种视频大数据存储及转码优化系统 | |
CN112396635B (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
CN109708658B (zh) | 一种基于卷积神经网络的视觉里程计方法 | |
US11798254B2 (en) | Bandwidth limited context based adaptive acquisition of video frames and events for user defined tasks | |
US20220128358A1 (en) | Smart Sensor Based System and Method for Automatic Measurement of Water Level and Water Flow Velocity and Prediction | |
CN114091520B (zh) | 一种井工煤矿中工作设备识别与检测的方法与装置 | |
CN112767371A (zh) | 一种基于人工智能的可变阻尼调节果冻效应方法及系统 | |
CN113781526A (zh) | 一种家畜计数识别系统 | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
CN117561540A (zh) | 使用帧序列执行计算机视觉任务的系统和方法 | |
CN114359333A (zh) | 运动目标提取方法、装置、计算机设备和存储介质 | |
CN112819710B (zh) | 基于人工智能的无人机果冻效应自适应补偿方法及系统 | |
CN109410134A (zh) | 一种基于图像块分类的自适应去噪方法 | |
CN116311212B (zh) | 基于高速摄像机实现运动状态下的船号识别方法及装置 | |
CN113034544A (zh) | 一种基于深度相机的人流分析方法及装置 | |
CN114693556B (zh) | 一种高空抛物帧差法运动目标检测去拖影方法 | |
CN111127355A (zh) | 一种对缺损光流图进行精细补全的方法及其应用 | |
CN116309080A (zh) | 一种无人机视频拼接方法 | |
Savakis et al. | Semantic background estimation in video sequences | |
CN112532938B (zh) | 一种基于大数据技术的视频监控系统 |
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 |