CN114299085A - 基于无人机航拍的危险源辨识方法 - Google Patents
基于无人机航拍的危险源辨识方法 Download PDFInfo
- Publication number
- CN114299085A CN114299085A CN202111587463.9A CN202111587463A CN114299085A CN 114299085 A CN114299085 A CN 114299085A CN 202111587463 A CN202111587463 A CN 202111587463A CN 114299085 A CN114299085 A CN 114299085A
- Authority
- CN
- China
- Prior art keywords
- pixel position
- accident
- risk
- distribution map
- equipment
- 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 29
- 238000009826 distribution Methods 0.000 claims abstract description 86
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 231100001261 hazardous Toxicity 0.000 claims description 12
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000010485 coping Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 14
- 239000013598 vector Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及危险源辨识技术领域,具体涉及一种基于无人机航拍的危险源辨识方法,该方法包括:获取生产区域的危险分布图,危险分布图中像素值大小表征像素位置的危险程度;每个设备依次为目标设备,获取目标设备对应的隐患风险分布图;对不同设备对应的隐患风险分布图进行融合,获取融合隐患风险分布图;对于每个像素位置,基于每张融合隐患风险分布图获取一组数据,数据包括该像素位置发生严重事故的难易程度和救援难度,对多组数据进行统计分析,辨识该像素位置是否为潜在危险源。本发明可以实现潜在危险源的精确辨识,提高企业的危险事故应对能力。
Description
技术领域
本发明涉及危险源辨识领域,具体涉及一种基于无人机航拍的危险源辨识方法。
背景技术
目前化工企业的安全隐患排查是企业发展的重要环节,及时的发现危险源,并对危险进行评估和预警,能够有效避免危险事故的发生或者减少事故造成的损失。现有的人为的巡检和排查安全隐患不仅浪费人力、效率低下,而且不利于人身安全,虽然可以通过安装相机进行监控,但是由于生产区域内的设备体积和高度较大,相机的视野受限,盲区较多。
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无人机航拍的危险源辨识方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于无人机航拍的危险源辨识方法,该方法包括以下具体步骤:
获取生产区域的危险分布图,危险分布图中像素值大小表征像素位置的危险程度;
每个设备依次为目标设备,获取目标设备对应的隐患风险分布图:危险分布图中的每个像素位置依次为目标像素位置,根据每个非目标像素位置触发目标像素位置发生事故的直接触发风险和间接触发风险获取目标像素位置的隐患风险;
其中,所述直接触发风险与非目标像素位置的事故发生概率、危险程度以及非目标像素位置与目标像素位置间的距离相关;所述非目标像素位置的事故发生概率与目标设备的事故波及区域大小和损毁程度相关;所述间接触发风险为非目标像素位置触发设备发生事故后,再由设备触发目标像素位置发生事故的风险;
对不同设备对应的隐患风险分布图进行融合,获取融合隐患风险分布图;对于每个像素位置,基于每张融合隐患风险分布图获取一组数据,数据包括该像素位置发生严重事故的难易程度和救援难度,对多组数据进行统计分析,辨识该像素位置是否为潜在危险源。
进一步地,生产区域的温度分布图和危险气体分布密度图融合得到危险分布图。
进一步地,像素位置的事故发生概率的获取方法为:
基于危险分布图中的非零像素获取若干连通域;获取目标设备的事故波及区域,以及事故波及区域中每个像素位置的波及程度;
获取连通域与事故波及区域的交集区域,对于每个交集区域,获取交集区域与事故波及区域中波及程度之和的比值,目标设备的损毁程度与所述比值的乘积为交集区域所在连通域中像素位置的事故发生概率。
进一步地,对于每个非目标像素位置,由该非目标像素位置触发发生事故的设备为触发设备,根据该非目标像素位置与触发设备间的距离,以及目标像素位置与触发设备间的距离计算所述间接触发风险。
进一步地,所述对不同设备的隐患风险分布图进行融合,具体为:N个设备对应N张隐患风险分布图,N为设备总数,在N张隐患风险分布图中任选n张进行融合,n的取值范围为[1,N]。
进一步地,对于每个像素位置,基于一张融合隐患风险分布图获取该像素位置发生严重事故的难易程度的方法为:获取融合隐患风险分布图对应的n个设备,根据n个设备同时发生事故的可能性、n个设备同时发生事故时该像素位置的融合隐患风险获取该像素位置发生严重事故的难易程度。
进一步地,设备的损毁程度表征设备发生事故的可能性,n个设备损毁程度的乘积为n 个设备同时发生事故的可能性。
本发明实施例至少具有如下有益效果:本发明基于多张融合隐患风险分布图获取多组数据,对多组数据进行统计分析,可以精确的辨识某一像素位置是否为潜在危险源,提高企业对危险事故的应对能力。
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,以下结合较佳实施例,对依据本发明提出的一种基于无人机航拍的危险源辨识方法,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。
下面具体的说明本发明所提供的一种基于无人机航拍的危险源辨识方法的具体方案。
本发明一个实施例提供了一种基于无人机航拍的危险源辨识方法,该方法包括以下步骤:
步骤S1,获取生产区域的危险分布图,危险分布图中像素值大小表征像素位置的危险程度。
本发明中要进行航拍巡检和故障排查的设备可以为露天的大型的危险性较高的存储设备、管道设备或化学反应设备。无人机上搭载有红外相机、RGB相机、激光雷达、危险气体光谱分析仪等;设备处于高温高压、散热异常、化学品化学性质不稳定时通常会导致设备表面发热,红外相机用于获取设备的发热情况;基于RGB相机可以获取设备的位置分布信息;激光雷达可以辅助无人机进行自身的定位和设备的定位;本发明中危险气体是指易燃易爆的气体,例如甲烷、一氧化碳等气体,光谱分析仪可以根据气体的光谱信息来检测危险气体的密度分布。
无人机飞往化工企业生产区域上方,红外相机朝下获取生产区域内的热成像图,即生产区域的温度分布图,该图中像素值表示相应位置的温度;利用光谱分析仪获取生产区域内危险气体在不同位置的分布密度,得到危险气体分布密度图,该图中像素值表示相应位置的危险气体的密度;生产区域的温度分布图和危险气体分布密度图融合,即温度分布图与危险气体分布密度图点对点相加得到危险分布图。生产区域中设备周围的温度可以表征危险信息,因此,为了得到更加精确的危险分布图,实施例中利用MaskRCNN网络对RGB相机获取的设备图进行语义分割,获取设备分布图,优选地,设备分布图中设备所处区域像素值为1,其他区域像素值为0;设备分布图与热成像图相乘得到设备周围的温度分布图,设备周围的温度分布图与危险气体分布密度图融合,得到生产区域的危险分布图。
步骤S2,每个设备依次为目标设备,获取目标设备对应的隐患风险分布图:危险分布图中的每个像素位置依次为目标像素位置,根据每个非目标像素位置触发目标像素位置发生事故的直接触发风险和间接触发风险获取目标像素位置的隐患风险;其中,所述直接触发风险与非目标像素位置的事故发生概率、危险程度以及非目标像素位置与目标像素位置间的距离相关;所述非目标像素位置的事故发生概率与目标设备的事故波及区域大小和损毁程度相关;所述间接触发风险为非目标像素位置触发设备发生事故后,再由设备触发目标像素位置发生事故的风险。
具体地,目标设备对应的隐患风险分布图中目标像素位置隐患风险的获取方法为:
I(o)表示目标像素位置o的隐患风险;o1∈ID表示o1为危险分布图ID中的任意一个非目标像素位置;p(o1)表示非目标像素位置o1的事故发生概率;ID(o1)为危险分布图ID中非目标像素位置o1处的像素值,即非目标像素位置o1处的危险程度;d(o,o1)表示目标像素位置o 与非目标像素位置o1间的距离;δ为超参数,实施例中δ值为0.01;α(o,o1)表示非目标像素位置o1触发目标像素位置o发生事故的间接触发风险。
优选地,基于危险分布图中的非零像素获取若干连通域;获取目标设备的事故波及区域,以及事故波及区域中每个像素位置的波及程度;获取连通域与事故波及区域的交集区域,对于每个交集区域,获取交集区域与事故波及区域中波及程度之和的比值,目标设备的损毁程度与所述比值的乘积为交集区域所在连通域中像素位置的事故发生概率;具体地:
(a)获取目标设备的损毁程度:无人机接近目标设备,利用RGB相机采集目标设备的高清图像数据,将获取的目标设备图像输入DNN网络中获取目标设备的损毁程度;设备表面可能存在锈蚀、破损、变形、结构脱落、脏污等情况,这些都是设备出现损毁的外在表现特征,DNN网络通过检测目标设备图像上的外在表现特征获得设备的损毁程度,当设备损毁到一定程度时设备极易出现设备开裂、化学物品泄露、散热异常、起火爆炸等情况;实施例中损毁程度分为十个等级:0.1,0.2,0.3,……,1;等级越大表示设备损毁越严重。
(b)获取目标设备的事故波及区域:在危险分布图中获取目标设备中心对应的像素位置,以该像素位置为中心生成一个预设大小的高斯热斑,所述高斯热斑为一个有边界的圆形连通区域,圆形连通区域中每个像素位置对应一个热度值,具体地,高斯热斑中心点的热度值为 1.0,热度值沿半径方向衰减,边界上像素的热度值衰减为0;所述圆形连通区域为目标设备的事故波及区域,热度值表示对应像素位置的波及程度;优选地,实施例中高斯热斑的大小为目标设备大小的2倍。
(c)基于危险分布图中的非零像素获取若干连通域,获取连通域与事故波及区域的交集区域,对于每个交集区域,获取交集区域与事故波及区域中波及程度之和的比值,即交集区域中所有像素位置对应的波及程度的和与事故波及区域中所有像素位置对应的波及程度的和的比值,目标设备的损毁程度与所述比值的乘积为交集区域所在连通域中像素位置的事故发生概率;不属于交集区域所在连通域中的像素位置对应的事故发生概率为0,得到危险分布图每个像素位置的事故发生概率。
优选地,对于每个非目标像素位置,由该非目标像素位置触发发生事故的设备为触发设备,根据该非目标像素位置与触发设备间的距离,以及目标像素位置与触发设备间的距离计算所述间接触发风险;具体地,α(o,o1)的获取方法为:
为了获取准确的间接触发风险,实施例中所有设备均为非目标像素位置o1对应的触发设备,因此,o2∈IE表示o2为设备分布图IE中任意一个像素值不为0的像素位置;d(o1,o2)表示o1与o2间的距离;d(o,o2)表示o与o2间的距离。
按照上述获取目标像素位置o的隐患风险的方法,获取其他像素位置的隐患风险,得到目标设备对应的隐患风险分布图。
步骤S3,对不同设备对应的隐患风险分布图进行融合,获取融合隐患风险分布图;对于每个像素位置,基于每张融合隐患风险分布图获取一组数据,数据包括该像素位置发生严重事故的难易程度和救援难度,对多组数据进行统计分析,辨识该像素位置是否为潜在危险源。
具体地,对于每个像素位置,基于一张融合隐患风险分布图获取该像素位置发生严重事故的难易程度的方法为:获取该融合隐患风险分布图对应的n个设备,根据n个设备同时发生事故的可能性、n个设备同时发生事故时该像素位置的融合隐患风险获取该像素位置发生严重事故的难易程度,具体地,n个设备同时发生事故的可能性与n个设备同时发生事故时该像素位置的融合隐患风险相乘得到该像素位置发生严重事故的难易程度,所述发生严重事故的难易程度的值越大,说明该像素位置越容易发生严重事故。其中,设备的损毁程度表征设备发生事故的可能性,n个设备损毁程度的乘积为n个设备同时发生事故的可能性;n个设备对应的n张隐患风险分布图融合得到的融合隐患风险分布图中该像素位置的像素值为该像素位置的融合隐患风险。
具体地,对于每个像素位置,基于一张融合隐患风险分布图获取该像素位置救援难度的方法为:
(a)获取安全区域:获取目标设备对应的隐患风险分布图时,p(o1)的值设为1,此时得到的隐患风险分布图为每个非目标像素位置均发生事故时的最大隐患风险分布图,即最坏情况下的隐患风险分布图,对最大隐患风险分布图进行阈值化处理,具体地,将最大隐患风险分布图中值为0的像素的值置为1,不为0的像素的值置为0,再进行开运算,得到的结果图像中的所有连通域为安全区域。
(b)获取该像素位置到安全区域的所有路径,基于该融合隐患风险分布图,获取每条路径上像素的融合隐患风险之和x,x表示路径的危险度,则exp(xmin)表示基于该张融合隐患风险分布图获取的该像素位置救援难度,该值越大越容易救援。
具体地,对于每个像素位置,每张融合隐患风险分布图对应一组数据,对多组数据进行统计分析,辨识该像素位置是否为潜在危险源的方法为:
共得到M张融合隐患风险分布图,因此,该像素位置对应M组数据[a,b],a为该像素位置发生严重事故的难易程度,b为该像素位置的救援难度;根据每组数据获取一个二维的风险向量v=(a/b,ab),得到M个风险向量,a/b值越大,表示该像素位置越容易发生严重事故,且越不容易救援,ab值越大,说明该像素位置越容易发生严重事故,且越容易救援。对 M个风险向量进行降维投影,具体地,获取每个风险向量在预设单位向量方向上的投影,即每个风险向量分别与预设单位向量取内积,将每个风险向量降维为一维标量;对计算得到的所有内积结果进行分类,内积结果大于等于0的分为第一类,小于0的分为第二类,第一类中所有内积的绝对值的求和的结果记为z1,求均值的结果记为y1,第二类中所有内积的绝对值的求和的结果记为z2,求均值的结果记为y2。当z1大于等于z2,且(z1*y1)/z2大于预设阈值时该像素位置属于第一潜在危险源;当z1小于z2,且(z2*y2)/z1大于预设阈值时该像素位置属于第二潜在危险源;其他条件下,该像素位置不是潜在危险源。其中,第一潜在危险源表示该像素位置容易发生较严重的危险事故而且难以救援;第二潜在危险源表示该像素位置容易发生较严重的危险事故但容易救援。
本发明是在无人机获取化工企业生产区域内全局的温度分布以及危险气体密度分布的基础上,检测和分析设备的损毁情况,综合分析每个像素位置的隐患风险、救援难度等多种因素,进行潜在危险源的辨识,提高了化工企业的危险辨识能力,能够精准全面的辅助企业提高对可能存在的危险事故的应对能力。
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。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 (7)
1.一种基于无人机航拍的危险源辨识方法,其特征在于,该方法包括:
获取生产区域的危险分布图,危险分布图中像素值大小表征像素位置的危险程度;
每个设备依次为目标设备,获取目标设备对应的隐患风险分布图:危险分布图中的每个像素位置依次为目标像素位置,根据每个非目标像素位置触发目标像素位置发生事故的直接触发风险和间接触发风险获取目标像素位置的隐患风险;
其中,所述直接触发风险与非目标像素位置的事故发生概率、危险程度以及非目标像素位置与目标像素位置间的距离相关;所述非目标像素位置的事故发生概率与目标设备的事故波及区域大小和损毁程度相关;所述间接触发风险为非目标像素位置触发设备发生事故后,再由设备触发目标像素位置发生事故的风险;
对不同设备对应的隐患风险分布图进行融合,获取融合隐患风险分布图;对于每个像素位置,基于每张融合隐患风险分布图获取一组数据,数据包括该像素位置发生严重事故的难易程度和救援难度,对多组数据进行统计分析,辨识该像素位置是否为潜在危险源。
2.如权利要求1所述的方法,其特征在于,生产区域的温度分布图和危险气体分布密度图融合得到危险分布图。
3.如权利要求2所述的方法,其特征在于,像素位置的事故发生概率的获取方法为:
基于危险分布图中的非零像素获取若干连通域;获取目标设备的事故波及区域,以及事故波及区域中每个像素位置的波及程度;
获取连通域与事故波及区域的交集区域,对于每个交集区域,获取交集区域与事故波及区域中波及程度之和的比值,目标设备的损毁程度与所述比值的乘积为交集区域所在连通域中像素位置的事故发生概率。
4.如权利要求3所述的方法,其特征在于,对于每个非目标像素位置,由该非目标像素位置触发发生事故的设备为触发设备,根据该非目标像素位置与触发设备间的距离,以及目标像素位置与触发设备间的距离计算所述间接触发风险。
5.如权利要求4所述的方法,其特征在于,所述对不同设备的隐患风险分布图进行融合,具体为:N个设备对应N张隐患风险分布图,N为设备总数,在N张隐患风险分布图中任选n张进行融合,n的取值范围为[1,N]。
6.如权利要求5所述的方法,其特征在于,对于每个像素位置,基于一张融合隐患风险分布图获取该像素位置发生严重事故的难易程度的方法为:获取融合隐患风险分布图对应的n个设备,根据n个设备同时发生事故的可能性、n个设备同时发生事故时该像素位置的融合隐患风险获取该像素位置发生严重事故的难易程度。
7.如权利要求5所述的方法,其特征在于,设备的损毁程度表征设备发生事故的可能性,n个设备损毁程度的乘积为n个设备同时发生事故的可能性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111587463.9A CN114299085B (zh) | 2021-12-23 | 2021-12-23 | 基于无人机航拍的危险源辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111587463.9A CN114299085B (zh) | 2021-12-23 | 2021-12-23 | 基于无人机航拍的危险源辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114299085A true CN114299085A (zh) | 2022-04-08 |
CN114299085B CN114299085B (zh) | 2024-02-27 |
Family
ID=80970043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111587463.9A Active CN114299085B (zh) | 2021-12-23 | 2021-12-23 | 基于无人机航拍的危险源辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114299085B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146933A (zh) * | 2022-06-20 | 2022-10-04 | 深圳市城市公共安全技术研究院有限公司 | 危险源爆炸事故的处理方法、系统、设备与存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120235042A1 (en) * | 2011-03-16 | 2012-09-20 | Honeywell International Inc. | Mwir sensor for flame detection |
JP2012221363A (ja) * | 2011-04-12 | 2012-11-12 | Ikari Shodoku Kk | 作業環境安全対策案決定方法 |
KR20180119934A (ko) * | 2017-04-26 | 2018-11-05 | 한화시스템 주식회사 | 적외선 검출기의 불량 화소 검출 방법 |
KR20180129500A (ko) * | 2017-05-26 | 2018-12-05 | 이화여자대학교 산학협력단 | 위성 영상을 이용한 재해 및 재난 경보 방법 및 그 방법을 수행하는 재해 및 재난 경보 서버 |
CN109345494A (zh) * | 2018-09-11 | 2019-02-15 | 中国科学院长春光学精密机械与物理研究所 | 基于潜在低秩表示和结构张量的图像融合方法及装置 |
CN109472411A (zh) * | 2018-11-09 | 2019-03-15 | 武汉理工光科股份有限公司 | 大型商业综合体的自适应应急疏散导航系统 |
US20210276270A1 (en) * | 2018-10-29 | 2021-09-09 | Hewlett-Packard Development Company, L.P. | Monitoring additive manufacturing |
CN113467336A (zh) * | 2021-07-31 | 2021-10-01 | 鑫安利中(北京)科技有限公司 | 基于物联网危险源监控与预测的预警系统及其设备 |
CN113642631A (zh) * | 2021-08-10 | 2021-11-12 | 沭阳协润电子有限公司 | 基于人工智能的危险区域电子围栏生成方法及系统 |
-
2021
- 2021-12-23 CN CN202111587463.9A patent/CN114299085B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120235042A1 (en) * | 2011-03-16 | 2012-09-20 | Honeywell International Inc. | Mwir sensor for flame detection |
JP2012221363A (ja) * | 2011-04-12 | 2012-11-12 | Ikari Shodoku Kk | 作業環境安全対策案決定方法 |
KR20180119934A (ko) * | 2017-04-26 | 2018-11-05 | 한화시스템 주식회사 | 적외선 검출기의 불량 화소 검출 방법 |
KR20180129500A (ko) * | 2017-05-26 | 2018-12-05 | 이화여자대학교 산학협력단 | 위성 영상을 이용한 재해 및 재난 경보 방법 및 그 방법을 수행하는 재해 및 재난 경보 서버 |
CN109345494A (zh) * | 2018-09-11 | 2019-02-15 | 中国科学院长春光学精密机械与物理研究所 | 基于潜在低秩表示和结构张量的图像融合方法及装置 |
US20210276270A1 (en) * | 2018-10-29 | 2021-09-09 | Hewlett-Packard Development Company, L.P. | Monitoring additive manufacturing |
CN109472411A (zh) * | 2018-11-09 | 2019-03-15 | 武汉理工光科股份有限公司 | 大型商业综合体的自适应应急疏散导航系统 |
CN113467336A (zh) * | 2021-07-31 | 2021-10-01 | 鑫安利中(北京)科技有限公司 | 基于物联网危险源监控与预测的预警系统及其设备 |
CN113642631A (zh) * | 2021-08-10 | 2021-11-12 | 沭阳协润电子有限公司 | 基于人工智能的危险区域电子围栏生成方法及系统 |
Non-Patent Citations (3)
Title |
---|
JIAO YANG ET AL.: "Acoustic emission source identification technique for buried gas pipeline leak", IEEE, pages 135 - 136 * |
刘云飞;黄丽丽;: "煤矿井下危险源监测预警系统研究", 通讯世界, no. 07, pages 216 - 217 * |
李正杰: "基于免疫危险理论及多传感器信息融合的煤矿安全监测", 中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑), no. 07, pages 021 - 43 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146933A (zh) * | 2022-06-20 | 2022-10-04 | 深圳市城市公共安全技术研究院有限公司 | 危险源爆炸事故的处理方法、系统、设备与存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114299085B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9250135B2 (en) | MWIR sensor for flame detection | |
US10740898B2 (en) | Methods and systems for hotspot detection | |
dit Leksir et al. | Localization of thermal anomalies in electrical equipment using Infrared Thermography and support vector machine | |
Jadin et al. | Gas leakage detection using thermal imaging technique | |
CN114299085A (zh) | 基于无人机航拍的危险源辨识方法 | |
CN109731258B (zh) | 基于红外技术的变压器着火点监测及灭火方法和系统 | |
Lee et al. | Ranked feature-based laser material processing monitoring and defect diagnosis using k-NN and SVM | |
CN112001327A (zh) | 一种阀厅设备故障识别方法及系统 | |
Wong et al. | Experimental study of video fire detection and its applications | |
Chowdhury et al. | Computer vision and smoke sensor based fire detection system | |
CN116153016A (zh) | 一种多传感器融合森林火灾实时监测与预警装置及其方法 | |
Park et al. | Smoke detection in ship engine rooms based on video images | |
Rattá et al. | PHAD: a phase-oriented disruption prediction strategy for avoidance, prevention, and mitigation in JET | |
Jaradat et al. | A victims detection approach for burning building sites using convolutional neural networks | |
CN112733646B (zh) | 一种基于热成像的液态介质泄漏自动检测方法及系统 | |
Kouhestani et al. | Counter unmanned aerial system testing and evaluation methodology | |
Zaman et al. | Fire detection using computer vision | |
CN116189100B (zh) | 一种基于光谱图像的气体危险源检测识别方法及系统 | |
Shi et al. | Detection and segmentation of power line fires in videos | |
Hooda et al. | A Comprehensive Review on Prediction and Detection of Forest Fires Using Machine Learning Algorithms | |
Abdel-Moati et al. | Remote gas detection system using infrared camera technology and sophisticated gas plume detection computer algorithm | |
Wang et al. | A Forewarning Method for Falling Hazard from Hole Based on Instance Segmentation and Regional Invasion Detection | |
Ko et al. | Fire and Smoke Image Recognition | |
Laib Dit Leksir et al. | Detection of Electrical Fault in Medium Voltage Installation Using Support Vector Machine and Artificial Neural Network | |
Lestari et al. | Fire detection system on surveillance videos using faster region-based convolutional neural network for high buildings evacuation |
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 |