CN114550082A - 一种易用高效ai识别算法 - Google Patents

一种易用高效ai识别算法 Download PDF

Info

Publication number
CN114550082A
CN114550082A CN202210072657.3A CN202210072657A CN114550082A CN 114550082 A CN114550082 A CN 114550082A CN 202210072657 A CN202210072657 A CN 202210072657A CN 114550082 A CN114550082 A CN 114550082A
Authority
CN
China
Prior art keywords
equipment
image
model
database
image processor
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
Application number
CN202210072657.3A
Other languages
English (en)
Inventor
李群
肖永平
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.)
Zhuhai Desin Electric Co ltd
Original Assignee
Zhuhai Desin Electric 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 Zhuhai Desin Electric Co ltd filed Critical Zhuhai Desin Electric Co ltd
Priority to CN202210072657.3A priority Critical patent/CN114550082A/zh
Publication of CN114550082A publication Critical patent/CN114550082A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Emergency Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Library & Information Science (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及图像识别技术领域，具体为一种易用高效AI识别算法，包括处理系统以及识别算法，所述处理系统由图像采集设备、图像处理器、信号传输器以及数据库组成，所述图像处理器分别电性连接于图像采集设备、数据库和信号传输器。本发明中通过图像处理器将图像采集器采集的图片数据与数据库中的设备缺陷模型比较，可识别出设备外观缺陷，识别出的外观缺陷通过信号传输器传递至监控后台，方便对设备外观缺陷的检测以及快速采用应对措施，图像处理器将图像采集器采集的图片数据与数据库中的人员异常违规行为模型比较，可识别出工人的违规动作以及操作，提升了工厂对工人的安全管理，避免出现操作不当造成人员伤亡的安全事故。

Description

一种易用高效AI识别算法
技术领域
本发明涉及图像识别技术领域，具体为一种易用高效AI识别算法。
背景技术
安全生产是保护劳动者的安全、健康和国家财产，促进社会生产力发展的基本保证，因此，做好安全生产工作具有重要的意义。工厂中由于多采用大量的机械设备进行生产，安全成为至关重要的话题，因此每个工厂无论是在生产加工时的动态环境下，还是设备止停情况下都需要做到以安全得到保证为前提，因此工厂内部各个角落里都设置有监控摄像头，可传统的监控摄像头只能拍摄并记录工厂内部的时时环境画面，并不能对不利于工厂安全生产的不稳定因素进行识别判定，进而不利于工厂不安全因素的杜绝以及防控。
发明内容
本发明的目的在于提供一种多项功能的易用高效AI识别算法。
为实现上述目的，本发明提供如下技术方案：一种易用高效AI识别算法，包括处理系统以及识别算法，所述处理系统由图像采集设备、图像处理器、信号传输器以及数据库组成，所述图像处理器分别电性连接于图像采集设备、数据库和信号传输器，且信号传输器信号连接于监控后台，所述识别算法包括以下步骤：
S1：建立特征，包括设备外观缺陷模型建立和人员异常违规动作模型建立；
S2：图像获取，由图像采集设备对识别区域的具体情况进行时时拍摄，并将拍摄画面传递至图像处理器进行处理；
S3：图像处理，图像处理器对由图像采集设备采集到的图像进行裁剪、旋转、翻转及缩放等预处理，并得到相应的数据；
S4：分析识别，通过预处理图像数据与数据库中的模型数据进行比对，确定出设备外观缺陷以及人员违规动作的图片，通过环境识别系统得出工厂内部环境情况，通过设备状态识别系统得出设备运转情况；
S5：结果处理，识别得出的不利于安全生产的数据通过信号传输器传递至监控后台，方便监控人员的管理。
由上述方案可见，本装置通过图像处理器将图像采集器采集的图片数据与数据库中的设备缺陷模型比较，可识别出设备外观缺陷，并将识别出的外观缺陷通过信号传输器传递至监控后台，方便对设备外观缺陷的检测以及快速采用应对措施，通过图像处理器将图像采集器采集的图片数据与数据库中的人员异常违规行为模型比较，可识别出工人的违规动作以及操作，进而提升了工厂对工人的安全管理，避免出现操作不当造成人员伤亡的安全事故，通过环境识别系统可对工厂内部环境进行时时检测，可识别出火情的出现，进而方便快速灭火，避免因发生火灾造成过大的损失，通过设备状态识别可识别出设备的相应工作状态，进而对设备的工作状况进行及时掌握，方便对设备的检修。
优选地，S1中的设备外观缺陷模型建立包括以下子步骤：
通过图像采集设备采集现有设备的外观缺陷的多组图像，并对存在具体缺陷的位置处进行位置校准；
利用图像处理器结合现有的图像转换GAN模型将采集到的设备外观缺陷图像进行再生成，得到设备缺陷的样本；
结合设备缺陷的样本，对样本进行概率统计，将概率低于百分之五的样本剔除，再利用基于卷积神经网络技术构建出设备外观缺陷的模型；
由所述图像处理器将构建的设备外观缺陷的模型传输至数据库内部进行存储。
由上述方案可见，通过图像采集设备采集现有设备的外观缺陷的多组图像，并对存在具体缺陷的位置处进行位置校准，再利用图像处理器结合现有的图像转换GAN模型将采集到的设备外观缺陷图像进行再生成，得到设备缺陷的样本，结合设备缺陷的样本，利用基于卷积神经网络技术构建出设备外观缺陷的模型，由所述图像处理器将构建的设备外观缺陷的模型传输至数据库内部进行存储，方便设备外观缺陷的对比识别。
优选地，S1中的人员异常违规动作模型建立包括以下子步骤：
通过使用Kinect传感器对操作人员采用违规操作时的人体三维骨骼点数据进行采集获取，并通过滤波处理模组对人体三维骨骼点数据进行均值滤波处理；
采用聚类算法对均值滤波处理后的人体三维骨骼点数据进行训练并验证得到人员违规动作的模型；
将人员违规动作模型传输至数据库中进行存储。
由上述方案可见，通过使用Kinect传感器对操作人员采用违规操作时的人体三维骨骼点数据进行采集获取，并通过滤波处理模组对人体三维骨骼点数据进行均值滤波处理，采用聚类算法对均值滤波处理后的人体三维骨骼点数据进行训练并验证得到人员违规动作的模型，将人员违规动作模型传输至数据库中进行存储，方便人员违规动作的对比识别。
优选地，S4中的设备状态识别系统由表针识别与设备指示灯识别组成，所述表针识别包括以下子步骤：
由所述图像采集设备拍摄待识别区域内的指针表盘轮廓并传递至所述图像处理器内部进行图像预处理；
经图像处理器提取出的特征数据与数据库中的标准值进行比较，识别出表针指示位置是否出现异常，若出现异常，则由图像处理器通过信号传输器想监控后台发出相应信号；
所述设备指示灯识别包括以下子步骤：
由所述图像采集设备拍摄设备指示区的图像并传递至图像处理器内部进行图像数据预处理；
以图像数据预处理中的设备指示灯的局部图像作为识别区域，并提取出指示灯亮起的颜色，并经过校准后与数据库中的颜色模型进行比对识别。
由上述方案可见，由所述图像采集设备拍摄待识别区域内的指针表盘轮廓并传递至所述图像处理器内部进行图像预处理，经图像处理器提取出的特征数据与数据库中的标准值进行比较，识别出表针指示位置是否出现异常，若出现异常，则由图像处理器通过信号传输器想监控后台发出相应信号，由所述图像采集设备拍摄设备指示区的图像并传递至图像处理器内部进行图像数据预处理，以图像数据预处理中的设备指示灯的局部图像作为识别区域，并提取出指示灯亮起的颜色，并经过校准后与数据库中的颜色模型进行比对识别。
优选地，S4中的环境识别系统由烟雾传感器、温度传感器、热成像模块以及数据处理模块组成，且烟雾传感器、温度传感器以及热成像模块均电性连接于输出处理器，且输出处理器与监控后台电信号连接，所述烟雾传感器、温度传感器以及热成像模块均匀分布安装在现场的待识别检测区域。
由上述方案可见，通过烟雾传感器、温度传感器的配合使用，可对工厂内部环境进行时时检测，当发生火情时，烟雾传感器与温度传感器检测的数据传递至数据处理分析，可识别出火情的出现，同时通过热成像模块分析得出发生火情的具体位置，进而方便快速灭火，避免因发生火灾造成过大的损失。
优选地，所述图像采集设备为分布于工厂内部的定点监控摄像头和移动式监控摄像头，且通过外界电源为定点监控摄像头和移动式监控摄像头进行供电。
由上述方案可见，方便对工厂内部进行全局监测，通过外界电源为定点监控摄像头和移动式监控摄像头进行供电，有利于其正常工作。
优选地，设备外观缺陷主要包括设备外部的孔洞、破损、边缘裂缝、刮痕、边缘破损、疵点、脏污点、水滴油滴印记、条纹、漏涂、皱折、暗斑、亮斑以及尘埃等。
由上述方案可见，可对设备外部的孔洞、破损、边缘裂缝、刮痕、边缘破损、疵点、脏污点、水滴油滴印记、条纹、漏涂、皱折、暗斑、亮斑以及尘埃等缺陷进行有效的识别。
优选地，人员异常违规动作主要包括有人员正确着装、非法入侵、攀爬围栏、非正确姿势取放物品、违规高处作业等行为。
由上述方案可见，可对人员正确着装、非法入侵、攀爬围栏、非正确姿势取放物品、违规高处作业等违规行为型有效的识别。
与现有技术相比，本发明的有益效果是：
1、本装置通过图像处理器将图像采集器采集的图片数据与数据库中的设备缺陷模型比较，可识别出设备外观缺陷，并将识别出的外观缺陷通过信号传输器传递至监控后台，方便对设备外观缺陷的检测以及快速采用应对措施；
2、本装置通过图像处理器将图像采集器采集的图片数据与数据库中的人员异常违规行为模型比较，可识别出工人的违规动作以及操作，进而提升了工厂对工人的安全管理，避免出现操作不当造成人员伤亡的安全事故；
3、本装置通过烟雾传感器、温度传感器的配合使用，可对工厂内部环境进行时时检测，当发生火情时，烟雾传感器与温度传感器检测的数据传递至数据处理分析，可识别出火情的出现，同时通过热成像模块分析得出发生火情的具体位置，进而方便快速灭火，避免因发生火灾造成过大的损失；
4、本装置可对设备表面的表面针以及指示灯进行快速识别，从而识别出设备的相应工作状态，进而对设备的工作状况进行及时掌握，方便对设备的检修。
附图说明
图1为本发明的处理系统示意图；
图2为本发明的识别算法步骤示意图；
图3为本发明的设备外观缺陷模型建立示意图；
图4为本发明的人员异常违规动作模型建立示意图；
图5为本发明的环境识别系统示意图；
图6为本发明的设备状态识别系统示意图。
具体实施方式
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-6，本发明提供一种实施例：
一种易用高效AI识别算法，包括处理系统以及识别算法，所述处理系统由图像采集设备、图像处理器、信号传输器以及数据库组成，所述图像处理器分别电性连接于图像采集设备、数据库和信号传输器，且信号传输器信号连接于监控后台，所述识别算法包括以下步骤：
S1：建立特征，包括设备外观缺陷模型建立和人员异常违规动作模型建立；
S2：图像获取，由图像采集设备对识别区域的具体情况进行时时拍摄，并将拍摄画面传递至图像处理器进行处理；
S3：图像处理，图像处理器对由图像采集设备采集到的图像进行裁剪、旋转、翻转及缩放等预处理，并得到相应的数据；
S4：分析识别，通过预处理图像数据与数据库中的模型数据进行比对，确定出设备外观缺陷以及人员违规动作的图片，通过环境识别系统得出工厂内部环境情况，通过设备状态识别系统得出设备运转情况；
S5：结果处理，识别得出的不利于安全生产的数据通过信号传输器传递至监控后台，方便监控人员的管理。
具体的，本装置通过图像处理器将图像采集器采集的图片数据与数据库中的设备缺陷模型比较，可识别出设备外观缺陷，并将识别出的外观缺陷通过信号传输器传递至监控后台，方便对设备外观缺陷的检测以及快速采用应对措施，通过图像处理器将图像采集器采集的图片数据与数据库中的人员异常违规行为模型比较，可识别出工人的违规动作以及操作，进而提升了工厂对工人的安全管理，避免出现操作不当造成人员伤亡的安全事故，通过环境识别系统可对工厂内部环境进行时时检测，可识别出火情的出现，进而方便快速灭火，避免因发生火灾造成过大的损失，通过设备状态识别可识别出设备的相应工作状态，进而对设备的工作状况进行及时掌握，方便对设备的检修。
进一步的，S1中的设备外观缺陷模型建立包括以下子步骤：
通过图像采集设备采集现有设备的外观缺陷的多组图像，并对存在具体缺陷的位置处进行位置校准；
利用图像处理器结合现有的图像转换GAN模型将采集到的设备外观缺陷图像进行再生成，得到设备缺陷的样本；
结合设备缺陷的样本，对样本进行概率统计，将概率低于百分之五的样本剔除，再利用基于卷积神经网络技术构建出设备外观缺陷的模型；
由所述图像处理器将构建的设备外观缺陷的模型传输至数据库内部进行存储。
具体的，通过图像采集设备采集现有设备的外观缺陷的多组图像，并对存在具体缺陷的位置处进行位置校准，再利用图像处理器结合现有的图像转换GAN模型将采集到的设备外观缺陷图像进行再生成，得到设备缺陷的样本，结合设备缺陷的样本，利用基于卷积神经网络技术构建出设备外观缺陷的模型，由所述图像处理器将构建的设备外观缺陷的模型传输至数据库内部进行存储，方便设备外观缺陷的对比识别。
进一步的，S1中的人员异常违规动作模型建立包括以下子步骤：
通过使用Kinect传感器对操作人员采用违规操作时的人体三维骨骼点数据进行采集获取，并通过滤波处理模组对人体三维骨骼点数据进行均值滤波处理；
采用聚类算法对均值滤波处理后的人体三维骨骼点数据进行训练并验证得到人员违规动作的模型；
将人员违规动作模型传输至数据库中进行存储。
具体的，通过使用Kinect传感器对操作人员采用违规操作时的人体三维骨骼点数据进行采集获取，并通过滤波处理模组对人体三维骨骼点数据进行均值滤波处理，采用聚类算法对均值滤波处理后的人体三维骨骼点数据进行训练并验证得到人员违规动作的模型，将人员违规动作模型传输至数据库中进行存储，方便人员违规动作的对比识别。
进一步的，S4中的设备状态识别系统由表针识别与设备指示灯识别组成，所述表针识别包括以下子步骤：
由所述图像采集设备拍摄待识别区域内的指针表盘轮廓并传递至所述图像处理器内部进行图像预处理；
经图像处理器提取出的特征数据与数据库中的标准值进行比较，识别出表针指示位置是否出现异常，若出现异常，则由图像处理器通过信号传输器想监控后台发出相应信号；
所述设备指示灯识别包括以下子步骤：
由所述图像采集设备拍摄设备指示区的图像并传递至图像处理器内部进行图像数据预处理；
以图像数据预处理中的设备指示灯的局部图像作为识别区域，并提取出指示灯亮起的颜色，并经过校准后与数据库中的颜色模型进行比对识别。
具体的，由所述图像采集设备拍摄待识别区域内的指针表盘轮廓并传递至所述图像处理器内部进行图像预处理，经图像处理器提取出的特征数据与数据库中的标准值进行比较，识别出表针指示位置是否出现异常，若出现异常，则由图像处理器通过信号传输器想监控后台发出相应信号，由所述图像采集设备拍摄设备指示区的图像并传递至图像处理器内部进行图像数据预处理，以图像数据预处理中的设备指示灯的局部图像作为识别区域，并提取出指示灯亮起的颜色，并经过校准后与数据库中的颜色模型进行比对识别。
进一步的，S4中的环境识别系统由烟雾传感器、温度传感器、热成像模块以及数据处理模块组成，且烟雾传感器、温度传感器以及热成像模块均电性连接于输出处理器，且输出处理器与监控后台电信号连接，所述烟雾传感器、温度传感器以及热成像模块均匀分布安装在现场的待识别检测区域。
具体的，通过烟雾传感器、温度传感器的配合使用，可对工厂内部环境进行时时检测，当发生火情时，烟雾传感器与温度传感器检测的数据传递至数据处理分析，可识别出火情的出现，同时通过热成像模块分析得出发生火情的具体位置，进而方便快速灭火，避免因发生火灾造成过大的损失。
进一步的，所述图像采集设备为分布于工厂内部的定点监控摄像头和移动式监控摄像头，且通过外界电源为定点监控摄像头和移动式监控摄像头进行供电。
具体的，方便对工厂内部进行全局监测，通过外界电源为定点监控摄像头和移动式监控摄像头进行供电，有利于其正常工作。
进一步的，设备外观缺陷主要包括设备外部的孔洞、破损、边缘裂缝、刮痕、边缘破损、疵点、脏污点、水滴油滴印记、条纹、漏涂、皱折、暗斑、亮斑以及尘埃等。
具体的，可对设备外部的孔洞、破损、边缘裂缝、刮痕、边缘破损、疵点、脏污点、水滴油滴印记、条纹、漏涂、皱折、暗斑、亮斑以及尘埃等缺陷进行有效的识别。
进一步的，人员异常违规动作主要包括有人员正确着装、非法入侵、攀爬围栏、非正确姿势取放物品、违规高处作业等行为。
具体的，可对人员正确着装、非法入侵、攀爬围栏、非正确姿势取放物品、违规高处作业等违规行为型有效的识别。
工作原理：本装置通过图像处理器将图像采集器采集的图片数据与数据库中的设备缺陷模型比较，可识别出设备外观缺陷，并将识别出的外观缺陷通过信号传输器传递至监控后台，方便对设备外观缺陷的检测以及快速采用应对措施，通过图像处理器将图像采集器采集的图片数据与数据库中的人员异常违规行为模型比较，可识别出工人的违规动作以及操作，进而提升了工厂对工人的安全管理，避免出现操作不当造成人员伤亡的安全事故，通过烟雾传感器、温度传感器的配合使用，可对工厂内部环境进行时时检测，当发生火情时，烟雾传感器与温度传感器检测的数据传递至数据处理分析，可识别出火情的出现，同时通过热成像模块分析得出发生火情的具体位置，进而方便快速灭火，避免因发生火灾造成过大的损失，同时可对设备表面的表面针以及指示灯进行快速识别，从而识别出设备的相应工作状态，进而对设备的工作状况进行及时掌握，方便对设备的检修。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (8)

1.一种易用高效AI识别算法，包括处理系统以及识别算法，其特征在于：所述处理系统由图像采集设备、图像处理器、信号传输器以及数据库组成，所述图像处理器分别电性连接于图像采集设备、数据库和信号传输器，且信号传输器信号连接于监控后台，所述识别算法包括以下步骤：
S1：建立特征，包括设备外观缺陷模型建立和人员异常违规动作模型建立；
S2：图像获取，由图像采集设备对识别区域的具体情况进行时时拍摄，并将拍摄画面传递至图像处理器进行处理；
S3：图像处理，图像处理器对由图像采集设备采集到的图像进行裁剪、旋转、翻转及缩放等预处理，并得到相应的数据；
S4：分析识别，通过预处理图像数据与数据库中的模型数据进行比对，确定出设备外观缺陷以及人员违规动作的图片，通过环境识别系统得出工厂内部环境情况，通过设备状态识别系统得出设备运转情况；
S5：结果处理，识别得出的不利于安全生产的数据通过信号传输器传递至监控后台，方便监控人员的管理。
2.根据权利要求1所述的一种易用高效AI识别算法，其特征在于：S1中的设备外观缺陷模型建立包括以下子步骤：
通过图像采集设备采集现有设备的外观缺陷的多组图像，并对存在具体缺陷的位置处进行位置校准；
利用图像处理器结合现有的图像转换GAN模型将采集到的设备外观缺陷图像进行再生成，得到设备缺陷的样本；
结合设备缺陷的样本，对样本进行概率统计，将概率低于百分之五的样本剔除，再利用基于卷积神经网络技术构建出设备外观缺陷的模型；
由所述图像处理器将构建的设备外观缺陷的模型传输至数据库内部进行存储。
3.根据权利要求1所述的一种易用高效AI识别算法，其特征在于：S1中的人员异常违规动作模型建立包括以下子步骤：
通过使用Kinect传感器对操作人员采用违规操作时的人体三维骨骼点数据进行采集获取，并通过滤波处理模组对人体三维骨骼点数据进行均值滤波处理；
采用聚类算法对均值滤波处理后的人体三维骨骼点数据进行训练并验证得到人员违规动作的模型；
将人员违规动作模型传输至数据库中进行存储。
4.根据权利要求1所述的一种易用高效AI识别算法，其特征在于：S4中的设备状态识别系统由表针识别与设备指示灯识别组成，所述表针识别包括以下子步骤：
由所述图像采集设备拍摄待识别区域内的指针表盘轮廓并传递至所述图像处理器内部进行图像预处理；
经图像处理器提取出的特征数据与数据库中的标准值进行比较，识别出表针指示位置是否出现异常，若出现异常，则由图像处理器通过信号传输器想监控后台发出相应信号；
所述设备指示灯识别包括以下子步骤：
由所述图像采集设备拍摄设备指示区的图像并传递至图像处理器内部进行图像数据预处理；
以图像数据预处理中的设备指示灯的局部图像作为识别区域，并提取出指示灯亮起的颜色，并经过校准后与数据库中的颜色模型进行比对识别。
5.根据权利要求1所述的一种易用高效AI识别算法，其特征在于：S4中的环境识别系统由烟雾传感器、温度传感器、热成像模块以及数据处理模块组成，且烟雾传感器、温度传感器以及热成像模块均电性连接于输出处理器，且输出处理器与监控后台电信号连接，所述烟雾传感器、温度传感器以及热成像模块均匀分布安装在现场的待识别检测区域。
6.根据权利要求5所述的一种易用高效AI识别算法，其特征在于：所述图像采集设备为分布于工厂内部的定点监控摄像头和移动式监控摄像头，且通过外界电源为定点监控摄像头和移动式监控摄像头进行供电。
7.根据权利要求1所述的一种易用高效AI识别算法，其特征在于：设备外观缺陷主要包括设备外部的孔洞、破损、边缘裂缝、刮痕、边缘破损、疵点、脏污点、水滴油滴印记、条纹、漏涂、皱折、暗斑、亮斑以及尘埃等。
8.根据权利要求1所述的一种易用高效AI识别算法，其特征在于：人员异常违规动作主要包括有人员正确着装、非法入侵、攀爬围栏、非正确姿势取放物品、违规高处作业等行为。
CN202210072657.3A 2022-01-21 2022-01-21 一种易用高效ai识别算法 Pending CN114550082A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210072657.3A CN114550082A (zh) 2022-01-21 2022-01-21 一种易用高效ai识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210072657.3A CN114550082A (zh) 2022-01-21 2022-01-21 一种易用高效ai识别算法

Publications (1)

Publication Number Publication Date
CN114550082A true CN114550082A (zh) 2022-05-27

Family

ID=81671127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210072657.3A Pending CN114550082A (zh) 2022-01-21 2022-01-21 一种易用高效ai识别算法

Country Status (1)

Country Link
CN (1) CN114550082A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601709A (zh) * 2022-11-07 2023-01-13 北京万理软件开发有限公司（Cn） 煤矿员工违规统计系统、方法、装置以及存储介质
CN116471129A (zh) * 2023-06-20 2023-07-21 深圳市美力高集团有限公司 一种基于大数据分析的安防监控数据安全存储系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601709A (zh) * 2022-11-07 2023-01-13 北京万理软件开发有限公司（Cn） 煤矿员工违规统计系统、方法、装置以及存储介质
CN115601709B (zh) * 2022-11-07 2023-10-27 北京万理软件开发有限公司 煤矿员工违规统计系统、方法、装置以及存储介质
CN116471129A (zh) * 2023-06-20 2023-07-21 深圳市美力高集团有限公司 一种基于大数据分析的安防监控数据安全存储系统及方法

Similar Documents

Publication Publication Date Title
CN114550082A (zh) 一种易用高效ai识别算法
CN111932709A (zh) 一种基于ai识别实现加油站巡检作业违规安全监管的方法
CN112184678A (zh) 图像识别方法、装置、计算机可读存储介质及处理器
CN108389359A (zh) 一种基于深度学习的城市火灾报警方法
CN113344326A (zh) 多信息融合特殊作业现场动态隐患识别和风险评估系统和方法
CN110989594A (zh) 一种智能机器人巡检系统及方法
CN201237824Y (zh) 油井智能监控报警系统
CN212782246U (zh) 一种基于人工智能的烟火识别系统
CN113313899A (zh) 一种基于大数据的安防监控分析处理方法
CN111899211A (zh) 基于图像和气味的变压器漏油故障检测系统及方法
CN211878460U (zh) 一种配变环境智能综合监控系统
CN110930632B (zh) 一种基于人工智能的预警系统
CN112564291A (zh) 一种电力设备压板状态监测系统及监测方法
CN115939996A (zh) 一种电力巡检机器人的自动巡检系统
CN115880722A (zh) 一种配电作业人员穿戴的智能识别方法、系统和介质
CN112947147A (zh) 一种基于多传感器及云平台算法的消防机器人
CN112702570A (zh) 一种基于多维行为识别的安防管理系统
CN111914258A (zh) 一种大数据中心服务器异常巡视报警系统
CN213457742U (zh) 一种焊接作业监控系统
CN116311034A (zh) 一种基于对比检测的机器人巡检系统
CN116012784A (zh) 基于ai机器人识别的采煤过程巡检方法及系统
CN210181451U (zh) 智慧安全用电监控系统
CN116665419B (zh) 电力生产作业中基于ai分析的故障智能预警系统及方法
CN117729314B (zh) 基于ai视觉的多区域监测系统及方法
CN211529215U (zh) 一种智能巡更终端及系统

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