CN114882589A - 基于智能视频分析的粮仓安全作业预警系统及方法 - Google Patents
基于智能视频分析的粮仓安全作业预警系统及方法 Download PDFInfo
- Publication number
- CN114882589A CN114882589A CN202210482322.9A CN202210482322A CN114882589A CN 114882589 A CN114882589 A CN 114882589A CN 202210482322 A CN202210482322 A CN 202210482322A CN 114882589 A CN114882589 A CN 114882589A
- Authority
- CN
- China
- Prior art keywords
- early warning
- granary
- safety operation
- module
- key frame
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
- G06V20/47—Detecting features for summarising video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于智能视频分析的粮仓安全作业预警系统及方法,涉及安防技术领域,包括:依次连接的监控模块、数据处理模块、行为识别模块、存储与预警模块;所述监控模块,用于对监控设备进行参数设置以及视频数据采集;所述数据处理模块,用于对视频数据进行预处理,获得关键帧数据;所述行为识别模块,用于根据识别模型对关键帧数据进行非安全作业行为识别;所述存储与预警模块,用于根据识别结果,进行存储以及报警;本发明通过系统能够有效地检测员工的非安全作业行为,并进行提醒和报警来预防发生安全事故,提高了员工和粮食的安全系数,同时也节约了大量的人力物力。
Description
技术领域
本发明涉及安防技术领域,更具体的说是涉及一种基于智能视频分析的粮仓安全作业预警系统及方法。
背景技术
随着科技的发展,监控系统被广泛应用于公共安全、家庭安全中。传统监控系统需要大量人力进行监管、查阅,没有实时性的监测功能,浪费了大量资源。近年来,人工智能技术逐渐走向成熟,大量的先进技术应用在生活和大多数工业领域中。由于智能技术产品具有高度自动化并且高效、准确的特点而被人们认可,得以运用到生活、工作中。自然地,如何利用监控设备实现智能监控成为了安防领域的热点话题。在宿舍、校园门口设置摄像头,可以极大的提高学生在校园内的安全系数;在车站、广场安装监控设备可以及时发现人流的异常情况,预防踩踏和暴力事件的发生。在粮库中设置摄像头可以追溯粮食在库区运输的业务流程,在保障粮食安全的同时,也及时记录了不规范行为。但是,员工在粮仓内的作业行为是否规范以及是否安全这个问题还没有得到重视,这对于保障粮食安全是一个潜在威胁。
传统的粮仓视频安防系统只是通过监控设备对监控区域进行录像,对监控视频进行存储和回放等功能,无法提供监控预警功能。需要监控人员实时查看监控视频,当出现异常情况时,采取对应的措施。监控人员往往需要同时监控多个画面,这种监控方式很容易导致监控人员出现疲劳状态,无法对异常情况进行及时预警。因此克服上述缺陷是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于智能视频分析的粮仓安全作业预警系统及方法,克服上述缺陷。
为了实现上述目的,本发明提供如下技术方案:
一种基于智能视频分析的粮仓安全作业预警系统,包括:依次连接的监控模块、数据处理模块、行为识别模块、存储与预警模块;
所述监控模块,用于对监控设备进行参数设置以及视频数据采集;
所述数据处理模块,用于对视频数据进行预处理,获得关键帧数据;
所述行为识别模块,用于根据识别模型对关键帧数据进行非安全作业行为识别;
所述存储与预警模块,用于根据识别结果,进行存储以及报警。
可选的,系统采用低耦合架构。
一种基于智能视频分析的粮仓安全作业预警方法,具体步骤为:
视频数据采集:获取视频数据;
数据处理:对获得的视频数据进行预处理,获得关键帧数据;
行为识别模块:根据识别模型对关键帧数据进行非安全作业行为识别;
存储与预警:根据识别结果,进行存储以及预警。
可选的,视频数据采集的具体步骤:
读取或填写监控设备的基础信息,并对基础信息进行验证;
根据验证结果,判断是否对监控设备进行参数设置;
根据设置参数,读取并输出视频数据。
可选的,所述参数设置包括采集参数设置和显示参数设置。
可选的,采集参数设置包括对监控设备的图像比例、采集的频率进行设置。
可选的,显示参数设置包括对视频的亮度、显示帧率进行设置。
可选的,预处理的具体步骤:
根据视频数据提取关键帧图像;
对关键帧图像进行尺寸调整;
对调整尺寸的关键帧图像进行质量优化,根据关键帧图像的质量判断是否进行灰度化处理;
根据判断结果,获得关键帧数据。
可选的,识别模型的构建步骤:
基于TSF算法模型搭建基础模型;
通过迁移学习和分层训练方法对基础模型进行训练、调整与优化;
对优化后的模型进行评估;
根据评估结果,获取识别模型。
可选的,非安全作业行为识别的具体步骤为:
步骤41、获取关键帧数据;
步骤42、将关键帧数据输入识别模型,获得识别结果;
步骤43、根据识别结果判断是否安全作业,若是,执行步骤44;若否,则将识别结果进行存储,并进行提醒和报警,执行步骤44;
步骤44、判断是否继续检测,若是,执行步骤41;若否,则退出识别。
经由上述的技术方案可知,与现有技术相比,本发明公开了一种基于智能视频分析的粮仓安全作业预警系统及方法,能够对员工作业进行实时监测,对违规行为进行智能识别,同时记录下来,并将其上传到服务器,向系统使用者发出警告。同时,还能识别本地的视频,并将其违反规则的情况展示出来;本发明能够有效地检测粮仓员工的非安全作业行为,并进行提醒和报警来预防发生安全事故,提高了员工和粮食的安全系数,同时也节约了大量的人力物力。
附图说明
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,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明的系统总体结构图;
图2为本发明的系统体系架构图;
图3为本发明的系统结构框图;
图4为本发明的系统数据库设计示意图;
图5为本发明的识别模型的构建步骤流程图;
图6为本发明的视频数据采集的步骤流程图;
图7为本发明的预处理的步骤流程图;
图8为本发明的非安全作业行为识别的步骤流程图;
图9为本发明的非安全作业行为识别结果的保存和预警的步骤流程图;
图10为本发明的基于智能视频分析的粮库安全作业预警系统的运行预览图。
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。
本发明实施例公开了一种基于智能视频分析的粮仓安全作业预警系统及方法,通过实时采集视频关键帧,基于行为识别模型来检测员工行为。通过对关键帧进行预处理来增强特征,增加行为识别准确率。根据保存的结果,生成包括奔跑、打斗、抽烟和未佩戴防护用具情况识别统计。
本发明实施例公开了一种基于智能视频分析的粮仓安全作业预警系统,系统总体结构如图1所示,主要由数据读取、客户端处理器和远程服务器三个模块完成,具体结构框图,如图3所示,包括监控模块、数据处理模块、行为识别模块、存储与预警模块;其中,
监控模块:对系统中摄像头部分进行管理,包括:摄像机参数设置、视频采集。参数设置包括设置摄像头视频的灰度、亮度、对比度等。
数据处理模块:对于视频数据的处理,具体为:读取视频数据、数据预处理。数据预处理包括图像裁剪、抽取关键帧等;其中,视频数据包括摄像头数据以及本地视频数据。
行为识别模块:通过已加载的训练好的识别模型,对于视频中的非安全作业行为进行识别。
存储与预警模块:将识别出的非安全作业行为结果保存,并向管理员推送消息或进行仓内提醒。
其中,视频采集前,首先,读取摄像头的地址和验证信息,尝试连接,若失败则显示失败提示,结束流程;若摄像头成功加载,则可以设置相应参数,最后将视频输出到显示设备上。
将数据采集参数设定好后,摄像头采集到的视频会被传输到数据处理模块,将数据统一格式,提高识别模型的效率。
本实施例中系统体系架构如图2所示,体系架构由五个层次构成,即数据层、处理层、业务层、应用层和表示层;由于采用了低耦合架构,使得系统的开发工作变得简单,各层间采用API接口通信,便于系统的维护和管理。
该架构的第一层是数据层,包括了视频数据、识别结果数据、用户个人数据等,主要存储在系统的数据库中。
该架构的第二层是处理层,主要作用是处理和存储底层的数据。主要功能有:格式处理、保存和读取用户的个人资料、保存和读取识别结果等;该层通过将大量的数据处理函数进行封装,从而支持上层的各个功能。
该架构的第三层是业务层,主要是对系统的各个功能进行封装和调用。其核心内容有:调用模型,调用数据。Model_setting是选择模型以及对模型参数的色号;Model_detect包括对指定模型的调用识别方法;controller主要功能是调用数据处理函数并把处理结果传输到上一层。
该架构的第四层是应用层,为系统用户提供了功能选择的可视化面板,通过对界面上选项的选择来调用相关功能,包括:数据来源的选择、保存路径的设置、检测的开启和关闭、视频输出参数的设置等。
该架构的第五层是表示层,主要是根据应用层的分析结果向安全管理员推送警告信息以及对粮仓的工作人员进行提示预警。
其中,采用MySQL数据库,存储用户信息,分析结果等数据。MySQL数据库具有独特的存储引擎框架,能够在高负载下保持可靠稳定。
如图4所示,系统用户、监控视频、非安全作业识别、系统设置之间的关系构成了数据库设计示意图。系统用户的属性有ID、姓名、密码、权限等级、最近登陆时间、IP地址,其中ID为主键;监控视频的属性有设备ID、视频参数、IP地址,其中设备ID为主键;作业行为的属性包括非安全作业ID、非安全作业时间、打斗、抽烟、奔跑、非安全作业穿戴和正常行为,其中非安全作业ID为主键;系统权限的属性包括权限ID、权限等级,其中权限ID为主键;系统用户与作业行为、摄像头之间存在着多对多的关系,系统权限则是一对多,即每个用户只能有一个系统权限。
在另一实施例中,还包括一种基于智能视频分析的粮仓安全作业预警方法,具体步骤为:
视频数据采集:获取视频数据;
数据处理:对获得的视频数据进行预处理,获得关键帧数据;
行为识别模块:根据识别模型对关键帧数据进行非安全作业行为识别;
存储与预警:根据识别结果,进行存储以及预警。
其中,视频数据采集的步骤如图6所示,具体为:
步骤11、在开启监控模块前,必须对摄像头的各个参数进行设定,具体为:
在线测试,读取或填写需要采集图像进行识别的监控设备的IP地址和验证信息,测试是否能够连接并传输实时影像;
步骤12、尝试连接,若失败则显示失败提示,结束流程;若摄像头成功加载,则设置相应参数;参数设置包括:
设置采集参数:调整采集到的图像的比例、采集的频率等。
设置显示参数:设置视频的亮度、显示帧率、识别结果等。
步骤13、监控模块的参数设定好后,将摄像头采集到的视频传输到数据处理模块。
其中,预处理的步骤如图7所示,具体为:
提取关键帧:根据视频数据提取关键帧图像;
图像裁剪:对帧进行裁剪操作,将关键帧的尺寸统一;
颜色变化:对图像的通道进行调整,以便更好的提取特征,根据图像质量来决定是否进行灰度化调整。
其中,非安全作业行为识别的步骤如图8所示,具体为:
首先会加载经过训练与测试的网络模型,选择的模型要符合本系统需求分析对于检测速度、检测精度、系统消耗等需求的要求。之后系统会接收读取数据处理模块处理后的视频数据,将其送入网络模型中进行检测,识别其中是否有非安全作业行为。系统会分别对抽烟、奔跑、打斗、摔倒、未穿戴安全帽/口罩这五个非安全作业行为进行判断,如果有其中任何一个,则会返回非安全作业行为结果,否则返回无非安全作业行为。根据返回的结果,系统在进行下一步的处理与操作。如果继续检测,那么会继续接收数据处理模块的视频数据,进行下一步的检测,否则就会停止检测,结束运行。
本实施例对于视频的检测速度和准确度要求每秒处理关键帧至少达到16FPS,对于违反操作的识别率要达到90%,同时系统内存的占用不能超过50%。从稳定性和可用性两个方面来说,它需要稳定、可靠、无波动,能够在5秒之内完成系统响应,并且能够适应主流Windows、Linux环境。
其中,识别模型的构建步骤如图5所示,具体为:
基于TSF算法模型搭建基础模型;
通过迁移学习和分层训练方法对基础模型进行训练、调整与优化;
对优化后的模型进行评估;
根据评估结果,获取识别模型。
具体步骤为:
首先,基于快慢邻域特征融合时域分割网络(TSF)构建行为基础识别模型;然后对网络模型进行初始化,TSF网络的双流通道参数初始值被设置为在Slow Fast网络上训练UCF101数据集得到的权重。然后,通过分层训练法对模型进行训练。当训练达到权重参数无明显变化时,当前的训练就会停止,相应的最佳模型就会更新。重复多次,直到所有网络块都被分层训练。最后,将所有的网络模型解冻并进行最终的训练,以达到调整参数和获得最优解模型的效果。
基础模型基于快慢邻域特征融合时域分割网络(TSF)构建行为识别网络,主干网络使用3Dresnet50;具体可分为三个部分:
1)视频切片:将视频分为K段,从每段视频帧中进行采样,作为Slow通道和Fast通道的输入;
2)结合时域分段策略的快慢特征融合网络:在Slow通道和Fast通道中按比例输入视频帧,提取出时空特征,通过邻域特征融合得到第一个Clip生成初步预测得分和余下的K-1个Clip生成的K-1个阶段性预测得分;
3)阶段结果聚合:将K个预测结果使用共识函数进行聚合,生成整个视频的预测结果。
基础模型在训练模型之前,需要对原始数据集(即上节生成的数据集)进行预处理和标注,得到相应的数据集。数据预处理包括帧提取、图像裁剪、灰度处理、旋转等,以保证数据集的多样化和规范化,同时也扩展了数据集。得到相应的数据集后,选择75%作为训练集,25%作为测试集,为之后的模型训练和测试做准备。在训练过程中保存当前性能最好的模型的参数,然后在每次训练后通过比较和替换当前模型与最佳模型来更新最佳模型的权重参数。最后,判断训练结束,如果没有结束,则继续进行模型训练和测试,如果结束,则以当前最优模型作为本次训练的最优权重。
为了使模型能够达到理想的训练效果,采用分层训练方法对模型进行训练,具体为:冻结部分网络,训练中只迭代其他部分的参数,训练部分的权重在训练过程中逐渐达到收敛,然后将此部分网络冻结,在此基础上训练另一个部分。模型的状态达到理想状态时进行整体训练,通过对模型参数的微调就可以得到最佳权重。
非安全作业行为识别结果的保存和预警流程图如图9所示,对行为识别模块输出的识别结果进行保存,并对非安全作业行为进行提醒和展示。首先,在接收到非安全作业的识别结果,将非安全作业行为的视频关键帧保存留证,同时将识别结果更新到数据库中,然后通过系统消息通知管理员或通过粮仓中的音响设施提醒作业人员。
基于智能视频分析的粮库安全作业预警系统的运行预览图如图10所示,界面的左侧为系统设置部分,通过勾选或设置参数对系统的运行参数进行调整。主要包括三个部分:(1)视频输入源的选择,可以通过在线的监控设备传输视频数据,也可以使用本地的视频片段。(2)视频数据调整选项,勾选图像灰度化,在右侧显示区域将输出黑白画面;根据监控画面的质量调整亮度和对比度,对关键帧进行预处理,达到最佳识别效果;通过调整图像尺寸来达到较好图像观看效果。(3)识别显示设置。通过勾选显示帧率和显示结果,在图像上输出相应文字;通过设置识别阈值过滤掉低概率结果以减少误报。
界面右侧为视频播放区域,画面中可以展示监控设备的位置、当前时间、当前帧率、非安全作业情况等信息。下方的下拉列表框的功能是选择已保存的在线设备地址,测试连接按钮用来连接摄像头;点击新增设备按钮添加新摄像头地址;点击开按钮,开始加载模型,然后将每秒抽取16帧输入到模型中,对视频进行非安全作业行为检测;点击停止按钮,则停止视频输出和检测。同时,对此区域的操作会输出日志信息在下方的文字框里面。
本系统能够对员工作业进行实时监测,对违反的行为进行智能识别,将违法行为记录下来,并将其上传到服务器,向系统使用者发出警告。同时,该系统还能识别本地的视频,并将其违反规则的情况展示出来。为了获得更好的检测和显示效果,还可以调节监控视频的灰度、对比度、亮度。本系统能有效地检测粮仓员工的非安全作业行为,并进行提醒和报警来预防发生安全事故,提高了员工和粮食的安全系数,同时也节约了大量的人力物力。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业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公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于智能视频分析的粮仓安全作业预警系统,其特征在于,包括:依次连接的监控模块、数据处理模块、行为识别模块、存储与预警模块;
所述监控模块,用于对监控设备进行参数设置以及视频数据采集;
所述数据处理模块,用于对视频数据进行预处理,获得关键帧数据;
所述行为识别模块,用于根据识别模型对关键帧数据进行非安全作业行为识别;
所述存储与预警模块,用于根据识别结果,进行存储以及报警。
2.根据权利要求1所述的一种基于智能视频分析的粮仓安全作业预警系统,其特征在于,系统采用低耦合架构。
3.一种基于智能视频分析的粮仓安全作业预警方法,其特征在于,具体步骤为:
视频数据采集:获取视频数据;
数据处理:对获得的视频数据进行预处理,获得关键帧数据;
行为识别模块:根据识别模型对关键帧数据进行非安全作业行为识别;
存储与预警:根据识别结果,进行存储以及预警。
4.根据权利要求3所述的一种基于智能视频分析的粮仓安全作业预警方法,其特征在于,视频数据采集的具体步骤:
读取或填写监控设备的基础信息,并对基础信息进行验证;
根据验证结果,判断是否对监控设备进行参数设置;
根据设置参数,读取并输出视频数据。
5.根据权利要求4所述的一种基于智能视频分析的粮仓安全作业预警方法,其特征在于,所述参数设置包括采集参数设置和显示参数设置。
6.根据权利要求5所述的一种基于智能视频分析的粮仓安全作业预警方法,其特征在于,采集参数设置包括对监控设备的图像比例、采集的频率进行设置。
7.根据权利要求5所述的一种基于智能视频分析的粮仓安全作业预警方法,其特征在于,显示参数设置包括对视频的亮度、显示帧率进行设置。
8.根据权利要求3所述的一种基于智能视频分析的粮仓安全作业预警方法,其特征在于,预处理的具体步骤为:
根据视频数据提取关键帧图像;
对关键帧图像进行尺寸调整;
对调整尺寸的关键帧图像进行质量优化,根据关键帧图像的质量判断是否进行灰度化处理;
根据判断结果,获得关键帧数据。
9.根据权利要求3所述的一种基于智能视频分析的粮仓安全作业预警方法,其特征在于,识别模型的构建步骤:
基于TSF算法模型搭建基础模型;
通过迁移学习和分层训练方法对基础模型进行训练、调整与优化;
对优化后的模型进行评估;
根据评估结果,获取识别模型。
10.根据权利要求3所述的一种基于智能视频分析的粮仓安全作业预警方法,其特征在于,非安全作业行为识别的具体步骤为:
步骤41、获取关键帧数据;
步骤42、将关键帧数据输入识别模型,获得识别结果;
步骤43、根据识别结果判断是否安全作业,若是,执行步骤44;若否,则将识别结果进行存储,并进行提醒和报警,执行步骤44;
步骤44、判断是否继续检测,若是,执行步骤41;若否,则退出识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210482322.9A CN114882589A (zh) | 2022-05-05 | 2022-05-05 | 基于智能视频分析的粮仓安全作业预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210482322.9A CN114882589A (zh) | 2022-05-05 | 2022-05-05 | 基于智能视频分析的粮仓安全作业预警系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114882589A true CN114882589A (zh) | 2022-08-09 |
Family
ID=82673927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210482322.9A Pending CN114882589A (zh) | 2022-05-05 | 2022-05-05 | 基于智能视频分析的粮仓安全作业预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882589A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116665419A (zh) * | 2023-05-09 | 2023-08-29 | 三峡高科信息技术有限责任公司 | 电力生产作业中基于ai分析的故障智能预警系统及方法 |
-
2022
- 2022-05-05 CN CN202210482322.9A patent/CN114882589A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116665419A (zh) * | 2023-05-09 | 2023-08-29 | 三峡高科信息技术有限责任公司 | 电力生产作业中基于ai分析的故障智能预警系统及方法 |
CN116665419B (zh) * | 2023-05-09 | 2024-01-16 | 三峡高科信息技术有限责任公司 | 电力生产作业中基于ai分析的故障智能预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516529A (zh) | 一种基于深度学习图像处理的投喂检测方法和系统 | |
CN109191761A (zh) | 一种基于火焰多特征融合的火灾识别方法 | |
KR102149832B1 (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
CN110674790A (zh) | 一种视频监控中异常场景处理方法及系统 | |
CN109543607A (zh) | 目标物异常状态检测方法、系统、监护系统及存储介质 | |
CN112153373A (zh) | 明厨亮灶设备的故障识别方法、装置及存储介质 | |
CN107784649A (zh) | 基于图像识别的芯棒测试远程报警系统及方法 | |
CN115471487A (zh) | 绝缘子缺陷检测模型构建及绝缘子缺陷检测方法、装置 | |
CN211184122U (zh) | 铁路作业安全防控和大客流预警联动的智能视频分析系统 | |
CN111507574B (zh) | 安保人员部署方法、装置、计算机设备和存储介质 | |
CN114882589A (zh) | 基于智能视频分析的粮仓安全作业预警系统及方法 | |
CN113538825A (zh) | 一种用于校园翻墙事件报警方法及系统 | |
CN111325119A (zh) | 一种安全生产的视频监控方法及系统 | |
CN112883755A (zh) | 一种基于深度学习与行为先验的吸烟和打电话检测方法 | |
CN113723701A (zh) | 森林火灾监测预测方法及系统、电子设备及存储介质 | |
CN106067963B (zh) | 一种分布式的远程巨量监视器异常自动通报方法 | |
CN115330262A (zh) | 一种智慧城市公共管理方法、系统和存储介质 | |
CN114071060B (zh) | 智能远程评标监管系统 | |
CN115205761A (zh) | 一种事故原因离线智能诊断系统 | |
CN115240277A (zh) | 安检行为的监控方法、装置、电子设备及存储介质 | |
Itano et al. | Evaluation of the effectiveness of a crowdsourcing-based crime detection system | |
CN109671236A (zh) | 周界目标物体的检测方法及其系统 | |
CN117061788B (zh) | 一种短视频自动化监管与预警方法、设备及存储设备 | |
KR102625814B1 (ko) | Ai 안면인식 기반 음주운전 제로 솔루션 | |
CN116597380A (zh) | 一种停放车辆监控方法、存储介质及电子设备 |
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 |