CN115081957A - 一种危废暂存及监测的危废管理平台 - Google Patents
一种危废暂存及监测的危废管理平台 Download PDFInfo
- Publication number
- CN115081957A CN115081957A CN202210989496.4A CN202210989496A CN115081957A CN 115081957 A CN115081957 A CN 115081957A CN 202210989496 A CN202210989496 A CN 202210989496A CN 115081957 A CN115081957 A CN 115081957A
- Authority
- CN
- China
- Prior art keywords
- area
- abnormal
- region
- matching
- sequence
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 187
- 239000002699 waste material Substances 0.000 claims abstract description 141
- 239000002920 hazardous waste Substances 0.000 claims abstract description 101
- 230000008859 change Effects 0.000 claims abstract description 78
- 239000007788 liquid Substances 0.000 claims abstract description 73
- 238000012216 screening Methods 0.000 claims abstract description 37
- 230000000903 blocking effect Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 21
- 238000005315 distribution function Methods 0.000 claims description 8
- 231100001261 hazardous Toxicity 0.000 claims 1
- 239000010813 municipal solid waste Substances 0.000 abstract description 18
- 238000012545 processing Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种危废暂存及监测的危废管理平台。该平台中划分区域模块用于将采集到的危废区域图像划分为多个分块区域;区域匹配模块用于对不同帧危废区域图像上的分块区域进行匹配,得到多个匹配区域对和未匹配区域;筛选异常区域模块用于从多个匹配区域对和未匹配区域中筛选出异常区域;第一数据获取模块用于筛选出疑似区域序列,并将计算对应的变化连续性;第二数据获取模块用于计算疑似区域序列的边缘延伸性;异常报警模块用于计算危废液体泄漏概率;根据危废液体泄漏概率对异常区域进行报警。本发明通过对危废区域图像进行数据分析得到异常区域,实现对暂存危废垃圾的区域实时监测的目的。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种危废暂存及监测的危废管理平台。
背景技术
现有汽修厂等场所内会产生多种危废垃圾,基本采用集中收集的方法放置于固定场所,在累计一定数量后通知回收人员前来对危废垃圾进行回收。将危废垃圾放置于固定场所时,由于是每隔一段时间进行回收,故存在对危废垃圾的监控不到位的情况,监控不到位的情况下会导致回收不及时、回收计量费时费力的情况出现。将危废垃圾放置于固定场所,长时间存放会导致液体泄漏的情况出现,有些液体的挥发性和危害性较大,故对危废垃圾的异常监测是必要的。
目前,常见的对危废垃圾进行异常监测的方法为,采集不同时刻的视频帧图像对相邻帧图像进行分析,通过相邻帧图像内区域的面积和颜色的差异,为危废垃圾存放中是否存在液体泄漏的情况进行监测。该方法仅通过分析区域的面积和颜色的差异来进行液体泄漏的情况监测,容易受到环境光的干扰,不同时刻的环境光不同,导致得到的实际图像上同一个区域的灰度值也随着时间变化在改变,也即颜色差异也随着时间变化在改变,难以将异常的危废液体泄漏区域与危废垃圾区域区分开,使得检测结果的误差较大。
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危废暂存及监测的危废管理平台,该平台包括以下模块:
划分区域模块,用于采集连续帧危废区域图像;将所述危废区域图像划分为多个分块区域;
区域匹配模块,用于根据不同帧危废区域图像上分块区域之间的中心点坐标的相似程度,对不同帧危废区域图像上的分块区域进行匹配,得到多个匹配区域对和未匹配区域;
筛选异常区域模块,用于根据所述匹配区域对中的匹配区域的空间上的匹配方向的差异,从匹配区域对中筛选出异常区域;根据未匹配区域的中心点坐标和未匹配区域在初始危废区域图像中对应的区域的中心坐标点的差异,从未匹配区域中筛选出异常区域;
第一数据获取模块,用于由连续帧危废区域图像中同一位置处的异常区域构建异常区域序列;根据所述异常区域序列中异常区域的面积变化程度,构建面积变化序列;根据所述面积变化序列与预设标准序列的第一相似度,筛选出疑似区域序列,将所述第一相似度作为变化连续性;
第二数据获取模块,用于获取疑似区域序列中的第一个异常区域在初始危废区域图像中对应的分块区域数量;将所述分块区域数量输入预设正态分布函数中,将输出值作为边缘延伸性;
异常报警模块,用于所述变化连续性和所述边缘延伸性的乘积为疑似区域序列中的异常区域的危废液体泄漏概率;对所述危废液体泄漏概率大于预设概率阈值的异常区域进行报警。
优选的,所述将所述危废区域图像划分为多个分块区域,包括:
利用图割算法,将危废区域划分为多个分块区域。
优选的,所述根据不同帧危废区域图像上分块区域之间的中心点坐标的相似程度,对不同帧危废区域图像上的分块区域进行匹配,得到多个匹配区域对,包括:
获取各所述分块区域的中心点坐标,计算不同帧危废区域图像上分块区域的中心点坐标的相似程度,作为第二相似度;以所述第二相似度作为两个分块区域的边权值,对不同帧危废区域图像上的分块区域进行两两匹配,得到多个匹配区域对。
优选的,所述根据所述匹配区域对中的匹配区域的空间上的匹配方向的差异,从匹配区域对中筛选出异常区域,包括:
获取多个匹配区域对的匹配方向,选择数量最多的匹配方向作为一致方向;
分别获取所述匹配方向和所述一致方向与水平线形成的角度值作为匹配角度值和一致角度值;所述匹配角度值与所述一致角度值的差值作为方向差异值,大于预设方向阈值的方向差异值对应的匹配区域对内的分块区域为异常区域。
优选的,未匹配区域在初始危废区域图像中对应的区域的获取方法为:
选取任意未匹配区域作为目标区域,获取所述目标区域的中心点作为目标中心点;以所述目标中心点作为起点,根据所述一致方向获取在初始危废区域图像中目标中心点对应的坐标点,作为目标坐标点;所述目标坐标点在初始危废区域图像中所属的分块区域,为目标区域在初始危废区域图像中对应的区域。
优选的,所述根据所述异常区域序列中异常区域的面积变化程度,构建面积变化序列,包括:
获取所述异常区域序列中相邻的异常区域的面积交并比,由多个相邻的异常区域的面积交并比构建面积变化序列。
优选的,所述根据所述面积变化序列与预设标准序列的第一相似度,筛选出疑似区域序列,包括:
计算所述面积变化序列与预设标准序列的余弦相似度,作为第一相似度;将所述第一相似度大于预设相似度阈值的异常区域序列,作为疑似区域序列。
优选的,所述根据未匹配区域的中心点坐标和未匹配区域在初始危废区域图像中对应的区域的中心坐标点的差异,从未匹配区域中筛选出异常区域,包括:
选取任意未匹配区域作为目标区域,以所述目标区域在初始危废区域图像中对应的区域的中心坐标点作为原始中心点坐标,根据所述原始中心点坐标和所述目标区域的中心点坐标的差异,从未匹配区域中筛选出异常区域。
优选的,所述根据所述原始中心点坐标和所述目标区域的中心点坐标的差异,从未匹配区域中筛选出异常区域,包括:
计算原始中心点坐标和所述目标区域的中心点坐标的坐标差值,大于预设坐标差值阈值的坐标差值对应的未匹配区域为异常区域。
本发明实施例至少具有如下有益效果:
该平台首先将采集到的危废区域图像划分为多个分块区域,并对不同帧危废区域图像上的分块区域进行匹配,得到多个匹配区域对和未匹配区域,避免了相邻帧危废区域图像上每个像素点进行匹配时的庞大计算量,有助于后续实现对异常区域的快速定位;
由筛选出的异常区域构建异常区域序列,将异常区域序列的面积变化程度构成的面积变化序列和预设标准序列的相似度作为变化连续性,并筛选出疑似区域序列,通过异常区域序列的变化连续性实现了将危废垃圾区域和危废液体泄漏区域区分开的目的;
根据疑似区域序列中第一个异常区域在初始危废区域图像中对应的分块区域数量得到边缘延伸性,根据边缘延伸性对危废液体泄漏区域进行进一步的区分,因为当异常区域为危废液体泄漏区域时,会随着时间的延长而连续性的改变,故其边缘延伸程度也会改变。结合变化连续性和边缘延伸性得到疑似区域序列中异常区域的危废液体泄漏概率,对异常区域和变化连续性和边缘延伸性的分析,筛选出发生危废液体泄漏的异常区域,减小了受环境光的影响。最后根据危废液体泄漏概率对异常区域进行报警,对暂存危废垃圾的区域是否发生危废液体泄漏进行实时监测。
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和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种危废暂存及监测的危废管理平台的平台系统框图。
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,以下结合附图及较佳实施例,对依据本发明提出的一种危废暂存及监测的危废管理平台,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。
本发明实施例提供了一种危废暂存及监测的危废管理平台,该平台适用于危废垃圾监测场景。该场景下的危废管理平台包括划分区域模块、区域匹配模块、筛选异常区域模块、第一数据获取模块、第二数据获取模块和异常报警模块。为了解决通过分析区域的面积和颜色的差异来进行液体泄漏的情况监测,容易受到环境光的干扰,导致难以将异常的危废液体泄漏区域与危废垃圾区域区分开的问题。本发明实施例通过对采集到的危废区域图像进行分析,得到多个异常区域,根据不同帧危废区域图像上的异常区域的变化连续性和边缘延伸性进行计算,结合变化连续性和边缘延伸性得到危废液体泄漏概率,对危废液体泄漏概率大的异常区域进行报警,实现对暂存危废垃圾的区域是否发生危废液体泄漏概率的实时监测,对异常区域和变化连续性和边缘延伸性的分析,筛选出发生危废液体泄漏的异常区域,减小受环境光的影响。
下面结合附图具体的说明本发明所提供的一种危废暂存及监测的危废管理平台的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种危废暂存及监测的危废管理平台的平台系统框图,该平台包括以下模块:
划分区域模块10,用于采集连续帧危废区域图像;将所述危废区域图像划分为多个分块区域。
通过摄像头采集得到连续帧的视频图像,通过对视频图像进行异常分析,得到存在异常的异常区域。故首先通过摄像头对危废区域进行采集,得到危废区域图像。
利用图割算法,将危废区域划分为多个不同的分块区域。
传统方法通过帧差计算图像匹配进而检测异常区域,是由于危废液体泄漏时会形成图像上灰度值的变化,而不同时刻的环境光不同,导致得到的实际图像上同一个区域的灰度值也随着时间变化在改变,因此传统方法监测是否有危废液体泄漏时,环境光影响较大,导致监测结果的不准确。
图割算法是通过节点之间的关联性进行分割的,一般情况下,距离越近的像素点的关联性越大,而对于距离较近的像素点来说,可以认为环境光是均匀的,即环境光对通过图割方法得到的区域的影响较小;另一方面是为了后续操作的需要,后续操作中在对环境光导致的异常和危废液体泄漏导致的异常进行区分时,需要用到不同的区域。因此,本发明首先通过图割算法将危废区域图像划分得到不同分块区域。图割算法是现有技术,为本领域技术人员的公知技术。
对每帧危废区域图像均通过图割算法进行处理,得到每帧危废区域图像上的不同分块区域。
区域匹配模块20,用于根据不同帧危废区域图像上分块区域之间的中心点坐标的相似程度,对不同帧危废区域图像上的分块区域进行匹配,得到多个匹配区域对和未匹配区域。
采集得到当前帧危废区域图像及当前帧危废区域图像之间的危废区域图像上的分块区域后,对当前帧危废区域图像和初始危废区域图像的分块区域进行匹配。需要说明的是,初始危废区域图像即为相机采集到的第一帧危废区域图像。当没有光照变化和危废液体泄漏时,初始危废区域图像上得到的分块区域与后续每帧危废区域图像上得到的对应分块区域的匹配率应为100%。但当由于环境光的变化和可能存在的危废液体泄漏,导致初始危废区域图像上得到的分块区域与后续每帧危废区域图像上得到的对应分块区域的匹配率不再是100%,匹配率越小的区域附近存在异常的概率越大。异常区域在初始危废区域图像上是不存在的。
通过计算当前帧危废区域图像和初始危废区域图像的匹配情况得到异常区域,而不是直接计算两帧危废区域图像的帧差而得到异常区域,因为之前已经计算得到了每帧危废区域图像上的不同分块区域,故直接通过区域匹配对分块区域进行分析得到异常区域。
当有异常区域出现,必然会导致当前帧危废区域图像和初始危废区域图像的分块区域的数量不同,故只有在当前帧危废区域图像和初始危废区域图像的分块区域不同时,才计算异常区域。
通过KM匹配算法对当前帧危废区域图像和初始危废区域图像的分块区域进行匹配,具体的:获取当前帧危废区域图像和初始危废区域图像上各分块区域的中心点坐标;计算当前帧危废区域图像和初始危废区域图像上各分块区域的中心点坐标的相似程度,作为第二相似度;以第二相似度作为两个分块区域的边权值,对当前帧危废区域图像和初始危废区域图像上的分块区域进行两两匹配,得到多个匹配区域对和未匹配区域。其中,每个匹配区域对中包含两个分块区域。
由于得到了当前帧危废区域图像和初始危废区域图像上的不同分块区域,因此计算匹配也就是计算这两帧危废区域图像上对应分块区域的匹配,如果对应分块区域没有发生改变,则匹配成功的两个分块区域的中心点的坐标相同,即两个分块区域之间的中心点坐标的相似程度为1。在本发明实施例中相似程度为两个中心点坐标的余弦相似度,在其他实施例中实施者可根据实际情况调整相似程度的计算方法。需要说明的是,中心点坐标的是一个二维向量。
计算两个分块区域的中心点坐标的相似程度作为两个分块区域对应的两个节点之间的边值,是由于KM匹配计算是使得所有匹配关系中边值和最大的相匹配,相似程度越大,越接近于想要的匹配关系,因此将两个分块区域的中心点坐标的相似程度作为两个分块区域对应的两个节点之间的边值。由于存在当前帧危废区域图像的分块区域数量为m个和初始危废区域图像上的分块区域数量为n个的情况,也即当前帧危废区域图像的区域数量和初始危废区域图像上的区域数量不同时,即mn时,此时在当前帧危废区域图像的m个分块区域中随机选择n个分块区域,通过KM匹配计算当前帧危废区域图像n个分块区域和初始危废区域图像上的n个区域得到最佳匹配。需要说明的是,由于异常区域不存在于初始危废区域图像上,仅有可能存在与后续帧的危废区域图像上,故初始危废区域图像上的分块数量始终少于后续帧危废区域图像上的分块数量。
可以随机从当前帧危废区域图像上选取n个分块区域,是由于当异常区域出现时,异常区域数量较少,正常区域的数量较多。同时由于不同帧危废区域图像的正常区域的中心点坐标,与初始危废区域图像上的相匹配的分块区域的中心点坐标的匹配方向是一致的;也即指如果当前帧危废区域图像和初始危废区域图像没有发生变化,则当前帧危废区域图像和初始危废区域图像上对应的分块区域的匹配方向均平行,因此只需得到数量最大的匹配方向作为一致方向。然后根据一致方向,结合第一帧危废区域图像上每个分块区域的中心点,判断得到不同帧危废区域图像上的分块区域有没有发生异常,故因此可以随机从当前帧危废区域图像上选取n个分块区域进行KM匹配的计算。将当前帧危废区域图像中没有被选中进行匹配的分块区域作为未匹配区域。
筛选异常区域模块30,用于根据所述匹配区域对中的匹配区域的空间上的匹配方向的差异,从匹配区域对中筛选出异常区域;根据未匹配区域的中心点坐标和未匹配区域在初始危废区域图像中对应的区域的中心坐标点的差异,从未匹配区域中筛选出异常区域。
首先根据匹配区域对中的匹配区域的空间上的匹配方向的差异,从匹配区域对中筛选出异常区域。获取多个匹配区域对的匹配方向,该匹配方向也即匹配区域对内的两个匹配区域的中心点坐标在空间上的方向,也即在空间上初始危废区域图像上的分块区域指向所属匹配区域对中当前帧危废区域图像上的另一分块区域的方向。得到每个匹配区域对的匹配方向,选择数量最多的匹配方向作为一致方向。
分别获取匹配方向和一致方向与水平线形成的角度值作为匹配角度值和一致角度值;也即获取匹配方向与水平线形成的角度值作为匹配角度值,获取一致方向与水平线形成的角度值作为一致角度值。计算得到实际的一致角度值之后,如果某个匹配区域对存在异常,则该匹配区域对所对应的匹配方向与一致方向的差异较大,也即匹配角度值与一致角度值的差异较大。得到最佳匹配后建立每个匹配区域对之间的匹配方向,由于当存在异常区域时,往往是较少的异常区域,因此可以通过大部分匹配区域对的平行关系作为没有发生异常的匹配区域对的正常匹配方向,此时,当某个匹配区域对的匹配方向的匹配角度值与正常匹配方向相差较大时,该匹配区域对所对应的分块区域发生异常的概率较大。
以匹配角度值与一致角度值的差值作为方向差异值,大于预设方向阈值的方向差异值对应的匹配区域对内的分块区域为异常区域。在本发明实施例中预设方向阈值的取值为10°,在其他实施例中实施者可根据实际情况调整该取值。同时,当初始危废区域图像上的一个分块区域在后续会发生异常时,对应到当前帧危废区域图像上表现为至少两个分块区域的异常,例如初始危废区域图像上的A分块区域出现异常,则表现为在当前帧危废区域图像上A分块区域内被划分为两个分块区域,而此时这两个分块区域与分块区域A相比,均为异常区域。
进一步的,从没有参与匹配的未匹配区域中筛选出异常区域,根据未匹配区域的中心点坐标和未匹配区域在初始危废区域图像中对应的区域的中心坐标点的差异,从未匹配区域中筛选出异常区域。具体的:选择任意未匹配区域作为目标区域,以目标区域在初始危废区域图像中对应的区域的中心坐标点作为原始中心点坐标,根据原始中心点坐标和目标区域的中心点坐标的差异,从未匹配区域中筛选出异常区域。根据原始中心点坐标和目标区域的中心点坐标的差异,从未匹配区域中筛选出异常区域,具体的:计算原始中心点坐标和目标区域的中心点坐标的坐标差值,大于预设坐标差值阈值的坐标差值对应的为匹配区域作为异常区域。在本发明实施例中预设坐标差值阈值的取值为(10,10),在其他实施例中实施者可根据实际情况调整该取值。其中,未匹配区域在初始危废区域图像中对应的区域的获取方法为:对于目标区域,获取目标区域的中心点作为目标中心点;以目标中心点作为起点,根据一致方向获取在初始危废区域图像中目标中心点所对应的坐标点,作为目标坐标点;该目标坐标点在初始危废区域图像中所属的分块区域,为目标区域在初始危废区域图像中对应的区域。
第一数据获取模块40,用于由连续帧危废区域图像中同一位置处的异常区域构建异常区域序列;根据所述异常区域序列中异常区域的面积变化程度,构建面积变化序列;根据所述面积变化序列与预设标准序列的第一相似度,筛选出疑似区域序列,将所述第一相似度作为变化连续性。
根据筛选异常区域模块30得到异常区域之后,由于异常区域可能是由于环境光的改变而导致的,也有可能是由于危废液体泄漏而导致的,故对这两种情况进行区分。考虑到如果是危废液体泄漏这种原因导致出现的异常区域,其是具有连续性的,不同帧危废区域图像之间的变化是连续的;反之,不同时刻的环境光的变化虽然也是具有连续性的,但是由于屋内不同装置的遮挡进而导致进行的阴影区域不具备连续性,由于屋内的物体是立体的,所以连续变化的环境光照射到立体物体上时,容易形成阴影,故连续环境光的较小变化在屋内立体物体的影响下,就可以表现为较大的阴影区域的变化,因此环境光导致的屋内的分块区域的变化是不连续的,往往是存在突变的。另一方面,如果是危废液体泄漏导致出现的异常区域,由于危废液体是从装有该液体的装置中泄漏出来的,因此危废液体形成的区域时从初始危废区域图像上的某个分块区域为源头开始形成的,而环境光的变化往往变化面积较大,覆盖的分块区域更多,基于分析,得到了当危废液体泄漏时,在图像上的特征为:不同帧危废区域图像之间的变化连续,而环境光的变化导致的屋内不同连通区域的变化在不同时刻不具备连续性,往往存在突变;新出现的边缘信息是否是通过原始边缘信息延伸得到的,边缘延伸性是指由于危废液体泄漏产生的边缘信息,一般是从初始危废区域图像上的某个分块区域内开始扩张的,而环境光导致的异常区域的边缘往往同时覆盖多个区域且一开始面积就较大。
故可以通过危废液体在图像上的特征计算异常区域的变化连续性和边缘延伸性来得到异常区域以由于危废液体泄漏产生的危废液体泄漏概率。
首先,计算异常区域的变化连续性。
当危废液体泄漏时,危废液体是从裂口开始逐渐流出,危废液体形成的异常区域是逐渐变大的,因此在相邻帧危废区域图像之间异常区域的变化存在连续性,即前一帧危废区域图像上的异常区域是后一帧危废区域图像上的同一个异常区域的子集,因此通过计算相邻帧危废区域图像之间的异常区域的子集连续性作为该异常区域的变化连续性。
具体的:由连续帧危废区域图像中同一位置处的异常区域构建异常区域序列;根据异常区域序列中异常区域的面积变化程度,构建面积变化序列;根据面积变化序列与预设标准序列的第一相似度,筛选出疑似区域序列,将第一相似度作为变化连续性。
相邻帧危废区域图像之间的对应区域关系的获得过程如下:
首先通过之前的计算,得到了初始危废区域图像上的多个分块区域;当前帧危废区域图像上和初始危废区域图像上的分块区域的数量不同时,获取对应的异常区域;获取连续多帧危废区域图像的异常区域。在本发明实施例中设定连续多帧为20帧,在其他实施例中实施者可根据实际情况调整该帧数。
获取在不同帧危废区域图像中异常区域的对应关系。除初始危废区域图像外的其他帧危废区域图像的各异常区域均与初始危废区域图像上的分块区域有对应的匹配关系,故将与初始危废区域图像上的分块区域由匹配关系的各帧危废区域图像上的异常区域划分至同一类,作为同一位置处的异常区域。根据匹配区域对的匹配关系,得到相邻帧图像中异常区域的对应匹配关系。由于在之前的计算中,是随机选择的n个分块区域,因此不知道最终得到的异常区域是否在每一帧危废区域图像中均参与了KM匹配的计算,故对于没有参与KM匹配计算的未匹配区域通过一致方向找到在初始危废区域图像中对应的分块区域,作为未匹配区域对应的区域。
将不同帧危废区域图像中对应初始危废区域图像中同一个分块区域的异常区域,根据视频帧对应的时间顺序串联起来,构建异常区域序列,也即将连续帧危废区域图像中同一位置处的异常区域构建异常区域序列。每个异常区域序列可以表示该异常区域随着时间的推移的变化情况。
得到异常区域序列后,计算异常区域的子集连续性作为该异常区域的变化连续性,子集连续性是指如果异常区域确实是由于危废液体流出造成的,则对应异常区域序列中的前一个区域必然是后一个区域的子集,这是由于在危废液体泄漏过程中,液体连通域的面积不断变大,连通域不断向外扩张。
如果初始危废区域图像上的某个分块区域确实由于该分块区域内存在危废液体泄漏情况,则通过上述计算方法会形成两个异常区域,一个是危废液体连通域不断扩大的过程,另一个是由于危废液体连通域导致的原先连通域的面积减小的过程,因此只需通过分析异常区域的面积变化情况。对于危废液体连通域来说,在对应的异常区域序列中,序列中前一个元素对应区域是后一个元素对应区域的子集,通过这点不仅可以对危废连通域和环境光导致的异常进行区分,也可以对危废连通域和由于危废连通域形成的异常区域进行区分。
进一步的,根据异常区域序列中异常区域的面积变化程度,构建面积变化序列,具体的:获取异常区域序列中相邻的异常区域的面积交并比,由多个相邻的异常区域的面积交并比构建面积变化序列。异常区域序列中相邻的异常区域的面积交并比约接近于1,则子集关系越强;反之,当异常区域序列中相邻的异常区域的面积交并比约接近于0,则子集关系越强。
根据面积变化序列与预设标准序列的第一相似度,筛选出疑似区域序列,具体的:计算面积变化序列与预设标准序列的余弦相似度,作为第一相似度;将第一相似度大于预设相似度阈值的异常区域序列,作为疑似区域序列。将第一相似度作为变化连续性。在本发明实施例中预设相似度阈值的取值为0.9,预设标准序列为与面积变化序列长度相同,且序列内所有元素的数值均为1的序列,在其他实施例中实施者可根据实际情况调整该取值和该序列。面积变化序列与预设标准序列的余弦相似度越接近于1,变化连续性越大。预设标准序列是与每个异常区域序列相对应的区域序列,该预设标准序列中的元素值均为1,且该预设标准序列的长度与对应的异常区域序列的长度相同。预设标准序列表示的是如果该异常区域为危废液体连通域下最理想的,没有任何外界因素影响的,如摄像机拍摄精度、噪声等问题的影响下的标准序列。
第二数据获取模块50,用于获取疑似区域序列中的第一个异常区域在初始危废区域图像中对应的分块区域数量;将所述分块区域数量输入预设正态分布函数中,将输出值作为边缘延伸性。
异常区域的边缘延伸性是指对于危废液体来说,危废液体定然是从某个液体装置中开始流出的,其表现在危废区域图像上未:当某个危废液体连通域最开始被检测到时,是出现在初始危废区域图像上的某一个分块区域内,而不是同时从多个分块区域内开始的,当裂口出现在相邻两个液体装置之间时,有可能同时出现在两个分块区域内,但概率较小。故获取疑似区域序列中第一个异常区域在在初始危废区域图像中对应的分块区域数量,对应的分块区域数量越少,则该疑似区域序列对应的异常区域为危废液体泄漏的区域的概率越大。
故当疑似区域序列中的第一个异常区域在初始危废区域图像中只有一个分块区域与之有交集时,该疑似区域序列对应的边缘延伸性的值越大;当疑似区域序列中的第一个异常区域在初始危废区域图像中与多个分块区域有交集时,有交集的分块区域数量越多,该疑似区域序列对应的边缘延伸性的值越小。在本发明实施例中通过正态分布函数来对边缘延伸性的取值进行设置,具体的:预设正态分布函数的参数设置为:数学期望的取值为1,标准差的取值为1。设置好预设正态分布函数后,将分块区域数量输入预设正态分布函数中,将预设正态分布函数的输出值作为边缘延伸性。
异常报警模块60,用于所述变化连续性和所述边缘延伸性的乘积为疑似区域序列中的异常区域的危废液体泄漏概率;对所述危废液体泄漏概率大于预设概率阈值的异常区域进行报警。
结合变化连续性和边缘延伸性得到疑似区域序列中的异常区域是由于危废液体泄漏产生的危废液体泄漏概率。计算变化连续性和边缘延伸性的乘积,作为疑似区域序列中异常区域的危险液体泄漏概率。
将得到的危险液体泄漏概率与预设概率阈值相比较,根据比较结果采取相对应的措施。当危废液体泄漏概率大于预设概率阈值时,认为是异常区域是由于危废液体泄露产生的,也即该异常区域发生了危废液体泄漏的情况,需要及时处理,对危废液体泄漏概率大于预设概率阈值的异常区域进行报警。当危废液体泄漏概率小于等于预设概率阈值时,认为异常区域时由环境光导致的,不予报警。在本发明实施例中预设概率阈值的取值为0.85,在其他实施例中实施者可根据实际情况调整该取值。
综上所述,本发明涉及图像数据处理技术领域。该平台包括划分区域模块、区域匹配模块、筛选异常区域模块、第一数据获取模块、第二数据获取模块和异常报警模块。划分区域模块用于采集危废区域图像,将危废区域图像划分为多个分块区域;区域匹配模块用于对不同帧危废区域图像上的分块区域进行匹配,得到多个匹配区域对和未匹配区域;筛选异常区域模块用于从多个匹配区域对和未匹配区域中筛选出异常区域;第一数据获取模块用于构建异常区域序列,根据异常区域序列中异常区域的面积变化程度,筛选出疑似区域序列,计算疑似区域序列对应的变化连续性;第二数据获取模块用于获取疑似区域序列的边缘延伸性;异常报警模块用于结合变化连续性和边缘延伸性计算危废液体泄漏概率;对危废液体泄漏概率大于预设概率阈值的异常区域进行报警,实现对暂存危废垃圾的区域进行实时监测的目的。
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。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。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 (9)
1.一种危废暂存及监测的危废管理平台,其特征在于,该平台包括以下模块:
划分区域模块,用于采集连续帧危废区域图像;将所述危废区域图像划分为多个分块区域;
区域匹配模块,用于根据不同帧危废区域图像上分块区域之间的中心点坐标的相似程度,对不同帧危废区域图像上的分块区域进行匹配,得到多个匹配区域对和未匹配区域;
筛选异常区域模块,用于根据所述匹配区域对中的匹配区域的空间上的匹配方向的差异,从匹配区域对中筛选出异常区域;根据未匹配区域的中心点坐标和未匹配区域在初始危废区域图像中对应的区域的中心坐标点的差异,从未匹配区域中筛选出异常区域;
第一数据获取模块,用于由连续帧危废区域图像中同一位置处的异常区域构建异常区域序列;根据所述异常区域序列中异常区域的面积变化程度,构建面积变化序列;根据所述面积变化序列与预设标准序列的第一相似度,筛选出疑似区域序列,将所述第一相似度作为变化连续性;
第二数据获取模块,用于获取疑似区域序列中的第一个异常区域在初始危废区域图像中对应的分块区域数量;将所述分块区域数量输入预设正态分布函数中,将输出值作为边缘延伸性;
异常报警模块,用于所述变化连续性和所述边缘延伸性的乘积为疑似区域序列中的异常区域的危废液体泄漏概率;对所述危废液体泄漏概率大于预设概率阈值的异常区域进行报警。
2.根据权利要求1所述的一种危废暂存及监测的危废管理平台,其特征在于,所述将所述危废区域图像划分为多个分块区域,包括:
利用图割算法,将危废区域划分为多个分块区域。
3.根据权利要求1所述的一种危废暂存及监测的危废管理平台,其特征在于,所述根据不同帧危废区域图像上分块区域之间的中心点坐标的相似程度,对不同帧危废区域图像上的分块区域进行匹配,得到多个匹配区域对,包括:
获取各所述分块区域的中心点坐标,计算不同帧危废区域图像上分块区域的中心点坐标的相似程度,作为第二相似度;以所述第二相似度作为两个分块区域的边权值,对不同帧危废区域图像上的分块区域进行两两匹配,得到多个匹配区域对。
4.根据权利要求1所述的一种危废暂存及监测的危废管理平台,其特征在于,所述根据所述匹配区域对中的匹配区域的空间上的匹配方向的差异,从匹配区域对中筛选出异常区域,包括:
获取多个匹配区域对的匹配方向,选择数量最多的匹配方向作为一致方向;
分别获取所述匹配方向和所述一致方向与水平线形成的角度值作为匹配角度值和一致角度值;所述匹配角度值与所述一致角度值的差值作为方向差异值,大于预设方向阈值的方向差异值对应的匹配区域对内的分块区域为异常区域。
5.根据权利要求4所述的一种危废暂存及监测的危废管理平台,其特征在于,未匹配区域在初始危废区域图像中对应的区域的获取方法为:
选取任意未匹配区域作为目标区域,获取所述目标区域的中心点作为目标中心点;以所述目标中心点作为起点,根据所述一致方向获取在初始危废区域图像中目标中心点对应的坐标点,作为目标坐标点;所述目标坐标点在初始危废区域图像中所属的分块区域,为目标区域在初始危废区域图像中对应的区域。
6.根据权利要求1所述的一种危废暂存及监测的危废管理平台,其特征在于,所述根据所述异常区域序列中异常区域的面积变化程度,构建面积变化序列,包括:
获取所述异常区域序列中相邻的异常区域的面积交并比,由多个相邻的异常区域的面积交并比构建面积变化序列。
7.根据权利要求1所述的一种危废暂存及监测的危废管理平台,其特征在于,所述根据所述面积变化序列与预设标准序列的第一相似度,筛选出疑似区域序列,包括:
计算所述面积变化序列与预设标准序列的余弦相似度,作为第一相似度;将所述第一相似度大于预设相似度阈值的异常区域序列,作为疑似区域序列。
8.根据权利要求1所述的一种危废暂存及监测的危废管理平台,其特征在于,所述根据未匹配区域的中心点坐标和未匹配区域在初始危废区域图像中对应的区域的中心坐标点的差异,从未匹配区域中筛选出异常区域,包括:
选取任意未匹配区域作为目标区域,以所述目标区域在初始危废区域图像中对应的区域的中心坐标点作为原始中心点坐标,根据所述原始中心点坐标和所述目标区域的中心点坐标的差异,从未匹配区域中筛选出异常区域。
9.根据权利要求8所述的一种危废暂存及监测的危废管理平台,其特征在于,所述根据所述原始中心点坐标和所述目标区域的中心点坐标的差异,从未匹配区域中筛选出异常区域,包括:
计算原始中心点坐标和所述目标区域的中心点坐标的坐标差值,大于预设坐标差值阈值的坐标差值对应的未匹配区域为异常区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210989496.4A CN115081957B (zh) | 2022-08-18 | 2022-08-18 | 一种危废暂存及监测的危废管理平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210989496.4A CN115081957B (zh) | 2022-08-18 | 2022-08-18 | 一种危废暂存及监测的危废管理平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115081957A true CN115081957A (zh) | 2022-09-20 |
CN115081957B CN115081957B (zh) | 2022-11-15 |
Family
ID=83244000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210989496.4A Active CN115081957B (zh) | 2022-08-18 | 2022-08-18 | 一种危废暂存及监测的危废管理平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081957B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240353A (zh) * | 2022-09-21 | 2022-10-25 | 江苏海舟安防科技有限公司 | 一种基于物联传感的消防险情处理方法 |
CN117078024A (zh) * | 2023-10-17 | 2023-11-17 | 南京进唯智能科技有限公司 | 一种基于视频分析的危废数量变化检测系统及方法 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4737847A (en) * | 1985-10-11 | 1988-04-12 | Matsushita Electric Works, Ltd. | Abnormality supervising system |
US20070090989A1 (en) * | 2005-05-27 | 2007-04-26 | En Tech Engineering, Inc. | System of subterranean anomaly detection and repair using infrared thermography and ground penetrating radar |
CN101846576A (zh) * | 2010-05-27 | 2010-09-29 | 王巍 | 一种基于视频的液体泄漏分析预警系统 |
US20120269381A1 (en) * | 2011-02-09 | 2012-10-25 | Yeon Hak Choo | Device and method for monitoring water level |
CN105828039A (zh) * | 2016-04-01 | 2016-08-03 | 北京环境特性研究所 | 港口安全监控及水面溢油监测系统 |
CN109460744A (zh) * | 2018-11-26 | 2019-03-12 | 南京邮电大学 | 一种基于深度学习的视频监控系统 |
CN109469834A (zh) * | 2018-12-07 | 2019-03-15 | 中国石油大学(北京) | 一种液体管道泄漏检测方法、装置及系统 |
CN110334722A (zh) * | 2019-03-29 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN110553151A (zh) * | 2019-07-17 | 2019-12-10 | 石化盈科信息技术有限责任公司 | 一种管道泄漏监测方法和系统 |
WO2020073686A1 (zh) * | 2018-10-08 | 2020-04-16 | 上海建工集团股份有限公司 | 基于图像识别的基坑自动监测数据筛选方法及系统 |
CN111915579A (zh) * | 2020-07-24 | 2020-11-10 | 天津大学 | 基于高斯混合模型和卷积神经网络的液体泄漏检测方法 |
CN112610905A (zh) * | 2020-12-25 | 2021-04-06 | 中法渤海地质服务有限公司 | 一种基于图像识别和红外热成像技术的海上平台管线气体泄漏识别方法 |
CN112733646A (zh) * | 2020-12-30 | 2021-04-30 | 大连海事大学 | 一种基于热成像的液态介质泄漏自动检测方法及系统 |
CN113076935A (zh) * | 2021-04-29 | 2021-07-06 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的监管方法、相关设备及存储介质 |
CN113218586A (zh) * | 2021-06-18 | 2021-08-06 | 全球能源互联网研究院有限公司 | 一种阀塔漏水监测系统及方法 |
WO2021217854A1 (zh) * | 2020-04-30 | 2021-11-04 | 平安科技(深圳)有限公司 | 假阳性过滤方法、装置、设备及存储介质 |
CN113781513A (zh) * | 2021-08-19 | 2021-12-10 | 广东能源集团科学技术研究院有限公司 | 一种电厂供水管道泄漏检测方法及系统 |
CN113807227A (zh) * | 2021-09-11 | 2021-12-17 | 浙江浙能嘉华发电有限公司 | 基于图像识别的安全监测方法、装置、设备及存储介质 |
CN113834451A (zh) * | 2021-08-26 | 2021-12-24 | 贵阳市环境卫生管理服务中心 | 一种生活垃圾填埋场作业区垃圾暴露面积自动化监测方法 |
CN113947109A (zh) * | 2021-10-15 | 2022-01-18 | 大连海事大学 | 一种基于视觉的船舶系统设备泄漏状态监测方法、系统及存储介质 |
CN114022804A (zh) * | 2021-10-14 | 2022-02-08 | 江苏眸视机器人科技有限公司 | 一种泄漏的检测方法、装置、系统及存储介质 |
WO2022088620A1 (zh) * | 2020-10-28 | 2022-05-05 | 北京市商汤科技开发有限公司 | 相机镜头的状态检测方法、装置、设备及存储介质 |
CN114445379A (zh) * | 2022-01-28 | 2022-05-06 | 江苏海辉塑胶制品有限公司 | 基于图像处理的注塑件分类方法与系统 |
CN114758127A (zh) * | 2022-04-08 | 2022-07-15 | 山东梧桐城市规划技术服务有限公司 | 基于大数据的城市场景垃圾检测系统 |
CN114882043A (zh) * | 2022-07-12 | 2022-08-09 | 南通三信塑胶装备科技股份有限公司 | 基于图像处理的注塑件缺陷定位方法及系统 |
-
2022
- 2022-08-18 CN CN202210989496.4A patent/CN115081957B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4737847A (en) * | 1985-10-11 | 1988-04-12 | Matsushita Electric Works, Ltd. | Abnormality supervising system |
US20070090989A1 (en) * | 2005-05-27 | 2007-04-26 | En Tech Engineering, Inc. | System of subterranean anomaly detection and repair using infrared thermography and ground penetrating radar |
CN101846576A (zh) * | 2010-05-27 | 2010-09-29 | 王巍 | 一种基于视频的液体泄漏分析预警系统 |
US20120269381A1 (en) * | 2011-02-09 | 2012-10-25 | Yeon Hak Choo | Device and method for monitoring water level |
CN105828039A (zh) * | 2016-04-01 | 2016-08-03 | 北京环境特性研究所 | 港口安全监控及水面溢油监测系统 |
WO2020073686A1 (zh) * | 2018-10-08 | 2020-04-16 | 上海建工集团股份有限公司 | 基于图像识别的基坑自动监测数据筛选方法及系统 |
CN109460744A (zh) * | 2018-11-26 | 2019-03-12 | 南京邮电大学 | 一种基于深度学习的视频监控系统 |
CN109469834A (zh) * | 2018-12-07 | 2019-03-15 | 中国石油大学(北京) | 一种液体管道泄漏检测方法、装置及系统 |
CN110334722A (zh) * | 2019-03-29 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN110553151A (zh) * | 2019-07-17 | 2019-12-10 | 石化盈科信息技术有限责任公司 | 一种管道泄漏监测方法和系统 |
WO2021217854A1 (zh) * | 2020-04-30 | 2021-11-04 | 平安科技(深圳)有限公司 | 假阳性过滤方法、装置、设备及存储介质 |
CN111915579A (zh) * | 2020-07-24 | 2020-11-10 | 天津大学 | 基于高斯混合模型和卷积神经网络的液体泄漏检测方法 |
WO2022088620A1 (zh) * | 2020-10-28 | 2022-05-05 | 北京市商汤科技开发有限公司 | 相机镜头的状态检测方法、装置、设备及存储介质 |
CN112610905A (zh) * | 2020-12-25 | 2021-04-06 | 中法渤海地质服务有限公司 | 一种基于图像识别和红外热成像技术的海上平台管线气体泄漏识别方法 |
CN112733646A (zh) * | 2020-12-30 | 2021-04-30 | 大连海事大学 | 一种基于热成像的液态介质泄漏自动检测方法及系统 |
CN113076935A (zh) * | 2021-04-29 | 2021-07-06 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的监管方法、相关设备及存储介质 |
CN113218586A (zh) * | 2021-06-18 | 2021-08-06 | 全球能源互联网研究院有限公司 | 一种阀塔漏水监测系统及方法 |
CN113781513A (zh) * | 2021-08-19 | 2021-12-10 | 广东能源集团科学技术研究院有限公司 | 一种电厂供水管道泄漏检测方法及系统 |
CN113834451A (zh) * | 2021-08-26 | 2021-12-24 | 贵阳市环境卫生管理服务中心 | 一种生活垃圾填埋场作业区垃圾暴露面积自动化监测方法 |
CN113807227A (zh) * | 2021-09-11 | 2021-12-17 | 浙江浙能嘉华发电有限公司 | 基于图像识别的安全监测方法、装置、设备及存储介质 |
CN114022804A (zh) * | 2021-10-14 | 2022-02-08 | 江苏眸视机器人科技有限公司 | 一种泄漏的检测方法、装置、系统及存储介质 |
CN113947109A (zh) * | 2021-10-15 | 2022-01-18 | 大连海事大学 | 一种基于视觉的船舶系统设备泄漏状态监测方法、系统及存储介质 |
CN114445379A (zh) * | 2022-01-28 | 2022-05-06 | 江苏海辉塑胶制品有限公司 | 基于图像处理的注塑件分类方法与系统 |
CN114758127A (zh) * | 2022-04-08 | 2022-07-15 | 山东梧桐城市规划技术服务有限公司 | 基于大数据的城市场景垃圾检测系统 |
CN114882043A (zh) * | 2022-07-12 | 2022-08-09 | 南通三信塑胶装备科技股份有限公司 | 基于图像处理的注塑件缺陷定位方法及系统 |
Non-Patent Citations (6)
Title |
---|
SHRUTHI UNNIKRISHNAN 等: "LPG monitoring and leakage detection system", 《2017 INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS, SIGNAL PROCESSING AND NETWORKING (WISPNET)》 * |
刘伯运等: "基于连续帧图像面积变化的火灾探测方法", 《消防科学与技术》 * |
刘冬等: "图像分块匹配技术在台标检测中的应用", 《硅谷》 * |
张果胜: "一种自适应异常检测方法研究", 《电脑知识与技术》 * |
王利锋 等: "基于热红外视频图像监测的海面溢油识别技术研究", 《海洋学报》 * |
王建平等: "基于红外成像多特征联合的乙烯气体泄漏检测", 《传感器与微系统》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240353A (zh) * | 2022-09-21 | 2022-10-25 | 江苏海舟安防科技有限公司 | 一种基于物联传感的消防险情处理方法 |
CN117078024A (zh) * | 2023-10-17 | 2023-11-17 | 南京进唯智能科技有限公司 | 一种基于视频分析的危废数量变化检测系统及方法 |
CN117078024B (zh) * | 2023-10-17 | 2024-02-09 | 南京进唯智能科技有限公司 | 一种基于视频分析的危废数量变化检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115081957B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115081957B (zh) | 一种危废暂存及监测的危废管理平台 | |
KR101808587B1 (ko) | 객체인식과 추적감시 및 이상상황 감지기술을 이용한 지능형 통합감시관제시스템 | |
CN101957325B (zh) | 基于变电站巡检机器人变电站设备外观异常识别方法 | |
CN104966304B (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN110650316A (zh) | 智能巡逻及预警处理方法、装置、电子设备及存储介质 | |
KR101735365B1 (ko) | 학습 기반의 영상 내 관심 물체 검지 및 환경 변화에 강인한 물체 추적 방법 | |
CN103514694A (zh) | 一种入侵检测监控系统 | |
CN112784738B (zh) | 运动目标检测告警方法、装置以及计算机可读存储介质 | |
EP2874100B1 (en) | Slow change detection system | |
CN110852222A (zh) | 一种基于目标检测的校园走廊场景智能监控方法 | |
CN112241974A (zh) | 交通事故检测方法及处理方法、系统、存储介质 | |
CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及系统 | |
CN111062918A (zh) | 一种基于计算机视觉的异常检测方法及装置 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
CN110874953B (zh) | 区域报警方法、装置、电子设备及可读存储介质 | |
CN105335981B (zh) | 一种基于图像的货物监控方法 | |
CN102244769A (zh) | 物件及其关键人监控系统与方法 | |
CN113052139A (zh) | 一种基于深度学习双流网络的攀爬行为检测方法及系统 | |
KR101581162B1 (ko) | 실시간 영상 기반의 화염, 연기 및 물체 움직임 자동 감지 방법, 장치 및 시스템 | |
CN112560574A (zh) | 河流黑水排放检测方法及应用其的识别系统 | |
Gao | Vehicle detection in wide-area aerial imagery: cross-association of detection schemes with post-processings | |
CN109190555B (zh) | 一种基于图片对比的智能巡店系统 | |
CN117474983B (zh) | 一种基于光视联动的预警方法以及相关装置 | |
CN116468373B (zh) | 一种基于物联网的电厂设备仓储管理系统 | |
CN117422938B (zh) | 基于三维分析平台的坝坡混凝土结构异常分析方法 |
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 |