CN115439787A - 粮库的ai视觉检测方法、装置、电子设备及存储介质 - Google Patents
粮库的ai视觉检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115439787A CN115439787A CN202211087645.4A CN202211087645A CN115439787A CN 115439787 A CN115439787 A CN 115439787A CN 202211087645 A CN202211087645 A CN 202211087645A CN 115439787 A CN115439787 A CN 115439787A
- Authority
- CN
- China
- Prior art keywords
- round
- camera
- detection
- polling
- robin
- 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
Images
Classifications
-
- 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
- G06V20/48—Matching video sequences
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明实施例涉及AI视觉检测技术领域,特别涉及一种粮库的AI视觉检测方法、装置、电子设备及存储介质。其中,方法包括:配置多个AI检测通道;构建每个AI检测通道与至少两个摄像头的映射关系;确定每一个AI检测通道的轮巡策略,以根据每一个AI检测通道的轮巡策略对与该AI检测通道相映射的摄像头所拍摄的视频帧进行轮巡采集;针对每个摄像头,基于当前摄像头经先后两个轮巡周期采集到的两个视频帧的相似度,确定是否对当前摄像头所拍摄的视频帧进行AI视觉检测。本方案,可以减少对重复无效的视频帧的AI视觉检测,进而提高计算资源的有效利用率。
Description
技术领域
本发明实施例涉及AI视觉检测技术领域,特别涉及一种粮库的AI视觉检测方法、装置、电子设备及存储介质。
背景技术
目前,粮库的AI视觉检测方法主要是对粮库中每个摄像头拍摄的视频流中的每一帧进行实时检测,以达到全覆盖、全时段的实时监控。
然而,由于粮库面积大、摄像头数量众多,要实现粮库中每个摄像头的全时段实时检测,需要耗费大量的计算资源。
因此,亟需一种新的粮库的AI视觉检测方法。
发明内容
为了解决现有粮库的AI视觉检测方法需要耗费大量的计算资源的问题,本发明实施例提供了一种粮库的AI视觉检测方法、装置、电子设备及存储介质。
第一方面,本发明实施例提供了一种粮库的AI视觉检测方法,应用于服务器,所述粮库设置有多个摄像头,包括:
配置多个AI检测通道;
构建每个所述AI检测通道与至少两个所述摄像头的映射关系;
确定每一个所述AI检测通道的轮巡策略,以根据每一个AI检测通道的轮巡策略对与该AI检测通道相映射的摄像头所拍摄的视频帧进行轮巡采集;
针对每个摄像头,基于当前摄像头经先后两个轮巡周期采集到的两个视频帧的相似度,确定是否对当前摄像头所拍摄的视频帧进行AI视觉检测。
优选的,所述轮巡策略包括如下中的至少一种:对不同摄像头在当次轮巡周期中的第一轮巡时间间隔、对相同摄像头在相邻两次轮巡周期中的第二轮巡时间间隔、对相同摄像头在当次轮巡周期中的轮巡次数。
优选的,所述确定每一个所述AI检测通道的轮巡策略,包括:
基于每个所述AI检测通道与所述摄像头的映射关系,确定每个所述AI检测通道的初始轮巡策略;
针对每一个轮巡周期,调整每一个所述AI检测通道的轮巡策略。
优选的,调整轮巡策略的方式包括:
针对每一个所述AI检测通道,均执行:
针对每一个轮巡周期,当在该轮巡周期中相同摄像头经先后两个轮巡周期采集到的两个视频帧的相似度小于第一预设值,则在该轮巡周期的下一个轮巡周期增加该摄像头的轮巡次数;当在该轮巡周期中相同摄像头经先后两个轮巡周期采集到的两个视频帧的相似度大于第二预设值,则在该轮巡周期的下一个轮巡周期增加该摄像头的轮巡次数。
优选的,调整轮巡策略的方式还包括:
针对每一个所述AI检测通道,均执行:
针对每一个轮巡周期,当在该轮巡周期中对当前摄像头所拍摄的视频帧进行AI视觉检测的检测结果为出现告警事件,则在该轮巡周期的下一个轮巡周期增加该摄像头的轮巡次数。
优选的,所述根据每一个AI检测通道的轮巡策略对与该AI检测通道相映射的摄像头所拍摄的视频帧进行轮巡采集,包括:
针对每一个AI检测通道,均执行:
基于每一个轮巡周期的所述轮巡策略,将每个摄像头的视频流地址排列组成该AI检测通道的轮巡列表;
针对每一个轮巡周期,基于所述轮巡列表中排列的每一个视频流地址,采集对应摄像头实时拍摄的视频帧。
优选的,在所述将每个摄像头的视频流地址排列组成该AI检测通道的轮巡列表之后,在所述针对每一个轮巡周期,基于所述轮巡列表中排列的每一个视频流地址,采集对应摄像头实时拍摄的视频帧之前,还包括:设置与所述轮巡列表中的每一个视频流地址一一对应的缓存位置;
所述针对每个摄像头,基于当前摄像头经先后两个轮巡周期采集到的两个视频帧的相似度,确定是否对当前摄像头所拍摄的视频帧进行AI视觉检测,包括:
针对每一轮巡周期,均执行:
确定当前轮巡周期中的每一个视频流地址对应的缓存位置是否为空;
若是,则对根据该视频流地址采集到的当前视频帧进行AI视觉检测,若检测结果为未发现告警事件,则将所述当前视频帧存储在所述缓存位置;若检测结果为发现告警事件,则不将所述当前视频帧存储在所述缓存位置;
若否,则判断根据该视频流地址采集到的当前视频帧和所述缓存位置存储的视频帧的相似度是否小于第三预设值,若小于,则对所述当前视频帧进行AI视觉检测,并根据检测结果确定是否利用所述当前视频帧替换所述缓存位置存储的视频帧,若不小于,则不对所述当前视频帧进行AI视觉检测,并利用所述当前视频帧替换所述缓存位置存储的视频帧。
第二方面,本发明实施例还提供了一种粮库的AI视觉检测装置,应用于服务器,所述粮库设置有多个摄像头,包括:
配置单元,用于配置多个AI检测通道;
构建单元,用于构建每个所述AI检测通道与至少两个所述摄像头的映射关系;
采集单元,用于确定每一个所述AI检测通道的轮巡策略,以根据每一个AI检测通道的轮巡策略对与该AI检测通道相映射的摄像头所拍摄的视频帧进行轮巡采集;
检测单元,用于针对每个摄像头,基于当前摄像头经先后两个轮巡周期采集到的两个视频帧的相似度,确定是否对当前摄像头所拍摄的视频帧进行AI视觉检测。
第三方面,本发明实施例还提供了一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本说明书任一实施例所述的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种粮库的AI视觉检测方法、装置、电子设备及存储介质,首先配置多个并行处理的AI检测通道;然后,构建每个AI检测通道与至少两个摄像头的映射关系;接着,确定每一个AI检测通道的轮巡策略,以根据每一个AI检测通道的轮巡策略对与该AI检测通道相映射的摄像头所拍摄的视频帧进行轮巡采集;最后,针对每个摄像头,基于当前摄像头经先后两个轮巡周期采集到的两个视频帧的相似度,确定是否对当前摄像头所拍摄的视频帧进行AI视觉检测,以此来减少对重复无效的视频帧的AI视觉检测,进而提高计算资源的有效利用率。
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他的附图。
图1是本发明一实施例提供的一种粮库的AI视觉检测方法流程图;
图2是本发明一实施例提供的一种电子设备的硬件架构图;
图3是本发明一实施例提供的一种粮库的AI视觉检测装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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的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。
如前,基于AI(Artificial Intelligence,人工智能)的智能化检测技术正在逐步应用到各个领域和行业,AI视觉检测方法需要依靠强大的计算机算力支撑,使用深度神经网络建模,针对摄像头拍摄的实时监控画面进行实时检测分析和预警处置,弥补传统人员监控的不足,达到无人值守的效果和目的。
为了使粮库摆脱人工巡检和人为值守监控的缺陷,可以使用AI视觉检测方法对摄像头拍摄的实时监控视频流进行智能检测分析,现有的AI视觉检测方法是需要对粮库中每个摄像头拍摄的视频流中的每一帧进行实时检测,以达到粮库的全覆盖、全时段的实时监控。然而,粮库的库点面积大、分布广,需要部署大量摄像头才能达到全面无死角监控的目的,如果要实现粮库中每个摄像头的全时段实时AI视觉检测,会有大量视频流需要实时并行解码和分析,对于计算资源的需求非常大,且GPU资源成本较高,大多数企业单位无法接受。
发明人考虑到粮库中主要用于存储粮食,90%以上的时间没有人或事件出现,若全部摄像头均实时AI视觉检测,会有大量重复无效的AI视觉检测发生。因此,为了解决上述技术问题,发明人考虑通过设置轮巡策略来增加每个摄像头的AI视觉检测间隔,这样就可以达到提升计算资源的利用率,提高有效检测效率的目的。
下面描述以上构思的具体实现方式。
请参考图1,本发明实施例提供了一种粮库的AI视觉检测方法,应用于服务器,粮库设置有多个摄像头,该方法包括:
步骤100:配置多个AI检测通道;
步骤102:构建每个AI检测通道与至少两个摄像头的映射关系;
步骤104:确定每一个AI检测通道的轮巡策略,以根据每一个AI检测通道的轮巡策略对与该AI检测通道相映射的摄像头所拍摄的视频帧进行轮巡采集;
步骤106:针对每个摄像头,基于当前摄像头经先后两个轮巡周期采集到的两个视频帧的相似度,确定是否对当前摄像头所拍摄的视频帧进行AI视觉检测。
本发明实施例中,首先配置多个并行处理的AI检测通道;然后,构建每个AI检测通道与至少两个摄像头的映射关系;接着,确定每一个AI检测通道的轮巡策略,以根据每一个AI检测通道的轮巡策略对与该AI检测通道相映射的摄像头所拍摄的视频帧进行轮巡采集;最后,针对每个摄像头,基于当前摄像头经先后两个轮巡周期采集到的两个视频帧的相似度,确定是否对当前摄像头所拍摄的视频帧进行AI视觉检测,以此来减少对重复无效的视频帧的AI视觉检测,进而提高计算资源的有效利用率。
下面描述图1所示的各个步骤的执行方式。
针对步骤100:
需要说明的是,配置的所有AI检测通道是并行处理的,可以基于现有的计算资源来配置AI检测通道,也可以根据粮库的摄像头的数量来配置AI检测通道,需要根据实际情况来定,故在此不对配置AI检测通道的方式和AI检测通道的配置数量进行限定。
针对步骤102:
在本发明实施例中,步骤102可以包括:
确定粮库中各摄像头对应的检测事件;
基于每一个摄像头对应的检测事件,构建每个AI检测通道与至少两个摄像头的映射关系。
由于需要对每个AI检测通道配置检测项,那么就可以对该AI检测通道中的每个摄像头均进行对应事件的检测,因此可以根据各摄像头对应的检测事件,来构建每个AI检测通道与摄像头的映射关系。例如,该摄像头的检测事件为着火,那么需要对该摄像头所映射的AI检测通道配置检测着火的检测项,并将检测事件均为着火的摄像头映射到同一个AI检测通道。
需要说明的是,可以将检测事件相同的摄像头分在同一个AI检测通道,若剩余的摄像头的检测事件均不相同,可以将剩余的每个摄像头各分配一个单独的AI检测通道,也可以将剩余的摄像头分在同一个AI检测通道,那么分在同一个AI检测通道时,可以对该AI检测通道配置多个检测事件的检测项。需要根据实际情况来定,故在此不进行具体限定。
因此,在本发明实施例中,可以基于每一个摄像头对应的检测事件,构建每个AI检测通道与至少两个摄像头的映射关系,以此来提高计算资源的有效利用率,合理地分配AI检测通道和摄像头。
针对步骤104:
在一些实施方式中,轮巡策略包括如下中的至少一种:对不同摄像头在当次轮巡周期中的第一轮巡时间间隔、对相同摄像头在相邻两次轮巡周期中的第二轮巡时间间隔、对相同摄像头在当次轮巡周期中的轮巡次数。
举例来说,从采集一个视频帧,到对该视频帧做完AI视觉检测的最长时间为处理一个摄像头的最长时间,下面称作“单位时间”;那么基于每个AI检测通道与摄像头的映射关系和单位时间,可以设置不同摄像头在当次轮巡周期中的第一轮巡时间间隔,例如,摄像头1、2和3与该AI检测通道有映射关系,设置摄像头1和摄像头3之间的第一轮巡时间间隔为1个单位时间,摄像头1和摄像头2之前的第一轮巡时间间隔为2个单位时间,那么在当次轮巡周期中的轮巡顺序为“摄像头1,摄像头3,摄像头2”。并且根据单位时间和映射关系,可以确定相同摄像头在相邻两次轮巡周期中的第二轮巡时间间隔。或者,确定对每一个摄像头在当次轮巡周期中的轮巡次数。
可以理解,轮巡策略可以为对不同摄像头在当次轮巡周期中的第一轮巡时间间隔、对相同摄像头在相邻两次轮巡周期中的第二轮巡时间间隔、对相同摄像头在当次轮巡周期中的轮巡次数中的一种或多种,那么就可以确定与该AI检测通道相映射的各摄像头的轮巡顺序。
在一些实施方式中,步骤“确定每一个AI检测通道的轮巡策略”,可以包括:
基于每个AI检测通道与摄像头的映射关系,确定每个AI检测通道的初始轮巡策略;
针对每一个轮巡周期,调整每一个AI检测通道的轮巡策略。
故而,在构建每个AI检测通道与至少两个摄像头的映射关系之后,可以确定每一个AI检测通道的初始轮巡策略,在之后的每一个轮巡周期,可以对每一个AI检测通道的轮巡策略进行调整。
在一些实施方式中,调整轮巡策略的方式,至少可以包括如下两种:
方式一:根据每一个轮巡周期中,先后两个轮巡周期采集到的两个视频帧的相似度来调整对应摄像头在下一个轮巡周期的轮巡次数。
方式二:根据每一个轮巡周期中,对每个摄像头在当前轮巡周期所拍摄的视频帧进行AI视觉检测的检测结果,来调整对应摄像头在下一个轮巡周期的轮巡次数。
下面对上述两种方式分别进行说明。
首先对方式一进行说明。
在该方式一中,本发明实施例具体可以包括如下步骤:
针对每一个AI检测通道,均执行:
针对每一个轮巡周期,当在该轮巡周期中相同摄像头经先后两个轮巡周期采集到的两个视频帧的相似度小于第一预设值,则在该轮巡周期的下一个轮巡周期增加该摄像头的轮巡次数;当在该轮巡周期中相同摄像头经先后两个轮巡周期采集到的两个视频帧的相似度大于第二预设值,则在该轮巡周期的下一个轮巡周期增加该摄像头的轮巡次数。
在本实施例中,当在该轮巡周期中相同摄像头经先后两个轮巡周期采集到的两个视频帧的相似度小于第一预设值时,代表先后两个轮巡周期采集到的两个视频帧不大相同,在前一个轮巡周期已经确定AI视觉检测的检测结果为没有出现告警事件的情况下,则认为在该轮巡周期采集到的视频帧有可能出现告警事件,因此可以在下一个轮巡周期增加对该摄像头的轮巡次数,即可以减少采集该摄像头视频帧的时间间隔,以加强对该摄像头的AI检测监控。当在该轮巡周期中相同摄像头经先后两个轮巡周期采集到的两个视频帧的相似度大于第二预设值时,代表先后两个轮巡周期采集到的两个视频帧基本相同,在前一个轮巡周期已经确定AI视觉检测的检测结果为没有出现告警事件的情况下,则认为在该轮巡周期采集到的视频帧也不太可能会出现告警事件,因此可以在下一个轮巡周期减少对该摄像头的轮巡次数,即可以减少采集该摄像头视频帧的时间间隔,以减少对该摄像头的AI检测监控,节省计算资源。
上述完成了对方式一的说明,接下来对方式二进行说明。
在该方式二中,本发明实施例具体可以包括:
针对每一个AI检测通道,均执行:
针对每一个轮巡周期,当在该轮巡周期中对当前摄像头所拍摄的视频帧进行AI视觉检测的检测结果为出现告警事件,则在该轮巡周期的下一个轮巡周期增加该摄像头的轮巡次数。
在本实施例中,可以在每一个轮巡周期根据AI视觉检测的检测结果,来调整轮巡策略,以减少对出现告警事件的摄像头的采集时间间隔,来加强对该摄像头的AI检测监控。
需要说明的是,方式一和方式二也可以通过调整对不同摄像头在当次轮巡周期中的第一轮巡时间间隔或对相同摄像头在相邻两次轮巡周期中的第二轮巡时间间隔来调整轮巡策略,不仅仅局限于本实施例列举的调整轮巡次数的方式。
在一些实施方式中,步骤“根据每一个AI检测通道的轮巡策略对与该AI检测通道相映射的摄像头所拍摄的视频帧进行轮巡采集”,可以包括如下步骤:
针对每一个AI检测通道,均执行:
基于每一个轮巡周期的轮巡策略,将每个摄像头的视频流地址排列组成该AI检测通道的轮巡列表;
针对每一个轮巡周期,基于轮巡列表中排列的每一个视频流地址,采集对应摄像头实时拍摄的视频帧。
在本实施例中,每个摄像头的轮巡次数是通过如下方式调整的:
调整该摄像头的视频流地址在轮巡列表中出现的次数。
在本发明实施例中,所有的AI检测通道是需要并发处理的,针对每一个AI检测通道,均执行:根据该AI检测通道的初始轮巡策略,将每个摄像头的视频流地址排列组成该AI检测通道的轮巡列表,例如该AI检测通道的初始轮巡策略为“摄像头1,摄像头3,摄像头2,摄像头5”,那么将每个摄像头的视频流地址排列组成该AI检测通道的轮巡列表为“地址1,地址3,地址2,地址5”,首先从摄像头1的实时视频流中获取最新拍摄的视频帧;然后,基于获取的视频帧,判断是否进行AI视觉检测,得到检测结果,其中检测结果可以为出现告警事件、未出现告警事件或未调用AI检测;接着,从摄像头3的实时视频流中获取最新拍摄的视频帧,然后,基于获取的视频帧,判断是否进行AI视觉检测,得到检测结果;然后,获取摄像头2的视频帧,直至得到摄像头5的检测结果,完成第一个轮巡周期;那么依据上述调整轮巡策略的方式一和/或方式二调整第二个轮巡周期的轮巡策略,假如需要增加摄像头3的轮巡次数,那么可以调整该AI检测通道的轮巡策略为“摄像头1,摄像头3,摄像头2,摄像头5,摄像头3”,那么将每个摄像头的视频流地址排列组成该AI检测通道的轮巡列表为“地址1,地址3,地址2,地址5,地址3”,依据上述同样的方法,依次采集并处理这五个视频流地址获取的视频帧,直至完成第二个轮巡周期。因此,本发明实施例可以达到提升计算资源的利用率,提高有效检测效率的目的。
在一些实施方式中,在步骤“将每个摄像头的视频流地址排列组成该AI检测通道的轮巡列表”之后,在“针对每一个轮巡周期,基于轮巡列表中排列的每一个视频流地址,采集对应摄像头实时拍摄的视频帧”之前,还包括:设置与轮巡列表中的每一个视频流地址一一对应的缓存位置;
在本实施例中,在采集对应摄像头的视频帧之前,可以设置与轮巡列表中的每一个视频流地址一一对应的缓存位置。例如,该AI检测通道的初始轮巡策略为“摄像头1,摄像头3,摄像头2,摄像头5”,那么将每个摄像头的视频流地址排列组成该AI检测通道的轮巡列表为“地址1,地址3,地址2,地址5”,对应的设置与轮巡列表中的每一个视频流地址一一对应的缓存位置为“位置1,位置3,位置2,位置5”,以此来存储轮巡列表中从每个视频流地址获取的视频帧。
针对步骤106:
在一些实施方式中,步骤106,可以包括:
针对每一轮巡周期,均执行:
确定当前轮巡周期中的每一个视频流地址对应的缓存位置是否为空;
若是,则对根据该视频流地址采集到的当前视频帧进行AI视觉检测,若检测结果为未发现告警事件,则将当前视频帧存储在缓存位置;若检测结果为发现告警事件,则不将当前视频帧存储在缓存位置;
若否,则判断根据该视频流地址采集到的当前视频帧和缓存位置存储的视频帧的相似度是否小于第三预设值,若小于,则对当前视频帧进行AI视觉检测,并根据检测结果确定是否利用当前视频帧替换缓存位置存储的视频帧,若不小于,则不对当前视频帧进行AI视觉检测,并利用当前视频帧替换缓存位置存储的视频帧。
接着使用步骤104的例子来进行说明,根据该AI检测通道的初始轮巡策略,将每个摄像头的视频流地址排列组成该AI检测通道的轮巡列表,例如该AI检测通道的初始轮巡策略为“摄像头1,摄像头3,摄像头2,摄像头5”,那么将每个摄像头的视频流地址排列组成该AI检测通道的轮巡列表为“地址1,地址3,地址2,地址5”,对应的设置与轮巡列表中的每一个视频流地址一一对应的缓存位置为“位置1,位置3,位置2,位置5”,首先从摄像头1的实时视频流中获取最新拍摄的视频帧,记为图片11;然后,判断位置1是否为空,因为是初始轮巡策略,故而位置1为空,那么调用AI视觉检测服务对图片11进行AI视觉检测,假如未出现告警事件,则将图片11存储在位置1,那么同样,在第一个轮巡周期中,“位置1,位置3,位置2,位置5”均存储了视频帧,一般在第一个轮巡周期中不会出现告警事件,因此在第二个轮巡周期的轮巡策略依然为“摄像头1,摄像头3,摄像头2,摄像头5”,那么轮巡列表为“地址1,地址3,地址2,地址5”,对应的缓存位置为“位置1,位置2,位置3,位置4”,首先从摄像头1的实时视频流中获取最新拍摄的视频帧,记为图片12;判断图片12和位置1在第一轮巡周期存储的图片11的相似度是否小于第三预设值,由于图片11未检测出告警事件,因此若小于,说明图片12可能出现告警事件,那么对图片12进行AI视觉检测,若检测结果为出现告警事件,那么就不利用图片12替换图片11,即位置1存储的仍然为图片11,那么在第三轮巡周期若摄像头1的告警事件仍然在发生,就还会将图片13与图片11进行比较,然后继续告警,这样可以使未被解决的告警事件持续告警,避免人员忘记处理告警事件;若检测结果为没有出现告警事件,那么就利用图片12替换图片11,即位置1存储的为图片12,那么在第三轮巡周期若摄像头1发生告警事件,就会将图片13与图片12比较,从而对图片13进行AI视觉检测,然后告警;若在第二个轮巡周期判断图片12和位置1在第一轮巡周期存储的图片11的相似度不小于第三预设值,说明图片12与图片11基本相同,在图片11未检测出告警事件的基础上,图片12也不会检测出告警事件,因此不对图片12进行AI视觉检测,然后将图片12存储在位置1,以替换图片11,同理对摄像头3进行处理,直至完成第二个轮巡周期。根据步骤104中调整轮巡策略的方式一和/或方式二,确定第三个轮巡周期的轮巡策略,然后依据上述处理过程根据第三个轮巡周期的轮巡列表完成第三个轮巡周期。因此,本实施例可以减少对重复无效的视频帧的AI视觉检测,进而提高计算资源的有效利用率,可以提高对各摄像头的有效检测效率。
需要说明的是,若缓存位置为空,步骤“若检测结果为未发现告警事件,则将所述当前视频帧存储在所述缓存位置;若检测结果为发现告警事件,则不将所述当前视频帧存储在所述缓存位置”是为了保证每一个视频流地址对应的缓存位置上初始储存的为未发现告警事件的视频帧,以保证在后续的轮巡周期中可以通过判断每一个视频流地址采集到的当前视频帧和缓存位置存储的视频帧的相似度,来确定是否对当前视频帧进行AI视觉检测,进一步减少对重复无效的视频帧的AI视觉检测,进而提高计算资源的有效利用率,可以提高对各摄像头的有效检测效率。
综上,本发明实施例在粮库的AI视觉检测落地应用过程中使用了摄像头轮巡策略,大大提高了计算资源的有效利用率,在减少大量的无效计算的同时,将宝贵的算力运用在关键帧的检测分析上,大大扩展了有限资源情况下AI视觉检测的覆盖面。通过将本实施例的AI视觉检测方法和传统的AI视觉检测方法进行对比,在相同的计算资源条件,相同的AI模型配置的情况下,通过使用轮巡策略,基于粮库长时间无变化的实际情况,适当增加检测间隔,去除了大量无效检测,支持检测的摄像头数量增加了300%,实现了少量资源支撑大量AI视觉检测覆盖的目标。
如图2、图3所示,本发明实施例提供了一种粮库的AI视觉检测装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图2所示,为本发明实施例提供的一种粮库的AI视觉检测装置所在计算设备的一种硬件架构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的计算设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图3所示,作为一个逻辑意义上的装置,是通过其所在计算设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
如图3所示,本实施例提供了一种粮库的AI视觉检测装置,应用于服务器,粮库设置有多个摄像头,包括:
配置单元301,用于配置多个AI检测通道;
构建单元302,用于构建每个AI检测通道与至少两个摄像头的映射关系;
采集单元303,用于确定每一个AI检测通道的轮巡策略,以根据每一个AI检测通道的轮巡策略对与该AI检测通道相映射的摄像头所拍摄的视频帧进行轮巡采集;
检测单元304,用于针对每个摄像头,基于当前摄像头经先后两个轮巡周期采集到的两个视频帧的相似度,确定是否对当前摄像头所拍摄的视频帧进行AI视觉检测。
在本发明的一个实施例中,采集单元303中,轮巡策略包括如下中的至少一种:对不同摄像头在当次轮巡周期中的第一轮巡时间间隔、对相同摄像头在相邻两次轮巡周期中的第二轮巡时间间隔、对相同摄像头在当次轮巡周期中的轮巡次数。
在本发明的一个实施例中,采集单元303,在执行确定每一个AI检测通道的轮巡策略时,用于:
基于每个AI检测通道与摄像头的映射关系,确定每个AI检测通道的初始轮巡策略;
针对每一个轮巡周期,调整每一个AI检测通道的轮巡策略;
在本发明的一个实施例中,采集单元303,在执行调整轮巡策略时,用于:
针对每一个AI检测通道,均执行:
针对每一个轮巡周期,当在该轮巡周期中相同摄像头经先后两个轮巡周期采集到的两个视频帧的相似度小于第一预设值,则在该轮巡周期的下一个轮巡周期增加该摄像头的轮巡次数;当在该轮巡周期中相同摄像头经先后两个轮巡周期采集到的两个视频帧的相似度大于第二预设值,则在该轮巡周期的下一个轮巡周期增加该摄像头的轮巡次数。
在本发明的一个实施例中,采集单元303,在执行调整轮巡策略时,还用于:
针对每一个AI检测通道,均执行:
针对每一个轮巡周期,当在该轮巡周期中对当前摄像头所拍摄的视频帧进行AI视觉检测的检测结果为出现告警事件,则在该轮巡周期的下一个轮巡周期增加该摄像头的轮巡次数。
在本发明的一个实施例中,采集单元303,在执行根据每一个AI检测通道的轮巡策略对与该AI检测通道相映射的摄像头所拍摄的视频帧进行轮巡采集时,用于:
针对每一个AI检测通道,均执行:
基于每一个轮巡周期的轮巡策略,将每个摄像头的视频流地址排列组成该AI检测通道的轮巡列表;
针对每一个轮巡周期,基于轮巡列表中排列的每一个视频流地址,采集对应摄像头实时拍摄的视频帧。
在本发明的一个实施例中,采集单元303,在执行将每个摄像头的视频流地址排列组成该AI检测通道的轮巡列表之后,在执行针对每一个轮巡周期,基于轮巡列表中排列的每一个视频流地址,采集对应摄像头实时拍摄的视频帧之前,还用于设置与轮巡列表中的每一个视频流地址一一对应的缓存位置;
检测单元304,用于执行:
针对每一轮巡周期,均执行:
确定当前轮巡周期中的每一个视频流地址对应的缓存位置是否为空;
若是,则对根据该视频流地址采集到的当前视频帧进行AI视觉检测,若检测结果为未发现告警事件,则将当前视频帧存储在缓存位置;若检测结果为发现告警事件,则不将当前视频帧存储在缓存位置;;
若否,则判断根据该视频流地址采集到的当前视频帧和缓存位置存储的视频帧的相似度是否小于第三预设值,若小于,则对当前视频帧进行AI视觉检测,并根据检测结果确定是否利用当前视频帧替换缓存位置存储的视频帧,若不小于,则不对当前视频帧进行AI视觉检测,并利用当前视频帧替换缓存位置存储的视频帧。
可以理解的是,本发明实施例示意的结构并不构成对一种粮库的AI视觉检测装置的具体限定。在本发明的另一些实施例中,一种粮库的AI视觉检测装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种计算设备,包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序时,实现本发明任一实施例中的一种粮库的AI视觉检测方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序在被处理器执行时,使处理器执行本发明任一实施例中的一种粮库的AI视觉检测方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种粮库的AI视觉检测方法,其特征在于,应用于服务器,所述粮库设置有多个摄像头,包括:
配置多个AI检测通道;
构建每个所述AI检测通道与至少两个所述摄像头的映射关系;
确定每一个所述AI检测通道的轮巡策略,以根据每一个AI检测通道的轮巡策略对与该AI检测通道相映射的摄像头所拍摄的视频帧进行轮巡采集;
针对每个摄像头,基于当前摄像头经先后两个轮巡周期采集到的两个视频帧的相似度,确定是否对当前摄像头所拍摄的视频帧进行AI视觉检测。
2.根据权利要求1所述的方法,其特征在于,所述轮巡策略包括如下中的至少一种:对不同摄像头在当次轮巡周期中的第一轮巡时间间隔、对相同摄像头在相邻两次轮巡周期中的第二轮巡时间间隔、对相同摄像头在当次轮巡周期中的轮巡次数。
3.根据权利要求2所述的方法,其特征在于,所述确定每一个所述AI检测通道的轮巡策略,包括:
基于每个所述AI检测通道与所述摄像头的映射关系,确定每个所述AI检测通道的初始轮巡策略;
针对每一个轮巡周期,调整每一个所述AI检测通道的轮巡策略。
4.根据权利要求3所述的方法,其特征在于,调整轮巡策略的方式包括:
针对每一个所述AI检测通道,均执行:
针对每一个轮巡周期,当在该轮巡周期中相同摄像头经先后两个轮巡周期采集到的两个视频帧的相似度小于第一预设值,则在该轮巡周期的下一个轮巡周期增加该摄像头的轮巡次数;当在该轮巡周期中相同摄像头经先后两个轮巡周期采集到的两个视频帧的相似度大于第二预设值,则在该轮巡周期的下一个轮巡周期减少该摄像头的轮巡次数。
5.根据权利要求3所述的方法,其特征在于,调整轮巡策略的方式还包括:
针对每一个所述AI检测通道,均执行:
针对每一个轮巡周期,当在该轮巡周期中对当前摄像头所拍摄的视频帧进行AI视觉检测的检测结果为出现告警事件,则在该轮巡周期的下一个轮巡周期增加该摄像头的轮巡次数。
6.根据权利要求4或5所述的方法,其特征在于,所述根据每一个AI检测通道的轮巡策略对与该AI检测通道相映射的摄像头所拍摄的视频帧进行轮巡采集,包括:
针对每一个AI检测通道,均执行:
基于每一个轮巡周期的轮巡策略,将每个摄像头的视频流地址排列组成该AI检测通道的轮巡列表;
针对每一个轮巡周期,基于所述轮巡列表中排列的每一个视频流地址,采集对应摄像头实时拍摄的视频帧。
7.根据权利要求6所述的方法,其特征在于,
在所述将每个摄像头的视频流地址排列组成该AI检测通道的轮巡列表之后,在所述针对每一个轮巡周期,基于所述轮巡列表中排列的每一个视频流地址,采集对应摄像头实时拍摄的视频帧之前,还包括:设置与所述轮巡列表中的每一个视频流地址一一对应的缓存位置;
所述针对每个摄像头,基于当前摄像头经先后两个轮巡周期采集到的两个视频帧的相似度,确定是否对当前摄像头所拍摄的视频帧进行AI视觉检测,包括:
针对每一轮巡周期,均执行:
确定当前轮巡周期中的每一个视频流地址对应的缓存位置是否为空;
若是,则对根据该视频流地址采集到的当前视频帧进行AI视觉检测,若检测结果为未发现告警事件,则将所述当前视频帧存储在所述缓存位置;若检测结果为发现告警事件,则不将所述当前视频帧存储在所述缓存位置;
若否,则判断根据该视频流地址采集到的当前视频帧和所述缓存位置存储的视频帧的相似度是否小于第三预设值,若小于,则对所述当前视频帧进行AI视觉检测,并根据检测结果确定是否利用所述当前视频帧替换所述缓存位置存储的视频帧,若不小于,则不对所述当前视频帧进行AI视觉检测,并利用所述当前视频帧替换所述缓存位置存储的视频帧。
8.一种粮库的AI视觉检测装置,其特征在于,应用于服务器,所述粮库设置有多个摄像头,包括:
配置单元,用于配置多个AI检测通道;
构建单元,用于构建每个所述AI检测通道与至少两个所述摄像头的映射关系;
采集单元,用于确定每一个所述AI检测通道的轮巡策略,以根据每一个AI检测通道的轮巡策略对与该AI检测通道相映射的摄像头所拍摄的视频帧进行轮巡采集;
检测单元,用于针对每个摄像头,基于当前摄像头经先后两个轮巡周期采集到的两个视频帧的相似度,确定是否对当前摄像头所拍摄的视频帧进行AI视觉检测。
9.一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087645.4A CN115439787B (zh) | 2022-09-07 | 2022-09-07 | 粮库的ai视觉检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087645.4A CN115439787B (zh) | 2022-09-07 | 2022-09-07 | 粮库的ai视觉检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115439787A true CN115439787A (zh) | 2022-12-06 |
CN115439787B CN115439787B (zh) | 2023-08-04 |
Family
ID=84247690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211087645.4A Active CN115439787B (zh) | 2022-09-07 | 2022-09-07 | 粮库的ai视觉检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115439787B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108024088A (zh) * | 2016-10-31 | 2018-05-11 | 杭州海康威视系统技术有限公司 | 一种视频轮巡方法及装置 |
CN110830758A (zh) * | 2018-08-07 | 2020-02-21 | 浙江宇视科技有限公司 | 视频轮巡方法、装置、视频服务器及存储介质 |
CN110876037A (zh) * | 2018-08-31 | 2020-03-10 | 杭州海康威视系统技术有限公司 | 一种巡检方法、装置、设备及系统 |
CN211406109U (zh) * | 2020-04-08 | 2020-09-01 | 深圳江行联加智能科技有限公司 | 一种具备ai识别功能的便携视频移动监控系统 |
CN111723767A (zh) * | 2020-06-29 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置及计算机存储介质 |
CN111836102A (zh) * | 2019-04-23 | 2020-10-27 | 杭州海康威视数字技术股份有限公司 | 视频帧的分析方法和装置 |
CN111836002A (zh) * | 2019-04-15 | 2020-10-27 | 浙江宇视科技有限公司 | 一种视频轮巡方法、装置及服务器 |
CN111932709A (zh) * | 2020-09-03 | 2020-11-13 | 四川弘和通讯有限公司 | 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 |
CN112019821A (zh) * | 2020-10-30 | 2020-12-01 | 成都考拉悠然科技有限公司 | 一种智能循环监测摄像头图像内容的方法 |
CN112055171A (zh) * | 2020-08-13 | 2020-12-08 | 新智道枢(上海)科技有限公司 | 基于时空分析的线路安保视频轮巡方法及控制系统 |
CN112437264A (zh) * | 2020-11-12 | 2021-03-02 | 珠海大横琴科技发展有限公司 | 一种监控视频处理方法和装置 |
CN112975930A (zh) * | 2021-03-31 | 2021-06-18 | 上海有个机器人有限公司 | 利用机器人巡逻进行人员检测的方法、系统及机器人 |
CN113037971A (zh) * | 2021-03-03 | 2021-06-25 | 深圳市浩科电子有限公司 | 一种多路视频进行多ai模型并行处理的方法 |
CN113992893A (zh) * | 2021-10-26 | 2022-01-28 | 福建云知声智能科技有限公司 | 园区巡检方法、装置、存储介质及电子装置 |
WO2022059123A1 (ja) * | 2020-09-17 | 2022-03-24 | 株式会社日立国際電気 | 監視システム、カメラ、解析装置及びaiモデル生成方法 |
CN114301816A (zh) * | 2022-01-11 | 2022-04-08 | 浪潮软件集团有限公司 | 一种多路分析方法及装置 |
CN114363565A (zh) * | 2021-12-27 | 2022-04-15 | 杭州华橙软件技术有限公司 | 一种视频轮巡方法、装置、设备及介质 |
CN114419496A (zh) * | 2021-12-30 | 2022-04-29 | 深圳云天励飞技术股份有限公司 | 图像巡检更新方法、装置、电子设备及存储介质 |
CN114827553A (zh) * | 2022-06-28 | 2022-07-29 | 深圳市信润富联数字科技有限公司 | 视频巡控方法、装置、设备及存储介质 |
-
2022
- 2022-09-07 CN CN202211087645.4A patent/CN115439787B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108024088A (zh) * | 2016-10-31 | 2018-05-11 | 杭州海康威视系统技术有限公司 | 一种视频轮巡方法及装置 |
CN110830758A (zh) * | 2018-08-07 | 2020-02-21 | 浙江宇视科技有限公司 | 视频轮巡方法、装置、视频服务器及存储介质 |
CN110876037A (zh) * | 2018-08-31 | 2020-03-10 | 杭州海康威视系统技术有限公司 | 一种巡检方法、装置、设备及系统 |
CN111836002A (zh) * | 2019-04-15 | 2020-10-27 | 浙江宇视科技有限公司 | 一种视频轮巡方法、装置及服务器 |
CN111836102A (zh) * | 2019-04-23 | 2020-10-27 | 杭州海康威视数字技术股份有限公司 | 视频帧的分析方法和装置 |
CN211406109U (zh) * | 2020-04-08 | 2020-09-01 | 深圳江行联加智能科技有限公司 | 一种具备ai识别功能的便携视频移动监控系统 |
CN111723767A (zh) * | 2020-06-29 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置及计算机存储介质 |
CN112055171A (zh) * | 2020-08-13 | 2020-12-08 | 新智道枢(上海)科技有限公司 | 基于时空分析的线路安保视频轮巡方法及控制系统 |
CN111932709A (zh) * | 2020-09-03 | 2020-11-13 | 四川弘和通讯有限公司 | 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 |
WO2022059123A1 (ja) * | 2020-09-17 | 2022-03-24 | 株式会社日立国際電気 | 監視システム、カメラ、解析装置及びaiモデル生成方法 |
CN112019821A (zh) * | 2020-10-30 | 2020-12-01 | 成都考拉悠然科技有限公司 | 一种智能循环监测摄像头图像内容的方法 |
CN112437264A (zh) * | 2020-11-12 | 2021-03-02 | 珠海大横琴科技发展有限公司 | 一种监控视频处理方法和装置 |
CN113037971A (zh) * | 2021-03-03 | 2021-06-25 | 深圳市浩科电子有限公司 | 一种多路视频进行多ai模型并行处理的方法 |
CN112975930A (zh) * | 2021-03-31 | 2021-06-18 | 上海有个机器人有限公司 | 利用机器人巡逻进行人员检测的方法、系统及机器人 |
CN113992893A (zh) * | 2021-10-26 | 2022-01-28 | 福建云知声智能科技有限公司 | 园区巡检方法、装置、存储介质及电子装置 |
CN114363565A (zh) * | 2021-12-27 | 2022-04-15 | 杭州华橙软件技术有限公司 | 一种视频轮巡方法、装置、设备及介质 |
CN114419496A (zh) * | 2021-12-30 | 2022-04-29 | 深圳云天励飞技术股份有限公司 | 图像巡检更新方法、装置、电子设备及存储介质 |
CN114301816A (zh) * | 2022-01-11 | 2022-04-08 | 浪潮软件集团有限公司 | 一种多路分析方法及装置 |
CN114827553A (zh) * | 2022-06-28 | 2022-07-29 | 深圳市信润富联数字科技有限公司 | 视频巡控方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
彭臻 等: "采用蚁群算法的移动摄像头探访规划", 《华侨大学学报(自然科学版)》, vol. 35, no. 5, pages 533 - 536 * |
李冉 等: "电网基建全过程综合数字化管理平台建设", 《中国高新科技》, no. 2022, pages 32 - 34 * |
Also Published As
Publication number | Publication date |
---|---|
CN115439787B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jain et al. | Scaling video analytics systems to large camera deployments | |
CN106060442B (zh) | 一种录像存储方法、装置及系统 | |
Ali et al. | RES: Real-time video stream analytics using edge enhanced clouds | |
CN108062499B (zh) | 一种人脸识别的方法、系统及平台 | |
CN104639860B (zh) | 一种监控录像的存储方法和装置 | |
CN107222660B (zh) | 一种分布式网络视觉监控系统 | |
CN110430229B (zh) | 基于云平台的智慧社区物联传感信息采集处理系统及方法 | |
CN109672750B (zh) | 一种基于边缘架构的安防数据聚合管理系统及其管理方法 | |
CN107092686B (zh) | 一种基于云存储平台的文件管理方法及装置 | |
CN109195011B (zh) | 一种视频处理方法、装置、设备及存储介质 | |
CN113259451B (zh) | 一种面向大规模监控节点智能分析的集群处理架构和方法 | |
CN101901340A (zh) | 一种疑犯跟踪方法及系统 | |
WO2015090099A1 (zh) | 一种算法配置方法和系统 | |
WO2021196559A1 (zh) | 一种视频处理系统 | |
CN112449147A (zh) | 光伏电站视频集群监控系统及其图像处理方法 | |
CN110956648A (zh) | 一种视频图像处理方法、装置、设备及存储介质 | |
US20210407108A1 (en) | Object tracking using multi-camera system | |
CN115439787A (zh) | 粮库的ai视觉检测方法、装置、电子设备及存储介质 | |
CN106791648B (zh) | 一种监控视频分析方法及装置 | |
Casares et al. | Resource-efficient salient foreground detection for embedded smart cameras BR tracking feedback | |
CN110322391A (zh) | 基于多线程的视频告警事件分析方法 | |
CN112669353B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN111008611B (zh) | 排队时长的确定方法及装置、存储介质、电子装置 | |
de Oliveira et al. | An energy-aware data cleaning workflow for real-time stream processing in the internet of things | |
CN113038261A (zh) | 一种视频生成方法、装置、设备、系统及存储介质 |
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 |