CN115454138B - 一种基于无人机图像识别技术的施工违章判定方法和系统 - Google Patents
一种基于无人机图像识别技术的施工违章判定方法和系统 Download PDFInfo
- Publication number
- CN115454138B CN115454138B CN202211242112.9A CN202211242112A CN115454138B CN 115454138 B CN115454138 B CN 115454138B CN 202211242112 A CN202211242112 A CN 202211242112A CN 115454138 B CN115454138 B CN 115454138B
- Authority
- CN
- China
- Prior art keywords
- module
- unmanned aerial
- aerial vehicle
- violation
- image
- 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005516 engineering process Methods 0.000 title claims abstract description 30
- 239000003550 marker Substances 0.000 claims abstract description 52
- 238000007689 inspection Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims abstract description 8
- 238000013500 data storage Methods 0.000 claims description 36
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 18
- 238000000605 extraction Methods 0.000 description 17
- 230000006399 behavior Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 7
- 230000001681 protective effect Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000003381 stabilizer Substances 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
- G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
- G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
- G06K19/06037—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking multi-dimensional coding
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q50/08—Construction
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Educational Administration (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于无人机图像识别技术的施工违章判定系统以及应用于所述判定系统的判定方法;所述判定系统包括控制单元,由控制单元进行远程控制的无人机,以及设置于施工现场的待检查位置点的位置标识物;所述无人机包括有用于视频采集的采集模块以及存储模块,通过识别所述位置标识物,准确到达待检查位置点中的指定的合规的基准位置以进行合规的违章采集;同时通过设置检查策略,对施工现场不同位置进行对各类型违章现象的严重性进行判定,从而执行区别化的处理。
Description
技术领域
本发明涉及图像识别和处理技术领域。具体而言,涉及一种基于无人机图像识别技术的施工违章判定方法和系统。
背景技术
我国的国土幅员辽阔,随着国家电网的大范围铺设,相关部门的施工覆盖的范围以及施工难度亦大幅提升;加上建成之后的设施布置复杂且严谨,需要有关的工作人员严格遵守施工的规定,同时亦需要管理部门对工作人员的施工安全更出精细化的管理,而目前大多数采用的督查手段和常规巡检并不能满足高效快速的要求,也不能达到很好的效果。
随着无人飞行器技术的快速发展,无人机开始在民用领域广泛普及。由于无人机具有较强的机动性和灵活性,能够方便在多个不同高度的位置点灵活转移,其人工垂直悬停拍摄特点可以避免电网各种措施的对施工点的遮挡;此外,还可以自由切换采集图像或视频的角度和距离,为航拍摄影提供了方便操作。且无人机航拍影像具有高分辨率、大比例尺、小面积、高现实性的优点,有助于获得更全面、更清晰的视野,在对视频数据进行处理时,也无需进行视角转换及坐标转换。另一方面,无人机场景中的目标检测与跟踪技术具有重要的研究价值和意义。随着机器学习的兴起,基于计算机视觉的图像处理技术得到了很大的发展。
查阅相关地已公开技术方案,公开号为WO2020056677A1的技术方案提出应用无人机对施工现场的工人的安全帽是否合规佩戴的安全检查系统,其基于机器学习的图像分析后,进一步通过人脸识别记录违规工人的身份,进行在后续对其进行教育处理;公开号为US09331912B2的技术方案通过设置于产线的多个检查装置,检测产线上多个工位的工人疑似违规作业的情况,并根据违规作业的可信概率,设置不同的警示符号到产线的多个位置;公开号为US09710700B2的技术方案对生产活动中的多个目标对象进行跟踪监督,并且在发现目标对象具有违章操作的现象时进行记录,并向其发送违章通知。
以上技术方案皆适用于固定工位或者人员的应用场景,然而对于开放性的施工场景,以及违章情况包括人员和物件的应用场景下,仍少有提及。
背景技术的前述论述仅意图便于理解本发明。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。
发明内容
本发明的目的在于,提供一种基于无人机图像识别技术的施工违章判定系统以及应用于所述判定系统的判定方法;所述判定系统包括控制单元,由控制单元进行远程控制的无人机,以及设置于施工现场的待检查位置点的位置标识物;所述无人机包括有用于视频采集的采集模块以及存储模块,通过识别所述位置标识物,准确到达待检查位置点中的指定的合规的基准位置以进行合规的违章采集;同时通过设置检查策略,对施工现场不同位置进行对各类型违章现象的严重性进行判定,从而执行区别化的处理。
本发明采用如下技术方案:
一种基于无人机图像识别技术的施工违章判定系统,所述判定系统包括控制单元、位置标识物以及一台或以上无人机;所述控制单元用于存储检查策略以及根据所述检查策略向无人机发出控制信号;所述位置标识物设置于施工现场的待检查位置点,通过在所述待检查位置点设置两个以上所述位置标识物,从而使无人机通过图像定位的方式确定所述待检查位置点的基准位置;无人机在所述基准位置进行定位后,实施无人机的悬停、检查以及取证操作;
其中,所述检查策略中存储所述位置标识物的定位坐标;所述控制单元根据所述定位坐标,指示无人机到达所述位置标识物附近的第一定位位置;在无人机到达所述第一定位位置后,基于图像技术寻找并确定所述位置标识物,从而确定所述基准位置;
所述检查策略还包括在检查过程中计算每个待检查位置点的关注指数,根据所述关注指数判定是否存在需要人工即时介入的违章情形;所述关注指数C的计算方法为:
C=s·kj·ln(i+1),式1;
式1中,s为所述待检查位置点的权重系数,根据该待检查位置点的重要性设定;kj为在所述待检查位置点发现的第j类型违章现象的严重性系数;s和kj由相关技术人员根据实际应用需要设定;i为在一个检查周期内,在所述待检查位置点发现违章现象的次数;
相应设置一个关注指数的一级阈值Ca以及二级阈值Cb,且Cb>Ca;当所述关注指数C未超过一级阈值Ca时,根据采集到的违章情况视频确认有关的违章情况,并在当前检测周期完成时,对违章情况进行处理;当所述关注指数C超过一级阈值Ca而未超过二级阈值时,需要通知相关施工区域的负责人立即到现场进行违章纠正;当所述关注指数C超过二级阈值时,对相关施工区域发出停工警告,并在现场进行违章情况完全改正后再决定是否复工;
优选地,所述位置标识物为带背光的二维码实体标签;
优选地,所述无人机包括:第一无线传输模块、总控制模块、第一数据存储模块、飞行控制模块、影像模块、飞行数据采集模块以及电源模块;其中
所述飞行数据采集模块与所述第一数据存储模块连接,用于采集存储飞行状态数据及无人机设备参数,并且将采集的数据发送到所述第一数据存储模块进行存储;
所述总控制模块与飞行控制模块以及影像模块连接;所述飞行控制模块接收由控制模块发送的飞行指令,并控制无人机的飞行姿态以及飞行目标;所述影像模块接收由所述总控制模块发送的采集指令,用于采集目标位置的视频数据;
所述数据存储模块与飞行数据采集模块以及影像模块连接,实时存储两个模块采集的数据信息;所述第一无线传输模块与数据存储模块连接,并与所述控制单元通讯连接,用于将数据向所述控制单元实时回传;
所述电源模块用于为无人机中各模块进行供电;
优选地,所述影像模块包括云台控制模块以及图像采集模块;所述云台控制模块与所述总控制模块通讯连接,用于对无人机的视频拍摄角度进行控制;所述图像采集模块与数据存储模块连接,用于进行视频采集以及将采集的视频数据发送到所述数据存储模块;
优选地,所述控制单元包括第二无线传输模块、第二数据存储模块、飞行控制服务模块、流媒体模块以及分析模块;其中
所述流媒体模块与第二数据存储模块连接,实时接收无人机实时推送的视频数据;所述分析模块与流媒体模块、第二数据存储模块连接,用于接收实时视频数据并分析施工现场是否存在施工违章情况;
所述飞行控制服务模块与第二数据存储模块连接,用于接收无人机回传的飞行数据,并将飞行数据存储;
所述第二无线传输模块与第二数据存储模块以及无人机的第一无线传输模块连接,用于实时的数据通信与存储;
优选地,所述分析模块包括采用基于深度学习的图像识别技术进行违章情形的判定;
进一步的,提出一种基于无人机图像识别技术的施工违章判定方法;所述判定方法应用于所述判定系统;所述方法包括以下阶段:
设置阶段:由相关技术人员基于目标施工场地中的多个待检查位置点设置检查策略,并将所述检查策略存储到控制单元;以及
检查阶段,包括以下步骤:
S100:根据所述检查策略存储的检查位置点,由控制单元控制无人机到达待检查位置点附近;
S200:在待检查位置点附近通过无人机的影像模块基于图像技术寻找并确定至少一个所述位置标识物,从而确定所述基准位置;
S300:无人机获取施工现场的实时视频数据并发送到所述控制单元进行分析,并等待所述控制单元作出进一步控制指令;
S400:所述控制单元对实时视频数据进行分析,并在确认违章现象时进行取证;
S500:完成当前待检查位置点检查后,继续到下一个待检查位置点执行步骤S200到步骤S500;
优选地,在步骤S400中,包括分析是否需要无人机在一个所述基准位置所在点,通过转换视频采集位置,从而从另一视角对违章行为进行视频采集。
本发明所取得的有益效果是:
1.本发明的判定系统利用无人机作为检查和取证的主要手段,能够灵活适应于各类型的施工现场,区别于以往采用固定摄像设备的检查采集方式;
2.本发明的判定系统采用包括二维码展示的位置标识物进行物理位置定位,使得无人机进行视频采证以及后期分析过程具有稳定以及合规的标准准则。
3.本发明的判定方式基于不同的待检查位置以及不同的检查项目计算其关注指数,根据关注指数的数值确定后续的处理方式,以保持对施工项目的高效管理。
4.本发明的判定系统的软、硬件具有模块化设计,方便今后的升级或者更换相关的软、硬件环境,降低了使用的成本。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在不同的视图中,相同的附图标记指定对应的部分。
图1为本发明所述判定系统的示意图;
图2为本发明的无人机组成的示意图;
图3为本发明的控制单元组成的示意图;
图4为本发明实施例中无人机通过位置标识物进行定位的示意图;
图5为本发明实施例中所述影像模块采集的影像数据中的其中一个待检查位置点的现场示意图;
图6为本发明实施例中采用的深度学习神经网络的示意图。
附图标号说明:100-控制单元;110-无人机;200-位置标识物;401-第一标识物;402-第二标识物;403-第三标识物;404-第四标识物。
具体实施方式
为了使得本发明的目的技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明;应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。对于本领域技术人员而言,在查阅以下详细描述之后,本实施例的其它系统.方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内.包括在本发明的范围内,并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征,并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位.以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例一:
目前许多大型的施工项目,例如电力、能源或者矿物等类型项目,其项目范盖范围广,并且所处地理位置偏辟,因此由于管理难度大,管理成本较高,施工项目中可能存在的违章施工情况难以被监督人员发现,从而造成后续的安全隐患,容易发生人员或者财产损失的意外事故;因此突提出本判定系统以及相及的判定方式,目的在于提高该类大型施工项目的安全生产管理效率;
如附图1,一种基于无人机图像识别技术的施工违章判定系统,所述判定系统包括控制单元100、位置标识物200以及一台或以上无人机110;所述控制单元100用于存储检查策略以及根据所述检查策略向无人机发出控制信号;所述位置标识物200设置于施工现场的待检查位置点,通过在所述待检查位置点设置两个以上所述位置标识物,从而使无人机通过图像定位的方式确定所述待检查位置点的基准位置;无人机在所述基准位置进行定位后,实施无人机的悬停、检查以及取证操作;
其中,所述检查策略中存储所述位置标识物的定位坐标;所述控制单元根据所述定位坐标,指示无人机到达所述位置标识物附近的第一定位位置;在无人机到达所述第一定位位置后,基于图像技术寻找并确定所述位置标识物,从而确定所述基准位置;
所述检查策略还包括在检查过程中计算每个待检查位置点的关注指数,根据所述关注指数判定是否存在需要人工介入的违章行为;所述关注指数C的计算方法为:
C=s·kj·ln(i+1),式1;
式1中,s为所述待检查位置点的权重系数,根据该待检查位置点的重要性设定;kj为在所述待检查位置点发现的第j类型违章现象的严重性系数;s和kj由相关技术人员根据实际应用需要设定;i为在一个检查周期内,在所述待检查位置点发现违章现象的次数;
相应设置一个关注指数的一级阈值Ca以及二级阈值Cb,且Cb>Ca;当所述关注指数C未超过一级阈值Ca时,根据采集到的违章情况视频确认有关的违章情况,并在当前检测周期完成时,对违章情况进行处理;当所述关注指数C超过一级阈值Ca尚未超过二级阈值时,需要通知相关施工区域的负责人立即到现场进行违章纠正;当所述关注指数C超过二级阈值时,对相关施工区域发出停工警告,并在现场进行违章情况完全改正后再决定是否复工;
优选地,所述位置标识物为带背光的二维码实体标签;在一些实例性的实施方式中,所述位置标识物的尺寸为15cm*15cm的方形标签,可选的更多尺寸如12cm*12cm或者20cm*20cm,具体的尺寸以所述待检查位置点的客观条件,结合无人机的影像模块的识别能力决定;
在一个示例性的实施方式中,标签采用防水材质,并在标签表面印刷有二维码;并且标签表面采用荧光材质进行涂覆,以使所述位置标识物能在暗光应用场景中可被无人机的影像模块识别,并读取表面的二维码信息;
在一些实施例中,所述位置标识物为具有塑料外壳的硬质标签,并且在标签的表面印刷有二维码;
在一些实施例中,具有塑料外壳的所述位置标识物还包括有发光装置;发光装置采用小型的光伏板将太阳能转化为电源并存储于其内部的电池中,并在夜晚暗光环境下激活发光装置的照明元件对表面的二维码进行照明;
进一步的,如附图2所示,所述无人机110包括:第一无线传输模块、总控制模块、第一数据存储模块、飞行控制模块、影像模块、飞行数据采集模块以及电源模块;其中
所述飞行数据采集模块与所述第一数据存储模块连接,用于采集存储飞行状态数据及无人机设备参数,并且将采集的数据发送到所述第一数据存储模块进行存储;
所述总控制模块与飞行控制模块以及影像模块连接;所述飞行控制模块接收由控制模块发送的飞行指令,并控制无人机的飞行姿态以及飞行目标;所述影像模块接收由所述总控制模块发送的采集指令,用于采集目标位置的视频数据;
所述数据存储模块与飞行数据采集模块以及影像模块连接,实时存储两个模块采集的数据信息;所述第一无线传输模块与数据存储模块连接,并与所述控制单元通讯连接,用于将数据向所述控制单元实时回传;
所述电源模块用于为无人机中各模块进行供电;
优选地,所述影像模块包括云台控制模块以及图像采集模块;所述云台控制模块与所述总控制模块通讯连接,用于对无人机的拍摄角度进行控制;所述图像采集模块与数据存储模块连接,用于进行视频采集以及将采集的视频数据发送到所述数据存储模块;
其中,所述图像采集模块包括用于采集可视光图像的传感器元件,包括RGB彩色成像传感器、灰度传感器,进一步的,可以包括红外线热感成像传感器、超声波成像仪等;
进一步的,所述云台控制模块包括多向云台,驱动所述多向云台进行多向转动的驱动机构,以及控制所述驱动机构进行转动的控制模块;其中,所述多向云向优选地至少包括两个转动关节,分别由两个电机驱动,分别负责云台的上下和左右各方向的转动;所述多向云台由直流12V电压驱动;当接到上、下动作电压时,垂直电机转动,经减速箱带动垂直传动轮盘转动;当接到左、右动作电压时,水平电机转动并经减速箱带动云台底部的水平齿轮盘转动;
优选地,所述云台控制模块还包括云台稳定器;所述云台稳定器包括主动式稳定器以及被动式稳定器;通过所述云台稳定器,减弱由于无人台在飞行以及悬停期间多个方向上的抖动,从而使影像采集时具有更稳定的图像画面;
进一步的,所述图像采集模块的各个成像传感器安装于所述多向云台上,并随所述多向云台的转动,从而获取无人机周边多个方位上的影像;
进一步的,通过以上影像模块的设置,本方案中的无人机能够通过自身移动,从而实现从半空中对地面的拍摄、从空中对较高位置拍摄,并且通过所述云台控制模块的工作,从而能够在近距离获得较大的成像视野,因此能够提供灵活的影像获取能力,使违章取证的操作空间更大;
进一步的,通过所述影像模块,可以采集包括施工人员的外貌、动作行为,例如是否佩戴有规章制度要求的防护器具,是否按照施工要求停留于安全位置等;进一步的,通过影像模块中包括的热能成像仪,还包括采集施工现象各种热能信号,例如明火、烧焊、切割、熔断等操作,并检测到具体的温度情况,包括在无人施工现场是否发生意外的燃烧起火意外的情况等;
进一步的,如附图3,所述控制单元100包括第二无线传输模块、第二数据存储模块、飞行控制服务模块、流媒体模块以及分析模块;其中
所述流媒体模块与第二数据存储模块连接,实时接收无人机实时推送的视频数据;所述分析模块与流媒体模块、第二数据存储模块连接,用于接收实时视频数据并分析施工现场是否存在施工违章情况;
所述飞行控制服务模块与第二数据存储模块连接,用于接收无人机回传的飞行数据,并将飞行数据存储;
所述第二无线传输模块与第二数据存储模块以及无人机的第一无线传输模块连接,用于实时的数据通信与存储;
在一些实施方式中,所述控制单元为固定型式的服务器;所述控制单元可以位于施工场地的固定位置内,或者位于施工场地以外的某一个位置;所述控制单元通过无线通讯技术与无人机进行数据连接,并向无人机发送控制指令;
而在一些实施方式中,所述控制单元可以为移动式的计算平台,包括手提电脑、平板电脑,或者配置于移动交通工具上的服务器;所述控制单元可以由工作人员携带并进行移动;工作人员可以通过可移动式的控制单元对无人机进行目视控制,或者通过由所述影像模块将无人机采集的实时影像即时传统到所述控制单元上,工作人员通过流媒体的方式进行观看;
优选地,所述分析模块包括采用基于深度学习的图像识别技术进行违章情形的判定;
进一步的,提出一种基于无人机图像识别技术的施工违章判定方法;所述判定方法应用于所述判定系统;所述方法包括以下阶段:
设置阶段:由相关技术人员基于目标施工场地中的多个待检查位置点设置检查策略,并将所述检查策略存储到控制单元;以及
检查阶段,包括以下步骤:
S100:根据所述检查策略存储的检查位置点,由控制单元控制无人机到达待检查位置点附近;
S200:在待检查位置点附近通过无人机的影像模块基于图像技术寻找并确定至少一个所述位置标识物,从而确定所述基准位置;
S300:无人机获取施工现场的实时视频数据并发送到所述控制单元进行分析,并等待所述控制单元作出进一步控制指令;
S400:所述控制单元对实时视频数据进行分析,并在确认违章现象时进行取证;
S500:完成当前待检查位置点检查后,继续到下一个待检查位置点执行步骤S200到步骤S500。
优选地,在步骤S400中,包括分析是否需要无人机在一个所述基准位置所在点,通过转换视频采集位置,从而从另一视角对违章行为进行视频采集;
进一步的,由相关管理人员根据待检查位置点的具体地理位置或者空间位置,设置并固定所述位置标识物;使用所述位置标识物为无人机在采集影像的过程提供空间位置的参考;
区别于以往常见的坐标定位方式,目前对于通过卫星定位配合水平高度仪的定位方式,其误差通常达到0.5米以上,对于消费级别的无人机更是达到2至3米的级别;在此误差内,难以准确地多次在同一场景下,以同一视角采集影像;而多次采集的影像的差异,则难以成为有力的违章行为的证据;
而区别于单纯以坐标进行定位的方法,通过在定位过程时配合无人机视角中的参考物,使得无人机在以坐标为目标移动到所述第一定位位置后,再进行通过所述位置标识物进行进一步的精细定位,可以实现位置精确到0.1米的误差以内,从而使对待检测位置点的取证位置能够基本保持高度一致;
优选地,示例性地可以在一个所述待检查位置点设置至少三个所述位置标识物,通过三位定位法进行定位,进一步将定位的稳定性提高。
实施例二:
本实施例应当理解为至少包含前述任意一个实施例的全部特征,并在其基础上进一步改进;
在一些施工项目中,施工场地是在建筑物内;在建筑物内对人或场地位置的定位存在的最大问题之一,是建筑物中卫星定位信号覆盖无法为无人机的移动和定位提供精确位置;即使对于使用辅助卫星定位系统也是如此;卫星信号的衰减具体取决于进入建筑物的距离;可以理解,至少在建筑物中的某些点处,卫星定位信号衰减得太厉害而无法使用;因此,将限制了本判定系统在室内的应用;
故此提出采用所述位置标识物的方法,进一步提高无人机在卫星定位信号较差的工况下的定位性能;
在一些实施方式中,所述位置标识物上的二维码含有当前所述待检查位置点的描述,例如楼层、房间、场地方位等,以使得无人机在获取得该二维码的影像时,进一步通过读取二维码的解码信息,从而获得当前位置的准确定位;
在一些实施方式中,所述位置标识物包括指令地址;该指令地址使得无人机在读取该二维码时,进行自适应机能调整,例如调整离地飞行高度、航速,或者进行一次陀螺仪校正,以使无人机在继续行进到下一个所述位置标识物前调整到一致的工作状态;
在一些实施方式中,在所述待检查位置点设置了多个所述位置标识物,如附图4所示;并示例性地执行以下定位步骤:
定位步骤1,根据卫星信号,到达所述待检查位置点坐标附近;通过所述影像模块识别所述第一标识物401;
定位步骤2,接近所述第一标识物401,并且扫描第一标识物401上的二维码,以获取并建立当前待检查位置点的第一坐标系;第一坐标系可以是基于直角坐标系,并以所述第一标识物401的中心点为坐标原点的公共测量点的坐标;
定位步骤3,以第一坐标系的原点,寻找在待检查位置点附近的其他所述位置标识物,例如,第二标识物402,或者第三标识物403,第四标识物404;通过读取第二标识物402或者第三标识物403或者第四标识物404的二维码,确认该位置标识物的具体编号,并将识别到的第二标识物402或者第三标识物403反馈到所述控制单元;
定位步骤4,由所述控制单元反馈第二标识物402或者第三标识物403与第一标识物的距离,或者在所述第一坐标系的坐标;根据无人机与所述第一标识物,以及第二标识物402或者第三标识物403的距离,则可以确定无人机当前在所述第一坐标系的坐标;
定位步骤5,将无人机当前在所述第一坐标系的坐标反馈到所述控制单元,并由所述控制单元将最终需要到达的坐标发送到无人机,从而到达最终需要的所述基准位置。
实施例三:
本实施例应当理解为至少包含前述任意一个实施例的全部特征,并在其基础上进一步改进;
进一步的,所述控制单元用于对无人机采集的影像信息进行实时分析,并从中判定是否存在违章的情况;
违章情况包括人员的违章行为,或者人员的违章操作后造成的场地、物件异常;
违章行为通常例如有,没有佩戴规定的防具、护具进行工作;停留于危险区域,等等;
进一步包括场地、物件异常,例如:工具、物料随意摆放,移动车辆不按指定路线行进,施工区域超限等;
通常地,可以由相关管理人员通过无人机的影像数据进行违章判定,但是这将造成人力资源的浪费;而优选地,可以通过所述分析模块采用基于深度学习的图像识别技术进行违章情形的判定;
一些实施方式中,深度学习的判定方式包括以下步骤:
(1)样本数据分类处理及样本标记:在施工现场的多个待检查位置点采集图像视频数据样本,对照样本库,按照制定的样本标注规则,利用计算机自动进行样本标注;样本库分为现场作业人员、工作设备、安全帽、绝缘手套等多种类型,搜集正常操作、违章操作等典型样本;
(2)基于深度学习的违章识别模型构建:图像识别算法先利用一个卷积神经网络对待检测位置点的待测图像进行违章行为应该关注的特征提取从而生成特征图,然后利用一个候选区域生成网络(RPN)对所述特征图进行处理并输出多种尺度和宽高比的候选区域,最后利用一个分类回归网络根据候选区域内的特征进行判别输出;
在示例性的实施方式中,违章特征提取基于Faster-RCNN的一次设备巡视图像识别算法的特征提取网络是一个卷积神经网络,该特征提取网络是可以替换的,可以根据不同的一次设备应用场景选择合适的网络作为算法的特征提取网络;可选地,进一步采用ZF-Net特证提取网络进行特征提取;ZF-Net是Faster R-CNN算法中一种常用的特征提取网络,其网络结构具有4至5个卷积层,利用ReLU函数作为激活层,采用LRN算法作为局部响应的归一化层,并且包括池化层等进行数据处理;
进一步的,需要对影像数据中选择候选区域;候选区域即无人机采集的影像数据中可能包含待测目标的区域,可以利用影像中的边缘、纹理和颜色等信息来获得;生成候选区域相当于目标的粗检测过程,目的在于减轻后面分类网络的压力,以保证在选取较少检测窗口的情况下,保持较高的检测精度;在基于Faster-RCNN的一次设备巡视图像识别算法中,候选区域生成网络是一个卷积神经网络,该网络以特征提取网络输出的特征图作为输入,输出多种尺度和宽高比的矩形候选区域;如附图6所示,为所述特征提取网络的示意图;
在示例性的实施方式中,网络首先使用一个滑动窗口在所述特征图上进行滑动,将滑动窗口经过的每个位置上的特征映射成一个256维(选用ZF-Net作为特征提取网络时为256维,选用其它网络作为特征提取网络时,该值会有变化)的特征向量;然后将每个特征向量输入到两个全连接层当中,一个全连接层输出2×9=18个分数,另一个全连接层输出4×9=36个修正参数算法为每个滑动窗口位置定义了9个基准矩形框,得到每个滑动窗口位置的修正参数之后,利用修正参数对基准矩形框进行修正,每个基准矩形框分别对应4个修正参数,最后每个滑动窗口位置得到9个候选区域;上述18个分数为候选区域的评分,每个候选区域对应2个分数,分别代表该候选区域内包含和不包含待测目标的可能性;当存在待检目标的可能性超过一指定阈值时,则认为影像中具有待测目标,并将具有待测目标附近的一定面积区域定为候选区域;
进一步的,在获得候选区域之后,便要对候选区域进行分类回归操作;分类回归网络以特征提取网络输出的特征图和候选区域生成网络输出的候选区域为输入,输出候选区域对应各类别的置信度和修正参数;
由于候选区域大小、形状各不相同,分类回归网络首先使用一个ROI pooling层将候选区域所包含的特征池化成大小、形状相同的特征图,接着使用两个全连接层fc6、fc7对特征图进行特征映射,然后使用全连接层fc/cls、fc/bbox_reg分别输出候选区域对应各个类别的分数和修正参数,最后使用Softmax层将分数进行归一化,从而得到候选区域对应各个违章情形类别的置信度;分类回归网络的前两个全连接层fc6、fc7与特征提取网络选用的Image Net预训练模型的前两个全连接层结构相同,训练时需要使用相对应的Image Net预训练模型对全连接层fc6、fc7进行初始化;
进一步的,采用如下为四步交替的训练方法进行预训练模型的训练步骤:
训练步骤1:利用ImageNet预训练模型初始化候选区域生成子网的特征提取网络,对候选区域生成子网其余的层采用零均值,标准差为0.01的高斯分布随机初始化,然后对候选区域生成子网进行微调;训练结束后,保存训练样本对应的候选区域;
训练步骤2:利用ImageNet预训练模型初始化分类回归子网的特征提取网络和分类回归网络前两个全连接层,对分类回归子网其余的层采用零均值,标准差为0.01的高斯分布随机初始化,然后利用步骤1保存的训练样本候选区域对分类回归子网进行微调(至此,候选区域生成网络和分类回归网络仍没有共享特征提取网络);通过对分类回归子网进行微调,获得分类回归子网内多个神经元连接之间的网络参数;
训练步骤3:利用训练步骤2训练出来的网络参数初始化整个网络,保持特征提取网络和分类回归网络参数不变,然后对候选区域生成网络进行微调(至此,候选区域生成网络和分类回归网络开始共享特征提取网络);通过对候选区域生成子网进行微调,获得候选区域生成子网内多个神经元连接之间的网络参数;
训练步骤4:利用训练步骤3训练出来的网络参数初始化整个网络,保持特征提取网络和候选区域生成网络参数不变,然后对分类回归网络进行微调;
通过如上述的方式后,则可以通过对无人机采集的影像数据进行违章分析和判定;
如附图5所示示意图,为所述影像模块采集的影像数据中的其中一个待检查位置点的现场;图中所示,通过识别人体从而进行了候选区域501的规定,并且通过预训练模型,从而识别出防护头盔503,以及反光防护服502;并且进一步,通过识别当中两个施工人员均佩戴了防护头盔以及防护服,判别人员并未发生违章行为;
进一步地在一些示例性的实施方式中,所述判别系统还包括在附图5中识别其中的工具,并且识别工具是否正确地摆放和由施工人员进行操作;
进一步地在一些示例性的实施方式中,所述判别系统还包括在附图5中识别当中的施工场地是否按规定进行了防护措施的设置。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。也就是说上面讨论的方法,系统和设备是示例。各种配置可以适当地省略,替换或添加各种过程或组件。例如,在替代配置中,可以以与所描述的顺序不同的顺序执行方法,和/或可以添加,省略和/或组合各种部件。而且,关于某些配置描述的特征可以以各种其他配置组合,如可以以类似的方式组合配置的不同方面和元素。此外,随着技术发展其中的元素可以更新,即许多元素是示例,并不限制本公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而,可以在没有这些具体细节的情况下实践配置例如,已经示出了众所周知的电路,过程,算法,结构和技术而没有不必要的细节,以避免模糊配置。该描述仅提供示例配置,并且不限制权利要求的范围,适用性或配置。相反,前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下,可以对元件的功能和布置进行各种改变。
综上,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (8)
1.一种基于无人机图像识别技术的施工违章判定系统,其特征在于,所述判定系统包括控制单元、位置标识物以及一台以上无人机;所述控制单元用于存储检查策略以及根据所述检查策略向无人机发出控制信号;所述位置标识物设置于施工现场的待检查位置点,通过在所述待检查位置点设置两个以上所述位置标识物,从而使无人机通过图像定位的方式确定所述待检查位置点的基准位置;无人机在对所述基准位置进行定位后,实施无人机的悬停、检查以及取证操作;
其中,所述检查策略中包括所述位置标识物的定位坐标;所述控制单元根据所述定位坐标,指示无人机到达所述位置标识物附近的第一定位位置;在无人机到达所述第一定位位置后,基于图像技术寻找并确定所述位置标识物,从而确定所述基准位置;
所述检查策略还包括在检查过程中计算每个待检查位置点的关注指数,根据所述关注指数判定是否存在需要人工即时介入的违章情形;所述关注指数C的计算方法为:
,式1;
式1中,s为所述待检查位置点的权重系数,根据该待检查位置点的重要性设定;kj为在所述待检查位置点发现的第j类型违章现象的严重性系数;s和kj由相关技术人员根据实际应用需要设定;i为在一个检查周期内,在所述待检查位置点发现违章现象的次数;
相应设置一个关注指数的一级阈值Ca以及二级阈值Cb,且Cb>Ca;当所述关注指数C未超过一级阈值Ca时,根据采集到的违章情况视频确认有关的违章情况,并在当前检测周期完成时,对违章情况进行处理;当所述关注指数C超过一级阈值Ca而未超过二级阈值时,需要通知相关施工区域的负责人立即到现场进行违章纠正;当所述关注指数C超过二级阈值时,对相关施工区域发出停工警告,并在现场进行违章情况完全改正后再决定是否复工;
所述无人机包括影像模块,所述影像模块包括云台控制模块以及图像采集模块;所述云台控制模块包括多向云台,驱动所述多向云台进行多向转动的驱动机构,以及控制所述驱动机构进行转动的控制模块;其中,所述多向云台至少包括两个转动关节,分别由两个电机驱动,分别负责云台的上下和左右各方向的转动。
2.如权利要求1所述一种基于无人机图像识别技术的施工违章判定系统,其特征在于,所述位置标识物为带背光的二维码实体标签。
3.如权利要求2所述一种基于无人机图像识别技术的施工违章判定系统,其特征在于,所述无人机还包括:第一无线传输模块、总控制模块、第一数据存储模块、飞行控制模块、飞行数据采集模块以及电源模块;其中
所述飞行数据采集模块与所述第一数据存储模块连接,用于采集存储飞行状态数据及无人机设备参数,并且将采集的数据发送到所述第一数据存储模块进行存储;
所述总控制模块与飞行控制模块以及影像模块连接;所述飞行控制模块接收由控制模块发送的飞行指令,并控制无人机的飞行姿态以及飞行目标;所述影像模块接收由所述总控制模块发送的采集指令,用于采集目标位置的视频数据;
所述数据存储模块与飞行数据采集模块以及影像模块连接,实时存储两个模块采集的数据信息;所述第一无线传输模块与数据存储模块连接,并与所述控制单元通讯连接,用于将数据向所述控制单元实时回传;
所述电源模块用于为无人机中各模块进行供电。
4.如权利要求3所述一种基于无人机图像识别技术的施工违章判定系统,其特征在于,所述云台控制模块与所述总控制模块通讯连接,用于对无人机的视频拍摄角度进行控制;所述图像采集模块与数据存储模块连接,用于进行视频采集以及将采集的视频数据发送到所述数据存储模块。
5.如权利要求4所述一种基于无人机图像识别技术的施工违章判定系统,其特征在于,所述控制单元包括第二无线传输模块、第二数据存储模块、飞行控制服务模块、流媒体模块以及分析模块;其中
所述流媒体模块与第二数据存储模块连接,实时接收无人机实时推送的视频数据;所述分析模块与流媒体模块、第二数据存储模块连接,用于接收实时视频数据并分析施工现场是否存在施工违章情况;
所述飞行控制服务模块与第二数据存储模块连接,用于接收无人机回传的飞行数据,并将飞行数据存储;
所述第二无线传输模块与第二数据存储模块以及无人机的第一无线传输模块连接,用于实时的数据通信与存储。
6.如权利要求5所述一种基于无人机图像识别技术的施工违章判定系统,其特征在于,所述分析模块包括采用基于深度学习的图像识别技术进行违章情形的判定。
7.一种基于无人机图像识别技术的施工违章判定方法,其特征在于,所述判定方法应用于如权利要求1所述判定系统;所述方法包括以下阶段:
设置阶段:基于目标施工场地中的多个待检查位置点设置检查策略,并将所述检查策略存储到控制单元;以及
检查阶段,包括以下步骤:
S100:根据所述检查策略存储的检查位置点,由控制单元控制无人机到达待检查位置点附近;
S200:在待检查位置点附近通过无人机的影像模块基于图像技术寻找并确定至少一个所述位置标识物,从而确定所述基准位置;
S300:无人机获取施工现场的实时视频数据并发送到所述控制单元进行分析,并等待所述控制单元作出进一步控制指令;
S400:所述控制单元对实时视频数据进行分析,并在确认存在违章现象时进行取证;
S500:完成当前待检查位置点检查后,继续到下一个待检查位置点执行步骤S200到步骤S500。
8.如权利要求7所述一种基于无人机图像识别技术的施工违章判定方法,其特征在于,在步骤S400中,包括分析是否需要无人机在一个所述基准位置所在点,通过转换视频采集位置,从而从另一视角对违章行为进行视频采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211242112.9A CN115454138B (zh) | 2022-10-11 | 2022-10-11 | 一种基于无人机图像识别技术的施工违章判定方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211242112.9A CN115454138B (zh) | 2022-10-11 | 2022-10-11 | 一种基于无人机图像识别技术的施工违章判定方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115454138A CN115454138A (zh) | 2022-12-09 |
CN115454138B true CN115454138B (zh) | 2023-04-18 |
Family
ID=84309465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211242112.9A Active CN115454138B (zh) | 2022-10-11 | 2022-10-11 | 一种基于无人机图像识别技术的施工违章判定方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115454138B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613454A (zh) * | 2020-12-29 | 2021-04-06 | 国网山东省电力公司建设公司 | 一种电力基建施工现场违章识别方法及系统 |
CN112613453A (zh) * | 2020-12-29 | 2021-04-06 | 国网山东省电力公司建设公司 | 一种用于电力基建施工现场违章排查方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10713961B2 (en) * | 2016-06-10 | 2020-07-14 | ETAK Systems, LLC | Managing dynamic obstructions in air traffic control systems for unmanned aerial vehicles |
CN108445767B (zh) * | 2018-05-16 | 2021-04-27 | 安徽建筑大学 | 一种基于无人机的可视化现场安全监督管理系统 |
CN113763203A (zh) * | 2021-08-10 | 2021-12-07 | 国网湖北省电力有限公司检修公司 | 变电站智慧安监系统及现场作业安全管控方法 |
CN113869162A (zh) * | 2021-09-18 | 2021-12-31 | 新疆信息产业有限责任公司 | 一种基于人工智能的违章识别方法及系统 |
CN113610011A (zh) * | 2021-09-22 | 2021-11-05 | 国网江苏省电力有限公司太仓市供电分公司 | 一种应用于配网作业现场人员管控的ai识别系统 |
-
2022
- 2022-10-11 CN CN202211242112.9A patent/CN115454138B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613454A (zh) * | 2020-12-29 | 2021-04-06 | 国网山东省电力公司建设公司 | 一种电力基建施工现场违章识别方法及系统 |
CN112613453A (zh) * | 2020-12-29 | 2021-04-06 | 国网山东省电力公司建设公司 | 一种用于电力基建施工现场违章排查方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115454138A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104932001B (zh) | 一种实时3d核辐射环境重建监测系统 | |
US11017228B2 (en) | Method and arrangement for condition monitoring of an installation with operating means | |
EP3460392A2 (en) | Positioning system for aerial non-destructive inspection | |
CN112904877A (zh) | 一种基于无人机的风机叶片自动巡检系统及方法 | |
CN109737981B (zh) | 基于多传感器的无人车目标搜索装置及方法 | |
CN112085003B (zh) | 公共场所异常行为自动识别方法及装置、摄像机设备 | |
CN109376587A (zh) | 基于物联网的检测查勘通信铁塔智能巡检系统和方法 | |
CN109931909B (zh) | 一种基于无人机的海上风机塔柱状态巡检方法和装置 | |
KR102217549B1 (ko) | 태양광 발전 모듈 모니터링 방법 및 시스템 | |
CN114373138A (zh) | 一种高速铁路全自动无人机巡检方法及系统 | |
CN115597659B (zh) | 一种变电站智能安全管控方法 | |
CN114115296B (zh) | 一种重点区域智能巡检与预警系统及方法 | |
CN104122891A (zh) | 一种城市地下轨道检测的智能机器人巡检系统 | |
CN207268846U (zh) | 电力巡检机器人 | |
CN114905512B (zh) | 一种智能巡检机器人全景追踪及避障方法及系统 | |
CN114743021A (zh) | 一种输电线路图像与点云数据的融合方法及系统 | |
CN115202376A (zh) | 一种基于单兵移动的无人机巡检电力网格化管控平台 | |
CN115933718A (zh) | 一种融合全景slam与目标识别的无人机自主飞行技术方法 | |
CN113326752B (zh) | 一种基于无人机的光伏电站识别方法及系统 | |
CN109218683A (zh) | 无人机监控系统和电力场所监控系统 | |
CN115454138B (zh) | 一种基于无人机图像识别技术的施工违章判定方法和系统 | |
CN112560751A (zh) | 一种阳台高空坠物风险检测方法及系统 | |
CN115826596B (zh) | 基于多旋翼无人机的智能火电厂烟囱巡检方法及系统 | |
CN116243725A (zh) | 基于视觉导航的变电站无人机巡检方法及系统 | |
CN115144879A (zh) | 一种多机多目标动态定位系统及方法 |
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 |