CN115641360A - 基于人工智能的电池检测方法、装置和电子设备 - Google Patents
基于人工智能的电池检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN115641360A CN115641360A CN202211281366.1A CN202211281366A CN115641360A CN 115641360 A CN115641360 A CN 115641360A CN 202211281366 A CN202211281366 A CN 202211281366A CN 115641360 A CN115641360 A CN 115641360A
- Authority
- CN
- China
- Prior art keywords
- battery
- video stream
- target area
- enters
- detection method
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本公开提供了基于人工智能的电池检测方法、装置和电子设备,涉及人工智能技术领域,具体为图像识别和深度学习技术领域,具体实现方案为:获取视频流,对视频流进行目标检测,以识别视频流中是否存在电池,响应于存在电池,对电池进行跟踪,以判断电池是否进入目标区域,本公开基于深度学习算法,可以对电池进入目标区域行为进行实时识别,并降低了成本,提升了识别电池进入目标区域的准确性和可靠性。
Description
技术领域
本公开涉及人工智能技术领域,具体为图像识别和深度学习技术领域,尤其涉及一种基于人工智能的电池检测方法、装置和电子设备。
背景技术
近年来,电动自行车以其便捷、环保、经济等优势,已经成为居民的主要交通出行方式之一,电动自行车管理尤为重要,特别地,针对电动自行车中的电池进入目标区域行为,往往存在火灾隐患,事故造成的影响十分严重。
相关技术中,针对识别电池进入目标区域行为时,往往是对电池张贴可远程识别的射频识别(Radio Frequency Identification,简称RFID)标签,在进入目标区域之地安装识别装置,当RFID信号采集器收到电池RFID标签信号后,则确定电池进入目标区域,然而上述方法,需要给每台电动车电池贴上RFID标签,若有遗漏则无法识别电池是否进入目标区域,实际操作性难,成本比较大。因此,如何提高识别电池进入目标区域行为的准确性和可靠性,并降低成本,已成为亟待解决的问题。
发明内容
本公开提供了一种基于人工智能的电池检测方法、装置、电子设备、存储介质及程序产品。
根据第一方面,提供了一种基于人工智能的电池检测方法,包括:获取视频流;对所述视频流进行目标检测,以识别所述视频流中是否存在电池;响应于存在所述电池,对所述电池进行跟踪,以判断所述电池是否进入目标区域。
根据第二方面,提供了一种基于人工智能的电池检测装置,包括:获取模块,用于获取视频流;检测模块,用于对所述视频流进行目标检测,以识别所述视频流中是否存在电池;判断模块,用于响应于存在所述电池,对所述电池进行跟踪,以判断所述电池是否进入目标区域。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开第一方面所述的基于人工智能的电池检测方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据本公开第一方面所述的基于人工智能的电池检测方法。
根据第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开第一方面所述的基于人工智能的电池检测方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的基于人工智能的电池检测方法的流程示意图;
图2是根据本公开第二实施例的基于人工智能的电池检测方法的流程示意图;
图3是根据本公开第三实施例的基于人工智能的电池检测方法的流程示意图;
图4是根据本公开第四实施例的流程示意图;
图5是根据本公开第五实施例的流程示意图;
图6是根据本公开基于人工智能的电池检测方法的流程示意图;
图7是是用来实现本公开实施例的基于人工智能的电池检测装置的框图;
图8是用来实现本公开实施例的基于人工智能的电池检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
人工智能(Artificial Intelligence,简称AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前,AI技术具有自动化程度高、精确度高、成本低的优点,得到了广泛的应用。
图像识别(image identification)是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,是应用深度学习算法的一种实践应用。
深度学习(Deep Learning,简称DL),是机器学习(Machine Learning,简称ML)领域中一个新的研究方向,学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。就具体研究内容而言,主要包括基于卷积运算的神经网络系统,即卷积神经网络;基于多层神经元的自编码神经网络;以多层自编码神经网络的方式进行预训练,进而结合鉴别信息进一步优化神经网络权值的深度置信网络。深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术,以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动,解决了很多复杂的模式识别难题,使得人工智能相关技术取得了很大进步。
下面结合附图描述本公开实施例的一种基于人工智能的电池检测方法。
图1是根据本公开第一实施例的基于人工智能的电池检测方法的流程示意图。
如图1所示,本公开实施例的基于人工智能的电池检测方法具体可包括以下步骤:
S101,获取视频流。
具体的,本公开实施例的基于人工智能的电池检测方法的执行主体可为本公开实施例提供的基于人工智能的电池检测装置,该基于人工智能的电池检测的装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的,执行主体可包括工作站、服务器,计算机、用户终端及其他设备。其中,用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
需要说明的是,由于要识别电池是否进入目标区域,因此,可以获取视频流,以对对户外视频流进行分析处理,识别电池是否进入目标区域。
需要说明的是,本公开对于获取视频流的具体方式不作限定,可以根据实际情况进行选取。
可选地,可以通过摄像头进行采集视频流,以获取视频流。
举例而言,可以在单元楼设置一定数量的摄像头,进行采集视频流。
S102,对视频流进行目标检测,以识别视频流中是否存在电池。
可选地,当视频流中,用户出现携带电池行为,例如:用户手拎电池,当用户处于移动状态时,电池也处于移动状态。
在本公开实施例中,在获取到视频流后,可以对视频流进行抽帧处理,以获取视频流对应的帧图像,并对视频流对应的帧图像进行目标检测,以识别视频流中是否存在电池。
需要说明的是,本公开对于视频流进行目标检测的具体方式不作限定,可以根据实际情况进行选取。
作为一种可能的实现方式,可以基于目标检测算法,对视频流进行目标检测。
举例而言,可以基于centerNet、cornerNet等目标检测算法,对视频流进行目标检测。
S103,响应于存在电池,对电池进行跟踪,以判断电池是否进入目标区域。
需要说明的是,相关技术中,往往采用对电池张贴可远程识别的RFID标签,在进入目标区域之地安装识别装置,当RFID信号采集器收到电池RFID标签信号后,可以识别电池进入目标区域,然而上述方法,需要给每台电动车电池贴上RFID标签,若有遗漏则无法识别电池进入目标区域,实际操作性难,成本比较大。
本公开实施例中,可以通过实时获取视频流,并通过深度学习算法,例如:目标检测算法、跟踪算法,识别电池进入目标区域的行为,提高了识别电池进入目标区域的准确性和高效性。
需要说明的是,本公开中对于目标区域的设置不作限定,可以根据实际情况进行选取。
可选地,目标区域可以为预先设置的任一区域。
需要说明的是,响应于存在电池,则可能存在电池进入目标区域的行为,因此,可以对电池进行跟踪,判断电池是否进入目标区域。
需要说明的是,本公开对电池进行跟踪的具体方式不作限定,可以根据实际情况进行选取。
作为一种可能的实现方式,可以基于深度排序(Deepsort)算法,对电池进行跟踪。
在本公开实施例中,对电池进行跟踪后,可以获取电池的轨迹信息,进而可以根据轨迹信息判断电池是否进入目标区域。
进一步地,确定电池进入目标区域后,可以生成告警提醒信息,提醒相关人员进行处理。
综上,本公开实施例的基于人工智能的电池检测方法,通过获取视频流,可以对视频流进行目标检测,以识别视频流中是否存在电池,响应于存在电池,对电池进行跟踪,以判断电池是否进入目标区域,本公开基于深度学习算法,实时地识别电池是否进入目标区域,降低了成本,提高了识别电池进入目标区域的准确性和可靠性。
图2是根据本公开第二实施例的基于人工智能的电池检测方法的流程示意图。
如图2所示,在图1所示实施例的基础上,本公开实施例的基于人工智能的电池检测方法具体可包括以下步骤:
S201,获取视频流。
具体的,本实施例中的步骤S201与上述实施例中的步骤S101相同,此处不再赘述。
上述实施例中的步骤S102“对视频流进行目标检测,以识别视频流中是否存在电池”具体可包括以下步骤S202和S203。
S202,对视频流进行抽帧处理,以获取视频流对应的帧图像。
作为一种可能的实现方式,如图3所示,在上述实施例的基础上,上述步骤S203中对视频流进行抽帧处理,以获取视频流对应的帧图像的具体过程,包括以下步骤:
S301,对视频流进行解码处理,获取视频流的解码数据。
作为一种可能实现的方式,可以通过解码器对视频流进行解码处理,以获取视频流的解码数据。
S302,获取抽帧频率,根据抽帧频率,对解码数据进行抽帧处理,以获取视频流对应的帧图像。
需要说明的是,本公开对于获取抽帧频率的具体方式不作限定,可以根据实际情况进行选取。
可选地,可以根据视频流的帧率,进行设置抽帧频率。
举例而言,当视频流的帧率为30帧/秒时,可以设置抽帧频率为24帧/秒。
S203,基于目标检测算法对帧图像进行目标检测,以识别视频流中是否存在电池。
其中,目标检测(Object Detection),指的是基于目标几何和统计特征的图像分割。
需要说明的是,本公开对于目标检测算法不作限定,可选地,可以基于centerNet、cornerNet等多种目标检测算法进行目标检测。
S204,基于跟踪算法对电池进行跟踪,以得到电池对应的轨迹信息。
在本公开实施例中,在识别视频流中存在电池后,可以基于跟踪算法对电池进行跟踪,以获取电池对应的轨迹信息。
需要说明的是,本公开对于跟踪算法不作限定,可选地,可以基于深度排序(Deepsort)算法,对电池进行跟踪。
需要说明的是,轨迹信息是通过对电池的运动过程的进行跟踪所获得的数据信息,包括位置、时间、速度、方向等信息,这些数据信息根据时间的先后顺序构成了轨迹信息。
S205,根据轨迹信息,识别电池的移动方向。
S206,从视频流中识别目标区域的所在方向。
作为一种可能实现的方式,可以基于目标检测算法识别进入目标区域的所在的方向。
S207,获取电池与目标区域的距离。
可选地,可以获取电池的像素坐标信息和目标区域的坐标信息,根据电池的像素坐标信息和目标区域的坐标信息,计算电池与目标区域的距离。
S208,响应于移动方向为朝向目标区域的所在方向,且距离逐渐减小,确定电池进入目标区域。
在本公开实施例中,当电池的移动方向朝向目标区域的所在方向,且距离逐渐减小,则可以确定电池进入目标区域
S209,确定电池进入目标区域后,则生成告警提醒信息。
在本公开实施例中,在确定电池进入目标区域后,可以保存对应的电池进入目标区域视频流、图像等,并生成告警提醒信息,提醒相关人员进行处理。
需要说明的是,本公开对于告警提醒信息的设置不作限定,可选地,告警提醒信息可以为文本告警提醒信息、语音告警提醒信息、视频告警提醒信息等。
综上,本公开实施例的基于人工智能的电池检测方法,对视频流进行抽帧处理,以获取视频流对应的帧图像,基于目标检测算法对帧图像进行目标检测,以识别视频流中是否存在电池,基于跟踪算法对电池进行跟踪,以得到电池对应的轨迹信息,并根据轨迹信息,识别电池的移动方向,从视频流中识别目标区域的所在方向,获取电池与目标区域的距离,响应于移动方向为朝向目标区域的在方向,且距离逐渐减小,确定电池进入目标区域,确定电池进入目标区域后,则生成告警提醒信息。由此,本公开基于深度学习算法,实时地识别电池是否进入目标区域,降低了成本,提高了识别电池进入目标区域的准确性和可靠性,并在确定电池进入目标区域后,基于告警信息可以提醒相关人员进行处理,降低了电池进入目标区域所造成的安全隐患。
图4是根据本公开第四实施例的基于人工智能的电池检测方法的流程示意图。
如图4所示,在图1所示实施例的基础上,本公开实施例的基于人工智能的电池检测方法具体可包括以下步骤:
S401,获取视频流。
具体的,本实施例中的步骤S401与上述实施例中的步骤S201相同,此处不再赘述。
S402,对视频流进行解码处理,获取视频流的解码数据。
S403,获取抽帧频率,根据抽帧频率,对解码数据进行抽帧处理,以获取视频流对应的帧图像。
具体的,本实施例中的步骤S402-403与上述实施例中的步骤S301-302相同,此处不再赘述。
S404,基于目标检测算法对帧图像进行目标检测,以识别视频流中是否存在电池。
S405,基于跟踪算法对电池进行跟踪,以得到电池对应的轨迹信息。
具体的,本实施例中的步骤S404-405与上述实施例中的步骤S203-204相同,此处不再赘述。
S406,从视频流中,识别目标区域的位置信息。
作为一种可能实现的方式,可以基于目标检测算法识别目标区域的位置信息。
S407,根据轨迹信息和移动方向,预测电池的预测位置。
在本公开实施例中,在获取到轨迹信息和移动方向后,可以预测下一时刻或下一时间段内电池的预测位置。
S408,判断预测位置与目标区域的位置是否存在交集。
S409,响应于预测位置与目标区域的位置存在交集,确定电池进入目标区域。
在本公开实施例中,当预测位置与目标区域的位置存在交集时,则可以确定电池进入目标区域;当预测位置与目标区域的位置未存在交集,则可以确定电池未进入目标区域。
S4010,确定电池进入目标区域后,则生成告警提醒信息。
具体的,本实施例中的步骤S4010与上述实施例中的步骤S209相同,此处不再赘述。
综上,本公开实施例的基于人工智能的电池检测方法,对视频流进行抽帧处理,以获取视频流对应的帧图像,基于目标检测算法对帧图像进行目标检测,以识别视频流中是否存在电池,基于跟踪算法对电池进行跟踪,以得到电池对应的轨迹信息,从视频流中,识别目标区域的位置信息,根据轨迹信息和移动方向,预测电池的预测位置,判断预测位置与目标区域的位置是否存在交集,响应于预测位置与目标区域的位置存在交集,确定电池进入目标区域,确定电池进入目标区域后,则生成告警提醒信息。由此,本公开基于深度学习算法,实时地识别电池是否进入目标区域,降低了成本,提高了识别电池进入目标区域的准确性和可靠性,并在确定电池进入目标区域后,基于告警信息可以提醒相关人员进行处理,降低了电池进入目标区域所造成的安全隐患。
图5是根据本公开第五实施例的基于人工智能的电池检测方法的流程示意图。
如图5所示,在图1所示实施例的基础上,本公开实施例的基于人工智能的电池检测方法具体可包括以下步骤:
S501,获取视频流。
具体的,本实施例中的步骤S501与上述实施例中的步骤S201相同,此处不再赘述。
S502,对视频流进行解码处理,获取视频流的解码数据。
S503,获取抽帧频率,根据抽帧频率,对解码数据进行抽帧处理,以获取视频流对应的帧图像。
具体的,本实施例中的步骤S502-503与上述实施例中的步骤S301-302相同,此处不再赘述。
S504,基于目标检测算法对帧图像进行目标检测,以识别视频流中是否存在电池。
S505,基于跟踪算法对电池进行跟踪,以得到电池对应的轨迹信息。
具体的,本实施例中的步骤S504-505与上述实施例中的步骤S203-204相同,此处不再赘述。
S506,对目标区域进行标注,以获取目标区域对应的边界框,并在边界框上标注方向。
可选地,可以对目标区域通过画线的方式进行标注,以获取目标区域对应的边界框,同时,为了更准确地识别电池进入目标区域,可以在边界框上标注方向,即标注进入目标区域方向。
S507,响应于边界框与轨迹信息存在交集,且方向与轨迹信息相同,确定电池进入目标区域。
在本公开实施例中,当边界框与轨迹信息存在交集,且方向与轨迹信息相同时,则可以确定电池进入目标区域。
S508,确定电池进入目标区域后,则生成告警提醒信息。
具体的,本实施例中的步骤S508与上述实施例中的步骤S209相同,此处不再赘述。
综上,本公开实施例的基于人工智能的电池检测方法,对视频流进行抽帧处理,以获取视频流对应的帧图像,基于目标检测算法对帧图像进行目标检测,以识别视频流中是否存在电池,基于跟踪算法对电池进行跟踪,以得到电池对应的轨迹信息,对目标区域进行标注,以获取目标区域对应的边界框,并在边界框上标注方向,响应于边界框与轨迹信息存在交集,且方向与轨迹信息相同,确定电池进入目标区域,确定电池进入目标区域后,则生成告警提醒信息。由此,本公开基于深度学习算法,实时地识别电池是否进入目标区域,降低了成本,提高了识别电池进入目标区域的准确性和可靠性,并在确定电池进入目标区域后,基于告警信息可以提醒相关人员进行处理,降低了电池进入目标区域所造成的安全隐患。
下面以基于人工智能的电池检测方法的整体过程为例进行解释说明。
如图6所示,本公开提供的基于人工智能的电池检测方法,针对监控场景下的视频流,可以获取监控摄像头记录的视频流,通过视频服务器(video server),对视频流进行解码(decode)、抽帧(extract frames)处理,以获取视频流对应的帧图像数据,并通过进程间通信(Inter-Process Communication,简称IPC),传输视频流对应的帧图像数据,对帧图像数据根据目标检测算法进行检测(detecet),并在检测到视频流中有电池后,基于跟踪算法对电池进行跟踪(track),产生电池的轨迹信息,可以预先设定电池进入目标区域的规则,若不满足电池进入目标区域的规则,则确定电池未进入目标区域,若满足电池进入目标区域的规则,则确定电池进入目标区域,可选地,若电池的轨迹信息和目标区域存在交集,以及轨迹方向和目标区域设置方向相同,则确定电池进入目标区域,并产生告警提醒信息。
综上,本公开实施例的基于人工智能的电池检测方法,基于深度学习算法,实时地识别电池是否进入目标区域,降低了成本,提高了识别电池进入目标区域的准确性和可靠性,并在确定电池进入目标区域后,基于告警信息可以提醒相关人员进行处理,降低了电池进入目标区域所造成的安全隐患。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
图7是根据本公开一个实施例的基于人工智能的电池检测装置的结构示意图。
如图7所示,该基于人工智能的电池检测装置700,包括:获取模块710、提检测模块720、判断模块730。其中:
获取模块710,用于获取视频流;
检测模块720,用于对所述视频流进行目标检测,以识别所述视频流中是否存在电池;
判断模块730,用于响应于存在所述电池,对所述电池进行跟踪,以判断所述电池是否进入目标区域。
其中,判断模块730,还用于:
基于跟踪算法对所述电池进行跟踪,以得到所述电池对应的轨迹信息;
根据所述轨迹信息,判断所述电池是否进入目标区域。
其中,判断模块730,还用于:
根据所述轨迹信息,识别所述电池的移动方向;
从所述视频流中识别目标区域的所在方向;
获取所述电池与所述目标区域的距离;
响应于所述移动方向为朝向所述目标区域的所在方向,且所述距离逐渐减小,确定所述电池进入目标区域。
其中,判断模块730,还用于:
从所述视频流中,识别目标区域的位置信息;
根据所述轨迹信息和所述移动方向,预测所述电池的预测位置;
判断所述预测位置与所述目标区域的位置是否存在交集;
响应于所述预测位置与所述目标区域的位置存在交集,确定所述电池进入目标区域。
其中,判断模块730,还用于:
对所述目标区域进行标注,以获取所述目标区域对应的边界框,并在所述边界框上标注方向;
根据所述轨迹信息、所述边界框和所述方向,判断所述电池是否进入目标区域。
其中,判断模块730,还用于:
响应于所述边界框与所述轨迹信息存在交集,且所述方向与所述轨迹信息相同,确定所述电池进入目标区域。
其中,检测模块720,还用于:
对所述视频流进行抽帧处理,以获取所述视频流对应的帧图像;
基于目标检测算法对所述帧图像进行目标检测,以识别所述视频流中是否存在所述电池。
其中,检测模块720,还用于:
对所述视频流进行解码处理,获取所述视频流的解码数据;
获取抽帧频率,根据所述抽帧频率,对所述解码数据进行抽帧处理,以获取所述视频流对应的帧图像。
其中,装置700,还用于:
确定所述电池进入目标区域后,则生成告警提醒信息。
需要说明的是,上述基于人工智能的电池检测方法实施例的解释说明,也适用于本公开实施例的基于人工智能的电池检测装置,具体过程此处不再赘述。
综上,本公开实施例的基于人工智能的电池检测装置,通过获取视频流,可以对视频流进行目标检测,以识别视频流中是否存在电池,响应于存在电池,对电池进行跟踪,以判断电池是否进入目标区域,本公开基于深度学习算法,实时地识别电池是否进入目标区域,降低了成本,提高了识别电池进入目标区域的准确性和可靠性,并在确定电池进入目标区域后,基于告警信息可以提醒相关人员进行处理,降低了电池进入目标区域所造成的安全隐患。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如基于人工智能的电池检测方法。例如,在一些实施例中,基于人工智能的电池检测方法。可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的模型训练或者图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于人工智能的电池检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网以及区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
本公开还提供一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时,实现如上所述的基于人工智能的电池检测方法。应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种基于人工智能的电池检测方法,包括:
获取视频流;
对所述视频流进行目标检测,以识别所述视频流中是否存在电池;
响应于存在所述电池,对所述电池进行跟踪,以判断所述电池是否进入目标区域。
2.根据权利要求1所述的电池检测方法,其中,所述响应于存在所述电池,对所述电池进行跟踪,以判断所述电池是否进入目标区域,包括:
基于跟踪算法对所述电池进行跟踪,以得到所述电池对应的轨迹信息;
根据所述轨迹信息,判断所述电池是否进入目标区域。
3.根据权利要求2所述的电池检测方法,其中,所述根据所述轨迹信息,判断所述电池是否进入目标区域,包括:
根据所述轨迹信息,识别所述电池的移动方向;
从所述视频流中识别目标区域的所在方向;
获取所述电池与所述目标区域的距离;
响应于所述移动方向为朝向所述目标区域的所在方向,且所述距离逐渐减小,确定所述电池进入目标区域。
4.根据权利要求2所述的电池检测方法,其中,所述根据所述轨迹信息,判断所述电池是否进入目标区域,包括:
从所述视频流中,识别目标区域的位置信息;
根据所述轨迹信息和所述移动方向,预测所述电池的预测位置;
判断所述预测位置与所述目标区域的位置是否存在交集;
响应于所述预测位置与所述目标区域的位置存在交集,确定所述电池进入目标区域。
5.根据权利要求2所述的电池检测方法,其中,所述根据所述轨迹信息,判断所述电池是否进入目标区域,包括:
对所述目标区域进行标注,以获取所述目标区域的对应的边界框,并在所述边界框上标注方向;
根据所述轨迹信息、所述边界框和所述方向,判断所述电池是否进入目标区域。
6.根据权利要求5所述的电池检测方法,其中,所述根据所述轨迹信息、所述边界框和所述方向,判断所述电池是否进入目标区域,包括:
响应于所述边界框与所述轨迹信息存在交集,且所述方向与所述轨迹信息相同,确定所述电池进入目标区域。
7.根据权利要求1所述的电池检测方法,其中,所述对所述视频流进行目标检测,以识别所述视频流中是否存在电池,包括:
对所述视频流进行抽帧处理,以获取所述视频流对应的帧图像;
基于目标检测算法对所述帧图像进行目标检测,以识别所述视频流中是否存在所述电池。
8.根据权利要求7所述的电池检测方法,其中,所述对所述视频流进行抽帧处理,以获取所述视频流对应的帧图像,包括:
对所述视频流进行解码处理,获取所述视频流的解码数据;
获取抽帧频率,根据所述抽帧频率,对所述解码数据进行抽帧处理,以获取所述视频流对应的帧图像。
9.根据权利要求1-8中任一项所述的电池检测方法,其中,所述方法,还包括:
确定所述电池进入目标区域后,则生成告警提醒信息。
10.一种基于人工智能的电池检测装置,包括:
获取模块,用于获取视频流;
检测模块,用于对所述视频流进行目标检测,以识别所述视频流中是否存在电池;
判断模块,用于响应于存在所述电池,对所述电池进行跟踪,以判断所述电池是否进入目标区域。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211281366.1A CN115641360A (zh) | 2022-10-19 | 2022-10-19 | 基于人工智能的电池检测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211281366.1A CN115641360A (zh) | 2022-10-19 | 2022-10-19 | 基于人工智能的电池检测方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115641360A true CN115641360A (zh) | 2023-01-24 |
Family
ID=84944496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211281366.1A Pending CN115641360A (zh) | 2022-10-19 | 2022-10-19 | 基于人工智能的电池检测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641360A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635605A (zh) * | 2024-01-23 | 2024-03-01 | 宁德时代新能源科技股份有限公司 | 电池目检确认方法、装置、电子设备和存储介质 |
-
2022
- 2022-10-19 CN CN202211281366.1A patent/CN115641360A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635605A (zh) * | 2024-01-23 | 2024-03-01 | 宁德时代新能源科技股份有限公司 | 电池目检确认方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10685245B2 (en) | Method and apparatus of obtaining obstacle information, device and computer storage medium | |
EP3852008A2 (en) | Image detection method and apparatus, device, storage medium and computer program product | |
CN113205037B (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
CN114863437B (zh) | 文本识别方法、装置、电子设备和存储介质 | |
US11379741B2 (en) | Method, apparatus and storage medium for stay point recognition and prediction model training | |
CN113705716B (zh) | 图像识别模型训练方法、设备、云控平台及自动驾驶车辆 | |
CN112560862A (zh) | 文本识别方法、装置及电子设备 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN113326773A (zh) | 识别模型训练方法、识别方法、装置、设备及存储介质 | |
CN115346171A (zh) | 一种输电线路监控方法、装置、设备及存储介质 | |
CN115641360A (zh) | 基于人工智能的电池检测方法、装置和电子设备 | |
JP2023531759A (ja) | 車線境界線検出モデルの訓練方法、車線境界線検出モデルの訓練装置、電子機器、記憶媒体及びコンピュータプログラム | |
CN114764874B (zh) | 深度学习模型的训练方法、对象识别方法和装置 | |
CN113989720A (zh) | 目标检测方法、训练方法、装置、电子设备及存储介质 | |
CN113887394A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN113887414A (zh) | 目标检测方法、装置、电子设备和存储介质 | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN114220163A (zh) | 人体姿态估计方法、装置、电子设备及存储介质 | |
CN113378836A (zh) | 图像识别方法、装置、设备、介质及程序产品 | |
CN114093006A (zh) | 活体人脸检测模型的训练方法、装置、设备以及存储介质 | |
CN113361519A (zh) | 目标处理方法、目标处理模型的训练方法及其装置 | |
CN113051926A (zh) | 文本抽取方法、设备和存储介质 | |
CN112818972A (zh) | 兴趣点图像的检测方法、装置、电子设备及存储介质 | |
CN115294536B (zh) | 基于人工智能的违章检测方法、装置、设备及存储介质 | |
CN113191256B (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 |
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 |