CN115797863A - 燃气无人站周界入侵预警方法、电子设备以及存储介质 - Google Patents

燃气无人站周界入侵预警方法、电子设备以及存储介质 Download PDF

Info

Publication number
CN115797863A
CN115797863A CN202211525601.5A CN202211525601A CN115797863A CN 115797863 A CN115797863 A CN 115797863A CN 202211525601 A CN202211525601 A CN 202211525601A CN 115797863 A CN115797863 A CN 115797863A
Authority
CN
China
Prior art keywords
early warning
unmanned station
perimeter intrusion
gas
network
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
Application number
CN202211525601.5A
Other languages
English (en)
Inventor
湛洋波
孙吉
韩朝辉
蔺阳
郑再鹏
陈钊
王雪帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bocom Smart Information Technology Co ltd
Original Assignee
Enc Data Service Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Enc Data Service Co ltd filed Critical Enc Data Service Co ltd
Priority to CN202211525601.5A priority Critical patent/CN115797863A/zh
Publication of CN115797863A publication Critical patent/CN115797863A/zh
Priority to CN202310425727.3A priority patent/CN116434144A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
    • 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
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Burglar Alarm Systems (AREA)

Abstract

本发明提供一种燃气无人站周界入侵预警方法、电子设备以及存储介质，其通过人形目标检测模型确定视频中是否存在人形目标，进而根据人形目标检测模型的检测结果选择是否进行预警，由于人形目标检测模型的特征融合网络通过训练学习得到的权重集合对各尺度特征进行融合，提高了人形目标检测模型的检测结果，降低了预警的误报率，此外，本发明先确定监控视频中是否具有目标物体，当具有目标物体时，再将相应的视频帧输入人形目标检测模型进一步确定是否存在人形目标，避免人形目标检测模型对所有视频帧进行检测，提高了检测效率。

Description

燃气无人站周界入侵预警方法、电子设备以及存储介质
技术领域
本发明属于燃气无人站预警技术领域，尤其涉及一种燃气无人站周界入侵预警方法、电子设备以及存储介质。
背景技术
无人值守高中压调压站(燃气无人站)往往是一个小片区内的唯一或者主要的气源点，它的安全、稳定运行是整个燃气运营不可或缺的环节。燃气无人站四周大多采用围栏隔离防护，存在外来人员闯入偷盗和恶意破坏的风险(攀爬围栏或者破坏围栏)，而燃气无人站往往地处偏远，没有相应的实时监控及应急手段，运营管理相对薄弱，以往惯例是通过人员定期巡检(如一天一巡检)来实现管理，这种方式对巡检人员的巡检范围有明确要求，这就需要耗费大量的人力物力，而且实际上有时巡检人员缺失或者未真正在现场指挥，故还是存在燃气安全风险隐患，一些燃气无人站会采用人员入侵检测技术来解决外来人员入侵问题，如电子围栏入侵探测、红外对射探测、震动电缆入侵探测等，但是，这些检测方式会受天气、周边环境(交通车辆振动等)、动物攀爬、鸟类等影响，导致误报居高不下，虚警率极高。
发明内容
基于此，针对上述技术问题，提供一种燃气无人站周界入侵预警方法、电子设备以及存储介质。
本发明采用的技术方案如下：
作为本发明的第一方面，提供一种燃气无人站周界入侵预警方法，包括：
S101、获取燃气无人站周界实时监控视频；
S102、确定所述监控视频中是否具有目标物体，若是，则从所述监控视频中提取出具有目标物体的视频帧；
S103、将所述视频帧输入人形目标检测模型，确定所述视频帧中是否具有人形目标，否是，则进行预警；
其中，所述人形目标检测模型被训练为由主干网络对输入的视频帧进行特征提取，由特征融合网络通过学习获得的权重集合对各尺度特征进行融合，由预测网络输出所述视频帧中是否具有人形目标的检测结果，所述权重集合包括对应各尺度特征的多个特征权重。
作为本发明的第二方面，提供一种电子设备，包括存储模块，所述存储模块包括由处理器加载并执行的指令，所述指令在被执行时使所述处理器执行上述第一方面的一种燃气无人站周界入侵预警方法。
作为本发明的第三方面，提供一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述第一方面的一种燃气无人站周界入侵预警方法。
本发明通过人形目标检测模型确定视频中是否存在人形目标，进而根据人形目标检测模型的检测结果选择是否进行预警，由于人形目标检测模型的特征融合网络通过训练学习得到的权重集合对各尺度特征进行融合，提高了人形目标检测模型的检测结果，降低了预警的误报率，此外，本发明先确定监控视频中是否具有目标物体，当具有目标物体时，再将相应的视频帧输入人形目标检测模型进一步确定是否存在人形目标，避免人形目标检测模型对所有视频帧进行检测，提高了检测效率。
附图说明
下面结合附图和具体实施方式对本发明进行详细说明：
图1为本发明实施例提供的一种燃气无人站周界入侵预警方法的流程图；
图2为本发明实施例应用的系统的示意图；
图3为本发明实施例提供的一种电子设备的示意图；
图4为本发明消除Grid网格的敏感度的示意图。
具体实施方式
以下将结合说明书附图对本发明的实施方式予以说明。需要说明的是，本说明书中所涉及的实施方式不是穷尽的，不代表本发明的唯一实施方式。以下相应的实施例只是为了清楚的说明本发明专利的发明内容，并非对其实施方式的限定。对于该领域的普通技术人员来说，在该实施例说明的基础上还可以做出不同形式的变化和改动，凡是属于本发明的技术构思和发明内容并且显而易见的变化或变动也在本发明的保护范围之内。
图2示出了本发明实施例应用的无人值守系统。该系统可以包括边缘AI终端11、网络视频录像机12、多个摄像头13以及无人值守平台14，边缘AI终端11、网络视频录像机12以及多个摄像头13均设置于燃气无人站，边缘AI终端11通过5G通信设备与无人值守平台14通信，多个摄像头13实时采集燃气无人站周界的实时监控视频，网络视频录像机12对各摄像头采集的视频进行存储并转发给边缘AI终端11，其中，摄像头13可以采用枪机摄像头和球机摄像头。
如图1所示，本发明实施例提供一种燃气无人站周界入侵预警方法，其具体流程如下：
S101、边缘AI终端11从网络视频录像机12获取燃气无人站周界实时监控视频。
S102、边缘AI终端11确定监控视频中是否具有目标物体，若是，则从监控视频中提取出具有目标物体的视频帧，目标物体可能是生物、植物等等，例如鸟类、人类、树叶等等，若否，则继续检测。
在本实施例中，边缘AI终端11通过深度学习的图像目标检测模型确定监控视频中是否具有目标物体，如可以采用R-CNN模型、YOLO模型、SSD模型等等。
S103、边缘AI终端11将视频帧输入人形目标检测模型，确定视频帧中是否具有人形目标，若是，则进行预警，如可以生成告警信息，并发送给无人值守平台14。
人形目标检测模型包括主干网络(backbone网络)、特征融合网络(neck网络)以及预测网络(head网络)，其被通过大量的人形目标样本图片(不少于2000张图片)训练为：由主干网络对输入的视频帧进行特征提取，由特征融合网络通过学习获得的权重集合对各尺度特征进行融合，由预测网络输出视频帧中是否具有人形目标的检测结果，权重集合包括对应各尺度特征的多个特征权重。
其中，主干网络采用深度学习的图像目标检测模型的主干网络，如YOLOv5模型的主干网络，预测网络采用深度学习的图像目标检测模型的预测网络，如YOLOv5模型的预测网络。
对于特征融合网络，通常的特征融合方式是简单地对各特征直接相加，然而由于不同的特征具有不同的尺度(分辨率)，不同尺度的特征对预测网络的输出结果的贡献是不一样的(重要性不同)，故为了提高人形目标检测模型的检测结果，本实施例的特征融合网络通过训练学习得到的权重集合对各尺度特征进行融合。
进一步地，本实施例的特征融合网络通过自上而下以及自下而上的双向融合策略对各尺度特征进行融合,从而增强不同网络层之间特征信息的传递，明显提升YOLOv5模型的预测网络的检测精度。
其中，训练YOLOv5模型的损失函数为：Loss＝λ1Lcls+λ2Lobj+λ3Lloc，Lcls为分类损失，采用的是BCE loss，Lobj为置信度损失，采用的是BCE loss，Lloc为定位损失，采用的是CIoUloss，λ1、λ2、λ3为平衡系数。
考虑到人形目标通常为小目标或者中目标，为了平衡损失，对预测网络的三个预测特征层(小目标预测层、中目标预测层和大目标预测层)上的置信度损失
Figure BDA0003974820540000041
分配不同的权重，即
Figure BDA0003974820540000042
为了消除Grid网格的敏感度，将预测网络的计算公式修改为：
bx＝(2·σ(tx)-0.5)+cx
by＝(2·σ(ty)-0.5)+cy
bw＝pw·(2·σ(tw))2
bh＝ph·(2·σ(th))2
其中，如图4所示，bx和by分别是预测的目标中心点的x坐标和y坐标，bw和bh分别是预测的目标的宽和高，tx是预测的目标中心x坐标偏移量(相对于Grid网格的左上角)，ty是预测的目标中心y坐标偏移量(相对于Grid网格的左上角)，cx是对应网格左上角的x坐标，cy是对应网格左上角的y坐标，σ是Sigmoid激活函数，将预测的偏移量限制在0到1之间，pw和ph分别是先验框的宽度和高度。
可以理解的是，上述步骤S101-S103也可以全部在无人值守平台14上进行，或者部分在无人值守平台14上进行,部分在边缘AI终端11上进行，当然，当各摄像头13具备算力的情况下也可以作为边缘计算设备，根据算力的大小，步骤S101-S103可以全部或者部分由边缘计算设备进行。
由上可知，本实施例方法通过人形目标检测模型确定视频中是否存在人形目标，进而根据人形目标检测模型的检测结果选择是否进行预警，由于人形目标检测模型的特征融合网络通过训练学习得到的权重集合对各尺度特征进行融合，提高了人形目标检测模型的检测结果，降低了预警的误报率，此外，本实施例方法先确定监控视频中是否具有目标物体，当具有目标物体时，再将相应的视频帧输入人形目标检测模型进一步确定是否存在人形目标，避免人形目标检测模型对所有视频帧进行检测，提高了检测效率。
与上述构思相同，图3示出了本发明实施例提供的一种电子设备的结构示意性框图。
示例性的，电子设备包括存储模块11以及处理器12，存储模块11包括由处理器12加载并执行的指令，指令在被执行时使处理器12执行本说明书上述一种燃气无人站周界入侵预警方法部分中描述的根据本发明各种示例性实施方式的步骤。
应当理解的是，处理器12可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器12还可以是其它通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本发明实施例中还提供一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，一个或多个程序当被处理器执行时，实现上述一种燃气无人站周界入侵预警方法部分中描述的根据本发明各种示例性实施方式的步骤。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读存储介质上，计算机可读存储介质可以包括计算机可读存储介质(或非暂时性介质)和通信介质(或暂时性介质)。
如本领域普通技术人员公知的，术语计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机可读存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
示例性的，计算机可读存储介质可以是前述实施例的电子设备的内部存储单元，例如电子设备的硬盘或内存。计算机可读存储介质也可以是电子设备的外部存储设备，例如电子设备上配备的插接式硬盘，智能存储卡(SmartMediaCard，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(FlashCard)等。
前述各实施例提供的电子设备和计算机可读存储介质，通过人形目标检测模型确定视频中是否存在人形目标，进而根据人形目标检测模型的检测结果选择是否进行预警，由于人形目标检测模型的特征融合网络通过训练学习得到的权重集合对各尺度特征进行融合，提高了人形目标检测模型的检测结果，降低了预警的误报率，此外，本实施例方法先确定监控视频中是否具有目标物体，当具有目标物体时，再将相应的视频帧输入人形目标检测模型进一步确定是否存在人形目标，避免人形目标检测模型对所有视频帧进行检测，提高了检测效率。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种燃气无人站周界入侵预警方法，其特征在于，包括：
S101、获取燃气无人站周界实时监控视频；
S102、确定所述监控视频中是否具有目标物体，若是，则从所述监控视频中提取出具有目标物体的视频帧；
S103、将所述视频帧输入人形目标检测模型，确定所述视频帧中是否具有人形目标，否是，则进行预警；
其中，所述人形目标检测模型被训练为由主干网络对输入的视频帧进行特征提取，由特征融合网络通过学习获得的权重集合对各尺度特征进行融合，由预测网络输出所述视频帧中是否具有人形目标的检测结果，所述权重集合包括对应各尺度特征的多个特征权重。
2.根据权利要求1所述的一种燃气无人站周界入侵预警方法，其特征在于，所述确定所述监控视频中是否具有目标物体，进一步包括：
通过深度学习的图像目标检测模型确定所述监控视频中是否具有目标物体。
3.根据权利要求1或2所述的一种燃气无人站周界入侵预警方法，其特征在于，所述主干网络采用深度学习的图像目标检测模型的主干网络，所述预测网络采用深度学习的图像目标检测模型的预测网络。
4.根据权利要求3所述的一种燃气无人站周界入侵预警方法，其特征在于，所述主干网络采用YOLOv5模型的主干网络，所述预测网络采用YOLOv5模型的预测网络。
5.根据权利要求4所述的一种燃气无人站周界入侵预警方法，其特征在于，所述由特征融合网络通过学习获得的权重集合对各尺度特征进行融合，进一步包括：
通过自上而下以及自下而上的双向融合策略对各尺度特征进行融合。
6.根据权利要求5所述的一种燃气无人站周界入侵预警方法，其特征在于，所述进行预警，进一步包括：
生成告警信息，并发送给云平台。
7.一种电子设备，其特征在于，包括存储模块，所述存储模块包括由处理器加载并执行的指令，所述指令在被执行时使所述处理器执行根据权利要求1-6任一项所述的一种燃气无人站周界入侵预警方法。
8.一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，其特征在于，所述一个或多个程序当被处理器执行时，实现权利要求1-6任一项所述的一种燃气无人站周界入侵预警方法。
CN202211525601.5A 2022-12-01 2022-12-01 燃气无人站周界入侵预警方法、电子设备以及存储介质 Pending CN115797863A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211525601.5A CN115797863A (zh) 2022-12-01 2022-12-01 燃气无人站周界入侵预警方法、电子设备以及存储介质
CN202310425727.3A CN116434144A (zh) 2022-12-01 2023-04-20 燃气无人站周界入侵预警方法、电子设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211525601.5A CN115797863A (zh) 2022-12-01 2022-12-01 燃气无人站周界入侵预警方法、电子设备以及存储介质

Publications (1)

Publication Number Publication Date
CN115797863A true CN115797863A (zh) 2023-03-14

Family

ID=85444158

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211525601.5A Pending CN115797863A (zh) 2022-12-01 2022-12-01 燃气无人站周界入侵预警方法、电子设备以及存储介质
CN202310425727.3A Pending CN116434144A (zh) 2022-12-01 2023-04-20 燃气无人站周界入侵预警方法、电子设备以及存储介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202310425727.3A Pending CN116434144A (zh) 2022-12-01 2023-04-20 燃气无人站周界入侵预警方法、电子设备以及存储介质

Country Status (1)

Country Link
CN (2) CN115797863A (zh)

Also Published As

Publication number Publication date
CN116434144A (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN110807429B (zh) 基于tiny-YOLOv3的施工安全检测方法及系统
US10755136B2 (en) Pruning filters for efficient convolutional neural networks for image recognition in vehicles
KR101897923B1 (ko) 신경망 학습 모델 기반 추적 객체 추출 서비스 제공 시스템, 이의 방법, 그리고 이 방법을 저장한 컴퓨터 판독 가능 저장 매체
Lestari et al. Fire hotspots detection system on CCTV videos using you only look once (YOLO) method and tiny YOLO model for high buildings evacuation
CN110516529A (zh) 一种基于深度学习图像处理的投喂检测方法和系统
CN112770265B (zh) 一种行人身份信息获取方法、系统、服务器和存储介质
CN115880598B (zh) 一种基于无人机的地面图像检测方法及相关装置
CN111914656A (zh) 一种人员行为检测方法、装置、电子设备及存储介质
CN113723361A (zh) 一种基于深度学习的视频监测方法及设备
CN111815576B (zh) 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN110633853A (zh) 时空数据预测模型的训练方法、装置及电子设备
CN114663871A (zh) 图像识别方法、训练方法、装置、系统及存储介质
CN113673399A (zh) 区域监测的方法、装置、电子设备及可读存储介质
CN112926491A (zh) 用户识别方法、装置、电子设备及存储介质
CN113505643A (zh) 违章目标物检测方法及相关装置
Madkar et al. Video based forest fire and smoke detection using YoLo and CNN
CN112949359A (zh) 基于卷积神经网络的异常行为识别方法和装置
CN116597501A (zh) 视频分析算法及边缘设备
CN115797863A (zh) 燃气无人站周界入侵预警方法、电子设备以及存储介质
CN116363583A (zh) 一种用于顶视角的人体识别方法、装置、设备及介质
CN111105582B (zh) 森林防火监测方法、系统、计算机设备和可读存储介质
CN112861711A (zh) 区域入侵检测方法、装置、电子设备及存储介质
CN111325186B (zh) 视频处理方法、装置、介质及系统
Wu et al. Research on asphalt pavement disease detection based on improved YOLOv5s
CN114387391A (zh) 变电站设备的安全监测方法、装置、计算机设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
TA01 Transfer of patent application right

Effective date of registration: 20230418

Address after: 100192 rooms 101 and 102, 1st floor, building C-7, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing

Applicant after: BOCOM SMART INFORMATION TECHNOLOGY CO.,LTD.

Address before: 201209 221, room 11, 955 Chuansha Road, Pudong New Area, Shanghai.

Applicant before: ENC DATA SERVICE CO.,LTD.

TA01 Transfer of patent application right
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20230314

WD01 Invention patent application deemed withdrawn after publication