CN116052061A - 事件监测方法、装置、电子设备及存储介质 - Google Patents
事件监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116052061A CN116052061A CN202310181949.5A CN202310181949A CN116052061A CN 116052061 A CN116052061 A CN 116052061A CN 202310181949 A CN202310181949 A CN 202310181949A CN 116052061 A CN116052061 A CN 116052061A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- value
- size
- determining
- 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 85
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012806 monitoring device Methods 0.000 title claims abstract description 12
- 238000003709 image segmentation Methods 0.000 claims abstract description 55
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 7
- 238000011835 investigation Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000010779 crude oil Substances 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000019914 Mental Fatigue Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V20/44—Event detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
- G06V10/77—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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/50—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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种事件监测方法、装置、电子设备及存储介质,属于图像处理领域。该方法包括:获取第一图像,将第一图像输入到训练好的图像分割模型中进行识别,可得到第一图像中的各个像素的类别概率值,根据该类别概率值,可将第一图像中的各个像素进行分类,从而可确定第一图像的第一分割图像,通过比较第一分割图像中的目标区域的尺寸与预设区域的大小,进而确定监控设备所监控的作业现场是否发生了目标事件,可减少人工监测不全面的问题,采用事件监测系统可实时对监控视频中所监控的作业现场中发生的目标事件进行监测,排查周期较短,因此,通过本申请实施例提供的一种事件监测方法可对目标事件进行全面监测,提高监测效率。
Description
技术领域
本公开涉及图像处理领域,具体涉及一种事件监测方法、装置、电子设备及存储介质。
背景技术
化学危险品泄露等事件的发生会导致周围环境甚至人身财产安全存在潜在的危险,因此,需对这类事件进行实时监控,及时反馈。
现有技术采用人工排查监控视频,以对监控视频中存在的事件发生情况进行预警,然而,在人工排查过程中,由于每组监控视频对应的监控位置不一致,需要对每组监控视频中的图像进行排查,因此,为尽快对事件的发生状态进行反馈,人工排查时会由于身心疲惫等客观因素,从而影响人工判断该组监控视频所监控的作业现场是否发生了该事件,若在事件发生后,由于人工排查不到位,则会存在监测不全面问题,与此同时,在多组监控视频中,人工排查的周期较长,易存在监测不及时的问题。
因此,人工排查存在监测不全面和监测不及时等问题。
发明内容
本申请实施例提供了一种事件监测方法、装置、电子设备及计算机可读存储介质,能够解决现有技术中存在的监测不全面和监测不及时的问题。
第一方面,本申请实施例提供了一种事件监测方法,方法包括:
获取第一图像,所述第一图像为监控设备采集到的作业现场的图像;
通过训练好的图像分割模型识别所述第一图像,得到所述第一图像中各像素的概率值,所述各像素的概率值用于表征所述各像素的类别;
根据所述第一图像中各像素的概率值,确定所述第一图像的第一分割图像;
在所述第一分割图像的图像区域的尺寸大于第一预设尺寸的情况下,确定所述作业现场发生目标事件。
在一个可能实现的实施例中,所述根据所述第一图像中各像素的概率值,确定所述第一图像的第一分割图像,事件监测方法包括:
将第一像素的概率值更新为1,第二像素的类别概率值更新为0,其中,所述第一像素为所述第一图像中概率值大于预设值的像素,所述第二像素为所述第一图像中概率值小于或等于预设值的像素;
对所述第一图像中的各像素,将所述像素的更新后的概率值与所述第一图像对应的像素点积,得到所述第一图像的第一分割图像。
在一个可能实现的实施例中,所述在所述第一分割图像的图像区域的尺寸大于预设尺寸的情况下,确定所述作业现场发生目标事件之后,事件监测方法还包括:
计算所述第一分割图像的图像区域的尺寸与第二预设尺寸的差值,得到尺寸差值;
根据所述尺寸差值,确定所述目标事件的事件严重程度。
在一个可能实现的实施例中,所述在所述第一分割图像的图像区域的尺寸大于第一预设尺寸的情况下,确定所述作业现场发生目标事件,事件监测方法包括:
在所述第一分割图像的图像区域的尺寸大于第一预设尺寸的情况下,通过所述训练好的图像分割模型识别第二图像,得到第二图像对应的第二分割图像;所述第二图像为所述监控设备采集到的所述第一图像之后的N帧图像;
在所述第二分割图像的图像区域的尺寸大于第一预设尺寸的情况下,确定所述作业现场发生目标事件。
在一个可能实现的实施例中,所述通过图像分割模型识别所述第一图像,得到所述第一图像中各像素的概率值,包括:
通过所述训练好的图像分割模型中的卷积神经网络识别所述第一图像,得到第一像素的局部特征和全局特征;所述第一像素为所述第一图像中的一个像素;
将所述第一像素的所述全局特征和所述局部特征进行点积计算,得到第一值;
计算所述第一像素的第二值;所述第二值为所述第一图像中第一像素的每个全局特征与局部特征点积计算的数值之和;
根据所述第一值和所述第二值,确定所述第一图像中各像素的概率值。
在一个可能实现的实施例中,在所述获取第一图像之后,在通过训练好的图像分割模型识别所述第一图像,得到所述第一图像中各像素的概率值之前,事件监测还包括:
根据周期性学习率迭代策略,训练所述图像分割模型L次,得到L次训练对应的L个权重值;
采用随机权重平均方法确定目标权重值,所述目标权重值基于所述L个权重值确定;
根据所述目标权重值,确定所述图像分割模型的模型权重值,得到训练好的图像分割模型。
在一个可能实现的实施例中,在获取第一图像之后,在通过训练好的图像分割模型识别所述第一图像,得到所述第一图像中各像素的类别概率值之前,事件监测方法还包括:
根据自数据增强策略,调整第一图像的尺寸大小,得到目标尺寸的第一图像。
第二方面,本申请实施例提供了一种事件监测装置,事件监测装置包括:
获取模块,用于获取第一图像,所述第一图像为监控设备采集到的作业现场的图像;
识别模块,用于通过图像分割模型识别所述第一图像,得到所述第一图像中各像素的概率值,所述各像素的概率值用于表征所述各像素的类别;
第一确定模块,用于根据所述第一图像中各像素的概率值,确定所述第一图像的第一分割图像;
第二确定模块,用于在所述第一分割图像的图像区域的尺寸大于第一预设尺寸的情况下,确定所述作业现场发生目标事件。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时执行实现上述事件监测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述事件监测实施例的各个过程。
第五方面,本申请实施例提供了一种计算机程序产品,计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备执行实现上述事件监测的各个过程。
本申请实施例提供的一种事件监测方法、装置、电子设备及计算机可读存储介质和计算机程序产品,在获取从监控设备采集到作业现场的第一图像后,将第一图像输入到训练好的图像分割模型中进行识别,可得到第一图像中的各个像素的类别概率值,根据该类别概率值,可将第一图像中的各个像素进行分类,从而划分为第一图像对应的目标区域和背景区域,从而可确定第一图像的第一分割图像,通过比较第一分割图像中的目标区域的尺寸与预设区域的大小,进而确定监控设备所监控的作业现场是否发生了目标事件,可减少人工监测不全面的问题,相对于人工排查的周期长,采用事件监测系统可实时对监控视频中所监控的作业现场中发生的目标事件进行监测,排查周期较短,因此,通过本申请实施例提供的一种事件监测方法可对目标事件进行全面监测,提高监测效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面对本申请实施例中所需要使用的附图作简单的介绍,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附图。
图1为本申请实施例提供的一种事件监测方法的流程图;
图2为本申请实施例提供的第一分割图像的示意图;
图3为本申请实施例提供的图像分割模型中的卷积神经网络架构图;
图4为本申请实施例提供的图像分割模型中的卷积神经网络输出示意图;
图5为本申请实施例提供的随机权重平均方法确定模型权重的示意图;
图6为本申请实施例提供的一种事件监测装置的结构框图;
图7为本申请实施例提供的一种事件监测电子设备的结构图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
在本文中,诸如第一第二等之类的关系术语仅仅用来将一个实体或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……”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要素。
本实施例提供了一种事件监测方法,如图1所示,步骤如下:
S101:获取第一图像,所述第一图像为监控设备采集到的作业现场的图像。
第一图像可以为任意可识别格式的图像,一般地,采用RGB格式的图像。
可以利用作业现场的监控设备获取实时的监控视频,具体而言,监控设备可以采集一个时间段内的作业现场的监控视频,该监控视频可以为连续N帧的作业现场图像,可利用监控视频每隔N帧图像获取一次连续的N帧的作业现场图像,直至监控视频获取完毕,将所获取的多个连续的N帧的作业图像作为图像样本,该第一图像可以为该图像样本中的一帧图像。
监控设备的安装需满足用户所需的监控范围,以保证样本的准确性,提高模型识别的准确度。
监控设备所获取的图像样本,用以监测监控范围中是否发生了目标事件。
通过获取第一图像,可以确定训练好的图像分割模型所识别的对象,为S102提供图像基础。
S102:通过训练好的图像分割模型识别所述第一图像,得到所述第一图像中各像素的概率值,所述各像素的概率值用于表征所述各像素的类别。
各像素的概率值可以将图像中的各个像素进行分类,得到第一像素和第二像素,该第一像素和第二像素用来表征第一图像中各像素的两个类别。
训练好的图像分割模型包括骨干网络、全卷积网络以及无监督图像分类网络,具体可以表示为:在slic算法中,当分区数越高,算法对输入图片的分块越多,由于具有相同语义的像素通常存在于一张图片中的连续区域从而推测,位置相近的像素,很大概率是属于相同语义,因此,我们在预分类中,为相邻的像素分配相同的语义标签。此外,原算法使用二维卷积,ReLU激活函数,批归一化的顺序进行前向传播,我们将其修改为批归一化在ReLU激活函数之前,使得输入到ReLU的图片接近正态分布N(0,1),以在维持模型较高的推理速度的同时,增强模型对图像的识别能力与分割能力。
在一个示例中,训练好的图像分割模型中的骨干网络可以包括卷积神经网络(Convolutional Neural Network,CNN),卷积神经网络可以包括一个输入端和两个输出端,将第一图像输入到训练好的图像分割模型后,从CNN的输入端流入,输出两个特征向量,训练好的图像分割模型中的全卷积网络以及无监督图像分类网络再对CNN输出的两个特征向量进行再处理,可以得到第一图像中的各个像素点的概率值。
S103:根据所述第一图像中各像素的概率值,确定所述第一图像的第一分割图像。
根据第一图像中各像素的概率值,可将对应的第一图像的像素点分类为第一像素和第二像素,从而确定第一图像的第一分割图像。
第一图像的第一分割图像包括两种情况,具体包括:
第一种情况,在第一图像包括图像区域的情况下,第一图像的第一分割图像可以包括图像区域,即将第一图像中图像区域与背景区域分割开,得到对应的第一分割图像,如图2所示,可初步判断第一图像中发生了目标事件。
第二种情况,在第一图像不包括图像区域的情况下,第一图像的第一分割图像为第一图像,由第一图像可以确定目标事件并未发生。
通过第一图像中各像素的概率值,可以确定第一图像的第一分割图像,进一步通过识别第一图像的第一分割图像,初步判断在第一图像中是否发生了目标事件,可确定模型的识别能力。
S104:在所述第一分割图像的图像区域的尺寸大于第一预设尺寸的情况下,确定所述作业现场发生目标事件。
图像区域可以表示为目标事件发生所影响的区域,因此可以识别第一图像中的图像区域尺寸,进而确定第一图像中是否发生了目标事件。
在第一图像为第一种情况的时候,第一分割图像可以包括空白区域和图像区域。
第一像素可以用于确定图像区域,第二像素可以用于确定空白区域。
在一个实施例中,在第一分割图像的图像区域大于第一预设尺寸的情况下,可以通过初步判断第一图像中发生了目标事件后,最终确定第一图像所监控的作业现场发生了目标事件。
在第一分割图像的图像区域小于或等于第一预设尺寸的情况下,可以确定第一图像所监控的作业现场并未发生目标事件。
在另一个实施例中,在第一分割图像的图像区域大于或等于第一预设尺寸的情况下,可以通过初步判断第一图像中发生了目标事件后,最终确定第一图像所监控的作业现场发生了目标事件。
在第一分割图像的图像区域小于第一预设尺寸的情况下,可以确定第一图像所监控的作业现场并未发生目标事件。
在一个具体的实施例中,如表一所示:在Inter Core i7 CPU,4G内存和NVIDIAGeForce 2080Ti独立显卡条件下,采用监控设备采集的红外场景数据进行模型训练,图像分割模型MobileNetV2预先加载在ImageNet数据库中的权重文件,该权重文件为预训练之后的权重文件,采用识别算法类型对目标对象进行识别,目标事件可以为管道原油泄露事件,对测试场景数目、训练集中的帧数、正确识别以及错误识别进行统计,最终确定模型识别的准确率。
表一:测试结果统计表
算法类型 | 测试场景数 | 视频帧数 | 正确识别 | 错误识别 | 正确率 |
管道原油泄漏 | 2 | 5642 | 5331 | 311 | 94.5% |
管道原油泄漏 | 1 | 2403 | 2278 | 125 | 94.7% |
管道原油泄漏 | 2 | 6123 | 5875 | 248 | 95.9% |
管道原油泄漏 | 2 | 4339 | 4147 | 192 | 95.5% |
通过判断第一分割图像的图像区域的尺寸是否大于第一预设尺寸,可以确定第一图像所监控的作业现场是否发生目标事件,可用于监测事件发生,相比于人工监测事件的发生,周期较短,可对目标事件进行全面监测,提高监测效率。
采用本申请实施例提供的一种事件监测方法,在获取从监控设备采集到作业现场的第一图像后,将第一图像输入到训练好的图像分割模型中进行识别,可得到第一图像中的各个像素的类别概率值,根据该类别概率值,可将第一图像中的各个像素进行分类,从而划分为第一图像对应的目标区域和背景区域,从而可确定第一图像的第一分割图像,通过比较第一分割图像中的目标区域的尺寸与预设区域的大小,进而确定监控设备所监控的作业现场是否发生了目标事件,可减少人工监测不全面的问题,相对于人工排查的周期长,采用事件监测系统可实时对监控视频中所监控的作业现场中发生的目标事件进行监测,排查周期较短,因此,通过本申请实施例提供的一种事件监测方法可对目标事件进行全面监测,提高监测效率。
在一些实施例中,所述根据所述第一图像中各像素的概率值,确定所述第一图像的第一分割图像,事件监测方法可以包括:
将第一像素的概率值更新为1,第二像素的概率值更新为0,其中,所述第一像素为所述第一图像中概率值大于预设值的像素,所述第二像素为所述第一图像中概率值小于或等于预设值的像素;
对所述第一图像中的各像素,将所述像素的更新后的概率值与所述第一图像点积,得到所述第一图像的第一分割图像。
在第一图像处于第一种情况时,第一图像中各像素可以分别分为第一像素和第二像素。
在一个实施例中,第一像素可以为第一图像中概率值大于预设值的像素,第二像素可以为第一图像中概率值小于或等于预设值的像素。
同样地,在另一个实施例中,第一像素可以为第一图像中类别概率值大于或等于预设值的像素,第二像素可以为第一图像中类别概率值小于预设值的像素。
将第一像素的概率值更新为1,将第二像素的概率值更新为0。该将类别概率值更新的方法可以为任意方法,此处不做限定。
将第一图像中的各像素的更新后的概率值与第一图像的对应像素进行点积计算,得到第一图像的第一分割图像,其中,第一像素的概率值更新后与第一图像进行点积计算,可以得到对应图像区域的像素,第二像素的概率值更新后与第一图像进行点积计算,可以得到空白区域的像素,通过目标分割模型中的无监督分类网络进行分类,可以得到第一分割图像。
在一个具体的实施例中,若在第一图像中的一个像素的概率值为0.67,预设值为0.5,由于0.67大于0.5,即该像素的概率值大于预设值,确定该像素为第一像素,将该像素与第一图像中的对应像素进行点积计算,得到相应的像素,对第一图像中的各像素进行同样的操作,可以得到第一图像的第一分割图像。
通过第一像素中各像素的概率值,可以进而确定第一图像的第一分割图像,更加精确地判断第一图像中的图像区域,以提高模型的识别能力。
在一些实施例中,所述在所述第一分割图像的图像区域的尺寸大于预设尺寸的情况下,确定所述作业现场发生目标事件之后,事件监测方法还可以包括:
第二预设尺寸可以用于判断目标事件的事件严重程度。第二预设尺寸的值可以等于第一预设尺寸的值。
当第一图像为第一种情况时,对确定的第一图像的第一分割图像进行进一步的判断,以确定所监测的目标事件的事件严重程度,进一步地,确定处理事件的措施,以有效遏制事件的严重化。
在一些实施例中,所述在所述第一分割图像的图像区域的尺寸大于第一预设尺寸的情况下,确定所述作业现场发生目标事件,事件监测方法还包括:
在所述第一分割图像的图像区域的尺寸大于第一预设尺寸的情况下,通过所述训练好的图像分割模型识别第二图像,得到第二图像对应的第二分割图像;所述第二图像为所述监控设备采集到的所述第一图像之后的N帧图像;
在所述第二分割图像的图像区域的尺寸大于第一预设尺寸的情况下,确定所述作业现场发生目标事件。
确定作业现场是否发生目标事件的条件是保证第一图像对应的第一分割图像的图像区域的尺寸大于第一预设尺寸,第二图像对应的图像区域的尺寸大于第一预设尺寸同时满足时,才可确定作业现场发生目标事件。
在第一分割图像的图像区域的尺寸大于第一预设尺寸时,确定监控的作业现场发生目标事件,且在确定第二图像的图像区域的尺寸是否大于第一预设尺寸后,可确定目标事件是否发生,第二图像可以为监控设备采集到的第一图像之后的N帧图像,N可以由用户进行预先设置。
在确定目标事件发生时,系统产生电信号,运行外电路进行预警,预警方法不限,其中,该电信号用于表征目标事件已发生。
在确定第一分割图像的图像区域的尺寸大于第一预设尺寸后,进一步确定第二图像对应的图像区域的尺寸大于第一预设尺寸,提高模型识别的准确性和可靠性。
在一些实施例中,所述通过图像分割模型识别所述第一图像,得到所述第一图像中各像素的概率值,事件监测方法可以包括:
通过所述训练好的图像分割模型中的卷积神经网络识别所述第一图像,得到第一像素的局部特征和全局特征;所述第一像素为所述第一图像中的一个像素;
将所述第一像素的所述全局特征和所述局部特征进行点积计算,得到第一值;
获取所述第一像素的第二值;所述第二值为所述第一图像中第一像素的每个全局特征与局部特征点积计算的数值之和;
根据所述第一值和所述第二值,确定所述第一图像中各像素的概率值。
如图3所示,训练好的图像分割模型的骨干网络可以为ConvNeXt,ConvNeXt为纯卷积神经网络,其对标的是Swin Transformer,通过使用类似Swin Transformer的训练方式,在相同的FLOPs下,相比于Swin Transformer,采用ConvNeXt可提高模型推理速度和准确率。
ConvNeXt将不同阶段之间块的比例由(3,4,6,3)调整成(3,3,9,3),将最初的下采样模块即包括一个卷积核大小为7x7步距为2的卷积层以及一个步距为2的最大池化(最大池化的目的在于保留原特征的同时减少神经网络训练的参数,使得训练时间减少。相当于1080p的视频变为了720p)下采样替换为一个卷积核大小为4x4步距为4的卷积层。此外,使用深度可分离卷积来替换自注意力机制,使用翻转卷积块来替代MLP层,所谓翻转卷积块其实就是两边细,中间粗的网络结构。并且增大深度可分离卷积的卷积核大小,将深度可分离卷积的位置在翻转卷积块中的位置上移,来应对自注意机制在MLP层的前面。最后,使用GELU激活函数来替代RELU激活函数,使用层归一化来替代批量归一化。
通过图像分割模型的全卷积网络构建特征金字塔网络(Feature PyramidNetwork,FPN),FPN用于处理图像信息的一种深度学习技术。具体来说,它首先通过一个卷积神经网络(如ResNet)提取高层抽象特征,然后通过一系列上采样(Upsampling)和下采样(Downsampling)操作构建多层特征金字塔,并通过跨层的残差连接(ResidualConnection)将不同层级的特征结合在一起,从而得到P5特征图,进而下采样得到P6特征图,通过P6特征图可以进一步确定第一分割图像。
如图4所示,将第一图像输入到训练好的图像分割模型中的CNN网络中,可以得到两个输出,第一个输出可以为局部特征L,第二个输出可以包括多个全局特征H,图中的H1、H2、H3为全局特征中的三个全局特征,全局特征的数目可以为N,N为大于0的整数。
将第一图像输入到训练好的图像分割模型中的CNN网络中,得到第一图像中第一像素的局部特征和全局特征,将第一像素的全局特征和局部特征进行点积计算,得到第一值,获取第一像素的第二值;第二值为第一图像中第一像素的每个全局特征与局部特征点积计算的数值之和;将第一值和第二值作比,得到第一像素的概率值,同理,对第一图像的各个像素进行计算,得到各像素对应的概率值。
计算像素的概率值的方法具体为:
其中,V为概率值,i、j和k分别表示第一图像的三个维度,τ表示第一图像的温度系数,L表示为局部特征,H表示为全局特征。
可根据第一图像中各像素的概率值,进而确定第一图像中的第一像素和第二像素,通过图像分割模型进一步确定第一分割图像,增强图像分割模型的识别能力,提高模型的准确度。
在一些实施例中,在所述获取第一图像之后,在通过训练好的图像分割模型识别所述第一图像,得到所述第一图像中各像素的概率值之前,事件监测方法还可以包括:
根据周期性学习率迭代策略,训练所述图像分割模型L次,得到L次训练对应的L个权重值;
采用随机权重平均方法确定目标权重值,所述目标权重值基于所述L个权重值确定;
根据所述目标权重值,确定所述图像分割模型的模型权重值,得到训练好的图像分割模型。
根据周期性学习率迭代策略,训练目标检测模型L次,得到L次训练对应的L个权重值,Wi为第i次训练得到的权重值,其中,i为小于或等于L的正整数,对所获取得到的L个权重值,采用随机权重平均方法(Stochastic Weight Average,SWA)得到目标权重值该随机权重平均方法可以表示为:
其中,n为训练目标检测模型得到权重值数目,m为L次训练对应的第m次训练,其中,ωi可以表述为Wi,即为第i此训练得到的权重值。
由于每训练一次目标检测模型可以得到一个权重值,因此,训练目标检测模型得到权重值数目n还可以表述为L。
相比于传统的SGD优化轨迹,将最后一次训练的权重值或在验证集上表现最好的权重作为模型权重,如图5所示,SWA是沿着SGD优化轨迹的多个检查点的平均值,可以通过SGD优化方法探索与深度神经网络对应的权重空间边界附近的多个检查点,通过这些检查点,可以确定更接近最优解的目标权重值Sswa,目标权重值还可以表述为SWA具有较高的恒定学习率或周期学习率,泛化能力更强。
将目标权重值确定为训练好的目标检测模型的模型权重值后,加载该目标权重值,能够应用于图像识别,提高模型的识别能力。
在一些实施例中,在获取第一图像之后,在通过训练好的图像分割模型识别所述第一图像,得到所述第一图像中各像素的类别概率值之前,事件监测方法还包括:
根据自数据增强策略,调整第一图像的尺寸大小,得到目标尺寸的第一图像。
在一些实施例中,根据自增强策略,可调整第一图像的尺寸大小为目标尺寸,便于模型识别第一图像,提高模型的检测能力。
另外,自(Autoaugment)数据增强还可提供多种类型和多种模式的数据增强手段,仿真出不同场景的图像,以提升模型的检测性能。
此外,参见图6,本申请实施例还提供了一种事件监测装置600,该装置600包括第一获取模块601、第一识别模块602、第一确定模块603以及第二确定模块604,各模块之间共同完成事件监测的过程,具体为:
第一获取模块601,用于获取第一图像,所述第一图像为监控设备采集到的作业现场的图像;
第一识别模块602,用于通过图像分割模型识别所述第一图像,得到所述第一图像中各像素的概率值,所述各像素的概率值用于表征所述各像素的类别;
第一确定模块603,用于根据所述第一图像中各像素的概率值,确定所述第一图像的第一分割图像;
第二确定模块604,用于在所述第一分割图像的图像区域的尺寸大于第一预设尺寸的情况下,确定所述作业现场发生目标事件。
在一些实施例中,所述第一确定模块603,用于根据所述第一图像中各像素的概率值,确定所述第一图像的第一分割图像,该装置还可以包括:
更新模块,用于将第一像素的概率值更新为1,第二像素的类别概率值更新为0,其中,所述第一像素为所述第一图像中概率值大于预设值的像素,所述第二像素为所述第一图像中概率值小于或等于预设值的像素;
点积模块,用于对所述第一图像中的各像素,将所述像素的更新后的概率值与所述第一图像对应的像素点积,得到所述第一图像的第一分割图像。
在一些实施例中,所述第二确定模块604,用于在所述第一分割图像的图像区域的尺寸大于预设尺寸的情况下,确定所述作业现场发生目标事件之后,装置还可以包括:
第一计算模块,用于计算所述第一分割图像的图像区域的尺寸与第二预设尺寸的差值,得到尺寸差值;
第三确定模块,用于根据所述尺寸差值,确定所述目标事件的事件严重程度。
在一些实施例中,所述第二确定模块604,用于在所述第一分割图像的图像区域的尺寸大于第一预设尺寸的情况下,确定所述作业现场发生目标事件,装置还可以包括:
识别模块,用于在所述第一分割图像的图像区域的尺寸大于第一预设尺寸的情况下,通过所述训练好的图像分割模型识别第二图像,得到第二图像对应的第二分割图像;所述第二图像为所述监控设备采集到的所述第一图像之后的N帧图像;
第四确定模块,用于在所述第二分割图像的目标区域的尺寸大于第一预设尺寸的情况下,确定所述作业现场发生目标事件。
在一些实施例中,所述第一识别模块602,用于通过图像分割模型识别所述第一图像,得到所述第一图像中各像素的概率值,装置还包括查询模块和得到模块。
第二识别模块,用于通过所述训练好的图像分割模型中的卷积神经网络识别所述第一图像,得到第一像素的局部特征和全局特征;所述第一像素为所述第一图像中的一个像素;
点积计算模块,用于将所述第一像素的所述全局特征和所述局部特征进行点积计算,得到第一值;
第二计算模块,用于计算所述第一像素的第二值;所述第二值为所述第一图像中第一像素的每个全局特征与局部特征点积计算的数值之和;
第五确定模块,用于根据所述第一值和所述第二值,确定所述第一图像中各像素的概率值。
在一些实施例中,装置还包括增加模块。
增加模块,用于当恢复信息中包括数据对象名称对应的数据对象时,增加数据对象的恢复请求频度信息。
在一些实施例中,在所述获取第一图像之后,在通过训练好的图像分割模型识别所述第一图像,得到所述第一图像中各像素的概率值之前,装置可以包括:。
训练模块,用于根据周期性学习率迭代策略,训练所述图像分割模型L次,得到L次训练对应的L个权重值;
第六确定模块,用于采用随机权重平均方法确定目标权重值,所述目标权重值基于所述L个权重值确定;
第七确定模块,用于根据所述目标权重值,确定所述图像分割模型的模型权重值,得到训练好的图像分割模型。
在一些实施例中,在获取第一图像之后,在通过训练好的图像分割模型识别所述第一图像,得到所述第一图像中各像素的类别概率值之前,装置可以包括:
调整模块,用于根据自数据增强策略,调整第一图像的尺寸大小,得到目标尺寸的第一图像。
本申请实施例提供的事件监测方法的各个模块,可以实现图1提供的事件监测方法的各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
本申请实施例还提供一种电子设备,如图7所示,电子设备700可以包括:处理器701、存储器702、通信接口703以及总线704。
具体地,上述处理器701可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC)或者可以配置成本申请实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器702可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在一个实施例中,存储器702可以包括可移除或不可移除(或固定)的介质,或者存储器702是非易失性固态存储器。存储器702可在综合网关容载设备的内部或外部。
在一个实施例中,存储器702可以是只读存储器(Read Only Memory,ROM),在一个实施例中,该ROM可以是掩膜编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
存储702可以包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器701通过读取并执行存储器702中存储的计算机程序指令,以实现图1所示实施例中的方法S101至S104,并达到图1所示实施例执行其方法/步骤达到相应技术效果,为简洁描述在此不再赘述。
在一个示例中,电子设备700还可包括通信接口703和总线704。其中,如图7所示,处理器701、存储器702、通信接口703通过总线704连接并完成相互间的通信。
通信接口707,主要用于实现本发明实施例中各模块、装置、单元和设备之间的通信。
总线704包括硬件、软件或两者,将数据对象生命周期管理的电子设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其它图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(Industry Standard Architecture,ISA)总线、无线带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适单总线或者两个或者更多个以上这些的组合。在合适的情况下,总线704可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该电子设备可以执行本申请实施例中的事件监测方法,从而实现结合图1描述的事件监测方法。
另外,结合上述实施例中的事件监测方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行上述实施例中的任意一种事件监测方法。
本申请还提供了一种计算机程序产品,计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备执行实现上述任意一项事件监测方法实施例的各个过程。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory,ROM)、闪存、可擦除只读存储器(Erasable ReadOnly Memory,EROM)、软盘、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、光盘、硬盘、光纤介质、射频(Radio Frequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本申请的实施例方法、装置(系统)、电子设备和存储介质的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (11)
1.一种事件监测方法,其特征在于,所述方法包括:
获取第一图像,所述第一图像为监控设备采集到的作业现场的图像;
通过训练好的图像分割模型识别所述第一图像,得到所述第一图像中各像素的概率值,所述各像素的概率值用于表征所述各像素的类别;
根据所述第一图像中各像素的概率值,确定所述第一图像的第一分割图像;
在所述第一分割图像的图像区域的尺寸大于第一预设尺寸的情况下,确定所述作业现场发生目标事件。
2.根据权利要求1所述的事件监测方法,其特征在于,所述根据所述第一图像中各像素的概率值,确定所述第一图像的第一分割图像,包括:
将第一像素的概率值更新为1,第二像素的类别概率值更新为0,其中,所述第一像素为所述第一图像中概率值大于预设值的像素,所述第二像素为所述第一图像中概率值小于或等于预设值的像素;
对所述第一图像中的各像素,将所述像素的更新后的概率值与所述第一图像对应的像素点积,得到所述第一图像的第一分割图像。
3.根据权利要求1所述的事件监测方法,其特征在于,所述在所述第一分割图像的图像区域的尺寸大于预设尺寸的情况下,确定所述作业现场发生目标事件之后,所述方法还包括:
计算所述第一分割图像的图像区域的尺寸与第二预设尺寸的差值,得到尺寸差值;
根据所述尺寸差值,确定所述目标事件的事件严重程度。
4.根据权利要求1所述的事件监测方法,其特征在于,所述在所述第一分割图像的图像区域的尺寸大于第一预设尺寸的情况下,确定所述作业现场发生目标事件,包括:
在所述第一分割图像的图像区域的尺寸大于第一预设尺寸的情况下,通过所述训练好的图像分割模型识别第二图像,得到第二图像对应的第二分割图像;所述第二图像为所述监控设备采集到的所述第一图像之后的N帧图像;
在所述第二分割图像的图像区域的尺寸大于第一预设尺寸的情况下,确定所述作业现场发生目标事件。
5.根据权利要求1所述的事件监测方法,其特征在于,所述通过图像分割模型识别所述第一图像,得到所述第一图像中各像素的概率值,包括:
通过所述训练好的图像分割模型中的卷积神经网络识别所述第一图像,得到第一像素的局部特征和全局特征;所述第一像素为所述第一图像中的一个像素;
将所述第一像素的所述全局特征和所述局部特征进行点积计算,得到第一值;
计算所述第一像素的第二值;所述第二值为所述第一图像中第一像素的每个全局特征与局部特征点积计算的数值之和;
根据所述第一值和所述第二值,确定所述第一图像中各像素的概率值。
6.根据权利要求1所述的事件监测方法,其特征在于,在所述获取第一图像之后,在通过训练好的图像分割模型识别所述第一图像,得到所述第一图像中各像素的概率值之前,所述方法还包括:
根据周期性学习率迭代策略,训练所述图像分割模型L次,得到L次训练对应的L个权重值;
采用随机权重平均方法确定目标权重值,所述目标权重值基于所述L个权重值确定;
根据所述目标权重值,确定所述图像分割模型的模型权重值,得到训练好的图像分割模型。
7.根据权利要求1所述的事件监测方法,其特征在于,在获取第一图像之后,在通过训练好的图像分割模型识别所述第一图像,得到所述第一图像中各像素的类别概率值之前,所述方法还包括:
根据自数据增强策略,调整第一图像的尺寸大小,得到目标尺寸的第一图像。
8.一种事件监测装置,其特征在于,所述装置包括:
获取模块,用于获取第一图像,所述第一图像为监控设备采集到的作业现场的图像;
识别模块,用于通过图像分割模型识别所述第一图像,得到所述第一图像中各像素的概率值,所述各像素的概率值用于表征所述各像素的类别;
第一确定模块,用于根据所述第一图像中各像素的概率值,确定所述第一图像的第一分割图像;
第二确定模块,用于在所述第一分割图像的图像区域的尺寸大于第一预设尺寸的情况下,确定所述作业现场发生目标事件。
9.一种电子设备,所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时执行如权利要求1至7任意一项所述事件监测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述事件监测方法。
11.一种计算机程序产品,其特征在于,所述计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备执行如权利要求1至7任意一项所述事件监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310181949.5A CN116052061B (zh) | 2023-02-21 | 2023-02-21 | 事件监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310181949.5A CN116052061B (zh) | 2023-02-21 | 2023-02-21 | 事件监测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116052061A true CN116052061A (zh) | 2023-05-02 |
CN116052061B CN116052061B (zh) | 2024-02-27 |
Family
ID=86116571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310181949.5A Active CN116052061B (zh) | 2023-02-21 | 2023-02-21 | 事件监测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052061B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228770A (zh) * | 2023-05-09 | 2023-06-06 | 深蓝(天津)智能制造有限责任公司 | 一种管道泄漏的识别监测方法及系统 |
CN118397255A (zh) * | 2024-06-26 | 2024-07-26 | 杭州海康威视数字技术股份有限公司 | 分析区域确定以及智能分析的方法、装置及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325520A (zh) * | 2018-08-24 | 2019-02-12 | 北京航空航天大学 | 一种石油泄漏的检查方法、装置及系统 |
CN111462160A (zh) * | 2019-01-18 | 2020-07-28 | 北京京东尚科信息技术有限公司 | 图像处理方法、装置及存储介质 |
CN113222963A (zh) * | 2021-05-27 | 2021-08-06 | 大连海事大学 | 一种非正射红外监测海面溢油面积估算方法及系统 |
CN113706526A (zh) * | 2021-10-26 | 2021-11-26 | 北京字节跳动网络技术有限公司 | 内窥镜图像特征学习模型、分类模型的训练方法和装置 |
CN114494718A (zh) * | 2021-12-31 | 2022-05-13 | 特斯联科技集团有限公司 | 一种图像分类方法、装置、存储介质及终端 |
CN114820644A (zh) * | 2021-01-29 | 2022-07-29 | Aptiv技术有限公司 | 对图像的像素进行分类的方法和设备 |
CN115063718A (zh) * | 2022-06-10 | 2022-09-16 | 嘉洋智慧安全生产科技发展(北京)有限公司 | 火灾检测方法、装置、设备、存储介质及程序产品 |
CN115329211A (zh) * | 2022-08-01 | 2022-11-11 | 山东省计算中心(国家超级计算济南中心) | 一种基于自监督学习和图神经网络的个性化兴趣推荐方法 |
-
2023
- 2023-02-21 CN CN202310181949.5A patent/CN116052061B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325520A (zh) * | 2018-08-24 | 2019-02-12 | 北京航空航天大学 | 一种石油泄漏的检查方法、装置及系统 |
CN111462160A (zh) * | 2019-01-18 | 2020-07-28 | 北京京东尚科信息技术有限公司 | 图像处理方法、装置及存储介质 |
CN114820644A (zh) * | 2021-01-29 | 2022-07-29 | Aptiv技术有限公司 | 对图像的像素进行分类的方法和设备 |
CN113222963A (zh) * | 2021-05-27 | 2021-08-06 | 大连海事大学 | 一种非正射红外监测海面溢油面积估算方法及系统 |
CN113706526A (zh) * | 2021-10-26 | 2021-11-26 | 北京字节跳动网络技术有限公司 | 内窥镜图像特征学习模型、分类模型的训练方法和装置 |
CN114494718A (zh) * | 2021-12-31 | 2022-05-13 | 特斯联科技集团有限公司 | 一种图像分类方法、装置、存储介质及终端 |
CN115063718A (zh) * | 2022-06-10 | 2022-09-16 | 嘉洋智慧安全生产科技发展(北京)有限公司 | 火灾检测方法、装置、设备、存储介质及程序产品 |
CN115329211A (zh) * | 2022-08-01 | 2022-11-11 | 山东省计算中心(国家超级计算济南中心) | 一种基于自监督学习和图神经网络的个性化兴趣推荐方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228770A (zh) * | 2023-05-09 | 2023-06-06 | 深蓝(天津)智能制造有限责任公司 | 一种管道泄漏的识别监测方法及系统 |
CN116228770B (zh) * | 2023-05-09 | 2023-09-01 | 深蓝(天津)智能制造有限责任公司 | 一种管道泄漏的识别监测方法及系统 |
CN118397255A (zh) * | 2024-06-26 | 2024-07-26 | 杭州海康威视数字技术股份有限公司 | 分析区域确定以及智能分析的方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116052061B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116052061B (zh) | 事件监测方法、装置、电子设备及存储介质 | |
CN110188765B (zh) | 图像语义分割模型生成方法、装置、设备及存储介质 | |
US11244435B2 (en) | Method and apparatus for generating vehicle damage information | |
EP3637310A1 (en) | Method and apparatus for generating vehicle damage information | |
CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
EP4432215A1 (en) | Image processing method and device | |
CN112036381B (zh) | 视觉跟踪方法、视频监控方法及终端设备 | |
CN114549840A (zh) | 语义分割模型的训练方法和语义分割方法、装置 | |
CN116563291B (zh) | 一种smt智能防错上料检测仪 | |
CN116704431A (zh) | 水污染的在线监测系统及其方法 | |
CN116311005A (zh) | 一种用于运动图像处理装置、方法及存储介质 | |
CN117676099B (zh) | 基于物联网的安全预警方法及系统 | |
CN116977834B (zh) | 一种开放条件下分布内外图像识别方法 | |
CN116630367B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN116310713B (zh) | 红外图像识别方法、装置、电子设备及存储介质 | |
CN111428567B (zh) | 一种基于仿射多任务回归的行人跟踪系统及方法 | |
CN110941824B (zh) | 一种基于对抗样本增强模型抗攻击能力的方法和系统 | |
CN112183359A (zh) | 视频中的暴力内容检测方法、装置及设备 | |
CN116258873A (zh) | 一种位置信息确定方法、对象识别模型的训练方法及装置 | |
CN113486748B (zh) | 一种自动驾驶路面摩擦系数预测方法、电子设备及介质 | |
CN115731179A (zh) | 轨道部件检测方法、终端及存储介质 | |
CN113496234B (zh) | 图像分类模型训练方法、图像分类方法、装置及电子设备 | |
CN112950652B (zh) | 机器人及其手部图像分割方法和装置 | |
CN112836684B (zh) | 基于辅助驾驶的目标尺度变化率计算方法、装置及设备 | |
CN117076711A (zh) | 驾驶行为识别模型的训练方法、识别方法、装置及设备 |
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 |