CN116152735A - 一种基于边缘云计算的安防监控危险源识别系统与方法 - Google Patents

一种基于边缘云计算的安防监控危险源识别系统与方法 Download PDF

Info

Publication number
CN116152735A
CN116152735A CN202310024076.7A CN202310024076A CN116152735A CN 116152735 A CN116152735 A CN 116152735A CN 202310024076 A CN202310024076 A CN 202310024076A CN 116152735 A CN116152735 A CN 116152735A
Authority
CN
China
Prior art keywords
image
monitoring
park
dynamic
acquiring
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
CN202310024076.7A
Other languages
English (en)
Inventor
杨邦会
闫道竣
陆鸣
胡乔利
孙宁
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202310024076.7A priority Critical patent/CN116152735A/zh
Publication of CN116152735A publication Critical patent/CN116152735A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/40—Extraction of image or video 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
    • G06V10/40—Extraction of image or video features
    • G06V10/513—Sparse representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V20/40—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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs
    • 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)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明公开了一种基于边缘云计算的安防监控危险源识别系统与方法，包括以下步骤：基于搭载边缘计算系统的图像传感器获取园区的监控图像；对监控图像进行分析，获取作业人员目标图像和园区设备目标图像；将园区作业人员目标图像和园区设备目标图像与对应的模板图像进行匹配，获得静态危险源信号；获取监控图像的动态特征进行定位，进而获得动态危险源信号；接收静态危险源信号和动态危险源信号，并进行声光报警。本发明的安防监控危险源识别系统及方法，一方面向管理人员提供真实有效的视频资料，另一方面减轻全方位监管园区现场的难度与成本，应用范围广泛，并在一定程度上兼容现有监控系统，极大节约系统运营成本。

Description

一种基于边缘云计算的安防监控危险源识别系统与方法
技术领域
本发明属于危险源智能识别领域，特别是涉及一种基于边缘云计算的安防监控危险源识别系统与方法。
背景技术
危险源是指一个系统中具有潜在能量和物质，释放危险的、可造成人员伤害、财产损失或环境破坏的、在一定的触发因素作用下可转化为事故的部位、区域、场所、空间、岗位、设备及位置。危险源具有潜在性，事故隐患可能导致伤害或疾病，所以在一定程度上需要进行识别和预防。
伴随着国家智慧化工厂的推广，大型生产工业园区日益增多，而建设智慧安全工业园区，需要把园区内所有视频图像、语音、物联网数据、报警信息一起通过专用网络传输到监控中心，实现音视频及各种数据信息采集、存储、处理及集中展示，建设成覆盖整个园区的智能化安全管理系统。
随着对于工业园区的要求日益提高，如何识别园区内的危险源，实现大规模生产所需求的安全保障，具有重要的意义。
发明内容
本发明的目的是提供一种基于边缘云计算的安防监控危险源识别系统与方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种基于边缘云计算的安防监控危险源识别系统，包括：图像信息获取模块、图像信息分析模块、危险源识别模块和声光报警模块；
所述图像信息获取模块用于通过搭载边缘计算系统的图像传感器获取园区的监控图像并传输到所述图像信息分析模块；
所述图像信息分析模块用于对所述监控图像进行分析，提取作业人员目标图像和园区设备目标图像；
所述危险源识别模块用于将所述园区作业人员目标图像和园区设备目标图像与对应的模板图像进行匹配，识别危险源；
所述声光报警模块用于接收危险源信号，并进行声光报警。
可选的，所述图像信息获取模块包括：
区域划分单元，用于通过预设的园区危险源，对园区进行划分，获得监控区域；
网络构建单元，用于基于所述监控区域，通过路由器配置获得网络拓扑结构，并在预设网络节点布置图像传感器；
图像获取单元，用于在所述图像传感器中添加边缘计算系统，将监控设备获取的光源信号转化为电信号并传输给所述图像信息分析模块。
可选的，所述图像信息分析模块包括：
作业人员图像提取单元，用于基于时空信息结合的目标检测算法对所述监控图像进行分割处理，获得作业人员目标图像；
园区设备图像提取单元，用于获取园区设备的图像特征，并基于所述图像特征将园区设备从所述监控图像中分离出来，获得园区设备目标图像。
可选的，所述危险源识别模块包括：
第一匹配单元，用于将所述作业人员目标图像与预设的作业人员模板图像进行匹配，根据匹配结果，获得第一危险源信号；
第二匹配单元，用于将所述园区设备目标图像与预设的园区设备模板图像进行匹配，根据匹配结果，获得第二危险源信号。
可选的，所述危险源识别模块还包括动态危险源识别单元，所述动态危险源识别单元包括：
特征提取子单元，用于对监控图像进行特征提取；
动态特征获取子单元，用于将提取出的特征输入系数字典，并根据最优化稀疏表示获得动态特征；
动态目标定位子单元，用于基于双目视觉对所述动态特征进行定位，进而识别动态危险源。
本发明还提供一种基于边缘云计算的安防监控危险源识别方法，包括以下步骤：
基于搭载边缘计算系统的图像传感器获取园区的监控图像；
对所述监控图像进行分析，获取作业人员目标图像和园区设备目标图像；
将所述园区作业人员目标图像和园区设备目标图像与对应的模板图像进行匹配，获得静态危险源信号；
获取所述监控图像的动态特征进行定位，进而获得动态危险源信号；
接收所述静态危险源信号和动态危险源信号，并进行声光报警。
可选的，获取园区的监控图像的过程包括：根据预设的园区危险源，对园区进行划分，获得监控区域；基于所述监控区域，通过路由器配置获得网络拓扑结构，并在预设网络节点布置图像传感器；将监控设备获取的光源信号通过所述图像传感器转化为电信号，进而获得待分析处理的监控图像；其中，所述图像传感器中搭载边缘计算系统。
可选的，获取作业人员目标图像和园区设备目标图像的过程包括：基于时空信息结合的目标检测算法对所述监控图像进行分割处理，获得作业人员目标图像；获取园区设备的图像特征，并基于所述图像特征将园区设备从所述监控图像中分离出来，获得园区设备目标图像。
可选的，获得动态危险源信号的过程包括：对监控图像进行特征提取，将提取出的特征输入系数字典，并根据最优化稀疏表示获得动态特征，基于双目视觉对所述动态特征进行定位，进而识别动态危险源，生成动态危险源信号。
本发明的技术效果为：
本发明通过构建网络拓扑结构，布置图像传感器装置，科学合理部署人力物力资源，也提高了安全管理效率；同时在图像传感器装置中添加边缘计算系统，通过对摄像头进行智能改造，在出现危险情况时可以及时响应，减少危险情况的发生。
本发明获取监控图像的动态特征并输入系数字典，根据最优化稀疏表示求解得到动态特征，最后通过双目视觉对由稀疏表示的动态特征进行定位，能够在较强鲁棒性的基础上准确获得动态危险源。
本发明用于工业园区内的危险源智能识别，一方面向管理人员提供真实有效的视频资料，另一方面减轻全方位监管园区现场的难度与成本，同时本发明能够实现自动智能识别，应用范围广泛，并在一定程度上兼容现有监控系统，极大节约系统运营成本。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的基于边缘云计算的安防监控危险源识别系统结构示意图；
图2为本发明实施例中的基于边缘云计算的安防监控危险源识别方法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示，本实施例中提供一种基于边缘云计算的安防监控危险源识别系统，包括：图像信息获取模块、图像信息分析模块、危险源识别模块和声光报警模块；
图像信息获取模块用于通过搭载边缘计算系统的图像传感器获取园区的监控图像并传输到图像信息分析模块；
图像信息分析模块用于对监控图像进行分析，提取作业人员目标图像和园区设备目标图像；
危险源识别模块用于将园区作业人员目标图像和园区设备目标图像与对应的模板图像进行匹配，识别危险源；
声光报警模块用于接收危险源信号，并进行声光报警。
可实施的，图像信息获取模块包括：区域划分单元，用于通过预设的园区危险源，对园区进行划分，获得监控区域；网络构建单元，用于基于监控区域，通过路由器配置获得网络拓扑结构，并在预设网络节点布置图像传感器；图像获取单元，用于在图像传感器中添加边缘计算系统，将监控设备获取的光源信号转化为电信号并传输给图像信息分析模块。
可实施的，图像信息分析模块包括：作业人员图像提取单元，用于基于时空信息结合的目标检测算法对监控图像进行分割处理，获得作业人员目标图像；园区设备图像提取单元，用于获取园区设备的图像特征，并基于图像特征将园区设备从监控图像中分离出来，获得园区设备目标图像。
作为具体的实施例，本实施例在时域信息的基础上增加空间域信息来提高检测率，从监控图像中识别出园区作业人员的目标图像，能够显著提高检测性能。
可实施的，危险源识别模块包括：第一匹配单元，用于将作业人员目标图像与预设的作业人员模板图像进行匹配，根据匹配结果，获得第一危险源信号；第二匹配单元，用于将园区设备目标图像与预设的园区设备模板图像进行匹配，根据匹配结果，获得第二危险源信号。
作为具体的实施例，在工业园区的不同划分区域的相关工作人员均有具体的着装要求，避免一部分危险，比如：安全帽和安全带的佩戴、厨师服的穿着、实验区域特定工作服的穿着等等，都有统一的标准。将提取出的作业人员目标图像与对应的作业人员模板图像进行匹配，从而对未佩戴安全帽、未穿着厨师服等违反相关区域穿着要求的行为判定为危险源并及时提醒。对于园区内的设备，不同的区域有不同的设备要求，当本区域的设备出现在其他不应出现的区域或者本区域的设备明显出现故障，与预设的园区设备模板图像不匹配时，及时生成危险源信号并进行提醒。
可实施的，危险源识别模块还包括动态危险源识别单元，动态危险源识别单元包括：特征提取子单元，用于对监控图像进行特征提取；动态特征获取子单元，用于将提取出的特征输入系数字典，并根据最优化稀疏表示获得动态特征；动态目标定位子单元，用于基于双目视觉对动态特征进行定位，进而识别动态危险源。作为具体的实施例，其中，特征提取的过程包括：对监控图像进行取片操作，获取多个较小的局部图像；利用局部图像作为训练数据构成训练集，将训练集数据进行白化等预处理操作后送入神经网络；利用反向传播误差算法进行网络参数训练；将学习得到的网络作为滤波器对整幅监控图像进行卷积滤波，得到卷积特征，然后，将卷积层得到的特征输入到池化层进行池化，再将池化后的特征输入系数字典。
如图2所示，本实施例还提供一种基于边缘云计算的安防监控危险源识别方法，包括以下步骤：基于搭载边缘计算系统的图像传感器获取园区的监控图像；对监控图像进行分析，获取作业人员目标图像和园区设备目标图像；将园区作业人员目标图像和园区设备目标图像与对应的模板图像进行匹配，获得静态危险源信号；获取监控图像的动态特征进行定位，进而获得动态危险源信号；接收静态危险源信号和动态危险源信号，并进行声光报警。
可实施的，获取园区的监控图像的过程包括：根据预设的园区危险源，对园区进行划分，获得监控区域；基于监控区域，通过路由器配置获得网络拓扑结构，并在预设网络节点布置图像传感器；将监控设备获取的光源信号通过图像传感器转化为电信号，进而获得待分析处理的监控图像；其中，图像传感器中搭载边缘计算系统。
可实施的，获取作业人员目标图像和园区设备目标图像的过程包括：基于时空信息结合的目标检测算法对监控图像进行分割处理，获得作业人员目标图像；获取园区设备的图像特征，并基于图像特征将园区设备从监控图像中分离出来，获得园区设备目标图像。
可实施的，获得动态危险源信号的过程包括：对监控图像进行特征提取，将提取出的特征输入系数字典，并根据最优化稀疏表示获得动态特征，基于双目视觉对动态特征进行定位，进而识别动态危险源，生成动态危险源信号。作为具体的实施例，其中，特征提取的过程包括：对监控图像进行取片操作，获取多个较小的局部图像；利用局部图像作为训练数据构成训练集，将训练集数据进行白化等预处理操作后送入神经网络；利用反向传播误差算法进行网络参数训练；将学习得到的网络作为滤波器对整幅监控图像进行卷积滤波，得到卷积特征，然后，将卷积层得到的特征输入到池化层进行池化，再将池化后的特征输入系数字典，并根据最优化稀疏表示获得动态目标，基于双目视觉对动态目标进行定位，进而识别动态危险源，生成动态危险源信号。
本实施例的基于稀疏表示的动态目标的检测模型可以表示如下：
Y＝DX+e s.t.||D(：，t)||2＝1
其中Y是待测区域或待测图像，D是构建的对应场景的字典，X是稀疏表示系数，e是重建误差，也即动态目标，同样为稀疏，将动态目标检测模型转化为最优化求解目标函数为：
Figure BDA0004043788230000091
其中，‖*‖F和‖*‖1分别表示Frobenius范数和l1范数。
将上述目标函数分解为两个最优化目标，采用两次迭代的方式对其进行分解，其分解结果如下：
Figure BDA0004043788230000092
Figure BDA0004043788230000093
用最小二乘法直接求解X＝D-1*(Y-e)，而公式
Figure BDA0004043788230000094
可以看作一个连续可导的函数/>
Figure BDA0004043788230000095
和一个凸函数‖e‖1的加权之和，利用快速收缩阈值迭代算法进行求取，过程如下：
e＝Sλ(Y-DX)
其中Sλ(*)是soft-threshold算子，可以表示为Sλ(*)＝sgn(*)(|*|-λ)。sgn(*)是一个符号函数，当*>0则sgn(*)＝1，反之则为0。求解得到的e就代表动态危险源。
以上所述，仅为本申请较佳的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种基于边缘云计算的安防监控危险源识别系统，其特征在于，包括：图像信息获取模块、图像信息分析模块、危险源识别模块和声光报警模块；
所述图像信息获取模块用于通过搭载边缘计算系统的图像传感器获取园区的监控图像并传输到所述图像信息分析模块；
所述图像信息分析模块用于对所述监控图像进行分析，提取作业人员目标图像和园区设备目标图像；
所述危险源识别模块用于将所述园区作业人员目标图像和园区设备目标图像与对应的模板图像进行匹配，识别危险源；
所述声光报警模块用于接收危险源信号，并进行声光报警。
2.根据权利要求1所述的基于边缘云计算的安防监控危险源识别系统，其特征在于，
所述图像信息获取模块包括：
区域划分单元，用于通过预设的园区危险源，对园区进行划分，获得监控区域；
网络构建单元，用于基于所述监控区域，通过路由器配置获得网络拓扑结构，并在预设网络节点布置图像传感器；
图像获取单元，用于在所述图像传感器中添加边缘计算系统，将监控设备获取的光源信号转化为电信号并传输给所述图像信息分析模块。
3.根据权利要求1所述的基于边缘云计算的安防监控危险源识别系统，其特征在于，
所述图像信息分析模块包括：
作业人员图像提取单元，用于基于时空信息结合的目标检测算法对所述监控图像进行分割处理，获得作业人员目标图像；
园区设备图像提取单元，用于获取园区设备的图像特征，并基于所述图像特征将园区设备从所述监控图像中分离出来，获得园区设备目标图像。
4.根据权利要求3所述的基于边缘云计算的安防监控危险源识别系统，其特征在于，
所述危险源识别模块包括：
第一匹配单元，用于将所述作业人员目标图像与预设的作业人员模板图像进行匹配，根据匹配结果，获得第一危险源信号；
第二匹配单元，用于将所述园区设备目标图像与预设的园区设备模板图像进行匹配，根据匹配结果，获得第二危险源信号。
5.根据权利要求1所述的基于边缘云计算的安防监控危险源识别系统，其特征在于，
所述危险源识别模块还包括动态危险源识别单元，所述动态危险源识别单元包括：
特征提取子单元，用于对监控图像进行特征提取；
动态特征获取子单元，用于将提取出的特征输入系数字典，并根据最优化稀疏表示获得动态特征；
动态目标定位子单元，用于基于双目视觉对所述动态特征进行定位，进而识别动态危险源。
6.一种基于边缘云计算的安防监控危险源识别方法，其特征在于，包括以下步骤：
基于搭载边缘计算系统的图像传感器获取园区的监控图像；
对所述监控图像进行分析，获取作业人员目标图像和园区设备目标图像；
将所述园区作业人员目标图像和园区设备目标图像与对应的模板图像进行匹配，获得静态危险源信号；
获取所述监控图像的动态特征进行定位，进而获得动态危险源信号；
接收所述静态危险源信号和动态危险源信号，并进行声光报警。
7.根据权利要求6所述的基于边缘云计算的安防监控危险源识别方法，其特征在于，
获取园区的监控图像的过程包括：根据预设的园区危险源，对园区进行划分，获得监控区域；基于所述监控区域，通过路由器配置获得网络拓扑结构，并在预设网络节点布置图像传感器；将监控设备获取的光源信号通过所述图像传感器转化为电信号，进而获得待分析处理的监控图像；其中，所述图像传感器中搭载边缘计算系统。
8.根据权利要求6所述的基于边缘云计算的安防监控危险源识别方法，其特征在于，
获取作业人员目标图像和园区设备目标图像的过程包括：基于时空信息结合的目标检测算法对所述监控图像进行分割处理，获得作业人员目标图像；获取园区设备的图像特征，并基于所述图像特征将园区设备从所述监控图像中分离出来，获得园区设备目标图像。
9.根据权利要求6所述的基于边缘云计算的安防监控危险源识别方法，其特征在于，
获得动态危险源信号的过程包括：对监控图像进行特征提取，将提取出的特征输入系数字典，并根据最优化稀疏表示获得动态特征，基于双目视觉对所述动态特征进行定位，进而识别动态危险源，生成动态危险源信号。
CN202310024076.7A 2023-01-09 2023-01-09 一种基于边缘云计算的安防监控危险源识别系统与方法 Pending CN116152735A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310024076.7A CN116152735A (zh) 2023-01-09 2023-01-09 一种基于边缘云计算的安防监控危险源识别系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310024076.7A CN116152735A (zh) 2023-01-09 2023-01-09 一种基于边缘云计算的安防监控危险源识别系统与方法

Publications (1)

Publication Number Publication Date
CN116152735A true CN116152735A (zh) 2023-05-23

Family

ID=86338356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310024076.7A Pending CN116152735A (zh) 2023-01-09 2023-01-09 一种基于边缘云计算的安防监控危险源识别系统与方法

Country Status (1)

Country Link
CN (1) CN116152735A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117204639A (zh) * 2023-09-18 2023-12-12 山东矿机华能装备制造有限公司 一种智能头盔及管理平台

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145851A (zh) * 2017-04-28 2017-09-08 西南科技大学 建筑作业区危险源智能识别系统
CN108665484A (zh) * 2018-05-22 2018-10-16 国网山东省电力公司电力科学研究院 一种基于深度学习的危险源识别方法与系统
CN113706355A (zh) * 2021-09-05 2021-11-26 上海远韵实业有限公司 化工园区智慧应急系统搭建方法
CN114979585A (zh) * 2022-06-16 2022-08-30 慧之安信息技术股份有限公司 一种基于边缘计算的加油站智能安全系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145851A (zh) * 2017-04-28 2017-09-08 西南科技大学 建筑作业区危险源智能识别系统
CN108665484A (zh) * 2018-05-22 2018-10-16 国网山东省电力公司电力科学研究院 一种基于深度学习的危险源识别方法与系统
CN113706355A (zh) * 2021-09-05 2021-11-26 上海远韵实业有限公司 化工园区智慧应急系统搭建方法
CN114979585A (zh) * 2022-06-16 2022-08-30 慧之安信息技术股份有限公司 一种基于边缘计算的加油站智能安全系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117204639A (zh) * 2023-09-18 2023-12-12 山东矿机华能装备制造有限公司 一种智能头盔及管理平台

Similar Documents

Publication Publication Date Title
Gong et al. A real-time fire detection method from video with multifeature fusion
CN106971474B (zh) 基于wifi无线信号的入侵监测方法和系统
CN112149522A (zh) 电缆通道智能可视化防外破监测系统及方法
Ko et al. Survey of computer vision–based natural disaster warning systems
CN103069434A (zh) 多模式视频事件索引
CN105426820A (zh) 基于安防监控视频数据的多人异常行为检测方法
CN111754714A (zh) 一种安防监控系统及其监控方法
CN110852222A (zh) 一种基于目标检测的校园走廊场景智能监控方法
CN102663032A (zh) 一种光纤光栅围栏入侵事件模式识别方法
CN116152735A (zh) 一种基于边缘云计算的安防监控危险源识别系统与方法
CN103780899A (zh) 一种检测摄像机是否被干扰的方法、装置及视频监控系统
CN112257500A (zh) 一种基于云边协同技术的电力设备智能图像识别系统及识别方法
Kim et al. Fire detection system using random forest classification for image sequences of complex background
CN107316024A (zh) 基于深度学习的周界报警算法
CN116798176A (zh) 基于大数据和智慧安防的数据管理系统
CN113936210A (zh) 塔吊防撞方法
CN116846059A (zh) 一种用于电网巡检和监控的边缘检测系统
Shuang et al. Ple: Power line extraction algorithm for uav-based power inspection
CN113688713A (zh) 基于危险行为识别的线缆保护方法、装置、系统和介质
CN112885014A (zh) 预警方法、装置、系统和计算机可读存储介质
CN114354744B (zh) 一种电力电缆防外破监测方法、系统及装置
CN110543825A (zh) 基于时空特征的危险施工行为识别方法及装置
Dai et al. Cascade centernet: Robust object detection for power line surveillance
Pitafi et al. Revolutionizing Perimeter Intrusion Detection: A Machine Learning-Driven Approach with Curated Dataset Generation for Enhanced Security
Günay et al. Online adaptive decision fusion framework based on projections onto convex sets with application to wildfire detection in video

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