CN116824348B - 隐患信息生成方法、装置、电子设备和计算机可读介质 - Google Patents
隐患信息生成方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116824348B CN116824348B CN202310714386.1A CN202310714386A CN116824348B CN 116824348 B CN116824348 B CN 116824348B CN 202310714386 A CN202310714386 A CN 202310714386A CN 116824348 B CN116824348 B CN 116824348B
- Authority
- CN
- China
- Prior art keywords
- image
- hidden danger
- vehicle parking
- information
- parking area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000009792 diffusion process Methods 0.000 claims abstract description 65
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Multimedia (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)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了隐患信息生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取目标监控点对应的车辆停放区域图像序列；对于车辆停放区域图像序列中的每张车辆停放区域图像，确定车辆停放区域图像与目标监控点对应的区域底板图像的图像差异，得到车辆停放区域差异图像；根据得到的车辆停放区域差异图像序列和预先训练的隐患信息生成模型，生成隐患信息，其中，隐患信息包括：隐患位置信息和隐患类型；根据车辆停放区域差异图像序列和隐患信息，确定隐患扩散信息；根据隐患信息和隐患扩散信息，生成实时预演画面。该实施方式实现了隐患的快速定位，侧面提高了隐患的处置效率。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及隐患信息生成方法、装置、电子设备和计算机可读介质。
背景技术
校园区域作为典型的人员密集区域，当隐患发生时，往往会因为较高的人员密集度，造成更加严重的危险情况发生，例如，针对校园内的车辆停放区域，由于校园区域内的车辆体量较大，且停放密集。导致当出现如火灾隐患时，会造成较大的损失。目前，针对校园区域的隐患防治，往往是通过定期巡检的方式，进行隐患排查。
然而，发明人发现，当采用上述方式时，经常会存在如下技术问题：
第一，定期巡检的方式无法实时的对隐患进行及时监控，导致当隐患发生时，处置效率不佳；
第二，基于视频图像的处理方式，由于视频中往往包含较多的重复图像，逐一对图像进行特征提取以及隐患定位的方式，数据处理量大，会造成计算资源的浪费，以及隐患定位效率较低。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了隐患信息生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种隐患信息生成方法，该方法包括：获取目标监控点对应的车辆停放区域图像序列；对于上述车辆停放区域图像序列中的每张车辆停放区域图像，确定上述车辆停放区域图像与上述目标监控点对应的区域底板图像的图像差异，得到车辆停放区域差异图像；根据得到的车辆停放区域差异图像序列和预先训练的隐患信息生成模型，生成隐患信息，其中，上述隐患信息包括：隐患位置信息和隐患类型；根据上述车辆停放区域差异图像序列和上述隐患信息，确定隐患扩散信息，其中，上述隐患扩散信息表征隐患的扩散范围；根据上述隐患信息和上述隐患扩散信息，生成实时预演画面。
第二方面，本公开的一些实施例提供了一种隐患信息生成装置，装置包括：获取单元，被配置成获取目标监控点对应的车辆停放区域图像序列；第一确定单元，被配置成对于上述车辆停放区域图像序列中的每张车辆停放区域图像，确定上述车辆停放区域图像与上述目标监控点对应的区域底板图像的图像差异，得到车辆停放区域差异图像；第一生成单元，被配置成根据得到的车辆停放区域差异图像序列和预先训练的隐患信息生成模型，生成隐患信息，其中，上述隐患信息包括：隐患位置信息和隐患类型；第二确定单元，被配置成根据上述车辆停放区域差异图像序列和上述隐患信息，确定隐患扩散信息，其中，上述隐患扩散信息表征隐患的扩散范围；第二生成单元，被配置成根据上述隐患信息和上述隐患扩散信息，生成实时预演画面。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的隐患信息生成方法，提高了隐患处置效率，避免了隐患的加重发展。具体来说，造成隐患处置效率低下的原因在于：定期巡检的方式无法实时的对隐患进行及时监控，导致当隐患发生时，处置效率不佳。基于此，本公开的一些实施例的隐患信息生成方法，首先，获取目标监控点对应的车辆停放区域图像序列。实践中，校园区域往往较大，因此，通过设置监控点的方式可以对高概率隐患发生区域进行监控，降低了布控成本。接着，对于上述车辆停放区域图像序列中的每张车辆停放区域图像，确定上述车辆停放区域图像与上述目标监控点对应的区域底板图像的图像差异，得到车辆停放区域差异图像。通过确定区域底板图像与车辆停放区域图像的图像差异，可以快速地定位图像中变化的位置。进一步，根据得到的车辆停放区域差异图像序列和预先训练的隐患信息生成模型，生成隐患信息，其中，上述隐患信息包括：隐患位置信息和隐患类型。以此实现隐患的快速定位。最后，根据上述隐患信息和上述隐患扩散信息，生成实时预演画面。以此得到隐患的预测发展情况，方便后续的隐患处置。通过此种方式，实现了隐患的快速定位，侧面提高了隐患的处置效率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的隐患信息生成方法的一些实施例的流程图；
图2是根据本公开的隐患信息生成装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1，示出了根据本公开的隐患信息生成方法的一些实施例的流程100。该隐患信息生成方法，包括以下步骤：
步骤101，获取目标监控点对应的车辆停放区域图像序列。
在一些实施例中，隐患信息生成方法的执行主体(例如，计算设备)可以通过有线连接或无线连接的方式，获取目标监控点对应的车辆停放区域图像序列。其中，目标监控点可以是预先设置的校园区域内的隐患监控点。实践中，目标监控点可以是校园区域内的车辆停放区域。车辆停放区域图像序列可以是上述目标监控点位置设置的摄像头实时采集的图像序列。实践中，上述执行主体可以对摄像头采集的视频进行抽帧处理，得到上述车辆停放区域图像序列。
需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。应该理解，计算设备的数目根据实现需要，可以具有任意数目。
步骤102，对于车辆停放区域图像序列中的每张车辆停放区域图像，确定车辆停放区域图像与目标监控点对应的区域底板图像的图像差异，得到车辆停放区域差异图像。
在一些实施例中，对于车辆停放区域图像序列中的每张车辆停放区域图像，上述执行主体确定车辆停放区域图像与目标监控点对应的区域底板图像的图像差异，得到车辆停放区域差异图像。
其中，区域底板图像是上述目标监控点对应区域的初始图像。实践中，当目标监控点为车辆停放区域时，对应的区域底板图像可以是未停放车辆时的目标监控点对应的图像。车辆停放区域差异图像表征车辆停放区域图像与目标监控点对应的区域底板图像之间的图像差异。实践中，上述执行主体可以将车辆停放区域图像与目标监控点对应的区域底板图像的图像差，确定为车辆停放区域差异图像。
在一些实施例的一些可选的实现方式中，上述执行主体确定上述车辆停放区域图像与上述目标监控点对应的区域底板图像的图像差异，得到车辆停放区域差异图像，可以包括以下步骤：
第一步，对上述车辆停放区域图像进行图像元素识别，以生成第一图像元素信息集合。
其中，上述第一图像元素信息集合中的第一图像元素信息包括：图像元素类型、图像元素位置和子图像直方图。其中，图像元素可以表征从车辆停放区域图像中识别得到的物体。图像元素类型可以表征图像元素(识别得到的物体)的类型。图像元素位置可以表征图像元素在车辆停放区域图像中的位置。实践中，图像元素位置可以是二维的像素坐标。子图像直方图是第一图像元素信息对应图像区域的局部图像直方图。
作为示例，上述执行主体可以通过识别模型，对上述车辆停放区域图像进行图像元素识别，以生成第一图像元素信息集合。例如，识别模型可以是YOLO(You Only LookOnce)模型。
第二步，获取第二图像元素信息集合。
其中，上述第二图像元素信息集合表征预先进行图像元素识别的、上述区域底板图像包括的至少一个图像元素。实践中，上述执行主体可以通过上述识别模型，对上述区域底板图像进行图像元素预识别。
第三步，对于上述第一图像元素信息集合中的每个第一图像元素信息，执行以下处理步骤：
第一子步骤，确定包括的图像元素位置与上述第一图像元素信息包括的图像元素位置相同的第二图像元素信息，作为目标图像元素信息。
实践中，上述执行主体可以通过计算第一图像元素信息包括的图像元素位置与第二图像元素信息集合中第二图像元素信息包括的图像元素位置，以此确定目标图像元素信息。
第二子步骤，响应于确定上述目标图像元素信息包括的图像元素类型与上述第一图像元素信息的图像元素类型一致，以上述目标图像元素信息包括的子图像直方图为基础直方图，对上述第一图像元素信息包括的子图像直方图进行直方图调整，得到调整后子图像直方图。
实践中，首先，上述执行主体可以确定上述目标图像元素信息包括的子图像直方图对应的亮度值均值。然后，以上述亮度值均值为约束，对上述第一图像元素信息包括的子图像直方图进行直方图均衡化处理，得到调整后子图像直方图。
第三子步骤，响应于确定上述目标图像元素信息包括的图像元素类型与上述第一图像元素信息的图像元素类型不一致，以上述目标图像元素信息包括的图像元素类型对应的标准图像元素直方图为基础直方图，对上述第一图像元素信息包括的子图像直方图进行直方图调整，得到调整后子图像直方图。
其中，上述标准图像元素直方图是上述图像元素类型对应的图像元素在标准图像环境下的图像元素直方图。实践中，首先，上述执行主体可以确定目标图像元素信息包括的图像元素类型对应的标准图像元素直方图的亮度均值。然后，以上述亮度均值为约束，对上述第一图像元素信息包括的子图像直方图进行直方图均衡化处理，得到调整后子图像直方图。
第四步，根据得到的、包含有调整后子图像直方图第一图像元素信息集合，对上述车辆停放区域图像进行直方图均衡化处理，得到处理后车辆停放区域图像。
实践中，首先，上述执行主体可以根据包含有调整后子图像直方图第一图像元素信息集合，对上述车辆停放区域图像对应的图像直方图进行直方图更新，得到更新后直方图。然后，上述执行主体可以对更新后直方图进行直方图均衡化处理，得到处理后车辆停放区域图像。
第五步，确定上述处理后车辆停放区域图像与上述区域底板图像的图像差，作为上述车辆停放区域图像对应的车辆停放区域差异图像。
步骤103，根据得到的车辆停放区域差异图像序列和预先训练的隐患信息生成模型，生成隐患信息。
在一些实施例中，上述执行主体可以根据得到的车辆停放区域差异图像序列和预先训练的隐患信息生成模型，生成隐患信息。其中，隐患信息包括：隐患位置信息和隐患类型。隐患位置信息可以表征经过坐标映射后的发生隐患的位置。实践中，隐患位置信息可以是三维坐标，表征发生隐患的位置在大地坐标系下的坐标。隐患类型表征发生的隐患的类型。实践中，隐患类型可以是但不限于以下任意一项：火灾类型，电路短路类型。隐患信息生成模型可以是基于卷积神经网络的分类模型。实践中，上述隐患信息生成模型可以是CNN(Convolutional Neural Networks，卷积神经网络)模型。
可选地，隐患信息生成模型包括：跳跃式图像特征提取模型、特征叠加层、隐患位置定位模型和全连接层。其中，上述跳跃式图像特征提取模型是基于卷积神经网络的模型。特征叠加层用于对跳跃式图像特征提取模型输出的、至少一个图像特征进行特征叠加。隐患位置定位模型可以是基于对称结构的卷积神经网络，具体的，对称结构的卷积神经网络包括：下采样网络和上采样网络，其中，下采样网络和上采样网络对称，下采样网络包括至少一个用于下采样的卷积层。上采样网络包括至少一个用于上采样的卷积层。
在一些实施例的一些可选的实现方式中，上述执行主体根据得到的车辆停放区域差异图像序列和预先训练的隐患信息生成模型，生成隐患信息，可以包括以下步骤：
第一步，通过上述跳跃式图像特征提取模型对上述车辆停放区域差异图像序列进行跳跃式图像特征提取，得到图像特征序列。
可选地，跳跃式图像特征提取模型包括：第一卷积层、第二卷积层和残差块集合。上述残差块集合中的残差块串行连接。实践中，第一卷积层的卷积核大小小于上述第二卷积层的卷积核大小。第一卷积层用于对车辆停放区域差异图像进行粗特征提取。第二卷积层用于对车辆停放区域差异图像进行细特征提取。
可选地，上述通过上述跳跃式图像特征提取模型对上述车辆停放区域差异图像序列进行跳跃式图像特征提取，得到图像特征序列，包括：
第一子步骤，根据车辆停放区域差异图像序列，执行以下特征提取步骤：
步骤1：将车辆停放区域差异图像序列中第一目标位置的车辆停放区域差异图像，确定为目标车辆停放区域差异图像。
实践中，第一目标位置可以是K位置。其中，K为正整数、K大于0，且K小于车辆停放区域差异图像序列中的车辆停放区域差异图像的数量。
步骤2：分别通过上述第一卷积层和上述第二卷积层对目标车辆停放区域差异图像进行图像特征提取，以生成第一粗感受野图像特征和第一细感受野图像特征。
步骤3：确定第一粗感受野图像特征和第二粗感受野图像特征的特征相似度，得到第一特征相似度。
其中，第二粗感受野图像特征是上述第一卷积层输出的、第二目标位置的车辆停放区域差异图像对应的粗感受野图像特征。第二目标位置小于第一目标位置。实践中，第二目标位置可以是K-1位置。
步骤4：确定第一细感受野图像特征和第二细感受野图像特征的特征相似度，得到第二特征相似度。
其中，第二细感受野图像特征是上述第二卷积层输出的、第二目标位置的车辆停放区域差异图像对应的细感受野图像特征。实践中，上述执行主体可以通过计算余弦相似度的方式，确定第一细感受野图像特征和第二细感受野图像特征的特征相似度，得到第二特征相似度。
步骤5：对第一特征相似度和第二特征相似度进行加权求和，得到加权后特征相似度。
步骤6：响应于确定加权后特征相似度小于预设相似度，将第一粗感受野图像特征输入上述残差块集合，生成第一目标位置的车辆停放区域差异图像对应的图像特征。
步骤7：响应于确定加权后特征相似度大于等于上述预设相似度，将第二目标位置的车辆停放区域差异图像对应的图像特征，确定为第一目标位置的车辆停放区域差异图像对应的图像特征。
步骤8：响应于确定除第一目标位置的车辆停放区域差异图像后的车辆停放区域差异图像序列为空，结束上述特征提取步骤。
第二子步骤，响应于确定除第一目标位置的车辆停放区域差异图像后的车辆停放区域差异图像序列不为空，将除第一目标位置的车辆停放区域差异图像后的车辆停放区域差异图像序列，确定为车辆停放区域差异图像序列，再次执行上述特征提取步骤。
第二步，根据上述特征叠加层和上述图像特征序列，生成叠加后图像特征。
可选地，上述执行主体根据上述特征叠加层和上述图像特征序列，生成叠加后图像特征，可以包括以下步骤：
第一子步骤，对上述图像特征序列进行相邻图像特征去重，得到去重后图像特征序列。
作为示例，图像特征序列可以是[图像特征A、图像特征B、图像特征C、图像特征C、图像特征D]。去重后图像特征序列可以是[图像特征A、图像特征B、图像特征C、图像特征D]。
第二子步骤，通过上述特征叠加层，对上述去重后图像特征序列中的去重后图像特征进行特征叠加，得到上述叠加后图像特征。
第三步，将上述叠加后图像特征输入上述隐患位置定位模型，以生成上述隐患信息包括的隐患位置信息。
第四步，将上述叠加后图像特征输入上述全连接层，以生成分类向量。
其中，上述分类向量中包括不同隐患类型对应的分类概率。实践中，分类向量的长度与隐患类型的数量相同。
第五步，将上述分类向量中最大的分类概率对应的隐患类型，确定为上述隐患信息包括的隐患类型。
上述隐患信息生成模型作为本公开的一个发明点，解决了背景技术提及的技术问题二，即“基于视频图像的处理方式，由于视频中往往包含较多的重复图像，逐一对图像进行特征提取以及隐患定位的方式，数据处理量大，会造成计算资源的浪费，以及隐患定位效率较低”。实践中，由于视频图像中的图像元素在较小时间范围内变化不大，即连续多帧的车辆停放区域图像中的图像元素的变化情况往往不大。采用传统的逐帧进行特征提取的方式，数据处理量大，基于此，本公开设计了隐患信息生成模型。通过跳跃式图像特征提取模型包括的第一卷积层和第二卷层分别提取不同感受野下的图像特征，并与前帧图像对应的图像特征进行相似度计算，当相似度较大时，直接将前帧图像对应的图像特征，确定为第一目标位置的车辆停放区域差异图像对应的图像特征。当相似度较小时，再采用跳跃式图像特征提取模型包括的残差块集合进行进一步的图像特征提取。通过此种方式的，大大降低了在进行图像特征提取时的数据计算量。最后通过隐患位置定位模型和全连接层，生成隐患信息包括的隐患位置信息和隐患类型。综上，通过此种方式，大大减少了数据计算量，降低了计算资源的浪费，提高了隐患定位效率。
步骤104，根据车辆停放区域差异图像序列和隐患信息，确定隐患扩散信息。
在一些实施例中，上述执行主体根据车辆停放区域差异图像序列和隐患信息，确定隐患扩散信息。其中，隐患扩散信息隐患扩散信息表征隐患的扩散范围。实践中，上述执行主体可以通过LSTM模型，将车辆停放区域差异图像序列和隐患信息作为LSTM(Longshort-termmemory，长短时记忆)模型的输入，得到上述隐患扩散信息。
可选地，隐患扩散信息包括：隐患初始波及区域和隐患扩散速率。其中，隐患初始波及区域表征隐患信息对应的隐患影响的初始区域。隐患扩散速率表征隐患的扩散速度。
步骤105，根据隐患信息和隐患扩散信息，生成实时预演画面。
在一些实施例中，上述执行主体可以根据隐患信息和隐患扩散信息，生成实时预演画面。其中，实时预演画面可以是二维的动画画面。实践中，上述执行主体可以以动画模拟的方式，根据隐患信息和隐患扩散信息，生成实时预演画面。
可选地，在上述根据上述隐患信息和上述隐患扩散信息，生成实时预演画面之后，上述方法还包括：
第一步，在校园隐患监控界面实时展示上述实时预演画面。
其中，校园隐患监控界面可以是用于实时展示校园区域内各个目标检测点对应的隐患发生情况的界面。上述校园隐患监控界面用于展示校园区域对应的实时二维画面。
第二步，根据上述隐患类型对应的隐患等级，在上述校园隐患监控界面中、上述目标监控点对应的区域进行高亮闪烁提示。
可选地，上述方法还包括：
第一步，以上述隐患初始波及区域为区域中心，根据上述隐患扩散速率进行扩散区域模拟，以确定一级隐患扩散区域和二级隐患扩散区域。
其中，上述一级隐患扩散区域和上述二级隐患扩散区域是在不同时间点下的扩散区域。实践中，上述执行主体可以以上述隐患初始波及区域为区域中心、确定在隐患扩散速率下的、K时刻的隐患扩散区域。上述执行主体可以以上述隐患初始波及区域为区域中心、确定在隐患扩散速率下的、K+T时刻的隐患扩散区域。其中，K≥0。T＞0。
第二步，分别确定上述隐患初始波及区域、上述一级隐患扩散区域和上述二级隐患扩散区域内的待警示区域，以生成第一待警示区域、第二待警示区域和第三待警示区域。
其中，待警示区域是包含有建筑的区域。
第三步，分别控制上述第一待警示区域、上述第二待警示区域和上述第三待警示区域内的报警设备发出不同警示等级的提示信息。
其中，提示信息是用于提示人员疏散的提示信息。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的隐患信息生成方法，提高了隐患处置效率，避免了隐患的加重发展。具体来说，造成隐患处置效率低下的原因在于：定期巡检的方式无法实时的对隐患进行及时监控，导致当隐患发生时，处置效率不佳。基于此，本公开的一些实施例的隐患信息生成方法，首先，获取目标监控点对应的车辆停放区域图像序列。实践中，校园区域往往较大，因此，通过设置监控点的方式可以对高概率隐患发生区域进行监控，降低了布控成本。接着，对于上述车辆停放区域图像序列中的每张车辆停放区域图像，确定上述车辆停放区域图像与上述目标监控点对应的区域底板图像的图像差异，得到车辆停放区域差异图像。通过确定区域底板图像与车辆停放区域图像的图像差异，可以快速地定位图像中变化的位置。进一步，根据得到的车辆停放区域差异图像序列和预先训练的隐患信息生成模型，生成隐患信息，其中，上述隐患信息包括：隐患位置信息和隐患类型。以此实现隐患的快速定位。最后，根据上述隐患信息和上述隐患扩散信息，生成实时预演画面。以此得到隐患的预测发展情况，方便后续的隐患处置。通过此种方式，实现了隐患的快速定位，侧面提高了隐患的处置效率。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种隐患信息生成装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该隐患信息生成装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的隐患信息生成装置200包括：获取单元201、第一确定单元202、第一生成单元203、第二确定单元204和第二生成单元205。其中，获取单元201，被配置成获取目标监控点对应的车辆停放区域图像序列；第一确定单元202，被配置成对于上述车辆停放区域图像序列中的每张车辆停放区域图像，确定上述车辆停放区域图像与上述目标监控点对应的区域底板图像的图像差异，得到车辆停放区域差异图像；第一生成单元203，被配置成根据得到的车辆停放区域差异图像序列和预先训练的隐患信息生成模型，生成隐患信息，其中，上述隐患信息包括：隐患位置信息和隐患类型；第二确定单元204，被配置成根据上述车辆停放区域差异图像序列和上述隐患信息，确定隐患扩散信息，其中，上述隐患扩散信息表征隐患的扩散范围；第二生成单元205，被配置成根据上述隐患信息和上述隐患扩散信息，生成实时预演画面。
可以理解的是，该隐患信息生成装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于隐患信息生成装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备(例如，计算设备)300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器302中的程序或者从存储装置308加载到随机访问存储器303中的程序而执行各种适当的动作和处理。在随机访问存储器303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、只读存储器302以及随机访问存储器303通过总线304彼此相连。输入/输出接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从只读存储器302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标监控点对应的车辆停放区域图像序列；对于上述车辆停放区域图像序列中的每张车辆停放区域图像，确定上述车辆停放区域图像与上述目标监控点对应的区域底板图像的图像差异，得到车辆停放区域差异图像；根据得到的车辆停放区域差异图像序列和预先训练的隐患信息生成模型，生成隐患信息，其中，上述隐患信息包括：隐患位置信息和隐患类型；根据上述车辆停放区域差异图像序列和上述隐患信息，确定隐患扩散信息，其中，上述隐患扩散信息表征隐患的扩散范围；根据上述隐患信息和上述隐患扩散信息，生成实时预演画面。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，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，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一确定单元、第一生成单元、第二确定单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标监控点对应的车辆停放区域图像序列的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种隐患信息生成方法，包括：
获取目标监控点对应的车辆停放区域图像序列；
对于所述车辆停放区域图像序列中的每张车辆停放区域图像，确定所述车辆停放区域图像与所述目标监控点对应的区域底板图像的图像差异，得到车辆停放区域差异图像；
根据得到的车辆停放区域差异图像序列和预先训练的隐患信息生成模型，生成隐患信息，其中，所述隐患信息包括：隐患位置信息和隐患类型；
根据所述车辆停放区域差异图像序列和所述隐患信息，确定隐患扩散信息，其中，所述隐患扩散信息表征隐患的扩散范围；
根据所述隐患信息和所述隐患扩散信息，生成实时预演画面，其中，所述确定所述车辆停放区域图像与所述目标监控点对应的区域底板图像的图像差异，得到车辆停放区域差异图像，包括：
对所述车辆停放区域图像进行图像元素识别，以生成第一图像元素信息集合，其中，所述第一图像元素信息集合中的第一图像元素信息包括：图像元素类型、图像元素位置和子图像直方图，其中，子图像直方图是第一图像元素信息对应图像区域的局部图像直方图；
获取第二图像元素信息集合，其中，所述第二图像元素信息集合表征预先进行图像元素识别的、所述区域底板图像包括的至少一个图像元素；
对于所述第一图像元素信息集合中的每个第一图像元素信息，执行以下处理步骤：
确定包括的图像元素位置与所述第一图像元素信息包括的图像元素位置相同的第二图像元素信息，作为目标图像元素信息；
响应于确定所述目标图像元素信息包括的图像元素类型与所述第一图像元素信息的图像元素类型一致，以所述目标图像元素信息包括的子图像直方图为基础直方图，对所述第一图像元素信息包括的子图像直方图进行直方图调整，得到调整后子图像直方图；
响应于确定所述目标图像元素信息包括的图像元素类型与所述第一图像元素信息的图像元素类型不一致，以所述目标图像元素信息包括的图像元素类型对应的标准图像元素直方图为基础直方图，对所述第一图像元素信息包括的子图像直方图进行直方图调整，得到调整后子图像直方图；
根据得到的、包含有调整后子图像直方图第一图像元素信息集合，对所述车辆停放区域图像进行直方图均衡化处理，得到处理后车辆停放区域图像；
确定所述处理后车辆停放区域图像与所述区域底板图像的图像差，作为所述车辆停放区域图像对应的车辆停放区域差异图像。
2.根据权利要求1所述的方法，其中，在所述根据所述隐患信息和所述隐患扩散信息，生成实时预演画面之后，所述方法还包括：
在校园隐患监控界面实时展示所述实时预演画面，其中，所述校园隐患监控界面用于展示校园区域对应的实时二维画面；
根据所述隐患类型对应的隐患等级，在所述校园隐患监控界面中、所述目标监控点对应的区域进行高亮闪烁提示。
3.根据权利要求2所述的方法，其中，所述隐患扩散信息包括：隐患初始波及区域和隐患扩散速率；以及
所述方法还包括：
以所述隐患初始波及区域为区域中心，根据所述隐患扩散速率进行扩散区域模拟，以确定一级隐患扩散区域和二级隐患扩散区域，其中，所述一级隐患扩散区域和所述二级隐患扩散区域是在不同时间点下的扩散区域；
分别确定所述隐患初始波及区域、所述一级隐患扩散区域和所述二级隐患扩散区域内的待警示区域，以生成第一待警示区域、第二待警示区域和第三待警示区域，其中，待警示区域是包含有建筑的区域；
分别控制所述第一待警示区域、所述第二待警示区域和所述第三待警示区域内的报警设备发出不同警示等级的提示信息。
4.根据权利要求3所述的方法，其中，所述隐患信息生成模型包括：跳跃式图像特征提取模型、特征叠加层、隐患位置定位模型和全连接层；以及
所述根据得到的车辆停放区域差异图像序列和预先训练的隐患信息生成模型，生成隐患信息，包括：
通过所述跳跃式图像特征提取模型对所述车辆停放区域差异图像序列进行跳跃式图像特征提取，得到图像特征序列；
根据所述特征叠加层和所述图像特征序列，生成叠加后图像特征；
将所述叠加后图像特征输入所述隐患位置定位模型，以生成所述隐患信息包括的隐患位置信息；
将所述叠加后图像特征输入所述全连接层，以生成分类向量，其中，所述分类向量中包括不同隐患类型对应的分类概率；
将所述分类向量中最大的分类概率对应的隐患类型，确定为所述隐患信息包括的隐患类型。
5.根据权利要求4所述的方法，其中，所述跳跃式图像特征提取模型包括：第一卷积层、第二卷积层和残差块集合，所述残差块集合中的残差块串行连接；以及
所述通过所述跳跃式图像特征提取模型对所述车辆停放区域差异图像序列进行跳跃式图像特征提取，得到图像特征序列，包括：
根据车辆停放区域差异图像序列，执行以下特征提取步骤：
将车辆停放区域差异图像序列中第一目标位置的车辆停放区域差异图像，确定为目标车辆停放区域差异图像；
分别通过所述第一卷积层和所述第二卷积层对目标车辆停放区域差异图像进行图像特征提取，以生成第一粗感受野图像特征和第一细感受野图像特征；
确定第一粗感受野图像特征和第二粗感受野图像特征的特征相似度，得到第一特征相似度，其中，第二粗感受野图像特征是所述第一卷积层输出的、第二目标位置的车辆停放区域差异图像对应的粗感受野图像特征，第二目标位置小于第一目标位置；
确定第一细感受野图像特征和第二细感受野图像特征的特征相似度，得到第二特征相似度，其中，第二细感受野图像特征是所述第二卷积层输出的、第二目标位置的车辆停放区域差异图像对应的细感受野图像特征；
对第一特征相似度和第二特征相似度进行加权求和，得到加权后特征相似度；
响应于确定加权后特征相似度小于预设相似度，将第一粗感受野图像特征输入所述残差块集合，生成第一目标位置的车辆停放区域差异图像对应的图像特征；
响应于确定加权后特征相似度大于等于所述预设相似度，将第二目标位置的车辆停放区域差异图像对应的图像特征，确定为第一目标位置的车辆停放区域差异图像对应的图像特征；
响应于确定除第一目标位置的车辆停放区域差异图像后的车辆停放区域差异图像序列为空，结束所述特征提取步骤；
响应于确定除第一目标位置的车辆停放区域差异图像后的车辆停放区域差异图像序列不为空，将除第一目标位置的车辆停放区域差异图像后的车辆停放区域差异图像序列，确定为车辆停放区域差异图像序列，再次执行所述特征提取步骤。
6.根据权利要求5所述的方法，其中，所述根据所述特征叠加层和所述图像特征序列，生成叠加后图像特征，包括：
对所述图像特征序列进行相邻图像特征去重，得到去重后图像特征序列；
通过所述特征叠加层，对所述去重后图像特征序列中的去重后图像特征进行特征叠加，得到所述叠加后图像特征。
7.一种隐患信息生成装置，包括：
获取单元，被配置成获取目标监控点对应的车辆停放区域图像序列；
第一确定单元，被配置成对于所述车辆停放区域图像序列中的每张车辆停放区域图像，确定所述车辆停放区域图像与所述目标监控点对应的区域底板图像的图像差异，得到车辆停放区域差异图像；
第一生成单元，被配置成根据得到的车辆停放区域差异图像序列和预先训练的隐患信息生成模型，生成隐患信息，其中，所述隐患信息包括：隐患位置信息和隐患类型；
第二确定单元，被配置成根据所述车辆停放区域差异图像序列和所述隐患信息，确定隐患扩散信息，其中，所述隐患扩散信息表征隐患的扩散范围；
第二生成单元，被配置成根据所述隐患信息和所述隐患扩散信息，生成实时预演画面，其中，所述确定所述车辆停放区域图像与所述目标监控点对应的区域底板图像的图像差异，得到车辆停放区域差异图像，包括：
对所述车辆停放区域图像进行图像元素识别，以生成第一图像元素信息集合，其中，所述第一图像元素信息集合中的第一图像元素信息包括：图像元素类型、图像元素位置和子图像直方图，其中，子图像直方图是第一图像元素信息对应图像区域的局部图像直方图；
获取第二图像元素信息集合，其中，所述第二图像元素信息集合表征预先进行图像元素识别的、所述区域底板图像包括的至少一个图像元素；
对于所述第一图像元素信息集合中的每个第一图像元素信息，执行以下处理步骤：
确定包括的图像元素位置与所述第一图像元素信息包括的图像元素位置相同的第二图像元素信息，作为目标图像元素信息；
响应于确定所述目标图像元素信息包括的图像元素类型与所述第一图像元素信息的图像元素类型一致，以所述目标图像元素信息包括的子图像直方图为基础直方图，对所述第一图像元素信息包括的子图像直方图进行直方图调整，得到调整后子图像直方图；
响应于确定所述目标图像元素信息包括的图像元素类型与所述第一图像元素信息的图像元素类型不一致，以所述目标图像元素信息包括的图像元素类型对应的标准图像元素直方图为基础直方图，对所述第一图像元素信息包括的子图像直方图进行直方图调整，得到调整后子图像直方图；
根据得到的、包含有调整后子图像直方图第一图像元素信息集合，对所述车辆停放区域图像进行直方图均衡化处理，得到处理后车辆停放区域图像；
确定所述处理后车辆停放区域图像与所述区域底板图像的图像差，作为所述车辆停放区域图像对应的车辆停放区域差异图像。
8.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310714386.1A CN116824348B (zh) | 2023-06-15 | 2023-06-15 | 隐患信息生成方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310714386.1A CN116824348B (zh) | 2023-06-15 | 2023-06-15 | 隐患信息生成方法、装置、电子设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116824348A CN116824348A (zh) | 2023-09-29 |
| CN116824348B true CN116824348B (zh) | 2024-04-30 |
Family
ID=88112028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310714386.1A Active CN116824348B (zh) | 2023-06-15 | 2023-06-15 | 隐患信息生成方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116824348B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150046979A (ko) * | 2013-10-23 | 2015-05-04 | (주) 비앤디 | 차량에서의 위험 발생 통보 장치 및 방법 |
| CN110555447A (zh) * | 2019-09-06 | 2019-12-10 | 深圳市瑞讯云技术有限公司 | 火灾的检测方法、装置及存储介质 |
| CN112966668A (zh) * | 2021-04-06 | 2021-06-15 | 中交三公局第一工程有限公司 | 一种智能消防预警系统 |
| CN114973589A (zh) * | 2022-07-26 | 2022-08-30 | 中关村科学城城市大脑股份有限公司 | 火情信息生成方法、装置、电子设备和计算机可读介质 |
| CN115841487A (zh) * | 2023-02-20 | 2023-03-24 | 深圳金三立视频科技股份有限公司 | 一种沿输电线路的隐患定位方法及终端 |
| CN115842954A (zh) * | 2023-02-15 | 2023-03-24 | 创意信息技术股份有限公司 | 目标区域车辆监控方法、装置、系统及存储介质 |
| CN115861915A (zh) * | 2022-11-02 | 2023-03-28 | 浙江大华技术股份有限公司 | 消防通道监控方法、消防通道监控装置以及存储介质 |
-
2023
- 2023-06-15 CN CN202310714386.1A patent/CN116824348B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150046979A (ko) * | 2013-10-23 | 2015-05-04 | (주) 비앤디 | 차량에서의 위험 발생 통보 장치 및 방법 |
| CN110555447A (zh) * | 2019-09-06 | 2019-12-10 | 深圳市瑞讯云技术有限公司 | 火灾的检测方法、装置及存储介质 |
| CN112966668A (zh) * | 2021-04-06 | 2021-06-15 | 中交三公局第一工程有限公司 | 一种智能消防预警系统 |
| CN114973589A (zh) * | 2022-07-26 | 2022-08-30 | 中关村科学城城市大脑股份有限公司 | 火情信息生成方法、装置、电子设备和计算机可读介质 |
| CN115861915A (zh) * | 2022-11-02 | 2023-03-28 | 浙江大华技术股份有限公司 | 消防通道监控方法、消防通道监控装置以及存储介质 |
| CN115842954A (zh) * | 2023-02-15 | 2023-03-24 | 创意信息技术股份有限公司 | 目标区域车辆监控方法、装置、系统及存储介质 |
| CN115841487A (zh) * | 2023-02-20 | 2023-03-24 | 深圳金三立视频科技股份有限公司 | 一种沿输电线路的隐患定位方法及终端 |
Non-Patent Citations (2)
| Title |
|---|
| Regional monitoring of biomass burning using passive air sampling technique reveals the importance of MODIS unresolved fires;Haoyu Jiang et al;《Environment International》;1-9 * |
| 基于运动特征的林火烟雾图像检测技术研究;郭炜强;《中国优秀硕士学位论文全文数据库（电子期刊）》;第2012卷(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116824348A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112150490B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
| CN115272182B (zh) | 车道线检测方法、装置、电子设备和计算机可读介质 | |
| CN108470179B (zh) | 用于检测对象的方法和装置 | |
| CN115326099A (zh) | 局部路径规划方法、装置、电子设备和计算机可读介质 | |
| CN112330788A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
| CN115346278A (zh) | 图像检测方法、装置、可读介质及电子设备 | |
| CN110866524A (zh) | 车牌检测方法、装置、设备及存储介质 | |
| CN116664849B (zh) | 数据处理方法、装置、电子设备和计算机可读介质 | |
| CN111833459B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN116824348B (zh) | 隐患信息生成方法、装置、电子设备和计算机可读介质 | |
| CN116506741A (zh) | 监控视频去闪烁方法、装置、电子设备和计算机可读介质 | |
| CN115359391A (zh) | 巡视图像检测方法、装置、电子设备和介质 | |
| CN113808134B (zh) | 油罐布局信息生成方法、装置、电子设备、介质 | |
| CN115086541B (zh) | 一种拍摄位置确定方法、装置、设备及介质 | |
| CN112070888B (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
| CN114419298A (zh) | 虚拟物体的生成方法、装置、设备及存储介质 | |
| CN110991312A (zh) | 生成检测信息的方法、装置、电子设备和介质 | |
| CN114359673B (zh) | 基于度量学习的小样本烟雾检测方法、装置和设备 | |
| CN111382696A (zh) | 用于检测目标的边界点的方法和装置 | |
| CN110796144A (zh) | 车牌检测方法、装置、设备及存储介质 | |
| CN117011787B (zh) | 应用于加油站的信息处理方法、装置和电子设备 | |
| CN112668474B (zh) | 平面生成方法和装置、存储介质和电子设备 | |
| CN115841151B (zh) | 模型训练方法、装置、电子设备和计算机可读介质 | |
| CN111368015B (zh) | 用于压缩地图的方法和装置 | |
| CN111815656B (zh) | 视频处理方法、装置、电子设备和计算机可读介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |