CN116977327A - 一种滚筒驱动带式输送机烟雾检测方法及系统 - Google Patents
一种滚筒驱动带式输送机烟雾检测方法及系统 Download PDFInfo
- Publication number
- CN116977327A CN116977327A CN202311181188.XA CN202311181188A CN116977327A CN 116977327 A CN116977327 A CN 116977327A CN 202311181188 A CN202311181188 A CN 202311181188A CN 116977327 A CN116977327 A CN 116977327A
- Authority
- CN
- China
- Prior art keywords
- smoke
- belt conveyor
- roller
- driven belt
- image
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 311
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000009792 diffusion process Methods 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000003517 fume Substances 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 239000003245 coal Substances 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 9
- 239000000428 dust Substances 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002817 coal dust Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- -1 miner lamps Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Control Of Conveyors (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明申请涉及图像处理技术领域,提供一种滚筒驱动带式输送机烟雾检测方法及系统,其中,本发明申请提供的滚筒驱动带式输送机烟雾检测方法,通过先模板匹配,获取滚筒驱动带式输送机的具体位置,在滚筒驱动带式输送机周围对烟雾进行检测,提高了烟雾检测的速度;根据疑似烟雾影响度和各像素点的邻域烟雾特征值自适应确定进行滤波时的窗口大小,在更好的保留了图像中烟雾细节信息的同时,对暗通道图像进行滤波、去噪、提高了烟雾检测的准确性;综合烟雾区域的内部特征和边缘特征,根据烟雾区域内像素点的烟雾特征值和边缘梯度幅值均匀度对烟雾进行检测,进一步提高了烟雾检测的准确性。
Description
技术领域
本发明涉图像处理技术领域,具体为一种滚筒驱动带式输送机烟雾检测方法及系统。
背景技术
带式输送机具有运输能力大、工作阻力小、耗电量低、运输距离长、使用寿命长,且对煤的破碎作用小、噪音低、安全可靠等优点,因此,在煤矿井下得到了广泛使用。在各类输送设备中,滚筒驱动带式输送机具有极其广泛的应用以及不可忽视的坚固地位。随着煤矿开采机械化与自动化水平提高,大型关键装备的安全可靠性和可维护性直接影响煤矿安全,滚筒驱动带式输送机大部分都安装在采区进风流中,一旦发生异常情况,将危及整个矿区和采区人员的生命安全。煤矿带式输送机异常属于外因异常,一般都发生的十分突然,常常出人意料,而且发展迅猛、激烈,如果不能及时发现,往往可能酿成重大异常事故,产生大量有毒有害的高温烟气,对全矿及矿区人员的生命安全造成危害。异常预警可以降低灾害带来的损失,在大多数情况下,异常情况中最先出现扩散的是烟雾而非明火,相比于明火,在空间与时间上具有快速扩散特性的烟雾更容易出现在视频监控的范围内,更容易被捕捉到。
因此,能否在异常情况初期及时地检测到烟雾,并准确地发出预警,使井下人员有充足的时间采取措施,避免更大的人员伤亡和财产损失,具有至关重要的意义。
发明内容
为解决上述问题,本发明提出一种滚筒驱动带式输送机烟雾检测方法,该方法包括:
通过防爆相机采集滚筒驱动带式输送机图像,并对采集到的滚筒驱动带式输送机图像进行预处理;
根据预处理后的滚筒驱动带式输送机图像计算各像素点的邻域烟雾特征值,获得烟雾特征图像;根据烟雾特征图像构建烟雾特征区域矩阵,计算烟雾特征图像的疑似烟雾影响度;
获取预处理后的滚筒驱动带式输送机图像中各像素点的暗通道值,进行滤波后获得暗通道图像并进行滤波;通过Canny算法获取滤波后的暗通道图像的边缘,计算各闭合边缘的边缘梯度幅值均匀度,判断该闭合边缘是否为烟雾区域;根据各烟雾区域内像素点的邻域烟雾特征值和边缘梯度幅值均匀度计算烟雾扩散影响度,根据烟雾扩散影响度判断滚筒驱动带式输送机的烟雾情况。
进一步地,对采集到的滚筒驱动带式输送机图像进行预处理包括:将所采集图像与标准的滚筒驱动带式输送机图像进行模板匹配,获取滚筒驱动带式输送机在采集图像中的具体位置,并以滚筒驱动带式输送机的中心位置为烟雾窗口的中心点,以滚筒驱动带式输送机长度的1.5倍为烟雾窗口的长度,以滚筒驱动带式输送机宽度的3倍为烟雾窗口的宽度,采用Retinex理论对获取的滚筒驱动带式输送机局部图像进行增强,获取滚筒驱动带式输送机局部图像作为预处理后的滚筒驱动带式输送机图像。
进一步地,对各像素点的暗通道值进行滤波时的滤波窗口大小的获取方法,包括:
根据像素点x的邻域烟雾特征值、烟雾特征图像的烟雾影响度以及预处理后的滚筒驱动带式输送机图像的尺寸确定像素点x滤波窗口的窗口大小,像素点x滤波窗口的窗口大小/>的计算公式如下:
其中,为滚筒驱动带式输送机局部图像的长度,/>为滚筒驱动带式输送机局部图像的宽度,/>为滚筒驱动带式输送机局部图像对角线长度,/>为滤波窗口的初始大小,为烟雾特征图像的疑似烟雾影响度,/>为像素点x的邻域烟雾特征值。
进一步地,像素点的邻域烟雾特征值的计算如下:
其中,为像素点x的邻域梯度幅值均匀度,/>为像素点x的邻域梯度方向分布复杂度。
进一步地,像素点的邻域烟雾特征值的计算如下:
其中,为像素点x的邻域梯度幅值均匀度,/>为像素点x的邻域梯度方向分布复杂度。
进一步地,邻域梯度幅值均匀度的计算方法包括:将预处理的滚筒驱动带式输送机图像中的每个像素点作为中心像素点,在其邻域窗口内计算其梯度幅值均匀度,邻域窗口的大小为a×a,记像素点x的梯度幅值为,其邻域窗口中第i个像素点的梯度幅值为/>,像素点x的邻域梯度幅值均匀度/>的计算公式如下:
其中,为像素点x邻域窗口内的梯度幅值最大值,/>为像素点x邻域窗口内的梯度幅值最小值。
进一步地,各像素点邻域窗口内梯度方向的复杂度的获取方法包括:将0-180度平均划分为个方向,然后将邻域窗口内各像素点的梯度方向进行加权投票统计,获得像素点的边缘梯度方向直方图/>,并归一化为/>,像素点x的邻域梯度方向分布复杂度的计算公式如下:
其中,表示邻域窗口内各像素点的梯度方向与第i个方向基本一致的频率。
进一步地,烟雾特征图像的疑似烟雾影响度的获取方法,包括:
将邻域烟雾特征值平均划分为N个烟雾特征阶数,其中每个烟雾特征阶数中特征值的个数为M,矩阵元素代表烟雾特征阶数为i、大小为j的连通域的出现次数,将其进行归一化得到最终频率形式的烟雾特征区域大小矩阵;并根据如下公式计算烟雾特征图像的疑似烟雾影响度/>:
。
进一步地,判断该闭合边缘是否为烟雾区域的方法包括:
根据烟雾区域边缘梯度幅值的分布特点,确定烟雾疑似区域,a边缘像素点的梯度幅值最大为,最小为/>,对暗通道图像的各闭合边缘计算其边缘梯度幅值均匀度为边缘梯度幅值之差最大值与梯度幅值方差的乘积,即/>,根据烟雾疑似区域的边缘梯度幅值均匀度/>与预设阈值/>的大小关系确定烟雾区域二值判断数/>:
其中,当烟雾区域二值判断数为1时,则表示该闭合边缘区域为烟雾区域;当烟雾区域二值判断数为0时,则表示该闭合边缘区域不是烟雾区域。
进一步地,烟雾扩散影响度的获取方法包括:滚筒驱动带式输送机的烟雾扩散影响度的计算公式如下:
其中,为烟雾疑似区域的烟雾区域二值判断数;/>为烟雾疑似区域的边缘梯度幅值均匀度;/>为烟雾疑似区域内的像素点个数,/>为烟雾疑似区域内的像素点的邻域烟雾特征值,/>为烟雾疑似区域内各像素点的邻域烟雾特征值之和。
在另一方面,本申请提供一种滚筒驱动带式输送机烟雾检测系统,其采用如上任一项所述的滚筒驱动带式输送机烟雾检测方法对滚筒驱动带式输送机进行烟雾检测。
本发明的有益效果在于:
滚筒驱动带式输送机常用于煤矿井下,因此对其进行烟雾检测时,需要将烟雾区域与灰尘等相似事物区分,且烟雾的边缘不明显,难以直接获取其边缘信息,对其进行分割,获取烟雾区域的特征。由于像素点的暗通道值反映了该像素点受到灰尘、烟雾等影响的程度大小,因此可以通过获取像素点的暗通道值,获取暗通道图像,减少其他相似物的影响,对暗通道图像进行最小值滤波时,滤波窗口越大,丢失的细节信息就越多,容易将滚筒驱动带式输送机局部图像的边缘模糊;滤波窗口越小,图像的细节信息保留的越多。通过各像素点邻域窗口内的烟雾特征,确定滤波窗口的大小,可以达到更好的烟雾检测效果。烟雾区域内部,由于流动的连续性,从烟雾源头到烟雾扩散方向的边界处,烟雾浓度是逐渐降低的,其暗通道值逐渐减小,各像素点的梯度分布往往是均匀的,幅值大小大致相同,像素点的梯度方向往往与烟雾扩散方向相同,因此,可以通过各像素点的邻域梯度幅值分布均匀度、邻域梯度方向分布复杂度,得到各像素点的邻域烟雾特征值,获得烟雾特征图像,然后根据烟雾特征图像构建烟雾特征区域大小矩阵,计算疑似烟雾影响度,根据整幅图像的疑似烟雾影响度以及各像素点的邻域烟雾特征值确定滤波窗口的大小,在保留烟雾细节信息的同时对暗通道图像进行滤波。烟雾区域由于扩散的随机性,受到烟雾颗粒的运动轨迹、气流强度和滞留时间等影响,其边缘形状是不规则的。并且,在烟雾源头处,烟雾浓度最高,背景区域被遮挡程度最大,梯度幅值最大;在烟雾扩散方向的边界处,烟雾浓度最低,背景区域被遮挡程度最小,烟雾边界处与背景区域像素值基本相同,梯度幅值最小,因此烟雾区域边缘像素点的梯度幅值是不均匀的,可以将闭合边缘的边缘梯度幅值均匀度,作为烟雾区域的判断标准,将其他与烟雾相似的区域,比如矿灯、灰尘、带式输送机的滚筒等,与烟雾进行区分。综合各烟雾区域内像素点的烟雾特征值和边缘梯度幅值均匀度计算滚筒驱动带式输送机的烟雾扩散影响度,进而实现对滚筒驱动带式输送机周围烟雾的检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种滚筒驱动带式输送机烟雾检测方法示意图;
图2为本发明实施例的应用场景示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供一种滚筒驱动带式输送机烟雾检测方法,该方法包括如下步骤:
步骤一:通过防爆相机采集滚筒驱动带式输送机图像,并对采集到的滚筒驱动带式输送机图像进行预处理;
具体地,对采集到的滚筒驱动带式输送机图像进行预处理包括:将所采集图像与标准的滚筒驱动带式输送机图像进行模板匹配,获取滚筒驱动带式输送机在采集图像中的具体位置,并以滚筒驱动带式输送机的中心位置为烟雾窗口的中心点,以滚筒驱动带式输送机长度的1.5倍为烟雾窗口的长度,以滚筒驱动带式输送机宽度的3倍为烟雾窗口的宽度,采用Retinex理论对获取的滚筒驱动带式输送机局部图像进行增强,获取滚筒驱动带式输送机局部图像作为预处理后的滚筒驱动带式输送机图像。
本发明需要对滚筒驱动带式输送机图像中的烟雾进行检测,需要先使用防爆相机采集图像。如图2所示,由于滚筒驱动带式输送机常用于煤矿井下,在煤矿井下存在瓦斯、煤尘等具有易燃易爆的气体和物质,井下设备在正常运行或者是有故障时会产生电火花、电弧、热表面和灼热颗粒等,它们都具有热能量,可能成为点燃矿井瓦斯、煤尘的点火源和热源的因素,普通的照相机没有经过防爆技术的改进,有可能会跟井下的可燃气体产生火花,防爆相机可以在煤矿危险场所使用,主要用于煤矿灾害事故勘察取证和日常地质编录,井下记录生产安全情况、机电设备运行状态、顶板支护情况和地质特征等,因此可以利用防爆相机采集滚筒驱动带式输送机图像。
为了缩小检测范围,减少计算量,可以从防爆相机采集滚筒驱动带式输送机图像截取一定区域的图像作为待分析的图像,具体地,首先将所采集图像与标准的滚筒驱动带式输送机图像进行模板匹配,获取滚筒驱动带式输送机的具体位置,并以滚筒驱动带式输送机的中心位置为烟雾窗口的中心点,以滚筒驱动带式输送机长度的1.5倍为烟雾窗口的长度,以滚筒驱动带式输送机宽度的3倍为烟雾窗口的宽度,获取滚筒驱动带式输送机局部图像。在目标窗口内对滚筒驱动带式输送机周围的烟雾进行分析。由于煤矿井下光照不均匀,为了提高滚筒驱动带式输送机图像中的烟雾检测率,降低误检率,还需要对滚筒驱动带式输送机图像进行预处理,例如使用Retinex理论对图像进行增强,使得烟雾检测的可靠性得到提升。
步骤二:根据预处理后的滚筒驱动带式输送机图像计算各像素点的邻域烟雾特征值,获得烟雾特征图像;根据烟雾特征图像构建烟雾特征区域矩阵,计算烟雾特征图像的疑似烟雾影响度;
步骤三:获取预处理后的滚筒驱动带式输送机图像中各像素点的暗通道值,进行滤波后获得暗通道图像并进行滤波;通过Canny算法获取滤波后的暗通道图像的边缘,计算各闭合边缘的边缘梯度幅值均匀度,判断该闭合边缘是否为烟雾区域;
具体地,由于烟雾是逐渐弥漫的,其边缘比较模糊,使用Canny算法直接获取其边缘可能会导致边缘检测错误,因此可以先获取各个像素点的暗通道值,获得暗通道图像,并对暗通道图像进行滤波处理,滤波窗口的大小由疑似烟雾影响度和各个像素点的邻域烟雾特征值决定,然后对暗通道图像使用canny算子获取其边缘,根据各闭合边缘的烟雾区域特征值判断其是否为烟雾区域,进而实现对滚筒驱动带式输送机的烟雾检测。
一个像素点的暗通道值反映了该像素点受到灰尘、烟雾等影响的程度大小。因此,可以使用暗通道先验理论获取各像素点的暗通道值,得到暗通道图像。再对暗通道图像进行最小值滤波,滤波窗口越大,丢失的细节信息就越多,容易将滚筒驱动带式输送机局部图像的边缘模糊;滤波窗口越小,图像的细节信息保留的越多。通过各像素点邻域窗口内的烟雾特征,确定滤波窗口的大小,可以达到更好的烟雾检测效果。
当邻域烟雾特征值越大时,为了保留更多的烟雾细节信息,应该缩小滤波的窗口,使用暗通道先验理论根据滚筒驱动带式输送机局部图像获取暗通道图像后,对暗通道图像进行滤波时,像素点x滤波窗口的窗口大小由该像素点的邻域烟雾特征值、烟雾特征图像的烟雾影响度以及滚筒驱动带式输送机局部图像的尺寸确定。假设滚筒驱动带式输送机局部图像的长度为/>,宽度为/>,则像素点x滤波窗口的窗口大小/>可以表示如下:
其中,为滚筒驱动带式输送机局部图像对角线长度的/>,代表滤波窗口的初始大小,/>的值优选为10,值越大,则滤波窗口越小;/>为烟雾特征图像的疑似烟雾影响度,疑似烟雾影响度越大时,说明图像中各像素点受到烟雾的影响程度越高,为了保留更多的烟雾细节信息,滤波窗口应该越小;/>为像素点x的邻域烟雾特征值,邻域烟雾特征值越大时,说明该像素点越可能处于烟雾区域,为了保留更多的烟雾细节信息,滤波窗口应该越小。
由于发生异常情况时,烟雾的流动方向通常是火势蔓延的主要方向,而烟雾的流动呈现水平流动和垂直流动,且两种流动往往是同时进行的,使用Sobel水平算法和垂直算法与滚筒驱动带式输送机局部图像卷积,获得滚筒驱动带式输送机局部图像中每个像素点的梯度幅值和方向。
由于烟雾具有半透明性,在同一背景下,当烟雾浓度越高时会使背景变得更加模糊。根据烟雾的流动特征,从烟雾源头到烟雾扩散方向的边界处,烟雾浓度是逐渐降低的,其暗通道值逐渐减小,各像素点的梯度分布往往是均匀的,幅值大小大致相同。
将滚筒驱动带式输送机局部图像中的每个像素点作为中心像素点,在其邻域窗口内计算其梯度幅值均匀度,邻域窗口的大小为a×a,经验取值为13×13,假设像素点x的梯度幅值为,其邻域窗口中第i个像素点的梯度幅值为/>,各像素点的梯度幅值最大为/>,最小为/>,则像素点x的邻域梯度幅值均匀度/>可以表示如下:
式中,为像素点x邻域窗口内的梯度幅值最大值,/>为像素点x邻域窗口内的梯度幅值最小值,两者差值越大时,邻域窗口内像素点的梯度幅值变化程度越大,邻域梯度幅值均匀度越低;/>为第i个像素点与中心像素点x之间的梯度幅值之差,差值越小,邻域梯度幅值均匀度越高。
由于烟雾区域内部像素点的梯度方向往往与烟雾扩散方向相同,因此,可以通过各像素点邻域窗口内梯度方向的复杂度来判断该像素点是否处于烟雾区域,为了方便计算,减少计算量,将0-180度平均划分为个方向,/>经验取值为9,即方向分别为0、20、40、60……160,然后将邻域窗口内各像素点的梯度方向进行加权投票统计,获得像素点的邻域梯度方向直方图/>,并归一化为/>,即由/>个数值组成的向量,向量元素/>表示中心像素点邻域窗口内各像素点的梯度方向与第i个方向基本一致的频率。则像素点x的邻域梯度方向分布复杂度/>可以表示如下:
其中,表示邻域窗口内各像素点的梯度方向与第i个方向基本一致的频率,当中心像素点邻域窗口内各像素点的梯度方向越多时,该像素点的邻域梯度方向分布复杂度越大;当中心像素点邻域窗口内各像素点的梯度方向越单一时,该像素点的邻域梯度方向分布复杂度越小。
由于烟雾流动的连续性,从烟雾源头到烟雾扩散方向的边界处,烟雾浓度是逐渐降低的,各像素点的梯度分布往往是均匀的,且烟雾是由于火源产生的,梯度方向往往与烟雾扩散方向一致,综合邻域梯度幅值均匀度和邻域梯度方向分布复杂度,则得到像素点x的邻域烟雾特征值可以表示如下:
上式中,为像素点x的邻域梯度幅值均匀度,当邻域梯度幅值均匀度越高,即中心像素点邻域窗口内的梯度幅值分布越均匀时,说明其所处区域像素值的渐变程度越具有规律,越可能处于烟雾区域,邻域烟雾特征值越大;/>为像素点x的邻域梯度方向分布复杂度,当邻域梯度方向分布复杂度越低,梯度方向的分布越统一时,越可能处于烟雾区域,邻域烟雾特征值越大。
对滚筒驱动带式输送机局部图像中的每个像素点,按照上述方法计算其邻域烟雾特征值,得到烟雾特征图像,根据烟雾特征图像构建烟雾特征区域大小矩阵,计算其烟雾影响度。为了方便计算,减少计算量,将邻域烟雾特征值平均划分为N个烟雾特征阶数,N经验取值为10,矩阵的大小为M×N,M为烟雾特征阶数的个数,N为连通域大小的最大值,矩阵元素/>代表烟雾特征阶数为i,大小为j的连通域的出现次数,将其进行归一化得到最终频率形式的烟雾特征区域大小矩阵。则烟雾特征图像的疑似烟雾影响度/>可以表示如下:
上式中的代表乘积,/>代表烟雾特征阶数为i,大小为j的连通域出现的频率,/>越大,代表该连通区域出现的次数越多,说明疑似烟雾的影响范围越广;i代表烟雾特征阶数,值越大,说明该连通区域越可能为烟雾区域,疑似烟雾影响度越大;j代表连通区域的大小,值越大,说明该连通区域的覆盖范围越大,疑似烟雾的影响范围越大。对于烟雾特征图像中烟雾特征阶数较大、区域面积较大,出现次数越多的连通区域,其受到烟雾的影响程度较大,给予更大的权重。
烟雾是按区域分布的,对滤波之后的暗通道图像,使用canny算子获取其边缘信息。由于烟雾具有半透明性,在同一背景下,当烟雾浓度越高时会使背景变得更加模糊。根据烟雾的流动特征,在烟雾源头处,烟雾浓度最高,背景区域被遮挡程度最大,梯度幅值最大;在烟雾扩散方向的边界处,烟雾浓度最低,背景区域被遮挡程度最小,烟雾边界处与背景区域像素值基本相同,梯度幅值最小,因此烟雾区域边缘像素点的梯度幅值的差值反映了烟雾的扩散速度。
由于像素点的暗通道值反映了该像素点受到灰尘、烟雾等影响的程度大小,且烟雾是按区域分布的,因此,暗通道图像各闭合边缘区域可以初步判断为烟雾疑似区域,a边缘像素点的梯度幅值最大为,最小为/>,对暗通道图像的各闭合边缘计算其边缘梯度幅值均匀度为边缘梯度幅值之差最大值与梯度幅值方差的乘积,即,当边缘梯度幅值均匀度小于或等于阈值/>时,则为烟雾区域,边缘梯度幅值均匀度反映了其烟雾扩散速度。第/>个烟雾疑似区域的烟雾区域二值判断数/>可以表示如下:
当烟雾区域二值判断数为1时,则表示该闭合边缘区域为烟雾区域;当烟雾区域二值判断数为0时,则表示该闭合边缘区域不是烟雾区域。其中阈值的值优选为10。
步骤四:根据各烟雾区域内像素点的邻域烟雾特征值和边缘梯度幅值均匀度计算烟雾扩散影响度,根据烟雾扩散影响度判断滚筒驱动带式输送机的烟雾情况。
具体地,从烟雾源头到烟雾扩散方向的边界处,烟雾浓度是逐渐降低的,其暗通道值逐渐减小,各像素点的梯度分布往往是均匀的,幅值大小大致相同,且方向与烟雾扩散方向一致,梯度方向分布复杂度较低,根据各像素点的邻域梯度幅值均匀度和邻域梯度方向分布复杂度得到其邻域烟雾特征值,反映了各像素点受烟雾影响的程度,而边缘梯度幅值均匀度反映了烟雾的扩散速度。假设第个烟雾疑似区域内共有/>个像素点,第j个像素点的邻域烟雾特征值为/>,综合各烟雾区域内像素点的烟雾特征值和边缘梯度幅值均匀度,则滚筒驱动带式输送机的烟雾扩散影响度/>可以表示如下:
其中,为第/>个烟雾疑似区域的烟雾区域二值判断数,当为1时,则表示该区域为烟雾区域;/>为第k个烟雾疑似区域的边缘梯度幅值均匀度,反映了烟雾的扩散速度,扩散速度越快,则烟雾扩散影响度越高;/>为第k个烟雾疑似区域内各像素点的邻域烟雾特征值之和,烟雾特征值越大,烟雾扩散影响度越高,发生异常情况的可能性也就越高。通过本申请实施例提供的滚筒驱动带式输送机烟雾检测方法,能够准确地检测到烟雾的情况,在异常情况将要发生时提前获得预警,能够有效降低异常情况发生的危害。
本发明申请提供的滚筒驱动带式输送机烟雾检测其中方法,通过先模板匹配,获取滚筒驱动带式输送机的具体位置,在滚筒驱动带式输送机周围对烟雾进行检测,提高了烟雾检测的速度;根据疑似烟雾影响度和各像素点的邻域烟雾特征值自适应确定进行滤波时的窗口大小,在更好的保留了图像中烟雾细节信息的同时,对暗通道图像进行滤波、去噪、提高了烟雾检测的准确性;综合烟雾区域的内部特征和边缘特征,根据烟雾区域内像素点的烟雾特征值和边缘梯度幅值均匀度对烟雾进行检测,进一步提高了烟雾检测的准确性。
在另一方面,本申请还提供一种滚筒驱动带式输送机烟雾检测系统,其采用如上任一项所述的滚筒驱动带式输送机烟雾检测方法对滚筒驱动带式输送机进行烟雾检测。具体地,滚筒驱动带式输送机烟雾检测系统还包括用于获取滚筒驱动带式输送机所在区域图像的防爆相机,用于执行如上任一项所述的滚筒驱动带式输送机烟雾检测方法的数据处理模块,以及根据烟雾检测结果像工作人员反馈相关信息的报警模块。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种滚筒驱动带式输送机烟雾检测方法,其特征在于:包括:
通过防爆相机采集滚筒驱动带式输送机图像,并对采集到的滚筒驱动带式输送机图像进行预处理;
根据预处理后的滚筒驱动带式输送机图像计算各像素点的邻域烟雾特征值,获得烟雾特征图像;根据烟雾特征图像构建烟雾特征区域矩阵,计算烟雾特征图像的疑似烟雾影响度;
获取预处理后的滚筒驱动带式输送机图像中各像素点的暗通道值,获得暗通道图像并进行滤波;通过Canny算法获取滤波后的暗通道图像的边缘,计算各闭合边缘的边缘梯度幅值均匀度,判断该闭合边缘是否为烟雾区域;
根据各烟雾区域内像素点的邻域烟雾特征值和边缘梯度幅值均匀度计算烟雾扩散影响度,根据烟雾扩散影响度判断滚筒驱动带式输送机的烟雾情况。
2.根据权利要求1的滚筒驱动带式输送机烟雾检测方法,其特征在于:对采集到的滚筒驱动带式输送机图像进行预处理包括:将所采集图像与标准的滚筒驱动带式输送机图像进行模板匹配,获取滚筒驱动带式输送机在采集图像中的具体位置,并以滚筒驱动带式输送机的中心位置为烟雾窗口的中心点,以滚筒驱动带式输送机长度的1.5倍为烟雾窗口的长度,以滚筒驱动带式输送机宽度的3倍为烟雾窗口的宽度,采用Retinex理论对获取的滚筒驱动带式输送机局部图像进行增强,获取滚筒驱动带式输送机局部图像作为预处理后的滚筒驱动带式输送机图像。
3.根据权利要求2的滚筒驱动带式输送机烟雾检测方法,其特征在于:对暗通道值进行滤波时的滤波窗口大小的获取方法,包括:根据像素点x的邻域烟雾特征值、烟雾特征图像的烟雾影响度以及预处理后的滚筒驱动带式输送机图像的尺寸确定像素点x滤波窗口的窗口大小,像素点x滤波窗口的窗口大小/>的计算公式如下:
其中,为滚筒驱动带式输送机局部图像的长度,/>为滚筒驱动带式输送机局部图像的宽度,/>为滚筒驱动带式输送机局部图像对角线长度,/>为滤波窗口的初始大小,/>为烟雾特征图像的疑似烟雾影响度,/>为像素点x的邻域烟雾特征值。
4.根据权利要求3的滚筒驱动带式输送机烟雾检测方法,其特征在于:像素点的邻域烟雾特征值的计算如下:
其中,为像素点x的邻域梯度幅值均匀度,/>为像素点x的邻域梯度方向分布复杂度。
5.根据权利要求4的滚筒驱动带式输送机烟雾检测方法,其特征在于:邻域梯度幅值均匀度的计算方法包括:将预处理的滚筒驱动带式输送机图像中的每个像素点作为中心像素点,在其邻域窗口内计算其梯度幅值均匀度,邻域窗口的大小为a×a,记像素点x的梯度幅值为,其邻域窗口中第i个像素点的梯度幅值为/>,像素点x的邻域梯度幅值均匀度/>的计算公式如下:
其中,为像素点x邻域窗口内的梯度幅值最大值,/>为像素点x邻域窗口内的梯度幅值最小值。
6.根据权利要求5的滚筒驱动带式输送机烟雾检测方法,其特征在于:各像素点邻域窗口内梯度方向的复杂度的获取方法包括:将0-180度平均划分为个方向,然后将邻域窗口内各像素点的梯度方向进行加权投票统计,获得像素点的边缘梯度方向直方图/>,并归一化为/>,像素点x的邻域梯度方向分布复杂度/>的计算公式如下:
其中,表示邻域窗口内各像素点的梯度方向与第i个方向基本一致的频率。
7.根据权利要求6的滚筒驱动带式输送机烟雾检测方法,其特征在于:烟雾特征图像的疑似烟雾影响度的获取方法,包括:
将邻域烟雾特征值平均划分为N个烟雾特征阶数,其中每个烟雾特征阶数中特征值的个数为M,矩阵元素代表烟雾特征阶数为i、大小为j的连通域的出现次数,将其进行归一化得到最终频率形式的烟雾特征区域大小矩阵;并根据如下公式计算烟雾特征图像的疑似烟雾影响度/>:
。
8.根据权利要求7的滚筒驱动带式输送机烟雾检测方法,其特征在于:判断该闭合边缘是否为烟雾区域的方法包括:
根据烟雾区域边缘梯度幅值的分布特点,确定烟雾疑似区域,a边缘像素点的梯度幅值最大为,最小为/>,对暗通道图像的各闭合边缘计算其边缘梯度幅值均匀度为边缘梯度幅值之差最大值与梯度幅值方差的乘积,即/>,根据烟雾疑似区域的边缘梯度幅值均匀度/>与预设阈值/>的大小关系确定烟雾区域二值判断数/>:
其中,当烟雾区域二值判断数为1时,则表示该闭合边缘区域为烟雾区域;当烟雾区域二值判断数为0时,则表示该闭合边缘区域不是烟雾区域。
9.根据权利要求8的滚筒驱动带式输送机烟雾检测方法,其特征在于:烟雾扩散影响度的获取方法包括:滚筒驱动带式输送机的烟雾扩散影响度的计算公式如下:
其中,为烟雾疑似区域的烟雾区域二值判断数;/>为烟雾疑似区域的边缘梯度幅值均匀度;/>为烟雾疑似区域内的像素点个数,/>为烟雾疑似区域内的像素点的邻域烟雾特征值,/>为烟雾疑似区域内各像素点的邻域烟雾特征值之和。
10.一种滚筒驱动带式输送机烟雾检测系统,其特征在于:其采用如权利要求1-9任一项所述的滚筒驱动带式输送机烟雾检测方法对滚筒驱动带式输送机进行烟雾检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311181188.XA CN116977327B (zh) | 2023-09-14 | 2023-09-14 | 一种滚筒驱动带式输送机烟雾检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311181188.XA CN116977327B (zh) | 2023-09-14 | 2023-09-14 | 一种滚筒驱动带式输送机烟雾检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116977327A true CN116977327A (zh) | 2023-10-31 |
CN116977327B CN116977327B (zh) | 2023-12-15 |
Family
ID=88478178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311181188.XA Active CN116977327B (zh) | 2023-09-14 | 2023-09-14 | 一种滚筒驱动带式输送机烟雾检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977327B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101084719B1 (ko) * | 2010-06-25 | 2011-11-22 | (주)퓨처아이스 | 영상 처리와 지능 연산을 이용한 지능형 연기 검출 시스템 |
KR101869442B1 (ko) * | 2017-11-22 | 2018-06-20 | 공주대학교 산학협력단 | 화재 감지 장치 및 방법 |
CN108648409A (zh) * | 2018-04-28 | 2018-10-12 | 北京环境特性研究所 | 一种烟雾检测方法及装置 |
CN109165577A (zh) * | 2018-08-07 | 2019-01-08 | 东北大学 | 一种基于视频图像的早期森林火灾检测方法 |
CN110135374A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 采用图像块特征识别与回归分类的火灾烟雾检测方法 |
CN110516609A (zh) * | 2019-08-28 | 2019-11-29 | 南京邮电大学 | 一种基于图像多特征融合的火灾视频检测及预警方法 |
US20190371155A1 (en) * | 2018-05-31 | 2019-12-05 | Carrier Corporation | Fire type detection and notification |
CN111553214A (zh) * | 2020-04-20 | 2020-08-18 | 哈尔滨工程大学 | 一种驾驶员吸烟行为检测方法及系统 |
CN112258403A (zh) * | 2020-10-09 | 2021-01-22 | 哈尔滨理工大学 | 一种在动态烟雾中提取疑似烟雾区域的方法 |
US20210049744A1 (en) * | 2018-04-26 | 2021-02-18 | Chang'an University | Method for image dehazing based on adaptively improved linear global atmospheric light of dark channel |
CN112435184A (zh) * | 2020-11-18 | 2021-03-02 | 西安理工大学 | 一种基于Retinex和四元数的雾霾天图像识别方法 |
CN113537099A (zh) * | 2021-07-21 | 2021-10-22 | 招商局重庆交通科研设计院有限公司 | 一种公路隧道火灾烟雾动态检测方法 |
CN115496693A (zh) * | 2022-11-17 | 2022-12-20 | 南通鼎勇机械有限公司 | 基于暗通道算法的烧结火焰图像去烟雾方法 |
CN115564710A (zh) * | 2022-08-31 | 2023-01-03 | 清远蓄能发电有限公司 | 基于lk光流法的火灾烟雾检测方法、装置及存储介质 |
CN115937237A (zh) * | 2022-12-28 | 2023-04-07 | 南昌师范学院 | 一种基于边缘变换域的局部特征提取方法 |
CN116229359A (zh) * | 2023-02-13 | 2023-06-06 | 杭电(丽水)研究院有限公司 | 一种基于改进经典光流法模型的烟雾识别方法 |
CN116311079A (zh) * | 2023-05-12 | 2023-06-23 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的民用安防工程监测方法 |
CN116563591A (zh) * | 2022-01-28 | 2023-08-08 | 北京华航无线电测量研究所 | 一种基于特征提取的海天背景下的光学烟雾检测方法 |
CN116563659A (zh) * | 2022-01-28 | 2023-08-08 | 北京华航无线电测量研究所 | 一种结合先验知识和特征分类的光学烟雾检测方法 |
-
2023
- 2023-09-14 CN CN202311181188.XA patent/CN116977327B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101084719B1 (ko) * | 2010-06-25 | 2011-11-22 | (주)퓨처아이스 | 영상 처리와 지능 연산을 이용한 지능형 연기 검출 시스템 |
KR101869442B1 (ko) * | 2017-11-22 | 2018-06-20 | 공주대학교 산학협력단 | 화재 감지 장치 및 방법 |
US20210049744A1 (en) * | 2018-04-26 | 2021-02-18 | Chang'an University | Method for image dehazing based on adaptively improved linear global atmospheric light of dark channel |
CN108648409A (zh) * | 2018-04-28 | 2018-10-12 | 北京环境特性研究所 | 一种烟雾检测方法及装置 |
US20190371155A1 (en) * | 2018-05-31 | 2019-12-05 | Carrier Corporation | Fire type detection and notification |
CN109165577A (zh) * | 2018-08-07 | 2019-01-08 | 东北大学 | 一种基于视频图像的早期森林火灾检测方法 |
CN110135374A (zh) * | 2019-05-21 | 2019-08-16 | 吉林大学 | 采用图像块特征识别与回归分类的火灾烟雾检测方法 |
CN110516609A (zh) * | 2019-08-28 | 2019-11-29 | 南京邮电大学 | 一种基于图像多特征融合的火灾视频检测及预警方法 |
CN111553214A (zh) * | 2020-04-20 | 2020-08-18 | 哈尔滨工程大学 | 一种驾驶员吸烟行为检测方法及系统 |
CN112258403A (zh) * | 2020-10-09 | 2021-01-22 | 哈尔滨理工大学 | 一种在动态烟雾中提取疑似烟雾区域的方法 |
CN112435184A (zh) * | 2020-11-18 | 2021-03-02 | 西安理工大学 | 一种基于Retinex和四元数的雾霾天图像识别方法 |
CN113537099A (zh) * | 2021-07-21 | 2021-10-22 | 招商局重庆交通科研设计院有限公司 | 一种公路隧道火灾烟雾动态检测方法 |
CN116563591A (zh) * | 2022-01-28 | 2023-08-08 | 北京华航无线电测量研究所 | 一种基于特征提取的海天背景下的光学烟雾检测方法 |
CN116563659A (zh) * | 2022-01-28 | 2023-08-08 | 北京华航无线电测量研究所 | 一种结合先验知识和特征分类的光学烟雾检测方法 |
CN115564710A (zh) * | 2022-08-31 | 2023-01-03 | 清远蓄能发电有限公司 | 基于lk光流法的火灾烟雾检测方法、装置及存储介质 |
CN115496693A (zh) * | 2022-11-17 | 2022-12-20 | 南通鼎勇机械有限公司 | 基于暗通道算法的烧结火焰图像去烟雾方法 |
CN115937237A (zh) * | 2022-12-28 | 2023-04-07 | 南昌师范学院 | 一种基于边缘变换域的局部特征提取方法 |
CN116229359A (zh) * | 2023-02-13 | 2023-06-06 | 杭电(丽水)研究院有限公司 | 一种基于改进经典光流法模型的烟雾识别方法 |
CN116311079A (zh) * | 2023-05-12 | 2023-06-23 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的民用安防工程监测方法 |
Non-Patent Citations (4)
Title |
---|
JINKYU RYU等: "A Study on a Complex Flame and Smoke Detection Method Using Computer Vision Detection and Convolutional Neural Network", 《FIRE》, vol. 5, no. 4, pages 1 - 12 * |
TAANYA GUPTA等: "Early Wildfire Smoke Detection in Videos", 《2020 25TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》, pages 8523 - 8530 * |
周伍雄: "基于语义分割区域光流增强的烟雾识别算法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, vol. 2023, no. 1, pages 043 - 75 * |
白宝军: "基于图像增强与多特征的煤矿井下火灾烟雾检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, vol. 2022, no. 1, pages 021 - 318 * |
Also Published As
Publication number | Publication date |
---|---|
CN116977327B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100851601B1 (ko) | 화재 발생 감시 방법 및 시스템 | |
CN102708647B (zh) | 图像和多波段红外紫外复合型火灾探测方法 | |
CN110015553B (zh) | 基于视频分析的运输皮带系统异物检测保护方法 | |
CN104533525B (zh) | 基于图像的煤矿掘进工作面煤与瓦斯突出报警方法 | |
JP4729610B2 (ja) | 煙検出装置 | |
CN116781430B (zh) | 用于燃气管网的网络信息安全系统及其方法 | |
CN113283344A (zh) | 一种基于语义分割网络的矿用输送带跑偏检测方法 | |
CN104853151A (zh) | 一种基于视频图像的大空间火灾监测系统 | |
CN103324910A (zh) | 一种基于视频检测的火灾报警方法 | |
US8655010B2 (en) | Video-based system and method for fire detection | |
CN111401685B (zh) | 有限空间作业安全风险监控方法 | |
CN110211107A (zh) | 一种基于双波段红外图像的矿用胶带损伤检测方法 | |
CN116977327B (zh) | 一种滚筒驱动带式输送机烟雾检测方法及系统 | |
CN110424960A (zh) | 一种用于采煤机割煤作业安全的报警方法及设备 | |
Qiao et al. | Research on visible light and infrared vision real‐time detection system for conveyor belt longitudinal tear | |
CN101984451B (zh) | 基于视频的遮挡火焰检测方法及装置 | |
CN104533526A (zh) | 基于图像的采煤工作面煤与瓦斯突出报警方法 | |
CN112308032A (zh) | 一种视频检测的井下风门智能协同联动控制方法 | |
CN106781195A (zh) | 一种煤矿火灾烟雾监测系统 | |
WO2001057819A2 (en) | Smoke and flame detection | |
CN109873990A (zh) | 一种基于计算机视觉的矿山非法开采预警方法 | |
CN116665136B (zh) | 一种化工生产安全风险实时监控系统 | |
CN113011434A (zh) | 一种基于多传感器数据采集的煤矿井下安全防爆方法 | |
CN110120142B (zh) | 一种火灾烟雾视频智能监控预警系统及预警方法 | |
CN214398635U (zh) | 输送带撕裂监测装置和带有撕裂监测装置的输送线 |
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 |