CN117041502B - 一种基于机器视觉的危险场景分析监测系统及方法 - Google Patents

一种基于机器视觉的危险场景分析监测系统及方法 Download PDF

Info

Publication number
CN117041502B
CN117041502B CN202311302412.6A CN202311302412A CN117041502B CN 117041502 B CN117041502 B CN 117041502B CN 202311302412 A CN202311302412 A CN 202311302412A CN 117041502 B CN117041502 B CN 117041502B
Authority
CN
China
Prior art keywords
dangerous
partition
monitoring
goods
inspection
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
Application number
CN202311302412.6A
Other languages
English (en)
Other versions
CN117041502A (zh
Inventor
周良
李康军
何世超
龚权华
李艳斌
庞敏丽
周博文
鲍文一
张嘉莉
易志雄
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.)
Hunan Retoo Intelligent Technology Co ltd
Original Assignee
Hunan Retoo Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan Retoo Intelligent Technology Co ltd filed Critical Hunan Retoo Intelligent Technology Co ltd
Priority to CN202311302412.6A priority Critical patent/CN117041502B/zh
Publication of CN117041502A publication Critical patent/CN117041502A/zh
Application granted granted Critical
Publication of CN117041502B publication Critical patent/CN117041502B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • H04N23/74—Circuitry for compensating brightness variation in the scene by influencing the scene brightness using illuminating means
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Library & Information Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Computer Graphics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器视觉的危险场景分析监测系统及方法，包括第一视觉监测装置、巡检设备、监控主机、巡检控制平台、管理服务器、便携终端；所述第一视觉监测装置与监控主机通信连接；巡检设备与巡检控制平台通信连接；管理服务器分别于监控主机、巡检控制平台、便携终端通信连接；巡检设备包括第二视觉监测装置、光强传感器、泄露传感器、补光灯；所述第一视觉监测装置用于采集监测区域的图像，识别图像中的危险物品特征信息；管理服务器用于根据危险物品的危险等级和聚集程度对监测区域进行分区划分。本发明根据不同分区的危险等级进行针对性地调整，且结合多种监测手段实时更新危险等级与分区，提高了视觉监测的准确性和实时性。

Description

一种基于机器视觉的危险场景分析监测系统及方法
技术领域
本发明涉及机器视觉技术领域，尤其涉及一种基于机器视觉的危险场景分析监测系统及方法。
背景技术
目前机器视觉技术已经应用在多种自动化控制系统中，在人工视觉难以工作的情况，如大规模高测试要求的生产线、野外工作场所、核电、矿洞、危险品加工、危险品仓储等危险场景，以机器视觉取代人工测量或检测，能突破人工限制，提高工作的安全性和精确度，同时利用高度自动化的控制系统也提高了工作效率。
但是，目前对于危险场景下的视觉监测仍存在不少挑战。首先，危险场景的环境往往较为复杂，机器视觉设备难以准确识别危险物品和危险行为。其次，实际应用中不同区域的危险物品和危险行为并不相同，而现有技术中在进行危险场景的监测时，没有对各个区域进行针对性地监测控制，难以及时发现危险隐患。此外，现有技术中对于危险场景的识别手段单一，往往仅仅通过摄像头来进行图像识别，准确性低，且不能实时更新对危险等级的判断。
现有技术中发明专利申请CN112216049A提出一种基于图像识别的施工警戒区监测预警系统及方法，该系统包括图像输入模块、图像拼接模块、交互标定模块、行人检测模块、视觉入侵模块、特征提取模块和决策模块，结合视觉入侵检测、目标检测和重识别技术，通过在施工警戒区周围或者危险施工设备周围设置摄像头实时采集获取周围环境信息和进出人物信息，当存在人员入侵信号时，则激活那么会发出警报以提醒违规人员禁止进入该区域，保证施工警戒区域的安全性。但是，该发明专利申请没有进行分区监测，并且识别手段单一，也无法实时更新，准确性和可靠性较低。
此外，发明专利CN115099760B提出一种基于计算机机器视觉的危险品智能检测预警方法，通过区域检测模块对危险品存储仓库进行区域性检测分析，将危险品存储仓库分割为若干个监测区域，获取监测区域的温度数据、湿度数据以及泄露数据并进行数值计算得到环境系数，通过环境系数的数值大小将监测区域标记为正常区域或异常区域；该发明可以对危险品存储仓库进行区域性检测分析，提高危险品存储环境检测精度的同时，还可以在出现异常时进行源头追溯，提高危险品存储安全性。该发明虽然进行分区监测，但是，该发明识别手段单一，也无法对分区情况进行实时更新，无法及时发现安全隐患。
发明内容
发明目的：针对以上问题，本发明提出一种基于机器视觉的危险场景分析监测系统及方法。
技术方案：第一方面，本发明提出一种基于机器视觉的危险场景分析监测系统，包括第一视觉监测装置、巡检设备、监控主机、巡检控制平台、管理服务器、便携终端；
所述第一视觉监测装置与监控主机通信连接；所述巡检设备与巡检控制平台通信连接；
所述管理服务器分别于监控主机、巡检控制平台、便携终端通信连接；
所述巡检设备包括第二视觉监测装置、光强传感器、泄露传感器、补光灯；
所述第一视觉监测装置用于采集监测区域的图像，识别图像中的危险物品特征信息；
所述管理服务器用于根据危险物品的危险等级和聚集程度对监测区域进行分区划分，根据危险行为的危险等级调节第一分区的危险等级，还用于第一分区的危险等级调节巡检设备的巡检频次；
所述监控主机用于根据危险物品特征信息判断危险物品种类，检索数据库获取与危险物品种类对应的危险等级，还用于识别第一分区内的危险行为。
优选地，管理服务器分区还用于获取监测图像中各危险物品在监测区域水平面坐标系的坐标；
根据坐标获取各危险物品之间的间距，判断是否小于第一距离阈值；
将间距小于第一距离阈值的物品划分为一个聚集簇；
获取每个聚集簇中的危险物品个数以及危险物品的危险等级，计算每个聚集簇的危险程度；
获取聚集簇的中心坐标，以聚集簇的中心坐标为圆心，以第一距离为半径形成的圆即为第一分区。
优选地，所述监控主机还用于获取监测图像中各危险物品轮廓；
分析危险物品轮廓的物品中心点；
根据相邻帧的图像，判断中心点的位移，从而计算中心点移动的加速度；
分析中心点移动的加速度是否超过阈值，若是则判断出现危险行为。
优选地，所述巡检设备基于光照传感器判断光强度，在光强过低时开启补光灯，通过第二视觉监测装置对危险物品和危险行为进行识别。
第二方面，本发明还提供了一种基于机器视觉的危险场景分析监测方法，该方法包括：
S1、基于机器视觉识别危险物品的危险等级；包括：
S11、第一视觉监测装置采集监测区域的图像，识别图像中的危险物品特征信息；
S12、根据图像中的危险物品特征信息判断危险物品种类；
S13、检索数据库，查询与危险物品种类对应的危险等级；
S2、基于危险物品的危险等级和聚集程度对监测区域进行分区划分；包括：
S21、获取监测图像中各危险物品在监测区域水平面坐标系的坐标；
S22、根据坐标获取各危险物品之间的间距，判断是否小于第一距离阈值；
S23、将间距小于第一距离阈值的物品划分为一个聚集簇；
S24、获取每个聚集簇中的危险物品个数以及危险物品的危险等级，计算每个聚集簇的危险程度G；
；
其中，EM为聚集簇中的最高危险等级，NM为聚集簇中的最高危险等级的个数，N0为预设调节系数；
S25、获取聚集簇的中心坐标，以聚集簇的中心坐标为圆心，以第一距离R为半径形成的圆即为第一分区；
；
其中，α为调节系数，N为分区内的危险物品的总数量；
S3、基于机器视觉识别第一分区内的危险行为；包括：
S31、获取监测图像中各危险物品轮廓；
S32、分析危险物品轮廓的物品中心点；
S33、根据相邻帧的图像，判断中心点的位移，从而计算中心点移动的加速度；
S34、分析中心点移动的加速度是否超过阈值，若是则判断出现危险行为；
S4、根据危险行为调整第一分区的危险等级；
S41、计算第一分区的危险等级E：
；
S42、识别危险行为的等级EM；其中危险行为的等级与步骤S3中的加速度成正相关关系；
S43、判断危险行为与第一分区内各危险物品之间的距离，获取最小距离d；
S44、更新第一分区的危险等级，从而获得第一分区的第二危险等级ER；
；
其中，d0为距离预设值，β为调节系数；
S5、基于第一分区的第二危险等级调节巡检设备的频次；
S51、根据更新后的分区危险等级，设置在每个第一分区的在预设时间段内的巡检频次F：
；
其中，F0为预设初始频次，γ为调节系数，E0为预设危险初值；
S52、在每个第一分区内规划巡检设备的巡检路线；
优选地，基于第一视觉监测装置采集监测区域的图像，获取障碍区域与巡检区域，在巡检区域中进行路线规划，从而制定巡检设备的巡检路线。
S6、基于巡检设备上的第二视觉监测装置对危险物品和危险行为进行识别；
S61、巡检设备基于光照传感器判断光强度，如果光强过低则进入步骤S62，否则进入步骤S63；
S62、开启补光灯，通过第二视觉监测装置对危险物品和危险行为进行识别；
S63、通过第二视觉监测装置对危险物品和危险行为进行识别；
S64、更新危险物品的危险等级、危险行为的危险等级、以及第一分区的划分结果；
S7、巡检设备获取泄露信息更新并更新第一分区的危险等级；
S71、通过巡检设备上的传感器收集危险物品泄露信息；
S72、判断泄露信息是否超过预设阈值；
S73、若超过阈值，则更新第一分区的危险等级为第三危险等级EU；
；
其中，w为调节系数，H为泄露信息、H0为泄露阈值；
S8、通过三维模型实时显示各第一分区的实时状态；
包括：S81、三维模型实时显示各第一分区的危险等级、危险行为的危险等级、危险物品的危险等级；
S82、当危险等级超过阈值时，向便携终端发送报警信息；
S83、响应于便携终端上的控制指令，向便携终端发送产生报警信息的关联因素。
本发明相对于现有技术具有以下有益效果：
1、本发明基于固定设置的第一视觉监测装置和移动的巡检设备上的第二视觉监测装置，对危险场景下的危险物品和危险行为进行识别，并判断危险物品和危险行为的危险等级，能够提高对危险场景识别的准确性和可靠性。
2、本发明基于危险物品的危险等级和聚集程度对监测区域进行分区划分，将监测区域划分为多个第一分区，针对不同的第一分区设置不同的巡检频次，这种设置能够对不同的危险等级针对性地调整巡检频次，更加高效，也能够更加及时地发现异常情况，及时发现安全隐患。
3、本发明的巡检设备在巡检时还能够通过第二视觉监测装置对危险等级进行再次识别和更新，提高了识别的准确性。并且，巡检设备上设置有泄露传感器，能够识别危险品的泄露信息，从而修正第一分区的危险等级，从而更加客观和实时地判断各个第一分区的真实状态。
4、本发明的巡检设备中设置有补光灯和光强传感器，能够在光纤较暗时进行光照补偿，以此来提高机器视觉监测的准确性。
附图说明
图1为本发明实施例提供的一种基于机器视觉的危险场景分析监测系统结构示意图；
图2为本发明实施例提供的一种基于机器视觉的危险场景分析监测方法流程图；
图3为本发明实施例提供的一种监测区域划分第一分区的示意图。
具体实施方式
显然，本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保护范围。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当称元件、组件被“连接”到另一元件、组件时，它可以直接连接到其他元件或者组件，或者也可以存在中间元件或者组件。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
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，所描述的实施例仅仅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做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。
实施例一
本发明实施例提供一种基于机器视觉的危险场景分析监测系统，具体请参考图1，图1为本发明实施例提供的一种基于机器视觉的危险场景分析监测系统结构示意图，系统包括：
第一视觉监测装置、巡检设备、监控主机、巡检控制平台、管理服务器、便携终端；
所述第一视觉监测装置与监控主机通信连接；所述巡检设备与巡检控制平台通信连接；
所述管理服务器分别于监控主机、巡检控制平台、便携终端通信连接；
所述巡检设备包括第二视觉监测装置、光强传感器、泄露传感器、补光灯；
所述第一视觉监测装置用于采集监测区域的图像，识别图像中的危险物品特征信息；
所述管理服务器用于根据危险物品的危险等级和聚集程度对监测区域进行分区划分，根据危险行为的危险等级调节第一分区的危险等级，还用于第一分区的危险等级调节巡检设备的巡检频次；
所述监控主机用于根据危险物品特征信息判断危险物品种类，检索数据库获取与危险物品种类对应的危险等级，还用于识别第一分区内的危险行为。
优选地，管理服务器分区还用于获取监测图像中各危险物品在监测区域水平面坐标系的坐标；
根据坐标获取各危险物品之间的间距，判断是否小于第一距离阈值；
将间距小于第一距离阈值的物品划分为一个聚集簇；
获取每个聚集簇中的危险物品个数以及危险物品的危险等级，计算每个聚集簇的危险程度；
获取聚集簇的中心坐标，以聚集簇的中心坐标为圆心，以第一距离为半径形成的圆即为第一分区。
优选地，所述监控主机还用于获取监测图像中各危险物品轮廓；
分析危险物品轮廓的物品中心点；
根据相邻帧的图像，判断中心点的位移，从而计算中心点移动的加速度；
分析中心点移动的加速度是否超过阈值，若是则判断出现危险行为。
优选地，所述巡检设备基于光照传感器判断光强度，在光强过低时开启补光灯，通过第二视觉监测装置对危险物品和危险行为进行识别。
实施例二
本发明实施例还提供了一种基于机器视觉的危险场景分析监测方法，具体请参考图2，图2为本发明实施例提供的一种基于机器视觉的危险场景分析监测方法流程图，该方法包括步骤：
S1、基于机器视觉识别危险物品的危险等级；包括：
S11、第一视觉监测装置采集监测区域的图像，识别图像中的危险物品特征信息；
S12、根据图像中的危险物品特征信息判断危险物品种类；
S13、检索数据库，查询与危险物品种类对应的危险等级；
其中，监测区域可以为危险品存储仓库、危险品加工车间等高危环境；第一视觉监测装置为设置在监测区域中的多个固定视觉监测装置，如摄像头；危险物品特征信息包括但不限于危险物品的包装图样信息、条形码、二维码、和/或物品形状等。
S2、基于危险物品的危险等级和聚集程度对监测区域进行分区划分；包括：
S21、获取监测图像中各危险物品在监测区域水平面坐标系的坐标；
S22、根据坐标获取各危险物品之间的间距，判断是否小于第一距离阈值；
S23、将间距小于第一距离阈值的物品划分为一个聚集簇；
S24、获取每个聚集簇中的危险物品个数N以及危险物品的危险等级，计算每个聚集簇的危险程度G；
；
其中，EM为聚集簇中危险物品的最高危险等级，NM为聚集簇中的最高危险等级的个数，N0为预设调节系数；
S25、获取聚集簇的中心坐标，以聚集簇的中心坐标为圆心，以第一距离R为半径形成的圆即为第一分区；
；
其中，α为调节系数，N为聚集簇内的危险物品的总数量；
危险等级高的物品，其出现意外情况时影响的范围较大，危险品数量较多的时候也会影响较大的范围，因此在设置第一分区时，兼顾考量了第一分区内的聚集簇的危险等级以及第一分区内的危险品数量；进一步地，G与N的乘积也代表了第一分区的危险等级；
具体地，图3为本发明实施例提供的一种监测区域划分第一分区的示意图，图3中，实线矩形框为监测区域，黑色实心小矩形以及黑色实心小三角形表示不同危险等级的危险物品；黑色实心小矩形附近不存在间距小于阈值的其他危险物品，因此其独自形成一个聚集簇；以黑色实心小矩形为圆心，以R1为半径的虚线圆形为一个第一分区；以3个黑色实心小三角形的中心位置为圆心，以R2为半径的虚线圆形为一个第一分区。
S3、基于机器视觉识别第一分区内的危险行为；包括：
S31、获取监测图像中各危险物品轮廓；
S32、分析危险物品轮廓的物品中心点；
S33、根据相邻帧的图像，判断中心点的位移，从而计算中心点移动的加速度；
S34、分析中心点移动的加速度是否超过阈值，若是则判断出现危险行为；
S4、根据危险行为调整第一分区的危险等级；
S41、计算第一分区的危险等级E：
；
S42、识别危险行为的等级EM；其中危险行为的等级与步骤S3中的加速度成正相关关系；
S43、判断危险行为与第一分区内各危险物品之间的距离，获取最小距离d；
S44、更新第一分区的危险等级，从而获得第一分区的第二危险等级ER；
；
其中，d0为距离预设值，β为调节系数；
在危险物品的储存和生产过程汇总，危险行为与危险物品的距离越近、危险行为的危险等级越高，则会造成更加严重的后果，危险等级也应当越高，因此本发明根据危险行为的情况对第一分区的危险等级进行调整；
S5、基于第一分区的第二危险等级调节巡检设备的频次；
S51、根据更新后的分区危险等级，设置在每个第一分区的在预设时间段内的巡检频次F：
；
其中，F0为预设初始频次，γ为调节系数，E0为预设危险初值；
S52、在每个第一分区内规划巡检设备的巡检路线；
优选地，基于第一视觉监测装置采集监测区域的图像，获取障碍区域与巡检区域，在巡检区域中进行路线规划，从而制定巡检设备的巡检路线。
S6、基于巡检设备上的第二视觉监测装置对危险物品和危险行为进行识别；
S61、巡检设备基于光照传感器判断光强度，如果光强过低则进入步骤S62，否则进入步骤S63；
S62、开启补光灯，通过第二视觉监测装置对危险物品和危险行为进行识别；
S63、通过第二视觉监测装置对危险物品和危险行为进行识别；
S64、更新危险物品的危险等级、危险行为的危险等级、以及第一分区的划分结果；
由于危险品的仓储环境经常会出现光线较暗的情况，而较暗的光线会影响机器视觉监测的准确度，造成图像识别分析的偏差，因此本发明通过巡检设备上的第二视觉监测装置对危险行为进行二次识别；并且，基于二次识别的结果，对危险物品的危险等级、危险行为的危险等级、以及第一分区的划分结果进行更新；
S7、巡检设备获取泄露信息更新并更新第一分区的危险等级；
S71、通过巡检设备上的传感器收集危险物品泄露信息；
S72、判断泄露信息是否超过预设阈值；
S73、若超过阈值，则更新第一分区的危险等级为第三危险等级EU；
；
其中，w为调节系数，H为泄露信息、H0为泄露阈值；
S8、通过三维模型实时显示各第一分区的实时状态；
S81、三维模型实时显示各第一分区的危险等级、危险行为的危险等级、危险物品的危险等级；
S82、当危险等级超过阈值时，向便携终端发送报警信息；
S83、响应于便携终端上的控制指令，向便携终端发送产生报警信息的关联因素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应该认为超出本发明的范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，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”或者其他任何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。

Claims (6)

1.一种应用于基于机器视觉的危险场景分析监测系统的监测方法，所述基于机器视觉的危险场景分析监测系统包括第一视觉监测装置、巡检设备、监控主机、巡检控制平台、管理服务器、便携终端；其特征在于，所述第一视觉监测装置用于采集监测区域的图像，识别图像中的危险物品特征信息；所述管理服务器用于根据危险物品的危险等级和聚集程度对监测区域进行分区划分，根据危险行为的危险等级调节第一分区的危险等级，还用于第一分区的危险等级调节巡检设备的巡检频次；所述监控主机用于根据危险物品特征信息判断危险物品种类，检索数据库获取与危险物品种类对应的危险等级，还用于识别第一分区内的危险行为；管理服务器还用于获取监测图像中各危险物品在监测区域水平面坐标系的坐标；根据坐标获取各危险物品之间的间距，判断是否小于第一距离阈值；将间距小于第一距离阈值的物品划分为一个聚集簇；获取每个聚集簇中的危险物品个数以及危险物品的危险等级，计算每个聚集簇的危险程度；获取聚集簇的中心坐标，以聚集簇的中心坐标为圆心，以第一距离为半径形成的圆即为第一分区；
其特征在于，该监测方法包括：
S1、基于机器视觉识别危险物品的危险等级；包括：S11、第一视觉监测装置采集监测区域的图像，识别图像中的危险物品特征信息；S12、根据图像中的危险物品特征信息判断危险物品种类；S13、检索数据库，查询与危险物品种类对应的危险等级；
S2、基于危险物品的危险等级和聚集程度对监测区域进行分区划分；包括：
S21、获取监测图像中各危险物品在监测区域水平面坐标系的坐标；
S22、根据坐标获取各危险物品之间的间距，判断是否小于第一距离阈值；
S23、将间距小于第一距离阈值的物品划分为一个聚集簇；
S24、获取每个聚集簇中的危险物品个数以及危险物品的危险等级，计算每个聚集簇的危险程度G；
；
其中，EM为聚集簇中的最高危险等级，NM为聚集簇中的最高危险等级的个数，N0为预设调节系数；
S25、获取聚集簇的中心坐标，以聚集簇的中心坐标为圆心，以第一距离R为半径形成的圆即为第一分区；
；
其中，α为调节系数，N为分区内的危险物品的总数量；
S3、基于机器视觉识别第一分区内的危险行为；包括：S31、获取监测图像中各危险物品轮廓；S32、分析危险物品轮廓的物品中心点；S33、根据相邻帧的图像，判断中心点的位移，从而计算中心点移动的加速度；S34、分析中心点移动的加速度是否超过阈值，若是则判断出现危险行为；
S4、根据危险行为调整第一分区的危险等级；包括：
S41、计算第一分区的危险等级E：
；
S42、识别危险行为的等级EM；
S43、判断危险行为与第一分区内各危险物品之间的距离，获取最小距离d；
S44、更新第一分区的危险等级，从而获得第一分区的第二危险等级ER；
；
其中，d0为距离预设值，β为调节系数；
S5、基于第一分区的第二危险等级调节巡检设备的频次；
S6、基于巡检设备上的第二视觉监测装置对危险物品和危险行为进行识别；
S7、巡检设备获取泄露信息更新并更新第一分区的危险等级；包括：
S71、通过巡检设备上的传感器收集危险物品泄露信息；
S72、判断泄露信息是否超过预设阈值；
S73、若超过阈值，则更新第一分区的危险等级为第三危险等级EU；
；
其中，w为调节系数，H为泄露信息、H0为泄露阈值；
S8、通过三维模型实时显示各第一分区的实时状态。
2.根据权利要求1所述的监测方法，其特征在于，所述第一视觉监测装置与监控主机通信连接；所述巡检设备与巡检控制平台通信连接；所述管理服务器分别于监控主机、巡检控制平台、便携终端通信连接；所述巡检设备包括第二视觉监测装置、光强传感器、泄露传感器、补光灯。
3.根据权利要求2所述的监测方法，其特征在于，所述监控主机还用于获取监测图像中各危险物品轮廓；分析危险物品轮廓的物品中心点；根据相邻帧的图像，判断中心点的位移，从而计算中心点移动的加速度；分析中心点移动的加速度是否超过阈值，若是则判断出现危险行为。
4.根据权利要求3所述的监测方法，其特征在于，所述巡检设备基于光照传感器判断光强度，在光强过低时开启补光灯，通过第二视觉监测装置对危险物品和危险行为进行识别。
5.根据权利要求4所述的监测方法，其特征在于，所述步骤S5、基于第一分区的第二危险等级调节巡检设备的频次包括：
S51、根据更新后的分区危险等级，设置在每个第一分区的在预设时间段内的巡检频次F：
；
其中，F0为预设初始频次，γ为调节系数，E0为预设危险初值；
S52、在每个第一分区内规划巡检设备的巡检路线。
6.根据权利要求5所述的监测方法，其特征在于，所述步骤S6、基于巡检设备上的第二视觉监测装置对危险物品和危险行为进行识别包括：
S61、巡检设备基于光照传感器判断光强度，如果光强过低则进入步骤S62，否则进入步骤S63；
S62、开启补光灯，通过第二视觉监测装置对危险物品和危险行为进行识别；
S63、通过第二视觉监测装置对危险物品和危险行为进行识别；
S64、更新危险物品的危险等级、危险行为的危险等级、以及第一分区的划分结果。
CN202311302412.6A 2023-10-10 2023-10-10 一种基于机器视觉的危险场景分析监测系统及方法 Active CN117041502B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311302412.6A CN117041502B (zh) 2023-10-10 2023-10-10 一种基于机器视觉的危险场景分析监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311302412.6A CN117041502B (zh) 2023-10-10 2023-10-10 一种基于机器视觉的危险场景分析监测系统及方法

Publications (2)

Publication Number Publication Date
CN117041502A CN117041502A (zh) 2023-11-10
CN117041502B true CN117041502B (zh) 2023-12-08

Family

ID=88623122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311302412.6A Active CN117041502B (zh) 2023-10-10 2023-10-10 一种基于机器视觉的危险场景分析监测系统及方法

Country Status (1)

Country Link
CN (1) CN117041502B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11353565A (ja) * 1998-06-09 1999-12-24 Yazaki Corp 車両用衝突警報方法及び装置
WO2001017838A1 (de) * 1999-09-09 2001-03-15 Tiefenbach Gmbh Verfahren zur überwachung eines gefahrenbereichs
KR101579275B1 (ko) * 2015-05-22 2015-12-21 주식회사 사라다 위험객체 위치추적을 통한 실시간 모니터링을 이용한 방범보안 시스템
DE102016110459A1 (de) * 2015-06-07 2016-12-08 BOS Connect GmbH Verfahren und System zur Lageermittlung und Einsatzdokumentation bei Gefahrguteinsätzen
CN106228332A (zh) * 2016-08-11 2016-12-14 电信科学技术第四研究所 一种基于物联网的危险化工原料物流仓储管理系统和方法
CN110992683A (zh) * 2019-10-29 2020-04-10 山东科技大学 一种基于动态图像感知的交叉口盲区预警方法及系统
KR102126498B1 (ko) * 2019-11-15 2020-06-25 한국건설기술연구원 영상 인식 기반의 위험상황 감지방법, 위험 관리 장치 및 위험상황 감지시스템
CN112257494A (zh) * 2020-09-09 2021-01-22 贵州赋行智能科技有限公司 一种基于智能视频分析技术的行为识别方法及应用
CN114023044A (zh) * 2021-11-08 2022-02-08 西安链科信息技术有限公司 一种危险气体检测预警处理方法、装置、设备及终端
CN114782988A (zh) * 2022-03-29 2022-07-22 西安交通大学 一种面向施工环境的多级安全预警方法
CN115482507A (zh) * 2022-09-22 2022-12-16 武汉理工光科股份有限公司 基于人工智能的人群聚集消防预警方法及系统
US11676291B1 (en) * 2020-04-20 2023-06-13 Everguard, Inc. Adaptive multimodal safety systems and methods

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7522066B2 (en) * 2006-02-23 2009-04-21 Rockwell Automation Technologies, Inc. Systems and methods that evaluate distance to potential hazards utilizing overlapping sensing zones
US8330605B2 (en) * 2009-08-14 2012-12-11 Accenture Global Services Limited System for providing real time locating and gas exposure monitoring
KR102013935B1 (ko) * 2017-05-25 2019-08-23 삼성전자주식회사 위험 상황을 감지하는 방법 및 시스템

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11353565A (ja) * 1998-06-09 1999-12-24 Yazaki Corp 車両用衝突警報方法及び装置
WO2001017838A1 (de) * 1999-09-09 2001-03-15 Tiefenbach Gmbh Verfahren zur überwachung eines gefahrenbereichs
KR101579275B1 (ko) * 2015-05-22 2015-12-21 주식회사 사라다 위험객체 위치추적을 통한 실시간 모니터링을 이용한 방범보안 시스템
DE102016110459A1 (de) * 2015-06-07 2016-12-08 BOS Connect GmbH Verfahren und System zur Lageermittlung und Einsatzdokumentation bei Gefahrguteinsätzen
CN106228332A (zh) * 2016-08-11 2016-12-14 电信科学技术第四研究所 一种基于物联网的危险化工原料物流仓储管理系统和方法
CN110992683A (zh) * 2019-10-29 2020-04-10 山东科技大学 一种基于动态图像感知的交叉口盲区预警方法及系统
KR102126498B1 (ko) * 2019-11-15 2020-06-25 한국건설기술연구원 영상 인식 기반의 위험상황 감지방법, 위험 관리 장치 및 위험상황 감지시스템
US11676291B1 (en) * 2020-04-20 2023-06-13 Everguard, Inc. Adaptive multimodal safety systems and methods
CN112257494A (zh) * 2020-09-09 2021-01-22 贵州赋行智能科技有限公司 一种基于智能视频分析技术的行为识别方法及应用
CN114023044A (zh) * 2021-11-08 2022-02-08 西安链科信息技术有限公司 一种危险气体检测预警处理方法、装置、设备及终端
CN114782988A (zh) * 2022-03-29 2022-07-22 西安交通大学 一种面向施工环境的多级安全预警方法
CN115482507A (zh) * 2022-09-22 2022-12-16 武汉理工光科股份有限公司 基于人工智能的人群聚集消防预警方法及系统

Also Published As

Publication number Publication date
CN117041502A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
US20110115909A1 (en) Method for tracking an object through an environment across multiple cameras
CN114155601A (zh) 一种基于视觉的作业人员危险行为检测方法及系统
CN113452912B (zh) 巡视机器人的云台摄像机的控制方法、装置、设备及介质
CN107194360B (zh) 逆向通行对象识别方法、装置及系统
JP2013131159A (ja) エリアモニタリングシステム
CN113326964B (zh) 一种基于数据复合多级综合管廊风险管控方法及方法
CN113726606B (zh) 异常检测方法及装置、电子设备、存储介质
CN113076899B (zh) 一种基于目标跟踪算法的高压输电线路异物检测方法
CN115171361B (zh) 一种基于计算机视觉的危险行为智能检测预警方法
CN112906441B (zh) 用于通信行业查勘维护的图像识别系统及方法
CN112446543A (zh) 基于神经网络的城市地下综合管廊风险管控系统及方法
CN114730192A (zh) 物体移动系统
CN115144399A (zh) 一种基于机器视觉的装配质量检测方法及装置
CN117041502B (zh) 一种基于机器视觉的危险场景分析监测系统及方法
CN112183264B (zh) 一种基于空间关系学习的吊车吊臂下有人逗留的判断方法
CN112532927A (zh) 一种施工现场智能安全管控系统
CN111461079A (zh) 一种基于双目图像的吊臂下人员检测方法
CN116664343A (zh) 一种基于智慧工地数字模型的系统及方法
CN115797411A (zh) 一种利用机器视觉在线识别水电站电缆桥架形变的方法
CN115431266A (zh) 一种巡检方法、巡检装置及巡检机器人
CN115802002A (zh) 一种电力作业的安全监控方法
CN111564011B (zh) 一种机械臂安全检测方法、装置、系统和电子设备
CN117897737A (zh) 一种无人机监控方法、装置、无人机及监控设备
CN112802058A (zh) 一种非法运动目标的跟踪方法及装置
CN117523436A (zh) 一种桥梁裂缝识别的精准定位方法

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