CN117386451B - 用于矿区的盗采监测预警方法及系统 - Google Patents
用于矿区的盗采监测预警方法及系统 Download PDFInfo
- Publication number
- CN117386451B CN117386451B CN202311320258.5A CN202311320258A CN117386451B CN 117386451 B CN117386451 B CN 117386451B CN 202311320258 A CN202311320258 A CN 202311320258A CN 117386451 B CN117386451 B CN 117386451B
- Authority
- CN
- China
- Prior art keywords
- image
- early warning
- area
- frequency
- mining
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 119
- 230000011218 segmentation Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000005641 tunneling Effects 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
-
- 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
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Mining & Mineral Resources (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Computational Linguistics (AREA)
- Social Psychology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了用于矿区的盗采监测预警方法及系统,涉及盗采监测技术领域,所述方法包括:先确定作业人员的岗位信息,然后监管约束集和时间约束,通过监管约束集生成作业人员的预警信号。然后获取监管区域的图像,对非作业人员及逆行异常识别,对识别频次进行统计,基于频次生成预警信号,通过异常人员的预警信号和作业人员的预警信号发出盗采预警。本申请主要解决了对矿井人员流通情况进行分析,在偷采特征无法明确定义的场景下进行偷采行为判断的技术问题。通过该监测预警方法,确定多个岗位的工作区域范围,再通过图像识别对异常人员进行识别,最终生成预警信号,达到了解决规则模型决策边界不灵活和有效监测盗采行为的技术效果。
Description
技术领域
本发明涉及盗采监测技术领域,具体涉及用于矿区的盗采监测预警方法及系统。
背景技术
基于对已被鉴定为偷采矿行为进行大量的分析,发现其作案场景分别在单个矿上的时间、人数上具备相对固定且连续特征,在多个矿体现为不同特征。特别注意的是对盗采行为的监测,可通过电信运营商提供的手机位置信息,对煤矿是否存在偷采行为判断。
现有技术是通过获取目标区域中用户的手机指令数据,根据用户的手机指令数据提取用户的驻留点的位置信息和移动轨迹,根据用户的驻留点的位置信息,计算目标区域形成的各栅格内的当日平均活动人口数量,进而建立反映人员流动的空间交互网络,从而生成评估结果。
现有技术还存在的问题比较适合用于规则较为清晰的领域、即是否接触作为识别标准,对较难量化具体规则的场景无法进行较为全面的捕获,同时,如表现特征发生变更,需要定期进行人工场景分析和规则设定。对变化频繁的场景不具备普适性的技术问题。
发明内容
本申请解决了现有技术比较适合用于规则较为清晰的领域、即是否接触作为识别标准,对较难量化具体规则的场景无法进行较为全面的捕获,同时,如表现特征发生变更,需要定期进行人工场景分析和规则设定。对变化频繁的场景不具备普适性和对矿井人员流通情况进行分析,在偷采特征无法明确定义的场景下进行偷采行为判断的技术问题。
鉴于上述问题,本申请实施例提供了用于矿区的盗采监测预警方法及系统,第一方面,本申请实施例提供了用于矿区的盗采监测预警方法,所述方法包括:连接矿区管理系统,获取目标矿区一线作业人员的岗位信息,基于所述岗位信息确定工作区域范围和工作特征信息,并根据所述工作区域范围和所述工作特征信息确定多个监管约束集,其中所述监管约束集包括区域约束和时间约束,根据多个监管约束集按照岗位信息对一线作业人员进行监管,生成作业人员预警信号,获取目标矿区的图像监管数据,所述图像监管数据通过目标矿区外围的多个CMOS图像传感装置进行图像采集获得,对所述图像监管数据进行非作业人员的异常人员识别,获取预设时区内的异常人员图像识别结果,其中异常人员图像识别结果带有采集时间节点标识,对预设时区内的异常人员图像识别结果进行频次统计,获得预设时区内的频次统计结果,其中所述频次统计结果包括日间频次和夜间频次,基于所述频次统计结果生成异常人员预警信号,根据所述作业人员预警信号和所述异常人员预警信号进行矿区的盗采预警。
第二方面,本申请实施例提供了用于矿区的盗采监测预警系统,所述系统包括:岗位信息获取模块,所述岗位信息获取模块用于连接矿区管理系统,获取目标矿区一线作业人员的岗位信息,多个监管约束集确定模块,所述多个监管约束集确定模块是基于所述岗位信息确定工作区域范围和工作特征信息,并根据所述工作区域范围和所述工作特征信息确定多个监管约束集,其中所述监管约束集包括区域约束和时间约束,作业人员预警信号生成模块,所述作业人员预警信号生成模块用于根据多个监管约束集按照岗位信息对一线作业人员进行监管,生成作业人员预警信号,目标矿区的图像监管数据获取模块,所述目标矿区的图像监管数据获取模块用于获取目标矿区的图像监管数据,所述图像监管数据通过目标矿区外围的多个CMOS图像传感装置进行图像采集获得,异常人员识别模块,所述异常人员识别模块用于对所述图像监管数据进行非作业人员的异常人员识别,获取预设时区内的异常人员图像识别结果,其中异常人员图像识别结果带有采集时间节点标识,预设时区内的频次统计结果获取模块,所述预设时区内的频次统计结果获取模块用于对预设时区内的异常人员图像识别结果进行频次统计,获得预设时区内的频次统计结果,其中所述频次统计结果包括日间频次和夜间频次,盗采预警模块,所述盗采预警模块用于基于所述频次统计结果生成异常人员预警信号,根据所述作业人员预警信号和所述异常人员预警信号进行矿区的盗采预警。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明提供了用于矿区的盗采监测预警方法,涉及盗采监测技术领域,所述方法包括:先确定作业人员的岗位信息,然后监管约束集和时间约束,通过监管约束集生成作业人员的预警信号。然后获取监管区域的图像,对非作业人员及逆行异常识别,对识别频次进行统计,基于频次生成预警信号,通过异常人员的预警信号和作业人员的预警信号发出盗采预警。
本申请解决了现有技术比较适合用于规则较为清晰的领域、即是否接触作为识别标准,对较难量化具体规则的场景无法进行较为全面的捕获,同时,如表现特征发生变更,需要定期进行人工场景分析和规则设定。对变化频繁的场景不具备普适性和对矿井人员流通情况进行分析,在偷采特征无法明确定义的场景下进行偷采行为判断的技术问题。通过该监测预警方法,确定多个岗位的工作区域范围,再通过图像识别对异常人员进行识别,最终生成预警信号,达到了规则模型决策边界灵活和缓解场景过多无法穷举的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开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简单的介绍,显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供了用于矿区的盗采监测预警方法流程示意图;
图2为本申请实施例提供了用于矿区的盗采监测预警方法中,根据所述关联监管约束集对所述实时位置信息进行判断,当所述实时位置信息满足所述区域约束且满足所述时间约束时,则作业人员预警信号的方法流程示意图;
图3为本申请实施例提供了用于矿区的盗采监测预警方法中,利用所述图像语义分割模型对所述标准图像监管数据进行语义分割,对完成语义分割的标准图像监管数据进行人体特征提取的方法流程示意图;
图4为本申请实施例提供了用于矿区的盗采监测预警系统的结构示意图。
附图标记说明:岗位信息获取模块10,多个监管约束集确定模块20,作业人员预警信号生成模块30,目标矿区的图像监管数据获取模块40,异常人员识别模块50,预设时区内的频次统计结果获取模块60,盗采预警模块70。
具体实施方式
本申请解决了现有技术比较适合用于规则较为清晰的领域、即是否接触作为识别标准,对较难量化具体规则的场景无法进行较为全面的捕获,同时,如表现特征发生变更,需要定期进行人工场景分析和规则设定。对变化频繁的场景不具备普适性和对矿井人员流通情况进行分析,在偷采特征无法明确定义的场景下进行偷采行为判断的技术问题。通过该监测预警方法,确定多个岗位的工作区域范围,再通过图像识别对异常人员进行识别,最终生成预警信号,达到了规则模型决策边界灵活和缓解场景过多无法穷举的技术效果。
本申请实施例中的技术方案为解决上述问题,总体解决思路如下:
先连接矿区管理系统,获取目标矿区一线作业人员的岗位信息,基于所述岗位信息确定工作区域范围和工作特征信息,并根据所述工作区域范围和所述工作特征信息确定多个监管约束集,其中所述监管约束集包括区域约束和时间约束。获取一线作业人员的移动设备标识,其中移动设备和一线作业人员具有对应关系,基于所述移动设备标识获取一线作业人员的实时位置信息,根据多个监管约束集按照岗位信息对一线作业人员进行匹配,生成关联监管约束集,根据所述关联监管约束集对所述实时位置信息进行判断,当所述实时位置信息满足所述区域约束且满足所述时间约束时,则作业人员预警信号。
获取目标矿区的图像监管数据,所述图像监管数据通过目标矿区外围的多个CMOS图像传感装置进行图像采集获得,获取预设时区的图像监管数据,并对所述图像监管数据进行去噪处理,获得标准图像监管数据,构建图像语义分割模型,通过大数据技术获取样本图像集合,其中样本图像包括原始图像和完成语义分割的对应图像,根据样本图像集合对图像语义分割模型进行监督训练,获得符合预期指标的图像语义分割模型,利用所述图像语义分割模型对所述标准图像监管数据进行语义分割,对完成语义分割的标准图像监管数据进行人体特征提取。
获取目标矿区多个作业人员图像,对所述多个作业人员图像和所述多个人体特征图像进行图像灰度处理,获得多个作业人员灰度图像和多个人体特征灰度图像,按照预设区域划分规则对多个作业人员灰度图像和多个人体特征灰度图像进行区域划分,获得多个作业人员灰度图像区域集合和多个人体特征灰度图像区域集合,将作业人员灰度图像区域和人体特征灰度图像区域的中心区域灰度值作为判断标准,对周围区域灰度值进行判断,并根据判断结果生成多个作业人员灰度图像特征集合和多个人体特征灰度图像特征集合,根据多个作业人员灰度图像特征集合和多个人体特征灰度图像特征集合进行图像纹理特征的遍历比对,获得多个图像偏差值,设置图像偏差阈值,将所述多个图像偏差值中大于所述图像偏差阈值的图像偏差值对应的人体特征图像作为异常人员图像,其中异常人员数据带有采集时间节点标识。
获取预设时区内的夜间时段和日间时段,基于所述异常人员图像识别结果分别统计夜间时段和日间时段的异常人员出现次数,获得异常人员的日间频次和夜间频次,分别设置日间频次阈值和夜间频次阈值,其中夜间频次阈值小于日间频次阈值,根据所述日间频次阈值和所述夜间频次阈值分别对所述日间频次和所述夜间频次进行判断,当所述日间频次满足所述日间频次阈值或所述夜间频次满足所述夜间频次阈值时,则生成异常人员预警信号,最终根据所述作业人员预警信号和所述异常人员预警信号进行矿区的盗采预警。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍:
实施例一
如图1所示用于矿区的盗采监测预警方法,所述方法包括:
连接矿区管理系统,获取目标矿区一线作业人员的岗位信息;
具体而言,矿区管理系统包含了矿山区域全天候、人员管理地震受灾人群、矿山常态活动人口、异常人员发现、重点人群的特征,每个进程的用户地址空间都是独立的,一般而言一个进程不能直接访问另一个进程的地址空间,不过内核空间是每个进程都共享的,所以要获取矿区管理系统中的人员信息就必须通过内核进行连接,都共享这块区域的内存,获取目标矿区的信息,目标矿区为有盗采行为的矿区,在此为了监测预警盗采行为,每个矿区分为一线、二线、地面辅助人员,但直接开采的就为一线人员,一线人员一般为掘进工人、瓦斯检查员、采煤工人等,得到了具体的岗位信息,可以更为方便地确定具体的具体工作区域。
基于所述岗位信息确定工作区域范围和工作特征信息,并根据所述工作区域范围和所述工作特征信息确定多个监管约束集,其中所述监管约束集包括区域约束和时间约束;
具体而言,根据具体的掘进工人、瓦斯检查员、采煤工人等工人的工作,可以确定工作区域范围和工作特征信息,工作特征信息包括开工班次、工作特点等。工作区域范围就比如,如果是掘进工人,其在工作时间段内基本处于采矿区域,采矿区域一般都可控,且移动范围较小,如果是瓦斯检查员,其每隔一段时间检查一次且不会久留,可以根据这些信息生成多个监管约束集,就是限定集,其包括了区域约束和时间约束,区域约束就是如果掘进工人工作范围就为采矿区域,如果超出该区域,就为异常,可以通过区域约束对其进行约束,时间约束比如瓦斯检查员在一个地方检查就为0.5h,如果超过0.5h还在同一个区域,就判定为异常,可以通过此时间约束堆区进行约束。可以更为方便地对异常人员进行筛选判断。
根据多个监管约束集按照岗位信息对一线作业人员进行监管,生成作业人员预警信号;
具体而言,根据多个监管约束集对一线作业人员进行监管,一个矿区可分为多个开采矿区,每个矿区都会有各自的开采区域,对于各个区域的监管都有不同的区域或时间限制,所以为多个监管约束集,比如矿区分为A区、B区,A区的开采人员只能待在A区,B区的开采人员只能待在B区,A区有A区的厕所,B区有B区的厕所,可以使工人去上厕所,可以离开工作区域范围一段时间,但必须在各自的区域厕所内,时间可以设置为0.2h,如果超出0.2h,或者如果超出A区范围或者B区范围,就生成开采工人预警信号,如果为瓦斯检查员,在A检查时间为0.5h,B区为1h,如果其在A区超过0.5h,或者在B区超过1h就生成瓦斯检查员异常预警,根据此种约束生成全体作业人员预警信号,预警信号可以为喇叭播报的形式。
获取目标矿区的图像监管数据,所述图像监管数据通过目标矿区外围的多个CMOS图像传感装置进行图像采集获得;
具体而言,目标矿区的图像监管数据包括各个区域的人员流动信息和安全性信息,以及各个区域的图像信息,通过CMOS图像传感装置进行图像采集获取,CMOS图像传感器具有高量子效率、高灵敏度、低暗电流、高一致性、低噪音等优势,目标矿区外围为矿区外的陆地基地处,可以在此处安装CMOS图像传感器装置,可以在出入口分别安装,比如矿区分为A区和B区,在A区入口和出口分别安装,还有A区和B区的通道口处安装,这样更方便采集矿区出入人员信息,为异常人员识别提供更方便的基础图像信息。
对所述图像监管数据进行非作业人员的异常人员识别,获取预设时区内的异常人员图像识别结果,其中异常人员图像识别结果带有采集时间节点标识;
具体而言,对所述图像监管数据进行非作业人员的异常人员识别,如果矿区分为A区和B区,非作业人员包括A区人员在B区就为非作业人员,不在工作时间内还在区域范围内也是非作业人员,预设时区为提前设定的时间值,比如瓦斯检查员在一个区域工作时间最多为0.5h,比如在A区工作了,如果超过0.5h还在A区,就说明其为异常人员,异常人员图像识别结果带有时间节点,如果瓦斯检查员3.54进入A区,4.23出来,就不为异常,4.55出来就为异常人员,带有时间标识方便对异常人员进行判断。
对预设时区内的异常人员图像识别结果进行频次统计,获得预设时区内的频次统计结果,其中所述频次统计结果包括日间频次和夜间频次;
具体而言,对预设时区内的异常人员图像识别结果进行频次统计,将矿区的工作分为白班和夜班,设置一个初始值为S和D,S和D初始值为0,如果图像识别结果识别出为异常情况,如果是白天异常则S++,夜间出现异常则D++,最终S和D的值为频次信息,频次信息分为白天和夜间,频次信息为异常人员出现的次数。
基于所述频次统计结果生成异常人员预警信号,根据所述作业人员预警信号和所述异常人员预警信号进行矿区的盗采预警。
具体而言,基于所述频次统计结果生成异常人员预警信号,可以设置阈值,如果白天异常频次10次,如果超过10次就发出预警信号,夜间为20次,如果超过20次就发出预警信号,生成异常人员的预警信号,作业人员的预警信息为其不在各自的工作区域内或者不在工作时间内却在工作范围,发出作业人员预警,根据预警信号发出盗采预警,盗采预警可以为喇叭形式通知盗采,可以更好的监测并减少盗采行为。
进一步而言,如图2所示,本申请方法,所述根据多个监管约束集按照岗位信息对一线作业人员进行监管,生成作业人员预警信号,还包括:
获取一线作业人员的移动设备标识,其中移动设备和一线作业人员具有对应关系;
基于所述移动设备标识获取一线作业人员的实时位置信息;
具体而言,移动设备可以为作业人员的手机或者智能手表,或者矿区发出的磁卡,此处的磁卡是可以有定位功能的磁卡,每个人都有各自的移动设备,都可进行位置监测,可以GPS系统监测到每个移动设备的位置,并对其实时的位置进行监测获取。
根据多个监管约束集按照岗位信息对一线作业人员进行匹配,生成关联监管约束集;
根据所述关联监管约束集对所述实时位置信息进行判断,当所述实时位置信息满足所述区域约束且满足所述时间约束时,则作业人员预警信号。
具体而言,根据多个监管约束集对一线作业人员进行监管,一个矿区可分为多个开采矿区,每个矿区都会有各自的开采区域,对于各个区域的监管都有不同的区域或时间限制,所以为多个监管约束集,比如矿区分为A区、B区,A区的开采人员只能待在A区,B区的开采人员只能待在B区,A区有A区的厕所,B区有B区的厕所,可以使工人去上厕所,可以离开工作区域范围一段时间,但必须在各自的区域厕所内,时间可以设置为0.2h,如果超出0.2h,或者如果超出A区范围或者B区范围,就生成开采工人预警信号,如果为瓦斯检查员,在A检查时间为0.5h,B区为1h,如果其在A区超过0.5h,或者在B区超过1h就满足时间约束,如果A区的工作人员实时位置却在B区内,则满足区域约束,根据这些约束信息发出作业人员预警信号。
进一步而言,本申请方法,所述对所述图像监管数据进行非作业人员的异常人员识别,获取预设时区内的异常人员图像识别结果,还包括:
获取预设时区的图像监管数据,并对所述图像监管数据进行去噪处理,获得标准图像监管数据;
提取所述标准图像监管数据中的人体特征,获得多个人体特征图像;
具体而言,通过图像采集装置获取的图像不是标准的图像,而是有误差的,比如有时候太阳光照时图像有放光等看不清楚图像信息,如果误差较大,称之为噪点,可以通过滤波器进行去噪,把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换,让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点,获得比较标准的图像监管数据。可以通过LBP局部二进制的方法,其方法是将图像适当地划分为P xQ个分区(partition),然后分别计算每个图像分区的直方图特征,最后再将所有块的直方图特征连接成一个复合的特征向量(compositefeature)作为代表整个图像的LBP直方图特征。从标准图像中提取人体特征,人体特征包括人员的胖瘦、高低、什么颜色的衣服等特征,根据不同的人提取出不同的特征,组成多个人体特征图像集。
基于所述多个人体特征图像确定异常人员图像识别结果,其中异常人员数据带有采集时间节点标识。
具体而言,根据提取出的人体特征,来确定异常人员的图像,异常人员的图像都具有时间节点标识,为了更方便地计量时间,比如瓦斯检测员,是有固定工作时间的,这样就可以更方便地进行判断。
进一步而言,如图3所示,本申请方法,所述提取所述标准图像监管数据中的人体特征,还包括:
构建图像语义分割模型;
通过大数据技术获取样本图像集合,其中样本图像包括原始图像和完成语义分割的对应图像;
根据样本图像集合对图像语义分割模型进行监督训练,获得符合预期指标的图像语义分割模型;
具体而言,构建语义分割模型,先创建SegNet,该网络基于卷积神经网络(CNN)架构具体的,基于全卷积神经网络模型,构建编码器和解码器,采集获取多个作业人员和多个角度的图像信息,获得多个样本图像信息集合,基于人工对所述多个样本图像信息集合内的图像信息进行高精度的特征图像分割,分割获得多个样本图像信息内人体活动区域和其他区域,并对分割获得的区域进行标识,获得多个样本图像分割结果集合,对完成语义分割的标准图像监管数据进行人体特征提取。
利用所述图像语义分割模型对所述标准图像监管数据进行语义分割,对完成语义分割的标准图像监管数据进行人体特征提取。
具体而言,可以识别人体特征区域和其他区域,其他区域例如人员的所在位置、周围有无阻挡物等位置信息,人体特征区域为穿的衣服区域和动作区域,进行语义分割,对最终处理完的图像进行特征提取从标准图像中提取人体特征,人体特征包括人员的胖瘦、高低、什么颜色的衣服等特征,根据不同的人提取出不同的特征,组成多个人体特征图像集。
进一步而言,本申请方法,所述基于所述多个人体特征图像确定异常人员图像识别结果,还包括:
获取目标矿区多个作业人员图像;
对所述多个作业人员图像和所述多个人体特征图像进行图像灰度处理,获得多个作业人员灰度图像和多个人体特征灰度图像;
具体而言,获取目标矿区多个作业人员图像,目标矿区就是在作业的且存在盗采行为的矿区,作业人员为主要为一线工作人员包括掘进工和瓦斯检测员,通过图像检测装置进行图像采集,灰度就是没有彩色,彩色图像处理运行数据较大,所以采用灰度图像,可以通过加权平均法进行灰度处理,获得作业人员的灰度图像,和人体特征图像的灰度图像。
按照预设区域划分规则对多个作业人员灰度图像和多个人体特征灰度图像进行区域划分,获得多个作业人员灰度图像区域集合和多个人体特征灰度图像区域集合;
将作业人员灰度图像区域和人体特征灰度图像区域的中心区域灰度值作为判断标准,对周围区域灰度值进行判断,并根据判断结果生成多个作业人员灰度图像特征集合和多个人体特征灰度图像特征集合;
具体而言,按照预设区域划分规则对多个作业人员灰度图像和多个人体特征灰度图像及逆行区域划分,预设区域划分可以为一个3*3像素的图像区域,将作业人员灰度图像和人体特征图像进行区域划分,原始的LBP算子定义在灰度图像中像素3*3的邻域内,以邻域中心像素灰度值为阈值,相邻的8个像素的灰度值与邻域中心的像素值进行比较,若周围像素大于中心像素值,则该像素点的位置被标记为1,否则为0。根据将所有的灰度图像进行判断生成多个作业人员灰度图像特征集合和多个人体特征灰度图像特征集合。
根据多个作业人员灰度图像特征集合和多个人体特征灰度图像特征集合进行图像纹理特征的遍历比对,获得多个图像偏差值;
设置图像偏差阈值,将所述多个图像偏差值中大于所述图像偏差阈值的图像偏差值对应的人体特征图像作为异常人员图像。
具体而言,根据多个作业人员灰度图像特征集合和多个人体特征灰度图像特征集合进行图像纹理特征的遍历比对,作业人员图像集合和所有人体特征进行遍历比对,遍历是如果将所有人体特征作为节点,则作业人员图像就要依次访问所有人体特征进行比对,获得多个图像偏差值,图像偏差值为在所有的人体特征里包含了多少不是作业人员的特征。设置偏差阈值,偏差阈值可以设置为10,如果超过10个图像都有偏差,则判定为异常人员,则图像偏差值对应的人体特征图像作为异常人员图像。更进一步得到更准确地得到了异常人员的图像信息。
进一步而言,本申请方法,所述预设时区内的异常人员图像识别结果进行频次统计,还包括:
获取预设时区内的夜间时段和日间时段;
具体而言,获取预设时区内的夜间时间段和日间时间段,预设时间为要检查的时间段,图像采集时都会带有标识,可以通过时间标识进行判断,时间为8.00-19.00之间为日间时间段,19.00-24.00为夜间时间段。
基于所述异常人员图像识别结果分别统计夜间时段和日间时段的异常人员出现次数,获得异常人员的日间频次和夜间频次。
具体而言,根据识别结果统计夜间时段和日间时段的异常人员出现次数,统计夜间时段和日间时段的异常人员出现次数就是日间出现的异常人员次数和夜间出现次数是分开的,统计夜间时段和日间时段的异常人员出现次数日间次数为日间频次,夜间次数为夜间频次。获取频次信息可以方便检查日间异常多少和夜间异常多少。
进一步而言,本申请方法,所述基于所述频次统计结果生成异常人员预警信号,还包括:
分别设置日间频次阈值和夜间频次阈值,其中夜间频次阈值小于日间频次阈值;
根据所述日间频次阈值和所述夜间频次阈值分别对所述日间频次和所述夜间频次进行判断;
当所述日间频次满足所述日间频次阈值或所述夜间频次满足所述夜间频次阈值时,则生成异常人员预警信号。
具体而言,分别设置日间频次阈值和夜间频次阈值,其中夜间频次阈值小于日间频次阈值,因为夜间时间短,而且比较危险,所以一般认为夜间盗采行为较少,所以设置夜间阈值比日间低,设置日间阈值为20次,夜间为10次,当所述日间频次满足所述日间频次阈值或所述夜间频次满足所述夜间频次阈值时,即为日间超过20次或者夜间超过10次,此时生成异常人员预警信号,预警信号为红外灯闪烁且喇叭通知有盗采行为等,达到了人们不敢轻易进行盗采行为且认证工作的效果。
实施例二
基于与前述实施例用于矿区的盗采监测预警方法相同的发明构思,如图4所示,本申请提供了用于矿区的盗采监测预警系统,所述系统包括:
岗位信息获取模块,所述岗位信息获取模块用于连接矿区管理系统,获取目标矿区一线作业人员的岗位信息;
多个监管约束集确定模块,所述多个监管约束集确定模块是基于所述岗位信息确定工作区域范围和工作特征信息,并根据所述工作区域范围和所述工作特征信息确定多个监管约束集,其中所述监管约束集包括区域约束和时间约束;
作业人员预警信号生成模块,所述作业人员预警信号生成模块用于根据多个监管约束集按照岗位信息对一线作业人员进行监管,生成作业人员预警信号;
目标矿区的图像监管数据获取模块,所述目标矿区的图像监管数据获取模块用于获取目标矿区的图像监管数据,所述图像监管数据通过目标矿区外围的多个CMOS图像传感装置进行图像采集获得;
异常人员识别模块,所述异常人员识别模块用于对所述图像监管数据进行非作业人员的异常人员识别,获取预设时区内的异常人员图像识别结果,其中异常人员图像识别结果带有采集时间节点标识;
预设时区内的频次统计结果获取模块,所述预设时区内的频次统计结果获取模块用于对预设时区内的异常人员图像识别结果进行频次统计,获得预设时区内的频次统计结果,其中所述频次统计结果包括日间频次和夜间频次;
盗采预警模块,所述盗采预警模块用于基于所述频次统计结果生成异常人员预警信号,根据所述作业人员预警信号和所述异常人员预警信号进行矿区的盗采预警。
进一步地,该系统还包括:
移动设备标识获取模块,用于获取一线作业人员的移动设备标识,其中移动设备和一线作业人员具有对应关系;
实时位置信息获取模块,基于所述移动设备标识获取一线作业人员的实时位置信息;
关联监管约束集生成模块,根据多个监管约束集按照岗位信息对一线作业人员进行匹配,生成关联监管约束集;
作业人员预警信号获取模块,根据所述关联监管约束集对所述实时位置信息进行判断,当所述实时位置信息满足所述区域约束且满足所述时间约束时,则作业人员预警信号。
进一步地,该系统还包括:
标准图像监管数据获取模块,获取预设时区的图像监管数据,并对所述图像监管数据进行去噪处理,获得标准图像监管数据;
多个人体特征图像获取模块,提取所述标准图像监管数据中的人体特征,获得多个人体特征图像;
时间节点标识采集模块,基于所述多个人体特征图像确定异常人员图像识别结果,其中异常人员数据带有采集时间节点标识。
进一步地,该系统还包括:
模型构建模块,构建图像语义分割模型;
图像集合获取模块,通过大数据技术获取样本图像集合,其中样本图像包括原始图像和完成语义分割的对应图像;
模型获取模块,根据样本图像集合对图像语义分割模型进行监督训练,获得符合预期指标的图像语义分割模型;
人体特征提取模块,利用所述图像语义分割模型对所述标准图像监管数据进行语义分割,对完成语义分割的标准图像监管数据进行人体特征提取。
进一步地,该系统还包括:
人员图像获取模块,获取目标矿区多个作业人员图像;
灰度图像获取模块,对所述多个作业人员图像和所述多个人体特征图像进行图像灰度处理,获得多个作业人员灰度图像和多个人体特征灰度图像;
区域集合获取模块,按照预设区域划分规则对多个作业人员灰度图像和多个人体特征灰度图像进行区域划分,获得多个作业人员灰度图像区域集合和多个人体特征灰度图像区域集合;
图像特征获取模块,将作业人员灰度图像区域和人体特征灰度图像区域的中心区域灰度值作为判断标准,对周围区域灰度值进行判断,并根据判断结果生成多个作业人员灰度图像特征集合和多个人体特征灰度图像特征集合;
图像偏差值获取模块,根据多个作业人员灰度图像特征集合和多个人体特征灰度图像特征集合进行图像纹理特征的遍历比对,获得多个图像偏差值;
异常人员图像获取模块,设置图像偏差阈值,将所述多个图像偏差值中大于所述图像偏差阈值的图像偏差值对应的人体特征图像作为异常人员图像。
进一步地,该系统还包括:
预设时区获取模块,获取预设时区内的夜间时段和日间时段;
日间频次和夜间频次获取模块,基于所述异常人员图像识别结果分别统计夜间时段和日间时段的异常人员出现次数,获得异常人员的日间频次和夜间频次。
进一步地,该系统还包括:
频次阈值设置模块,根据所述日间频次阈值和所述夜间频次阈值分别对所述日间频次和所述夜间频次进行判断;
频次判断模块,根据所述日间频次阈值和所述夜间频次阈值分别对所述日间频次和所述夜间频次进行判断;
异常人员预警信号获取模块,当所述日间频次满足所述日间频次阈值或所述夜间频次满足所述夜间频次阈值时,则生成异常人员预警信号。
说明书通过前述对用于矿区的盗采监测预警方法的详细描述,本领域技术人员可以清楚地知识本实施例中用于矿区的盗采监测预警系统,对于实施例公开的系统而言,由于其与实施例公开装置相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.用于矿区的盗采监测预警方法,其特征在于,所述方法包括:
连接矿区管理系统,获取目标矿区一线作业人员的岗位信息;
基于所述岗位信息确定工作区域范围和工作特征信息,并根据所述工作区域范围和所述工作特征信息确定多个监管约束集,其中所述监管约束集包括区域约束和时间约束;
根据多个监管约束集按照岗位信息对一线作业人员进行监管,生成作业人员预警信号;
获取目标矿区的图像监管数据,所述图像监管数据通过目标矿区外围的多个CMOS图像传感装置进行图像采集获得;
对所述图像监管数据进行非作业人员的异常人员识别,获取预设时区内的异常人员图像识别结果,其中异常人员图像识别结果带有采集时间节点标识;
对预设时区内的异常人员图像识别结果进行频次统计,获得预设时区内的频次统计结果,其中所述频次统计结果包括日间频次和夜间频次;
基于所述频次统计结果生成异常人员预警信号,根据所述作业人员预警信号和所述异常人员预警信号进行矿区的盗采预警;
所述生成作业人员预警信号,还包括:
获取一线作业人员的移动设备标识,其中移动设备和一线作业人员具有对应关系;
基于所述移动设备标识获取一线作业人员的实时位置信息;
根据多个监管约束集按照岗位信息对一线作业人员进行匹配,生成关联监管约束集;
根据所述关联监管约束集对所述实时位置信息进行判断,当所述实时位置信息满足所述区域约束且满足所述时间约束时,则生成所述作业人员预警信号。
2.如权利要求1所述的方法,其特征在于,所述对所述图像监管数据进行非作业人员的异常人员识别,获取预设时区内的异常人员图像识别结果,还包括:
获取预设时区的图像监管数据,并对所述图像监管数据进行去噪处理,获得标准图像监管数据;
提取所述标准图像监管数据中的人体特征,获得多个人体特征图像;
基于所述多个人体特征图像确定异常人员图像识别结果,其中异常人员数据带有采集时间节点标识。
3.如权利要求2所述的方法,其特征在于,所述提取所述标准图像监管数据中的人体特征,还包括:
构建图像语义分割模型;
通过大数据技术获取样本图像集合,其中样本图像包括原始图像和完成语义分割的对应图像;
根据样本图像集合对图像语义分割模型进行监督训练,获得符合预期指标的图像语义分割模型;
利用所述图像语义分割模型对所述标准图像监管数据进行语义分割,对完成语义分割的标准图像监管数据进行人体特征提取。
4.如权利要求2所述的方法,其特征在于,所述基于所述多个人体特征图像确定异常人员图像识别结果,还包括:
获取目标矿区多个作业人员图像;
对所述多个作业人员图像和所述多个人体特征图像进行图像灰度处理,获得多个作业人员灰度图像和多个人体特征灰度图像;
按照预设区域划分规则对多个作业人员灰度图像和多个人体特征灰度图像进行区域划分,获得多个作业人员灰度图像区域集合和多个人体特征灰度图像区域集合;
将作业人员灰度图像区域和人体特征灰度图像区域的中心区域灰度值作为判断标准,对周围区域灰度值进行判断,并根据判断结果生成多个作业人员灰度图像特征集合和多个人体特征灰度图像特征集合;
根据多个作业人员灰度图像特征集合和多个人体特征灰度图像特征集合进行图像纹理特征的遍历比对,获得多个图像偏差值;
设置图像偏差阈值,将所述多个图像偏差值中大于所述图像偏差阈值的图像偏差值对应的人体特征图像作为异常人员图像。
5.如权利要求1所述的方法,其特征在于,所述预设时区内的异常人员图像识别结果进行频次统计,还包括:
获取预设时区内的夜间时段和日间时段;
基于所述异常人员图像识别结果分别统计夜间时段和日间时段的异常人员出现次数,获得异常人员的日间频次和夜间频次。
6.如权利要求5所述的方法,其特征在于,所述基于所述频次统计结果生成异常人员预警信号,还包括:
分别设置日间频次阈值和夜间频次阈值,其中夜间频次阈值小于日间频次阈值;
根据所述日间频次阈值和所述夜间频次阈值分别对所述日间频次和所述夜间频次进行判断;
当所述日间频次满足所述日间频次阈值或所述夜间频次满足所述夜间频次阈值时,则生成异常人员预警信号。
7.用于矿区的盗采监测预警系统,其特征在于,用于实施权利要求1至6中任意一项所述用于矿区的盗采监测预警方法的步骤,所述系统包括:
岗位信息获取模块,所述岗位信息获取模块用于连接矿区管理系统,获取目标矿区一线作业人员的岗位信息;
多个监管约束集确定模块,所述多个监管约束集确定模块是基于所述岗位信息确定工作区域范围和工作特征信息,并根据所述工作区域范围和所述工作特征信息确定多个监管约束集,其中所述监管约束集包括区域约束和时间约束;
作业人员预警信号生成模块,所述作业人员预警信号生成模块用于根据多个监管约束集按照岗位信息对一线作业人员进行监管,生成作业人员预警信号;
目标矿区的图像监管数据获取模块,所述目标矿区的图像监管数据获取模块用于获取目标矿区的图像监管数据,所述图像监管数据通过目标矿区外围的多个CMOS图像传感装置进行图像采集获得;
异常人员识别模块,所述异常人员识别模块用于对所述图像监管数据进行非作业人员的异常人员识别,获取预设时区内的异常人员图像识别结果,其中异常人员图像识别结果带有采集时间节点标识;
预设时区内的频次统计结果获取模块,所述预设时区内的频次统计结果获取模块用于对预设时区内的异常人员图像识别结果进行频次统计,获得预设时区内的频次统计结果,其中所述频次统计结果包括日间频次和夜间频次;
盗采预警模块,所述盗采预警模块用于基于所述频次统计结果生成异常人员预警信号,根据所述作业人员预警信号和所述异常人员预警信号进行矿区的盗采预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311320258.5A CN117386451B (zh) | 2023-10-12 | 2023-10-12 | 用于矿区的盗采监测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311320258.5A CN117386451B (zh) | 2023-10-12 | 2023-10-12 | 用于矿区的盗采监测预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117386451A CN117386451A (zh) | 2024-01-12 |
CN117386451B true CN117386451B (zh) | 2024-03-26 |
Family
ID=89467721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311320258.5A Active CN117386451B (zh) | 2023-10-12 | 2023-10-12 | 用于矿区的盗采监测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117386451B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019472A (zh) * | 2022-06-28 | 2022-09-06 | 山东水利职业学院 | 一种建筑施工高危行为检测预警方法及系统 |
CN115099724A (zh) * | 2022-08-24 | 2022-09-23 | 中达安股份有限公司 | 施工场景的监控预警方法、装置、设备及存储介质 |
CN115186881A (zh) * | 2022-06-27 | 2022-10-14 | 红豆电信有限公司 | 一种基于大数据的城市安全预测管理方法及系统 |
CN115953137A (zh) * | 2023-03-13 | 2023-04-11 | 长春工程学院 | 一种矿山智能化管理方法和系统 |
CN115965913A (zh) * | 2023-02-16 | 2023-04-14 | 山西经控科技有限公司 | 安防监控的方法、装置、系统及计算机可读存储介质 |
CN116311347A (zh) * | 2023-01-09 | 2023-06-23 | 通号通信信息集团有限公司 | 人员在岗检测方法、电子设备和计算机可读存储介质 |
-
2023
- 2023-10-12 CN CN202311320258.5A patent/CN117386451B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186881A (zh) * | 2022-06-27 | 2022-10-14 | 红豆电信有限公司 | 一种基于大数据的城市安全预测管理方法及系统 |
CN115019472A (zh) * | 2022-06-28 | 2022-09-06 | 山东水利职业学院 | 一种建筑施工高危行为检测预警方法及系统 |
CN115099724A (zh) * | 2022-08-24 | 2022-09-23 | 中达安股份有限公司 | 施工场景的监控预警方法、装置、设备及存储介质 |
CN116311347A (zh) * | 2023-01-09 | 2023-06-23 | 通号通信信息集团有限公司 | 人员在岗检测方法、电子设备和计算机可读存储介质 |
CN115965913A (zh) * | 2023-02-16 | 2023-04-14 | 山西经控科技有限公司 | 安防监控的方法、装置、系统及计算机可读存储介质 |
CN115953137A (zh) * | 2023-03-13 | 2023-04-11 | 长春工程学院 | 一种矿山智能化管理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117386451A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103108159B (zh) | 一种电力智能视频分析监控系统和方法 | |
CN103069434B (zh) | 用于多模式视频事件索引的方法和系统 | |
KR101808587B1 (ko) | 객체인식과 추적감시 및 이상상황 감지기술을 이용한 지능형 통합감시관제시스템 | |
US7479980B2 (en) | Monitoring system | |
WO2020166972A1 (ko) | Sar 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 | |
CN105809679B (zh) | 一种基于视觉分析的山区铁路边坡落石检测方法 | |
CN101751744B (zh) | 一种烟雾检测和预警方法 | |
CN102509075A (zh) | 一种遗留物检测方法及装置 | |
WO1998028706B1 (en) | Low false alarm rate video security system using object classification | |
CN112776856A (zh) | 轨道异物侵限监测方法、装置、系统及监控主机设备 | |
CN112287823A (zh) | 一种基于视频监控的面部口罩识别方法 | |
CN109241847A (zh) | 基于视觉图像的油田作业区安全监控系统 | |
CN113989858A (zh) | 一种工作服识别方法及系统 | |
CN117272215B (zh) | 一种基于数据挖掘的智慧小区安全管理方法及系统 | |
CN112598865B (zh) | 一种电缆线路防外力破坏的监控方法及系统 | |
CN117386451B (zh) | 用于矿区的盗采监测预警方法及系统 | |
CN113688713A (zh) | 基于危险行为识别的线缆保护方法、装置、系统和介质 | |
JP5286113B2 (ja) | 煙検出装置 | |
KR102434154B1 (ko) | 영상감시시스템에서의 고속 이동물체의 위치 및 모션 캡쳐 방법 | |
CA2393932C (en) | Human object surveillance using size, shape, movement | |
CN111597919A (zh) | 一种视频监控场景下的人体跟踪方法 | |
CN116052035A (zh) | 一种基于卷积神经网络的电厂人员周界入侵检测方法 | |
CN113963438A (zh) | 行为识别方法及装置、设备和存储介质 | |
CN114241400A (zh) | 电网系统的监控方法及其装置、计算机可读存储介质 | |
CN105590329B (zh) | 一种油气田视频监控中运动目标的智能检测算法 |
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 |