CN117456386A - 一种用于无人设备的ai视觉识别系统 - Google Patents
一种用于无人设备的ai视觉识别系统 Download PDFInfo
- Publication number
- CN117456386A CN117456386A CN202311398533.5A CN202311398533A CN117456386A CN 117456386 A CN117456386 A CN 117456386A CN 202311398533 A CN202311398533 A CN 202311398533A CN 117456386 A CN117456386 A CN 117456386A
- Authority
- CN
- China
- Prior art keywords
- information
- equipment
- unmanned
- unmanned equipment
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 32
- 230000001502 supplementing effect Effects 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims description 80
- 238000011156 evaluation Methods 0.000 claims description 70
- 230000008569 process Effects 0.000 claims description 58
- 239000000428 dust Substances 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement 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
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
-
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Abstract
本发明公开了一种用于无人设备的AI视觉识别系统,包括无人设备采集模块、影像信息采集模块、补光设备采集模块、环境信息采集模块、任务信息采集模块、数据处理模块与信息发送模块;所述无人设备信息采集模块用于采集无人设备信息,无人设备信息包括无人设备类型信息与设备相关信息;所述影像信息采集模块与补光设备采集模块设置在无人设备上,所述影像信息采集模块用于进行影像信息采集获取到实时影像信息,所述补光设备采集模块用于采集补光设备信息;所述环境信息采集模块用于采集无人设备所在环境的环境信息,所述任务信息采集模块用于采集无人设备执行任务信息。本发明能够更好更准确的为无人设备提供目标识别服务。
Description
技术领域
本发明涉及识别系统领域,具体涉及一种用于无人设备的AI视觉识别系统。
背景技术
AI视觉识别是一种利用人工智能技术处理图像或视频数据的方法。它使用计算机视觉和机器学习算法来自动化图像或视频数据的分析、解释和理解。这种算法能够识别、跟踪、分类、分割、检测和重建图像或视频数据。它可以应用于各种领域,例如自动驾驶、医学影像、安全监控、物体识别和虚拟现实等。AI视觉算法是人工智能领域中的重要分支之一,其应用范围广泛,对人类的生产和生活产生了积极的影响;
无人设备进行目标追踪或者进行目标识别过程中,即会用AI视觉识别系统,通过AI视觉识别系统来进行目标物的追踪识别。
现有的识别系统,识别前采集到的数据单一,到时数据分析中,可供分析的数据较差,导致分析结果容易出现,即会使得识别出错,给识别系统的使用带来了一定的影响,因此,提出一种用于无人设备的AI视觉识别系统。
发明内容
本发明所要解决的技术问题在于:如何解决现有的安全防护系统,防护类型单一,导致防护效果较差,给安全防护系统的使用带来了一定的影响的问题,提供了一种用于无人设备的AI视觉识别系统。
本发明是通过以下技术方案解决上述技术问题的,本发明包括无人设备采集模块、影像信息采集模块、补光设备采集模块、环境信息采集模块、任务信息采集模块、数据处理模块与信息发送模块;
所述无人设备信息采集模块用于采集无人设备信息,无人设备信息包括无人设备类型信息与设备相关信息;
所述影像信息采集模块与补光设备采集模块设置在无人设备上,所述影像信息采集模块用于进行影像信息采集获取到实时影像信息,所述补光设备采集模块用于采集补光设备信息;
所述环境信息采集模块用于采集无人设备所在环境的环境信息,所述任务信息采集模块用于采集无人设备执行任务信息;
所述数据处理模块对采集到的无人设备信息、实时影像信息、补光设备信息与无人设备执行任务信息进行处理获取到识别提示信息与无人设备管控信息;
所述识别提示信息与无人设备管控信息生成后,信息发送模块将上述信息发送到预设接收终端。
进一步在于,所述影像信息模块采集到实时影像的过程如下:提取出采集到的无人设备信息,从无人机信息中提取出无人设备信息类型,无人设备类型包括无人飞行设备和地面设备,无人设备为无人飞行设备时,即通过第一采集模式进行实时影像采集;
当无人设备为地面设备时,即通过第二采集模式进行实时影像采集。
进一步在于,所述第一采集模式进行实时影像采集的过程如下:无人飞行设备在飞行过程中实时采集影像,通过预设的识别过程获取到预估识别目标时,至少从三个不同的角度再次采集预估识别目标的影像,三个不同的角度采集的预估识别目标的影像即为实时影像信息;
所述第二采集模式进行实时影像采集的具体过程如下:地面设备在行驶过程中实时采集影像,通过预设的识别过程获取到预设识别目标时,至少从两个不同的角度再次采集预估识别目标的影像,两个不同的角度采集的预估识别目标的影像即为实时影像信息。
进一步在于,所述预设的识别过程具体内容如下:将识别目标的影像导入到无人设备,当无人设备采集到的实时影像任意一个和识别目标的影像相似度大于预设值的目标时,即将其判定为预设识别目标。
进一步在于,所述识别提示信息的具体处理过程如下:提取出采集到的实时影像信息,对通过空域法和频域法,对获取到实时影像信息进行处理获取到清晰图像信息,之后再对清晰图像信息进行轮廓提取,获取到实时影像目标轮廓信息,将实时影像目标轮廓信息导入到预设的警示库与预设的警示库中的危险情况模型轮廓通过AI视觉识别算法进行相似度比对,当发现实时影像目标轮廓信息与预设的警示库中的危险情况模型的任意一个相似度大于预设值时,即生成识别提示信息。
进一步在于,所述AI视觉识别算法的建立过程如下:
先基于预定义的规则和过滤器来处理图像或视频数据的,之后基于统计学习的方法来处理图像或视频数据,通过支持向量机、神经网络进行数据集的训练,之后使用深度神经网络来处理图像或视频数据,通过深度学习自动学习特征并进行分类识别任务,最后利用预训练模型进行迁移学习,获取到最终的AI视觉识别算法。
进一步在于,所述无人设备管控信息包括补光设备运行调控信息与无人设备替换调控信息;
所述补光设备运行调控信息的具体处理过程如下:提取出采集到的环境信息,环境信息包括环境亮度信息与环境粉尘浓度信息,对环境亮度信息与环境粉尘浓度信息进行处理获取到补光评估参数,当补光评估参数异常时,即生成补光设备运行调控信息;
所述无人设备替换调控信息的具体处理过程如下:提取出采集到无人设备信息,从无人设备信息中获取到设备相关信息,设备相关信息包括无人设备满功率运行单位距离消耗信息与无人设备实时剩余电量信息,再提取出任务信息,任务信息包括任务出发点与任务执行点;
之后对无人设备满功率运行单位距离消耗信息、无人设备实时剩余电量信息、任务出发点与任务执行点进行处理获取到任务评估参数,当任务评估参数存在异常时,即生成无人设备替换调控信息。
进一步在于,所述补光评估参数的获取过程和补光评估参数异常的判定过程如下:提取出采集到的环境亮度信息与环境粉尘浓度信息,设置了标准调控亮度K,设置了辅助调控参数P,将环境亮度信息标记为Q,将环境粉尘浓度信息标记为E;
计算出环境亮度信息Q与标准调控亮度K的差值,即获取到第一评估参数Qk,再计算出环境粉尘浓度信息E与辅助调控参数P的差值,即获取到第二评估参数 Ep,第一评估参数Qk与第二评估参数Ep一起组成补光评估参数;
当第一评估参数Qk小于预设值a1,无论第二评估参数为何值都表示补光评估参数异常,当第一评估参数Qk小于预设值a2,但第二评估参数Ep大于预设值时,即表示补光评估参数异常,a1<a2。
进一步在于,所述任务评估参数的获取和任务评估参数存在的判定过程如下:提取出采集到的无人设备满功率运行单位距离消耗信息、无人设备实时剩余电量信息、任务出发点与任务执行点进行处理获取到任务评估参数,测量出任务出发点与任务执行点的距离,将其标记为G,之后将无人设备满功率运行单位距离消耗信息,标记为Y1,将无人设备实时剩余电量信息标记为Y2;
通过公式Y2/Y1-Y1*G=Yg,即获取到任务评估参数Yg,当任务评估参数Yg小于预设值时,即表示任务评估参数存在异常。
本发明相比现有技术具有以下优点:该用于无人设备的AI视觉识别系统,通过在使用不同类型的无人设备时,进行不同模式的进行影像采集,从而保证获取到影像信息的数量充足,数量足够的影像信息能够大大提升后续的AI视觉识别过程中的目标识别准确度,同时通过对获取到影像信息使用AI视觉进行识别获取到更加准确的目标影像分析结果,保证识别准确度,同时智能化生成无人设备管控信息来控制无人设备,进行更加稳定的监测目标的影像采集,实现更加稳定的AI视觉识别,让该系统更加值得推广使用。
附图说明
图1是本发明的系统框图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供一种技术方案:一种用于无人设备的AI视觉识别系统,包括无人设备采集模块、影像信息采集模块、补光设备采集模块、环境信息采集模块、任务信息采集模块、数据处理模块与信息发送模块;
所述无人设备信息采集模块用于采集无人设备信息,无人设备信息包括无人设备类型信息与设备相关信息;
所述影像信息采集模块与补光设备采集模块设置在无人设备上,所述影像信息采集模块用于进行影像信息采集获取到实时影像信息,所述补光设备采集模块用于采集补光设备信息;
所述环境信息采集模块用于采集无人设备所在环境的环境信息,所述任务信息采集模块用于采集无人设备执行任务信息;
所述数据处理模块对采集到的无人设备信息、实时影像信息、补光设备信息与无人设备执行任务信息进行处理获取到识别提示信息与无人设备管控信息;
所述识别提示信息与无人设备管控信息生成后,信息发送模块将上述信息发送到预设接收终端。
所述影像信息模块采集到实时影像的过程如下:提取出采集到的无人设备信息,从无人机信息中提取出无人设备信息类型,无人设备类型包括无人飞行设备和地面设备,无人设备为无人飞行设备时,即通过第一采集模式进行实时影像采集;
当无人设备为地面设备时,即通过第二采集模式进行实时影像采集;
本发明通过在使用不同类型的无人设备时,进行不同模式的进行影像采集,从而保证获取到影像信息的数量充足,数量足够的影像信息能够大大提升后续的AI视觉识别过程中的目标识别准确度,同时通过对获取到影像信息使用AI视觉进行识别获取到更加准确的目标影像分析结果,保证识别准确度,同时智能化生成无人设备管控信息来控制无人设备,进行更加稳定的监测目标的影像采集,实现更加稳定的AI视觉识别。
所述第一采集模式进行实时影像采集的过程如下:无人飞行设备在飞行过程中实时采集影像,通过预设的识别过程获取到预估识别目标时,至少从三个不同的角度再次采集预估识别目标的影像,三个不同的角度采集的预估识别目标的影像即为实时影像信息;
所述第二采集模式进行实时影像采集的具体过程如下:地面设备在行驶过程中实时采集影像,通过预设的识别过程获取到预设识别目标时,至少从两个不同的角度再次采集预估识别目标的影像,两个不同的角度采集的预估识别目标的影像即为实时影像信息;
通过上述过程,针对不同类型的无人设备制定不同类型的影像采集模块,获取到更加更详细的影像信息,为后续的AI视觉提供了数据基础,更多的数据基础,也能够保证AI视觉识别的准确性。
所述预设的识别过程具体内容如下:将识别目标的影像导入到无人设备,当无人设备采集到的实时影像任意一个和识别目标的影像相似度大于预设值的目标时,即将其判定为预设识别目标;
通过上述过程,进行了初步的识别目标判定,让无人设备能够着重的进行目标影像的采集。
所述识别提示信息的具体处理过程如下:提取出采集到的实时影像信息,对通过空域法和频域法,对获取到实时影像信息进行处理获取到清晰图像信息,之后再对清晰图像信息进行轮廓提取,获取到实时影像目标轮廓信息,将实时影像目标轮廓信息导入到预设的警示库与预设的警示库中的危险情况模型轮廓通过AI视觉识别算法进行相似度比对,当发现实时影像目标轮廓信息与预设的警示库中的危险情况模型的任意一个相似度大于预设值时,即生成识别提示信息;
通过上述过程,对识别目标进行了处理,获取到准确的提示信息,提示信息接收到人员进行防护作业。
所述AI视觉识别算法的建立过程如下:
先基于预定义的规则和过滤器来处理图像或视频数据的,之后基于统计学习的方法来处理图像或视频数据,通过支持向量机、神经网络进行数据集的训练,之后使用深度神经网络来处理图像或视频数据,通过深度学习自动学习特征并进行分类识别任务,最后利用预训练模型进行迁移学习,获取到最终的AI视觉识别算法;
第一阶段:规则引擎阶段:
这个阶段的计算机视觉系统是基于预定义的规则和过滤器来处理图像或视频数据的。这种方法受限于规则的复杂性和数据的质量。
第二阶段:统计学习阶段:这个阶段的计算机视觉系统使用基于统计学习的方法来处理图像或视频数据,如支持向量机、神经网络等。这种方法可以处理更加复杂的数据,但需要大量的数据集来进行训练。
第三阶段:深度学习阶段:
这个阶段的计算机视觉系统使用深度神经网络来处理图像或视频数据。深度学习可以自动学习特征并进行分类、识别、分割等任务,因此可以处理更加复杂的数据。
第四阶段:迁移学习阶段:
这个阶段的计算机视觉系统利用预训练模型进行迁移学习,可以在小数据集上进行训练并实现更好的性能。
目前的AI视觉算法已经进入到深度学习和迁移学习阶段。深度学习已经成为处理图像或视频数据的主要方法之一,特别是卷积神经网络(CNN)在图像识别、目标检测、语义分割等任务上取得了显著的成果。此外,迁移学习也越来越受到重视,因为它可以利用预训练的模型在新的数据集上进行微调,使得在小数据集上进行训练也能够实现很好的性能。
此外,还有一些新的技术和算法正在不断涌现,例如生成对抗网络(GAN)、注意力机制、强化学习等,这些技术和算法在图像或视频数据的处理和分析中也有广泛的应用。在未来,随着硬件和算法的不断发展,AI视觉算法还将不断进化和完善,为各个领域的发展带来更多的机会和挑战。
所述无人设备管控信息包括补光设备运行调控信息与无人设备替换调控信息;
所述补光设备运行调控信息的具体处理过程如下:提取出采集到的环境信息,环境信息包括环境亮度信息与环境粉尘浓度信息,对环境亮度信息与环境粉尘浓度信息进行处理获取到补光评估参数,当补光评估参数异常时,即生成补光设备运行调控信息;
所述无人设备替换调控信息的具体处理过程如下:提取出采集到无人设备信息,从无人设备信息中获取到设备相关信息,设备相关信息包括无人设备满功率运行单位距离消耗信息与无人设备实时剩余电量信息,再提取出任务信息,任务信息包括任务出发点与任务执行点;
之后对无人设备满功率运行单位距离消耗信息、无人设备实时剩余电量信息、任务出发点与任务执行点进行处理获取到任务评估参数,当任务评估参数存在异常时,即生成无人设备替换调控信息;
补光设备运行调控信息的具体内容即为,环境光强度不足,需要开启补光设备进行补光以保证采集到的实时影像信息的清晰度;
无人设备替换调控信息的具体内容为,无人设备电量不足,需要提前更换无人设备。
所述补光评估参数的获取过程和补光评估参数异常的判定过程如下:提取出采集到的环境亮度信息与环境粉尘浓度信息,设置了标准调控亮度K,设置了辅助调控参数P,将环境亮度信息标记为Q,将环境粉尘浓度信息标记为E;
计算出环境亮度信息Q与标准调控亮度K的差值,即获取到第一评估参数Qk,再计算出环境粉尘浓度信息E与辅助调控参数P的差值,即获取到第二评估参数 Ep,第一评估参数Qk与第二评估参数Ep一起组成补光评估参数;
当第一评估参数Qk小于预设值a1,无论第二评估参数为何值都表示补光评估参数异常,当第一评估参数Qk小于预设值a2,但第二评估参数Ep大于预设值时,即表示补光评估参数异常,a1<a2;
通过上述过程,能够获取到更加准确的补光参数信息,从而保证补光设备运行调控信息生成的准确性。
所述任务评估参数的获取和任务评估参数存在的判定过程如下:提取出采集到的无人设备满功率运行单位距离消耗信息、无人设备实时剩余电量信息、任务出发点与任务执行点进行处理获取到任务评估参数,测量出任务出发点与任务执行点的距离,将其标记为G,之后将无人设备满功率运行单位距离消耗信息,标记为Y1,将无人设备实时剩余电量信息标记为Y2;
通过公式Y2/Y1-Y1*G=Yg,即获取到任务评估参数Yg,当任务评估参数Yg小于预设值时,即表示任务评估参数存在异常;
通过上述过程,能够获取到更加准确的任务评估参数,从而保证无人设备替换调控信息的及时准确的生成。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种用于无人设备的AI视觉识别系统,其特征在于,包括无人设备采集模块、影像信息采集模块、补光设备采集模块、环境信息采集模块、任务信息采集模块、数据处理模块与信息发送模块;
所述无人设备信息采集模块用于采集无人设备信息,无人设备信息包括无人设备类型信息与设备相关信息;
所述影像信息采集模块与补光设备采集模块设置在无人设备上,所述影像信息采集模块用于进行影像信息采集获取到实时影像信息,所述补光设备采集模块用于采集补光设备信息;
所述环境信息采集模块用于采集无人设备所在环境的环境信息,所述任务信息采集模块用于采集无人设备执行任务信息;
所述数据处理模块对采集到的无人设备信息、实时影像信息、补光设备信息与无人设备执行任务信息进行处理获取到识别提示信息与无人设备管控信息;
所述识别提示信息与无人设备管控信息生成后,信息发送模块将上述信息发送到预设接收终端。
2.根据权利要求1所述的一种用于无人设备的AI视觉识别系统,其特征在于:所述影像信息模块采集到实时影像的过程如下:提取出采集到的无人设备信息,从无人机信息中提取出无人设备信息类型,无人设备类型包括无人飞行设备和地面设备,无人设备为无人飞行设备时,即通过第一采集模式进行实时影像采集;
当无人设备为地面设备时,即通过第二采集模式进行实时影像采集。
3.根据权利要求2所述的一种用于无人设备的AI视觉识别系统,其特征在于:所述第一采集模式进行实时影像采集的过程如下:无人飞行设备在飞行过程中实时采集影像,通过预设的识别过程获取到预估识别目标时,至少从三个不同的角度再次采集预估识别目标的影像,三个不同的角度采集的预估识别目标的影像即为实时影像信息;
所述第二采集模式进行实时影像采集的具体过程如下:地面设备在行驶过程中实时采集影像,通过预设的识别过程获取到预设识别目标时,至少从两个不同的角度再次采集预估识别目标的影像,两个不同的角度采集的预估识别目标的影像即为实时影像信息。
4.根据权利要求3所述的一种用于无人设备的AI视觉识别系统,其特征在于:所述预设的识别过程具体内容如下:将识别目标的影像导入到无人设备,当无人设备采集到的实时影像任意一个和识别目标的影像相似度大于预设值的目标时,即将其判定为预设识别目标。
5.根据权利要求1所述的一种用于无人设备的AI视觉识别系统,其特征在于:所述识别提示信息的具体处理过程如下:提取出采集到的实时影像信息,对通过空域法和频域法,对获取到实时影像信息进行处理获取到清晰图像信息,之后再对清晰图像信息进行轮廓提取,获取到实时影像目标轮廓信息,将实时影像目标轮廓信息导入到预设的警示库与预设的警示库中的危险情况模型轮廓通过AI视觉识别算法进行相似度比对,当发现实时影像目标轮廓信息与预设的警示库中的危险情况模型的任意一个相似度大于预设值时,即生成识别提示信息。
6.根据权利要求1所述的一种用于无人设备的AI视觉识别系统,其特征在于:所述AI视觉识别算法的建立过程如下:
先基于预定义的规则和过滤器来处理图像或视频数据的,之后基于统计学习的方法来处理图像或视频数据,通过支持向量机、神经网络进行数据集的训练,之后使用深度神经网络来处理图像或视频数据,通过深度学习自动学习特征并进行分类识别任务,最后利用预训练模型进行迁移学习,获取到最终的AI视觉识别算法。
7.根据权利要求1所述的一种用于无人设备的AI视觉识别系统,其特征在于:所述无人设备管控信息包括补光设备运行调控信息与无人设备替换调控信息;
所述补光设备运行调控信息的具体处理过程如下:提取出采集到的环境信息,环境信息包括环境亮度信息与环境粉尘浓度信息,对环境亮度信息与环境粉尘浓度信息进行处理获取到补光评估参数,当补光评估参数异常时,即生成补光设备运行调控信息;
所述无人设备替换调控信息的具体处理过程如下:提取出采集到无人设备信息,从无人设备信息中获取到设备相关信息,设备相关信息包括无人设备满功率运行单位距离消耗信息与无人设备实时剩余电量信息,再提取出任务信息,任务信息包括任务出发点与任务执行点;
之后对无人设备满功率运行单位距离消耗信息、无人设备实时剩余电量信息、任务出发点与任务执行点进行处理获取到任务评估参数,当任务评估参数存在异常时,即生成无人设备替换调控信息。
8.根据权利要求7所述的一种用于无人设备的AI视觉识别系统,其特征在于:所述补光评估参数的获取过程和补光评估参数异常的判定过程如下:提取出采集到的环境亮度信息与环境粉尘浓度信息,设置了标准调控亮度K,设置了辅助调控参数P,将环境亮度信息标记为Q,将环境粉尘浓度信息标记为E;
计算出环境亮度信息Q与标准调控亮度K的差值,即获取到第一评估参数Qk,再计算出环境粉尘浓度信息E与辅助调控参数P的差值,即获取到第二评估参数 Ep,第一评估参数Qk与第二评估参数Ep一起组成补光评估参数;
当第一评估参数Qk小于预设值a1,无论第二评估参数为何值都表示补光评估参数异常,当第一评估参数Qk小于预设值a2,但第二评估参数Ep大于预设值时,即表示补光评估参数异常,a1<a2。
9.根据权利要求7所述的一种用于无人设备的AI视觉识别系统,其特征在于:所述任务评估参数的获取和任务评估参数存在的判定过程如下:提取出采集到的无人设备满功率运行单位距离消耗信息、无人设备实时剩余电量信息、任务出发点与任务执行点进行处理获取到任务评估参数,测量出任务出发点与任务执行点的距离,将其标记为G,之后将无人设备满功率运行单位距离消耗信息,标记为Y1,将无人设备实时剩余电量信息标记为Y2;
通过公式Y2/Y1-Y1*G=Yg,即获取到任务评估参数Yg,当任务评估参数Yg小于预设值时,即表示任务评估参数存在异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311398533.5A CN117456386A (zh) | 2023-10-26 | 2023-10-26 | 一种用于无人设备的ai视觉识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311398533.5A CN117456386A (zh) | 2023-10-26 | 2023-10-26 | 一种用于无人设备的ai视觉识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117456386A true CN117456386A (zh) | 2024-01-26 |
Family
ID=89594196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311398533.5A Pending CN117456386A (zh) | 2023-10-26 | 2023-10-26 | 一种用于无人设备的ai视觉识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117456386A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102371766B1 (ko) * | 2021-09-29 | 2022-03-07 | (주)네온테크 | 비행 임무 빅데이터 분석 및 ai 처리를 위한 무인 비행체의 데이터 처리 장치 및 이를 이용한 비행 임무에 대한 데이터 처리 방법 |
CN115937773A (zh) * | 2022-12-06 | 2023-04-07 | 南京小网科技有限责任公司 | 一种基于ai识别的智能影像识别系统 |
CN116187592A (zh) * | 2023-04-27 | 2023-05-30 | 中联金冠信息技术(北京)有限公司 | 一种基于数据识别的无人机探测系统及方法 |
CN116805397A (zh) * | 2022-03-24 | 2023-09-26 | 卡巴斯基实验室股份制公司 | 用于使用机器学习算法检测和识别图像中的小对象的系统和方法 |
-
2023
- 2023-10-26 CN CN202311398533.5A patent/CN117456386A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102371766B1 (ko) * | 2021-09-29 | 2022-03-07 | (주)네온테크 | 비행 임무 빅데이터 분석 및 ai 처리를 위한 무인 비행체의 데이터 처리 장치 및 이를 이용한 비행 임무에 대한 데이터 처리 방법 |
CN116805397A (zh) * | 2022-03-24 | 2023-09-26 | 卡巴斯基实验室股份制公司 | 用于使用机器学习算法检测和识别图像中的小对象的系统和方法 |
CN115937773A (zh) * | 2022-12-06 | 2023-04-07 | 南京小网科技有限责任公司 | 一种基于ai识别的智能影像识别系统 |
CN116187592A (zh) * | 2023-04-27 | 2023-05-30 | 中联金冠信息技术(北京)有限公司 | 一种基于数据识别的无人机探测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11887064B2 (en) | Deep learning-based system and method for automatically determining degree of damage to each area of vehicle | |
CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
CN104463235B (zh) | 基于动车组运行图像的故障识别方法及装置 | |
CN107784294B (zh) | 一种基于深度学习的人脸检测与跟踪方法 | |
CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN111126153B (zh) | 基于深度学习的安全监测方法、系统、服务器及存储介质 | |
CN112364740B (zh) | 一种基于计算机视觉的无人机房监控方法及系统 | |
CN115294117B (zh) | Led灯珠的缺陷检测方法及相关装置 | |
CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
CN116110012B (zh) | 用于智慧工地的危险违规动作识别方法及系统 | |
CN112949457A (zh) | 基于增强现实技术的维修方法、装置及系统 | |
CN116012762A (zh) | 一种针对电力设备的交通路口视频影像分析方法及系统 | |
CN117115527A (zh) | 一种基于红外热成像的电力设备故障检测方法和系统 | |
CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
CN110263622A (zh) | 列车火情监测方法、装置、终端及存储介质 | |
CN117456386A (zh) | 一种用于无人设备的ai视觉识别系统 | |
CN115984759A (zh) | 变电站开关状态识别方法、装置、计算机设备和存储介质 | |
CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
CN110033082B (zh) | 一种识别ai设备中深度学习模型的方法 | |
CN111325132A (zh) | 一种智能监控系统 | |
CN112861701A (zh) | 违章停车识别方法、装置、电子设备以及计算机可读介质 | |
CN112714284A (zh) | 一种电力设备检测方法、装置及移动终端 | |
Park et al. | Slash or burn: Power line and vegetation classification for wildfire prevention | |
CN111126771A (zh) | 基于区域关注度预测安检员识图质量监督保障系统及方法 | |
CN114911813B (zh) | 车载感知模型的更新方法、装置、电子设备及存储介质 |
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 |