CN117541997B - 一种基于图像特征的巷道安全预警方法及系统 - Google Patents
一种基于图像特征的巷道安全预警方法及系统 Download PDFInfo
- Publication number
- CN117541997B CN117541997B CN202410032057.3A CN202410032057A CN117541997B CN 117541997 B CN117541997 B CN 117541997B CN 202410032057 A CN202410032057 A CN 202410032057A CN 117541997 B CN117541997 B CN 117541997B
- Authority
- CN
- China
- Prior art keywords
- top wall
- roadway
- blasting
- image
- real
- 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 25
- 238000005422 blasting Methods 0.000 claims abstract description 72
- 230000008859 change Effects 0.000 claims abstract description 52
- 230000004044 response Effects 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 230000036962 time dependent Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005065 mining Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- G06V10/70—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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Emergency Management (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及巷道安全监测领域，尤其涉及一种基于图像特征的巷道安全预警方法及系统，方法包括步骤：获取实时图像，通过预设的分割模型进行分割，得到实时图像中的顶壁区域，计算实时图像中不同时刻下顶壁区域的亮度值，不同时刻下亮度值相同的顶壁区域为同一个顶壁区域；计算同一个顶壁区域爆破时段前后时刻的变化量；计算巷道变化情况，遍历每次爆破，计算每次爆破时段后一时刻巷道变化情况和爆破次数的相关性，响应于相关性大于设定的阈值，发出报警信号。本申请具有降低使用图像处理技术分析巷道安全的难度，提高准确率的效果。
Description
技术领域
本申请涉及巷道安全监测领域，尤其涉及一种基于图像特征的巷道安全预警方法及系统。
背景技术
巷道是指为开采矿石而开凿的地下空间，它是通往地下采场的开拓井巷。巷道按用途可分为人行、材料、通风和运输巷道等。开采矿石的过程中会需要进行多次的爆破，爆破可能会引起巷道被破坏。
巷道作业涉及到大量的工作人员，包括司机、采矿工人等，为了保证这些工作人员的安全，需要对巷道进行安全预警，巷道安全预警是指在矿山、隧道、地下工程等环境中，通过监测和分析各种可能的危险因素，提前发现潜在的安全风险，并及时向相关人员发送警报，以防范和减轻事故发生的可能性。
传统的巷道监测方式主要是人工巡检和测量，随着图像处理技术的快速发展，可以使用图像处理技术进行巷道的安全预警分析。但是由于巷道的环境较为复杂，对使用图像处理技术分析巷道安全的难度较高，准确率较低。
发明内容
为了降低使用图像处理技术分析巷道安全的难度，提高准确率，本申请提供一种基于图像特征的巷道安全预警方法及系统。
第一方面，本申请提供一种基于图像特征的巷道安全预警方法，采用如下的技术方案：
一种基于图像特征的巷道安全预警方法，包括步骤：
获取实时图像，通过预设的分割模型进行分割，得到实时图像中的顶壁区域，将实时图像转化为HSV图像，HSV图像中的像素点的颜色值由色调、饱和度及亮度三个分类表示；计算实时图像中不同时刻下顶壁区域的亮度值，不同时刻下亮度值相同的顶壁区域为同一个顶壁区域；计算同一个顶壁区域爆破时段前后时刻的变化量，变化量的计算公式为：，其中，/>表示第/>个顶壁区域爆破时段前后时刻的变化量，/>表示爆破时段前后时刻第/>个顶壁区域的灰度值变化值，/>表示爆破对第/>个顶壁区域的影响面积，同理计算同一个侧壁区域爆破时段前后时刻的变化量；计算巷道变化情况，巷道变化情况计算公式为：/>，其中，/>表示巷道的变化情况，/>表示顶壁区域变化的权重，/>同一个顶壁区域爆破时段前后时刻的变化量，/>表示侧壁区域变化的权重，表示同一个侧壁区域爆破时段前后时刻的变化量，其中爆破时段的前后时刻包括爆破时段前一时刻和爆破时段后一时刻；遍历每次爆破，计算每次爆破时段后一时刻巷道变化情况和爆破次数的相关性，响应于相关性大于设定的阈值，发出报警信号，相关性的计算公式为：/>，其中，/>表示爆破次数序列，/>表示巷道变化情况序列，/>表示巷道变化情况和爆破次数的相关性，/>表示/>和/>的协方差，/>表示/>的标准差，/>表示/>的标准差。
可选的，获取巷道的多张历史图像，每张历史图像包括顶壁区域、侧壁区域、地面区域及背景区域，对顶壁区域、侧壁区域分别进行标注得到巷道数据集；使用巷道数据集训练预设的实例分割模型，训练完毕后得到分割模型，将实时图像输入到分割模型中，得到实时图像的顶壁区域。
可选的，所述实例分割模型设置为Mask R-CNN模型。
可选的，计算实时图像中不同时刻下顶壁区域的亮度值中，亮度值的计算公式为：，其中/>表示第/>个顶壁区域的亮度通道的亮度值，/>表示第/>个顶壁区域的像素点个数，/>表示第/>个顶壁区域的亮度值。
可选的，计算同一个顶壁区域爆破时段前后时刻的变化量中，灰度值变化值的计算公式为：，其中，/>表示爆破时段前后时刻第/>个顶壁区域的灰度值变化值，/>表示爆破时段前一时刻第/>个顶壁区域的灰度值，表示爆破时段后一时刻第/>个顶壁区域的灰度值。
可选的，计算同一个顶壁区域爆破时段前后时刻的变化量中，影响面积的计算公式为：，其中，/>表示爆破对第/>个顶壁区域的影响面积，/>表示爆破时段前一时刻第/>个顶壁区域的灰度值，/>表示爆破时段后一时刻第/>个顶壁区域的灰度值，/>为示性函数，当相等时示性函数的值为0，当/>不相等时示性函数值为1。
第二方面，本申请提供一种基于图像特征的巷道安全预警系统，采用如下的技术方案：
一种基于图像特征的巷道安全预警系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据上述的基于图像特征的巷道安全预警方法。
本申请具有以下技术效果：
通过实例分割算法对拍摄的巷道图像中巷道的顶壁区域和两个侧壁区域进行识别和划分，再根据每次爆破前后同一个顶壁区域及侧壁区域的变化量计算出巷道的变化情况，计算时考虑不同区域颜色通道中亮度对巷道变化量的影响和不同巷道区域变化对巷道安全的影响程度，计算每次爆破前后巷道的变化情况，分析爆破次数和巷道变化情况之间的关系，当爆破后巷道的变化情况和爆破次数的相关性大于设定阈值时，发出报警信号。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分。
图1是本申请实施例一种基于图像特征的巷道安全预警方法的方法流程图。
图2是本申请实施例一种基于图像特征的巷道安全预警方法中步骤S1的方法流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
应当理解，当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请实施例公开一种基于图像特征的巷道安全预警方法，参照图1，包括步骤S1-步骤S5，具体如下：
S1：获取实时图像，通过预设的分割模型进行分割，得到实时图像中的顶壁区域，将实时图像转化为HSV图像。参照图2，步骤S1包括步骤S10-步骤S11，具体如下：
S10：获取巷道的多张历史图像，每张历史图像包括顶壁区域、侧壁区域、地面区域及背景区域，对顶壁区域、侧壁区域分别进行标注得到巷道数据集。
通过预设的CCD（Charge Coupled Device，电荷耦合器件）相机，获取巷道的视频，对视频进行抽帧，每隔十帧抽取一张图像以获取多张历史图像，对历史图像中的顶壁区域和两个侧壁区域进行标注，历史图像及标注结果组成巷道数据集。
S11：使用巷道数据集训练预设的实例分割模型，训练完毕后得到分割模型，将实时图像输入到分割模型中，得到实时图像的顶壁区域。
实例分割模型设置为Mask R-CNN（Mask Region-based Convolutional NeuralNetwork）模型，Mask R-CNN模型是一种用于目标检测和实例分割的深度学习模型，可以实现精确的实例分割。
使用巷道数据集训练实例分割模型得到分割模型，分割模型的输入为巷道图像，输出为巷道图像中带有标记的顶壁区域和侧壁区域。
S2：计算实时图像中不同时刻下顶壁区域的亮度值，不同时刻下亮度值相同的顶壁区域为同一个顶壁区域。
亮度值的计算公式为：，其中/>表示第/>个顶壁区域的亮度通道的亮度值，/>表示第/>个顶壁区域的像素点个数，/>表示第/>个顶壁区域的亮度值。
由于巷道内的光线较暗，巷道亮度的变化对获取的实时图像产生的影响较大，不同时刻下相同亮度环境得到的巷道图像的变化才对研究巷道的安全是有意义的，所以不同时刻下亮度值相同的顶壁区域为同一个顶壁区域，实时图像为RGB（Red,Green,Blue，红，绿，蓝）图像，将RGB图像转化为HSV（Hue,Saturation,Value，色调，饱和度，亮度）图像，HSV图像中的像素点的颜色值由色调、饱和度及亮度三个分类表示。
S3：计算同一个顶壁区域爆破时段前后时刻的变化量。
爆破时段指的是从爆破开始的一刻到爆破产生的烟雾散去的时段，本申请爆破时段设置为20分钟，可由实施者根据具体的应用场景进行设定。爆破时段的前后时刻包括爆破时段的前一时刻和爆破时段后一时刻。
变化量的计算公式为：，其中，/>表示第/>个顶壁区域爆破时段前后时刻的变化量，/>表示爆破时段前后时刻第/>个顶壁区域的灰度值变化值，/>表示爆破对第/>个顶壁区域的影响面积。
灰度值变化值的计算公式为：，其中，/>表示爆破时段前后时刻第/>个顶壁区域的灰度值变化值，/>表示爆破时段前一时刻第/>个顶壁区域的灰度值，/>表示爆破时段后一时刻第/>个顶壁区域的灰度值。
影响面积的计算公式为：，其中，/>表示爆破对第/>个顶壁区域的影响面积，/>为示性函数，当相等时示性函数的值为0，当/>不相等时示性函数值为1。
同理计算同一个侧壁区域爆破时段前后时刻的变化量。
S4：计算巷道变化情况。
巷道变化情况计算公式为：，其中，/>表示巷道的变化情况，/>表示顶壁区域变化的权重，/>表示同一个顶壁区域爆破时段前后时刻的变化量，/>表示侧壁区域变化的权重，/>表示同一个侧壁区域爆破时段前后时刻的变化量。
在巷道安全方面，巷道内不同区域对巷道的安全重要性不同，巷道顶壁区域对巷道安全的重要性比巷道侧面区域的重要性高，而巷道的其他区域的变化对巷道的安全基本无关，因此，在计算巷道变化情况时给巷道顶壁区域和侧面区域不同的权重。
具体地，巷道的顶壁是地质构造较活跃的部分，容易发生岩石崩落或滑坡等情况，地质构造以及岩石稳定性的变化对侧面的影响较小，所以顶壁区域对巷道安全的重要性比侧壁区域的重要性高。
S5：遍历每次爆破，计算每次爆破时段后一时刻巷道变化情况和爆破次数的相关性，响应于相关性大于设定的阈值，发出报警信号。
相关性的计算公式为：，其中，/>表示爆破次数序列，/>表示巷道变化情况序列，/>表示巷道变化情况和爆破次数的相关性，/>表示/>和/>的协方差，/>表示/>的标准差，/>表示/>的标准差。
巷道变化情况和爆破次数的相关性与巷道的稳定性有直接关系，巷道变化情况和爆破次数的关系为正相关，则说明随着爆破次数的增加，巷道的变化程度也随之增大，说明爆破给巷道带来了越来越不稳定的结果。当巷道变化情况和爆破次数的相关性大于设定的阈值，发出报警信号，报警信号可以是声音警报、光闪警示。
本申请实施例还公开一种基于图像特征的巷道安全预警系统，包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本申请的基于图像特征的巷道安全预警方法。
上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本申请中，前述的存储器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。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
虽然本说明书已经示出和描述了本申请的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中，可以采用对本文所描述的本申请实施例的各种替代方案。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (7)
1.一种基于图像特征的巷道安全预警方法，其特征在于，包括步骤：
获取实时图像，通过预设的分割模型进行分割，得到实时图像中的顶壁区域，将实时图像转化为HSV图像，HSV图像中的像素点的颜色值由色调、饱和度及亮度三个分类表示；
计算实时图像中不同时刻下顶壁区域的亮度值，不同时刻下亮度值相同的顶壁区域为同一个顶壁区域；
计算同一个顶壁区域爆破时段前后时刻的变化量，变化量的计算公式为：，其中，/>表示第/>个顶壁区域爆破时段前后时刻的变化量，/>表示爆破时段前后时刻第/>个顶壁区域的灰度值变化值，/>表示爆破对第/>个顶壁区域的影响面积，同理计算同一个侧壁区域爆破时段前后时刻的变化量，其中爆破时段的前后时刻包括爆破时段前一时刻和爆破时段后一时刻；
计算巷道变化情况，巷道变化情况计算公式为：，其中，/>表示巷道的变化情况，/>表示顶壁区域变化的权重，/>表示同一个顶壁区域爆破时段前后时刻的变化量，/>表示侧壁区域变化的权重，/>表示同一个侧壁区域爆破时段前后时刻的变化量；
遍历每次爆破，计算每次爆破时段后一时刻巷道变化情况和爆破次数的相关性，响应于相关性大于设定的阈值，发出报警信号，相关性的计算公式为：，其中，/>表示爆破次数序列，/>表示巷道变化情况序列，/>表示巷道变化情况和爆破次数的相关性，/>表示/>和/>的协方差，/>表示/>的标准差，/>表示/>的标准差。
2.根据权利要求1所述的基于图像特征的巷道安全预警方法，其特征在于，获取实时图像，通过预设的分割模型进行分割，得到实时图像中的顶壁区域，包括步骤：
获取巷道的多张历史图像，每张历史图像包括顶壁区域、侧壁区域、地面区域及背景区域，对顶壁区域、侧壁区域分别进行标注得到巷道数据集；
使用巷道数据集训练预设的实例分割模型，训练完毕后得到分割模型，将实时图像输入到分割模型中，得到实时图像的顶壁区域。
3.根据权利要求2所述的基于图像特征的巷道安全预警方法，其特征在于，所述实例分割模型设置为Mask R-CNN模型。
4.根据权利要求1所述的基于图像特征的巷道安全预警方法，其特征在于，计算实时图像中不同时刻下顶壁区域的亮度值中，亮度值的计算公式为：，其中/>表示第/>个顶壁区域的亮度通道的亮度值，/>表示第/>个顶壁区域的像素点个数，/>表示第/>个顶壁区域的亮度值。
5.根据权利要求1所述的基于图像特征的巷道安全预警方法，其特征在于，计算同一个顶壁区域爆破时段前后时刻的变化量中，灰度值变化值的计算公式为：，其中，/>表示爆破时段前后时刻第/>个顶壁区域的灰度值变化值，/>表示爆破时段前一时刻第/>个顶壁区域的灰度值，/>表示爆破时段后一时刻第/>个顶壁区域的灰度值。
6.根据权利要求1所述的基于图像特征的巷道安全预警方法，其特征在于，计算同一个顶壁区域爆破时段前后时刻的变化量中，影响面积的计算公式为：
，其中，/>表示爆破对第/>个顶壁区域的影响面积，/>表示爆破时段前一时刻第/>个顶壁区域的灰度值，/>表示爆破时段后一时刻第/>个顶壁区域的灰度值，/>为示性函数，当相等时示性函数的值为0，当/>不相等时示性函数值为1。
7.一种基于图像特征的巷道安全预警系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-6任一项所述的基于图像特征的巷道安全预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410032057.3A CN117541997B (zh) | 2024-01-10 | 2024-01-10 | 一种基于图像特征的巷道安全预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410032057.3A CN117541997B (zh) | 2024-01-10 | 2024-01-10 | 一种基于图像特征的巷道安全预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117541997A CN117541997A (zh) | 2024-02-09 |
| CN117541997B true CN117541997B (zh) | 2024-03-12 |
Family
ID=89790407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410032057.3A Active CN117541997B (zh) | 2024-01-10 | 2024-01-10 | 一种基于图像特征的巷道安全预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541997B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1600559A1 (en) * | 2004-05-26 | 2005-11-30 | 3M Innovative Properties Company | Carriageway-marking device and system |
| CN103473748A (zh) * | 2013-09-23 | 2013-12-25 | 中国矿业大学(北京) | 一种煤矿井下图像增强的方法 |
| CN108521859A (zh) * | 2015-11-24 | 2018-09-11 | 皇家飞利浦有限公司 | 处理多个hdr图像源 |
| CN112560657A (zh) * | 2020-12-12 | 2021-03-26 | 南方电网调峰调频发电有限公司 | 烟火识别方法、装置、计算机设备和存储介质 |
| CN113420611A (zh) * | 2021-06-01 | 2021-09-21 | 煤炭科学研究总院 | 一种巷道围岩安全状态的检测方法、装置及电子设备 |
-
2024
- 2024-01-10 CN CN202410032057.3A patent/CN117541997B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1600559A1 (en) * | 2004-05-26 | 2005-11-30 | 3M Innovative Properties Company | Carriageway-marking device and system |
| CN103473748A (zh) * | 2013-09-23 | 2013-12-25 | 中国矿业大学(北京) | 一种煤矿井下图像增强的方法 |
| CN108521859A (zh) * | 2015-11-24 | 2018-09-11 | 皇家飞利浦有限公司 | 处理多个hdr图像源 |
| CN112560657A (zh) * | 2020-12-12 | 2021-03-26 | 南方电网调峰调频发电有限公司 | 烟火识别方法、装置、计算机设备和存储介质 |
| CN113420611A (zh) * | 2021-06-01 | 2021-09-21 | 煤炭科学研究总院 | 一种巷道围岩安全状态的检测方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 基于CWFS模型的洞室围岩稳定性分析;刘磊;《中国优秀硕士学位论文全文数据库》;20210115;全文 * |
| 基于图像特征的煤矿火灾检测与识别研究;王媛彬;《中国博士学位论文全文数据库》;20170215;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117541997A (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tong et al. | Use of shadows for detection of earthquake-induced collapsed buildings in high-resolution satellite imagery | |
| CN111881730A (zh) | 一种火电厂现场安全帽佩戴检测方法 | |
| CN104766071B (zh) | 一种应用于无人驾驶汽车的交通灯快速检测算法 | |
| CN110136172B (zh) | 一种矿工下井前防护设备佩戴的检测方法 | |
| CN108416985A (zh) | 一种基于图像识别的地质灾害监测预警系统及预警方法 | |
| CN113516076A (zh) | 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法 | |
| CN107273838A (zh) | 交通信号灯抓拍图片的处理方法及装置 | |
| CN104143077B (zh) | 基于图像的行人目标检索方法和系统 | |
| CN106530271A (zh) | 一种红外图像显著性检测方法 | |
| CN107016373A (zh) | 一种安全帽佩戴的检测方法及装置 | |
| CN111626170A (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
| CN104318266A (zh) | 一种图像智能分析处理预警方法 | |
| CN116524017B (zh) | 一种用于矿山井下检测识别定位系统 | |
| CN111626169A (zh) | 一种基于图像的铁路危险落石尺寸判断方法 | |
| CN104754327A (zh) | 一种检测及消除高光谱图像坏点的方法 | |
| CN114299011A (zh) | 一种基于深度学习的遥感目标四边形框快速检测方法 | |
| CN111461036A (zh) | 一种利用背景建模增强数据的实时行人检测方法 | |
| CN113449675A (zh) | 一种煤矿人员越界检测方法 | |
| CN117541997B (zh) | 一种基于图像特征的巷道安全预警方法及系统 | |
| CN113762229B (zh) | 一种建筑场地内建筑器材的智能识别方法及系统 | |
| CN103093214B (zh) | 一种基于车载红外相机的行人检测方法 | |
| CN113128422A (zh) | 一种深度神经网络的图像烟火检测方法及系统 | |
| CN104992139A (zh) | 一种基于运动矢量与圆形度匹配的落石检测方法 | |
| CN112232432A (zh) | 基于改进中心点检测的安检x光图像目标检测与识别方法 | |
| CN110738229B (zh) | 一种细粒度图像分类方法、装置及电子设备 |
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 |