CN117611928A - 一种违规电气焊识别方法、电子设备及存储介质 - Google Patents
一种违规电气焊识别方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117611928A CN117611928A CN202410088809.8A CN202410088809A CN117611928A CN 117611928 A CN117611928 A CN 117611928A CN 202410088809 A CN202410088809 A CN 202410088809A CN 117611928 A CN117611928 A CN 117611928A
- Authority
- CN
- China
- Prior art keywords
- electric welding
- electric
- welding
- monitoring area
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 227
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 238000010891 electric arc Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及渔港违规行为智能分析技术领域,尤其涉及一种违规电气焊识别方法、电子设备及存储介质,所述违规电气焊识别方法通过设置电气焊视频采集模块,对渔港进行图像采集,实时性高,实现了对渔港电气焊的实时监测,将图像画面输入到第二PP‑YOLOv2深度网络模型深度网络模型中,获得电气焊图像预测矩形框后,检测所述电气焊图像预测矩形框的个数,根据检测结果判断港内监测区域状态后,根据判断结果通过文件服务器获得推送数据,并将所述推送数据发送到智慧海洋服务器进行比对,根据比对结果识别违规电气焊获得识别结果。通过本申请获取监测区域的违规电器焊状态,进行报警提醒,提高了实时性与识别精度。
Description
技术领域
本申请涉及渔港违规行为智能分析技术领域,尤其涉及一种违规电气焊识别方法、电子设备及存储介质。
背景技术
为确保船舶处于良好的适航状态,船舶时常会在港内进行电气焊等明火作业。该类作业安全风险高,如若操作不规范,安全措施落实不到位,极易发生火灾或爆炸安全事故。据不完全统计,明火作业引起船舶火灾,占修造船火灾事故的四分之三。
船舶电气焊作业可能在甲板、货舱、深舱内,也可能在机舱内。作业位置周围可能积聚可燃气体、粉尘、储存易燃易爆货物。因此对违规电气焊的初期进行识别及预警可以能够在很大程度上降低火灾的扩大化,降低安全风险,维护港口及周边区域的安全。
目前,港内对违规电气焊的检测主要依赖视觉巡检的方法,即人工巡逻员或监控摄像头进行视觉巡检,人工观测是否存在违规的电气焊行为。这种方法依赖于人的观察能力,既费力又低效,而且可能存在疏漏和主观性。
发明内容
本申请实施例提供了一种违规电气焊识别方法、电子设备及存储介质,以至少解决了现有技术无法实现对违规电气焊的实时监测,实时检测火焰、光弧、面罩等违规电气焊的特征,无法确保港内的安全生产及工作人员的生命安全等问题。
本发明提供了一种违规电气焊识别方法,所述违规电气焊识别方法包括:
电气焊图像样本集获得步骤:rtsp视频流中采集获得电气焊图像后,对所述电气焊图像进行火花面罩标注获得电气焊图像样本集;
电气焊图像训练步骤:通过第一PP-YOLOv2深度网络模型深度网络模型对所述电气焊图像样本集进行训练获得第二PP-YOLOv2深度网络模型深度网络模型;
港内监测区域状态判断步骤:将rtsp画面输入到所述第二PP-YOLOv2深度网络模型深度网络模型中,获得电气焊图像预测矩形框后,检测所述电气焊图像预测矩形框的个数,根据检测结果判断港内监测区域状态后,根据判断结果通过文件服务器获得推送数据,并将所述推送数据发送到智慧海洋服务器;
违规电气焊识别步骤:所述智慧海洋服务器对所述推送数据与电气焊报备数据进行比对,根据比对结果识别违规电气焊获得识别结果。
在上述所述的违规电气焊识别方法,其中,所述电气焊图像样本集获得步骤包括:
训练计算机通过摄像头接入所述rtsp视频流,从所述rtsp视频流中采集获得多帧第一电气焊图像,并将多帧所述第一电气焊图像按照拍摄时间先后顺序进行排列后,获得多帧第二电气焊图像。
在上述所述的违规电气焊识别方法,其中,所述电气焊图像样本集获得步骤还包括:
利用labelme软件对多帧所述第二电气焊图像进行火花面罩标注,根据火花面罩识别结果获得所述电气焊图像样本集。
在上述所述的违规电气焊识别方法,其中,所述港内监测区域状态判断步骤包括:
监控计算机截取所述rtsp画面,并将所述rtsp画面输入到所述第二PP-YOLOv2深度网络模型深度网络模型中,获得所述电气焊图像预测矩形框。
在上述所述的违规电气焊识别方法,其中,所述港内监测区域状态判断步骤还包括:
所述监控计算机检测所述电气焊图像预测矩形框的所述个数,获得所述检测结果;
当所述检测结果为所述电气焊图像预测矩形框的所述个数为零时,所述港内监测区域状态判断为无电气焊状态。
在上述所述的违规电气焊识别方法,其中,所述港内监测区域状态判断步骤还包括:
当所述检测结果为所述电气焊图像预测矩形框的所述个数大于零时,所述港内监测区域状态判断为有电气焊状态,所述监控计算机对港内监测区域rtsp画面进行截图,并将截图上传到所述文件服务器获得所述推送数据。
在上述所述的违规电气焊识别方法,其中,所述违规电气焊识别步骤包括:
所述智慧海洋服务器对所述推送数据与电气焊报备数据库中的所述电气焊报备数据进行比对,获得所述比对结果;
若所述比对结果为所述推送数据未在所述电气焊报备数据库中,则所述智慧海洋服务器将所述推送数据对应的电气焊识别为违规电气焊,并保存所述识别结果,向工作人员发送违规报警提示信息。
本发明还提供了违规电气焊识别系统,适用于上述所述的违规电气焊识别方法,所述违规电气焊识别系统包括:
电气焊图像样本集获得单元:rtsp视频流中采集获得电气焊图像后,对所述电气焊图像进行火花面罩标注获得电气焊图像样本集;
电气焊图像训练单元:通过第一PP-YOLOv2深度网络模型深度网络模型对所述电气焊图像样本集进行训练获得第二PP-YOLOv2深度网络模型深度网络模型;
港内监测区域状态判断单元:将rtsp画面输入到所述第二PP-YOLOv2深度网络模型深度网络模型中,获得电气焊图像预测矩形框后,检测所述电气焊图像预测矩形框的个数,根据检测结果判断港内监测区域状态后,根据判断结果通过文件服务器获得推送数据,并将所述推送数据发送到智慧海洋服务器;
违规电气焊识别单元:所述智慧海洋服务器对所述推送数据与电气焊报备数据进行比对,根据比对结果识别违规电气焊获得识别结果。
本发明还提供一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述所述的违规电气焊识别方法。
本发明还提供一种电子设备可读存储介质,所述电子设备可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述所述的违规电气焊识别方法。
相比于相关技术,本发明提出的一种违规电气焊识别方法、电子设备及存储介质,通过设置电气焊视频采集模块,对渔港进行图像采集,实时性高,实现了对渔港电气焊的实时监测;本发明通过电气焊图像对PP-YOLOv2深度网络模型深度神经网络模型进行训练,得到训练好的PP-YOLOv2深度网络模型深度神经网络模型,从而便于后续采集的电气焊图像输入已训练好的PP-YOLOv2深度网络模型深度神经网络模型而得到监测区域的违规电器焊状态,进行报警提醒,提高了实时性与识别精度。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的违规电气焊识别方法流程图;
图2是根据本申请实施例的违规电气焊的智能识别流程图;
图3是根据本申请实施例的智慧渔港整体结构示意图;
图4是根据本申请实施例的视频监控集成功能流程图;
图5是根据本申请实施例的智能预警通知功能流程图;
图6是本发明的违规电气焊识别系统的结构示意图;
图7是根据本申请实施例的电子设备的框架图。
其中,附图标记为:
电气焊图像样本集获得单元:51;
电气焊图像训练单元:52;
港内监测区域状态判断单元:53;
违规电气焊识别单元:54;
81:处理器;
82:存储器;
83:通信接口;
80:总线。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的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。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本发明提出的一种违规电气焊识别方法、电子设备及存储介质,实现了对违规电气焊的实时监测,实时检测火焰、光弧、面罩等违规电气焊的特征,同时,发送警报以提醒工作人员采取措施,确保了港内的安全生产及工作人员的生命安全。
下面将以违规电气焊识别为例对本申请实施例进行说明。
实施例一
本实施例提供了违规电气焊识别方法。请参照图1至图4,图1是根据本申请实施例的违规电气焊识别方法流程图;图2是根据本申请实施例的违规电气焊的智能识别流程图;图3是根据本申请实施例的智慧渔港整体结构示意图;图4是根据本申请实施例的视频监控集成功能流程图,如图1至图4所示,违规电气焊识别方法包括:
电气焊图像样本集获得步骤S1:rtsp视频流中采集获得电气焊图像后,对所述电气焊图像进行火花面罩标注获得电气焊图像样本集;
电气焊图像训练步骤S2:通过第一PP-YOLOv2深度网络模型深度网络模型对所述电气焊图像样本集进行训练获得第二PP-YOLOv2深度网络模型深度网络模型;
港内监测区域状态判断步骤S3:将rtsp画面输入到所述第二PP-YOLOv2深度网络模型深度网络模型中,获得电气焊图像预测矩形框后,检测所述电气焊图像预测矩形框的个数,根据检测结果判断港内监测区域状态后,根据判断结果通过文件服务器获得推送数据,并将所述推送数据发送到智慧海洋服务器;
违规电气焊识别步骤S4:所述智慧海洋服务器对所述推送数据与电气焊报备数据进行比对,根据比对结果识别违规电气焊获得识别结果。
在实施例中,所述电气焊图像样本集获得步骤S1包括:
训练计算机通过摄像头接入所述rtsp视频流,从所述rtsp视频流中采集获得多帧第一电气焊图像,并将多帧所述第一电气焊图像按照拍摄时间先后顺序进行排列后,获得多帧第二电气焊图像;
利用labelme软件对多帧所述第二电气焊图像进行火花面罩标注,根据火花面罩识别结果获得所述电气焊图像样本集。
在具体实施中,图1、图2、图3及图4所示,电气焊图像样本集获得步骤S1详细的为,训练计算机从电气焊rtsp视频流中提取多帧电气焊图像,且多帧电气焊图像按照拍摄时间先后顺序进行排列,可适当补充互联网下载的图片作为样本集,利用Labelme软件对采集的每一帧图像进行火焰、光弧、面罩等违规电气焊的特征区域的矩形框标记,得到电气焊图像样本集;
其中,第一电气焊图像指的是从rtsp视频流中采集获得的多帧电气焊图像;第二电气焊图像指的是对从rtsp视频流中采集获得的多帧电气焊图像按照拍摄时间先后顺序进行排列后,获得的多帧电气焊图像。
在实施例中,所述电气焊图像训练步骤S2包括:
通过第一PP-YOLOv2深度网络模型深度网络模型对所述电气焊图像样本集进行训练获得第二PP-YOLOv2深度网络模型深度网络模型。
在具体实施中,图1、图2、图3及图4所示,电气焊图像训练步骤S2详细的为,根据部署场景以及违规电气焊检测实时性、高召回低误检要求,选择PP-YOLOv2深度网络模型深度网络模型进行电气焊行为检测,具体的为,将图像样本集中的各个电气焊图像分别输入PP-YOLOv2深度网络模型深度网络模型进行训练,直至电气焊图像样本集训练完毕,得到训练好的PP-YOLOv2深度网络模型深度网络模型;其中,PP-YOLOv2深度网络模型深度网络模型包括Backbone结构、Neck结构、Head结构。
其中,干扰样本指的是生活中有很多物体和电气焊的火花是非常接近的,很难区分,比如:夜晚码头的灯光,渔船的灯光,水面反射的灯光等,电气焊图像训练步骤S2中针对由于干扰样本多导致误检率高的问题,使用背景图片作为负样本进行训练,降低了误检率;
其中,电气焊图像训练步骤S2中针对夜间火花误检率高的问题,采用了火花和面罩联合检测,也就是火花和面罩都检测到,才判断为电气焊,减少了误检率。
在实施例中,所述港内监测区域状态判断步骤S3包括:
监控计算机截取所述rtsp画面,并将所述rtsp画面输入到所述第二PP-YOLOv2深度网络模型深度网络模型中,获得所述电气焊图像预测矩形框;
所述监控计算机检测所述电气焊图像预测矩形框的所述个数,获得所述检测结果;
当所述检测结果为所述电气焊图像预测矩形框的所述个数为零时,所述港内监测区域状态判断为无电气焊状态;
当所述检测结果为所述电气焊图像预测矩形框的所述个数大于零时,所述港内监测区域状态判断为有电气焊状态,所述监控计算机对港内监测区域rtsp画面进行截图,并将截图上传到所述文件服务器获得所述推送数据。
在具体实施中,图1、图2、图3及图4所示,港内监测区域状态判断步骤S3详细的为,监控计算机将每n秒截取一张rtsp画面,首先检测场景中的船只后,将检测到的船只截取出来送入步骤二中已训练好的PP-YOLOv2深度网络模型深度神经网络模型中,得到电气焊特征如火花,电弧,面罩的预测矩形框;当上述中图像的预测矩形框的个数大于零时,说明港内当前k时刻监测区域的状态为有电气焊状态;当上述步骤中图像的预测矩形框的个数为零时,说明港内当前k时刻监测区域的状态为无电气焊状态。如果当前k时刻监测区域的状态为有电气焊状态,监控计算机将视频画面截图上传文件服务器并获取一个url,然后把时间范围、港口、船舶名称、视频画面截图url发送给智慧海洋服务器,并立即对下一帧图像进行识别;本发明中置信度阈值设置为0.4。
其中,港内监测区域状态判断步骤S3中针对电焊火花有时细小,在图像中所占比例小,引起难捕捉的问题,首先检测场景中的船只,然后将检测到的船只截取出来送入电焊火花和面罩联合检测模块,截取船只后,增加了火花所占像素的相对比例,提高了召回率。
在实施例中,所述违规电气焊识别步骤S4包括:
所述智慧海洋服务器对所述推送数据与电气焊报备数据库中的所述电气焊报备数据进行比对,获得所述比对结果;
若所述比对结果为所述推送数据未在所述电气焊报备数据库中,则所述智慧海洋服务器将所述推送数据对应的电气焊识别为违规电气焊,并保存所述识别结果,向工作人员发送违规报警提示信息。
在具体实施中,图1、图2、图3及图4所示,违规电气焊识别步骤S4详细的为,智慧海洋服务器会将收到的推送结果与海事管理机构收到的电气焊报备数据进行比对,未报备的视为违规电气焊,对于违规电气焊,保存违规记录,并对工作人员给发送报警通知提示。
实施例二
本实施例提供了智能预警通知功能流程步骤。请参照图5,图5是根据本申请实施例的智能预警通知功能流程图,如图5所示,智能预警通知功能流程步骤详细的为如下:
步骤1:智慧海洋服务器监控船舶状态,并根据比对结果识别推送数据对应的电气焊是否为违规电气焊;
步骤2:若识别结果为存在违规电气焊,则按照违规类型保存违规记录,并向工作人员发送违规报警提示信息;若识别结果为不存在违规电气焊,则回到步骤1继续监控船舶状态,识别违规电气焊。
实施例三
本实施例提供了违规电气焊识别系统。请参照图6所示,图6是本发明的违规电气焊识别系统的结构示意图,如图6所示,违规电气焊识别系统包括:
电气焊图像样本集获得单元:rtsp视频流中采集获得电气焊图像后,对所述电气焊图像进行火花面罩标注获得电气焊图像样本集;
电气焊图像训练单元:通过第一PP-YOLOv2深度网络模型深度网络模型对所述电气焊图像样本集进行训练获得第二PP-YOLOv2深度网络模型深度网络模型;
港内监测区域状态判断单元:将rtsp画面输入到所述第二PP-YOLOv2深度网络模型深度网络模型中,获得电气焊图像预测矩形框后,检测所述电气焊图像预测矩形框的个数,根据检测结果判断港内监测区域状态后,根据判断结果通过文件服务器获得推送数据,并将所述推送数据发送到智慧海洋服务器;
违规电气焊识别单元:所述智慧海洋服务器对所述推送数据与电气焊报备数据进行比对,根据比对结果识别违规电气焊获得识别结果。
实施例四
结合图7所示,本实施例揭示了一种电子设备的一种具体实施方式。电子设备可以包括处理器81以及存储有计算机程序指令的存储器82。
具体地,上述处理器81可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器82可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器82可在数据处理装置的内部或外部。在特定实施例中,存储器82是非易失性(Non-Volatile)存储器。在特定实施例中,存储器82包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为FPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EFPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器81所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令,以实现上述实施例中的任意违规电气焊识别方法。
在其中一些实施例中,电子设备还可包括通信接口83和总线80。其中,如7所示,处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口83还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线80可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
电子设备可连接违规电气焊识别系统,从而实现结合图1描述的违规电气焊识别方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
综上所述,发明提出的一种违规电气焊识别方法、电子设备及存储介质包含通讯定位终端,能够全天候24小时自动检测港内渔船的违规电气焊行为,改变以往完全由值班人员对监控画面进行监视和分析的模式,通过接入视频流,对所监控的画面进行不间断分析,快速识别违规电气焊行为,及时发现火灾隐患,最大程度降低了人员伤亡及财物损失,确保了渔港的安全生产及工作人员的生命安全。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求的保护范围为准。
Claims (10)
1.一种违规电气焊识别方法,其特征在于,所述违规电气焊识别方法包括:
电气焊图像样本集获得步骤:rtsp视频流中采集获得电气焊图像后,对所述电气焊图像进行火花面罩标注获得电气焊图像样本集;
电气焊图像训练步骤:通过第一PP-YOLOv2深度网络模型深度网络模型对所述电气焊图像样本集进行训练获得第二PP-YOLOv2深度网络模型深度网络模型;
港内监测区域状态判断步骤:将rtsp画面输入到所述第二PP-YOLOv2深度网络模型深度网络模型中,获得电气焊图像预测矩形框后,检测所述电气焊图像预测矩形框的个数,根据检测结果判断港内监测区域状态后,根据判断结果通过文件服务器获得推送数据,并将所述推送数据发送到智慧海洋服务器;
违规电气焊识别步骤:所述智慧海洋服务器对所述推送数据与电气焊报备数据进行比对,根据比对结果识别违规电气焊获得识别结果。
2.根据权利要求1所述的违规电气焊识别方法,其特征在于,所述电气焊图像样本集获得步骤包括:
训练计算机通过摄像头接入所述rtsp视频流,从所述rtsp视频流中采集获得多帧第一电气焊图像,并将多帧所述第一电气焊图像按照拍摄时间先后顺序进行排列后,获得多帧第二电气焊图像。
3.根据权利要求2所述的违规电气焊识别方法,其特征在于,所述电气焊图像样本集获得步骤还包括:
利用labelme软件对多帧所述第二电气焊图像进行火花面罩标注,根据标注结果获得所述电气焊图像样本集。
4.根据权利要求1所述的违规电气焊识别方法,其特征在于,所述港内监测区域状态判断步骤包括:
监控计算机截取所述rtsp画面,并将所述rtsp画面输入到所述第二PP-YOLOv2深度网络模型深度网络模型中,获得所述电气焊图像预测矩形框。
5.根据权利要求4所述的违规电气焊识别方法,其特征在于,所述港内监测区域状态判断步骤还包括:
所述监控计算机检测所述电气焊图像预测矩形框的所述个数,获得所述检测结果;
当所述检测结果为所述电气焊图像预测矩形框的所述个数为零时,所述港内监测区域状态判断为无电气焊状态。
6.根据权利要求5所述的违规电气焊识别方法,其特征在于,所述港内监测区域状态判断步骤还包括:
当所述检测结果为所述电气焊图像预测矩形框的所述个数大于零时,所述港内监测区域状态判断为有电气焊状态,所述监控计算机对港内监测区域rtsp画面进行截图,并将截图上传到所述文件服务器获得所述推送数据。
7.根据权利要求6所述的违规电气焊识别方法,其特征在于,所述违规电气焊识别步骤包括:
所述智慧海洋服务器对所述推送数据与电气焊报备数据库中的所述电气焊报备数据进行比对,获得所述比对结果;
若所述比对结果为所述推送数据未在所述电气焊报备数据库中,则所述智慧海洋服务器将所述推送数据对应的电气焊识别为违规电气焊,并保存所述识别结果,向工作人员发送违规报警提示信息。
8.一种违规电气焊识别系统,其特征在于,所述违规电气焊识别系统包括:
电气焊图像样本集获得单元:rtsp视频流中采集获得电气焊图像后,对所述电气焊图像进行火花面罩标注获得电气焊图像样本集;
电气焊图像训练单元:通过第一PP-YOLOv2深度网络模型深度网络模型对所述电气焊图像样本集进行训练获得第二PP-YOLOv2深度网络模型深度网络模型;
港内监测区域状态判断单元:将rtsp画面输入到所述第二PP-YOLOv2深度网络模型深度网络模型中,获得电气焊图像预测矩形框后,检测所述电气焊图像预测矩形框的个数,根据检测结果判断港内监测区域状态后,根据判断结果通过文件服务器获得推送数据,并将所述推送数据发送到智慧海洋服务器;
违规电气焊识别单元:所述智慧海洋服务器对所述推送数据与电气焊报备数据进行比对,根据比对结果识别违规电气焊获得识别结果。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的违规电气焊识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-7中任一项所述的违规电气焊识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410088809.8A CN117611928B (zh) | 2024-01-23 | 2024-01-23 | 一种违规电气焊识别方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410088809.8A CN117611928B (zh) | 2024-01-23 | 2024-01-23 | 一种违规电气焊识别方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117611928A true CN117611928A (zh) | 2024-02-27 |
CN117611928B CN117611928B (zh) | 2024-04-09 |
Family
ID=89952029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410088809.8A Active CN117611928B (zh) | 2024-01-23 | 2024-01-23 | 一种违规电气焊识别方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611928B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3751480A1 (en) * | 2019-06-11 | 2020-12-16 | Tata Consultancy Services Limited | System and method for detecting on-street parking violations |
CN112241693A (zh) * | 2020-09-25 | 2021-01-19 | 上海荷福人工智能科技(集团)有限公司 | 基于YOLOv3实现的违规焊接动火图像识别方法 |
CN113095132A (zh) * | 2021-03-04 | 2021-07-09 | 北京市燃气集团有限责任公司 | 一种基于神经网络的燃气现场目标检测和行为识别方法、系统、终端及存储介质 |
CN114581810A (zh) * | 2021-12-15 | 2022-06-03 | 山东鲁软数字科技有限公司 | 一种面向电力焊接作业的防护面罩佩戴合规性检测方法及系统 |
CN115205780A (zh) * | 2022-06-21 | 2022-10-18 | 重庆广睿达科技有限公司 | 一种工地违规的监控方法、系统、介质及电子设备 |
CN116206253A (zh) * | 2022-12-26 | 2023-06-02 | 上海电科智能系统股份有限公司 | 基于深度学习的工地动火行为检测判断方法及系统 |
-
2024
- 2024-01-23 CN CN202410088809.8A patent/CN117611928B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3751480A1 (en) * | 2019-06-11 | 2020-12-16 | Tata Consultancy Services Limited | System and method for detecting on-street parking violations |
CN112241693A (zh) * | 2020-09-25 | 2021-01-19 | 上海荷福人工智能科技(集团)有限公司 | 基于YOLOv3实现的违规焊接动火图像识别方法 |
CN113095132A (zh) * | 2021-03-04 | 2021-07-09 | 北京市燃气集团有限责任公司 | 一种基于神经网络的燃气现场目标检测和行为识别方法、系统、终端及存储介质 |
CN114581810A (zh) * | 2021-12-15 | 2022-06-03 | 山东鲁软数字科技有限公司 | 一种面向电力焊接作业的防护面罩佩戴合规性检测方法及系统 |
CN115205780A (zh) * | 2022-06-21 | 2022-10-18 | 重庆广睿达科技有限公司 | 一种工地违规的监控方法、系统、介质及电子设备 |
CN116206253A (zh) * | 2022-12-26 | 2023-06-02 | 上海电科智能系统股份有限公司 | 基于深度学习的工地动火行为检测判断方法及系统 |
Non-Patent Citations (2)
Title |
---|
JICHAO LI ET AL.: "An improved YOLOv3-tiny method for fire detection in the construction industry", 《E3S WEB OF CONFERENCES 253》, 31 December 2021 (2021-12-31), pages 1 - 5 * |
丘浩 等: "基于YOLOv3的特定电力作业场景下的违规操作识别算法", 《电力科学与技术学报》, vol. 36, no. 3, 31 May 2021 (2021-05-31), pages 195 - 206 * |
Also Published As
Publication number | Publication date |
---|---|
CN117611928B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462451A (zh) | 基于视频信息的秸秆焚烧检测报警系统 | |
CN111932709A (zh) | 一种基于ai识别实现加油站巡检作业违规安全监管的方法 | |
CN110599728B (zh) | 基于区块链的火情预警方法、装置、设备及存储介质 | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
CN110473375A (zh) | 森林火灾的监测方法、装置、设备和系统 | |
CN112801148A (zh) | 基于深度学习的火情识别定位系统及方法 | |
CN112017323A (zh) | 一种巡检报警方法、装置、可读存储介质及终端设备 | |
CN112489351A (zh) | 基于图片识别的学校火灾预警方法 | |
CN113538825A (zh) | 一种用于校园翻墙事件报警方法及系统 | |
CN110853287A (zh) | 一种基于物联网分布式架构的火焰实时监控系统及方法 | |
CN110928305B (zh) | 用于铁路客运车站巡更机器人的巡更方法及系统 | |
CN111899210A (zh) | 一种基于图像识别的电弧检测方法 | |
CN115082813A (zh) | 检测方法、无人机、检测系统及介质 | |
CN117611928B (zh) | 一种违规电气焊识别方法、电子设备及存储介质 | |
CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
CN115766401B (zh) | 工业告警信息解析方法、装置、电子设备与计算机介质 | |
CN115546722A (zh) | 一种烟火检测方法、系统、计算机设备以及存储介质 | |
CN114446002B (zh) | 火灾在线监测方法、装置、介质及系统 | |
CN113078729B (zh) | 应用于变电站的操作检测方法、装置、电子设备及介质 | |
CN115223081A (zh) | 一种地铁隧道智能安全监测方法、系统设备及介质 | |
CN112714284A (zh) | 一种电力设备检测方法、装置及移动终端 | |
CN113362563B (zh) | 电力隧道异常情况的确定方法和装置 | |
CN115082765B (zh) | 现场作业管理方法及现场作业管理系统 | |
Ginkal et al. | Forest Fire Detection using AI. |
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 |