CN117729314B - 基于ai视觉的多区域监测系统及方法 - Google Patents
基于ai视觉的多区域监测系统及方法 Download PDFInfo
- Publication number
- CN117729314B CN117729314B CN202410172856.0A CN202410172856A CN117729314B CN 117729314 B CN117729314 B CN 117729314B CN 202410172856 A CN202410172856 A CN 202410172856A CN 117729314 B CN117729314 B CN 117729314B
- Authority
- CN
- China
- Prior art keywords
- intelligent gateway
- abnormal
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 149
- 230000000007 visual effect Effects 0.000 claims abstract description 80
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 238000009423 ventilation Methods 0.000 claims description 6
- 239000000779 smoke Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000007654 immersion Methods 0.000 claims description 2
- 238000001931 thermography Methods 0.000 claims description 2
- 238000004861 thermometry Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 10
- 230000000391 smoking effect Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了基于AI视觉的多区域监测系统及方法,包括云平台、智能网关、多个自主执行终端、多个类型的传感器、多个图像采集装置及多个待监测设备;智能网关用于对所接收的各待监测设备的设备工作参数进行异常工作参数检测得到异常设备检测结果,并基于预先存储的多个AI视觉模型中其中一个AI视觉模型对监测图像集进行异常图像识别得到异常区域监测结果。本发明实施例能基于智能网关对不同区域的图像采集装置上传的监测图像集基于其中所聚合的多种AI视觉模型中对应的AI视觉模型进行识别,使得识别结果更准确。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及基于AI视觉的多区域监测系统及方法。
背景技术
目前,图像采集设备如摄像头在安防、智慧交通、智慧城市等领域得到了广泛应用。图像采集设备所采集的视频数据上传至服务器后,服务器通过对图像采集设备所采集的视频数据进行图像识别及图像分析,可以得到与图像采集设备对应检测对象或区域中的监测结果。但是目前服务器中一般仅存储有单一应用领域的图像识别模型,若图像采集设备采集的图像并非是服务器中图像识别模型所针对及擅长识别的应用领域,导致最终的监测结果准确率较低。
发明内容
本发明实施例提供了基于AI视觉的多区域监测系统及方法,旨在解决现有技术中服务器中一般仅存储有单一应用领域的图像识别模型,若图像采集设备采集的图像并非是服务器中图像识别模型所针对及擅长识别的应用领域,导致最终的监测结果准确率较低的问题。
第一方面,本发明实施例提供了一种基于AI视觉的多区域监测系统,其包括
云平台、智能网关、多个自主执行终端、多个类型的传感器、多个图像采集装置及多个待监测设备;所述智能网关与所述云平台通讯连接;所述多个自主执行终端及所述多个图像采集装置与所述智能网关通讯连接;所述多个类型的传感器基于对应的接入协议与所述智能网关通讯连接;所述多个待监测设备与所述智能网关通讯连接;
其中,所述多个待监测设备中每一待监测设备上设置有所述多个类型的传感器中的若干个传感器,且若干个传感器用于将待监测设备的设备工作参数发送至所述智能网关;
所述多个图像采集装置中每一图像采集装置用于按预设图像采集策略采集对准区域的监测图像集并将监测图像集发送至所述智能网关;
所述智能网关用于对所接收的各待监测设备的设备工作参数进行异常工作参数检测得到异常设备检测结果,并基于预先存储的多个AI视觉模型中其中一个AI视觉模型对监测图像集进行异常图像识别得到异常区域监测结果;
所述云平台用于接收所述智能网关上传的预测设备检测结果和/或异常区域监测结果并保存在预设的存储空间。
第二方面,本发明实施例还提供了一种基于AI视觉的多区域监测方法,应用于上述第一方面中的基于AI视觉的多区域监测系统,其包括:
多个图像采集装置中每一图像采集装置按预设图像采集策略采集对准区域的监测图像集并将监测图像集发送至智能网关;
所述智能网关基于本地所存储已完成训练的多个AI视觉模型对所述监测图像集进行异常图像识别,以得到异常区域监测结果集;
所述智能网关若确定所述异常区域监测结果集为非空集,则获取所述异常区域监测结果集中各异常区域监测结果对应的目标异常区域定位信息;
所述智能网关基于各目标异常区域定位信息获取所述异常区域监测结果集中各异常区域监测结果对应的目标自主执行终端;
所述智能网关获取与所述异常区域监测结果集中各异常区域监测结果对应的目标异常处理策略,并将各目标异常处理策略发送至对应的目标自主执行终端;
各目标自主执行终端基于所接收的目标异常处理策略对应执行以排除对准区域中异常状态。
本发明实施例提供了基于AI视觉的多区域监测系统及方法,包括云平台、智能网关、多个自主执行终端、多个类型的传感器、多个图像采集装置及多个待监测设备;智能网关与云平台通讯连接;多个自主执行终端及多个图像采集装置与智能网关通讯连接;多个类型的传感器基于对应的接入协议与智能网关通讯连接;多个待监测设备与智能网关通讯连接;智能网关用于对所接收的各待监测设备的设备工作参数进行异常工作参数检测得到异常设备检测结果,并基于预先存储的多个AI视觉模型中其中一个AI视觉模型对监测图像集进行异常图像识别得到异常区域监测结果。本发明实施例能基于智能网关对不同区域的图像采集装置上传的监测图像集基于其中所聚合的多种AI视觉模型中对应的AI视觉模型进行识别,使得识别结果更准确。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于AI视觉的多区域监测系统的示意性框图;
图2为本发明实施例提供的基于AI视觉的多区域监测方法的流程示意图;
图3为本发明实施例提供的基于AI视觉的多区域监测方法的子流程示意图;
图4为本发明实施例提供的基于AI视觉的多区域监测方法的另一流程示意图。
具体实施方式
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。
应当理解,当在本说明书和所附权利要求书中使用时,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。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,其为本发明实施例基于AI视觉的多区域监测系统的示意性框图。如图1所示,所述基于AI视觉的多区域监测系统包括云平台10、智能网关20、多个自主执行终端30、多个类型的传感器40、多个图像采集装置50及多个待监测设备60;所述智能网关20与所述云平台10通讯连接;所述多个自主执行终端30及所述多个图像采集装置50与所述智能网关20通讯连接;所述多个类型的传感器40基于对应的接入协议与所述智能网关20通讯连接;所述多个待监测设备60与所述智能网关20通讯连接;
其中,所述多个待监测设备60中每一待监测设备上设置有所述多个类型的传感器中的若干个传感器,且若干个传感器用于将待监测设备的设备工作参数发送至所述智能网关20;
所述多个图像采集装置50中每一图像采集装置用于按预设图像采集策略采集对准区域的监测图像集并将监测图像集发送至所述智能网关20;
所述智能网关20用于对所接收的各待监测设备的设备工作参数进行异常工作参数检测得到异常设备检测结果,并基于预先存储的多个AI视觉模型中其中一个AI视觉模型对监测图像集进行异常图像识别得到异常区域监测结果;
所述云平台10用于接收所述智能网关20上传的预测设备检测结果和/或异常区域监测结果并保存在预设的存储空间。
在本实施例中,在一个大的地理区域中,可以部署设置多个图像采集装置。例如,将大的地理区域记为区域A,在区域A中设置了工业区域A1、电力设备架设区域A2、电缆隧道A3等更具体的小区域,在工业区域A1、电力设备架设区域A2、电缆隧道A3等小区域中分别部署了若干个图像采集装置。
其中,在每一图像采集装置中均可存储智能网关发送的预设图像采集策略,且每一图像采集装置按照其自身存储器中存储的预设图像采集策略采集对准区域的监测图像集并将监测图像集发送至智能网关。例如,工业区域A1中的图像采集装置按预设图像采集策略1采集对准区域的监测图像集并将监测图像集发送至智能网关;电力设备架设区域A2的图像采集装置按预设图像采集策略2采集对准区域的监测图像集并将监测图像集发送至智能网关;电缆隧道A3的图像采集装置按预设图像采集策略3采集对准区域的监测图像集并将监测图像集发送至智能网关。可见,不同区域中部署的图像采集装置按其对应的预设图像采集策略采集监测图像集发送至智能网关。
与现有的图像识别技术中在服务器中部署单一应用领域的图像识别模型的不同之处在于,本申请中在智能网关这一可视为边缘服务器的近端终端上聚合了多种AI视觉模型。每一个图像采集装置上传监测图像集至智能网关后,由智能网关确定了适合该图像采集装置的目标AI视觉模型对所述监测图像集进行异常图像识别,以得到异常区域监测结果集。
其中,所述多个AI视觉模型包括工业区域AI视觉模型、电力设备AI视觉模型、电缆隧道AI视觉模型等。其中,工业区域AI视觉模型是由训练集大部分为工业区域图像而训练得到的第一多目标检测模型(如YOLO V5模型),电力设备AI视觉模型是由训练集大部分为电力设备图像而训练得到的第二多目标检测模型(如YOLO V5模型),电缆隧道AI视觉模型是由训练集大部分为电缆隧道图像而训练得到的第三多目标检测模型(如YOLO V5模型)。
当所述智能网关若确定所述异常区域监测结果集为非空集,则表示至少有一个图像采集装置所对准区域采集得到的监测图像集中存在异常情况,如在工业区域上有人员未佩戴安全帽、打电话、未穿工服等异常情况,在电力设备架设区域有电力杆塔倒伏、输电线路存在线路缺陷等异常情况,在电缆隧道有吸烟等异常情况。一旦智能网关确定了所述异常区域监测结果集为非空集,则需判断存在异常情况的监测图像集所对应的图像采集装置的目标异常区域定位信息(因各图像采集装置的定位信息对于智能网关是已知的,故在智能网关获取到了存在异常情况的监测图像集所对应的图像采集装置后,即可确定目标异常区域定位信息)。
当在智能网关中确定了目标异常区域定位信息后,还需要获取到该目标异常区域定位信息所对应异常区域监测结果相应的目标自主执行终端。例如,在电缆隧道中确定了有人吸烟,则可以获取设置在该电缆隧道处的目标自主执行终端,以由目标自主执行终端进一步处理。
当智能网关获取到了所述异常区域监测结果集中各异常区域监测结果对应的目标自主执行终端后,还需获取到与所述异常区域监测结果集中各异常区域监测结果对应的目标异常处理策略,以将各目标异常处理策略发送至对应的目标自主执行终端,使得各目标自主执行终端基于对应的目标异常处理策略进行异常状态排除。
当各目标自主执行终端接收到由智能网关发送的相应目标异常处理策略后,则对应执行相应的目标异常处理策略对应执行以排除对准区域中异常状态。例如,在电缆隧道中有人员吸烟,则可以由智能网关向电缆隧道中设置的自主执行终端如报警器发送目标异常处理策略,报警器基于该目标异常处理策略进行声光提示用户及时停止吸烟以消除火灾风险。
在一实施例中,所述多个图像采集装置中包括球形摄像机、筒形摄像机及热成像测温摄像机;所述多个类型的传感器包括声发射传感器、振动传感器、水浸传感器、水位传感器、气体传感器、温度传感器、局放检测传感器、门磁传感器、烟雾传感器及噪声传感器中的任意一种或任意多种。
在本实施例中,在采用了上述各种类型的图像采集装置及传感器,能对待监测设备的多维度设备工作参数进行采集并发送至所述智能网关。而且也能采集所对准区域的监测图像集并将监测图像集发送至所述智能网关。
图2是本发明实施例提供的一种基于AI视觉的多区域监测方法的流程示意图。如图2所示,对应于以上基于AI视觉的多区域监测系统,本发明还提供一种基于AI视觉的多区域监测方法,其包括以下步骤S110-S160。
S110、多个图像采集装置中每一图像采集装置按预设图像采集策略采集对准区域的监测图像集并将监测图像集发送至智能网关。
在本实施例中,在一个大的地理区域中,可以部署设置多个图像采集装置。例如,将大的地理区域记为区域A,在区域A中设置了工业区域A1、电力设备架设区域A2、电缆隧道A3等更具体的小区域,在工业区域A1、电力设备架设区域A2、电缆隧道A3等小区域中分别部署了若干个图像采集装置。
其中,在每一图像采集装置中均可存储智能网关发送的预设图像采集策略,且每一图像采集装置按照其自身存储器中存储的预设图像采集策略采集对准区域的监测图像集并将监测图像集发送至智能网关。例如,工业区域A1中的图像采集装置按预设图像采集策略1采集对准区域的监测图像集并将监测图像集发送至智能网关;电力设备架设区域A2的图像采集装置按预设图像采集策略2采集对准区域的监测图像集并将监测图像集发送至智能网关;电缆隧道A3的图像采集装置按预设图像采集策略3采集对准区域的监测图像集并将监测图像集发送至智能网关。可见,不同区域中部署的图像采集装置按其对应的预设图像采集策略采集监测图像集发送至智能网关。
在一实施例中,如图3所示,在步骤S110中包括针对每一图像采集装置均执行以下步骤;
S111、所述图像采集装置获取当前定位信息,并将所述当前定位信息发送至所述智能网关,以使得所述智能网关基于所述当前定位信息确定所述图像采集装置的对准区域相应所属区域类型及候选图像采集策略;其中,所述候选图像采集策略为所述智能网关从本地存储的多个预设图像采集策略中基于所述当前定位信息所确定;
S112、所述图像采集装置接收所述智能网关发送的所述候选图像采集策略,并按所述候选图像采集策略对所述对准区域进行采集得到监测图像集并将监测图像集发送至智能网关。
在本实施例中,若在图像采集装置中还设置了定位模块,则每一图像采集装置均可获取当前定位信息。当然,若在图像采集装置中未设置定位模块,还可以是初始安装配置图像采集装置时,在图像采集装置的存储器中写入并存储当前定位信息。
在图像采集装置获取到了其对应的当前定位信息后,将该当前定位信息发送至所述智能网关,以使得所述智能网关基于所述当前定位信息确定所述图像采集装置的对准区域相应所属区域类型及候选图像采集策略。
例如,仍参考上述示例,图像采集装置的对准区域相应所属区域类型为工业区域类型时,则获取预设图像采集策略1作为候选图像采集策略。之后工业区域A1中的图像采集装置按预设图像采集策略1采集对准区域的监测图像集并将监测图像集发送至智能网关。
同样的,图像采集装置的对准区域相应所属区域类型为电力设备架设区域时,则获取预设图像采集策略2作为候选图像采集策略。之后电力设备架设区域A2中的图像采集装置按预设图像采集策略2采集对准区域的监测图像集并将监测图像集发送至智能网关。
图像采集装置的对准区域相应所属区域类型为电缆隧道时,则获取预设图像采集策略3作为候选图像采集策略。之后电缆隧道A3中的图像采集装置按预设图像采集策略3采集对准区域的监测图像集并将监测图像集发送至智能网关。其中,预设图像采集策略1-预设图像采集策略3可分别设置不同的图像采集周期及图像保存清晰度等,以适合于不同区域的图像采集需求。可见,对不同区域的图像采集装置设置不同的预设图像采集策略,使得所采集的监测图像集更具有区域特征针对性。
S120、所述智能网关基于本地所存储已完成训练的多个AI视觉模型对所述监测图像集进行异常图像识别,以得到异常区域监测结果集。
在本实施例中,与现有的图像识别技术中在服务器中部署单一应用领域的图像识别模型的不同之处在于,本申请中在智能网关这一可视为边缘服务器的近端终端上聚合了多种AI视觉模型。每一个图像采集装置上传监测图像集至智能网关后,由智能网关确定了适合该图像采集装置的目标AI视觉模型对所述监测图像集进行异常图像识别,以得到异常区域监测结果集。
其中,所述多个AI视觉模型包括工业区域AI视觉模型、电力设备AI视觉模型、电缆隧道AI视觉模型等。其中,工业区域AI视觉模型是由训练集大部分为工业区域图像而训练得到的第一多目标检测模型(如YOLO V5模型),电力设备AI视觉模型是由训练集大部分为电力设备图像而训练得到的第二多目标检测模型(如YOLO V5模型),电缆隧道AI视觉模型是由训练集大部分为电缆隧道图像而训练得到的第三多目标检测模型(如YOLO V5模型)。
在一实施例中,如图4所示,在步骤S120中针对每个图像采集装置上传的监测图像集均执行以下步骤:
S121、所述智能网关获取所述图像采集装置对应的所述对准区域相应所属区域类型;
S122、所述智能网关在本地所存储已完成训练的多个AI视觉模型中获取与所属区域类型对应的候选AI视觉模型,以对所述监测图像集进行异常图像识别得到异常区域监测结果。
在本实施例中,仍参考上述示例,以一个图像采集装置上传了监测图像集为例。在智能网关中获取到该图像采集装置的所述对准区域相应所属区域类型后,即可在本地所存储已完成训练的多个AI视觉模型中获取与所属区域类型对应的候选AI视觉模型。
例如,图像采集装置的对准区域相应所属区域类型为工业区域类型时,则获取AI视觉模型1作为候选AI视觉模型。之后智能网关基于AI视觉模型1对该图像采集装置上传的监测图像集进行异常图像识别得到异常区域监测结果。
同样的,图像采集装置的对准区域相应所属区域类型为电力设备架设区域时,则获取AI视觉模型2作为候选AI视觉模型。之后智能网关基于AI视觉模型2对该图像采集装置上传的监测图像集进行异常图像识别得到异常区域监测结果。
图像采集装置的对准区域相应所属区域类型为电缆隧道时,则获取AI视觉模型3作为候选AI视觉模型。之后智能网关基于AI视觉模型3对该图像采集装置上传的监测图像集进行异常图像识别得到异常区域监测结果。可见,对不同区域的图像采集装置上传的监测图像集基于对应的AI视觉模型进行识别,使得识别结果更准确。
S130、所述智能网关若确定所述异常区域监测结果集为非空集,则获取所述异常区域监测结果集中各异常区域监测结果对应的目标异常区域定位信息。
在本实施例中,当所述智能网关若确定所述异常区域监测结果集为非空集,则表示至少有一个图像采集装置所对准区域采集得到的监测图像集中存在异常情况,如在工业区域上有人员未佩戴安全帽、打电话、未穿工服等异常情况,在电力设备架设区域有电力杆塔倒伏、输电线路存在线路缺陷等异常情况,在电缆隧道有吸烟等异常情况。一旦智能网关确定了所述异常区域监测结果集为非空集,则需判断存在异常情况的监测图像集所对应的图像采集装置的目标异常区域定位信息(因各图像采集装置的定位信息对于智能网关是已知的,故在智能网关获取到了存在异常情况的监测图像集所对应的图像采集装置后,即可确定目标异常区域定位信息)。可见,基于上述方式,可由智能网关快速确定目标异常区域定位信息。
在一实施例中,作为步骤S130的第一具体实施例,步骤S130包括:
所述智能网关若确定所述对准区域相应所属区域类型为工业区域区域类型,则在本地所存储已完成训练的多个AI视觉模型中获取工业区域AI视觉模型;
所述智能网关基于所述工业区域AI视觉模型对所述监测图像集进行异常图像识别得到异常区域监测结果。
在本实施例中,所述智能网关若确定所述对准区域相应所属区域类型为工业区域区域类型,则表示需要对工业区域上是否有人员未佩戴安全帽、是否有人员打电话、是否有人员未穿工服等异常情况进行精准监测,此时可以在智能网关的地所存储已完成训练的多个AI视觉模型中获取工业区域AI视觉模型。之后基于所述工业区域AI视觉模型对所述监测图像集进行异常图像识别得到异常区域监测结果,以精准判断工业区域上是否有人员未佩戴安全帽、是否有人员打电话、是否有人员未穿工服等异常情况。
在一实施例中,作为步骤S130的第二具体实施例,步骤S130包括:
所述智能网关若确定所述对准区域相应所属区域类型为电力设备部署区域类型,则在本地所存储已完成训练的多个AI视觉模型中获取电力设备AI视觉模型;
所述智能网关基于所述电力设备AI视觉模型对所述监测图像集进行异常图像识别得到异常区域监测结果。
在本实施例中,所述智能网关若确定所述对准区域相应所属区域类型为电力设备架设区域类型,则表示需要对电力设备架设区域是否有电力杆塔倒伏、是否有输电线路存在线路缺陷等异常情况进行精准监测,此时可以在智能网关的地所存储已完成训练的多个AI视觉模型中获取电力设备AI视觉模型。之后基于所述电力设备AI视觉模型对所述监测图像集进行异常图像识别得到异常区域监测结果,以精准判断电力设备架设区域是否有电力杆塔倒伏、是否有输电线路存在线路缺陷等异常情况。
在一实施例中,作为步骤S130的第三具体实施例,步骤S130包括:
所述智能网关若确定所述对准区域相应所属区域类型为电缆隧道区域类型,则在本地所存储已完成训练的多个AI视觉模型中获取电缆隧道AI视觉模型;
所述智能网关基于所述电缆隧道AI视觉模型对所述监测图像集进行异常图像识别得到异常区域监测结果。
在本实施例中,所述智能网关若确定所述对准区域相应所属区域类型为电缆隧道区域类型,则表示需要对电缆隧道内是否有人员吸烟等异常情况进行精准监测,此时可以在智能网关的地所存储已完成训练的多个AI视觉模型中获取电缆隧道AI视觉模型。之后基于所述电缆隧道AI视觉模型对所述监测图像集进行异常图像识别得到异常区域监测结果,以精准判断电缆隧道内是否有人员吸烟等异常情况。
S140、所述智能网关基于各目标异常区域定位信息获取所述异常区域监测结果集中各异常区域监测结果对应的目标自主执行终端。
在本实施例中,当在智能网关中确定了目标异常区域定位信息后,还需要获取到该目标异常区域定位信息所对应异常区域监测结果相应的目标自主执行终端。例如,在电缆隧道中确定了有人吸烟,则可以获取设置在该电缆隧道处的目标自主执行终端,以由目标自主执行终端进一步处理。
S150、所述智能网关获取与所述异常区域监测结果集中各异常区域监测结果对应的目标异常处理策略,并将各目标异常处理策略发送至对应的目标自主执行终端。
在本实施例中,当智能网关获取到了所述异常区域监测结果集中各异常区域监测结果对应的目标自主执行终端后,还需获取到与所述异常区域监测结果集中各异常区域监测结果对应的目标异常处理策略,以将各目标异常处理策略发送至对应的目标自主执行终端,使得各目标自主执行终端基于对应的目标异常处理策略进行异常状态排除。
S160、各目标自主执行终端基于所接收的目标异常处理策略对应执行以排除对准区域中异常状态。
在本实施例中,当各目标自主执行终端接收到由智能网关发送的相应目标异常处理策略后,则对应执行相应的目标异常处理策略对应执行以排除对准区域中异常状态。例如,在电缆隧道中有人员吸烟,则可以由智能网关向电缆隧道中设置的自主执行终端如报警器发送目标异常处理策略,报警器基于该目标异常处理策略进行声光提示用户及时停止吸烟以消除火灾风险。
在一实施例中,步骤S160包括:
所述各目标自主执行终端基于所接收的目标异常处理策略,并解析获取所述目标异常处理策略中的声光提示控制指令、通风设备启动控制指令、电控锁启动控制指令或灭火设备启动控制指令,以执行所述声光提示控制指令、所述通风设备启动控制指令、所述电控锁启动控制指令或所述灭火设备启动控制指令排除对准区域中异常状态。
在本实施例中,如在工业区域上有人员未佩戴安全帽、打电话、未穿工服等异常情况,在电力设备架设区域有电力杆塔倒伏、输电线路存在线路缺陷等异常情况,在电缆隧道有吸烟等异常情况。当工业区域、电力设备架设区域、电缆隧道等区域的目标自主执行终端接收到的目标异常处理策略中,则可对应解析得到声光提示控制指令、通风设备启动控制指令、电控锁启动控制指令或灭火设备启动控制指令。通过执行所述声光提示控制指令、所述通风设备启动控制指令、所述电控锁启动控制指令或所述灭火设备启动控制指令可以对工业区域、电力设备架设区域、电缆隧道等区域的异常状态排除。
可见,实施该方法的实施例能基于智能网关对不同区域的图像采集装置上传的监测图像集基于其中所聚合的多种AI视觉模型中对应的AI视觉模型进行识别,使得识别结果更准确。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例系统中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于AI视觉的多区域监测系统,其特征在于,包括云平台、智能网关、多个自主执行终端、多个类型的传感器、多个图像采集装置及多个待监测设备;所述智能网关与所述云平台通讯连接;所述多个自主执行终端及所述多个图像采集装置与所述智能网关通讯连接;所述多个类型的传感器基于对应的接入协议与所述智能网关通讯连接;所述多个待监测设备与所述智能网关通讯连接;
其中,所述多个待监测设备中每一待监测设备上设置有所述多个类型的传感器中的若干个传感器,且若干个传感器用于将待监测设备的设备工作参数发送至所述智能网关;
所述多个图像采集装置中每一图像采集装置用于按预设图像采集策略采集对准区域的监测图像集并将监测图像集发送至所述智能网关;
所述智能网关用于对所接收的各待监测设备的设备工作参数进行异常工作参数检测得到异常设备检测结果,并基于预先存储的多个AI视觉模型中其中一个候选AI视觉模型对监测图像集进行异常图像识别得到异常区域监测结果;所述基于预先存储的多个AI视觉模型中其中一个候选AI视觉模型对监测图像集进行一场图像识别得到异常区域监测结果,包括:所述智能网关获取所述图像采集装置对应的所述对准区域相应所属区域类型;所述智能网关在本地所存储己完成训练的多个AI视觉模型中获取与所属区域类型对应的候选AI视觉模型,以对所述监测图像集进行异常图像识别得到异常区域监测结果;
所述云平台用于接收所述智能网关上传的预测设备检测结果和/或异常区域监测结果并保存在预设的存储空间。
2.根据权利要求1所述基于AI视觉的多区域监测系统,其特征在于,所述多个图像采集装置中包括球形摄像机、筒形摄像机及热成像测温摄像机。
3.根据权利要求1所述基于AI视觉的多区域监测系统,其特征在于,所述多个类型的传感器包括振动传感器、水浸传感器、水位传感器、气体传感器、温度传感器、局放检测传感器、门磁传感器、烟雾传感器及噪声传感器中的任意一种或任意多种。
4.一种基于AI视觉的多区域监测方法,应用于如权利要求1-3任一项所述的基于AI视觉的多区域监测系统,其特征在于,所述基于AI视觉的多区域监测方法包括:
多个图像采集装置中每一图像采集装置按预设图像采集策略采集对准区域的监测图像集并将监测图像集发送至智能网关;
所述智能网关基于本地所存储已完成训练的多个AI视觉模型对所述监测图像集进行异常图像识别,以得到异常区域监测结果集;
所述智能网关若确定所述异常区域监测结果集为非空集,则获取所述异常区域监测结果集中各异常区域监测结果对应的目标异常区域定位信息;
所述智能网关基于各目标异常区域定位信息获取所述异常区域监测结果集中各异常区域监测结果对应的目标自主执行终端;
所述智能网关获取与所述异常区域监测结果集中各异常区域监测结果对应的目标异常处理策略,并将各目标异常处理策略发送至对应的目标自主执行终端;
各目标自主执行终端基于所接收的目标异常处理策略对应执行以排除对准区域中异常状态。
5.根据权利要求4所述的方法,其特征在于,在所述多个图像采集装置中每一图像采集装置按预设图像采集策略采集对准区域的监测图像集并将监测图像集发送至智能网关的步骤中针对每一图像采集装置均执行以下步骤:
所述图像采集装置获取当前定位信息,并将所述当前定位信息发送至所述智能网关,以使得所述智能网关基于所述当前定位信息确定所述图像采集装置的对准区域相应所属区域类型及候选图像采集策略;其中,所述候选图像采集策略为所述智能网关从本地存储的多个预设图像采集策略中基于所述当前定位信息所确定;
所述图像采集装置接收所述智能网关发送的所述候选图像采集策略,并按所述候选图像采集策略对所述对准区域进行采集得到监测图像集并将监测图像集发送至智能网关。
6.根据权利要求5所述的方法,其特征在于,在所述智能网关基于本地所存储已完成训练的多个AI视觉模型对所述监测图像集进行异常图像识别,以得到异常区域监测结果集的步骤中针对每个图像采集装置上传的监测图像集均执行以下步骤:
所述智能网关获取所述图像采集装置对应的所述对准区域相应所属区域类型;
所述智能网关在本地所存储已完成训练的多个AI视觉模型中获取与所属区域类型对应的候选AI视觉模型,以对所述监测图像集进行异常图像识别得到异常区域监测结果。
7.根据权利要求6所述的方法,其特征在于,所述智能网关在本地所存储已完成训练的多个AI视觉模型中获取与所属区域类型对应的候选AI视觉模型,以对所述监测图像集进行异常图像识别得到异常区域监测结果,包括;
所述智能网关若确定所述对准区域相应所属区域类型为工业区域类型,则在本地所存储已完成训练的多个AI视觉模型中获取工业区域AI视觉模型;
所述智能网关基于所述工业区域AI视觉模型对所述监测图像集进行异常图像识别得到异常区域监测结果。
8.根据权利要求6所述的方法,其特征在于,所述智能网关在本地所存储已完成训练的多个AI视觉模型中获取与所属区域类型对应的候选AI视觉模型,以对所述监测图像集进行异常图像识别得到异常区域监测结果,包括;
所述智能网关若确定所述对准区域相应所属区域类型为电力设备部署区域类型,则在本地所存储已完成训练的多个AI视觉模型中获取电力设备AI视觉模型;
所述智能网关基于所述电力设备AI视觉模型对所述监测图像集进行异常图像识别得到异常区域监测结果。
9.根据权利要求6所述的方法,其特征在于,所述智能网关在本地所存储已完成训练的多个AI视觉模型中获取与所属区域类型对应的候选AI视觉模型,以对所述监测图像集进行异常图像识别得到异常区域监测结果,包括;
所述智能网关若确定所述对准区域相应所属区域类型为电缆隧道区域类型,则在本地所存储已完成训练的多个AI视觉模型中获取电缆隧道AI视觉模型;
所述智能网关基于所述电缆隧道AI视觉模型对所述监测图像集进行异常图像识别得到异常区域监测结果。
10.根据权利要求6所述的方法,其特征在于,所述各目标自主执行终端基于所接收的目标异常处理策略对应执行以排除对准区域中异常状态,包括:
所述各目标自主执行终端基于所接收的目标异常处理策略,并解析获取所述目标异常处理策略中的声光提示控制指令、通风设备启动控制指令、电控锁启动控制指令或灭火设备启动控制指令,以执行所述声光提示控制指令、所述通风设备启动控制指令、所述电控锁启动控制指令或所述灭火设备启动控制指令排除对准区域中异常状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410172856.0A CN117729314B (zh) | 2024-02-07 | 2024-02-07 | 基于ai视觉的多区域监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410172856.0A CN117729314B (zh) | 2024-02-07 | 2024-02-07 | 基于ai视觉的多区域监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117729314A CN117729314A (zh) | 2024-03-19 |
CN117729314B true CN117729314B (zh) | 2024-05-03 |
Family
ID=90202045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410172856.0A Active CN117729314B (zh) | 2024-02-07 | 2024-02-07 | 基于ai视觉的多区域监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117729314B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113328908A (zh) * | 2021-05-10 | 2021-08-31 | 广东电网有限责任公司广州供电局 | 异常数据的检测方法、装置、计算机设备和存储介质 |
KR20220110366A (ko) * | 2021-01-29 | 2022-08-08 | 주식회사 청담홀딩스 | IoT 기반 수자원 통합 센싱 데이터 수집 및 분석 플랫폼 시스템 그리고 그 방법 |
CN116758475A (zh) * | 2023-06-09 | 2023-09-15 | 浙江英集动力科技有限公司 | 基于多源图像识别和深度学习的能源站异常行为预警方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11562500B2 (en) * | 2019-07-24 | 2023-01-24 | Squadle, Inc. | Status monitoring using machine learning and machine vision |
US20220415138A1 (en) * | 2021-06-23 | 2022-12-29 | Bank Of America Corporation | Artificial Intelligence (AI)-Based Security Systems for Monitoring and Securing Physical Locations |
-
2024
- 2024-02-07 CN CN202410172856.0A patent/CN117729314B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220110366A (ko) * | 2021-01-29 | 2022-08-08 | 주식회사 청담홀딩스 | IoT 기반 수자원 통합 센싱 데이터 수집 및 분석 플랫폼 시스템 그리고 그 방법 |
CN113328908A (zh) * | 2021-05-10 | 2021-08-31 | 广东电网有限责任公司广州供电局 | 异常数据的检测方法、装置、计算机设备和存储介质 |
CN116758475A (zh) * | 2023-06-09 | 2023-09-15 | 浙江英集动力科技有限公司 | 基于多源图像识别和深度学习的能源站异常行为预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117729314A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2306292C (en) | Monitoring system | |
CN105607617A (zh) | 一种基于物联网技术的安防故障诊断系统及方法 | |
CN110989594A (zh) | 一种智能机器人巡检系统及方法 | |
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 | |
CN110648489B (zh) | 基于红外热成像燃点识别的库房预警系统 | |
CN110198526B (zh) | 一种基于物联网的燃烧机故障诊断系统 | |
CN110379141B (zh) | 一种采用网关进行传感器联动的方法及网关系统 | |
CN113763667B (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
CN111047815A (zh) | 基于自学习模型识别消防探测器误报的方法及系统 | |
CN111899211A (zh) | 基于图像和气味的变压器漏油故障检测系统及方法 | |
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 | |
CN114550082A (zh) | 一种易用高效ai识别算法 | |
CN117729314B (zh) | 基于ai视觉的多区域监测系统及方法 | |
CN110928305B (zh) | 用于铁路客运车站巡更机器人的巡更方法及系统 | |
KR102459503B1 (ko) | 듀얼센서를 이용한 감시영역 이상 모니터링 시스템 및 방법 | |
CN115049988A (zh) | 一种用于配电网监测及预判的边缘计算方法及装置 | |
CN109544850A (zh) | 一种基于物联网的消防隐患判别方法 | |
CN115200715A (zh) | 一种电缆接头矩阵式红外测温分析及控制联动方法及系统 | |
CN114152290A (zh) | 换流站交流滤波器开关诊断方法 | |
CN113225525A (zh) | 一种室内监控方法及系统 | |
CN115394025A (zh) | 监控方法、装置、电子设备及存储介质 | |
CN220545056U (zh) | 配电房智能监控系统 | |
CN112991671A (zh) | 一种基于深度学习的智能安防系统及用于智能安防系统的深度学习方法 | |
KR102639165B1 (ko) | 배터리 검사 시스템 | |
CN214409636U (zh) | 一种电子设备的控制装置 |
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 |