CN117830856B - 一种园区环境监测图像智能优化方法及装置 - Google Patents

一种园区环境监测图像智能优化方法及装置 Download PDF

Info

Publication number
CN117830856B
CN117830856B CN202410098077.0A CN202410098077A CN117830856B CN 117830856 B CN117830856 B CN 117830856B CN 202410098077 A CN202410098077 A CN 202410098077A CN 117830856 B CN117830856 B CN 117830856B
Authority
CN
China
Prior art keywords
building
support
target
image
determining
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
Application number
CN202410098077.0A
Other languages
English (en)
Other versions
CN117830856A (zh
Inventor
罗桂富
董军宇
刘皓琰
宋伟业
李剑
杨芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Huazheng Information Technology Co ltd
Ocean University of China
Original Assignee
Qingdao Huazheng Information Technology Co ltd
Ocean University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Huazheng Information Technology Co ltd, Ocean University of China filed Critical Qingdao Huazheng Information Technology Co ltd
Priority to CN202410098077.0A priority Critical patent/CN117830856B/zh
Publication of CN117830856A publication Critical patent/CN117830856A/zh
Application granted granted Critical
Publication of CN117830856B publication Critical patent/CN117830856B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06N3/094—Adversarial 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
    • G06V10/40—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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及图像处理技术领域，提供一种园区环境监测图像智能优化方法及装置，其中，该方法包括：获取园区环境监测目标视频；针对园区环境监测目标视频中包含的至少一帧目标图像，提取各个建筑物特征点的特征信息；不同的建筑物特征点对应园区环境中的不同区域，不同区域对应包含不同的建筑支架；根据各个建筑物特征点的特征信息，确定目标图像中存在建筑物垮落的区域；在确定目标图像中存在建筑物垮落的区域的情况下，根据建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定至少一个建筑支架中存在建筑物垮落现象的目标建筑支架；在目标建筑支架的位置进行补充支架操作。本申请提高了建筑物垮落状态识别的准确度。

Description

一种园区环境监测图像智能优化方法及装置
技术领域
本申请涉及图像处理技术领域，尤其涉及一种园区环境监测图像智能优化方法及装置。
背景技术
现有技术中，主要通过获取视频监控数据，根据视频监控数据做出判断是否存在建筑物垮落现象，在确定存在建筑物垮落现象则补充支架，但是，上述方法存在一定的识别误差，对建筑物垮落现象进行识别的准确度不高。
发明内容
本申请提供一种园区环境监测图像智能优化方法，用以解决现有技术中对建筑物垮落现象进行识别的准确度不高的缺陷，提高了建筑物垮落状态识别的准确度。
第一方面，本申请提供一种园区环境监测图像智能优化方法，该方法包括：
获取园区环境监测目标视频；所述园区环境监测目标视频为根据园区环境中至少两个摄像机的第一视频得到的，所述摄像机面向所述园区环境的建筑物方向进行拍摄；
针对所述园区环境监测目标视频中包含的至少一帧目标图像，对所述目标图像中的至少一个建筑物特征点进行特征提取，得到各个所述建筑物特征点的特征信息；不同的所述建筑物特征点对应所述园区环境中的不同区域，不同所述区域对应包含不同的建筑支架；
根据各个所述建筑物特征点的特征信息，确定所述目标图像中存在建筑物垮落的区域；
在确定所述目标图像中存在建筑物垮落的区域的情况下，根据所述建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架；
在所述目标建筑支架的位置进行补充支架操作。
可选地，所述根据各个所述建筑物特征点的特征信息，确定所述目标图像中存在建筑物垮落的区域，包括：
根据各个所述建筑物特征点的特征信息，绘制建筑物垮落曲线；
根据所述建筑物垮落曲线，确定所述目标图像中是否包含存在建筑物垮落现象；
在确定所述目标图像中包含存在建筑物垮落现象的情况下，根据所述建筑物垮落曲线，确定存在建筑物垮落的目标建筑物特征点；
根据所述目标建筑物特征点，确定存在建筑物垮落的区域。
可选地，所述建筑支架的监测数据为所述建筑支架的顶板压力信息；在确定所述目标图像中存在建筑物垮落的区域的情况下，根据所述建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架，包括：
在确定所述目标图像中存在建筑物垮落的区域的情况下，利用部署在所述至少一个建筑支架上的压力传感器对各个所述建筑支架的顶板的压力进行检测，得到各个所述建筑支架的顶板压力信息；
根据各个所述建筑支架的顶板压力信息，绘制得到所述至少一个建筑支架的顶板压力变化曲线；
根据所述至少一个建筑支架的顶板压力变化曲线以及预设的顶板压力变化曲线斜率的阈值，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架。
可选地，所述建筑支架的监测数据为所述建筑支架的姿态信息；所述在确定所述目标图像中存在建筑物垮落的区域的情况下，根据所述建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架，包括：
在确定所述目标图像中存在建筑物垮落的区域的情况下，利用部署在所述至少一个建筑支架上的倾角传感器对各个所述建筑支架进行姿态检测，得到各个所述建筑支架的姿态信息；
根据各个所述建筑支架的姿态信息，绘制得到所述至少一个建筑支架的姿态变化曲线；
根据所述至少一个建筑支架的姿态变化曲线以及预设的姿态变化曲线斜率的阈值，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架。
可选地，所述获取园区环境监测目标视频，包括：
获取所述园区环境中至少两个摄像机的第一视频；所述至少两个个摄像机的位置信息为根据所述园区环境中至少一个所述建筑支架的位置信息得到的；
将所述至少两个摄像机中至少一对相邻的摄像机拍摄得到的第一视频进行拼接，得到所述相邻的摄像机的第二视频；
根据各个所述摄像机的第一视频和各个所述相邻的摄像机的第二视频，得到第三视频；
对所述第三视频中包含的至少一帧原始图像进行去模糊化，得到至少一帧去模糊化后的图像；
将各帧所述去模糊化后的图像进行合成，得到园区环境监测目标视频。
可选地，所述对所述第三视频中包含的至少一帧原始图像进行去模糊化，得到至少一帧去模糊化后的图像，包括：
根据成对数据集对原始对抗神经网络进行训练，得到训练后的去模糊网络；所述成对数据集中包含至少一对原始图像以及所述原始图像的清晰图像；
针对任一所述原始图像，利用所述去模糊网络的生成器，对所述原始图像进行去模糊化，得到所述原始图像的去模糊化后的图像；
根据各个所述原始图像的去模糊化后的图像，得到所述至少一帧去模糊化后的图像。
第二方面，本申请还提供一种园区环境监测图像智能优化装置，该装置包括：
获取模块，用于获取园区环境监测目标视频；所述园区环境监测目标视频为根据园区环境中至少两个摄像机的第一视频得到的，所述摄像机面向所述园区环境的建筑物方向进行拍摄；
识别模块，用于针对所述园区环境监测目标视频中包含的至少一帧目标图像，对所述目标图像中的至少一个建筑物特征点进行特征提取，得到各个所述建筑物特征点的特征信息；不同的所述建筑物特征点对应所述园区环境中的不同区域，不同所述区域对应包含不同的建筑支架；
第一确定模块，用于根据各个所述建筑物特征点的特征信息，确定所述目标图像中存在建筑物垮落的区域；
第二确定模块，用于在确定所述目标图像中存在建筑物垮落的区域的情况下，根据所述建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架；
补架模块，用于在所述目标建筑支架的位置进行补充支架操作。
本申请实施例先根据园区环境监测目标视频识别出存在建筑物垮落的区域，其中，不同区域对应包含不同的建筑支架，然后，根据建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定存在建筑物垮落现象的目标建筑支架，进而，在目标建筑支架的位置进行补充支架操作，可以精准地进行支架补充，提高了建筑物垮落状态识别的准确度。
附图说明
为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请提供的园区环境监测图像智能优化方法的流程示意图之一；
图2是本申请提供的园区环境监测图像智能优化方法的流程示意图之二；
图3是本申请提供的园区环境监测图像智能优化方法的流程示意图之三；
图4是本申请提供的园区环境监测图像智能优化装置的结构示意图；
图5是本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请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，本领域普通技术人员在没有作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。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一词项可以是一个，也可以是多个。
下面结合图1-图5描述本申请提供的园区环境监测图像智能优化方法。
图1是本申请提供的一种园区环境监测图像智能优化方法的流程示意图之一，如图1所示，该方法包括：
步骤101、获取园区环境监测目标视频；园区环境监测目标视频为根据园区环境中至少两个摄像机的第一视频得到的，摄像机面向园区环境的建筑物方向进行拍摄；
具体地，需要说明的是，本申请的执行主体可以是能够实现对园区环境支架进行控制的任何电子设备，例如可以为智能手机、智能手表、台式电脑、手提电脑等任何一种。
实际应用中，首先需要获取园区环境监测目标视频，也即园区环境的建筑物全景视频。例如，首先利用园区环境中至少两个摄像机的第一视频，然后对第一视频进行预处理，如拼接处理、去模糊化处理等，得到所述园区环境监测目标视频。
步骤102、针对园区环境监测目标视频中包含的至少一帧目标图像，对目标图像中的至少一个建筑物特征点进行特征提取，得到各个建筑物特征点的特征信息；不同的建筑物特征点对应园区环境中的不同区域，不同区域对应包含不同的建筑支架；
具体地，在获取到园区环境监测目标视频后，也即获得园区环境的建筑物全景视频后，可以对所述园区环境监测目标视频中的建筑物特征点进行处理，从而确定存在建筑物垮落现象的区域，所述区域对应包含建筑支架，建筑支架的位置相对固定。
首先，需要说明的是，建筑物特征点的特征信息例如各个建筑物特征点处的特征向量，特征取值等等。不同的建筑物特征点对应园区环境中的不同区域，不同区域对应包含不同的建筑支架。
针对园区环境监测目标视频中包含的至少一帧目标图像，对目标图像中的至少一个建筑物特征点进行特征提取，得到各个建筑物特征点的特征信息。
步骤103、根据各个建筑物特征点的特征信息，确定目标图像中存在建筑物垮落的区域；
具体地，在得到各个建筑物特征点的特征信息后，可以根据各个建筑物特征点的特征信息，确定目标图像中存在建筑物垮落的区域，也即初步确定存在建筑物垮落的支架范围。例如，对目标图像进行建筑物垮落状态的运动检测，得到建筑物垮落变化曲线，建筑物垮落变化曲线的横轴为建筑物特征点的位置信息，纵轴为建筑物特征点的特征信息；进而，根据建筑物垮落变化曲线以及预设的建筑物垮落曲线斜率阈值，计算得到目标图像中存在建筑物垮落的建筑物特征点，根据存在建筑物垮落的建筑物特征点，确定出目标图像中存在建筑物垮落的区域。
步骤104、在确定目标图像中存在建筑物垮落的区域的情况下，根据建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定至少一个建筑支架中存在建筑物垮落现象的目标建筑支架；
具体地，在确定目标图像中存在建筑物垮落的区域的情况下，也即确定了存在建筑物垮落的支架范围后，可以进一步根据建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定支架范围中存在建筑物垮落现象的目标建筑支架，其中，建筑支架的监测数据例如为顶板压力数据、姿态数据等。
示例性地，图2是本申请提供的园区环境监测图像智能优化方法的流程示意图之二，表示确定至少一个建筑支架中存在建筑物垮落现象的目标建筑支架的过程，如图2所示，该方法包括：
将拼接数据的真实数据作为判别器的输入，根据若干个顶板压力变化数据和支架姿态变化数据确定噪声参数，训练生成器，从而根据训练后的生成器确定识别结果，识别结果为存在建筑物垮落现象的目标建筑支架。可选地，可以将识别结果与视频拼接真实数据得到的存在建筑物垮落现象的区域进行对比，以验证网络生成器的识别效果。
步骤105、在目标建筑支架的位置进行补充支架操作。
具体地，确定存在建筑物垮落现象的目标建筑支架是4-10号建筑支架，则在目标建筑支架的位置进行补充支架操作。
本申请实施例根据园区环境监测目标视频识别出存在建筑物垮落的区域，其中，不同区域对应包含不同的建筑支架，然后，根据建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定存在建筑物垮落现象的目标建筑支架，进而，在目标建筑支架的位置进行补充支架操作，可以精准地进行支架补充，提高了建筑物垮落状态识别的准确度。
可选地，根据各个建筑物特征点的特征信息，确定目标图像中存在建筑物垮落的区域，包括：
根据各个建筑物特征点的特征信息，绘制建筑物垮落曲线；
根据建筑物垮落曲线，确定目标图像中是否包含存在建筑物垮落现象；
在确定目标图像中包含存在建筑物垮落现象的情况下，根据建筑物垮落曲线，确定存在建筑物垮落的目标建筑物特征点；
根据目标建筑物特征点，确定存在建筑物垮落的区域。
具体地，在一些实施例中，步骤103可以通过如下方式实现：
首先，根据各个建筑物特征点的特征信息，绘制建筑物垮落曲线；其中，建筑物特征点的特征信息例如包含三个特征值：建筑物垮落的宽度、高度和深度，可选地，特征信息还可以为根据上述三个特征值构建的建筑物特征点的特征向量。
进一步地，可以根据建筑物垮落曲线，确定目标图像中是否包含存在建筑物垮落现象；在确定目标图像中包含存在建筑物垮落现象的情况下，根据建筑物垮落曲线，确定存在建筑物垮落的区域。例如，根据建筑物垮落曲线，确定存在建筑物垮落的目标建筑物特征点，目标建筑物特征点为建筑物区域中的点，进一步，可以根据目标建筑物特征点，确定存在建筑物垮落的区域，也即初步确定了存在建筑物垮落现象的支架范围。
示例性地，当建筑物垮落曲线增长缓慢即建筑物垮落曲线的曲线斜率趋于0时（例如预设0-0.5之间），可以判断当前区域不存在建筑物垮落现象，反之，则判断当前区域存在建筑物垮落现象，依次轮询建筑物垮落曲线上的各个点，可以确定出存在建筑物垮落的区域，可以理解的是，区域对应至少一个建筑支架，确定了建筑物垮落的区域，也即确定了存在建筑物垮落现象的支架范围，例如，确定4-10号建筑支架内存在建筑物垮落现象。
本申请实施例通过根据各个建筑物特征点的特征信息，绘制建筑物垮落曲线，然后根据建筑物垮落曲线，确定存在建筑物垮落的区域。本申请中利用园区环境监测目标视频先识别出存在建筑物垮落的区域，也即存在建筑物垮落现象的支架范围，可以根据存在建筑物垮落现象的支架范围进一步根据各个建筑支架的顶板压力数据或姿态数据确定存在建筑物垮落现象的目标建筑支架，进而可以在目标建筑支架的位置进行补充支架操作，提高了建筑物垮落状态识别的准确度。
可选地，建筑支架的监测数据为建筑支架的顶板压力信息；在确定目标图像中存在建筑物垮落的区域的情况下，根据建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定至少一个建筑支架中存在建筑物垮落现象的目标建筑支架，包括：
在确定目标图像中存在建筑物垮落的区域的情况下，利用部署在至少一个建筑支架上的压力传感器对各个建筑支架的顶板的压力进行检测，得到各个建筑支架的顶板压力信息；
根据各个建筑支架的顶板压力信息，绘制得到至少一个建筑支架的顶板压力变化曲线；
根据至少一个建筑支架的顶板压力变化曲线以及预设的顶板压力变化曲线斜率的阈值，确定至少一个建筑支架中存在建筑物垮落现象的目标建筑支架。
具体地，可以理解的是，通常针对园区环境的建筑支架，每个建筑支架在顶梁安装压力传感器，所述压力传感器用于测量截割时的建筑支架的顶板压力数据；可选的，每个建筑支架在顶梁和底座安装倾角传感器，所述倾角传感器用于测量截割时建筑支架的倾斜角度；还可以在建筑支架上安装两个高度传感器分别测量本架高度和与邻架之间的高度差；安装一个摄像仪，用于采集建筑支架前建筑物和刮板机图像，每个建筑支架安装红外传感器。
在一些实施例中，建筑支架的监测数据为建筑支架的顶板压力信息，为利用所述建筑支架上的压力传感器进行监测得到的。对应地，在所述建筑支架的监测数据为建筑支架的顶板压力信息的情况下，步骤104可以通过如下方式实现：
首先，在确定目标图像中存在建筑物垮落的区域的情况下，首先，确定存在建筑物垮落的区域的至少一个建筑支架，例如为5、6、7号建筑支架；然后，利用部署在至少一个建筑支架上的压力传感器对各个建筑支架的顶板的压力进行检测，得到各个建筑支架的顶板压力信息，各个建筑支架的顶板压力信息例如为截割时建筑支架的顶板压力数据，例如得到截割时5、6、7号建筑支架的顶板压力数据。
进一步地，在得到所述存在建筑物垮落区域包含的各个建筑支架的顶板压力信息后，根据各个建筑支架的顶板压力信息绘制得到至少一个建筑支架的顶板压力变化曲线；例如，以各个建筑支架的位置信息为坐标系的横轴，以各个建筑支架的顶板压力数据为坐标系的纵轴，绘制得到存在建筑物垮落区域包含的至少一个建筑支架的顶板压力变化曲线。
进一步地，根据至少一个建筑支架的顶板压力变化曲线以及预设的顶板压力变化曲线斜率的阈值，确定至少一个建筑支架中存在建筑物垮落现象的目标建筑支架。可以理解的是，顶板压力变化曲线上任一点的曲线斜率可以表示截割时该点的建筑支架上的压力变化情况，因而可以根据至少一个建筑支架的顶板压力变化曲线中各个点的斜率以及预设的顶板压力变化曲线斜率的阈值，确定曲线上的点的建筑支架是否存在建筑物垮落现象，例如，当压力变化曲线增长缓慢即曲线斜率趋于0时（例如预设0-0.5之间），可以判断当前建筑支架所的区域不存在建筑物垮落现象，反之，则判断当前建筑支架所的区域存在建筑物垮落现象，依次轮询各个点，可以确定出至少一个建筑支架中存在建筑物垮落现象的目标建筑支架，也即目标建筑支架的建筑物区域存在建筑物垮落现象。示例性地，假如5、6号建筑支架的建筑物区域存在建筑物垮落现象。
本申请实施例当建筑支架的监测数据为建筑支架的顶板压力信息，在确定目标图像中存在建筑物垮落的区域的情况下，利用部署在至少一个建筑支架上的压力传感器对存在建筑物垮落的区域包含的各个建筑支架的顶板的压力进行检测，得到各个建筑支架的顶板压力信息；然后，根据各个建筑支架的顶板压力信息，绘制得到至少一个建筑支架的顶板压力变化曲线；进而，根据至少一个建筑支架的顶板压力变化曲线以及预设的顶板压力变化曲线斜率的阈值，确定至少一个建筑支架中存在建筑物垮落现象的目标建筑支架。本申请实施例中，在确定目标图像中存在建筑物垮落的区域的情况下，利用建筑支架的顶板压力信息得到的顶板压力变化曲线进一步确定至少一个建筑支架中存在建筑物垮落现象的目标建筑支架，可以准确识别出存在建筑物垮落现象的位置，识别的准确度较高。
可选地，建筑支架的监测数据为建筑支架的姿态信息；在确定目标图像中存在建筑物垮落的区域的情况下，根据建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定至少一个建筑支架中存在建筑物垮落现象的目标建筑支架，包括：
在确定目标图像中存在建筑物垮落的区域的情况下，利用部署在至少一个建筑支架上的倾角传感器对各个建筑支架进行姿态检测，得到各个建筑支架的姿态信息；
根据各个建筑支架的姿态信息，绘制得到至少一个建筑支架的姿态变化曲线；
根据至少一个建筑支架的姿态变化曲线以及预设的姿态变化曲线斜率的阈值，确定至少一个建筑支架中存在建筑物垮落现象的目标建筑支架。
具体地，可以理解的是，通常针对园区环境的建筑支架，每个建筑支架在顶梁和底座安装倾角传感器，所述倾角传感器用于测量截割时建筑支架的倾斜角度。
在一些实施例中，建筑支架的监测数据为建筑支架的姿态信息，建筑支架的姿态信息为利用所述建筑支架上的倾角传感器进行监测得到的。对应地，在所述建筑支架的监测数据为建筑支架的姿态信息的情况下，步骤104可以通过如下方式实现：
首先，在确定目标图像中存在建筑物垮落的区域的情况下，首先，确定存在建筑物垮落的区域的至少一个建筑支架，例如为5、6、7号建筑支架；然后，利用部署在至少一个建筑支架上的倾角传感器对各个建筑支架进行姿态检测，得到各个建筑支架的姿态信息，各个建筑支架的姿态信息例如为截割时建筑支架的倾斜角度，例如得到截割时5、6、7号建筑支架的倾斜角度。
进一步地，在得到所述存在建筑物垮落区域包含的各个建筑支架的姿态信息如截割时建筑支架的倾斜角度后，根据各个建筑支架的姿态信息如截割时建筑支架的倾斜角度绘制得到至少一个建筑支架的顶板压力变化曲线；例如，以各个建筑支架的位置信息为坐标系的横轴，以截割时各个建筑支架的倾斜角度为坐标系的纵轴，绘制得到存在建筑物垮落区域包含的至少一个建筑支架的姿态变化曲线。
进一步地，根据至少一个建筑支架的姿态变化曲线以及预设的顶板姿态变化曲线斜率的阈值，确定至少一个建筑支架中存在建筑物垮落现象的目标建筑支架。可以理解的是，姿态变化曲线上任一点的曲线斜率可以表示截割时该点的建筑支架上的姿态变化情况，因而可以根据至少一个建筑支架的姿态变化曲线中各个点的斜率以及预设的姿态变化曲线斜率的阈值，确定姿态变化曲线上的点的建筑支架是否存在建筑物垮落现象，例如，当姿态变化曲线增长缓慢即曲线斜率趋于0时（例如预设0-0.8之间），可以判断当前建筑支架所的区域不存在建筑物垮落现象，反之，则判断当前建筑支架所的区域存在建筑物垮落现象，依次轮询姿态变化曲线上的各个点，可以确定出存在建筑物垮落现象的目标建筑支架，也即确定出目标建筑支架的建筑物区域存在建筑物垮落现象。示例性地，假如5、6号建筑支架的建筑物区域存在建筑物垮落现象。
本申请实施例当建筑支架的监测数据为建筑支架的姿态信息，在确定目标图像中存在建筑物垮落的区域的情况下，利用部署在至少一个建筑支架上的倾角传感器对各个建筑支架进行姿态检测，得到各个建筑支架的姿态信息；然后，根据各个建筑支架的姿态信息，绘制得到至少一个建筑支架的姿态变化曲线；进而，根据至少一个建筑支架的姿态变化曲线以及预设的姿态变化曲线斜率的阈值，确定至少一个建筑支架中存在建筑物垮落现象的目标建筑支架。本申请实施例中，在确定目标图像中存在建筑物垮落的区域的情况下，利用建筑支架的姿态信息得到的姿态变化曲线进一步确定至少一个建筑支架中存在建筑物垮落现象的目标建筑支架，可以准确识别出存在建筑物垮落现象的位置，识别的准确度较高。
可选地，获取园区环境监测目标视频，包括：
获取园区环境中至少两个摄像机的第一视频；至少两个个摄像机的位置信息为根据园区环境中至少一个建筑支架的位置信息得到的；
将至少两个摄像机中至少一对相邻的摄像机拍摄得到的第一视频进行拼接，得到相邻的摄像机的第二视频；
根据各个摄像机的第一视频和各个相邻的摄像机的第二视频，得到第三视频；
对第三视频中包含的至少一帧原始图像进行去模糊化，得到至少一帧去模糊化后的图像；
将各帧去模糊化后的图像进行合成，得到园区环境监测目标视频。
具体地，在一些实施例中，步骤101可以通过如下方式实现：
可以理解的是，至少两个个摄像机的位置信息为根据园区环境中至少一个建筑支架的位置信息得到的，例如，在园区环境每隔预设数量个支架安装1个摄像机，摄像机均面向园区环境的建筑物方向进行拍摄，示例性地，例如园区环境一共包含15个建筑支架，每相隔3个建筑支架安装1个摄像机，每个摄像机监控所在区域的建筑物状态。对应地，得到园区环境监测目标视频的过程示例如下：
首先，获取园区环境中至少两个摄像机的第一视频，例如，园区环境包含15个摄像机，则获取15个摄像机各自的第一视频；
然后，可以理解的是，每一对相邻的两个摄像机拍摄的第一视频具有重叠的区域，因而需进行拼接处理。具体地，将至少两个摄像机中至少一对相邻的摄像机拍摄得到的第一视频进行拼接，得到相邻的摄像机的第二视频；例如，利用视频拼接装置对所述相邻的摄像机拍摄得到的第一视频进行拼接，其中，视频拼接装置包含数据采集模块（包括摄像机及防护壳等）、传输部分（包括电缆或者光缆、交换机等）、图像处理模块、可视化显示部分，利用图像处理模块根据相邻的摄像机拍摄得到的第一视频，通过在相似视频帧图像中使用相同的变换矩阵进行拼接，避免对相似图像重复进行特征提取与匹配。通过感知哈希法来判断同一相机相邻帧是否相似，如果相似，则继续使用当前变换矩阵，减少重复计算，如果相差较大，则重新计算并替换之前保留的变换矩阵，从而在算法运行速度上进行优化，极大程度提高相应的运行效率，完成视频拼接，得到相邻的摄像机的第二视频；
又例如，可以采用井下视频拼接系统进行视频拼接，视频拼接传输主要采用5G网络进行信号回传，整体由摄像机、5GpRRU、rHUB和BBU等组成。视频信号由摄像机发出，5GpRRU接收，经过rHUB和BBU，最后上传到机房核心交换机。
进一步地，根据各个摄像机的第一视频和各个相邻的摄像机的第二视频，得到第三视频；也即是说，可以将上述至少一对相邻的摄像机拼接得到的第二视频和各个摄像机的第一视频进行拼接，从而得到园区环境的建筑物全景视频。
进一步地，可以理解的是，第三视频是摄像机在园区环境中拍摄得到的原始视频，大多情况为模糊图像，为了保证基于第三视频进行建筑物垮落状态识别的准确度，可以对第三视频中包含的至少一帧原始图像进行去模糊化，得到至少一帧去模糊化后的图像，进而，将各帧去模糊化后的图像进行合成，得到园区环境监测目标视频，园区环境监测目标视频即去模糊化后的建筑物全景视频。
本申请实施例将园区环境中至少两个摄像机中至少一对相邻的摄像机拍摄得到的第一视频进行拼接，得到相邻的摄像机的第二视频；然后，根据各个摄像机的第一视频和各个相邻的摄像机的第二视频，得到第三视频；进一步地，可以对第三视频中包含的至少一帧原始图像进行去模糊化，得到至少一帧去模糊化后的图像，将各帧去模糊化后的图像进行合成，得到园区环境监测目标视频，也即得到去重后、去模糊化的建筑物全景视频，从而使得基于园区环境监测目标视频进行建筑物垮落状态识别并自动补架的准确度较高。
可选地，对第三视频中包含的至少一帧原始图像进行去模糊化，得到至少一帧去模糊化后的图像，包括：
根据成对数据集对原始对抗神经网络进行训练，得到训练后的去模糊网络；成对数据集中包含至少一对原始图像以及原始图像的清晰图像；
针对任一原始图像，利用去模糊网络的生成器，对原始图像进行去模糊化，得到原始图像的去模糊化后的图像；
根据各个原始图像的去模糊化后的图像，得到至少一帧去模糊化后的图像。
具体地，在一些实施例中，对第三视频中包含的至少一帧原始图像进行去模糊化，得到至少一帧去模糊化后的图像，可以通过如下方式实现：
首先，根据成对数据集对原始对抗神经网络进行训练，得到训练后的去模糊网络，其中，成对数据集中包含至少一对原始图像以及原始图像的清晰图像。示例性地，图3是本申请提供的园区环境监测图像智能优化方法的流程示意图之三，表示训练去模糊化网络的过程，如图3所示，也即，在训练过程中，将成对数据集输入至原始对抗神经网络中，原始对抗神经网络的输入为原始图像也即模糊图像，并以该模糊图像的清晰图像为目标进行预测，然后，将处理后的重建清晰图像和该模糊图像的清晰图像进行对比，根据预设的内容损失得到训练后的去模糊网络。
然后，针对任一原始图像，利用所述训练后的去模糊网络的生成器对原始图像进行去模糊化，得到原始图像的去模糊化后的图像，也即通过对原始图像进行去模糊化操作，达到去除工作面的雾化效果，突出图像细节。进一步地，根据各个原始图像的去模糊化后的图像，得到至少一帧去模糊化后的图像。
本申请实施例根据成对数据集对原始对抗神经网络进行训练，得到训练后的去模糊网络，其中，成对数据集中包含至少一对原始图像以及原始图像的清晰图像；然后，针对任一原始图像，利用去模糊网络的生成器，对原始图像进行去模糊化，得到原始图像的去模糊化后的图像。本申请实施例中利用训练后的去模糊网络对第三视频中包含的原始图像进行去模糊化处理，得到去模糊化后的图像，从而得到园区环境监测目标视频，基于园区环境监测目标视频进行建筑物垮落状态识别并自动补架的准确度较高。
下面对本申请提供的园区环境监测图像智能优化装置进行描述，下文描述的园区环境监测图像智能优化装置与上文描述的园区环境监测图像智能优化方法可相互对应参照。
图4是本申请提供的园区环境监测图像智能优化装置的结构示意图，如图4所示，该装置包括：
获取模块410，用于获取园区环境监测目标视频；所述园区环境监测目标视频为根据园区环境中至少两个摄像机的第一视频得到的，所述摄像机面向所述园区环境的建筑物方向进行拍摄；
识别模块420，用于针对所述园区环境监测目标视频中包含的至少一帧目标图像，对所述目标图像中的至少一个建筑物特征点进行特征提取，得到各个所述建筑物特征点的特征信息；不同的所述建筑物特征点对应所述园区环境中的不同区域，不同所述区域对应包含不同的建筑支架；
第一确定模块430，用于根据各个所述建筑物特征点的特征信息，确定所述目标图像中存在建筑物垮落的区域；
第二确定模块，用于440，在确定所述目标图像中存在建筑物垮落的区域的情况下，根据所述建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架；
补架模块450，用于在目标建筑支架的位置进行补充支架操作。
本申请实施例根据园区环境监测目标视频识别出存在建筑物垮落的区域，其中，不同区域对应包含不同的建筑支架，然后，根据建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定存在建筑物垮落现象的目标建筑支架，在目标建筑支架的位置进行补充支架操作，精准地进行支架补充，提高了建筑物垮落状态识别的准确度。
可选地，第一确定模块430还用于：
根据各个所述建筑物特征点的特征信息，绘制建筑物垮落曲线；
根据所述建筑物垮落曲线，确定所述目标图像中是否包含存在建筑物垮落现象；
在确定所述目标图像中包含存在建筑物垮落现象的情况下，根据所述建筑物垮落曲线，确定存在建筑物垮落的目标建筑物特征点；
根据所述目标建筑物特征点，确定存在建筑物垮落的区域。
可选地，第二确定模块440还用于：
在确定所述目标图像中存在建筑物垮落的区域的情况下，根据所述建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架，包括：
在确定所述目标图像中存在建筑物垮落的区域的情况下，利用部署在所述至少一个建筑支架上的压力传感器对各个所述建筑支架的顶板的压力进行检测，得到各个所述建筑支架的顶板压力信息；
根据各个所述建筑支架的顶板压力信息，绘制得到所述至少一个建筑支架的顶板压力变化曲线；
根据所述至少一个建筑支架的顶板压力变化曲线以及预设的顶板压力变化曲线斜率的阈值，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架。
可选地，第二确定模块440还用于：
在确定所述目标图像中存在建筑物垮落的区域的情况下，利用部署在所述至少一个建筑支架上的倾角传感器对各个所述建筑支架进行姿态检测，得到各个所述建筑支架的姿态信息；
根据各个所述建筑支架的姿态信息，绘制得到所述至少一个建筑支架的姿态变化曲线；
根据所述至少一个建筑支架的姿态变化曲线以及预设的姿态变化曲线斜率的阈值，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架。
可选地，获取模块410还用于：
获取所述园区环境中至少两个摄像机的第一视频；所述至少两个个摄像机的位置信息为根据所述园区环境中至少一个所述建筑支架的位置信息得到的；
将所述至少两个摄像机中至少一对相邻的摄像机拍摄得到的第一视频进行拼接，得到所述相邻的摄像机的第二视频；
根据各个所述摄像机的第一视频和各个所述相邻的摄像机的第二视频，得到第三视频；
对所述第三视频中包含的至少一帧原始图像进行去模糊化，得到至少一帧去模糊化后的图像；
将各帧所述去模糊化后的图像进行合成，得到园区环境监测目标视频。
可选地，获取模块410还用于：
根据成对数据集对原始对抗神经网络进行训练，得到训练后的去模糊网络；所述成对数据集中包含至少一对原始图像以及所述原始图像的清晰图像；
针对任一所述原始图像，利用所述去模糊网络的生成器，对所述原始图像进行去模糊化，得到所述原始图像的去模糊化后的图像；
根据各个所述原始图像的去模糊化后的图像，得到所述至少一帧去模糊化后的图像。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(CommunicationsInterface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行园区环境监测图像智能优化方法，该方法包括：
获取园区环境监测目标视频；所述园区环境监测目标视频为根据园区环境中至少两个摄像机的第一视频得到的，所述摄像机面向所述园区环境的建筑物方向进行拍摄；
针对所述园区环境监测目标视频中包含的至少一帧目标图像，对所述目标图像中的至少一个建筑物特征点进行特征提取，得到各个所述建筑物特征点的特征信息；不同的所述建筑物特征点对应所述园区环境中的不同区域，不同所述区域对应包含不同的建筑支架；
根据各个所述建筑物特征点的特征信息，确定所述目标图像中存在建筑物垮落的区域；
在确定所述目标图像中存在建筑物垮落的区域的情况下，根据所述建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架；
在所述目标建筑支架的位置进行补充支架操作。
此外，上述的存储器530中的逻辑指令可以通过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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的园区环境监测图像智能优化方法，该方法包括：
获取园区环境监测目标视频；所述园区环境监测目标视频为根据园区环境中至少两个摄像机的第一视频得到的，所述摄像机面向所述园区环境的建筑物方向进行拍摄；
针对所述园区环境监测目标视频中包含的至少一帧目标图像，对所述目标图像中的至少一个建筑物特征点进行特征提取，得到各个所述建筑物特征点的特征信息；不同的所述建筑物特征点对应所述园区环境中的不同区域，不同所述区域对应包含不同的建筑支架；
根据各个所述建筑物特征点的特征信息，确定所述目标图像中存在建筑物垮落的区域；
在确定所述目标图像中存在建筑物垮落的区域的情况下，根据所述建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架；
在所述目标建筑支架的位置进行补充支架操作。
又一方面，本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的园区环境监测图像智能优化方法，该方法包括：
获取园区环境监测目标视频；所述园区环境监测目标视频为根据园区环境中至少两个摄像机的第一视频得到的，所述摄像机面向所述园区环境的建筑物方向进行拍摄；
针对所述园区环境监测目标视频中包含的至少一帧目标图像，对所述目标图像中的至少一个建筑物特征点进行特征提取，得到各个所述建筑物特征点的特征信息；不同的所述建筑物特征点对应所述园区环境中的不同区域，不同所述区域对应包含不同的建筑支架；
根据各个所述建筑物特征点的特征信息，确定所述目标图像中存在建筑物垮落的区域；
在确定所述目标图像中存在建筑物垮落的区域的情况下，根据所述建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架；
在所述目标建筑支架的位置进行补充支架操作。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (6)

1.一种园区环境监测图像智能优化方法，其特征在于，包括：
获取园区环境监测目标视频；所述园区环境监测目标视频为根据园区环境中至少两个摄像机的第一视频得到的，所述摄像机面向所述园区环境的建筑物方向进行拍摄；
针对所述园区环境监测目标视频中包含的至少一帧目标图像，对所述目标图像中的至少一个建筑物特征点进行特征提取，得到各个所述建筑物特征点的特征信息；不同的所述建筑物特征点对应所述园区环境中的不同区域，不同所述区域对应包含不同的建筑支架；
根据各个所述建筑物特征点的特征信息，确定所述目标图像中存在建筑物垮落的区域；
在确定所述目标图像中存在建筑物垮落的区域的情况下，根据所述建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架；
在所述目标建筑支架的位置进行补充支架操作；
所述根据各个所述建筑物特征点的特征信息，确定所述目标图像中存在建筑物垮落的区域，包括：
根据各个所述建筑物特征点的特征信息，绘制建筑物垮落曲线；
根据所述建筑物垮落曲线，确定所述目标图像中是否包含存在建筑物垮落现象；
在确定所述目标图像中包含存在建筑物垮落现象的情况下，根据所述建筑物垮落曲线，确定存在建筑物垮落的目标建筑物特征点；
根据所述目标建筑物特征点，确定存在建筑物垮落的区域。
2.根据权利要求1所述的园区环境监测图像智能优化方法，其特征在于，所述建筑支架的监测数据为所述建筑支架的顶板压力信息；在确定所述目标图像中存在建筑物垮落的区域的情况下，根据所述建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架，包括：
在确定所述目标图像中存在建筑物垮落的区域的情况下，利用部署在所述至少一个建筑支架上的压力传感器对各个所述建筑支架的顶板的压力进行检测，得到各个所述建筑支架的顶板压力信息；
根据各个所述建筑支架的顶板压力信息，绘制得到所述至少一个建筑支架的顶板压力变化曲线；
根据所述至少一个建筑支架的顶板压力变化曲线以及预设的顶板压力变化曲线斜率的阈值，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架。
3.根据权利要求1所述的园区环境监测图像智能优化方法，其特征在于，所述建筑支架的监测数据为所述建筑支架的姿态信息；所述在确定所述目标图像中存在建筑物垮落的区域的情况下，根据所述建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架，包括：
在确定所述目标图像中存在建筑物垮落的区域的情况下，利用部署在所述至少一个建筑支架上的倾角传感器对各个所述建筑支架进行姿态检测，得到各个所述建筑支架的姿态信息；
根据各个所述建筑支架的姿态信息，绘制得到所述至少一个建筑支架的姿态变化曲线；
根据所述至少一个建筑支架的姿态变化曲线以及预设的姿态变化曲线斜率的阈值，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架。
4.根据权利要求1所述的园区环境监测图像智能优化方法，其特征在于，所述获取园区环境监测目标视频，包括：
获取所述园区环境中至少两个摄像机的第一视频；所述至少两个摄像机的位置信息为根据所述园区环境中至少一个所述建筑支架的位置信息得到的；
将所述至少两个摄像机中至少一对相邻的摄像机拍摄得到的第一视频进行拼接，得到所述相邻的摄像机的第二视频；
根据各个所述摄像机的第一视频和各个所述相邻的摄像机的第二视频，得到第三视频；
对所述第三视频中包含的至少一帧原始图像进行去模糊化，得到至少一帧去模糊化后的图像；
将各帧所述去模糊化后的图像进行合成，得到园区环境监测目标视频。
5.根据权利要求4所述的园区环境监测图像智能优化方法，其特征在于，所述对所述第三视频中包含的至少一帧原始图像进行去模糊化，得到至少一帧去模糊化后的图像，包括：
根据成对数据集对原始对抗神经网络进行训练，得到训练后的去模糊网络；所述成对数据集中包含至少一对原始图像以及所述原始图像的清晰图像；
针对任一所述原始图像，利用所述去模糊网络的生成器，对所述原始图像进行去模糊化，得到所述原始图像的去模糊化后的图像；
根据各个所述原始图像的去模糊化后的图像，得到所述至少一帧去模糊化后的图像。
6.一种园区环境监测图像智能优化装置，其特征在于，包括：
获取模块，用于获取园区环境监测目标视频；所述园区环境监测目标视频为根据园区环境中至少两个摄像机的第一视频得到的，所述摄像机面向所述园区环境的建筑物方向进行拍摄；
识别模块，用于针对所述园区环境监测目标视频中包含的至少一帧目标图像，对所述目标图像中的至少一个建筑物特征点进行特征提取，得到各个所述建筑物特征点的特征信息；不同的所述建筑物特征点对应所述园区环境中的不同区域，不同所述区域对应包含不同的建筑支架；
第一确定模块，用于根据各个所述建筑物特征点的特征信息，确定所述目标图像中存在建筑物垮落的区域；
第二确定模块，用于在确定所述目标图像中存在建筑物垮落的区域的情况下，根据所述建筑物垮落的区域中包含的至少一个建筑支架的监测数据，确定所述至少一个建筑支架中存在建筑物垮落现象的目标建筑支架；
补架模块，用于在所述目标建筑支架的位置进行补充支架操作；
所述第一确定模块还用于：
根据各个所述建筑物特征点的特征信息，绘制建筑物垮落曲线；
根据所述建筑物垮落曲线，确定所述目标图像中是否包含存在建筑物垮落现象；
在确定所述目标图像中包含存在建筑物垮落现象的情况下，根据所述建筑物垮落曲线，确定存在建筑物垮落的目标建筑物特征点；
根据所述目标建筑物特征点，确定存在建筑物垮落的区域。
CN202410098077.0A 2024-01-24 2024-01-24 一种园区环境监测图像智能优化方法及装置 Active CN117830856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410098077.0A CN117830856B (zh) 2024-01-24 2024-01-24 一种园区环境监测图像智能优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410098077.0A CN117830856B (zh) 2024-01-24 2024-01-24 一种园区环境监测图像智能优化方法及装置

Publications (2)

Publication Number Publication Date
CN117830856A CN117830856A (zh) 2024-04-05
CN117830856B true CN117830856B (zh) 2024-06-04

Family

ID=90511840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410098077.0A Active CN117830856B (zh) 2024-01-24 2024-01-24 一种园区环境监测图像智能优化方法及装置

Country Status (1)

Country Link
CN (1) CN117830856B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106595772A (zh) * 2017-01-11 2017-04-26 王东明 地震救援结构安全监测机器人
WO2021068746A1 (zh) * 2019-10-08 2021-04-15 上海市东方海事工程技术有限公司 隧道巡检图像采集装置、隧道巡检系统及隧道巡检方法
CN113392788A (zh) * 2021-06-23 2021-09-14 中国科学院空天信息创新研究院 建筑垃圾的识别方法及装置
CN113554413A (zh) * 2021-06-30 2021-10-26 青岛华正信息技术股份有限公司 一种基于园区环境图像处理算法的工单处理方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11555701B2 (en) * 2019-05-02 2023-01-17 Corelogic Solutions, Llc Use of a convolutional neural network to auto-determine a floor height and floor height elevation of a building
CN115427946A (zh) * 2020-02-28 2022-12-02 奥罗拉太阳能股份有限公司 自动化的三维建筑物模型估计

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106595772A (zh) * 2017-01-11 2017-04-26 王东明 地震救援结构安全监测机器人
WO2021068746A1 (zh) * 2019-10-08 2021-04-15 上海市东方海事工程技术有限公司 隧道巡检图像采集装置、隧道巡检系统及隧道巡检方法
CN113392788A (zh) * 2021-06-23 2021-09-14 中国科学院空天信息创新研究院 建筑垃圾的识别方法及装置
CN113554413A (zh) * 2021-06-30 2021-10-26 青岛华正信息技术股份有限公司 一种基于园区环境图像处理算法的工单处理方法

Also Published As

Publication number Publication date
CN117830856A (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN110610150B (zh) 一种目标运动物体的跟踪方法、装置、计算设备和介质
CN110532746B (zh) 人脸校验方法、装置、服务器及可读存储介质
CN108337505A (zh) 信息获取方法和装置
JP2003169319A (ja) 映像監視装置
CN111325773A (zh) 运动目标的检测方法、装置、设备及可读存储介质
CN106791353B (zh) 自动对焦的方法、装置和系统
CN113838087B (zh) 一种抗遮挡目标跟踪方法及系统
CN117830856B (zh) 一种园区环境监测图像智能优化方法及装置
CN101282419A (zh) 一种自动坏点检测方法与设备
CN110930436B (zh) 一种目标跟踪方法及设备
CN112184544B (zh) 图像拼接的方法和装置
CN116228712A (zh) 一种多尺度边坡灾害监测方法、系统及装置
CN115471671A (zh) 一种网络模型的训练方法、目标识别方法及相关设备
CN118008426A (zh) 综采工作面的补架控制方法、装置、设备和存储介质
CN115393429A (zh) 姿态基准角生成方法及装置
JP5128454B2 (ja) 瞼検出装置、瞼検出方法及びプログラム
CN114268737A (zh) 拍摄的自动触发方法、证件识别方法、设备及存储介质
CN115803610A (zh) 图像获取方法及装置、存储介质
CN113554685A (zh) 遥感卫星运动目标检测方法、装置、电子设备及存储介质
CN110969210A (zh) 一种小慢目标的识别分类方法、装置、设备及存储介质
CN111047550A (zh) 一种基于机器视觉的产品异常检测方法、装置及设备
CN114511591B (zh) 轨迹跟踪方法、装置、电子设备及存储介质
CN115797412B (zh) 动态对象异常值并行检测方法、装置、系统、设备及介质
KR102589150B1 (ko) 누적 차영상을 이용한 원거리 객체 검지 시스템
CN118196701A (zh) 综采工作面液压支架姿态监控方法及系统

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