CN118229037A - 一种基于物理模型的高速违法监控设施管理方法及系统 - Google Patents
一种基于物理模型的高速违法监控设施管理方法及系统 Download PDFInfo
- Publication number
- CN118229037A CN118229037A CN202410643056.2A CN202410643056A CN118229037A CN 118229037 A CN118229037 A CN 118229037A CN 202410643056 A CN202410643056 A CN 202410643056A CN 118229037 A CN118229037 A CN 118229037A
- Authority
- CN
- China
- Prior art keywords
- monitoring facility
- target monitoring
- state
- dimensional model
- actual scene
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 311
- 238000007726 management method Methods 0.000 title claims abstract description 43
- 238000010586 diagram Methods 0.000 claims abstract description 139
- 238000009434 installation Methods 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 15
- 238000004040 coloring Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000009877 rendering Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010411 cooking Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 15
- 241000196324 Embryophyta Species 0.000 description 117
- 230000007704 transition Effects 0.000 description 18
- 239000011159 matrix material Substances 0.000 description 17
- 230000008569 process Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 206010033799 Paralysis Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 241001330002 Bambuseae Species 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 241000124033 Salix Species 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及监控设施管理技术领域,特别是一种基于物理模型的高速违法监控设施管理方法及系统。根据目标监控设施的实际位置状态三维模型图与标准安装状态三维模型图对目标监控设施的位置状态进行评估,得到目标监控设施的位置状态;根据实时生长植物模型图对预设范围内的实时生长植物状态进行识别判断,得到目标监控设施的植物遮挡状态;根据目标监控设施的位置状态与植物遮挡状态制定出对该目标监控设施进行维护的预警等级,并基于对该目标监控设施进行维护的预警等级确定出对该目标监控设施进行维护的优先次序。本发明通过建立监控设施的详细物理模型,从而制定科学的维护计划和管理策略,能够提高高速公路交通监控设施的管理效率。
Description
技术领域
本发明涉及监控设施管理技术领域,特别是一种基于物理模型的高速违法监控设施管理方法及系统。
背景技术
随着高速公路交通量的不断增长,对交通安全和违法行为监控的需求也日益增加。传统的高速违法监控设施主要依赖于人工进行巡查管理,人工巡查需要消耗大量的人力、物力和时间,效率相对较低,并且由于人为因素,人工巡查管理可能导致误报率较高,增加不必要的处理工作,浪费资源。为了提高监控效率和准确性,近年来开始探索先进自动的高速违法监控设施巡查管理方法,这种方法通过建立监控设施的详细物理模型,利用先进的数据分析技术和机器学习算法,实现对监控设施的实时监控、故障诊断和预测维护,不仅可以提高监控的准确性和响应速度,还可以降低误报率,避免浪费人力资源,能够提高高速公路交通安全管理的效率。
发明内容
本发明克服了现有技术的不足,提供了一种基于物理模型的高速违法监控设施管理方法及系统。
为达到上述目的本发明采用的技术方案为:
本发明第一方面公开了一种基于物理模型的高速违法监控设施管理方法,包括以下步骤:
在多个视角获取目标监控设施中预设范围内的实际场景图像,根据所述实际场景图像构建目标监控设施的实际场景三维模型图;
在所述实际场景三维模型图中分离出目标监控设施安装位置区域对应的子区域三维模型图,得到目标监控设施的实际位置状态三维模型图;以及在所述实际场景三维模型图中分离出存在于实际场景三维模型图中的各实时生长植物模型图;
根据目标监控设施的实际位置状态三维模型图与标准安装状态三维模型图对目标监控设施的位置状态进行评估,得到目标监控设施的位置状态;根据所述实时生长植物模型图对预设范围内的实时生长植物状态进行识别判断,得到目标监控设施的植物遮挡状态;
根据所述目标监控设施的位置状态与植物遮挡状态制定出对该目标监控设施进行维护的预警等级,并基于对该目标监控设施进行维护的预警等级确定出对该目标监控设施进行维护的优先次序,以及将对该目标监控设施进行维护的优先次序发送至预设终端上显示。
优选地,本发明第一个较佳实施例中,在多个视角获取目标监控设施中预设范围内的实际场景图像,根据所述实际场景图像构建目标监控设施的实际场景三维模型图,具体为:
获取目标监控设施的安装位置节点,根据所述安装位置节点并基于无人机技术获取目标监控设施区域内多个视角的实际场景图像,并对多个视角的实际场景图像进行预处理;
预处理完成后,基于Harris角点检测算法对多个视角的实际场景图像进行特征点检测处理,得到若干角点;并基于SURF算法对不同视角的实际场景图像进行特征匹配,以匹配得到不同视角的实际场景图像之间相同的角点;
对不同视角的实际场景图像之间相同的角点进行配准,以将不同视角的实际场景图像的角点进行配准处理,从而将二维的角点转换为三维空间中的角点,形成一个点云模型;
对所述点云模型进行泊松重建处理,得到一个三维网格模型,将各实际场景图像的纹理映射到三维网格模型上,得到目标监控设施的实际场景三维模型图。
优选地,本发明第一个较佳实施例中,根据目标监控设施的实际位置状态三维模型图与标准安装状态三维模型图对目标监控设施的位置状态进行评估,得到目标监控设施的位置状态类型,具体为:
获取目标监控设施的标准安装布局图,根据所述标准安装布局图提取出目标监控设施的标准安装状态三维模型图;
对所述实际位置状态三维模型图进行上色渲染处理,得到以第一颜色表示的实际位置状态三维模型图;对所述标准安装状态三维模型图进行上色渲染处理,得到以第二颜色表示的标准安装状态三维模型图;
构建三维坐标系,将所述实际位置状态三维模型图与标准安装状态三维模型图导入所述三维坐标系中,并使得实际位置状态三维模型图与标准安装状态三维模型图的安装基准面相互重合,以对两三维模型图进行对齐处理;
在所述三维坐标系中计算出第一颜色与第二颜色相互重合区域的体积,以及计算出第一颜色与第二颜色不相重合区域的体积;
根据第一颜色与第二颜色相互重合区域的体积与不相重合区域的体积计算出所述实际位置状态三维模型图与标准安装状态三维模型图之间的重叠程度,根据所述重叠程度得到目标监控设施的实际位置状态与标准安装状态之间的偏移程度;
若目标监控设施的实际位置状态与标准安装状态之间的偏移程度不大于预设偏移程度,则将该目标监控设施的位置状态标记为正常状态;
若目标监控设施的实际位置状态与标准安装状态之间的偏移程度大于预设偏移程度,则将该目标监控设施的位置状态标记为偏移状态。
优选地,本发明第一个较佳实施例中,根据所述实时生长植物模型图对预设范围内的实时生长植物状态进行识别判断,得到目标监控设施的植物遮挡状态,具体为:
对所述实际场景三维模型图内所存在的实时生长植物模型图进行识别,判断所述实际场景三维模型图内是否存在预设类型生长植物;
若所述实际场景三维模型图内不存在预设类型生长植物,则将该目标监控设施的植物遮挡状态标记为正常状态;
若所述实际场景三维模型图内存在预设类型生长植物,则在所述实际场景三维模型图内判断预设类型生长植物与目标监控设施的摄像头区域是否存在干涉情况;
若存在干涉情况,则将该目标监控设施的植物遮挡状态标记为实时遮挡状态;
若不存在干涉情况,则将该目标监控设施的植物遮挡状态标记为非实时遮挡状态。
优选地,本发明第一个较佳实施例中,对所述实际场景三维模型图内所存在的实时生长植物模型图进行识别,判断所述实际场景三维模型图内是否存在预设类型生长植物,具体为:
获取与目标监控设施型号相同的所有监控设施的管理日志信息,根据所述管理日志信息获取会对目标监控设施产生视线干扰的生长植物,定义为预设类型生长植物;
以及在所述管理日志信息中获取预设类型生长植物的图像信息,根据预设类型生长植物的图像信息构建预设类型生长植物的特征三维模型图;
构建知识图谱,并将预设类型生长植物的特征三维模型图导入所述知识图谱中;
在所述实际场景三维模型图中分离出存在于实际场景三维模型图中的各实时生长植物模型图;以及在所述知识图谱提取出各特征三维模型图;
基于余弦相似度算法分别计算各实时生长植物模型图与各特征三维模型图之间的余弦相似度,得到多个余弦相似度;并将各个余弦相似度与预设余弦相似度阈值进行比较;
若存在一个或多个余弦相似度大于预设余弦相似度阈值的情况,则说明该实际场景三维模型图内存在预设类型生长植物;
若各个余弦相似度均不大于预设余弦相似度阈值,则说明该实际场景三维模型图内不存在预设类型生长植物。
优选地,本发明第一个较佳实施例中,根据所述目标监控设施的位置状态与植物遮挡状态制定出对该目标监控设施进行维护的预警等级,具体为:
若目标监控设施的位置状态为偏移状态且植物遮挡状态为实时遮挡状态,则生成一级预警信号;
若目标监控设施的位置状态为正常状态且植物遮挡状态为实时遮挡状态,则生成二级预警信号;
若目标监控设施的位置状态为偏移状态且植物遮挡状态为正常状态,则生成二级预警信号;
若目标监控设施的位置状态为偏移状态且植物遮挡状态为非实时遮挡状态,则生成二级预警信号;
若目标监控设施的位置状态为正常状态且植物遮挡状态为非实时遮挡状态,则生成三级预警信号;
若目标监控设施的位置状态与植物遮挡状态标记均为正常状态,则不生成预警信号。
本发明第二方面公开了一种基于物理模型的高速违法监控设施管理系统,所述高速违法监控设施管理系统包括存储器与处理器,所述存储器中存储有高速违法监控设施管理方法程序,当所述高速违法监控设施管理方法程序被所述处理器执行时,实现如下步骤:
在多个视角获取目标监控设施中预设范围内的实际场景图像,根据所述实际场景图像构建目标监控设施的实际场景三维模型图;
在所述实际场景三维模型图中分离出目标监控设施安装位置区域对应的子区域三维模型图,得到目标监控设施的实际位置状态三维模型图;以及在所述实际场景三维模型图中分离出存在于实际场景三维模型图中的各实时生长植物模型图;
根据目标监控设施的实际位置状态三维模型图与标准安装状态三维模型图对目标监控设施的位置状态进行评估,得到目标监控设施的位置状态;根据所述实时生长植物模型图对预设范围内的实时生长植物状态进行识别判断,得到目标监控设施的植物遮挡状态;
根据所述目标监控设施的位置状态与植物遮挡状态制定出对该目标监控设施进行维护的预警等级,并基于对该目标监控设施进行维护的预警等级确定出对该目标监控设施进行维护的优先次序,以及将对该目标监控设施进行维护的优先次序发送至预设终端上显示。
本发明解决了背景技术中存在的技术缺陷,本发明具备以下有益效果:本发明通过建立监控设施的详细物理模型,通过物理模型分析监控设施的位置偏移和视野遮挡状态,可以及时发现潜在问题,从而制定科学的维护计划和管理策略,避免影响监控效果和安全性,可以提高监控设备管理过程的合理性,能够降低误报率,避免浪费人力资源,降低了维护成本,能够提高高速公路交通监控设施的管理效率。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅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实施例的附图。
图1为一种基于物理模型的高速违法监控设施管理方法的第一方法流程图;
图2为一种基于物理模型的高速违法监控设施管理方法的第二方法流程图;
图3为一种基于物理模型的高速违法监控设施管理方法的第三方法流程图;
图4为一种基于物理模型的高速违法监控设施管理系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明第一方面公开了一种基于物理模型的高速违法监控设施管理方法,包括以下步骤:
S102:在多个视角获取目标监控设施中预设范围内的实际场景图像,根据所述实际场景图像构建目标监控设施的实际场景三维模型图;
S104:在所述实际场景三维模型图中分离出目标监控设施安装位置区域对应的子区域三维模型图,得到目标监控设施的实际位置状态三维模型图;以及在所述实际场景三维模型图中分离出存在于实际场景三维模型图中的各实时生长植物模型图;
S106:根据目标监控设施的实际位置状态三维模型图与标准安装状态三维模型图对目标监控设施的位置状态进行评估,得到目标监控设施的位置状态;根据所述实时生长植物模型图对预设范围内的实时生长植物状态进行识别判断,得到目标监控设施的植物遮挡状态;
S108:根据所述目标监控设施的位置状态与植物遮挡状态制定出对该目标监控设施进行维护的预警等级,并基于对该目标监控设施进行维护的预警等级确定出对该目标监控设施进行维护的优先次序,以及将对该目标监控设施进行维护的优先次序发送至预设终端上显示。
如图2所示,优选地,本发明第一个较佳实施例中,在多个视角获取目标监控设施中预设范围内的实际场景图像,根据所述实际场景图像构建目标监控设施的实际场景三维模型图,具体为:
S202:获取目标监控设施的安装位置节点,根据所述安装位置节点并基于无人机技术获取目标监控设施区域内多个视角的实际场景图像,并对多个视角的实际场景图像进行预处理;
S204:预处理完成后,基于Harris角点检测算法对多个视角的实际场景图像进行特征点检测处理,得到若干角点;并基于SURF算法对不同视角的实际场景图像进行特征匹配,以匹配得到不同视角的实际场景图像之间相同的角点;
S206:对不同视角的实际场景图像之间相同的角点进行配准,以将不同视角的实际场景图像的角点进行配准处理,从而将二维的角点转换为三维空间中的角点,形成一个点云模型;
S208:对所述点云模型进行泊松重建处理,得到一个三维网格模型,将各实际场景图像的纹理映射到三维网格模型上,得到目标监控设施的实际场景三维模型图。
需要说明的是,实际场景图像即是目标监控设施安装位置节点区域的图像,并对多个视角的实际场景图像进行去噪、滤波、图像增强等预处理步骤进行预处理,提高图像整体质量,进而提高后续建模质量。当匹配得到不同视角的实际场景图像之间相同的角点后,通过将相同的角点进行配准操作,从而将不同视角图像的角点组合起来,从而将二维的角点转换为三维空间中的角点,形成一个点云模型,然后在基于点云重构的方式将点云模型进行转化处理,得到目标监控设施的实际场景三维模型图,即得到目标监控设施安装位置节点区域的模拟三维模型图。
优选地,本发明第一个较佳实施例中,根据目标监控设施的实际位置状态三维模型图与标准安装状态三维模型图对目标监控设施的位置状态进行评估,得到目标监控设施的位置状态类型,具体为:
获取目标监控设施的标准安装布局图,根据所述标准安装布局图提取出目标监控设施的标准安装状态三维模型图;
其中,高速违法监控设施的标准安装布局图是一种用于指导监控设施安装和布局的技术文档,它详细展示了在高速公路上安装违法监控设备的最佳位置、角度、高度以及与其他交通设施的相对关系;标准安装布局图通过相关技术人员提前绘制设计得到;标准安装状态三维模型图表征的是高速违法监控设施的理想安装状态三维模型;
对所述实际位置状态三维模型图进行上色渲染处理,得到以第一颜色表示的实际位置状态三维模型图;对所述标准安装状态三维模型图进行上色渲染处理,得到以第二颜色表示的标准安装状态三维模型图;
其中,可以使用如SolidWorks等三维软件对实际位置状态三维模型图与标准安装状态三维模型图进行上色渲染处理,得到以第一颜色表示的实际位置状态三维模型图,以及得到以第二颜色表示的标准安装状态三维模型图;并且,第一颜色与第二颜色不同,如第一颜色可以是绿色,而第二颜色应是绿色以外的其余颜色,可以是黑色等;
构建三维坐标系,将所述实际位置状态三维模型图与标准安装状态三维模型图导入所述三维坐标系中,并使得实际位置状态三维模型图与标准安装状态三维模型图的安装基准面相互重合,以对两三维模型图进行对齐处理;
同样可以使用如SolidWorks等三维软件构建三维坐标系;
安装基准面是指在安装监控设备时,用于确定设备位置和方向的参考平面。这个基准面通常与道路的设计线或者特定标志物(如道路中心线、路肩边缘线等)相对应,以确保监控设备能够按照设计要求精确地覆盖预定的监控区域;安装基准面通过相关技术人员标定得到;
在所述三维坐标系中计算出第一颜色与第二颜色相互重合区域的体积,以及计算出第一颜色与第二颜色不相重合区域的体积;
根据第一颜色与第二颜色相互重合区域的体积与不相重合区域的体积计算出所述实际位置状态三维模型图与标准安装状态三维模型图之间的重叠程度,根据所述重叠程度得到目标监控设施的实际位置状态与标准安装状态之间的偏移程度;
若目标监控设施的实际位置状态与标准安装状态之间的偏移程度不大于预设偏移程度,则将该目标监控设施的位置状态标记为正常状态;
若目标监控设施的实际位置状态与标准安装状态之间的偏移程度大于预设偏移程度,则将该目标监控设施的位置状态标记为偏移状态。
需要说明的是,高速违法监控设施在工作过程中可能会发生位置偏移的情况。这种偏移可能是由于多种原因导致的,如强风可能会对高架监控设施产生影响,导致其位置发生偏移;如高速路上行驶的车辆产生的振动可能会对监控设施产生影响,导致其位置发生偏移;又如地基发生沉降,可能会导致设备位置发生变化。高速违法监控设施在工作过程中发生位置偏移可能会导致监控设备无法覆盖原本设计好的监控区域,从而产生监控盲区,使得一些违法行为无法被及时发现和记录。
可以利用SolidWorks软件,在所述实际场景三维模型图中分离出目标监控设施安装位置区域对应的子区域三维模型图,得到目标监控设施的实际位置状态三维模型图,若目标监控设施的实际位置状态与标准安装状态之间的偏移程度不大于预设偏移程度,说明目标监控设施的实际位置状态与标准安装状态之间的偏移程度不大,该目标监控设施并没有发生偏移或偏移程度较小,则将该目标监控设施的位置状态标记为正常状态。若目标监控设施的实际位置状态与标准安装状态之间的偏移程度大于预设偏移程度,说明目标监控设施的实际位置状态与标准安装状态之间的偏移程度较大,说明该目标监控设施已经发生了严重偏移情况,极有可能产生了监控盲区,则将该目标监控设施的位置状态标记为偏移状态。其中,预设偏移程度通过相关技术人员根据监控设施的实际摄像精度需求进行设定得到。本发明能够目标监控设施的实际位置状态三维模型图与标准安装状态三维模型图对目标监控设施的位置状态进行评估,从而快速判断分析出目标监控设施的位置偏移状态,能够提供精确的位置偏移分析结果,减少人为主观判断的误差,提高分析的准确度,以进一步优化监控设施的布局,提高监控范围和效果,提升监控设施的管理效率。
如图3所示,优选地,本发明第一个较佳实施例中,根据所述实时生长植物模型图对预设范围内的实时生长植物状态进行识别判断,得到目标监控设施的植物遮挡状态,具体为:
S302:对所述实际场景三维模型图内所存在的实时生长植物模型图进行识别,判断所述实际场景三维模型图内是否存在预设类型生长植物;
S304:若所述实际场景三维模型图内不存在预设类型生长植物,则将该目标监控设施的植物遮挡状态标记为正常状态;
S306:若所述实际场景三维模型图内存在预设类型生长植物,则在所述实际场景三维模型图内判断预设类型生长植物与目标监控设施的摄像头区域是否存在干涉情况;
S308:若存在干涉情况,则将该目标监控设施的植物遮挡状态标记为实时遮挡状态;
S310:若不存在干涉情况,则将该目标监控设施的植物遮挡状态标记为非实时遮挡状态。
需要说明的是,在高速违法监控设施长时间工作过程中,其附近区域的植物可能对设施造成视野遮挡,特别是一些植物种类具有快速生长的特性(如竹子、快速生长的灌木、爬藤植物、柳树),长时间未进行修剪或管理的情况下,植物可能迅速长高,遮挡监控设施的视野;并且在高速公路等开阔区域,植物可能会受到风向的影响而倾斜或倒伏,导致植物的部分或全部覆盖监控设施。若植物遮挡监控设施的摄像头或传感器,导致监控设施无法正常捕捉到违法行为,产生监控盲区,使一些违法行为无法被及时发现和记录。
可以利用SolidWorks软件,在实际场景三维模型图中分离出存在于实际场景三维模型图中的各实时生长植物模型图,即各种类型植物的模型图。然后利用知识图谱对各实时生长植物模型图进行配对识别,从而得到在该目标监控设施附近区域所存在的植物类型,并判断所存在的植物类型中是否存在预设类型生长植物。若所述实际场景三维模型图内不存在预设类型生长植物,则将该目标监控设施的植物遮挡状态标记为正常状态,即无遮挡状态,可以认为的是,该目标监控设施附近区域并不存在具有快速生长特性植物,此时可以在较长时间内不对该目标监控设施的植物进行修剪管理处理。
若实际场景三维模型图内存在预设类型生长植物,该目标监控设施附近区域并存在具有快速生长特性植物,此时首先利用SolidWorks软件对实际场景三维模型图进行干涉分析,从而判断出在实际场景三维模型图内预设类型生长植物与目标监控设施的摄像头区域是否存在干涉情况,若存在干涉情况,则将该目标监控设施的植物遮挡状态标记为实时遮挡状态;若不存在干涉情况,则将该目标监控设施的植物遮挡状态标记为非实时遮挡状态。另外还需要说明的是, 应当对实时遮挡状态的目标监控设施的区域植物进行优先修剪处理,然后再对非实时遮挡状态的目标监控设施的区域植物进行修剪处理。
优选地,本发明第一个较佳实施例中,对所述实际场景三维模型图内所存在的实时生长植物模型图进行识别,判断所述实际场景三维模型图内是否存在预设类型生长植物,具体为:
获取与目标监控设施型号相同的所有监控设施的管理日志信息,根据所述管理日志信息获取会对目标监控设施产生视线干扰的生长植物,定义为预设类型生长植物;
其中,高速违法监控设施的管理日志信息是记录监控设施在高速公路上运行和管理维护过程中产生的各种操作、事件和数据的日志记录。这些日志信息包括监控设施的运行时间、监控数据、违法行为记录、系统报警、设备维护和维护记录等内容;
以及在所述管理日志信息中获取预设类型生长植物的图像信息,根据预设类型生长植物的图像信息构建预设类型生长植物的特征三维模型图;
构建知识图谱,并将预设类型生长植物的特征三维模型图导入所述知识图谱中;
在所述实际场景三维模型图中分离出存在于实际场景三维模型图中的各实时生长植物模型图;以及在所述知识图谱提取出各特征三维模型图;
基于余弦相似度算法分别计算各实时生长植物模型图与各特征三维模型图之间的余弦相似度,得到多个余弦相似度;并将各个余弦相似度与预设余弦相似度阈值进行比较;
其中,余弦相似度算法是一种常用的相似度计算方法,用于衡量两个向量之间的相似程度。在计算两个三维模型图之间的余弦相似度时,首先将每个三维模型表示为一个向量,其中向量的每个分量代表模型的特征或属性。然后,通过计算这两个向量之间的余弦值来衡量它们之间的相似度。余弦值的计算公式为两个向量的点积除以它们的模长乘积,结果范围在-1到1之间,值越接近1表示相似度越高,而值越接近-1表示相似度越低。因此,通过余弦相似度算法可以快速、准确地评估两个三维模型图之间的相似程度,为模型匹配、识别和比较等应用提供有效的计算手段;在本发明中,预设余弦相似度阈值设置为0.7至1之间,优先设置为0.75;
若存在一个或多个余弦相似度大于预设余弦相似度阈值的情况,则说明该实际场景三维模型图内存在预设类型生长植物;
若各个余弦相似度均不大于预设余弦相似度阈值,则说明该实际场景三维模型图内不存在预设类型生长植物。
需要说明的是,会对目标监控设施产生视线干扰的生长植物即是具有快速生长的特性,如竹子、快速生长的灌木、爬藤植物、柳树等。而一些矮小的地被植物则不会对目标监控设施造成视线干扰,如花卉、地被灌木、灌木球、小型灌木等,若目标监控设施存在这些类型植物,则可以视为这些植物不存在,因为其难以对目标监控设施造成视线干扰,可以不对其进行修剪处理。
若存在一个或多个余弦相似度大于预设余弦相似度阈值的情况,则说明该实际场景三维模型图内存在预设类型生长植物,即目标监控设施附近区域存在具有快速生长特性的植物;若各个余弦相似度均不大于预设余弦相似度阈值,则说明该实际场景三维模型图内不存在预设类型生长植物。通过本方法能够对存在目标监控设施附近区域的植物类型进行自动识别,从而识别出目标监控设施附近区域是否存在具有快速生长特性的植物,以制定出对该目标监控设施的维护管理计划。
优选地,本发明第一个较佳实施例中,根据所述目标监控设施的位置状态与植物遮挡状态制定出对该目标监控设施进行维护的预警等级,具体为:
若目标监控设施的位置状态为偏移状态且植物遮挡状态为实时遮挡状态,则生成一级预警信号;
若目标监控设施的位置状态为正常状态且植物遮挡状态为实时遮挡状态,则生成二级预警信号;
若目标监控设施的位置状态为偏移状态且植物遮挡状态为正常状态,则生成二级预警信号;
若目标监控设施的位置状态为偏移状态且植物遮挡状态为非实时遮挡状态,则生成二级预警信号;
若目标监控设施的位置状态为正常状态且植物遮挡状态为非实时遮挡状态,则生成三级预警信号;
若目标监控设施的位置状态与植物遮挡状态标记均为正常状态,则不生成预警信号。
需要说明的是,若目标监控设施的预警等级为一级预警信号,则应优先对该目标监控设施进行维护处理,二级预警信号次之,若目标监控设施的预警等级为三级预警信号,则说明目标监控设施当前视野监控状态是正常的,不需要紧急对该目标监控设施进行维护处理,但是经过一段时间后,其附近区域的植物生长后极有可能会对其进行遮挡,所以在一定时间后也需要对该目标监控设施进行维护。若目标监控设施的位置状态与植物遮挡状态标记均为正常状态,则不生成预警信号,此时说明在较长时间内均不需要对该目标监控设施进行维护处理。
综上所述,本发明通过建立监控设施的详细物理模型,通过物理模型分析监控设施的位置偏移和视野遮挡状态,可以及时发现潜在问题,从而制定科学的维护计划和管理策略,避免影响监控效果和安全性,可以提高监控设备管理过程的合理性,能够降低误报率,避免浪费人力资源,降低了维护成本,能够提高高速公路交通监控设施的管理效率。
此外,在所述将二维的角点转换为三维空间中的角点,形成一个点云模型之后的步骤,还可以包括以下步骤:
将所述点云模型中每两个点云进行配对,得到若干对点云对,计算每对点云对之间马氏距离,并根据每对点云对之间马氏距离构建距离矩阵;
根据所述距离矩阵,将马氏距离最短的两个点云进行合并,得到若干点云簇;将各个点云簇均视为一个新的点云,将每两个新的点云进行配对,得到若干对新的点云对;
计算每新的点云对之间马氏距离,并根据新的点云对之间马氏距离构建距离矩阵,根据所述距离矩阵,将马氏距离最短的两个新的点云进行合并,得到若干点云簇;
通过遗传算法设置预设迭代次数,重复以上步骤进行不断迭代,以不断合并各点云,直至总迭代次数达到预设迭代次数后,停止迭代,并获取最终点云簇;
统计各个最终点云簇中所存在的点云数量,将点云数量少于预设数量的最终点云簇视为离群点簇,并将离群点簇内所对应的点云在所述点云模型中筛除,以完成对点云模型中离群点云进行清洗过程,得到一个清洗后的点云模型。
需要说明的是,由于在数据采集、处理或现实世界场景的复杂性中出现的误差和异常,这些因素可能导致点云中出现与主要结构或物体不匹配的异常点,如传感器误差、环境干扰、测量噪声、遮挡效应、动态场景变化、数据处理中的不准确操作,从而造成点云模型中存在离群点云。若点云模型中存在过多的离群点云,则会影响后续建模模型的几何准确性,导致三维重建结果出现错误或变形,离群点可能会掩盖或模糊真实的几何特征,影响模型间的对应关系建立,因此,识别并清洗处理点云模型中的离群点是确保三维建模质量和可靠性的重要步骤。通过本方法能够有效去除离群点云,减少噪声和误差,从而提高点云模型的几何准确性和表面光滑度,从而提高模型匹配的准确性,从而改善三维重建和对象识别任务。
此外,本方法还包括以下步骤:
收集目标监控设施在各种离散状态条件之下的历史运行数据,离散状态包括正常运行状态、轻度故障状态以及瘫痪故障状态;
基于所述历史运行数据分析各离散状态之间的转换频率,从而得到各状态之间的状态转移概率;根据各状态之间的状态转移概率构建状态转移概率矩阵;
分析所述状态转移概率矩阵中是否存在零元素,若存在零元素,则基于马尔可夫链蒙特卡洛方法对所述零元素进行平滑处理,得到相应的平滑概率分布值,并将得到的平滑概率分布值与状态转移概率矩阵中的零元素进行替换处理,得到处理后的状态转移概率矩阵;
构建隐马尔科夫模型,将所述处理后的状态转移概率矩阵导入所述隐马尔科夫模型中,并基于深度学习算法,结合所述处理后的状态转移概率矩阵对隐马尔科夫模型进行训练,直至模型参数满足要求后,输出训练好的隐马尔科夫模型;
获取目标监控设施在预设时间段内的实时运行数据,实时运行数据包括温度、湿度、信号丢包率与延迟率、电压以及电流;将目标监控设施在预设时间段内的实时运行数据导入所述训练好的隐马尔科夫模型中进行故障诊断预测,得到目标监控设施的故障概率;
若所述故障概率大于预设故障概率,则获取目标监控设施的故障类型,若故障类型为瘫痪故障状态,则生成一级预警信号;若故障类型为轻度故障状态,则生成二级预警信号;其中,预设故障概率设置为90%以上,优选设置为94%;
若所述故障概率不大于预设故障概率,则不生成预警信号。
需要说明的是,若状态转移概率矩阵中存在零元素,说明矩阵中存在事件的组合是很少发生或者根本就没有发生过的情况,导致状态转移概率矩阵中存在零元素,形成一个稀疏矩阵,这种情况会导致隐马尔科夫模型在训练过程中出现空洞情况,从而造成训练结果的可靠性较低,因此,可以通过使用马尔可夫链蒙特卡洛方法对零元素进行平滑处理,得到相应的平滑概率分布值,并将得到的平滑概率分布值与状态转移概率矩阵中的零元素进行替换处理,得到处理后的状态转移概率矩阵,然后再通过处理后的状态转移概率矩阵对模型进行训练,以提高模型预测精度,从而提高预测结果可靠性。
需要说明的是,首先,收集历史数据,包括监控设施的运行状态、故障记录、维护记录等,通过历史数据可以了解监控设施的正常运行模式和故障模式;将监控设施的状态分为若干个离散状态,例如正常运行、轻度故障、瘫痪故障等,这些状态将作为马尔科夫链的状态空间。基于历史数据,计算各个状态之间的转移概率,这可以通过分析状态之间的转换频率来实现,例如,计算从正常运行状态到轻度故障状态的转移概率。通过隐马尔科夫模型进行高速违法监控设施的故障诊断,可以实现对监控设备的智能化管理和维护,确保交通监控系统的稳定运行,对于维护交通秩序、保障交通安全具有重要作用。
如图4所示,本发明第二方面公开了一种基于物理模型的高速违法监控设施管理系统,所述高速违法监控设施管理系统包括存储器12与处理器18,所述存储器12中存储有高速违法监控设施管理方法程序,当所述高速违法监控设施管理方法程序被所述处理器18执行时,实现如下步骤:
在多个视角获取目标监控设施中预设范围内的实际场景图像,根据所述实际场景图像构建目标监控设施的实际场景三维模型图;
在所述实际场景三维模型图中分离出目标监控设施安装位置区域对应的子区域三维模型图,得到目标监控设施的实际位置状态三维模型图;以及在所述实际场景三维模型图中分离出存在于实际场景三维模型图中的各实时生长植物模型图;
根据目标监控设施的实际位置状态三维模型图与标准安装状态三维模型图对目标监控设施的位置状态进行评估,得到目标监控设施的位置状态;根据所述实时生长植物模型图对预设范围内的实时生长植物状态进行识别判断,得到目标监控设施的植物遮挡状态;
根据所述目标监控设施的位置状态与植物遮挡状态制定出对该目标监控设施进行维护的预警等级,并基于对该目标监控设施进行维护的预警等级确定出对该目标监控设施进行维护的优先次序,以及将对该目标监控设施进行维护的优先次序发送至预设终端上显示。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的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)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,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,可轻易想到变化或替换,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 (7)
1.一种基于物理模型的高速违法监控设施管理方法,其特征在于,包括以下步骤:
在多个视角获取目标监控设施中预设范围内的实际场景图像,根据所述实际场景图像构建目标监控设施的实际场景三维模型图;
在所述实际场景三维模型图中分离出目标监控设施安装位置区域对应的子区域三维模型图,得到目标监控设施的实际位置状态三维模型图;以及在所述实际场景三维模型图中分离出存在于实际场景三维模型图中的各实时生长植物模型图;
根据目标监控设施的实际位置状态三维模型图与标准安装状态三维模型图对目标监控设施的位置状态进行评估,得到目标监控设施的位置状态;根据所述实时生长植物模型图对预设范围内的实时生长植物状态进行识别判断,得到目标监控设施的植物遮挡状态;
根据所述目标监控设施的位置状态与植物遮挡状态制定出对该目标监控设施进行维护的预警等级,并基于对该目标监控设施进行维护的预警等级确定出对该目标监控设施进行维护的优先次序,以及将对该目标监控设施进行维护的优先次序发送至预设终端上显示。
2.根据权利要求1所述的一种基于物理模型的高速违法监控设施管理方法,其特征在于,在多个视角获取目标监控设施中预设范围内的实际场景图像,根据所述实际场景图像构建目标监控设施的实际场景三维模型图,具体为:
获取目标监控设施的安装位置节点,根据所述安装位置节点并基于无人机技术获取目标监控设施区域内多个视角的实际场景图像,并对多个视角的实际场景图像进行预处理;
预处理完成后,基于Harris角点检测算法对多个视角的实际场景图像进行特征点检测处理,得到若干角点;并基于SURF算法对不同视角的实际场景图像进行特征匹配,以匹配得到不同视角的实际场景图像之间相同的角点;
对不同视角的实际场景图像之间相同的角点进行配准,以将不同视角的实际场景图像的角点进行配准处理,从而将二维的角点转换为三维空间中的角点,形成一个点云模型;
对所述点云模型进行泊松重建处理,得到一个三维网格模型,将各实际场景图像的纹理映射到三维网格模型上,得到目标监控设施的实际场景三维模型图。
3.根据权利要求1所述的一种基于物理模型的高速违法监控设施管理方法,其特征在于,根据目标监控设施的实际位置状态三维模型图与标准安装状态三维模型图对目标监控设施的位置状态进行评估,得到目标监控设施的位置状态类型,具体为:
获取目标监控设施的标准安装布局图,根据所述标准安装布局图提取出目标监控设施的标准安装状态三维模型图;
对所述实际位置状态三维模型图进行上色渲染处理,得到以第一颜色表示的实际位置状态三维模型图;对所述标准安装状态三维模型图进行上色渲染处理,得到以第二颜色表示的标准安装状态三维模型图;
构建三维坐标系,将所述实际位置状态三维模型图与标准安装状态三维模型图导入所述三维坐标系中,并使得实际位置状态三维模型图与标准安装状态三维模型图的安装基准面相互重合,以对两三维模型图进行对齐处理;
在所述三维坐标系中计算出第一颜色与第二颜色相互重合区域的体积,以及计算出第一颜色与第二颜色不相重合区域的体积;
根据第一颜色与第二颜色相互重合区域的体积与不相重合区域的体积计算出所述实际位置状态三维模型图与标准安装状态三维模型图之间的重叠程度,根据所述重叠程度得到目标监控设施的实际位置状态与标准安装状态之间的偏移程度;
若目标监控设施的实际位置状态与标准安装状态之间的偏移程度不大于预设偏移程度,则将该目标监控设施的位置状态标记为正常状态;
若目标监控设施的实际位置状态与标准安装状态之间的偏移程度大于预设偏移程度,则将该目标监控设施的位置状态标记为偏移状态。
4.根据权利要求1所述的一种基于物理模型的高速违法监控设施管理方法,其特征在于,根据所述实时生长植物模型图对预设范围内的实时生长植物状态进行识别判断,得到目标监控设施的植物遮挡状态,具体为:
对所述实际场景三维模型图内所存在的实时生长植物模型图进行识别,判断所述实际场景三维模型图内是否存在预设类型生长植物;
若所述实际场景三维模型图内不存在预设类型生长植物,则将该目标监控设施的植物遮挡状态标记为正常状态;
若所述实际场景三维模型图内存在预设类型生长植物,则在所述实际场景三维模型图内判断预设类型生长植物与目标监控设施的摄像头区域是否存在干涉情况;
若存在干涉情况,则将该目标监控设施的植物遮挡状态标记为实时遮挡状态;
若不存在干涉情况,则将该目标监控设施的植物遮挡状态标记为非实时遮挡状态。
5.根据权利要求4所述的一种基于物理模型的高速违法监控设施管理方法,其特征在于,对所述实际场景三维模型图内所存在的实时生长植物模型图进行识别,判断所述实际场景三维模型图内是否存在预设类型生长植物,具体为:
获取与目标监控设施型号相同的所有监控设施的管理日志信息,根据所述管理日志信息获取会对目标监控设施产生视线干扰的生长植物,定义为预设类型生长植物;
以及在所述管理日志信息中获取预设类型生长植物的图像信息,根据预设类型生长植物的图像信息构建预设类型生长植物的特征三维模型图;
构建知识图谱,并将预设类型生长植物的特征三维模型图导入所述知识图谱中;
在所述实际场景三维模型图中分离出存在于实际场景三维模型图中的各实时生长植物模型图;以及在所述知识图谱提取出各特征三维模型图;
基于余弦相似度算法分别计算各实时生长植物模型图与各特征三维模型图之间的余弦相似度,得到多个余弦相似度;并将各个余弦相似度与预设余弦相似度阈值进行比较;
若存在一个或多个余弦相似度大于预设余弦相似度阈值的情况,则说明该实际场景三维模型图内存在预设类型生长植物;
若各个余弦相似度均不大于预设余弦相似度阈值,则说明该实际场景三维模型图内不存在预设类型生长植物。
6.根据权利要求1所述的一种基于物理模型的高速违法监控设施管理方法,其特征在于,根据所述目标监控设施的位置状态与植物遮挡状态制定出对该目标监控设施进行维护的预警等级,具体为:
若目标监控设施的位置状态为偏移状态且植物遮挡状态为实时遮挡状态,则生成一级预警信号;
若目标监控设施的位置状态为正常状态且植物遮挡状态为实时遮挡状态,则生成二级预警信号;
若目标监控设施的位置状态为偏移状态且植物遮挡状态为正常状态,则生成二级预警信号;
若目标监控设施的位置状态为偏移状态且植物遮挡状态为非实时遮挡状态,则生成二级预警信号;
若目标监控设施的位置状态为正常状态且植物遮挡状态为非实时遮挡状态,则生成三级预警信号;
若目标监控设施的位置状态与植物遮挡状态标记均为正常状态,则不生成预警信号。
7.一种基于物理模型的高速违法监控设施管理系统,其特征在于,所述高速违法监控设施管理系统包括存储器与处理器,所述存储器中存储有高速违法监控设施管理方法程序,当所述高速违法监控设施管理方法程序被所述处理器执行时,实现如下步骤:
在多个视角获取目标监控设施中预设范围内的实际场景图像,根据所述实际场景图像构建目标监控设施的实际场景三维模型图;
在所述实际场景三维模型图中分离出目标监控设施安装位置区域对应的子区域三维模型图,得到目标监控设施的实际位置状态三维模型图;以及在所述实际场景三维模型图中分离出存在于实际场景三维模型图中的各实时生长植物模型图;
根据目标监控设施的实际位置状态三维模型图与标准安装状态三维模型图对目标监控设施的位置状态进行评估,得到目标监控设施的位置状态;根据所述实时生长植物模型图对预设范围内的实时生长植物状态进行识别判断,得到目标监控设施的植物遮挡状态;
根据所述目标监控设施的位置状态与植物遮挡状态制定出对该目标监控设施进行维护的预警等级,并基于对该目标监控设施进行维护的预警等级确定出对该目标监控设施进行维护的优先次序,以及将对该目标监控设施进行维护的优先次序发送至预设终端上显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410643056.2A CN118229037A (zh) | 2024-05-23 | 2024-05-23 | 一种基于物理模型的高速违法监控设施管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410643056.2A CN118229037A (zh) | 2024-05-23 | 2024-05-23 | 一种基于物理模型的高速违法监控设施管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118229037A true CN118229037A (zh) | 2024-06-21 |
Family
ID=91508851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410643056.2A Pending CN118229037A (zh) | 2024-05-23 | 2024-05-23 | 一种基于物理模型的高速违法监控设施管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118229037A (zh) |
-
2024
- 2024-05-23 CN CN202410643056.2A patent/CN118229037A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340317B (zh) | 架空输电线路树障隐患的自动预警方法及电子设备 | |
CN109580004A (zh) | 一种温度检测方法及装置 | |
CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
CN117172414A (zh) | 一种基于bim技术的建筑幕墙施工管理系统 | |
CN115049793B (zh) | 基于数字孪生的输电线路树木生长可视化预测方法及装置 | |
CN114187511A (zh) | 一种输电全景大数据智能监控方法 | |
CN115825984A (zh) | 一种基于激光点云的输电线路巡检系统及巡检方法 | |
CN114519712A (zh) | 一种点云数据处理方法、装置、终端设备及存储介质 | |
CN113569801B (zh) | 一种配电施工现场带电设备及其带电区域识别方法及装置 | |
CN117409341B (zh) | 基于无人机照明的图像分析方法及系统 | |
CN115797877B (zh) | 一种电力传输设备的智能监控方法、系统及介质 | |
CN118229037A (zh) | 一种基于物理模型的高速违法监控设施管理方法及系统 | |
CN113361968B (zh) | 基于人工智能和大数据的电网基建人员安全风险评估方法 | |
CN116052023A (zh) | 基于三维点云的电力巡检地物分类方法及存储介质 | |
CN113326925B (zh) | 基于密度图回归的卷积神经网络的花量统计方法、系统、设备及介质 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
CN111583336B (zh) | 一种机器人及其巡检方法和装置 | |
CN117809297B (zh) | 基于三维重建的输电线路危险源智能识别方法 | |
CN113821895A (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
CN117523299B (zh) | 一种基于计算机网络图像识别方法、系统和存储介质 | |
CN115239682B (zh) | 一种电缆线路防外破监测告警方法与系统 | |
CN117726959B (zh) | 基于智能图像识别的无人机电力线路安全巡检系统及方法 | |
CN116311029B (zh) | 基于大数据的施工作业违章识别系统及方法 | |
CN114724118B (zh) | 一种斑马线检测方法、装置、设备及存储介质 | |
CN117523299A (zh) | 一种基于计算机网络图像识别方法、系统和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |