CN108073854A - 一种现场巡检的检测方法及装置 - Google Patents
一种现场巡检的检测方法及装置 Download PDFInfo
- Publication number
- CN108073854A CN108073854A CN201610997325.0A CN201610997325A CN108073854A CN 108073854 A CN108073854 A CN 108073854A CN 201610997325 A CN201610997325 A CN 201610997325A CN 108073854 A CN108073854 A CN 108073854A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- video
- terminal
- feature
- 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
Classifications
-
- 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
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种现场巡检的检测方法及装置,其中,所述方法包括:确定要检测的目标图像;调用预先设定的图像特征检测算法对所述目标图像进行特征提取,确定所述目标图像的第一特征向量;根据所述第一特征向量和样本图像对所述目标图像进行分类,得到分类结果;其中,所述样本图像中包含属于第一类图像的图像和属于第二类图像的图像;如果所述分类结果中有第二类图像,发送报警信息给第一终端和第二终端。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种现场巡检的检测方法及装置。
背景技术
当前,全球范围内以移动互联网、云计算、大数据、物联网为代表的新一代信息通信技术迅猛发展,不仅在信息通信领域得到广泛深入的应用,而且也给人们的生产和生活带来了变革。随着政府、单位和企业对现场巡检工作的重视,计算机信息化技术在现场巡检中的应用也有着快速的发展,出现了适合不同行业的电子巡检***,巡检***的功能也在不断的丰富和完善;进入新的时代,人们对现场巡检***更加实时、可靠、智能化的研究将是一个非常值得关注的焦点问题。
目前智能现场巡检***已有多种解决方案,例如:
第一种,含有射频识别(Radio Frequency Identification,RFID)标签的巡检***。包括巡检平台、巡检终端、RFID标签,终端上安装有智能巡检应用,智能巡检平台能够通过无线网络与终端实时通信;RFID标签设置在巡检点,与巡检点形成绑定关系;通过终端扫描与巡检点绑定的RFID标签从而实现巡检工作量化。巡检人持巡检终端到巡检点巡检,发送巡检信息到平台,平台对巡检人和结果进行记录和审核。在巡检过程中,现场巡检结果主要依赖巡检人的主观性,而且对现场的巡检位置无法做到全面覆盖,不能有效发现现场中的异常问题,目前大多巡检***采用该解决方案。
第二种,巡检***包括服务端和移动终端,移动终端依赖于服务端,巡检人持移动终端在现场指定路径巡查,移动终端间隔一段时间上传巡检路径到服务端,并且将巡检结果上传到服务端,服务端对巡检路径和结果进行记录和管理;在巡检过程中使用该方法,巡检结果同样依赖于巡检人的主观性,审核管理员无法直接观察到现场巡检中的问题。
第三种,基于谷歌眼镜的智能变电站巡检实时数据展示***及方法,包括谷歌眼镜终端、智能移动终端、后方大数据及计算服务平台;其中谷歌眼镜终端通过网络与后端大数据平台连接,将拍摄场景通过实时传输协议(Real-time Transport Protocol,RTP)协议传送到大数据计算平台,完成在后端实时展示变电站中的巡检场景。使用该方法,审核员能够在远程监控现场巡检场景,但是该方法需要在后端依赖专家不间断的对巡检场景进行判断才能发现巡检中的异常情况,也存在需要改进的地方。
当前已存在的现场巡检***主要分为2类,一类为传统的巡检***,主要依赖巡检员手持巡检仪到巡检位置处上传巡检结果,然后服务端对结果进行存储、统计和分析,该方法主要依赖于巡检员的主观自觉,而且审核员不能观察巡检现场的问题;另一类为基于智能眼镜可移动优势的巡检***,该方法审核员可以远程实时观察到现场的情况,但是需要审核员实时对巡检视频进行观察分析,造成了人力成本的浪费。
发明内容
有鉴于此,本发明实施例期望提供一种现场巡检的检测方法及装置,解决了现有技术方案中需要审核员实时对巡检视频进行观察分析,主观因素较大且不能及时得出分析结果的问题,实现了采用大数据实时分析和机器学习技术对视频流进行图像处理,达到实时检测现场异常的目的。
为达到上述目的,本发明的技术方案是这样实现的:
第一方面,本发明实施例提供一种现场巡检的检测方法,所述方法包括:
确定要检测的目标图像;
调用预先设定的图像特征检测算法对所述目标图像进行特征提取,确定所述目标图像的第一特征向量;
根据所述第一特征向量和样本图像对所述目标图像进行分类,得到分类结果;其中,所述样本图像中包含属于第一类图像的图像和属于第二类图像的图像;
如果所述分类结果中有第二类图像,发送报警信息给第一终端和第二终端。
第二方面,本发明实施例提供一种现场巡检的检测装置,其特征在于,所述装置包括:
第一确定模块,用于确定要检测的目标图像;
第二确定模块,用于调用预先设定的图像特征检测算法对所述目标图像进行特征提取,确定所述目标图像的第一特征向量;
分类模块,用于根据所述第一特征向量和样本图像对所述目标图像进行分类,得到分类结果;其中,所述样本图像中包含属于第一类图像的图像和属于第二类图像的图像;
发送模块,用于如果所述分类结果中有第二类图像,发送报警信息给第一终端和第二终端。
本发明实施例提供一种现场巡检的检测方法及装置,其中,所述方法包括:确定要检测的目标图像;调用预先设定的图像特征检测算法对所述目标图像进行特征提取,确定所述目标图像的第一特征向量;根据所述第一特征向量和样本图像对所述目标图像进行分类,得到分类结果;其中,所述样本图像中包含属于第一类图像的图像和属于第二类图像的图像;如果所述分类结果中有第二类图像,发送报警信息给第一终端和第二终端。所述第二终端接收到所述报警信息后,会提示审核人查看所述报警信息。如此,可以不需要审核员实时对巡检视频进行观察分析,采用大数据实时分析和机器学习技术对视频流进行图像处理,达到实时检测现场异常的目的。
附图说明
图1为本发明实施例一现场巡检的检测方法的实现流程示意图;
图2为本发明实施例二现场巡检的检测方法的实现流程示意图;
图3-1为所述现场巡检的检测***的组成结构示意图;
图3-2为本发明实施例三现场巡检的检测方法的实现流程示意图;
图4为本发明实施例四现场巡检的检测装置的组成结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对发明的具体技术方案做进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例一
为了解决背景技术中存在的技术问题,本发明实施例提供一种现场巡检的检测方法,应用于现场巡检的检测装置。在实际应用中,所述现场巡检的检测装置可以是一个具有大数据处理能力的服务器,计算机客户端等设备。图1为本发明实施例一现场巡检的检测方法的实现流程示意图,如图1所示,所述方法包括:
步骤S101,确定要检测的目标图像;
这里,首先,接收第一终端发送的视频;其次,解析所述视频,得到所述视频中的每一帧图像;再次,从所述视频包含的所有图像中确定出要检测的目标图像。
从所述视频包含的所有图像中确定要检测的目标图像,可以是按照预设的规则,从所述视频包含的图像中有规律的抽取出一些图像作为要检测的目标图像,具体过程包括:根据预设的规则,确定间隔帧数X和初始值Y;其中,X和Y均为不小于1的自然数;从所述视频包含的所有图像的第Y帧图像开始每间隔X帧抽取一帧图像;将抽取出的图像确定为要检测的目标图像。
从所述视频包含的所有图像中确定要检测的目标图像还可以是从所述视频包含的所有图像中随机的抽取一些图像作为要检测的目标图像,具体过程包括:根据预设的规则,确定所述目标图像的帧数Z;其中,Z为不小于1的自然数;从所述视频包含的所有图像中随机抽取Z帧图像;将抽取出的Z帧图像确定为要检测的目标图像。
步骤S102,调用预先设定的图像特征检测算法对所述目标图像进行特征提取,确定所述目标图像的第一特征向量;
这里,所述步骤S102进一步包括:将所述目标图像作为所述图像特征检测算法的输入进行特征提取,确定所述目标图像的第一特征至第N特征,其中,所述N为大于1的自然数;
所述第一特征可以但不限于是颜色、纹理、形状等特征。
将所述第一特征至第N特征确定为所述目标图像的第一特征向量。
步骤S103,根据所述第一特征向量和样本图像对所述目标图像进行分类,得到分类结果;
这里,所述样本图像中包含属于第一类图像的图像和属于第二类图像的图像;第一类图像为正常的图像,第二类图像是存在异常的图像。
所述步骤S103进一步包括:调用预先设定的图像特征检测算法对所述样本图像进行特征提取,得到所述样本图像的第二特征向量和第三特征向量;其中,所述第二特征向量是所述样本图像中属于第一类图像的图像的特征向量,所述第三特征向量是所述样本图像中属于第二类图像的图像的特征向量;
将所述第一特征向量、所述第二特征向量和所述第三特征向量输入到预先设定的分类器中进行分类,得到分类结果。
这里,所述分类器可以但不限于是支持向量机分类器、Boosting分类器。
步骤S104,如果所述分类结果中有第二类图像,发送报警信息给第一终端和第二终端。
这里,所述步骤S104进一步包括:判断所述分类结果中是否有第二类图像;如果所述分类结果中有第二类图像,发送报警信息给所述第一终端和所述第二终端。即当在目标图像中检测出有异常图像时,会向所述第一终端和所述第二终端发送报警信息。
所述第一终端为带有拍摄视频功能的智能终端,包括但不限于智能眼镜、智能手机、平板电脑等智能终端。
所述第二终端为带有可视界面的智能终端,包括但不限于是智能手机、平板电脑、笔记本电脑、台式计算机等设备。所述第二终端接收到所述报警信息后,会提示审核人查看所述报警信息。
在本发明实施例提供的现场巡检的检测方法中,通过确定要检测的目标图像;调用预先设定的图像特征检测算法对所述目标图像进行特征提取,确定所述目标图像的第一特征向量;根据所述第一特征向量和样本图像对所述目标图像进行分类,得到分类结果;其中,所述样本图像中包含属于第一类图像的图像和属于第二类图像的图像;如果所述分类结果中有第二类图像,发送报警信息给第一终端和第二终端。所述第二终端接收到所述报警信息后,会提示审核人查看所述报警信息。如此,可以不需要审核员实时对巡检视频进行观察分析,采用大数据实时分析和机器学习技术对视频流进行图像处理,达到实时检测现场异常的目的。
实施例二
本发明实施例再提供一种现场巡检的检测方法,应用于现场巡检的检测***,所述检测***至少包括现场巡检的检测装置、第一终端和第二终端。在实际应用中,所述现场巡检的检测装置可以是一个具有大数据处理能力的服务器,计算机客户端等设备,所述第一终端可以是带有拍摄视频功能的智能终端,包括但不限于智能眼镜、智能手机、平板电脑等智能终端。所述第二终端为带有可视界面的智能终端,包括但不限于是智能手机、平板电脑、笔记本电脑,台式计算机等设备。图2为本发明实施例一现场巡检的检测方法的实现流程示意图,如图2所示,所述方法包括:
步骤S201,第一终端启动视频摄像功能,采集指定路线上的视频;
步骤S202,所述第一终端将采集到的视频发送给大数据处理平台;
这里,在所述第一终端将采集到的视频发送给大数据平台之前,所述方法还包括:
所述第一终端检测所述第一终端是否与所述大数据平台建立连接;
如果所述第一终端是否与所述大数据平台建立连接,所述第一终端将采集到的视频发送给所述大数据平台;如果所述第一终端与所述大数据平台没有建立连接,则会提示用户检查网络连接。
步骤S203,所述大数据平台接收并解析所述视频,确定要检测的目标图像;
这里,所述大数据平台接收第一终端发送的视频,并对所述视频进行解析得到所述视频中的每一帧图像;所述大数据平台从所述视频包含的所有图像中确定出要检测的目标图像。
从所述视频包含的所有图像中确定要检测的目标图像,可以是按照预设的规则,从所述视频包含的图像中有规律的抽取出一些图像作为要检测的目标图像,具体过程包括:根据预设的规则,确定间隔帧数X和初始值Y;其中,X和Y均为不小于1的自然数;从所述视频包含的所有图像的第Y帧图像开始每间隔X帧抽取一帧图像;将抽取出的图像确定为要检测的目标图像。
从所述视频包含的所有图像中确定要检测的目标图像还可以是从所述视频包含的所有图像中随机的抽取一些图像作为要检测的目标图像,具体过程包括:根据预设的规则,确定所述目标图像的帧数Z;其中,Z为不小于1的自然数;从所述视频包含的所有图像中随机抽取Z帧图像;将抽取出的Z帧图像确定为要检测的目标图像。
步骤S204,所述大数据平台调用预先设定的图像特征检测算法对所述目标图像进行特征提取,确定所述目标图像的第一特征向量;
这里,所述步骤S204进一步包括:
步骤S2041,所述大数据平台将所述目标图像作为所述图像特征检测算法的输入进行特征提取,确定所述目标图像的第一特征至第N特征;
其中,所述N为大于1的自然数;所述第一特征至第N特征中的每一个特征都可以但不限于是颜色、纹理、形状等特征。
步骤S2042,所述大数据平台将所述第一特征至第N特征确定为所述目标图像的第一特征向量。
步骤S205,所述大数据平台根据所述第一特征向量和样本图像对所述目标图像进行分类,得到分类结果;
这里,所述样本图像中包含属于第一类图像的图像和属于第二类图像的图像;第一类图像为正常的图像,第二类图像是存在异常的图像。
所述步骤S205进一步包括:调用预先设定的图像特征检测算法对所述样本图像进行特征提取,得到所述样本图像的第二特征向量和第三特征向量;其中,所述第二特征向量是所述样本图像中属于第一类图像的图像的特征向量,所述第三特征向量是所述样本图像中属于第二类图像的图像的特征向量;
将所述第一特征向量、所述第二特征向量和所述第三特征向量输入到预先设定的分类器中进行分类,得到分类结果。
这里,所述分类器可以但不限于是支持向量机分类器、基(Boosting)分类器。
步骤S206,所述大数据平台判断所述分类结果中是否有第二类图像;是则进入步骤S207,否则结束。
步骤S207,所述大数据平台发送报警信息给第一终端。
步骤S208,所述大数据平台发送报警信息给第二终端。
这里,当在目标图像中检测出有异常图像时,所述大数据平台会向所述第一终端和第二终端发送报警信息。所述第二终端接收到所述报警信息后,会提示审核人查看所述报警信息。
本发明实施例突破了巡检人员在工程现场巡检中人工检查的局限,能够不间断地对工程中不易察觉的细节问题进行实时检测。
在本发明实施例提供的现场巡检的检测方法中,通过确定要检测的目标图像;调用预先设定的图像特征检测算法对所述目标图像进行特征提取,确定所述目标图像的第一特征向量;根据所述第一特征向量和样本图像对所述目标图像进行分类,得到分类结果;其中,所述样本图像中包含属于第一类图像的图像和属于第二类图像的图像;如果所述分类结果中有第二类图像,发送报警信息给第一终端。如此,可以不需要审核员实时对巡检视频进行观察分析,采用大数据实时分析和机器学习技术对视频流进行图像处理,达到实时检测现场异常的目的。
实施例三
本发明实施例先提供一种现场巡检的检测方法,在现场巡检中使用智能眼镜可实时了解到现场周边的情况,通过***移动通信技术(the 4th Generation mobilecommunication,4G)+网络将视频拍摄视频流传到大数据平台,平台采用大数据实时分析和机器学***台311、和第二终端312,其中:
所述智能眼镜310,内置操作***,可安装应用程序(Application,App),打开App与平台进行数据交互,通过无线保真(Wireless-Fidelity,Wi-Fi)和移动热点连接运营商4G+网络;巡检员戴眼镜到指定路线进行巡检,App将拍摄现场视频通过实时流传输协议(Real Time Streaming Protocol,RTSP)协议传送到大数据平台上;眼镜可将路线经纬度传送到平台,同时可收到平台返回的警报通知信息。
所述大数据平台311,负责RTSP视频流的解析,对图像进行分析,检测异常图像,检测到异常巡检场景报警。硬件使用分布服务器集群,操作***使用Centos Linux 6.5,部署,所述大数据平台311进一步包括:图像采集模块、图像识别模块、图像编解码模块、机器学习模块。其中:
图像采集模块,用于将视频进行解析,采集所述视频中要检测的目标图像。
在实际实现的过程中可以使用Apache Kafka进行图像采集,实时计算模型通过Apache Storm或者Apache Spark将采集到的目标图像路由至数据仓库工具(HIVE)/高容错的分布式文件***(Hadoop Distributed File System,HDFS),然后调用图像异常分析算法和机器学习技术来检测异常图像帧。
图像识别模块,用于分析所述目标图像的特征,识别所述目标图像中的异常目标。
图像编解码模块,用于对图像进行编码和解码。流媒体服务器使用RTSP Server,视频编解码使用FFmpeg。
机器学习模块,用于从图像特征和样本图像中对图像进行识别分类。
所述第二终端312,用于接收所述数据平台发送的报警信息,并将所述报警信息显示在客户端的可视界面上供审核人查看。所述第二终端312为带有可视界面的智能终端,包括但不限于是智能手机、平板电脑、笔记本电脑,台式计算机等设备。
本发明实施例提供的现场巡检的检测方法主要包括如下步骤:第一步,智能眼镜作为移动终端提供网络环境,包括智能移动终端连接移动热点或者运营商4G+网络,与后端大数据平台互连;第二步,智能眼镜采集巡检现场的视频,编码视频流并通过RTSP协议传送到巡检后端的大数据平台;第三步,大数据平台对采集到的视频流进行实时解析处理,调用图像处理算法和机器学习技术,对图像进行特征标记和分类,识别出异常和正常巡检图片。图3-2为本发明实施例三现场巡检的检测方法的实现流程示意图,如图3-2所示,所述方法包括:
步骤S321,巡检人打开智能眼镜进入巡检应用,开始拍摄巡检场景视频。
步骤S322,智能眼镜实时将视频以流媒体RTSP的形式发送到大数据平台。
步骤S323,大数据平台解析所述流媒体视频,并行处理每一帧图像。
这里,在实际应用中可以使用Apache Kafka组件提取图像,将提取出来的图像作为目标图像。在进行目标图像的提取中可以使用Spark作为计算模型。
步骤S324,大数据平台调用图像特征检测和异常目标识别算法对所述目标图像进行异常检测,提取图像特征。
这里,图像的特征包括但不限于图像的颜色、纹理、形状等特征。在具体实现中,代码可使用开源计算机视觉库(Open Source Computer Vision Library,OpenCV)开源组件,目标识别算法可以但不限于是局部特征分析方法(Local Face Analysis,LFA),基于主成分分析方法(Principal Component Analysis,PCA),神经网络方法(Neural Networks),傅里叶形状描述。
步骤S325,所述大数据平台使用机器学习,借助样本图像对目标图像进行分类。
这里,在具体实现的过程中可以但不限于使用支持向量机、Boosting算法等机器学习算法,借助样本图像对所述目标图像进行分类。
步骤S326,根据图像分类判断是否存在异常图像。
步骤S327,如果检测出异常图像,则大数据平台发送报警信息给巡检人和审核者。
通过本发明实施例提供的现场巡检的检测方法和***,可以满足现场巡检中异常检测的实时性要求,在本发明实施例中的实时异常检测技术使用大数据实时处理技术,能够实时地远程检测现场中的异常。还可以满足现场巡检中异常检测的自动化要求,在本发明实施例中的实时异常检测技术使用大数据实时处理技术,调用视频分析和机器学***台后端审核者的审核,减少成本。另外,和目前的巡检***解决方案比,本发明实施例中基于智能眼镜的实时异常检测技术具有明显的先进性,巡检人只需携带智能眼镜,就可自动检测出巡检异常,而且使用机器学习技术来检测异常,准确性将会越来越好。
实施例四
本发明实施例提供一种现场巡检的检测装置,图4为本发明实施例四现场巡检的检测装置的组成结构示意图,如图4所示,所述检测装置400包括:第一确定模块401、第二确定模块402、分类模块403和发送模块404,其中:
所述第一确定模块401,用于确定要检测的目标图像;
这里,所述第一确定模块401进一步包括:接收单元,用于接收第一终端发送的视频;解析单元,用于解析所述视频,得到所述视频中的每一帧图像;第一确定单元,用于从所述视频包含的所有图像中确定出要检测的目标图像。
更进一步的,所述第一确定单元包括:第一确定子单元,用于根据预设的规则,确定间隔帧数X和初始值Y;其中,X和Y均为不小于1的自然数;第一抽取子单元,用于从所述视频包含的所有图像的第Y帧图像开始每间隔X帧抽取一帧图像;第一确定子单元,用于将抽取出的图像确定为要检测的目标图像。
所述第一确定单元还包括:第二确定子单元,用于根据预设的规则,确定所述目标图像的帧数Z;其中,Z为不小于1的自然数;第二抽取子单元,用于从所述视频包含的所有图像中随机抽取Z帧图像;第二确定子单元,用于将抽取出的Z帧图像确定为要检测的目标图像。
所述第二确定模块402,用于调用预先设定的图像特征检测算法对所述目标图像进行特征提取,确定所述目标图像的第一特征向量;
这里,所述第二确定模块402进一步包括:第二确定单元,用于将所述目标图像作为所述图像特征检测算法的输入进行特征提取,确定所述目标图像的第一特征至第N特征,其中,所述N为大于1的自然数;
第三确定单元,用于将所述第一特征至第N特征确定为所述目标图像的第一特征向量。
所述分类模块403,用于根据所述第一特征向量和样本图像对所述目标图像进行分类,得到分类结果;
这里,所述样本图像中包含属于第一类图像的图像和属于第二类图像的图像;所述分类模块403进一步包括:
第四确定单元,用于调用预先设定的图像特征检测算法对所述样本图像进行特征提取,得到所述样本图像的第二特征向量和第三特征向量;其中,所述第二特征向量是所述样本图像中属于第一类图像的图像的特征向量,所述第三特征向量是所述样本图像中属于第二类图像的图像的特征向量;
分类单元,用于将所述第一特征向量、所述第二特征向量和所述第三特征向量输入到预先设定的分类器中进行分类,得到分类结果。
所述发送模块404,用于如果所述分类结果中有第二类图像,发送报警信息给第一终端和第二终端。
这里,所述发送模块404进一步包括:
判断单元,用于判断所述分类结果中是否有第二类图像;
发送单元,用于如果所述分类结果中有第二类图像,发送报警信息给所述第一终端和所述第二终端。
这里需要指出的是:以上现场巡检的检测装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果,因此不做赘述。对于本发明现场巡检的检测装置实施例中未披露的技术细节,请参照本发明方法实施例的描述而理解,为节约篇幅,因此不再赘述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
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***,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(Read Only Memory,ROM)、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所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
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所述权利要求的保护范围为准。
Claims (10)
1.一种现场巡检的检测方法,其特征在于,所述方法包括:
确定要检测的目标图像;
调用预先设定的图像特征检测算法对所述目标图像进行特征提取,确定所述目标图像的第一特征向量;
根据所述第一特征向量和样本图像对所述目标图像进行分类,得到分类结果;其中,所述样本图像中包含属于第一类图像的图像和属于第二类图像的图像;
如果所述分类结果中有第二类图像,发送报警信息给第一终端和第二终端。
2.根据权利要求1中所述的方法,其特征在于,所述确定要检测的目标图像,包括:
接收第一终端发送的视频;
解析所述视频,得到所述视频中的每一帧图像;
从所述视频包含的所有图像中确定出要检测的目标图像。
3.根据权利要求2所述的方法,其特征在于,所述从所述视频包含的所有图像中确定要检测的目标图像,包括:
根据预设的规则,确定间隔帧数X和初始值Y;其中,X和Y均为不小于1的自然数;
从所述视频包含的所有图像的第Y帧图像开始每间隔X帧抽取一帧图像;
将抽取出的图像确定为要检测的目标图像。
4.根据权利要求2所述的方法,其特征在于,所述从所述视频包含的所有图像中确定要检测的目标图像,包括:
根据预设的规则,确定所述目标图像的帧数Z;其中,Z为不小于1的自然数;
从所述视频包含的所有图像中随机抽取Z帧图像;
将抽取出的Z帧图像确定为要检测的目标图像。
5.根据权利要求1-4中任一所述的方法,其特征在于,所述调用预先设定的图像特征检测算法对所述目标图像进行特征提取,确定所述目标图像的第一特征向量,包括:
将所述目标图像作为所述图像特征检测算法的输入进行特征提取,确定所述目标图像的第一特征至第N特征,其中,所述N为大于1的自然数;
将所述第一特征至第N特征确定为所述目标图像的第一特征向量。
6.根据权利要求1-4中任一所述的方法,其特征在于,根据所述第一特征向量和样本图像对所述目标图像进行分类,得到分类结果,包括:
调用预先设定的图像特征检测算法对所述样本图像进行特征提取,得到所述样本图像的第二特征向量和第三特征向量;其中,所述第二特征向量是所述样本图像中属于第一类图像的图像的特征向量,所述第三特征向量是所述样本图像中属于第二类图像的图像的特征向量;
将所述第一特征向量、所述第二特征向量和所述第三特征向量输入到预先设定的分类器中进行分类,得到分类结果。
7.根据权利要求1-3中任一所述的方法,其特征在于,所述如果所述分类结果中有第二类图像,发送报警信息给第一终端,包括:
判断所述分类结果中是否有第二类图像;
如果所述分类结果中有第二类图像,发送报警信息给所述第一终端。
8.一种现场巡检的检测装置,其特征在于,所述装置包括:
第一确定模块,用于确定要检测的目标图像;
第二确定模块,用于调用预先设定的图像特征检测算法对所述目标图像进行特征提取,确定所述目标图像的第一特征向量;
分类模块,用于根据所述第一特征向量和样本图像对所述目标图像进行分类,得到分类结果;其中,所述样本图像中包含属于第一类图像的图像和属于第二类图像的图像;
发送模块,用于如果所述分类结果中有第二类图像,发送报警信息给第一终端和第二终端。
9.根据权利要求8中所述的装置,其特征在于,所述第一确定模块包括:
接收单元,用于接收第一终端发送的视频;
解析单元,用于解析所述视频,得到所述视频中的每一帧图像;
第一确定单元,用于从所述视频包含的所有图像中确定出要检测的目标图像。
10.根据权利要求8或9中所述的装置,其特征在于,所述第二确定模块包括:
第二确定单元,用于将所述目标图像作为所述图像特征检测算法的输入进行特征提取,确定所述目标图像的第一特征至第N特征,其中,所述N为大于1的自然数;
第三确定单元,用于将所述第一特征至第N特征确定为所述目标图像的第一特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610997325.0A CN108073854A (zh) | 2016-11-14 | 2016-11-14 | 一种现场巡检的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610997325.0A CN108073854A (zh) | 2016-11-14 | 2016-11-14 | 一种现场巡检的检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108073854A true CN108073854A (zh) | 2018-05-25 |
Family
ID=62154977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610997325.0A Pending CN108073854A (zh) | 2016-11-14 | 2016-11-14 | 一种现场巡检的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108073854A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492586A (zh) * | 2018-11-12 | 2019-03-19 | 长讯通信服务有限公司 | 一种基于人工智能和无人机的移动通信维护对象检测方法 |
CN109922315A (zh) * | 2019-03-01 | 2019-06-21 | 西安电子科技大学 | 一种基于Spark与OpenCV的实时视频行为分析方法 |
CN110516522A (zh) * | 2019-05-30 | 2019-11-29 | 中通服创立信息科技有限责任公司 | 一种巡检方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777129A (zh) * | 2009-11-25 | 2010-07-14 | 中国科学院自动化研究所 | 一种基于特征检测的图像匹配方法 |
CN101790064A (zh) * | 2010-02-23 | 2010-07-28 | 公安部第三研究所 | 具有视频结构化描述功能的硬盘录像设备及其方法 |
CN102360434A (zh) * | 2011-10-09 | 2012-02-22 | 江苏大学 | 一种智能交通监控中车辆和行人的目标分类方法 |
CN103530649A (zh) * | 2013-10-16 | 2014-01-22 | 北京理工大学 | 一种适用于移动终端的视觉搜索方法 |
-
2016
- 2016-11-14 CN CN201610997325.0A patent/CN108073854A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777129A (zh) * | 2009-11-25 | 2010-07-14 | 中国科学院自动化研究所 | 一种基于特征检测的图像匹配方法 |
CN101790064A (zh) * | 2010-02-23 | 2010-07-28 | 公安部第三研究所 | 具有视频结构化描述功能的硬盘录像设备及其方法 |
CN102360434A (zh) * | 2011-10-09 | 2012-02-22 | 江苏大学 | 一种智能交通监控中车辆和行人的目标分类方法 |
CN103530649A (zh) * | 2013-10-16 | 2014-01-22 | 北京理工大学 | 一种适用于移动终端的视觉搜索方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492586A (zh) * | 2018-11-12 | 2019-03-19 | 长讯通信服务有限公司 | 一种基于人工智能和无人机的移动通信维护对象检测方法 |
CN109492586B (zh) * | 2018-11-12 | 2021-08-17 | 长讯通信服务有限公司 | 一种基于人工智能和无人机的移动通信维护对象检测方法 |
CN109922315A (zh) * | 2019-03-01 | 2019-06-21 | 西安电子科技大学 | 一种基于Spark与OpenCV的实时视频行为分析方法 |
CN110516522A (zh) * | 2019-05-30 | 2019-11-29 | 中通服创立信息科技有限责任公司 | 一种巡检方法及*** |
CN110516522B (zh) * | 2019-05-30 | 2020-11-27 | 中通服创立信息科技有限责任公司 | 一种巡检方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111928888B (zh) | 一种水域污染智能监控分析方法及*** | |
US9251425B2 (en) | Object retrieval in video data using complementary detectors | |
US10701321B2 (en) | System and method for distributed video analysis | |
EP2688296B1 (en) | Video monitoring system and method | |
CN110808945B (zh) | 一种基于元学习的小样本场景下网络入侵检测方法 | |
CN110516522B (zh) | 一种巡检方法及*** | |
CN107222660B (zh) | 一种分布式网络视觉监控*** | |
WO2012095867A2 (en) | An integrated intelligent server based system and method/systems adapted to facilitate fail-safe integration and /or optimized utilization of various sensory inputs | |
CN109376577A (zh) | 视频综合分析方法及*** | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
CN104160408A (zh) | 视频合成的方法和*** | |
CN111918039A (zh) | 基于5g网络的人工智能高风险作业管控*** | |
CN111047824B (zh) | 一种室内儿童看护联动控制预警方法及*** | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN110830772A (zh) | 一种厨房视频分析资源调度方法、装置及*** | |
CN108073854A (zh) | 一种现场巡检的检测方法及装置 | |
CN108391092A (zh) | 基于深度学习的危险物识别*** | |
CN113723184A (zh) | 基于智能网关的场景识别***、方法、装置和智能网关 | |
CN113269039A (zh) | 一种在岗人员行为识别方法和*** | |
CN115103157A (zh) | 基于边云协同的视频分析方法、装置、电子设备及介质 | |
Yedla et al. | Real-time scene change detection with object detection for automated stock verification | |
CN107820051A (zh) | 监控***及其监控方法和装置 | |
Arikuma et al. | Intelligent multimedia surveillance system for safer cities | |
CN109120896B (zh) | 安防视频监控卫士*** | |
US11398091B1 (en) | Repairing missing frames in recorded video with machine learning |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180525 |