CN109785361A - 基于cnn与mog的变电站异物入侵检测*** - Google Patents
基于cnn与mog的变电站异物入侵检测*** Download PDFInfo
- Publication number
- CN109785361A CN109785361A CN201811575608.1A CN201811575608A CN109785361A CN 109785361 A CN109785361 A CN 109785361A CN 201811575608 A CN201811575608 A CN 201811575608A CN 109785361 A CN109785361 A CN 109785361A
- Authority
- CN
- China
- Prior art keywords
- cnn
- foreign matter
- substation
- mog
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000002452 interceptive effect Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000002360 preparation method Methods 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims description 25
- 230000009545 invasion Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 238000012986 modification Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 6
- 239000000126 substance Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于CNN与MOG结合的变电站异物入侵检测***,包括:数据准备模块是将变电站监控视频数据进行读取和预处理;MOG动态前景提取模块是对视频数据进行背景建模和动态前景提取,检测定位出视频中运动的目标;CNN异物判别模块是收集变电站背景图像和可能入侵变电站的异物图像完成CNN模型的训练,将MOG定位的目标输入该模型,判断运动目标是否属于异物目标;人工交互模块是通过交互式接口输出异物信息,实现人工标注并利用标注信息重新训练训练CNN,得到新的异物辨别模型。本发明能实现变电站检测视频中异物入侵目标的自动检测,该异物检测***具备较强的鲁棒性和较高精确度,且通过人工交互接口的修正过程提高异物检测的灵活性。
Description
技术领域
本发明涉及到变电站异物检测领域,具体是一种基于CNN与MOG结合的变电站异物入侵检测***。
背景技术
变电站的四周一般为空旷的平原地带,且主要设备均安放在室外,因此经常会收到外来异物的侵扰,这将对变电站的管理和安全运行找出危害。为了实现变电站主要电力设备的智能化监测,保障电力***安全可靠运行,电力公司加强了对变电站运行场景的监测方法和手段。目前,变电站的全景监测信息主要还是采取人工分析的方式处理,这种方式会导致大量人力资源的浪费,还会由于缺乏客观性导致出错。因此,利用图像识别技术自动检测入侵的变电站异物非常必要,这种方式不仅能降低人工工作量,还可避免人为检测导致的误判,达到提高检测的准确性的目的。
传统的监测***一般采用背景建模方法,通过测试视频数据下一帧中每个像素点是否满足背景模型,完成对动态目标的检测定位。但是这种检测方法对动态背景的适应性差,当背景中的物体由于光线或者风吹出现小幅度抖动时,会导致算法将背景当做动态前景检测出来的情况。另一方面,变电站内会出现设备的更换或移动,传统前景提取算法不具备灵活调整能力,也无法实现与人工标注交互学习的功能。最后传统的背景建模方法假设背景的像素点服从同一分布,但是当监测背景复杂或者背景中运动目标较多时,背景像素点的分布会呈现动态变化的形式,不能单纯利用估计出的参数完全表示。
发明内容
本发明的目的在于针对现有异物入侵检测***的误判现象严重且无法灵活交互改变的问题。
本发明的技术方案提供了一种基于CNN与MOG结合的变电站异物入侵检测***,包括:
数据准备模块,用于读取变电站监控摄像头存储的视频数据,利用小波变换将视频数据按帧变换到频率域中,并去除频域中的异常峰值,完成对视频数据的去噪,对视频数据进行尺寸放缩处理,使图像数据达到统一为600×800的尺寸;
MOG动态前景提取模块,用于利用MOG算法对监测视频进行运动前景目标检测定位,利用高斯混合模型(Gassian Mixture Model,GMM)为监测静止背景建模,利用多幅背景图像数据估计GMM的各项参数,将预处理的视频数据中每一帧图像输入GMM模型,根据模型输出的概率值确定背景中运动的前景目标并定位提取;
CNN异物判别模块,包括模型训练单元和目标判别单元;其中,模型训练单元用于截取检测变电站监测背景中的图像块,组成模型训练正样本集,收集可能进入变电站的异物图像组成训练负样本集,利用正负样本完成CNN判断模型的训练;目标判别单元用于利用训练完成的CNN判断模型识别MOG检测定位的动态目标,判断运动目标是否属于入侵异物目标;
人工交互模块,用于接收CNN判断输出的异物目标信息,将其可视化到图像中,通过人工对输出定位信息进行更改和重新标注,利用人工标注信息重新训练CNN判断模型,得到新的异物辨别模型。
其中,所述CNN异物判别模块中,模型训练单元在构造入侵异物负样本时,对搜集到的所有负样本需要进行尺寸放缩处理;放缩过程中,每张负样本按照其原本尺寸比例将长宽放缩到400以内;而为了训练样本的统一,从监测图像中滑动选取正样本时,利用的是40到400之间等比例10个参数构成的正方块窗口。
其中,CNN模型在最后卷积层处采用空间金字塔池化(Spatial Pyramid Pooling,SPP)方法对输入数据进行统一;输入图像通过卷积层提取特征之后,将其按照3个尺度等分为1块、4块和16块,分别对其中的图像块进行最大池化,得到统一的一维21个元素的图像特征,以进行分类训练。
其中,若CNN模型判断检测目标确为入侵异物,则将其窗口定位信息输出到交互接口中,交互窗口将定位信息可视化到监测图像中,输出交互接口将可视化检测异物的定位窗口和其属于异物的类别及置信度。
其中,若检测目标并非入侵异物,通过人工标注的方式改变输出目标窗口的种类标签,人工交互模块通过交互接口将修改信息返回CNN异物判别模块,利用人工标注信息重新训练CNN判断模型。
其中,人工标注的更改内容至少包括异物检测错误和异物未检测的情况。
其中,针对异物检测错误的情况,人工标注信息的内容为目标标签修改部分,将原本异物标签修改为背景;在CNN模型重新训练时,以原本的CNN参数作为初始化值进行微调;而微调使用的数据为检测错的背景样本通过图像的翻转、角度偏移和尺度的放缩,扩充为30到50个小型样本库,再利用这个小型样本库重新微调CNN参数。
其中,针对异物未检测的情况,则将人工标注的入侵异物样本通过数据扩充原理扩充得到大量负样本,仍使用原CNN模型作为初始化结构微调网络,完成网络的重新训练。
区别于现有技术,本发明的变电站异物入侵检测***将变电站监控视频数据进行读取和预处理,利用MOG算法对监测视频进行动态目标预检测,然后通过CNN模型再判断,进一步确认检测目标是否为入侵异物,最后利用人工交互式接口完成人工标定,并利用交互信息更新CNN判断模型参数。通过本发明,能够有效减少异物入侵检测***的误判现象,并且对于背景复杂或者动态背景的变电站监测数据有较强的鲁棒性和灵活性。
附图说明
图1为本发明提供的一种基于CNN与MOG结合的变电站异物入侵检测***的原理示意图;
图2为本发明提供的一种基于CNN与MOG结合的变电站异物入侵检测***的结构示意图;
图3为本发明提供的一种基于CNN与MOG结合的变电站异物入侵检测***的逻辑示意图;
图4为本发明提供的一种基于CNN与MOG结合的变电站异物入侵检测***中MOG前景提取过程示意图;
图5为本发明提供的一种基于CNN与MOG结合的变电站异物入侵检测***中SPP操作过程的示意图;
图6为本发明提供的一种基于CNN与MOG结合的变电站异物入侵检测***中人工交互模块的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施实例,对本发明的实施方式进行进一步详细说明:
参阅图1和图2,图1和图2是本发明提供的一种基于CNN与MOG结合的变电站异物入侵检测***的原理示意图和结构示意图,该***100包括:
数据准备模块110是将变电站监控视频数据进行读取和预处理;MOG动态前景提取模块120是对视频数据进行背景建模和动态前景提取,检测定位出视频中运动的目标;CNN异物判别模块130是收集变电站背景图像和可能入侵变电站的异物图像完成CNN模型的训练,将MOG定位的目标输入该模型,判断运动目标是否属于异物目标;人工交互模块140是通过交互式接口输出异物信息,实现人工标注并利用标注信息重新训练训练CNN,得到新的异物辨别模型。
具体的,数据准备模块110,用于读取变电站监控摄像头存储的视频数据,利用小波变换将视频数据按帧变换到频率域中,并去除频域中的异常峰值,完成对视频数据的去噪,对视频数据进行尺寸放缩处理,使图像数据达到统一为600×800的尺寸。
MOG动态前景提取模块120,用于利用MOG算法对监测视频进行运动前景目标检测定位,利用高斯混合模型(Gassian Mixture Model,GMM)为监测静止背景建模,利用多幅背景图像数据估计GMM的各项参数,将预处理的视频数据中每一帧图像输入GMM模型,根据模型输出的概率值确定背景中运动的前景目标并定位提取。
CNN异物判别模块130,包括模型训练单元131和目标判别单元132;其中,模型训练单元131用于截取检测变电站监测背景中的图像块,组成模型训练正样本集,收集可能进入变电站的异物图像组成训练负样本集,利用正负样本完成CNN判断模型的训练;目标判别单元132用于利用训练完成的CNN判断模型识别MOG检测定位的动态目标,判断运动目标是否属于入侵异物目标;
人工交互模块140,用于接收CNN判断输出的异物目标信息,将其可视化到图像中,通过人工对输出定位信息进行更改和重新标注,利用人工标注信息重新训练CNN判断模型,得到新的异物辨别模型。人工交互模块140的结构示意图如图6所示。
优选的,CNN异物判别模块130中,模型训练单元131在构造入侵异物负样本时,对搜集到的所有负样本需要进行尺寸放缩处理;放缩过程中,每张负样本按照其原本尺寸比例将长宽放缩到400以内;而为了训练样本的统一,从监测图像中滑动选取正样本时,利用的是40到400之间等比例10个参数构成的正方块窗口。
优选的,CNN模型在最后卷积层处采用空间金字塔池化(Spatial PyramidPooling,SPP)方法对输入数据进行统一;输入图像通过卷积层提取特征之后,将其按照3个尺度等分为1块、4块和16块,分别对其中的图像块进行最大池化,得到统一的一维21个元素的图像特征,以进行分类训练。
优选的,若CNN模型判断检测目标确为入侵异物,则将其窗口定位信息输出到交互接口中,交互窗口将定位信息可视化到监测图像中,输出交互接口将可视化检测异物的定位窗口和其属于异物的类别及置信度。
优选的,若检测目标并非入侵异物,通过人工标注的方式改变输出目标窗口的种类标签,人工交互模块通过交互接口将修改信息返回CNN异物判别模块,利用人工标注信息重新训练CNN判断模型。
优选的,人工标注的更改内容至少包括异物检测错误和异物未检测的情况。
优选的,针对异物检测错误的情况,人工标注信息的内容为目标标签修改部分,将原本异物标签修改为背景;在CNN模型重新训练时,以原本的CNN参数作为初始化值进行微调;而微调使用的数据为检测错的背景样本通过图像的翻转、角度偏移和尺度的放缩,扩充为30到50个小型样本库,再利用这个小型样本库重新微调CNN参数。
优选的,针对异物未检测的情况,则将人工标注的入侵异物样本通过数据扩充原理扩充得到大量负样本,仍使用原CNN模型作为初始化结构微调网络,完成网络的重新训练。
本发明的基于CNN与MOG的变电站异物入侵检测***处理过程见图2,首先读取待检测的变电站监控摄像头存储的视频数据,利用小波变换处理视频数据,通过设置阈值去除频率域上的异常峰值完成对视频数据的去噪。预处理的过程中还需要对图像集进行按照比例进行放缩处理,使图像数据达到统一为600×800的尺寸。
预处理后的视频数据通过MOG算法进行动态前景目标检测定位,整个检测算法操作过程见图3。首先MOG算法会利用GMM模型为监测视频背景像素点进行建模,在这个过程中假设视频中背景像素点均服从一个固定分布,该固定模型在时间域内的变化用K个多为高斯分布来模拟,若某一像素点P(x,y)的采样值为{X1,X2,…,Xt},则在t时刻观察到的当前像素值xt的概率为:
其中ωi,t、μi,t和∑i,t分别为t时刻模型中第i个高斯分布的权值、均值和协方差矩阵。第i个高斯分布的概率密度函数为
将K个高斯分布按照ω/σ的大小排序,取前B个作为视频的背景GMM模型,利用多帧连续图像数据通过EM演算法估计GMM模型中的参数。确定GMM模型中各项参数之后,将待检测的视频数据中每个像素点代入该GMM模型,检测定位其中不符合该概率模型的像素点并进行标定,该标定定位信息即视频中的动态目标。MOG前景提取过程如图4所示。
由于MOG算法对于动态背景较为敏感,因此得到MOG检测的异物目标之后,需要将异物目标输入CNN判别模型,进行进一步判断从而减少误判现象。而CNN判断模型首先需要进行训练,训练部分的数据库分为正负两种样本类型,正样本为变电站背景图像块,负样本为变电站的可能入侵的异物图像块。由于入侵目标的尺寸大小任意,因此构造入侵异物负样本时,对搜集到的所有负样本需要进行尺寸放缩处理。放缩过程中,将每张负样本按照其原本尺寸比例将其长宽放缩到400以内,且每个样本进行下采样得到其至少4个小尺度的图像。而为了训练样本的统一,从监测图像中滑动选取正样本时,利用的是40到400之间等比例10个参数为边长构成的正方块窗口。而在窗口滑动时,选取的滑动步长统一为样本尺寸中边长的一半。
由于MOG算法检测提取的动态目标尺寸之间会有很大的差异,因此本***中使用的CNN模型最后一个卷积层将连接一个SPP池化层,从而完成对卷积特征的尺寸统一。其中SPP池化操作如图5所示,主要是将卷积特征按照等分为1块、4块和16块,然后分别对其中的图像块进行最大池化,从而得到1、4和16个池化特征值,最后将这些特征值按顺序结合为同一个向量中,得到统一的一维21个元素的图像特征。这种SPP池化特征不仅可以完全统一不同尺寸输入图像的规模,还赋予了特征多尺度性,使之在角度、视觉远近发生变化时仍具备较强的鲁棒性。
CNN判断后会将判断的最终信息输入人工交互接口,最终信息将以识别检测的目标窗口和对应的异物判别标签及其置信度组成,因此整个判别输出结果的形式类似:然后将其可视化到交互接口窗口中,该接口可实现对输出定位信息的可视化、更改和重新标注,用户可根据实际情况更改检测异物窗口的位置或者重新标注异物窗口和对应标签。若检测目标并非入侵异物则可改变输出目标窗口的种类标签,将其标签更改为背景,再重新输入CNN判别模块;若图像中存在异物而输出接口并未检测到目标,那么人工可以重新标定异物的位置和标签信息,再将标注信息返回CNN异物判别模块,利用人工标注信息重新训练CNN判断模型。这些人工交互标注后的样本将通过图像的翻转、角度偏移和尺度的放缩,扩充为30到50个小型样本库,最后利用原本的CNN参数作为初始化值,通过这个小型样本库重新微调CNN参数。
本发明的基于CNN与MOG的变电站异物入侵检测***可以通过深度CNN模型对原本MOG检测的动态前景目标进一步判断,减少由于其他原因引起的误判现象。同时在CNN模型中加入了SPP方法,增加了***对多尺度目标的识别率。最后本***中的人工交互式接口可以保证该异物入侵检测***的灵活性,当变电站背景中的目标物体发生改动时,本***仍能正常运行。
区别于现有技术,本发明的变电站异物入侵检测***将变电站监控视频数据进行读取和预处理,利用MOG算法对监测视频进行动态目标预检测,然后通过CNN模型再判断,进一步确认检测目标是否为入侵异物,最后利用人工交互式接口完成人工标定,并利用交互信息更新CNN判断模型参数。通过本发明,能够有效减少异物入侵检测***的误判现象,并且对于背景复杂或者动态背景的变电站监测数据有较强的鲁棒性和灵活性。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,本领域技术人员根据上述说明的技术内容做出简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (8)
1.一种基于CNN与MOG结合的变电站异物入侵检测***,其特征在于,包括:
数据准备模块,用于读取变电站监控摄像头存储的视频数据,利用小波变换将视频数据按帧变换到频率域中,并去除频域中的异常峰值,完成对视频数据的去噪,对视频数据进行尺寸放缩处理,使图像数据达到统一为600×800的尺寸;
MOG动态前景提取模块,用于利用MOG算法对监测视频进行运动前景目标检测定位,利用高斯混合模型(Gassian Mixture Model,GMM)为监测静止背景建模,利用多幅背景图像数据估计GMM的各项参数,将预处理的视频数据中每一帧图像输入GMM模型,根据模型输出的概率值确定背景中运动的前景目标并定位提取;
CNN异物判别模块,包括模型训练单元和目标判别单元;其中,模型训练单元用于截取检测变电站监测背景中的图像块,组成模型训练正样本集,收集可能进入变电站的异物图像组成训练负样本集,利用正负样本完成CNN判断模型的训练;目标判别单元用于利用训练完成的CNN判断模型识别MOG检测定位的动态目标,判断运动目标是否属于入侵异物目标;
人工交互模块,用于接收CNN判断输出的异物目标信息,将其可视化到图像中,通过人工对输出定位信息进行更改和重新标注,利用人工标注信息重新训练CNN判断模型,得到新的异物辨别模型。
2.根据权利要求1所述的基于CNN与MOG的变电站异物入侵检测***,其特征在于:所述CNN异物判别模块中,模型训练单元在构造入侵异物负样本时,对搜集到的所有负样本需要进行尺寸放缩处理;放缩过程中,每张负样本按照其原本尺寸比例将长宽放缩到400以内;而为了训练样本的统一,从监测图像中滑动选取正样本时,利用的是40到400之间等比例10个参数构成的正方块窗口。
3.根据权利要求1所述的基于CNN与MOG的变电站异物入侵检测***,其特征在于:CNN模型在最后卷积层处采用空间金字塔池化(Spatial Pyramid Pooling,SPP)方法对输入数据进行统一;输入图像通过卷积层提取特征之后,将其按照3个尺度等分为1块、4块和16块,分别对其中的图像块进行最大池化,得到统一的一维21个元素的图像特征,以进行分类训练。
4.根据权利要求1所述的基于CNN与MOG的变电站异物入侵检测***,其特征在于:若CNN模型判断检测目标确为入侵异物,则将其窗口定位信息输出到交互接口中,交互窗口将定位信息可视化到监测图像中,输出交互接口将可视化检测异物的定位窗口和其属于异物的类别及置信度。
5.根据权利要求4所述的基于CNN与MOG的变电站异物入侵检测***,其特征在于:若检测目标并非入侵异物,通过人工标注的方式改变输出目标窗口的种类标签,人工交互模块通过交互接口将修改信息返回CNN异物判别模块,利用人工标注信息重新训练CNN判断模型。
6.根据权利要求5所述的基于CNN与MOG的变电站异物入侵检测***,其特征在于:人工标注的更改内容至少包括异物检测错误和异物未检测的情况。
7.根据权利要求6所述的基于CNN与MOG的变电站异物入侵检测***,其特征在于:针对异物检测错误的情况,人工标注信息的内容为目标标签修改部分,将原本异物标签修改为背景;在CNN模型重新训练时,以原本的CNN参数作为初始化值进行微调;而微调使用的数据为检测错的背景样本通过图像的翻转、角度偏移和尺度的放缩,扩充为30到50个小型样本库,再利用这个小型样本库重新微调CNN参数。
8.根据权利要求6所述的基于CNN与MOG的变电站异物入侵检测***,其特征在于:针对异物未检测的情况,则将人工标注的入侵异物样本通过数据扩充原理扩充得到大量负样本,仍使用原CNN模型作为初始化结构微调网络,完成网络的重新训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811575608.1A CN109785361A (zh) | 2018-12-22 | 2018-12-22 | 基于cnn与mog的变电站异物入侵检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811575608.1A CN109785361A (zh) | 2018-12-22 | 2018-12-22 | 基于cnn与mog的变电站异物入侵检测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109785361A true CN109785361A (zh) | 2019-05-21 |
Family
ID=66498090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811575608.1A Pending CN109785361A (zh) | 2018-12-22 | 2018-12-22 | 基于cnn与mog的变电站异物入侵检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785361A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378903A (zh) * | 2019-09-16 | 2019-10-25 | 广东电网有限责任公司佛山供电局 | 一种输电线路反事故措施智能统计方法 |
CN110691224A (zh) * | 2019-10-31 | 2020-01-14 | 上海电力大学 | 一种变电站周界视频智能检测*** |
CN110705360A (zh) * | 2019-09-05 | 2020-01-17 | 上海零眸智能科技有限公司 | 一种人机结合高效处理分类数据的方法 |
CN111028452A (zh) * | 2019-12-20 | 2020-04-17 | 云南电网有限责任公司保山供电局 | 一种变电站异物入侵监控***和方法 |
CN111161740A (zh) * | 2019-12-31 | 2020-05-15 | 中国建设银行股份有限公司 | 意图识别模型训练方法、意图识别方法以及相关装置 |
CN111310635A (zh) * | 2020-02-10 | 2020-06-19 | 上海应用技术大学 | 基于TensorFlow的安检违禁品识别***及方法 |
CN111325708A (zh) * | 2019-11-22 | 2020-06-23 | 济南信通达电气科技有限公司 | 一种输电线路检测方法和服务器 |
CN111340843A (zh) * | 2020-02-19 | 2020-06-26 | 山东大学 | 基于环境自适应和小样本学习的电力场景视频检测方法 |
AU2020201897A1 (en) * | 2019-05-31 | 2020-12-17 | Raytheon Company | Labeling using interactive assisted segmentation |
CN112102443A (zh) * | 2020-09-15 | 2020-12-18 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种适用于变电站设备巡检图像的标注***及标注方法 |
CN113191339A (zh) * | 2021-06-30 | 2021-07-30 | 南京派光智慧感知信息技术有限公司 | 一种基于视频分析的轨道异物侵限监测方法及*** |
CN113822240A (zh) * | 2021-11-22 | 2021-12-21 | 广东电网有限责任公司中山供电局 | 一种电力现场作业视频数据提取异常行为的方法及装置 |
CN113837063A (zh) * | 2021-10-15 | 2021-12-24 | 中国石油大学(华东) | 一种基于强化学习的冰壶运动现场分析和辅助决策方法 |
CN114157829A (zh) * | 2020-09-08 | 2022-03-08 | 顺丰科技有限公司 | 模型训练优化方法、装置、计算机设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955940A (zh) * | 2012-11-28 | 2013-03-06 | 山东电力集团公司济宁供电公司 | 一种输电线路物体检测***及方法 |
CN104318242A (zh) * | 2014-10-08 | 2015-01-28 | 中国人民解放军空军工程大学 | 一种高效的svm主动半监督学习算法 |
CN104463904A (zh) * | 2014-09-22 | 2015-03-25 | 国家电网公司 | 一种高压线异物入侵目标检测方法 |
CN104463191A (zh) * | 2014-10-30 | 2015-03-25 | 华南理工大学 | 一种基于注意机制的机器人视觉处理方法 |
CN104574340A (zh) * | 2013-10-18 | 2015-04-29 | 上海睿穹信息科技有限公司 | 一种基于历史图像的视频入侵检测方法 |
CN105744232A (zh) * | 2016-03-25 | 2016-07-06 | 南京第五十五所技术开发有限公司 | 一种基于行为分析技术的输电线路视频防外破的方法 |
CN106355162A (zh) * | 2016-09-23 | 2017-01-25 | 江西洪都航空工业集团有限责任公司 | 一种基于视频监控的入侵检测方法 |
CN106446926A (zh) * | 2016-07-12 | 2017-02-22 | 重庆大学 | 一种基于视频分析的变电站工人安全帽佩戴检测方法 |
CN106778472A (zh) * | 2016-11-17 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
-
2018
- 2018-12-22 CN CN201811575608.1A patent/CN109785361A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955940A (zh) * | 2012-11-28 | 2013-03-06 | 山东电力集团公司济宁供电公司 | 一种输电线路物体检测***及方法 |
CN104574340A (zh) * | 2013-10-18 | 2015-04-29 | 上海睿穹信息科技有限公司 | 一种基于历史图像的视频入侵检测方法 |
CN104463904A (zh) * | 2014-09-22 | 2015-03-25 | 国家电网公司 | 一种高压线异物入侵目标检测方法 |
CN104318242A (zh) * | 2014-10-08 | 2015-01-28 | 中国人民解放军空军工程大学 | 一种高效的svm主动半监督学习算法 |
CN104463191A (zh) * | 2014-10-30 | 2015-03-25 | 华南理工大学 | 一种基于注意机制的机器人视觉处理方法 |
CN105744232A (zh) * | 2016-03-25 | 2016-07-06 | 南京第五十五所技术开发有限公司 | 一种基于行为分析技术的输电线路视频防外破的方法 |
CN106446926A (zh) * | 2016-07-12 | 2017-02-22 | 重庆大学 | 一种基于视频分析的变电站工人安全帽佩戴检测方法 |
CN106355162A (zh) * | 2016-09-23 | 2017-01-25 | 江西洪都航空工业集团有限责任公司 | 一种基于视频监控的入侵检测方法 |
CN106778472A (zh) * | 2016-11-17 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11170264B2 (en) | 2019-05-31 | 2021-11-09 | Raytheon Company | Labeling using interactive assisted segmentation |
AU2020201897A1 (en) * | 2019-05-31 | 2020-12-17 | Raytheon Company | Labeling using interactive assisted segmentation |
AU2020201897B2 (en) * | 2019-05-31 | 2021-09-09 | Raytheon Company | Labeling using interactive assisted segmentation |
CN110705360A (zh) * | 2019-09-05 | 2020-01-17 | 上海零眸智能科技有限公司 | 一种人机结合高效处理分类数据的方法 |
CN110378903A (zh) * | 2019-09-16 | 2019-10-25 | 广东电网有限责任公司佛山供电局 | 一种输电线路反事故措施智能统计方法 |
CN110691224A (zh) * | 2019-10-31 | 2020-01-14 | 上海电力大学 | 一种变电站周界视频智能检测*** |
CN111325708A (zh) * | 2019-11-22 | 2020-06-23 | 济南信通达电气科技有限公司 | 一种输电线路检测方法和服务器 |
CN111028452A (zh) * | 2019-12-20 | 2020-04-17 | 云南电网有限责任公司保山供电局 | 一种变电站异物入侵监控***和方法 |
CN111161740A (zh) * | 2019-12-31 | 2020-05-15 | 中国建设银行股份有限公司 | 意图识别模型训练方法、意图识别方法以及相关装置 |
CN111310635A (zh) * | 2020-02-10 | 2020-06-19 | 上海应用技术大学 | 基于TensorFlow的安检违禁品识别***及方法 |
CN111310635B (zh) * | 2020-02-10 | 2024-04-19 | 上海应用技术大学 | 基于TensorFlow的安检违禁品识别***及方法 |
CN111340843A (zh) * | 2020-02-19 | 2020-06-26 | 山东大学 | 基于环境自适应和小样本学习的电力场景视频检测方法 |
CN114157829A (zh) * | 2020-09-08 | 2022-03-08 | 顺丰科技有限公司 | 模型训练优化方法、装置、计算机设备及存储介质 |
CN112102443A (zh) * | 2020-09-15 | 2020-12-18 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种适用于变电站设备巡检图像的标注***及标注方法 |
CN113191339A (zh) * | 2021-06-30 | 2021-07-30 | 南京派光智慧感知信息技术有限公司 | 一种基于视频分析的轨道异物侵限监测方法及*** |
CN113837063B (zh) * | 2021-10-15 | 2024-05-10 | 中国石油大学(华东) | 一种基于强化学习的冰壶运动现场分析和辅助决策方法 |
CN113837063A (zh) * | 2021-10-15 | 2021-12-24 | 中国石油大学(华东) | 一种基于强化学习的冰壶运动现场分析和辅助决策方法 |
CN113822240A (zh) * | 2021-11-22 | 2021-12-21 | 广东电网有限责任公司中山供电局 | 一种电力现场作业视频数据提取异常行为的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785361A (zh) | 基于cnn与mog的变电站异物入侵检测*** | |
CN106897670B (zh) | 一种基于计算机视觉的快递暴力分拣识别方法 | |
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN110310264A (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
CN106778757B (zh) | 基于文本显著性的场景文本检测方法 | |
Yu et al. | A landslide intelligent detection method based on CNN and RSG_R | |
CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN106408015A (zh) | 基于卷积神经网络的岔路口识别及深度估计方法 | |
CN105590099B (zh) | 一种基于改进卷积神经网络的多人行为识别方法 | |
CN109657581A (zh) | 基于双目相机行为检测的城市轨道交通闸机通行控制方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN112560675B (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
CN108960124B (zh) | 用于行人再识别的图像处理方法及装置 | |
CN104268528A (zh) | 一种人群聚集区域检测方法和装置 | |
CN110008877B (zh) | 一种基于Faster RCNN的变电站隔离开关检测识别方法 | |
Xia et al. | A modified Gaussian mixture background model via spatiotemporal distribution with shadow detection | |
CN110287798A (zh) | 基于特征模块化和上下文融合的矢量网络行人检测方法 | |
CN111914634A (zh) | 一种抗复杂场景干扰的井盖类别自动检测方法和*** | |
CN111145222A (zh) | 一种结合烟雾运动趋势和纹理特征的火灾检测方法 | |
CN112749738B (zh) | 一种融合上下文进行超类推理的零样本对象检测方法 | |
Liang et al. | Methods of moving target detection and behavior recognition in intelligent vision monitoring. | |
CN113989683A (zh) | 一种综合同步轨道序列光学影像时空信息的船舶检测方法 | |
CN109635717A (zh) | 一种基于深度学习的矿用行人检测方法 | |
CN115661932A (zh) | 一种垂钓行为检测方法 | |
CN111814696A (zh) | 一种基于改进YOLOv3的视频船舶目标检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |