CN110941988B - 火焰识别方法、***以及用于识别火焰的神经网络 - Google Patents
火焰识别方法、***以及用于识别火焰的神经网络 Download PDFInfo
- Publication number
- CN110941988B CN110941988B CN201910963981.2A CN201910963981A CN110941988B CN 110941988 B CN110941988 B CN 110941988B CN 201910963981 A CN201910963981 A CN 201910963981A CN 110941988 B CN110941988 B CN 110941988B
- Authority
- CN
- China
- Prior art keywords
- flame
- rectangular frame
- image
- exists
- neural network
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施方式提供一种火焰识别方法、***以及用于识别火焰的神经网络,属于图像识别技术领域。所述方法包括:从图像中提取关于火焰的深度特征;根据火焰的颜色模型生成图像掩膜;根据图像掩膜在图像中形成多个火焰可能存在的区域,并在区域上形成多个矩形框;确定矩形框中是否存在物体;在确定存在物体的情况下对矩形框的尺寸进行修正;将修正后的矩形框映射到深度特征中的相应区域,进行下采样处理以得到特征向量;采用全连接层依据特征向量判断每个矩形框中是否存在火焰;在判断矩形框中存在火焰的情况下,修正矩形框;采用神经网络单元判断图像中是否存在火焰;在判断存在火焰的情况下,输出进一步修正后的矩形框作为识别的火焰的位置。
Description
技术领域
本发明涉及图像识别技术领域,具体地涉及一种火焰识别方法、***及用于识别火焰的神经网络。
背景技术
火灾对于人类社会的损害是巨大的。每年,森林火灾都会夺走许多消防员的生命,对当地的环境与生态造成严重的影响;同时还有数量更多的火灾发生在工厂、居民区等人类聚集地,直接带来大量的财产损失与人员伤亡。
随着计算机视觉的发展,基于计算机视觉的火焰检测技术得到了大量的研究。相对于传统的烟雾报警器而言,图像检测的灵敏度要高得多。因此,图像检测可以在火灾的初期检测到火焰,从而对火灾进行提前预警。
发明内容
本发明实施方式的目的是提供一种火焰识别方法、***以及用于识别火焰的神经网络,该火焰识别方法、***及用于识别火焰的神经网络可以通过图像识别的方式判断现场是否发生火灾,并在判断发生火灾的情况下进一步确定着火点的位置。
为了实现上述目的,本发明实施方式提供一种火焰识别方法,所述火焰识别方法包括:
采用多个第一卷积层从图像中提取关于所述火焰的深度特征;
根据预设的火焰的颜色模型生成图像掩膜;
根据所述图像掩膜在所述图像中形成多个所述火焰可能存在的区域,并在所述区域上形成多个矩形框;
采用第二卷积层根据所述深度特征确定所述矩形框中是否存在物体;
在确定所述矩形框中存在物体的情况下,基于所述深度特征对所述矩形框的尺寸进行修正;
采用RoI Pool(Region of Interest Pool,感兴趣区域池)层将修正后的所述矩形框映射到所述深度特征中的相应区域,对所述相应区域进行下采样处理以得到特征向量;
采用全连接层依据所述特征向量判断每个所述矩形框中是否存在火焰;
在判断所述矩形框中存在火焰的情况下,进一步修正所述矩形框;
采用训练好的神经网络单元判断所述图像中是否存在火焰;
在判断所述图像中存在火焰的情况下,输出进一步修正后的所述矩形框作为识别的所述火焰的位置;
在判断所述图像中不存在火焰的情况下,确定所述图像中不存在火焰。
可选地,所述火焰识别方法进一步包括:
在执行采用多个第一卷积层从图像中提取关于所述火焰的深度特征的步骤前,获取待识别的图像。
可选地,所述火焰识别方法进一步包括:
在确定所述矩形框中不存在物体的情况下,删除所述矩形框。
可选地,所述火焰识别方法进一步包括:
在判断所述矩形框中不存在火焰的情况下,删除所述矩形框。
另一方面,本发明提供一种用于识别火焰的神经网络,所述神经网络包括:
多个第一卷积层,用于从图像中提取关于所述火焰的深度特征;
掩膜生成层,用于根据预设的火焰的颜色模型生成图像掩膜;
多个第二卷积层,用于:
根据所述图像掩膜在所述图像中形成多个所述火焰可能存在的区域,并在所述区域上形成多个矩形框;
根据所述深度特征确定所述矩形框中是否存在物体;
在确定所述矩形框中存在物体的情况下,基于所述深度特征对所述矩形框的尺寸进行修正;
RoI Pool层,用于:
将修正后的所述矩形框映射到所述深度特征中的相应区域,对所述相应区域进行下采样处理以得到特征向量;
全连接层,用于:
依据所述特征向量判断每个所述矩形框中是否存在火焰;
在判断所述矩形框中存在火焰的情况下,进一步修正所述矩形框;
训练好的神经网络单元,用于:
判断所述图像中是否存在火焰;
在判断所述图像中存在火焰的情况下,输出进一步修正后的所述矩形框作为识别的所述火焰的位置;
在判断所述图像中不存在火焰的情况下,确定所述图像中不存在火焰。
可选地,首个所述第一卷积层进一步用于接收待识别的图像。
可选地,所述第二卷积层进一步用于在确定所述矩形框中不存在物体的情况下,删除所述矩形框。
可选地,所述全连接层进一步用于在判断所述矩形框中不存在火焰的情况下,删除所述矩形框。
再一方面,本发明还提供一种火焰识别***,所述火焰识别***包括处理器,所述处理器用于执行如上述任一所述的火焰识别方法。
再一方面,本发明还提供一种存储介质,所述存储介质存储有指令,所述指令用于被机器读取以使得所述机器执行如上述任一所述的火焰识别方法。
通过上述技术方案,本发明提供的火焰识别方法、***以及用于识别火焰的神经网络可以通过对拍摄的现场的图片进行识别,从而判断出现场是否存在火焰来确定是否发生火灾,并在判断发生火灾的情况下进一步确定着火点的位置,解决了现有技术中烟雾报警器报警的迟滞性的问题,保障了现场设备以及人员的安全。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是根据本发明的一个实施方式的火焰识别方法的流程图;
图2是根据本发明的一个实施方式的神经网络的结构框图;以及
图3是根据本发明的一个实施方式的神经网络的工作流程的示意图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施方式,并不用于限制本发明实施方式。
在本发明实施方式中,在未作相反说明的情况下,使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
另外,若本发明实施方式中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施方式之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
如图1所示是根据本发明的一个实施方式的火焰识别方法的流程图。在图1中,该火焰识别方法可以包括:
在步骤S10中,采用多个第一卷积层从图像中提取关于火焰的深度特征。对于该第一卷积层,可以是例如Faster-RCNN(Region-Convolutional Neural Network,区域卷积神经网络)模型中的卷积层。对于该图像,可以是例如现场拍摄的图片或从现场拍摄的视频中截取的图片。
在步骤S11中,根据预设的火焰的颜色模型生成图像掩膜。具体地,生成该图像掩膜的方式可以是将图像中满足预设条件的区域的颜色值置为1,不满足该预设条件的区域的颜色值置为0,从而完成对该颜色模型的二值化操作。对于该预设条件,可以是例如公式(1)所示,即在判断该区域的红色的颜色值大于绿色的颜色值、绿色的颜色值大于蓝色的颜色值且红色的颜色值大于预设值的情况下,将该区域的颜色值置为1,
其中,M(x,y)为该图像掩膜中为坐标点(x,y)的颜色值,1表示感兴趣区域,0表示非感兴趣区域,fR(x,y)为坐标点(x,y)的红色的颜色值,fG(x,y)为坐标点(x,y)的绿色的颜色值,fB(x,y)为坐标点(x,y)的蓝色的颜色值,TR为预设的颜色阈值。
在步骤S12中,根据该图像掩膜在图像中形成多个火焰可能存在的区域,并在区域上形成多个矩形框。具体地,该步骤S12可以是先根据该图像掩膜在深度特征(特征图)上形成多个火焰可能存在的区域(感兴趣区域),并在该区域上形成多个矩形框(锚);再将该多个矩形框映射至图像中,从而得到该图像中的多个火焰可能存在的区域的锚(矩形框)。
在步骤S13中,采用第二卷积层根据该深度特征确定矩形框中是否存在物体。具体地,该第二卷积层可以是将对每个矩形框(锚)中的深度特征分别进行卷积计算,从而得到每个锚对应的置信度。对于判断该矩形框中是否存在物体的方式,则可以是针对该置信度设置置信度阈值,将大于或等于该置信度阈值的置信度对应的矩形框判断为可能存在物体;然后在该多个可能存在物体的矩形框中按照置信度从大到小的顺序选取预设数量个矩形框以作为判断存在物体的矩形框。相应的,其余的矩形框则会被判断为不存在物体。
在步骤S15中,在确定矩形框中存在物体的情况下,基于该深度特征对矩形框的尺寸进行修正。对于该修正的方式,可以是本领域人员所知的神经网络经过训练后形成的机制,因此此处不再赘述。相应的,在确定该矩形框中不存在物体的情况下,则可以删除该矩形框,即执行步骤S14。
在步骤S16中,采用RoI Pool层将修正后的矩形框映射到深度特征中的相应区域,对该相应区域进行下采样处理以得到特征向量。其中,该特征向量可以是预设的固定长度。
在步骤S17中,采用全连接层依据该特征向量判断每个矩形框中是否存在火焰。
在步骤S19中,在判断矩形框中存在火焰的情况下,进一步修正该矩形框。在该实施方式中,由于矩形框的数量为多个,那么该步骤S17可以是分别判断每个矩形框中是否存在火焰,并且在矩形框中存在火焰的情况下,对该矩形框进行进一步地修正;而在判断该矩形框中不存在火焰的情况下,则可以删除该矩形框,即执行步骤S18。
在步骤S20中,采用训练好的神经网络单元判断图像中是否存在火焰。其中,该训练好的神经网络单元可以是例如MobileNetV2的神经网络。对于训练该MobileNetV2的具体过程,应当为本领域人员所知。
在步骤S21中,在判断图像中存在火焰的情况下,输出进一步修正后的矩形框作为识别的火焰的位置。在该实施方式中,在神经网络单元判断该图像中存在火焰的情况下,此时虽然能够说明该图像中存在火焰,但是该神经网络单元不能够确定该火焰的位置,那么可以采用前述所述的全连接层所修正的矩形框来作为该火焰的位置。
在步骤S22中,在判断图像中不存在火焰的情况下,确定图像中不存在火焰。
如图1中所示出的火焰识别方法的各个步骤的顺序仅限于解释和补充本发明的内容,并不对本发明的保护范围造成限制。在同一技术构思下,仅对本发明的部分步骤进行简单地调整(例如将步骤S10至步骤S19与步骤S20调换顺序)应当也属于本发明的保护范围。
另外,考虑到该方法的完整性,在执行步骤S10前,可以执行接收待识别的图像的步骤。
另一方面,本发明提供一种用于识别火焰的神经网络,如图2所示,该神经网络可以包括多个第一卷积层11、掩膜生成层12、多个第二卷积层13、RoI Pool层14、全连接层15和训练好的神经网络单元21。
该神经网络可以用于执行如图1中所示出的方法。具体地,该神经网络的工作流程可以是如图3所示。在图3中,该神经网络的多个第一卷积层11(特征提取器)可以用于从图像(输入图像)中提取关于火焰的深度特征(特征图)。掩膜生成层12可以用于根据预设的火焰的颜色模型生成图像掩膜。多个第二卷积层13(Masked RPN)可以用于根据该图像掩膜在图像中形成多个火焰可能存在的区域,并在区域上形成多个矩形框;并根据深度特征(特征图)确定矩形框中是否存在物体;在确定矩形框中存在物体的情况下,基于深度特征对矩形框的尺寸进行修正。RoI Pool层14可以用于将修正后的矩形框映射到深度特征中的相应区域,对该相应区域进行下采样处理以得到特征向量。全连接层15(分类与回归网络)可以用于依据特征向量判断每个矩形框中是否存在火焰;在判断矩形框中存在火焰的情况下,进一步修正矩形框。训练好的神经网络单元21(全局信息网络)则可以用于判断图像中是否存在火焰;在判断图像中存在火焰的情况下,采用投票策略输出进一步修正后的矩形框作为识别的火焰的位置;在判断图像中不存在火焰的情况下,确定图像中不存在火焰。
另外,多个第一卷积层11中的首个第一卷积层11可以用于接收待识别的图像。而该第二卷积层13也可以用于在确定矩形框中不存在物体的情况下,删除矩形框。相应地,全连接层15可以进一步用于在判断矩形框中不存在火焰的情况下,删除矩形框。
在该实施方式中,考虑到第一卷积层10、掩膜生成层12、第二卷积层13、RoI Pool层14和全连接层15可以集成为一个改进的Faster-RCNN模型,而神经网络单元21则可以视为一个全局信息网络。那么该神经网络也可以看作是由一个改进的Faster-RCNN模型10和一个全局信息网络20组成。在该实施方式中,由于该Faster-RCNN模型10用于确定图像中火焰的位置,而该全局信息网络20则用于判断该图像中是否存在火焰。两者所执行的步骤相互独立,因此,在运行设备为单个处理器的情况下,两者可以分别采用一个线程来执行;在运行设备为多个处理器的情况下,两者也可以分别采用至少一个处理器来执行。
再一方面,本发明还提供一种火焰识别***,该火焰识别***可以包括处理器,该处理器可以用于执行如上述任一的火焰识别方法。
再一方面,本发明还提供一种存储介质,该存储介质可以存储有指令,该指令可以用于被机器读取以使得机器执行如上述图1中所示出的火焰识别方法。
通过上述技术方案,本发明提供的火焰识别方法、***以及用于识别火焰的神经网络可以通过对拍摄的现场的图片进行识别,从而判断出现场是否存在火焰来确定是否发生火灾,并在判断发生火灾的情况下进一步确定着火点的位置,解决了现有技术中烟雾报警器报警的迟滞性的问题,保障了现场设备以及人员的安全。
以上结合附图详细描述了本发明例的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施方式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,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施方式的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,其同样应当视为本发明实施方式所公开的内容。
Claims (10)
1.一种火焰识别方法,其特征在于,所述火焰识别方法包括:
采用多个第一卷积层从图像中提取关于所述火焰的深度特征;
根据预设的火焰的颜色模型生成图像掩膜;
根据所述图像掩膜在所述图像中形成多个所述火焰可能存在的区域,并在所述区域上形成多个矩形框;
采用第二卷积层根据所述深度特征确定所述矩形框中是否存在物体;
在确定所述矩形框中存在物体的情况下,基于所述深度特征对所述矩形框的尺寸进行修正;
采用RoI Pool层将修正后的所述矩形框映射到所述深度特征中的相应区域,对所述相应区域进行下采样处理以得到特征向量;
采用全连接层依据所述特征向量判断每个所述矩形框中是否存在火焰;
在判断所述矩形框中存在火焰的情况下,进一步修正所述矩形框;
采用训练好的神经网络单元判断所述图像中是否存在火焰;
在判断所述图像中存在火焰的情况下,输出进一步修正后的所述矩形框作为识别的所述火焰的位置;
在判断所述图像中不存在火焰的情况下,确定所述图像中不存在火焰。
2.根据权利要求1所述的火焰识别方法,其特征在于,所述火焰识别方法进一步包括:
在执行采用多个第一卷积层从图像中提取关于所述火焰的深度特征的步骤前,获取待识别的图像。
3.根据权利要求1所述的火焰识别方法,其特征在于,所述火焰识别方法进一步包括:
在确定所述矩形框中不存在物体的情况下,删除所述矩形框。
4.根据权利要求1所述的火焰识别方法,其特征在于,所述火焰识别方法进一步包括:
在判断所述矩形框中不存在火焰的情况下,删除所述矩形框。
5.一种用于识别火焰的神经网络,其特征在于,所述神经网络包括:
多个第一卷积层,用于从图像中提取关于所述火焰的深度特征;
掩膜生成层,用于根据预设的火焰的颜色模型生成图像掩膜;
多个第二卷积层,用于:
根据所述图像掩膜在所述图像中形成多个所述火焰可能存在的区域,并在所述区域上形成多个矩形框;
根据所述深度特征确定所述矩形框中是否存在物体;
在确定所述矩形框中存在物体的情况下,基于所述深度特征对所述矩形框的尺寸进行修正;
RoIPool层,用于:
将修正后的所述矩形框映射到所述深度特征中的相应区域,对所述相应区域进行下采样处理以得到特征向量;全连接层,用于:
依据所述特征向量判断每个所述矩形框中是否存在火焰;
在判断所述矩形框中存在火焰的情况下,进一步修正所述矩形框;训练好的神经网络单元,用于:
判断所述图像中是否存在火焰;
在判断所述图像中存在火焰的情况下,输出进一步修正后的所述矩形框作为识别的所述火焰的位置;
在判断所述图像中不存在火焰的情况下,确定所述图像中不存在火焰。
6.根据权利要求5所述的神经网络,其特征在于,首个所述第一卷积层进一步用于接收待识别的图像。
7.根据权利要求5所述的神经网络,其特征在于,所述第二卷积层进一步用于在确定所述矩形框中不存在物体的情况下,删除所述矩形框。
8.根据权利要求5所述的神经网络,其特征在于,所述全连接层进一步用于在判断所述矩形框中不存在火焰的情况下,删除所述矩形框。
9.一种火焰识别***,其特征在于,所述火焰识别***包括处理器,所述处理器用于执行如权利要求1至4任一所述的火焰识别方法。
10.一种存储介质,其特征在于,所述存储介质存储有指令,所述指令用于被机器读取以使得所述机器执行如权利要求1至4任一所述的火焰识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910963981.2A CN110941988B (zh) | 2019-10-11 | 2019-10-11 | 火焰识别方法、***以及用于识别火焰的神经网络 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910963981.2A CN110941988B (zh) | 2019-10-11 | 2019-10-11 | 火焰识别方法、***以及用于识别火焰的神经网络 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110941988A CN110941988A (zh) | 2020-03-31 |
CN110941988B true CN110941988B (zh) | 2023-06-13 |
Family
ID=69906044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910963981.2A Active CN110941988B (zh) | 2019-10-11 | 2019-10-11 | 火焰识别方法、***以及用于识别火焰的神经网络 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110941988B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019079446A (ja) * | 2017-10-27 | 2019-05-23 | ホーチキ株式会社 | 火災監視システム |
CN110135269A (zh) * | 2019-04-18 | 2019-08-16 | 杭州电子科技大学 | 一种基于混合颜色模型与神经网络的火灾图像检测方法 |
-
2019
- 2019-10-11 CN CN201910963981.2A patent/CN110941988B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019079446A (ja) * | 2017-10-27 | 2019-05-23 | ホーチキ株式会社 | 火災監視システム |
CN110135269A (zh) * | 2019-04-18 | 2019-08-16 | 杭州电子科技大学 | 一种基于混合颜色模型与神经网络的火灾图像检测方法 |
Non-Patent Citations (2)
Title |
---|
严云洋;朱晓妤;刘以安;高尚兵.基于Faster R-CNN模型的火焰检测.南京师大学报(自然科学版).2018,(03),全文. * |
张开生;张盟蒙;.基于K-means和颜色模型的林火辨识方法研究.电子技术应用.2015,(02),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110941988A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507888B (zh) | 利用生成性对抗神经网络生成合成图像的方法及装置 | |
CN109948497B (zh) | 一种物体检测方法、装置及电子设备 | |
CN115004269B (zh) | 监视装置、监视方法及程序 | |
JP6182676B2 (ja) | 騒音マップ制作方法及び装置 | |
CN112767645B (zh) | 一种烟雾识别方法及装置、电子设备 | |
CN112036400B (zh) | 构建用于目标检测的网络的方法和目标检测方法及*** | |
CN110428442B (zh) | 目标确定方法、目标确定***和监控安防*** | |
JP2010081453A (ja) | 付帯情報付加装置及び方法 | |
CN112711996A (zh) | 一种用于消防通道占用检测的*** | |
CN115082834A (zh) | 一种基于深度学习工程车冒黑烟监测方法及*** | |
CN112232368A (zh) | 目标识别模型训练方法、目标识别方法及其相关装置 | |
CN110941988B (zh) | 火焰识别方法、***以及用于识别火焰的神经网络 | |
CN112001229B (zh) | 视频行为识别的方法、装置、***和计算机设备 | |
CN111814617B (zh) | 基于视频的火灾判定方法、装置、计算机设备及存储介质 | |
US9805272B1 (en) | Storage system of original frame of monitor data and storage method thereof | |
CN112686190A (zh) | 一种基于自适应目标检测的森林火灾烟雾自动识别方法 | |
CN114339367A (zh) | 一种视频帧处理方法、装置及设备 | |
CN113468948A (zh) | 基于视图数据的治安防控方法、模块、设备及存储介质 | |
CN111476086A (zh) | 烟火识别方法、装置、计算机设备和可读存储介质 | |
CN110909677B (zh) | 多目标跟踪及行为分析的方法、***及存储介质 | |
CN115376275B (zh) | 一种基于图像处理的施工安全告警方法及*** | |
CN111311424B (zh) | 车险事故中的数据分析方法、装置、存储介质和处理器 | |
CN117409193B (zh) | 一种烟雾场景下的图像识别方法、装置及存储介质 | |
CN113112722B (zh) | 一种事件检测方法、装置、***及设备 | |
CN112906424B (zh) | 图像识别方法、装置及设备 |
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 | ||
CB02 | Change of applicant information |
Address after: No. 397, Tongcheng South Road, Baohe District, Hefei City, Anhui Province 230061 Applicant after: Super high voltage branch of State Grid Anhui Electric Power Co.,Ltd. Applicant after: State Grid Anhui Electric Power Company Address before: No. 397, Tongcheng South Road, Baohe District, Hefei City, Anhui Province 230061 Applicant before: STATE GRID ANHUI POWER SUPPLY COMPANY OVERHAUL BRANCH Applicant before: State Grid Anhui Electric Power Company |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |