CN111464790A - 一种基于深度学习的工业环境监控视频处理方法及*** - Google Patents
一种基于深度学习的工业环境监控视频处理方法及*** Download PDFInfo
- Publication number
- CN111464790A CN111464790A CN202010315163.4A CN202010315163A CN111464790A CN 111464790 A CN111464790 A CN 111464790A CN 202010315163 A CN202010315163 A CN 202010315163A CN 111464790 A CN111464790 A CN 111464790A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- deep learning
- key information
- video
- 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 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 42
- 238000003672 processing method Methods 0.000 title claims description 16
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000006835 compression Effects 0.000 claims abstract description 21
- 238000007906 compression Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 19
- 239000002699 waste material Substances 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000009776 industrial production Methods 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种基于深度学习的工业环境监控视频处理方法及***，涉及视频压缩领域；所述的发明通过拆分监控视频为图像帧的形式，利用基于深度学习的目标检测算法将图像帧的关键信息检测出来并对关键信息进行标记，保存图像特征，得到信息量较少的视频，实现视频拼接和压缩的过程，自适应笑出多个单帧图像的时间域与空间域的相关性，从而提高视频压缩编码效率，最终得到包含关键信息且无冗余信息的视频，解决存储空间浪费的问题，提高视频的压缩和传输效率，提高工业环境的安全指数，同时又能促进工业作业的效率，降低企业单位的视频处理成本，适用于多种不同的工业生产环境。
Description
技术领域
本发明公开一种基于深度学习的工业环境监控视频处理方法及***，涉及视频压缩技术领域。
背景技术
现代社会的经济发展飞速，工业环境蓬勃进发，根据国家要求，各企业单位在施工的时候需要保证现场的安全，避免出现事故，因此很多工业领域如生产车间、矿石资源开发、工地建设等都布置了大量的监控摄像头，这既能做到监督的作用，保持现场作业的透明管理，又能保证生产工人的生命安全，提高车间、工地等作业的安全指数。
但是，多摄像头的部署往往也会造成较大的资源浪费，因为大量的监控摄像头，会录制、产生大量的监控视频，这里面大部分的视频是重复或者是无效的，由于这些视频需要进行处理，对其进行分类、压缩、传输、存储等，这使得处理监控视频的工作量变得非常大，这在一定程度上，会影响车间、单位、工地的工作效率，徒增企业管理的成本。考虑到很多行业多摄像头部署的必要性，比如工地人员的安全保障，车间流程的紧密，工业产品的检测和监控，公路交通的安全秩序，社会公共空间的保障，如果要减少企业单位、政府部门的视频处理成本，只能尽可能的提高视频的压缩效率，不能再利用统的H.264和H.265等传统视频压缩方法，需要利用基于深度学习的视频拼接和压缩方法，通过拆分监控视频为图像帧的形式，然后利用基于深度学习的目标检测算法将图像帧的关键信息检测出来，依次操作后进行重构和修复图像，得到信息量减少的视频，最后进行压缩，减少企业单位和政府部门的视频处理成本。
目前摄像头的视频处理技术较为传统，技术手段不够完善，而不同场景的需求程度不同，像是生产车间需要严格把控其中的每一个流程，像是社会公共环境需要检测异常情况、像工地、资源开采环境需要保证场地安全、工人安全等等，完全解决视频处理技术不太现实，而工业环境相对来说，需求较高，变现率最高。因此，需要开发一种基于深度学习的工业环境监控视频处理方法、***及装置，以解决上述问题。
发明内容
本发明针对现有技术的问题，提供一种基于深度学习的工业环境监控视频处理方法、***及装置，所采用的技术方案为：
一种基于深度学习的工业环境监控视频处理方法，所述的方法包括：
S1提取监控视频，并拆分为单帧图像；
S2对单帧图像进行预处理；
S3利用基于深度学习的目标检测算法检测单帧图像的关键信息；
S4对图像进行编解码后，拼接压缩成视频。
所述S2对单帧图像进行图像对比度增强、图像直方图计算修复、图像颜色空间转换、图像各行转换、感兴趣区域提取的预处理。
所述S3利用基于深度学习的目标检测算法检测单帧图像的关键信息的具体步骤包括：
S301检测、识别单帧图像的关键信息；
S302对关键信息进行标记、定位和处理，保存图像特征；
S303依次对拆分出来的单帧图像进行重构、修复处理，重复S301～S302操作。
所述S302对关键信息进行标记、定位和处理，保存图像特征的具体步骤包括：
S312对图像的关键信息进行框图标记；
S322对识别出来的关键信息进行修复、微调、定位；
S332将特征信息、关键信息进行存储。
所述S303中重构、修复处理的具体步骤包括：
S313对单帧图像进行色彩修复；
S323单帧图像的对比度、白平衡、饱和度、锐度进行调整。
一种基于深度学习的工业环境监控视频处理***，所述的***包括视频拆分模块、预处理模块、单帧检测模块和拼接压缩模块；
视频拆分模块：提取监控视频，并拆分为单帧图像；
预处理模块：对单帧图像进行预处理；
单帧检测模块：利用基于深度学习的目标检测算法检测单帧图像的关键信息；
拼接压缩模块：对图像进行编解码后，拼接压缩成视频。
所述预处理模块对单帧图像进行图像对比度增强、图像直方图计算修复、图像颜色空间转换、图像各行转换、感兴趣区域提取的预处理。
所述单帧检测模块具体包括信息提取模块、特征保存模块和循环模块：
信息提取模块：检测、识别单帧图像的关键信息；
特征保存模块：对关键信息进行标记、定位和处理，保存图像特征；
循环模块：依次对拆分出来的单帧图像进行重构、修复处理，重复信息提取模块和特征保存模块的操作。
所述特征保存模块具体包括框图标记模块、关键信息处理模块和存储模块：
框图标记模块：对图像的关键信息进行框图标记；
关键信息处理模块：对识别出来的关键信息进行修复、微调、定位；
存储模块：将特征信息、关键信息进行存储。
所述循环模块具体包括图像修复模块和图像调整模块：
图像修复模块:对单帧图像进行色彩修复；
图像调整模块：单帧图像的对比度、白平衡、饱和度、锐度进行调整。
一种基于深度学习的工业环境监控视频处理装置，所述装置包括存储器和监控视频处理器；
所述存储器，用于存储进行监控视频处理的计算机程序；
所述监控视频处理器，用于当执行所述计算机程序时，实现如权利要求1-5任一项所述的基于深度学习的工业环境监控视频处理方法。
本发明的有益效果为：本发明通过拆分监控视频为图像帧的形式，利用基于深度学习的目标检测算法将图像帧的关键信息检测出来并对关键信息进行标记，保存图像特征，得到信息量较少的视频，实现视频拼接和压缩的过程，自适应笑出多个单帧图像的时间域与空间域的相关性，从而提高视频压缩编码效率，最终得到包含关键信息且无冗余信息的视频，解决存储空间浪费的问题，提高视频的压缩和传输效率，提高工业环境的安全指数，同时又能促进工业作业的效率，降低企业单位的视频处理成本，适用于多种不同的工业生产环境。
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一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明方法的工作流程示意图；图2是本发明***的结构示意图；图3是本发明装置的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例一：
一种基于深度学习的工业环境监控视频处理方法，包括：
S1提取监控视频，并拆分为单帧图像；
S2对单帧图像进行预处理；
S3利用基于深度学习的目标检测算法检测单帧图像的关键信息；
S4对图像进行编解码后，拼接压缩成视频；
工作人员通过S1将监控视频拆分为单帧图像，经S2进行预处理后，通过S3深度学习的目标检测算法根据不同工业环境将图片的关键信息进行保存，然后通过S4对图像进行编解码后，拼接压缩成视频；
本发明作为一种基于深度学习的工业环境监控视频处理方法，根据其基于深度学习的目标检测算法，通过拆分视频为图像，能够准确高效的识别图像的关键信息，实现了视频的压缩和存储空间浪费，提高视频的压缩和传输效率，既能提高工业环境的安全指数，又能促进工业作业的效率；
进一步的，S2对单帧图像进行图像对比度增强、图像直方图计算修复、图像颜色空间转换、图像各行转换、感兴趣区域提取的预处理；
进一步的，S3利用基于深度学习的目标检测算法检测单帧图像的关键信息的具体步骤包括：
S301检测、识别单帧图像的关键信息；
S302对关键信息进行标记、定位和处理，保存图像特征；
S303依次对拆分出来的单帧图像进行重构、修复处理，重复S301～S302操作；
根据不同的工业环境设置不同的训练模型，通过S301对单帧图像的关键信息进行检测识别，如施工单位为安全帽、厨房为厨师衣服厨师帽、车间为车间工作服、办公室为是否佩戴口罩等为关键信息，对图像进行加检测；通过S302对图像的关键信息进行圆框、矩形框等标记，进行特征信息、关键信息的存储，并将其存储到链表中，该关键信息的图像相当于目标检测算法的卷积神经网络的首个子集；然后通过S303依次处理拆分出来的单帧图像，将其信息覆盖带北背景帧，进行图像重构，然后重复上述操作；获取图像的关键信息和图像特征，相当于目标学习检测算法的卷积神经网络的训练操作，对S301～S302重复的过程中不断执行迭代，及时查看loss值，使loss曲线达到迭代次数标准，防止过拟合，保证本发明方法算法的稳定性；
进一步的，S302对关键信息进行标记、定位和处理，保存图像特征的具体步骤包括：
S312对图像的关键信息进行框图标记；
S322对识别出来的关键信息进行修复、微调、定位；
S332将特征信息、关键信息进行存储；
再进一步的，S303中重构、修复处理的具体步骤包括：
S313对单帧图像进行色彩修复；
S323单帧图像的对比度、白平衡、饱和度、锐度进行调整；
基于解码还原单帧图像的特征信息，从链表中依次取出标记的矩形框、圆框，完成该模型和该环境边所有帧图像的解码，使图像还原为视频，由于对图像进行过微调和色彩修复，在编解码形成视频的过程中阻力较低，得到的视频占存储空间较少，节省了较多的空间，实现了视频的高效压缩。
实施例二：
一种基于深度学习的工业环境监控视频处理***，所述的***包括视频拆分模块、预处理模块、单帧检测模块和拼接压缩模块；
视频拆分模块：提取监控视频，并拆分为单帧图像；
预处理模块：对单帧图像进行预处理；
单帧检测模块：利用基于深度学习的目标检测算法检测单帧图像的关键信息；
拼接压缩模块：对图像进行编解码后，拼接压缩成视频；
工作人员通过S1视频拆分模块将监控视频拆分为单帧图像，经预处理模块进行预处理后，通过单帧检测模块深度学习的目标检测算法根据不同工业环境将图片的关键信息进行保存，然后通过拼接压缩模块对图像进行编解码后，拼接压缩成视频；
本发明作为一种基于深度学习的工业环境监控视频处理***，根据其基于深度学习的目标检测算法，通过拆分视频为图像，能够准确高效的识别图像的关键信息，实现了视频的压缩和存储空间浪费，提高视频的压缩和传输效率，既能提高工业环境的安全指数，又能促进工业作业的效率；
进一步的，所述预处理模块对单帧图像进行图像对比度增强、图像直方图计算修复、图像颜色空间转换、图像各行转换、感兴趣区域提取的预处理；
进一步的，所述单帧检测模块具体包括信息提取模块、特征保存模块和循环模块：
信息提取模块：检测、识别单帧图像的关键信息；
特征保存模块：对关键信息进行标记、定位和处理，保存图像特征；
循环模块：依次对拆分出来的单帧图像进行重构、修复处理，重复信息提取模块和特征保存模块的操作；
根据不同的工业环境设置不同的训练模型，通过信息提取模块对单帧图像的关键信息进行检测识别，如施工单位为安全帽、厨房为厨师衣服厨师帽、车间为车间工作服、办公室为是否佩戴口罩等为关键信息，对图像进行加检测；通过特征保存模块对图像的关键信息进行圆框、矩形框等标记，进行特征信息、关键信息的存储，并将其存储到链表中，该关键信息的图像相当于目标检测算法的卷积神经网络的首个子集；然后通过循环模块依次处理拆分出来的单帧图像，将其信息覆盖带北背景帧，进行图像重构，然后重复上述操作；获取图像的关键信息和图像特征，相当于目标学习检测算法的卷积神经网络的训练操作，对信息提取模块、特征保存模块重复的过程中不断执行迭代，及时查看loss值，使loss曲线达到迭代次数标准，防止过拟合，保证本发明***算法的稳定性；
进一步的，所述特征保存模块具体包括框图标记模块、关键信息处理模块和存储模块：
框图标记模块：对图像的关键信息进行框图标记；
关键信息处理模块：对识别出来的关键信息进行修复、微调、定位；
存储模块：将特征信息、关键信息进行存储；
再进一步的，所述循环模块具体包括图像修复模块和图像调整模块：
图像修复模块:对单帧图像进行色彩修复；
图像调整模块：单帧图像的对比度、白平衡、饱和度、锐度进行调整；
基于解码还原单帧图像的特征信息，从链表中依次取出标记的矩形框、圆框，完成该模型和该环境边所有帧图像的解码，使图像还原为视频，由于对图像进行过微调和色彩修复，在编解码形成视频的过程中阻力较低，得到的视频占存储空间较少，节省了较多的空间，实现了视频的高效压缩。
实施例三：
一种基于深度学习的工业环境监控视频处理装置，所述装置包括存储器和监控视频处理器；
所述存储器，用于存储进行监控视频处理的计算机程序；
所述监控视频处理器，用于当执行所述计算机程序时，实现如权利要求1-5任一项所述的基于深度学习的工业环境监控视频处理方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于深度学习的工业环境监控视频处理方法，其特征是所述的方法包括：
S1提取监控视频，并拆分为单帧图像；
S2对单帧图像进行预处理；
S3利用基于深度学习的目标检测算法检测单帧图像的关键信息；
S4对图像进行编解码后，拼接压缩成视频。
2.根据权利要求1所述的基于深度学习的工业环境监控视频处理方法，其特征是所述S2对单帧图像进行图像对比度增强、图像直方图计算修复、图像颜色空间转换、图像各行转换、感兴趣区域提取的预处理。
3.根据权利要求1所述的基于深度学习的工业环境监控视频处理方法，其特征是所述S3利用基于深度学习的目标检测算法检测单帧图像的关键信息的具体步骤包括：
S301检测、识别单帧图像的关键信息；
S302对关键信息进行标记、定位和处理，保存图像特征；
S303依次对拆分出来的单帧图像进行重构、修复处理，重复S301～S302操作。
4.根据权利要求3所述的基于深度学习的工业环境监控视频处理方法，其特征是所述S302对关键信息进行标记、定位和处理，保存图像特征的具体步骤包括：
S312对图像的关键信息进行框图标记；
S322对识别出来的关键信息进行修复、微调、定位；
S332将特征信息、关键信息进行存储。
5.根据权利要求4所述的基于深度学习的工业环境监控视频处理方法，其特征是所述S303中重构、修复处理的具体步骤包括：
S313对单帧图像进行色彩修复；
S323单帧图像的对比度、白平衡、饱和度、锐度进行调整。
6.一种基于深度学习的工业环境监控视频处理***，其特征是所述的***包括视频拆分模块、预处理模块、单帧检测模块和拼接压缩模块；
视频拆分模块：提取监控视频，并拆分为单帧图像；
预处理模块：对单帧图像进行预处理；
单帧检测模块：利用基于深度学习的目标检测算法检测单帧图像的关键信息；
拼接压缩模块：对图像进行编解码后，拼接压缩成视频。
7.根据权利要求6所述的基于深度学习的工业环境监控视频处理方法，其特征是所述预处理模块对单帧图像进行图像对比度增强、图像直方图计算修复、图像颜色空间转换、图像各行转换、感兴趣区域提取的预处理。
8.根据权利要求6所述的基于深度学习的工业环境监控视频处理方法，其特征是所述单帧检测模块具体包括信息提取模块、特征保存模块和循环模块：
信息提取模块：检测、识别单帧图像的关键信息；
特征保存模块：对关键信息进行标记、定位和处理，保存图像特征；
循环模块：依次对拆分出来的单帧图像进行重构、修复处理，重复信息提取模块和特征保存模块的操作。
9.一种基于深度学习的工业环境监控视频处理装置，其特征是所述装置包括存储器和监控视频处理器；
所述存储器，用于存储进行监控视频处理的计算机程序；
所述监控视频处理器，用于当执行所述计算机程序时，实现如权利要求1-5任一项所述的基于深度学习的工业环境监控视频处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010315163.4A CN111464790A (zh) | 2020-04-21 | 2020-04-21 | 一种基于深度学习的工业环境监控视频处理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010315163.4A CN111464790A (zh) | 2020-04-21 | 2020-04-21 | 一种基于深度学习的工业环境监控视频处理方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111464790A true CN111464790A (zh) | 2020-07-28 |
Family
ID=71682567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010315163.4A Pending CN111464790A (zh) | 2020-04-21 | 2020-04-21 | 一种基于深度学习的工业环境监控视频处理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111464790A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164034A (zh) * | 2020-09-15 | 2021-01-01 | 郑州金惠计算机***工程有限公司 | 一种工件表面缺陷检测方法、装置、电子设备及存储介质 |
| CN113822194A (zh) * | 2021-09-22 | 2021-12-21 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种火电厂作业个人防护用品的智能监测方法及设备 |
| CN114245140A (zh) * | 2021-11-30 | 2022-03-25 | 慧之安信息技术股份有限公司 | 一种基于深度学习的码流预测方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104320617A (zh) * | 2014-10-20 | 2015-01-28 | 中国科学院自动化研究所 | 一种基于深度学习的全天候视频监控方法 |
| US20170061258A1 (en) * | 2015-08-25 | 2017-03-02 | Nokia Technologies Oy | Method, apparatus, and computer program product for precluding image capture of an image presented on a display |
| CN107566798A (zh) * | 2017-09-11 | 2018-01-09 | 北京大学 | 一种数据处理的***、方法及装置 |
| CN107808139A (zh) * | 2017-11-01 | 2018-03-16 | 电子科技大学 | 一种基于深度学习的实时监控威胁分析方法及*** |
| CN108600701A (zh) * | 2018-05-02 | 2018-09-28 | 广州飞宇智能科技有限公司 | 一种基于深度学习判断视频行为的监控***和方法 |
| KR20190035186A (ko) * | 2017-09-26 | 2019-04-03 | 주식회사 바이캅 | 딥 러닝 기법을 활용한 지능형 무인 보안 시스템 |
| CN110659628A (zh) * | 2019-10-09 | 2020-01-07 | 山东浪潮人工智能研究院有限公司 | 一种基于深度学习的煤矿监控视频解压缩方法及*** |
-
2020
- 2020-04-21 CN CN202010315163.4A patent/CN111464790A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104320617A (zh) * | 2014-10-20 | 2015-01-28 | 中国科学院自动化研究所 | 一种基于深度学习的全天候视频监控方法 |
| US20170061258A1 (en) * | 2015-08-25 | 2017-03-02 | Nokia Technologies Oy | Method, apparatus, and computer program product for precluding image capture of an image presented on a display |
| CN107566798A (zh) * | 2017-09-11 | 2018-01-09 | 北京大学 | 一种数据处理的***、方法及装置 |
| KR20190035186A (ko) * | 2017-09-26 | 2019-04-03 | 주식회사 바이캅 | 딥 러닝 기법을 활용한 지능형 무인 보안 시스템 |
| CN107808139A (zh) * | 2017-11-01 | 2018-03-16 | 电子科技大学 | 一种基于深度学习的实时监控威胁分析方法及*** |
| CN108600701A (zh) * | 2018-05-02 | 2018-09-28 | 广州飞宇智能科技有限公司 | 一种基于深度学习判断视频行为的监控***和方法 |
| CN110659628A (zh) * | 2019-10-09 | 2020-01-07 | 山东浪潮人工智能研究院有限公司 | 一种基于深度学习的煤矿监控视频解压缩方法及*** |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164034A (zh) * | 2020-09-15 | 2021-01-01 | 郑州金惠计算机***工程有限公司 | 一种工件表面缺陷检测方法、装置、电子设备及存储介质 |
| CN113822194A (zh) * | 2021-09-22 | 2021-12-21 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种火电厂作业个人防护用品的智能监测方法及设备 |
| CN114245140A (zh) * | 2021-11-30 | 2022-03-25 | 慧之安信息技术股份有限公司 | 一种基于深度学习的码流预测方法和装置 |
| CN114245140B (zh) * | 2021-11-30 | 2022-09-02 | 慧之安信息技术股份有限公司 | 一种基于深度学习的码流预测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111464790A (zh) | 一种基于深度学习的工业环境监控视频处理方法及*** | |
| WO2020057159A1 (zh) | 一种高校餐厅食品加工违规行为视频分析***及方法 | |
| CN111383429A (zh) | 建筑工地工人着装检测方法、***、装置、存储介质 | |
| CN112560816A (zh) | 一种基于YOLOv4的设备指示灯识别方法及*** | |
| CN111815623A (zh) | 输电线路开口销缺失识别方法 | |
| CN112541393A (zh) | 一种基于深度学习的变电站人员检测方法及装置 | |
| CN115953566B (zh) | 一种用于红外热成像仪的特征分析方法、***及介质 | |
| CN116095347B (zh) | 基于视频分析的建筑工程安全施工方法及*** | |
| CN104320622A (zh) | 一种开源服务器软件的嵌入式视频增强*** | |
| CN113111823A (zh) | 一种建筑施工地的异常行为检测方法和相关装置 | |
| CN112449147A (zh) | 光伏电站视频集群监控***及其图像处理方法 | |
| CN111507119B (zh) | 标识码识别方法、装置、电子设备及计算机可读存储介质 | |
| CN112633200A (zh) | 基于人工智能的人脸图像比对方法、装置、设备及介质 | |
| CN112270207A (zh) | 一种社区监控场景下烟火检测方法 | |
| CN117197746A (zh) | 基于深度学习的安全监测***及方法 | |
| CN110807444A (zh) | 一种基于dsp边缘计算的行人异常行为检测***和方法 | |
| CN111062272A (zh) | 基于色彩恢复的图像处理、行人识别方法、装置与可读存储介质 | |
| CN113065416B (zh) | 集成于变电站视频监控装置的渗漏监测装置及方法、介质 | |
| CN114445751A (zh) | 视频关键帧图像轮廓特征的提取方法和装置 | |
| CN115100592A (zh) | 一种输电通道外破隐患识别方法、装置及存储介质 | |
| CN106650758A (zh) | 基于图片切割技术的身份证信息解析方法 | |
| CN113627341B (zh) | 一种视频样例比对的方法、***、设备及存储介质 | |
| CN110853001B (zh) | 一种变电站防异物干扰图像识别方法、***及介质 | |
| CN117934451B (zh) | 应用于光伏电站的无人机巡检方法及*** | |
| CN112766144B (zh) | 岛礁基础设施巡检细节差异判别方法、装置、设备和介质 |
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 |
Application publication date: 20200728 |
|
| RJ01 | Rejection of invention patent application after publication |