CN111582235B - 用于实时监控站内异常事件的警报方法、***及设备 - Google Patents
用于实时监控站内异常事件的警报方法、***及设备 Download PDFInfo
- Publication number
- CN111582235B CN111582235B CN202010455461.3A CN202010455461A CN111582235B CN 111582235 B CN111582235 B CN 111582235B CN 202010455461 A CN202010455461 A CN 202010455461A CN 111582235 B CN111582235 B CN 111582235B
- Authority
- CN
- China
- Prior art keywords
- model
- abnormal
- alarm
- historical
- video data
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于实时监控站内异常事件的警报方法、***及设备,所述警报方法包括以下步骤:采集站内的历史视频数据,对历史视频数据进行分析,生成模型数据训练集;将模型数据训练集输入到深度学习模型内,训练出警报模型;采集站内的实时视频数据,并将其输入到警报模型内,得到异常事件警报结果;通过学习历史视频数据,将刻画在历史视频数据中的异常事件的特征挖掘出来并建立警报模型,能够快速准确地识别是否发生异常事件,并能够识别异常事件的类型,发出警报信息;现场人员可根据警报信息,准确定位发生故障的部位,避免了因异常事件发生不及时导致的重大事故或能源浪费,同时降低了人力成本。
Description
技术领域
本发明涉及供暖领域,具体涉及一种用于实时监控站内异常事件的警报方法、***及设备。
背景技术
供热站现场如果出现管道滴漏情况,需要维修人员进行检修和更换,如果没有及时发现问题,会导致热能浪费,还可能使现场设备被浸泡,导致电器元件毁坏。
电器元件毁坏时产生的火花还可能会引起火灾。
供热站、换热站数量多,地域分布广,不可能每个站点有人驻守看管。
现有技术中,需要现场人员采用巡站方式,逐个观察站内的视频,检查有无异常事件发生,但通过巡站的方式自动化程度低,速度慢,无法及时发现站内的管道滴漏或电器元件火花,最终可能导致严重事故;如果增加人工,则导致热力公司运营成本增加。
发明内容
为解决上述技术问题,本发明提供一种用于实时监控站内异常事件的警报方法、***及设备。
为解决上述技术问题,本发明采用如下技术方案:
一种用于实时监控站内异常事件的警报方法,包括以下步骤:
步骤一:采集站内的历史视频数据,对历史视频数据进行分析,生成模型数据训练集;
步骤二:将模型数据训练集输入到深度学习模型内,训练出警报模型;
步骤三:采集站内的实时视频数据,并将其输入到警报模型内,得到异常事件警报结果。
具体地,步骤一中,对历史视频数据进行分析时,将历史视频数据转化为多个历史图像,选取出一张不存在异常事件的历史图像作为正常基准图像,选取出一张存在异常事件的历史图像作为异常基准图像。
具体地,将其他历史图像分别与正常基准图像进行对比,如果其中一个其他历史图像与正常基准图像的相似度大于或者等于一定阈值,则将该其他历史图像划入到正常场景图像集,否则先将其划入到异常场景图像集;对异常场景图像集中的每个图像进行人工筛选,人工筛选时对异常事件的类型进行标注,并将其中不存在异常事件的图像划入到正常场景图像集中;则正常场景图像集、人工筛选前的异常场景图像集、人工筛选后的异常场景图像集即为所述模型数据训练集。
具体地,步骤二中,所述警报模型包括分类模型和目标检测模型,使用正常场景图像集和人工筛选前的异常场景图像集训练出所述的分类模型,使用人工筛选后的异常场景图像集训练所述的目标检测模型。
具体地,步骤三中,将实时视频数据输入到警报模型内得到异常事件警报结果时,先对实时视频数据进行处理得到实时图像,将实时图像输入到分类模型中进行分类,如果该实时图像被分类模型判定为包含异常事件,则将该实时图像输入到目标检测模型中,确定异常事件的类型,发出警报信息。
具体地,所述深度学习模型包括Alexnet模型和faster-rcnn模型,将正常场景图像集和人工筛选前的异常场景图像集输入到Alexnet模型中得到所述的分类模型,将人工筛选后的异常场景图像集输入到faster-rcnn模型中得到所述的目标检测模型。
具体地,所述正常基准图像和异常基准图像为基准图像,以图像间汉明距离、直方图比较、图像二值化比较或者感知哈希算法的方式计算其他历史图像与基准图像的相似度。
具体地,以直方图比较的方式计算其他历史图像与基准图像的相似度时,将其他历史图像的尺寸和基准图像的尺寸均缩小为原始尺寸的1/4,计算得到其他历史图像的直方图数据和基准图像的直方图数据,则相关系数其中X为基准图像的直方图数据,Yn为其他历史图像的直方图数据,Cov(X,Yn)为X和Yn的协方差,var(X)为X的方差,var(Yn)为Yn的方差;所述相关系数r(X,Yn)即为其他历史图像与基准图像的相似度。
一种用于实时监控站内异常事件的警报***,包括:
数据采集模块,其采集站内的历史视频数据,对历史视频数据进行分析,生成模型数据训练集;
模型生成模块,其将模型数据训练集输入到深度学习模型内,训练出警报模型;
预警模块,其采集站内的实时视频数据,并将其输入到警报模型内,得到异常事件警报结果。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,所述处理器执行所述警报方法的步骤。
与现有技术相比,本发明的有益技术效果是:
1.本发明通过学习历史视频数据,将刻画在历史视频数据中的异常事件的特征挖掘出来,并建立警报模型,将站内的实时视频数据输入到警报模型中,能够快速准确地识别是否发生异常事件,并能够识别异常事件的类型,发出警报信息;现场人员可根据警报信息,准确定位发生异常事件的部位和类型,避免了因异常事件发现不及时导致的重大事故或能源浪费;另一方面,对现场人员的需求量减少,降低了人力成本。
附图说明
图1为本发明的警报方法的流程示意图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
供热站现场如果出现管道滴漏情况,需要维修人员进行检修和更换,如果没有及时发现问题,会导致热能浪费,还可能使现场设备被浸泡,导致电器元件毁坏。
电器元件毁坏时产生的火花还可能会引起火灾。
供热站、换热站数量多,地域分布广,不可能每个站点有人驻守看管。
现有技术中,需要现场人员采用巡站方式,逐个观察站内的视频,检查有无异常事件发生,但通过巡站的方式自动化程度低,速度慢,无法及时发现站内的管道滴漏或电器元件火花,最终可能导致严重事故;如果增加人工,则导致热力公司运营成本增加。
本发明通过学习历史视频数据,将刻画在历史视频数据中的异常事件的特征挖掘出来,并建立警报模型,将站内的实时视频数据输入到警报模型中,能够快速准确地识别是否发生异常事件,并能够识别异常事件的类型,发出警报信息;现场人员可根据警报信息,准确定位发生异常事件的部位和类型,避免了因异常事件发现不及时导致的重大事故或能源浪费;另一方面,对现场人员的需求量减少,降低了人力成本。
深度学习是机器学习领域中一个研究方向。
深度学习模型可以学习样本数据的内在特征和规律,并在学习过程中获得信息,其可以使机器模仿人类的视听和思考过程,能够在一定程度上替代作业人员。
供热站的站内存在异常事件时会被视频所记录,例如发生管道滴漏或者电器元件产生火花时,都能在视频中看到,故历史视频数据已经存储了异常事件的视觉特征;深度学习算法通过学习历史视频数据,并在人工干预下完成训练,具有识别异常事件的能力。
一种用于实时监控站内异常事件的警报方法,包括以下步骤:
S1:采集站内的历史视频数据,对历史视频数据进行分析,生成模型数据训练集。
具体地,步骤一中,对历史视频数据进行分析时,将历史视频数据转化为多个历史图像,选取出一张不存在异常事件的历史图像作为正常基准图像,选取出一张存在异常事件的历史图像作为异常基准图像。
视频数据实际上是由多帧图像组成的,可以将视频数据解析为多个连续的图像;本实施例中按YUV格式读取图像,并保留图像的亮度分量。
具体地,将其他历史图像分别与正常基准图像进行对比,如果其中一个其他历史图像与正常基准图像的相似度大于或者等于一定阈值,则将该其他历史图像划入到正常场景图像集,否则先将其划入到异常场景图像集;对异常场景图像集中的每个图像进行人工筛选,标注异常事件的类型,并将其中不存在异常事件的图像划入到正常场景图像集中;则正常场景图像集、人工筛选前的异常场景图像集、人工筛选后的异常场景图像集即为所述模型数据训练集。
本实施例中,所述阈值为0.7。
异常事件的类型包括但不仅限于管道滴漏、元器件电火花。
具体地,所述正常基准图像和异常基准图像为基准图像,以图像间汉明距离、直方图比较、图像二值化比较或者感知哈希算法的方式计算其他历史图像与基准图像的相似度。
图像之间相似度的比较方法有很多,本实施例中,以直方图比较的方式计算其他历史图像与基准图像的相似度,将其他历史图像的尺寸和基准图像的尺寸均缩小为原始尺寸的1/4,计算得到其他历史图像的直方图数据和基准图像的直方图数据,则相关系数其中X为基准图像的直方图数据,Yn为其他历史图像的直方图数据,Cov(X,Yn)为X和Yn的协方差,var(X)为X的方差,var(Yn)为Yn的方差;所述相关系数r(X,Yn)即为其他历史图像与基准图像的相似度。
S2:将模型数据训练集输入到深度学习模型内,训练出警报模型。
具体地,步骤二中,所述警报模型包括分类模型和目标检测模型,使用正常场景图像集和人工筛选前的异常场景图像集训练出所述的分类模型,使用人工筛选后的异常场景图像集训练所述的目标检测模型。
采用两级模型可以兼顾效率和准确度,视频产生的数据量很大,如果对每个图像都进行非常细致的识别,则需要大量的计算能力,否则就要牺牲识别的准确度;本实施例中采用分类模型对异常事件进行初步识别,只判断是否存在异常事件,异常事件的发生是小概率事件,通过分类模型可以过滤掉大部分图像数据,以低硬件成本达到快速识别目的;目标检测模型可以检测异常事件的类型,其对数据的处理更加细致,所花费的时间更长,要求的算力更大,故适合少量精确识别,分类模型判断存在异常事件后,将图像传递至目标检测模型中进行更加细致的识别,能够将异常事件的具体类型识别出来。
基于不同的识别目的,训练分类模型和训练目标检测模型的数据也有所不同,使用正常场景图像集和人工筛选前的异常场景图像集训练出所述的分类模型,经人工筛选前,异常场景图像集中可能存在一些不存在异常事件的图像,但由于现场环境影响,这些图像与正常基准图像的相似度大于设定的阈值,所以被归类为异常场景图片集,而且未经人工筛选前,各图像也不包含确切的异常事件类型,故其无法对图像中异常事件的类型进行精确识别,也会将一些与正常基准图像相差较多但不存在异常事件的图像进行误认,此时需要目标检测模型对其进行进一步验证;经人工筛选后,对图像中异常事件的类型进行了确切的标注,而且将部分被错误归类的无异常事件的图像重新归类至正常场景图片集,故目标检测模型不仅能够得到异常事件的类型,还能够防止误报警。
S3:采集站内的实时视频数据,并将其输入到警报模型内,得到异常事件警报结果。
具体地,步骤三中,将实时视频数据输入到警报模型内得到异常事件警报结果时,先对实时视频数据进行处理得到实时图像,将实时图像输入到分类模型中进行分类,如果该实时图像被分类模型判定为包含异常事件,则将该实时图像输入到目标检测模型中,确定异常事件的类型,发出警报信息。
具体地,所述深度学习模型包括Alexnet模型和faster-rcnn模型,将正常场景图像集和人工筛选前的异常场景图像集输入到Alexnet模型中得到所述的分类模型,将人工筛选后的异常场景图像集输入到faster-rcnn模型中得到所述的目标检测模型。
一种用于实时监控站内异常事件的警报***,包括:
数据采集模块,其采集站内的历史视频数据,对历史视频数据进行分析,生成模型数据训练集;
模型生成模块,其将模型数据训练集输入到深度学习模型内,训练出警报模型;
预警模块,其采集站内的实时视频数据,并将其输入到警报模型内,得到异常事件警报结果。
警报***可根据警报结果发出包含异常事件存在情况和异常事件类型的警报信息。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,所述处理器执行所述警报方法的步骤。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立技术方案,说明书的这种叙述方式仅仅是为了清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种用于实时监控站内异常事件的警报方法,包括以下步骤:
步骤一:采集站内的历史视频数据,对历史视频数据进行分析,生成模型数据训练集;
步骤二:将模型数据训练集输入到深度学习模型内,训练出警报模型;
步骤三:采集站内的实时视频数据,并将其输入到警报模型内,得到异常事件警报结果;
步骤一中,对历史视频数据进行分析时,将历史视频数据转化为多个历史图像,选取出一张不存在异常事件的历史图像作为正常基准图像,选取出一张存在异常事件的历史图像作为异常基准图像;
将其他历史图像分别与正常基准图像进行对比,如果其中一个其他历史图像与正常基准图像的相似度大于或者等于一定阈值,则将该其他历史图像划入到正常场景图像集,否则先将其划入到异常场景图像集;对异常场景图像集中的每个图像进行人工筛选,人工筛选时对异常事件的类型进行标注,并将其中不存在异常事件的图像划入到正常场景图像集中;则正常场景图像集、人工筛选前的异常场景图像集、人工筛选后的异常场景图像集即为所述模型数据训练集;
步骤二中,所述警报模型包括分类模型和目标检测模型,使用正常场景图像集和人工筛选前的异常场景图像集训练出所述的分类模型,使用人工筛选后的异常场景图像集训练所述的目标检测模型。
2.根据权利要求1所述的用于实时监控站内异常事件的警报方法,其特征在于:步骤三中,将实时视频数据输入到警报模型内得到异常事件警报结果时,先对实时视频数据进行处理得到实时图像,将实时图像输入到分类模型中进行分类,如果该实时图像被分类模型判定为包含异常事件,则将该实时图像输入到目标检测模型中,确定异常事件的类型,发出警报信息。
3.根据权利要求1所述的用于实时监控站内异常事件的警报方法,其特征在于:所述深度学习模型包括Alexnet模型和faster-rcnn模型,将正常场景图像集和人工筛选前的异常场景图像集输入到Alexnet模型中得到所述的分类模型,将人工筛选后的异常场景图像集输入到faster-rcnn模型中得到所述的目标检测模型。
4.根据权利要求1所述的用于实时监控站内异常事件的警报方法,其特征在于:所述正常基准图像和异常基准图像为基准图像,以图像间汉明距离、直方图比较、图像二值化比较或者感知哈希算法的方式计算其他历史图像与基准图像的相似度。
6.一种用于实时监控站内异常事件的警报***,其特征在于,包括:
数据采集模块,其采集站内的历史视频数据,对历史视频数据进行分析,生成模型数据训练集;
模型生成模块,其将模型数据训练集输入到深度学习模型内,训练出警报模型;
预警模块,其采集站内的实时视频数据,并将其输入到警报模型内,得到异常事件警报结果;
对历史视频数据进行分析时,将历史视频数据转化为多个历史图像,选取出一张不存在异常事件的历史图像作为正常基准图像,选取出一张存在异常事件的历史图像作为异常基准图像;将其他历史图像分别与正常基准图像进行对比,如果其中一个其他历史图像与正常基准图像的相似度大于或者等于一定阈值,则将该其他历史图像划入到正常场景图像集,否则先将其划入到异常场景图像集;对异常场景图像集中的每个图像进行人工筛选,人工筛选时对异常事件的类型进行标注,并将其中不存在异常事件的图像划入到正常场景图像集中;则正常场景图像集、人工筛选前的异常场景图像集、人工筛选后的异常场景图像集即为所述模型数据训练集;
所述警报模型包括分类模型和目标检测模型,使用正常场景图像集和人工筛选前的异常场景图像集训练出所述的分类模型,使用人工筛选后的异常场景图像集训练所述的目标检测模型。
7.一种计算机设备,其特征在于:包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,所述处理器执行如权利要求1-5中任一项所述警报方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010455461.3A CN111582235B (zh) | 2020-05-26 | 2020-05-26 | 用于实时监控站内异常事件的警报方法、***及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010455461.3A CN111582235B (zh) | 2020-05-26 | 2020-05-26 | 用于实时监控站内异常事件的警报方法、***及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582235A CN111582235A (zh) | 2020-08-25 |
CN111582235B true CN111582235B (zh) | 2023-04-07 |
Family
ID=72127014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010455461.3A Active CN111582235B (zh) | 2020-05-26 | 2020-05-26 | 用于实时监控站内异常事件的警报方法、***及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582235B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101790B (zh) * | 2020-09-16 | 2024-03-15 | 清华大学合肥公共安全研究院 | 一种水体监测视频及数据联动预警方法及*** |
CN112288711A (zh) * | 2020-10-28 | 2021-01-29 | 浙江华云清洁能源有限公司 | 无人机巡检影像缺陷图像识别方法、装置、设备及介质 |
CN114630104B (zh) * | 2020-12-10 | 2024-06-11 | 北京市博汇科技股份有限公司 | 一种面向广播电视的人工智能多模型报警处理方法及装置 |
CN112597858A (zh) * | 2020-12-16 | 2021-04-02 | 中国电子科技集团公司电子科学研究院 | 一种监控方法、装置及可读存储介质 |
WO2022218001A1 (zh) * | 2021-04-17 | 2022-10-20 | 华为云计算技术有限公司 | 视频分析方法及相关*** |
CN113313352A (zh) * | 2021-04-26 | 2021-08-27 | 国家能源集团新能源有限责任公司 | 一种加氢站安全监控方法、电子设备及存储介质 |
CN113314233B (zh) * | 2021-07-30 | 2021-12-21 | 明品云(北京)数据科技有限公司 | 一种事件追踪处理方法、***、设备和介质 |
CN113705547B (zh) * | 2021-10-28 | 2022-03-25 | 北京万维盈创科技发展有限公司 | 环境弄虚作假行为识别动态管控方法、装置 |
CN115661016B (zh) * | 2022-12-08 | 2023-04-18 | 瑞纳智能设备股份有限公司 | 换热站的故障监视方法、***和嵌入式图像诊断控制平台 |
CN117710374B (zh) * | 2024-02-05 | 2024-05-24 | 中海油田服务股份有限公司 | 基于深度学习的跑冒滴漏检测方法、装置、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015148890A (ja) * | 2014-02-05 | 2015-08-20 | 富士通株式会社 | 情報処理装置、情報処理システム、および情報処理システムの制御方法 |
WO2016189764A1 (ja) * | 2015-05-26 | 2016-12-01 | 三菱電機株式会社 | 検出装置および検出方法 |
CN107729854A (zh) * | 2017-10-25 | 2018-02-23 | 南京阿凡达机器人科技有限公司 | 一种机器人的手势识别方法、***及机器人 |
CN109298993A (zh) * | 2017-07-21 | 2019-02-01 | 深圳市中兴微电子技术有限公司 | 一种检测故障的方法、装置及计算机可读存储介质 |
CN109818976A (zh) * | 2019-03-15 | 2019-05-28 | 杭州迪普科技股份有限公司 | 一种异常流量检测方法及装置 |
CN109815355A (zh) * | 2019-01-28 | 2019-05-28 | 网易(杭州)网络有限公司 | 图像搜索方法及装置、存储介质、电子设备 |
CN109859836A (zh) * | 2019-01-15 | 2019-06-07 | 上海鹰瞳医疗科技有限公司 | 医疗图像识别方法和设备 |
CN110276398A (zh) * | 2019-06-21 | 2019-09-24 | 北京滴普科技有限公司 | 一种视频异常行为自动判断方法 |
CN110598757A (zh) * | 2019-08-23 | 2019-12-20 | 国网山东省电力公司电力科学研究院 | 一种输电线路的施工机械隐患检测方法 |
CN110693486A (zh) * | 2019-09-27 | 2020-01-17 | 武汉中旗生物医疗电子有限公司 | 一种心电图的异常标注方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8836784B2 (en) * | 2010-10-27 | 2014-09-16 | Intellectual Ventures Fund 83 Llc | Automotive imaging system for recording exception events |
CN110019770A (zh) * | 2017-07-24 | 2019-07-16 | 华为技术有限公司 | 训练分类模型的方法与装置 |
CN109034092A (zh) * | 2018-08-09 | 2018-12-18 | 燕山大学 | 用于监控***的异常事件检测方法 |
CN109493343A (zh) * | 2018-12-29 | 2019-03-19 | 上海鹰瞳医疗科技有限公司 | 医疗图像异常区域分割方法及设备 |
CN111027507A (zh) * | 2019-12-20 | 2020-04-17 | 中国建设银行股份有限公司 | 基于视频数据识别的训练数据集生成方法及装置 |
-
2020
- 2020-05-26 CN CN202010455461.3A patent/CN111582235B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015148890A (ja) * | 2014-02-05 | 2015-08-20 | 富士通株式会社 | 情報処理装置、情報処理システム、および情報処理システムの制御方法 |
WO2016189764A1 (ja) * | 2015-05-26 | 2016-12-01 | 三菱電機株式会社 | 検出装置および検出方法 |
CN109298993A (zh) * | 2017-07-21 | 2019-02-01 | 深圳市中兴微电子技术有限公司 | 一种检测故障的方法、装置及计算机可读存储介质 |
CN107729854A (zh) * | 2017-10-25 | 2018-02-23 | 南京阿凡达机器人科技有限公司 | 一种机器人的手势识别方法、***及机器人 |
CN109859836A (zh) * | 2019-01-15 | 2019-06-07 | 上海鹰瞳医疗科技有限公司 | 医疗图像识别方法和设备 |
CN109815355A (zh) * | 2019-01-28 | 2019-05-28 | 网易(杭州)网络有限公司 | 图像搜索方法及装置、存储介质、电子设备 |
CN109818976A (zh) * | 2019-03-15 | 2019-05-28 | 杭州迪普科技股份有限公司 | 一种异常流量检测方法及装置 |
CN110276398A (zh) * | 2019-06-21 | 2019-09-24 | 北京滴普科技有限公司 | 一种视频异常行为自动判断方法 |
CN110598757A (zh) * | 2019-08-23 | 2019-12-20 | 国网山东省电力公司电力科学研究院 | 一种输电线路的施工机械隐患检测方法 |
CN110693486A (zh) * | 2019-09-27 | 2020-01-17 | 武汉中旗生物医疗电子有限公司 | 一种心电图的异常标注方法及装置 |
Non-Patent Citations (2)
Title |
---|
Real-Time Abnormal Event Detection in Complicated Scenes;Yinghuan Shi etal.;《2010 20th International Conference on Pattern Recognition》;全文 * |
基于场景理解的人体动作识别模型;张嘉祺等;《计算机测量与控制》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111582235A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582235B (zh) | 用于实时监控站内异常事件的警报方法、***及设备 | |
WO2022160413A1 (zh) | 电力生产异常监控方法、装置、计算机设备和存储介质 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
Pavlovski et al. | Hierarchical convolutional neural networks for event classification on PMU measurements | |
CN108761237A (zh) | 无人机电力巡检图像关键电力部件自动诊断与标注*** | |
CN111797725A (zh) | 一种设备状态检测方法、装置及*** | |
CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
CN113723189B (zh) | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 | |
CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
CN115908407B (zh) | 基于红外图像温度值的电力设备缺陷检测方法及装置 | |
CN116700193A (zh) | 工厂车间智能化监控管理***及其方法 | |
CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
CN111695493A (zh) | 一种输电线路隐患的检测方法及*** | |
CN117612345A (zh) | 一种电力设备状态监测报警***及方法 | |
CN113297913B (zh) | 一种配网现场作业人员穿衣规范的识别方法 | |
CN116862867A (zh) | 基于改进AnoGAN的小样本变电站设备视觉缺陷检测方法及*** | |
CN115690505A (zh) | 光伏组件故障检测方法、装置、计算机设备及存储介质 | |
CN115049875A (zh) | 一种基于深度学习的变电站中佩戴绝缘手套的检测方法 | |
Murthy et al. | Distribution system insulator monitoring using video surveillance and support vector machines for complex background images | |
Ishak et al. | Detection of Power Distribution Fault in Thermal Images Using CNN | |
CN113780224B (zh) | 一种变电站无人化巡视方法及*** | |
CN118164196B (zh) | 一种基于机器视觉的输煤皮带健康状态监测方法及*** | |
CN115545464A (zh) | 一种基于多源数据融合的配电网紧固件健康状态评估方法 | |
Gargouri et al. | Implementation of a Photovoltaic Default Detection System using Deep Learning | |
López-García et al. | RESISTO Project: Automatic Detection of Operation Temperature Anomalies for Power Electric Transformers Using Thermal Imaging |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |