CN111899448A - 牵引变电站智能巡检信息过滤的方法及*** - Google Patents
牵引变电站智能巡检信息过滤的方法及*** Download PDFInfo
- Publication number
- CN111899448A CN111899448A CN202010224688.7A CN202010224688A CN111899448A CN 111899448 A CN111899448 A CN 111899448A CN 202010224688 A CN202010224688 A CN 202010224688A CN 111899448 A CN111899448 A CN 111899448A
- Authority
- CN
- China
- Prior art keywords
- alarm
- information
- traction substation
- user
- characteristic vectors
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 45
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims 1
- 230000009545 invasion Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19613—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion
- G08B13/19615—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion wherein said pattern is defined by the user
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Emergency Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种牵引变电站智能巡检信息过滤的方法及***,该方法包括步骤:采用TCP/IP协议,不断接收牵引变电站巡检***发来的报警信息,所述报警信息包括“陌生人入侵报警”的图片信息和/或“传感器异常报警”的文字信息;根据报警类型,将接收的报警信息生成相应的特征向量,并将特征向量存储到数据库中;在数据库中查出本次接收的报警消息在设定时间段内的特征向量,逐一进行欧几里得距离运算,得出相似度结果,并将相似度结果与设定的阈值进行比较;如果相似度结果小于设定的阈值,则对用户进行报警推送,否则不对用户进行报警推送。本发明可以在保证用户及时在手机上获取到牵引变电站的当前报警信息的情况下,对重复的报警信息进行过滤,以减少重复报警量,减轻用户负担。
Description
技术领域
本发明涉及变电站故障巡检技术领域,特别涉及一种牵引变电站智能巡检信息过滤方法及***。
背景技术
随着牵引变电所(站)自动化程度的不断提升,所安装的仪器仪表及传感器设备也越来越多。变电所现场情况监测已成为当前变电站管理人员需要考虑的重要问题,如仪器仪表检测的数据是否正确,是否出现非法入侵、水浸甚至火灾等状况,都需要安排值班人员进行定期或不定期的巡查。随着铁路沿线牵引动力变电站数量的增加,对人员的需求越来越大,要求越来越高,由于人员的疏忽所造成的可能损失也会增大。与此同时,由于变电站数量大、位置分散,甚至处于很偏僻的位置,所以安全隐患较多。
虽然牵引变电站智能巡检***功能越来越强,例如可以将“陌生人入侵报警”的图片信息、“传感器异常报警”的文字信息等通过网络传递到段或处的调度中心,再由调度中心向牵引变电站智能巡检手机应用发出,用户即可通过牵引变电站智能巡检手机应用查看,并及时处理。但同时也存在一个重要问题:过高的相似报警率使得用户在使用牵引变电站智能手机应用时体验较差,无法第一时间获得准确信息,使得用户疲于应付。因此迫切需要针对牵引变电站智能巡检信息过滤的方法,以减少重复报警量,减轻用户负担。
发明内容
本发明的目的在于改善现有技术中所存在的上述不足,提供一种牵引变电站智能巡检信息过滤方法及***,通过对巡检信息进行过滤,减少重复报警量,提高用户体验良好感。
为了实现上述发明目的,本发明实施例提供了以下技术方案:
一方面,本发明实施例提供了一种牵引变电站智能巡检信息过滤的方法,包括步骤:
采用TCP/IP协议,不断接收牵引变电站巡检***发来的报警信息,所述报警信息包括“陌生人入侵报警”的图片信息和/或“传感器异常报警”的文字信息;
根据报警类型,将接收的报警信息生成相应的特征向量,并将特征向量存储到数据库中;
在数据库中查出本次接收的报警消息在设定时间段内的特征向量,逐一进行欧几里得距离运算,得出相似度结果,并将相似度结果与设定的阈值进行比较;
如果相似度结果小于设定的阈值,则对用户进行报警推送,否则不对用户进行报警推送。
根据本发明实施例,对于“陌生人入侵报警”的图片信息,采用FaceNet网络模型,提取出人脸的特征向量。
根据本发明实施例,对于“传感器异常报警”的文字信息,采用TF-IDF算法用于报警相似度的计算,得出特征向量。
另一方面,本发明实施例提供了一种牵引变电站智能巡检信息过滤的***,包括:
报警信息接收模块:采用TCP/IP协议,不断接收牵引变电站巡检***发来的报警信息,所述报警信息包括“陌生人入侵报警”的图片信息和/或“传感器异常报警”的文字信息;
特征向量转换模块:根据报警类型,将接收的报警信息生成相应的特征向量,并将特征向量存储到数据库中;
相似度计算模块:在数据库中查出本次接收的报警消息在设定时间段内的特征向量,逐一进行欧几里得距离运算,得出相似度结果;
信息过滤模块:将相似度结果与设定的阈值进行比较,如果相似度结果小于设定的阈值,则对用户进行报警推送,否则不对用户进行报警推送。
与现有技术相比,本发明的有益效果:本发明针对陌生人入侵与传感器异常两种报警类型采用了不同的方法进行信息过滤。其中,在陌生人入侵报警中,采用了FaceNet模型,将调度中心传来的人脸图像映射成128维度的特征向量,以向量为特征,采用KNN模型对5分钟内重复的人脸进行过滤;在传感器异常报警中,采用TF-IDF算法,将高度重复的报警信息进行过滤,从而达到减少重复报警量,减少用户负担的目的,但是又不影响用户及时了解牵引变电站的当前报警信息。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明牵引变电站智能巡检信息过滤方法的流程示意图。
图2为实施例中三联子损失函数示意图。
图3为实施例中牵引变电站智能巡检信息过滤***的结构示意框图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例中提供了一种牵引变电站智能巡检信息过滤的方法,该方法应用在牵引变电站智能巡检手机应用中。如图1所示,该方法包括以下步骤:
步骤1,采用TCP/IP协议,不断接收牵引变电站巡检***发来的报警信息,报警信息包括“陌生人入侵报警”的图片信息和/或“传感器异常报警”的文字信息。“陌生人入侵报警”的图片信息和“传感器异常报警”的文字信息分别为两种不同报警类型。
步骤2,根据报警类型,将接收的报警信息生成相应的特征向量,并将特征向量存储到数据库中。
其中,对于“陌生人入侵报警”的图片信息,采用FaceNet网络模型,提取出人脸的特征向量,然后将这些提取出来的特征向量用于人脸比对。并且,FaceNet采用三联子损失函数来训练提取人脸特征的卷积神经网络。三联子损失函数(Triplet loss)一般用于个体级别的细粒度识别,例如花鸟狗等大类别的识别,FaceNet借助其分类思想将它用于人脸的识别,目的是将人脸图像X映射入d维度的欧几里得空间f(x)=Rd。在该向量空间内,希望保证单个个体的图像和该个体的其它图像与其它个体的图像距离远。如图2所示为三联子示意图。Triplet—loss优化的目的是使得同一个人通过卷积神经网络得到的特征向量的欧式距离尽可能近,不同的人尽可能远。人脸特征提取模块的训练目的不止是提取人脸的稳健特征用于识别,更重要的是,使得不同人脸通过该网络模型后得到的特征区分度更高,这种区分度是以不同人的欧式空间的距离来衡量的。本FaceNet网络模型的训练数据采用CASIA-WebFace李青人脸识别数据集,该训练集在进行人脸检测之后包括了453453个图像、超过10575个人的人脸身份。
对于“传感器异常报警”的文字信息,采用TF-IDF算法用于报警相似度的计算。TF-IDF用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加,但同时会随着它在语料库中出现的频率成反比下降。其主要思想是:如果某个单词在一篇文章中出现的频率TF高,并且在其他文章中很少出现,则认为此词或者短语具有很好的类别区分能力,适合用来分类。其中TF是词频(Term Frequency),其计算公式为其中,ni,j是该词在文件中出现的次数,分母则是文件中所有词汇出现的次数总和;IDF是逆向文件频率(Inverse DocumentFrequency),某一特定词语的IDF,可以由总文件数目除以包含该词语的文件的数目,再将得到的商取对数得到。如果包含词条t的文档越少,IDF越大,则说明词条具有很好的类别区分能力。其公式为,最终TF-IDF特征向量的计算公式为TFIDF=TF*IDF。
步骤3,在数据库中查出本次接收的报警消息在设定时间段(例如五分钟)内的特征向量,逐一进行欧几里得距离运算,得出相似度结果。通过所设阈值大小判断是否推送。
步骤4,如果相似度结果小于设定的阈值,即相似度较小,表明不是相同的报警信息,则对用户进行报警推送。
步骤5,如果相似度结果大于或等于设定的阈值,即相似度较大,表明是相同的报警信息,则不对用户进行报警推送。
如图3所示,本发明实施例中还提供了一种牵引变电站智能巡检信息过滤的***,包括:
报警信息接收模块:采用TCP/IP协议,不断接收牵引变电站巡检***发来的报警信息,所述报警信息包括“陌生人入侵报警”的图片信息和/或“传感器异常报警”的文字信息。
特征向量转换模块:根据报警类型,将接收的报警信息生成相应的特征向量,并将特征向量存储到数据库中。对于“陌生人入侵报警”的图片信息,特征向量转换模块采用FaceNet网络模型,提取出人脸的特征向量。对于“传感器异常报警”的文字信息,特征向量转换模块采用TF-IDF算法用于报警相似度的计算,得出特征向量。
相似度计算模块:在数据库中查出本次接收的报警消息在设定时间段内的特征向量,逐一进行欧几里得距离运算,得出相似度结果。
信息过滤模块:将相似度结果与设定的阈值进行比较,如果相似度结果小于设定的阈值,则对用户进行报警推送,否则不对用户进行报警推送。
本***是与前述方法是相对应的,因此,此处未描述之处可参见前述方法描述中的相关内容。
随着牵引变电站自动化程度的不断提升,所安装的仪器仪表及传感器设备也越来越多。设备采集的信息均可通过网络传递到段或处的调度中心,可由调度中心向牵引变电站智能巡检手机应用发出的陌生人入侵、传感器异常报警冗余度也较高,影响用户判断、体验。本发明针对陌生人入侵与传感器异常两种报警类型采用了不同的方法进行信息过滤。其中,在陌生人入侵报警中,采用了FaceNet模型,将调度中心传来的人脸图像映射成128维度的特征向量,以向量为特征,采用KNN模型对5分钟内重复的人脸进行过滤;在传感器异常报警中,采用TF-IDF算法,将高度重复的报警信息进行过滤,从而达到减少重复报警量,减少用户负担的目的,但是又不影响用户及时了解牵引变电站的当前报警信息。
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所述以权利要求的保护范围为准。
Claims (7)
1.一种牵引变电站智能巡检信息过滤的方法,其特征在于,包括步骤:
采用TCP/IP协议,不断接收牵引变电站巡检***发来的报警信息,所述报警信息包括“陌生人入侵报警”的图片信息和/或“传感器异常报警”的文字信息;
根据报警类型,将接收的报警信息生成相应的特征向量,并将特征向量存储到数据库中;
在数据库中查出本次接收的报警消息在设定时间段内的特征向量,逐一进行欧几里得距离运算,得出相似度结果,并将相似度结果与设定的阈值进行比较;
如果相似度结果小于设定的阈值,则对用户进行报警推送,否则不对用户进行报警推送。
2.根据权利要求1所述的牵引变电站智能巡检信息过滤的方法,其特征在于,对于“陌生人入侵报警”的图片信息,采用FaceNet网络模型,提取出人脸的特征向量。
3.根据权利要求1所述的牵引变电站智能巡检信息过滤的方法,其特征在于,对于“传感器异常报警”的文字信息,采用TF-IDF算法用于报警相似度的计算,得出特征向量。
4.根据权利要求1所述的牵引变电站智能巡检信息过滤的方法,其特征在于,所述设定时间段为5分钟。
5.一种牵引变电站智能巡检信息过滤的***,其特征在于,包括:
报警信息接收模块:采用TCP/IP协议,不断接收牵引变电站巡检***发来的报警信息,所述报警信息包括“陌生人入侵报警”的图片信息和/或“传感器异常报警”的文字信息;
特征向量转换模块:根据报警类型,将接收的报警信息生成相应的特征向量,并将特征向量存储到数据库中;
相似度计算模块:在数据库中查出本次接收的报警消息在设定时间段内的特征向量,逐一进行欧几里得距离运算,得出相似度结果;
信息过滤模块:将相似度结果与设定的阈值进行比较,如果相似度结果小于设定的阈值,则对用户进行报警推送,否则不对用户进行报警推送。
6.根据权利要求5所述的牵引变电站智能巡检信息过滤的***,其特征在于,对于“陌生人入侵报警”的图片信息,特征向量转换模块采用FaceNet网络模型,提取出人脸的特征向量。
7.根据权利要求5所述的牵引变电站智能巡检信息过滤的***,其特征在于,对于“传感器异常报警”的文字信息,特征向量转换模块采用TF-IDF算法用于报警相似度的计算,得出特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010224688.7A CN111899448A (zh) | 2020-03-26 | 2020-03-26 | 牵引变电站智能巡检信息过滤的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010224688.7A CN111899448A (zh) | 2020-03-26 | 2020-03-26 | 牵引变电站智能巡检信息过滤的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111899448A true CN111899448A (zh) | 2020-11-06 |
Family
ID=73206196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010224688.7A Pending CN111899448A (zh) | 2020-03-26 | 2020-03-26 | 牵引变电站智能巡检信息过滤的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899448A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023273665A1 (zh) * | 2021-06-30 | 2023-01-05 | 武汉理工光科股份有限公司 | 一种重复火警判定方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488154A (zh) * | 2013-10-09 | 2014-01-01 | 国家电网公司 | 一种变电站运行环境远程综合监控***及其联动控制方法 |
CN107657067A (zh) * | 2017-11-14 | 2018-02-02 | 国网山东省电力公司电力科学研究院 | 一种基于余弦距离的前沿科技信息快速推送方法及*** |
CN108875561A (zh) * | 2018-04-27 | 2018-11-23 | 山东信通电子股份有限公司 | 一种输电线路监控隐患预警图像的隐患重复判别方法 |
CN109727428A (zh) * | 2019-01-10 | 2019-05-07 | 成都国铁电气设备有限公司 | 基于深度学习的重复报警抑制方法 |
CN110044486A (zh) * | 2019-03-11 | 2019-07-23 | 武汉高德智感科技有限公司 | 用于人体检验检疫***避免重复报警的方法、装置、设备 |
-
2020
- 2020-03-26 CN CN202010224688.7A patent/CN111899448A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488154A (zh) * | 2013-10-09 | 2014-01-01 | 国家电网公司 | 一种变电站运行环境远程综合监控***及其联动控制方法 |
CN107657067A (zh) * | 2017-11-14 | 2018-02-02 | 国网山东省电力公司电力科学研究院 | 一种基于余弦距离的前沿科技信息快速推送方法及*** |
CN108875561A (zh) * | 2018-04-27 | 2018-11-23 | 山东信通电子股份有限公司 | 一种输电线路监控隐患预警图像的隐患重复判别方法 |
CN109727428A (zh) * | 2019-01-10 | 2019-05-07 | 成都国铁电气设备有限公司 | 基于深度学习的重复报警抑制方法 |
CN110044486A (zh) * | 2019-03-11 | 2019-07-23 | 武汉高德智感科技有限公司 | 用于人体检验检疫***避免重复报警的方法、装置、设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023273665A1 (zh) * | 2021-06-30 | 2023-01-05 | 武汉理工光科股份有限公司 | 一种重复火警判定方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9064145B2 (en) | Identity recognition based on multiple feature fusion for an eye image | |
CN111669375B (zh) | 一种电力工控终端在线安全态势评估方法及*** | |
CN112437280A (zh) | 一种基于大数据分析的智慧监控安防数据处理管理*** | |
CN105574165B (zh) | 一种基于聚类的电网运行监控信息辨识分类方法 | |
CN112183265A (zh) | 基于图像识别的电力施工视频监控告警方法及*** | |
CN111818198B (zh) | 域名检测方法、域名检测装置和设备以及介质 | |
CN114782897A (zh) | 基于机器视觉及深度学习的危险行为检测方法及*** | |
CN107480625A (zh) | 一种基于人脸识别的身份鉴别方法 | |
CN115222303B (zh) | 基于大数据的行业风险数据分析方法、***及存储介质 | |
CN111222784A (zh) | 一种基于人口大数据的安防监控方法和*** | |
CN109657626A (zh) | 一种通过程序识别人体行为的分析方法 | |
CN112183219A (zh) | 一种基于人脸识别的公共安全视频监测方法及*** | |
CN111899448A (zh) | 牵引变电站智能巡检信息过滤的方法及*** | |
CN115620471A (zh) | 一种基于大数据筛查的图像识别安防*** | |
CN116701866A (zh) | 一种基于物联网设备的园区事件联动处理方法 | |
CN115171260A (zh) | 一种基于人脸识别的智能门禁*** | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
CN114783061A (zh) | 一种吸烟行为检测方法、装置、设备和介质 | |
CN115909212A (zh) | 一种电力作业典型违章行为实时预警方法 | |
CN113301043B (zh) | 基于5g工业物联网网络安全终端 | |
CN112583860B (zh) | 一种互联网流量异常检测的方法、装置及设备 | |
CN110702982B (zh) | 一种电能计量装置智能回收管理*** | |
CN114842183A (zh) | 一种基于卷积神经网络的开关状态识别方法和*** | |
CN116401290B (zh) | 基于金属携带量数据的人员安检方法 | |
CN104301330A (zh) | 基于异常行为监测和成员亲密度测量的陷阱网络检测方法 |
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 |