CN112084925A - 一种智慧电力安全监察方法及*** - Google Patents
一种智慧电力安全监察方法及*** Download PDFInfo
- Publication number
- CN112084925A CN112084925A CN202010915678.8A CN202010915678A CN112084925A CN 112084925 A CN112084925 A CN 112084925A CN 202010915678 A CN202010915678 A CN 202010915678A CN 112084925 A CN112084925 A CN 112084925A
- Authority
- CN
- China
- Prior art keywords
- camera
- state
- action
- neural network
- processor
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000009471 action Effects 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000002787 reinforcement Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/21—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种智慧电力安全监察方法及***，包括步骤：步骤S1：将监控相机实时拍摄的图像进行目标检测，将目标检测的结果以及相机当前的状态参数输入到训练好的神经网络中得到控制相机状态的输出参数，用以供相机根据该输出参数调整自身的状态；步骤S2：相机调整状态后，返回步骤S1，进行实时在线检测。本发明实现了实时在线自动检测并控制相机状态，相较于人工控制准确率更高。
Description
技术领域
本发明涉及电力安全作业技术领域，特别是一种智慧电力安全监察方法及***。
背景技术
目前对电力安全机器人的镜头操控，基本都是采用人工超控调整角度。但是智慧电力安全监察“智能反违章机器人”的业务要求实时无死角全天候。现有技术中主要利用人工调整镜头角度方向，变倍，从前端页面发送镜头旋转信号和变倍大小到服务端，服务端发送到对应的已经登录的设备，设备收到数据报文后，操控底层电机进行旋转变倍。具体的人工调整过程如图1所示，包括：a.“智能反违章机器人”登录到服务器，b.前端页面选择某个“智能反违章机器人”，c.前端页面点击旋转镜头，发送报文到后端服务器，d.后端服务器收到后转发给对应的“智能反违章机器人”，e.“智能反违章机器人”收到数据后经过解析，通知步进电机驱动旋转。在智慧电力安全监察业务中，过分依赖人工对摄像头进行操作，对于场景中可能出现的违反安全规程的点无法及时发现。人工无法全天候的观察场景中的问题，并进行操作。
发明内容
有鉴于此，本发明的目的是提出一种智慧电力安全监察方法及***，实现了实时在线自动检测并控制相机状态，相较于人工控制准确率更高。
本发明采用以下方案实现：一种智慧电力安全监察方法，具体包括以下步骤：
步骤S1：将监控相机实时拍摄的图像进行目标检测，将目标检测的结果以及相机当前的状态参数输入到训练好的神经网络中得到控制相机状态的输出参数，用以供相机根据该输出参数调整自身的状态；
步骤S2：相机调整状态后，返回步骤S1，进行实时在线检测。
进一步地，所述神经网络的输入为(x，y，w，h，v，u，z)，其中x与y为目标检测结果中目标框的坐标，w与h为目标检测结果中目标框的宽和高，v为相机的左右旋转弧度，u为相机的上下旋转弧度，z为相机的放大缩小数值；
所述神经网络的输出为(dv’，du’，dz’)，其中dv’为相机的左右旋转弧度增量参数，du’为相机的上下旋转弧度的增量，dz’为相机的放大缩小数值的增量。
进一步地，所述神经网络的训练过程包括以下步骤：
步骤SA1：输入相机的当前状态s到神经网络中，神经网络随机选择一个动作a输出；其中相机的当前状态s＝(x，y，w，h，v，u，z)，动作a＝(x，y，w，h，v，u，z)；
步骤SA2：相机根据神经网络输出的动作a调整自身的状态，并获得调整后的状态s’以及奖赏r；
步骤SA3：将此次调整中的s、a、r、s’保存到记忆集中，若记忆集没有超过预设的上限，则返回步骤SA1，否则完成记忆集的构造，并进入步骤SA4，开始采样学习；
步骤SA4：从记忆集中选取一个数据记录b-memory，该数据记录包括(b-s，b-a，b-r，b-s’)，其中，b-s为这条数据记录中的当前输入状态，b-a为这条数据记录中的对应当前输入状态产生的动作，b-r为该产生的动作后得到的奖赏，b-s’为这条数据记录中对应当前输入状态的更新后的状态；
步骤SA5：将选取的数据记录分别输入到验证网络以及预测网络，验证网络根据记录中的b-s与b-a得到动作输出值q-eval，预测网络根据记录中的b-s得到下一个动作输出q-next；
步骤SA6：计算目标动作q-target＝b-r+GAMMA*max(q-next,1)，其中GAMMA为学习率；
步骤SA7：计算损失函数
式中，t为当前批次下坐标，n为最大批次上限，因为是可以进行多批次训练的；
步骤SA8：采用loss反向传播误差更新q-eval对应的验证网络的权重；
步骤SA9：返回步骤SA4，直至达到预设的训练次数，停止训练，并将训练过程中得到的具有最优权重的网络作为训练好的神经网络。
较佳的，所述的目标检测可以采用现有的目标检测模型来实现，通过训练目标检测模型可以获取当前画面中的违章行为目标框。结合目标检测的结果，神经网络能够将相机的位置以及视野调整到更加适合抓拍违章行为的位置。
本发明还提供了一种智慧电力安全监察***，包括相机、用以控制相机状态的控制机构、存储器以及处理器；
所述处理器与相机、控制机构相连，用以获取相机机构的参数，并通过向控制机构输出指令进而控制相机动作；
所述存储器中存储有能够被处理器运行的计算机程序，当处理器运行该计算机程序时，实现如上文所述的方法步骤。
其中，这里的控制机构可以为“智能反违章机器人”或者现有的相机控制器等，特别的，该“智能反违章机器人”或相机控制器均可通过控制相机的步进电机来实现对相机的旋转状态等的控制。
本发明还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序，当处理器运行该计算机程序时，实现如上文所述的方法步骤。
与现有技术相比，本发明有以下有益效果：本发明的技术方法解决了现有技术中电力安全监察业务中过分依赖人工的问题，采用强化学习神经元网络来实现自主操控相机的违章抓拍视角。通过本发明的方法，可以实现实时在线的全自动调整相机状态，以实现最好角度的相机视野，并且全天候自动控制，拜托因人工操作所实现的一系列问题。
附图说明
图1为现有技术中人工调整镜头角度方向的示意图。
图2为本发明实施例的方法流程示意图。
图3为本发明实施例的神经网络模型示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图2所示，本实施例提供了一种智慧电力安全监察方法，具体包括以下步骤：
步骤S1：将监控相机实时拍摄的图像进行目标检测，将目标检测的结果以及相机当前的状态参数输入到训练好的神经网络中得到控制相机状态的输出参数，用以供相机根据该输出参数调整自身的状态；
步骤S2：相机调整状态后，返回步骤S1，进行实时在线检测。
在本实施例中，所述神经网络的输入为(x，y，w，h，v，u，z)，其中x与y为目标检测结果中目标框的坐标，w与h为目标检测结果中目标框的宽和高，v为相机的左右旋转弧度，u为相机的上下旋转弧度，z为相机的放大缩小数值；
所述神经网络的输出为(dv’，du’，dz’)，其中dv’为相机的左右旋转弧度增量参数，du’为相机的上下旋转弧度的增量，dz’为相机的放大缩小数值的增量。
在本实施例中，所述神经网络的训练过程包括以下步骤：
步骤SA1：输入相机的当前状态s到神经网络中，神经网络随机选择一个动作a输出；其中相机的当前状态s＝(x，y，w，h，v，u，z)，动作a＝(x，y，w，h，v，u，z)；这里的随机选择一个动作a输出具体为，神经网络模型0.5的概率随机选择一个动作a输出，0.5的概率选择模型的正常输出；
步骤SA2：相机根据神经网络输出的动作a调整自身的状态，并获得调整后的状态s’以及奖赏r；
步骤SA3：将此次调整中的s、a、r、s’保存到记忆集中，若记忆集没有超过预设的上限，则返回步骤SA1，否则完成记忆集的构造，并进入步骤SA4，开始采样学习；
步骤SA4：从记忆集中选取一个数据记录b-memory，该数据记录包括(b-s，b-a，b-r，b-s’)，其中，b-s为这条数据记录中的当前输入状态，b-a为这条数据记录中的对应当前输入状态产生的动作，b-r为该产生的动作后得到的奖赏，b-s’为这条数据记录中对应当前输入状态的更新后的状态；
步骤SA5：将选取的数据记录分别输入到验证网络以及预测网络，验证网络根据记录中的b-s与b-a得到动作输出值q-eval，预测网络根据记录中的b-s得到下一个动作输出q-next；
步骤SA6：计算目标动作q-target＝b-r+GAMMA*max(q-next,1)，其中GAMMA为学习率；
步骤SA7：计算损失函数
式中，t为当前批次下坐标，n为批次最大上限，因为是可以进行多批次训练的；
步骤SA8：采用loss反向传播误差更新q-eval对应的验证网络的权重；
步骤SA9：返回步骤SA4，直至达到预设的训练次数，停止训练，并将训练过程中得到的具有最优权重的网络作为训练好的神经网络。
较佳的，所述的目标检测可以采用现有的目标检测模型来实现，通过训练目标检测模型可以获取当前画面中的违章行为目标框。结合目标检测的结果，神经网络能够将相机的位置以及视野调整到更加适合抓拍违章行为的位置。
较佳的，如图3所示，本实施例的神经网络模型、验证网络与预测网络的结构均包括输入层、全连接层以及输出层。图3展示了利用目标模型检测后的结果中分数最高的框(x，y，w，h)和目前相机状态数据(左右旋转弧度v，上下旋转弧度u，放大缩小数值z)作为输入，输出是动作是相机状态数据增量(左右旋转弧度dv，上下旋转弧度du，放大缩小数值dz)。训练时，输入是(x，y，w，h，v，s，z)输出了(dv’，ds’，dz’)均方损失函数为
对应的动作空间(1,1,1)、(1,1，-1)、(-1,1,1)、(1,-1,1)、(1,-1,-1)、(-1,-1,1)、(-1,1,-1)、(-1,-1,-1)，1代表正方向，-1代表负方向。
本实施例还提供了一种智慧电力安全监察***，包括相机、用以控制相机状态的控制机构、存储器以及处理器；
所述处理器与相机、控制机构相连，用以获取相机机构的参数，并通过向控制机构输出指令进而控制相机动作；
所述存储器中存储有能够被处理器运行的计算机程序，当处理器运行该计算机程序时，实现如上文所述的方法步骤。
其中，这里的控制机构可以为“智能反违章机器人”或者现有的相机控制器等，特别的，该“智能反违章机器人”或相机控制器均可通过控制相机的步进电机来实现对相机的旋转状态等的控制。
本实施例还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序，当处理器运行该计算机程序时，实现如上文所述的方法步骤。
特别的，在本实施例中，通过神经网络来进行强化学习的核心是能够感知环境的状态，并且根据环境提供的强化信号，通过学习选择一个合适的动作，来最大化长期的奖赏值。简而言之，就是根据环境提供的奖赏做为反馈，学习一系列的环境状态到动作的映射，动作选择的原则是最大化未来累积的奖赏的概率。选择的动作不仅影响当前时刻的奖赏，还会影响下一时刻甚至未来的奖赏，因此，智能体在学习过程中的基本规则是：如果某个动作带来了环境的正回报，那么这一动作会被加强，反之则会逐渐削弱，类似于物理学中条件反射原理。环境会接收智能体执行的一系列的动作，并且对这一系列的动作的好坏进行评价，并转换成一种可量化的(标量信号)建设反馈给智能体，而不会告诉智能体应该如何去学习动作。智能体只能靠自己的历史或者记忆集经历去学习。同时，环境还像智能体提供它所处的状态状态信息。环境有完全可观测和部分可观测两种情况。环境提供给智能体的一个可量化的标量反馈信号，用于评价智能体在某一个时间步所做动作的好坏。强化学习就是基于一种最大化累计奖赏假设：强化学习中，智能体进行一系列的动作选择的目标是最大化未来的累计奖赏。历史就是智能体过去的一些列观测S、动作A和奖赏R的序列信息:Ht＝S1,R1,A1,.......At-1,St,Rt。智能体根据历史的动作选择，和选择动作之后，环境做给出的反馈和状态，决定如何选择下一个动作(At)。状态指智能体所处的环境信息，包含了智能体用于进行动作选择的所有信息，它是历史的一个函数：St＝f(Ht)。可见，强化学习的主体是智能体和环境。智能体为了适应环境，最大化未来累计奖赏，做出的一些列的动作，这个学习过程称为强化学习。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (5)
1.一种智慧电力安全监察方法，其特征在于，包括以下步骤：
步骤S1：将监控相机实时拍摄的图像进行目标检测，将目标检测的结果以及相机当前的状态参数输入到训练好的神经网络中得到控制相机状态的输出参数，用以供相机根据该输出参数调整自身的状态；
步骤S2：相机调整状态后，返回步骤S1，进行实时在线检测。
2.根据权利要求1所述的一种智慧电力安全监察方法，其特征在于，
所述神经网络的输入为(x，y，w，h，v，u，z)，其中x与y为目标检测结果中目标框的坐标，w与h为目标检测结果中目标框的宽和高，v为相机的左右旋转弧度，u为相机的上下旋转弧度，z为相机的放大缩小数值；
所述神经网络的输出为(dv’，du’，dz’)，其中dv’为相机的左右旋转弧度增量参数，du’为相机的上下旋转弧度的增量，dz’为相机的放大缩小数值的增量。
3.根据权利要求1所述的一种智慧电力安全监察方法，其特征在于，所述神经网络的训练过程包括以下步骤：
步骤SA1：输入相机的当前状态s到神经网络中，神经网络随机选择一个动作a输出；其中相机的当前状态s＝(x，y，w，h，v，u，z)，动作a＝(x，y，w，h，v，u，z)；
步骤SA2：相机根据神经网络输出的动作a调整自身的状态，并获得调整后的状态s’以及奖赏r；
步骤SA3：将此次调整中的s、a、r、s’保存到记忆集中，若记忆集没有超过预设的上限，则返回步骤SA1，否则完成记忆集的构造，并进入步骤SA4，开始采样学习；
步骤SA4：从记忆集中选取一个数据记录b-memory，该数据记录包括(b-s，b-a，b-r，b-s’)，其中，b-s为这条数据记录中的当前输入状态，b-a为这条数据记录中的对应当前输入状态产生的动作，b-r为该产生的动作后得到的奖赏，b-s’为这条数据记录中对应当前输入状态的更新后的状态；
步骤SA5：将选取的数据记录分别输入到验证网络以及预测网络，验证网络根据记录中的b-s与b-a得到动作输出值q-eval，预测网络根据记录中的b-s得到下一个动作输出q-next；
步骤SA6：计算目标动作q-target＝b-r+GAMMA*max(q-next,1)，其中GAMMA为学习率；
步骤SA7：计算损失函数
式中，t为当前批次下坐标，n为批次的上限；
步骤SA8：采用loss反向传播误差更新q-eval对应的验证网络的权重；
步骤SA9：返回步骤SA4，直至达到预设的训练次数，停止训练，并将训练过程中得到的具有最优权重的网络作为训练好的神经网络。
4.一种智慧电力安全监察***，其特征在于，包括相机、用以控制相机状态的控制机构、存储器以及处理器；
所述处理器与相机、控制机构相连，用以获取相机机构的参数，并通过向控制机构输出指令进而控制相机动作；
所述存储器中存储有能够被处理器运行的计算机程序，当处理器运行该计算机程序时，实现如权利要求1-3任一项所述的方法步骤。
5.一种计算机可读存储介质，其特征在于，其上存储有能够被处理器运行的计算机程序，当处理器运行该计算机程序时，实现如权利要求1-3任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010915678.8A CN112084925B (zh) | 2020-09-03 | 一种智慧电力安全监察方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010915678.8A CN112084925B (zh) | 2020-09-03 | 一种智慧电力安全监察方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112084925A true CN112084925A (zh) | 2020-12-15 |
| CN112084925B CN112084925B (zh) | 2024-07-05 |
Family
ID=
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008039130A1 (de) * | 2008-08-21 | 2010-02-25 | Billy Hou | Durch ein neurales Netzwerk gesteuertes automatisches Verfolgungs- und Erkennungssystem und Verfahren |
| CN103679215A (zh) * | 2013-12-30 | 2014-03-26 | 中国科学院自动化研究所 | 基于视觉大数据驱动的群体性行为分析的视频监控方法 |
| CN106373160A (zh) * | 2016-08-31 | 2017-02-01 | 清华大学 | 一种基于深度强化学习的摄像机主动目标定位方法 |
| CN107590456A (zh) * | 2017-09-06 | 2018-01-16 | 张栖瀚 | 一种高空视频监控中小微目标的检测方法 |
| CN108174165A (zh) * | 2018-01-17 | 2018-06-15 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管***及方法 |
| CN108803328A (zh) * | 2018-06-14 | 2018-11-13 | 广东惠禾科技发展有限公司 | 摄像头自适应调整方法、装置和摄像头 |
| CN109561257A (zh) * | 2019-01-18 | 2019-04-02 | 深圳看到科技有限公司 | 画面对焦方法、装置、终端及对应的存储介质 |
| CN109922251A (zh) * | 2017-12-12 | 2019-06-21 | 华为技术有限公司 | 快速抓拍的方法、装置及*** |
| CN110401799A (zh) * | 2019-08-02 | 2019-11-01 | 睿魔智能科技（深圳）有限公司 | 一种自动跟踪拍摄方法及*** |
| DE102018126112A1 (de) * | 2018-10-19 | 2020-04-23 | HELLA GmbH & Co. KGaA | Trainingsverfahren für ein neuronales Netz für eine automatische Einstellung einer Kamera |
| CN111126220A (zh) * | 2019-12-16 | 2020-05-08 | 北京瞭望神州科技有限公司 | 一种视频监控目标实时定位方法 |
| CN111246091A (zh) * | 2020-01-16 | 2020-06-05 | 北京迈格威科技有限公司 | 一种动态自动曝光控制方法和装置及电子设备 |
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008039130A1 (de) * | 2008-08-21 | 2010-02-25 | Billy Hou | Durch ein neurales Netzwerk gesteuertes automatisches Verfolgungs- und Erkennungssystem und Verfahren |
| CN103679215A (zh) * | 2013-12-30 | 2014-03-26 | 中国科学院自动化研究所 | 基于视觉大数据驱动的群体性行为分析的视频监控方法 |
| CN106373160A (zh) * | 2016-08-31 | 2017-02-01 | 清华大学 | 一种基于深度强化学习的摄像机主动目标定位方法 |
| CN107590456A (zh) * | 2017-09-06 | 2018-01-16 | 张栖瀚 | 一种高空视频监控中小微目标的检测方法 |
| CN109922251A (zh) * | 2017-12-12 | 2019-06-21 | 华为技术有限公司 | 快速抓拍的方法、装置及*** |
| CN108174165A (zh) * | 2018-01-17 | 2018-06-15 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管***及方法 |
| CN108803328A (zh) * | 2018-06-14 | 2018-11-13 | 广东惠禾科技发展有限公司 | 摄像头自适应调整方法、装置和摄像头 |
| DE102018126112A1 (de) * | 2018-10-19 | 2020-04-23 | HELLA GmbH & Co. KGaA | Trainingsverfahren für ein neuronales Netz für eine automatische Einstellung einer Kamera |
| CN109561257A (zh) * | 2019-01-18 | 2019-04-02 | 深圳看到科技有限公司 | 画面对焦方法、装置、终端及对应的存储介质 |
| CN110401799A (zh) * | 2019-08-02 | 2019-11-01 | 睿魔智能科技（深圳）有限公司 | 一种自动跟踪拍摄方法及*** |
| CN111126220A (zh) * | 2019-12-16 | 2020-05-08 | 北京瞭望神州科技有限公司 | 一种视频监控目标实时定位方法 |
| CN111246091A (zh) * | 2020-01-16 | 2020-06-05 | 北京迈格威科技有限公司 | 一种动态自动曝光控制方法和装置及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| RAJNATHSING, H (RAJNATHSING, HEMANT); LI, CG (LI, CHENGGANG): "A neural network based monitoring system for safety in shared work-space human-robot collaboration", INDUSTRIAL ROBOT-THE INTERNATIONAL JOURNAL OF ROBOTICS RESEARCH AND APPLICATION, 15 August 2018 (2018-08-15) * |
| 赖保均;陈公兴;李升凯;李家壮;邵经纬;黎清虎;: "基于深度学习的人脸追踪安防监控***", 科学技术创新, no. 15, 25 May 2020 (2020-05-25) * |
| 鄢小虎;李康;陈凯;: "一种基于卷积神经网络的智慧路灯联动控制算法", 照明工程学报, no. 04, 26 August 2018 (2018-08-26) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110278383B (zh) | 聚焦方法、装置以及电子设备、存储介质 | |
| CN110271007B (zh) | 一种机械手臂的物体抓取方法及相关装置 | |
| WO2020190272A1 (en) | Creation of digital twin of the interaction among parts of the physical system | |
| CN112916987B (zh) | 一种电弧增材制造在线监测及实时控制方法和*** | |
| US20190299406A1 (en) | Controller and machine learning device | |
| CN116088419B (zh) | 基于参数优化的数控机床加工控制方法、***及相关设备 | |
| EP3882725A1 (en) | Method and system for real-time and reliable autonomous vehicle fault diagnosis and protection | |
| CN103018881A (zh) | 一种基于红外图像的自动调焦方法及*** | |
| US10939029B2 (en) | Method and system for assisting a user in producing and selecting images | |
| CN107784838A (zh) | 一种交通违法动态识别方法和*** | |
| CN113232019A (zh) | 机械臂控制方法、装置、电子设备及存储介质 | |
| CN110405750B (zh) | 一种机器人的运动控制方法、装置及机器人 | |
| CN115609594A (zh) | 机械臂路径的规划方法、装置、上位控制端及存储介质 | |
| KR20150080440A (ko) | 제어 및 이벤트 분석을 통한 자동ptz 프리셋 설정 장치 및 방법 | |
| CN109996005B (zh) | 一种聚焦校正方法及装置 | |
| CN112084925A (zh) | 一种智慧电力安全监察方法及*** | |
| CN114721403A (zh) | 基于OpenCV的自动驾驶控制方法、装置及存储介质 | |
| CN112084925B (zh) | 一种智慧电力安全监察方法及*** | |
| CN108803328B (zh) | 摄像头自适应调整方法、装置和摄像头 | |
| CN109360436B (zh) | 一种视频生成方法、终端及存储介质 | |
| CN116442250A (zh) | 一种直线电机自适应智能控制方法、***及存储介质 | |
| CN115213890B (zh) | 抓取的控制方法、装置、服务器、电子设备及存储介质 | |
| CN112731919B (zh) | 一种基于人群密度估计的指引机器人方法及*** | |
| EP4060567A1 (en) | Device and method to improve learning of a policy for robots | |
| CN111444782B (zh) | 基于深度强化学习的道路目标检测方法、装置及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240529 Address after: Units 801 and 901, No. 1006 Anling Road, Huli District, Xiamen City, Fujian Province, 361015 Applicant after: Xiamen Lide Group Co.,Ltd. Country or region after: China Applicant after: XIAMEN ELECTRIC POWER SUPPLY COMPANY OF STATE GRID FUJIAN ELECTRIC POWER Co.,Ltd. Address before: Units 801 and 901, No. 1006 Anling Road, Huli District, Xiamen City, Fujian Province, 361015 Applicant before: Xiamen Lide Group Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant |