CN112257740B - 基于知识图谱的图像隐患识别方法及其*** - Google Patents
基于知识图谱的图像隐患识别方法及其*** Download PDFInfo
- Publication number
- CN112257740B CN112257740B CN202010924546.1A CN202010924546A CN112257740B CN 112257740 B CN112257740 B CN 112257740B CN 202010924546 A CN202010924546 A CN 202010924546A CN 112257740 B CN112257740 B CN 112257740B
- Authority
- CN
- China
- Prior art keywords
- image
- hidden danger
- knowledge
- information
- hidden
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于知识图谱的图像隐患识别方法及其***,其包括:用于收集所有样本图像,并存储所有样本图像入库的存储步骤;用于向样本图像库中输入识别算法,并建立图像识别算法模型的建模步骤;用于向图像识别算法模型中输入待排图像的输入步骤;用于提取待排图像中出现的设备设施的特征的提取步骤;用于识别运算待排图像中的特征是否存在隐患的处理步骤;若待排图像中的特征未与样本图像库中的特征匹配,则待排图像中存在隐患,并发出隐患信息。本申请具有隐患排查识别准确的效果。
Description
技术领域
本申请涉及隐患排查的领域,尤其是涉及一种基于知识图谱的图像隐患识别方法及其***。
背景技术
随着经济社会的发展,工程的安全监控逐渐受到施工单位的关注。在实际工作中,隐患排查治理作为实现安全生产的重要手段,在政府监管与企业管理方面起到重要作用。
但是现场检查过度依赖于专家经验,有时受检查的地域和时间的限制,专家的判断会受到干扰和影响,导致隐患排查存在误差的问题。
发明内容
为了做到隐患排查识别准确,本申请提供一种基于知识图谱的图像隐患识别方法及其***。
本申请提供的一种基于知识图谱的图像隐患识别方法采用如下的技术方案:
第一方面,本申请提供一种基于知识图谱的图像隐患识别方法,采用如下的技术方案:
一种基于知识图谱的图像隐患识别方法,包括:
用于收集企业现场数据的收集步骤;其中,企业现场数据包括用于记录企业现场真实照片的现场图像;
以及
用于提取企业现场数据中所有现场图像的采集步骤;
用于向所有现场图像中输入预处理命令的预处理步骤;其中,预处理命令包括对所有现场图像中所出现的设备设施的特征进行提取和标注;所有现场图像在进行预处理后,形成样本图像;
用于收集所有样本图像,并存储所有样本图像入库的存储步骤;
用于向样本图像库中输入识别算法,并建立图像识别算法模型的建模步骤;
以及
用于向图像识别算法模型中输入待排图像的输入步骤;
用于提取待排图像中出现的设备设施的特征的提取步骤;
用于识别运算待排图像中的特征是否存在隐患的处理步骤;该步骤可对如下动作进行选择:
若待排图像中的特征与样本图像库中的特征匹配,则待排图像中未存在隐患,并发出安全信息;
若待排图像中的特征未与样本图像库中的特征匹配,则待排图像中存在隐患,并发出隐患信息;
以及
用于获取安全信息和隐患信息,并形成反馈信号的反馈步骤。
通过采用上述技术方案,先将企业现场数据中的现场图像进行采集,并对现场图像进行预处理,便能够形成样本图像,以作为后续的比对参照。将所有的样本图像构建成样本图像库,并向样本图像库中输入识别算法,便可形成图像识别算法模型,以便于样本图像能够通过识别算法进行比对。之后便可向图像识别算法模型中输入待排图像,并通过识别运算准备排查出待排图像中出现的设备设施的特征隐患,从而达到隐患排查识别准确。
优选的,在存储步骤之后包括,用于将所有样本图像根据实际应用情景进行分类的分类步骤;
在输入步骤之后包括,用于判断待排图像的情景,并将待排图像定位至与之情景匹配的情景分类的定位步骤。
通过采用上述技术方案,通过先将实际应用情景进行分类,后对待排图像进行情景定位,进而实现待排图像能够快速、准确的与样本图像匹配,从而提升排查隐患的速度。
优选的,在定位步骤之后,还包括:
用于统计每种情景分类所出现频次的情景统计步骤;
用于根据情景出现频次排序,形成情景排序信息并导入定位步骤中的情景排序步骤。
通过采用上述技术方案,通过统计情景分类所出现的频次,并进行频次排序,便使待排图像能够从高频次的情景分类开始匹配,从而提高情景匹配的准确率,缩短匹配所用的时间。
优选的,在处理步骤之后,还包括:
用于获取隐患信息,统计隐患信息中每种隐患出现频次的隐患统计步骤;
用于根据隐患出现频次排序,形成隐患排序信息并导入处理步骤中的隐患排序步骤。
通过采用上述技术方案,通过统计隐患所出现的频次,并进行隐患频次的排序,进而便于待排图像能够从高频次的隐患开始排查,从而提高隐患排查的效率。
优选的,在处理步骤之后,还包括:
用于获取安全信息,匹配安全信息对应的待排图像的匹配步骤;
用于将匹配到的待排图像新增至样本图像库中新增步骤。
通过采用上述技术方案,通过将与安全信息匹配的待排图像新增至样本图像库中,能够实现样本图像库的更新与优化,从而使后续的隐患排查更加精确。
优选的,在处理步骤之后,还包括:
用于响应管理员存入的行业知识的存入步骤;其中,行业知识包括企业现场中构件设备、隐患、法规条文、物质信息等各个实体、之间的关系及其属性;
用于将行业知识构建成知识图谱的构建步骤;
用于将知识图谱融入图像识别算法模型中的融合步骤;
用于获取隐患信息,根据隐患信息检索知识图谱中对应的行业知识的检索步骤;
用于提取检索出的行业知识,形成指导信息的指导步骤。
通过采用上述技术方案,通过将行业知识构建成知识图谱,并将知识图谱与图像识别算法模型融合的方法,能够便于待排图像排查出隐患时,通过知识图谱中行业知识的检索,进而对隐患提出指导意见,使隐患尽快解决。
优选的,在指导步骤之后,还包括:
用于抽取与指导信息对应的样本图像和待排图像的抽取步骤;
用于将样本图像和待排图像分别与指导信息对齐的对齐步骤;
用于整合所有指导信息成库的整合步骤。
通过采用上述技术方案,将指导信息以及与指导信息对应的样本图像和待排图像进行整合,以便于管理员的记录与总结。
优选的,在整合步骤之后,还包括:
用于响应管理员输入的隐患问题的提问步骤;
用于将隐患问题导入知道信息库中,并反馈出对应指导信息的应答步骤。
通过采用上述技术方案,通过管理员的主动提问,并得到指导信息的反馈,进而实现关于具体设备隐患的针对性问答,从而更加科学的辅助安全管理实际工作。
第二方面,本申请提供一种基于知识图谱的图像隐患识别***,采用如下的技术方案:
一种基于知识图谱的图像隐患识别***,包括:
用于收集所有样本图像,并存储所有样本图像入库的存储模块;
用于向样本图像库中输入识别算法,并建立图像识别算法模型的建模模块;
用于识别运算待排图像中的特征是否存在隐患的处理模块;
用于响应管理员存入的行业知识的存入模块;
用于将行业知识构建成知识图谱的构建模块;
用于将知识图谱融入图像识别算法模型中的融合模块;
用于获取隐患信息,根据隐患信息检索知识图谱中对应的行业知识的检索模块;
用于提取检索出的行业知识,形成指导信息的指导模块。
通过采用上述技术方案,通过存储模块将所有的样本图像构建成样本图像库,并通过建模模型对样本图像库输入识别算法,以建立图像识别算法模型,从而便于样本图像通过识别算法能够自动比对;之后通过处理模块将待排图像通过识别运算与待排图像比对,从而达到隐患排查识别准确。之后通过存入模块以及构建模块,能够存入行业知识并构建成知识图谱,并通过融合模块将知识图谱与图像识别算法模型进行融合,而在收到处理模块发出的隐患信息时,便可通过检索模块进行检索,最后通过指导模块将提取出对应的行业知识形成指导信息,并对设备隐患提供解决方案,从而达到在排查出隐患的同时,对隐患高效治理的效果。
附图说明
图1是本申请中图像隐患识别的方法流程图。
图2是实施例突显隐患出现频次排序的方法流程图。
图3是实施例突显知识图谱构建的方法流程图。
图4是本申请中图像隐患识别的***模块框图。
附图标记说明:1、收集步骤;2、采集步骤;3、预处理步骤;4、存储步骤;5、建模步骤;6、输入步骤;7、提取步骤;8、处理步骤;9、反馈步骤;10、分类步骤;11、定位步骤;12、情景统计步骤;13、情景排序步骤;14、隐患统计步骤;15、隐患排序步骤;16、匹配步骤;17、新增步骤;19、存入步骤;20、构建步骤;21、融合步骤;22、检索步骤;23、指导步骤;24、抽取步骤;25、对齐步骤;26、整合步骤;27、提问步骤;28、应答步骤;29、存储模块;30、建模模块;31、处理模块;32、存入模块;33、构建模块;34、融合模块;35、检索模块;36、指导模块。
具体实施方式
以下结合附图1-4对本申请作进一步详细说明。
本申请实施例公开一种基于知识图谱的图像隐患识别方法。参照图1,图像隐患识别方法包括:
用于收集企业现场数据的收集步骤1;其中,企业现场数据包括用于记录企业现场真实照片的现场图像。数据收集的主要方法是爬虫获取、公开数据、数据API接口以及生活实际数据,为保证数据收集的有效性和针对性,可通过安全行业领域经验,依据企业检查与企业现场的真实照片,对企业现场数据进行统计分析。
以及
用于提取企业现场数据中所有现场图像的采集步骤2;
用于向所有现场图像中输入预处理命令的预处理步骤3;其中,预处理命令包括对所有现场图像中所出现的设备设施的特征进行提取和标注;所有现场图像在进行预处理后,形成样本图像。在有足够多的图像情况下,通过图像标注等方法,对图像进行预处理。
用于收集所有样本图像,并存储所有样本图像入库的存储步骤4;其中,成立样本图象库并将所有样本图像存入库中。
用于向样本图像库中输入识别算法,并建立图像识别算法模型的建模步骤5;其中,图像识别算法已从传统的特征提取进入到计算机深度学习阶段。深度学习主要是数据驱动进行特征提取,根据大量样本的学习能够得到深层的、数据集特定的特征表示,其对数据集的表达更高效和准确,所提取的抽象特征更强,泛化能力更好。
以及
用于向图像识别算法模型中输入待排图像的输入步骤6;
用于提取待排图像中出现的设备设施的特征的提取步骤7;
用于识别运算待排图像中的特征是否存在隐患的处理步骤8;该步骤可对如下动作进行选择:
若待排图像中的特征与样本图像库中的特征匹配,则待排图像中未存在隐患,并发出安全信息;
若待排图像中的特征未与样本图像库中的特征匹配,则待排图像中存在隐患,并发出隐患信息;
以及
用于获取安全信息和隐患信息,并形成反馈信号的反馈步骤9。
其中,先将企业现场数据中的现场图像进行采集,并对现场图像进行预处理,便能够形成样本图像,以作为后续的比对参照。将所有的样本图像构建成样本图像库,并向样本图像库中输入识别算法,便可形成图像识别算法模型,以便于样本图像能够通过识别算法进行比对。之后便可向图像识别算法模型中输入待排图像,并通过识别运算准备排查出待排图像中出现的设备设施的特征隐患,从而达到隐患排查识别准确
在存储步骤4之后包括,用于将所有样本图像根据实际应用情景进行分类的分类步骤10;
在输入步骤6之后包括,用于判断待排图像的情景,并将待排图像定位至与之情景匹配的情景分类的定位步骤11。
其中,通过先将实际应用情景进行分类,后对待排图像进行情景定位,进而实现待排图像能够快速、准确的与样本图像匹配,从而提升排查隐患的速度。
在定位步骤11之后,还包括:
用于统计每种情景分类所出现频次的情景统计步骤12;
用于根据情景出现频次排序,形成情景排序信息并导入定位步骤11中的情景排序步骤13。
其中,通过统计情景分类所出现的频次,并进行频次排序,便使待排图像能够从高频次的情景分类开始匹配,从而提高情景匹配的准确率,缩短匹配所用的时间。
参照图2,在处理步骤8之后,还包括:
用于获取隐患信息,统计隐患信息中每种隐患出现频次的隐患统计步骤14;
用于根据隐患出现频次排序,形成隐患排序信息并导入处理步骤8中的隐患排序步骤15。
其中,通过统计隐患所出现的频次,并进行隐患频次的排序,进而便于待排图像能够从高频次的隐患开始排查,从而提高隐患排查的效率。
参照图2,在处理步骤8之后,还包括:
用于获取安全信息,匹配安全信息对应的待排图像的匹配步骤16;
用于将匹配到的待排图像新增至样本图像库中新增步骤17。
其中,通过将与安全信息匹配的待排图像新增至样本图像库中,能够实现样本图像库的更新与优化,从而使后续的隐患排查更加精确。
参照图1、图3,在处理步骤8之后,还包括:
用于响应管理员存入的行业知识的存入步骤19;其中,行业知识包括企业现场中构件设备、隐患、法规条文、物质信息等各个实体、之间的关系及其属性;
用于将行业知识构建成知识图谱的构建步骤20;
用于将知识图谱融入图像识别算法模型中的融合步骤21;
用于获取隐患信息,根据隐患信息检索知识图谱中对应的行业知识的检索步骤22;
用于提取检索出的行业知识,形成指导信息的指导步骤23。
其中,通过将行业知识构建成知识图谱,并将知识图谱与图像识别算法模型融合的方法,能够便于待排图像排查出隐患时,通过知识图谱中行业知识的检索,进而对隐患提出指导意见,使隐患尽快解决。
参照图3,在指导步骤23之后,还包括:
用于抽取与指导信息对应的样本图像和待排图像的抽取步骤24;
用于将样本图像和待排图像分别与指导信息对齐的对齐步骤25;
用于整合所有指导信息成库的整合步骤26。
参照图3,在整合步骤26之后,还包括:
用于响应管理员输入的隐患问题的提问步骤27;
用于将隐患问题导入知道信息库中,并反馈出对应指导信息的应答步骤28。
通过以上方法,在研发企业现场情景下,基于知识图谱的图像识别分析技术,根据企业现场照片,通过行业领域知识图谱,分析照片中出现的设备设施与人员状态,并分析存在隐患,推导准确的法律法规条文,给出条文依据与整改说明等相关信息。为企业管理提供图像识别、数据分析、智能问答等服务,解决企业现场管理重点与难点,开发安全管理与咨询新模式。
本申请实施例一种基于知识图谱的图像隐患识别方法的实施原理为:首先针对企业现场管理,进行数据的统计与采集,分析特定场景下的应用特点,建立图像识别与知识图谱的理论研究;其次,对图像识别进行算法建模,经过不断训练及优化,提升识别精确度;另一方面,对采集到的数据进行知识抽取、知识融合等数据处理,形成行业领域知识图谱;最后,将知识图谱实现知识检索功能,结合图像识别技术,达到“智能问答”,即针对特定场景中,可识别具体设备隐患,进而提供法规条文与整改要求等知识信息,使之更加科学的辅助安全管理实际工作。
本申请实施例还公开一种基于知识图谱的图像隐患识别***。参照图4,图像隐患识别***包括:
存储模块29,用于收集所有样本图像,并存储所有样本图像入库;
建模模块30,用于向样本图像库中输入识别算法,并建立图像识别算法模型;
处理模块31,用于识别运算待排图像中的特征是否存在隐患;
存入模块32,用于响应管理员存入的行业知识;
构建模块33,用于将行业知识构建成知识图谱;
融合模块34,用于将知识图谱融入图像识别算法模型中;
检索模块35,用于获取隐患信息,根据隐患信息检索知识图谱中对应的行业知识;
指导模块36,用于提取检索出的行业知识,形成指导信息。
本申请实施例一种基于知识图谱的图像隐患识别***的实施原理为:通过存储模块29将所有的样本图像构建成样本图像库,并通过建模模型对样本图像库输入识别算法,以建立图像识别算法模型,从而便于样本图像通过识别算法能够自动比对;之后通过处理模块31将待排图像通过识别运算与待排图像比对,从而达到隐患排查识别准确。之后通过存入模块32以及构建模块33,能够存入行业知识并构建成知识图谱,并通过融合模块34将知识图谱与图像识别算法模型进行融合,而在收到处理模块31发出的隐患信息时,便可通过检索模块35进行检索,最后通过指导模块36将提取出对应的行业知识形成指导信息,并对设备隐患提供解决方案,从而达到在排查出隐患的同时,对隐患高效治理的效果。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (8)
1.一种基于知识图谱的图像隐患识别方法,其特征在于,包括:
用于收集企业现场数据的收集步骤(1);其中,企业现场数据包括用于记录企业现场真实照片的现场图像;
用于提取企业现场数据中所有现场图像的采集步骤(2);
用于向所有现场图像中输入预处理命令的预处理步骤(3);其中,预处理命令包括对所有现场图像中所出现的设备设施的特征进行提取和标注;所有现场图像在进行预处理后,形成样本图像;
用于收集所有样本图像,并存储所有样本图像入库的存储步骤(4);
用于向样本图像库中输入识别算法,并建立图像识别算法模型的建模步骤(5);
用于向图像识别算法模型中输入待排图像的输入步骤(6);
用于提取待排图像中出现的设备设施的特征的提取步骤(7);
用于识别运算待排图像中的特征是否存在隐患的处理步骤(8);该步骤可对如下动作进行选择:
若待排图像中的特征与样本图像库中的特征匹配,则待排图像中未存在隐患,并发出安全信息;
若待排图像中的特征未与样本图像库中的特征匹配,则待排图像中存在隐患,并发出隐患信息;
用于响应管理员存入的行业知识的存入步骤(19);其中,行业知识包括企业现场中构件设备、隐患、法规条文、物质信息之间的关系及其属性;
用于将行业知识构建成知识图谱的构建步骤(20);
用于将知识图谱融入图像识别算法模型中的融合步骤(21);
用于获取隐患信息,根据隐患信息检索知识图谱中对应的行业知识的检索步骤(22);
用于提取检索出的行业知识,形成指导信息的指导步骤(23);
以及
用于获取安全信息和隐患信息,并形成反馈信号的反馈步骤(9)。
2.根据权利要求1所述的基于知识图谱的图像隐患识别方法,其特征在于:
在存储步骤(4)之后包括,用于将所有样本图像根据实际应用情景进行分类的分类步骤(10);
在输入步骤(6)之后包括,用于判断待排图像的情景,并将待排图像定位至与之情景匹配的情景分类的定位步骤(11)。
3.根据权利要求2所述的基于知识图谱的图像隐患识别方法,其特征在于,在定位步骤(11)之后,还包括:
用于统计每种情景分类所出现频次的情景统计步骤(12);
用于根据情景出现频次排序,形成情景排序信息并导入定位步骤(11)中的情景排序步骤(13)。
4.根据权利要求1所述的基于知识图谱的图像隐患识别方法,其特征在于,在处理步骤(8)之后,还包括:
用于获取隐患信息,统计隐患信息中每种隐患出现频次的隐患统计步骤(14);
用于根据隐患出现频次排序,形成隐患排序信息并导入处理步骤(8)中的隐患排序步骤(15)。
5.根据权利要求1所述的基于知识图谱的图像隐患识别方法,其特征在于,在处理步骤(8)之后,还包括:
用于获取安全信息,匹配安全信息对应的待排图像的匹配步骤(16);
用于将匹配到的待排图像新增至样本图像库中新增步骤(17)。
6.根据权利要求1所述的基于知识图谱的图像隐患识别方法,其特征在于,在指导步骤(23)之后,还包括:
用于抽取与指导信息对应的样本图像和待排图像的抽取步骤(24);
用于将样本图像和待排图像分别与指导信息对齐的对齐步骤(25);
用于整合所有指导信息成库的整合步骤(26)。
7.根据权利要求6所述的基于知识图谱的图像隐患识别方法,其特征在于,在整合步骤(26)之后,还包括:
用于响应管理员输入的隐患问题的提问步骤(27);
用于将隐患问题导入知道信息库中,并反馈出对应指导信息的应答步骤(28)。
8.一种基于知识图谱的图像隐患识别***,其特征在于,包括:
用于收集所有样本图像,并存储所有样本图像入库的存储模块(29);
用于向样本图像库中输入识别算法,并建立图像识别算法模型的建模模块(30);
用于识别运算待排图像中的特征是否存在隐患的处理模块(31);
用于响应管理员存入的行业知识的存入模块(32);
用于将行业知识构建成知识图谱的构建模块(33);
用于将知识图谱融入图像识别算法模型中的融合模块(34);
用于获取隐患信息,根据隐患信息检索知识图谱中对应的行业知识的检索模块(35);
用于提取检索出的行业知识,形成指导信息的指导模块(36)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010924546.1A CN112257740B (zh) | 2020-09-05 | 2020-09-05 | 基于知识图谱的图像隐患识别方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010924546.1A CN112257740B (zh) | 2020-09-05 | 2020-09-05 | 基于知识图谱的图像隐患识别方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257740A CN112257740A (zh) | 2021-01-22 |
CN112257740B true CN112257740B (zh) | 2022-09-09 |
Family
ID=74224590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010924546.1A Active CN112257740B (zh) | 2020-09-05 | 2020-09-05 | 基于知识图谱的图像隐患识别方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257740B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032641B (zh) * | 2021-04-23 | 2021-12-07 | 赛飞特工程技术集团有限公司 | 一种智能搜索方法和设备 |
CN115879084A (zh) * | 2023-02-28 | 2023-03-31 | 天津辰航安全技术服务有限公司 | 基于图像分析的安全隐患模拟咨询平台 |
CN117474457B (zh) * | 2023-08-31 | 2024-03-26 | 应急管理部大数据中心 | 一种危化和工贸设备应急管理执法检查智能辅助*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017133311A1 (zh) * | 2016-02-03 | 2017-08-10 | 武汉极目智能技术有限公司 | 一种基于adas技术的车辆转向检测***及检测方法 |
CN109992672A (zh) * | 2019-04-11 | 2019-07-09 | 华北科技学院 | 基于灾害场景的知识图谱构建方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784310B (zh) * | 2017-11-08 | 2021-03-23 | 浙江国自机器人技术股份有限公司 | 设备状态信息获取方法、装置、***、存储介质及机器人 |
CN108038809A (zh) * | 2017-12-07 | 2018-05-15 | 重庆天府矿业有限责任公司 | 一种智能式事故隐患排查治理方法及*** |
CN110851611A (zh) * | 2019-07-18 | 2020-02-28 | 华瑞新智科技(北京)有限公司 | 一种隐患数据知识图谱的构建方法及装置、设备、介质 |
CN110675395A (zh) * | 2019-09-29 | 2020-01-10 | 智洋创新科技股份有限公司 | 输电线路智能在线监测方法 |
-
2020
- 2020-09-05 CN CN202010924546.1A patent/CN112257740B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017133311A1 (zh) * | 2016-02-03 | 2017-08-10 | 武汉极目智能技术有限公司 | 一种基于adas技术的车辆转向检测***及检测方法 |
CN109992672A (zh) * | 2019-04-11 | 2019-07-09 | 华北科技学院 | 基于灾害场景的知识图谱构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112257740A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257740B (zh) | 基于知识图谱的图像隐患识别方法及其*** | |
CN109740446A (zh) | 课堂学生行为分析方法及装置 | |
CN111709361A (zh) | 一种输电线路无人机巡检数据处理方法 | |
CN110689148A (zh) | 一种基于ar技术的计量设备故障检测方法 | |
Heydarian et al. | Automated visual recognition of construction equipment actions using spatio-temporal features and multiple binary support vector machines | |
CN110909542B (zh) | 智能语义串并分析方法及*** | |
CN115828112A (zh) | 一种故障事件的响应方法、装置、电子设备及存储介质 | |
CN112116168B (zh) | 一种用户行为的预测方法、装置及电子设备 | |
CN114120428A (zh) | 一种图码联侦关联方法、装置、计算机设备及存储介质 | |
CN115330268A (zh) | 一种应对矿山灾难的综合性应急指挥方法及*** | |
CN116401343A (zh) | 一种数据合规分析方法 | |
Hur et al. | Tracking individuals in classroom videos via post-processing OpenPose data | |
CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控***和方法 | |
Bhargava et al. | A study on potential of big visual data analytics in construction Arena | |
CN112269956A (zh) | 一种基于机器学习引擎的农业大数据搜索结果呈现的方法和装置 | |
CN112434049A (zh) | 表格数据存储方法、装置、存储介质及电子装置 | |
CN102209236B (zh) | 考试监控***中的信息处理***及其实现方法 | |
CN109858829A (zh) | 一种基于区块链的隐患事故预警方法 | |
CN115841317A (zh) | 一种人力资源智能管理平台 | |
CN113986823A (zh) | 一种通信机房的图片归档方法、装置、介质及设备 | |
CN114117174A (zh) | 基于大数据的多格式数据筛查管理*** | |
CN114428881A (zh) | 媒资视频的推送方法及装置、存储介质及电子设备 | |
CN113220843A (zh) | 确定信息关联关系的方法、装置、存储介质和设备 | |
CN112988972A (zh) | 一种基于数据模型的行政处罚案卷评查方法及*** | |
CN110674269A (zh) | 一种线索信息管控方法及*** |
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 |