CN112380982A - 一种电力行业基建项目进度与质量的一体化监测方法 - Google Patents
一种电力行业基建项目进度与质量的一体化监测方法 Download PDFInfo
- Publication number
- CN112380982A CN112380982A CN202011265162.XA CN202011265162A CN112380982A CN 112380982 A CN112380982 A CN 112380982A CN 202011265162 A CN202011265162 A CN 202011265162A CN 112380982 A CN112380982 A CN 112380982A
- Authority
- CN
- China
- Prior art keywords
- progress
- quality
- image
- project
- infrastructure
- 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
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063116—Schedule adjustment for a person or group
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了电力施工监测技术领域的一种电力行业基建项目进度与质量的一体化监测方法,本发明技术方案采用基于卷积神经网络的深度强化学***移、旋转不变分类,有效提取影像目标,实现对目标的实时监控,本发明可对当前的基建施工情况进行监测,不但关注基建的进度,更加重视基建过程中的质量保障问题。
Description
技术领域
本发明涉及电力施工监测技术领域,具体为一种电力行业基建项目进度 与质量的一体化监测方法。
背景技术
数字经济与产业深度融合是中国21世纪经济发展的大趋势。电力基建产 业也面临着数字化新模式--“新基建”转型的迫切需求。其中,电力工地基础 建设以“数据驱动为核心”的数字化转型是我国电力基建企业成功转型的基 础。然而,电力工地基建监测方法现主要是以人工数据收集,人工监测管理 为核心,部分简单的作业场景由智能技术识别,如是否进入禁区,佩戴安全 帽和违章吸烟等。明显,传统的方法己经落后于时代的要求,并主要存在以 下问题:基建人员与设备配置的无法实时现场监测;基建进度和质量的无法实时监测。这样容易造成在预定工期到达尾声时,才发现基建出现进度和质 量的问题。
因此,对于当前电力基建行业整体缺乏先进的信息化技术,对于现场施 工进度和质量无法进行实时监测与分析的现状,利用大数据技术实时监测施 工现场人员与设备,成为各相关企业的首要选择。与传统的基建监测方法相 比,数字化基建监测是指使用信息化技术方法,将大数据分析、人工智能技 术同建筑工地管理相结合,并对施工现场的零散化信息进行数据分析,来监 管施工现场人员、设备和项目进度的情况,为基建项目高质量的有序推进提 供依据和保障。
现有技术方案一:电力建设工地智能化管理***及方法
在[发明授权]电力建设工地智能化管理***及方法-201710749778.6;107632565A中,发明提供的电力建设工地智能化管理***及方法,通过设于 电力建设工地的环境信息采集单元来采集现场环境信息,并通过处理单元根 据所述现场环境信息辨别告警事件,其中所述告警事件的类型包括:违章进 入带电禁区事件、现场人员未戴安全帽事件、现场人员登高未系安全带事件、 及现场人员违章吸烟事件中的任意一种或多种;从而,本发明实现了智能自 动化的建设工地的监控及告警事件识别,解决现有技术的问题。
方案一只是针对特定简单的警告事宜进行智能化的监测,该方法只能智 能化监测独立事件,因此无法识别具有一定时间跨度的监测任务,如工程进 度和质量是否符合当前规划。
现有技术方案二:一种基建输电工程进度监控方法及监控***
在[发明授权]工程进度监控发现方法-201910791590.7;110505452A,发 明涉及电力施工技术领域,所述方法包括:获取各所述节点的现场影像资料; 建立与所述基建输电工程对应的工程影像模型,所述工程影像模型包括若干 与各所述节点一一对应的待填充区域;根据各所述节点的现场影像资料在与 该节点对应的待填充区域中填入相应的施工进度信息。该方法实现对基建输 电工程各个节点施工进度的自动化监控,具有效率高、准确率高和更新速度 快等优点。
方案二建立工程影像模型,通过对比当前影像与目标影像的差距,从而 判别施工的进度。该方法存在无法考虑,在施工过程中,人员配置,设备和 材料等关键因素是否合理,进度是否存在赶工情况,从而无法智能判断施工 的质量问题
基于此,本发明设计了一种电力行业基建项目进度与质量的一体化监测 方法,以解决上述问题。
发明内容
发明的目的在于提供一种电力行业基建项目进度与质量的一体化监测方 法,以解决上述技术问题。
为实现上述目的,发明提供如下技术方案:一种电力行业基建项目进度 与质量的一体化监测方法,包括:
步骤S10:影像数据预处理;从增强和去噪两个方面对原始视频图像进行 预处理,提高室内外视频图像对比度;
步骤S20:影像数据标注;以一个电力基建项目的视频监控影像作为一个 学习样例,对步骤S10预处理后的关键帧图像以时序排列,进行分割,规则 匹配标注和人工标注,生成基于卷积神经网络的深度强化学习模型的基础样 本数据;
步骤S30:基于卷积神经网络的深度强化学习模型训练;对步骤S20处理 后的数据,采用基于卷积神经网络的深度强化学习模型进行训练,形成基于 深度神经网络模型的项目进度与质量一体化的识别模型;然后,通过收集电 力新基建项目的实时影像数据,再经过步骤S10处理后,模型对新影像数据 中的项目进度和质量情况进行监测;
步骤S40:基建进度和质量的一体化识别;实时采集基建现场的影像监控 数据,对新的影像数据进行步骤1的预处理和关键帧抽取,并将按时序排列 的关键帧输入训练后的识别模型中,自动获取基建进度和质量的识别结果, 特别对赶工现象进行预警;
步骤S50:样本扩充;对步骤S30的模型判别结果进行人工确认与审核, 然后将人工判别后的样本数据扩充到样本数据库中,优化模型参数,提高模 型监测性能。
优选的,所述步骤S10中,所述原始视频图像处理方式具体包括读取视 频并提取帧,然后进行数字化、几何变换、归一化、平滑、复原和增强等图 像预处理。
优选的,所述步骤S20中,所述关键帧图像提取规则是依据项目各阶段 验收报告内容,用正则表达式快速标注样本数据,人工标注则用于标注施工 图片中的人员、设备和现场施工轮廓情况。
与现有技术相比,发明的有益效果为:
本发明技术方案采用基于卷积神经网络的深度强化学***移、 旋转不变分类,有效提取影像目标,实现对目标的实时监控,本发明基于卷 积神经网络的深度强化学习模型,结合电力基建项目规划,可以在充分考虑 人员、设备和现场施工轮廓等关键因素下,对当前的基建施工情况进行监测, 不但关注基建的进度,更加重视基建过程中的质量保障问题。
附图说明
为了更清楚地说明发明实施例的技术方案,下面将对实施例描述所需要 使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是发明的一 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的前提下, 还可以根据这些附图获得其他的附图。
图1为本发明电力行业基建项目进度与质量的一体化监测方法流程示意 图。
具体实施方式
下面将结合发明实施例中的附图,对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发明一部分实施例,而不是全部 的实施例。基于发明中的实施例,本领域普通技术人员在没有作出创造性劳 动前提下所获得的所有其它实施例,都属于发明保护的范围。
请参阅图1,发明提供一种电力行业基建项目进度与质量的一体化监测方 法,包括:
步骤S10:影像数据预处理;从增强和去噪两个方面对原始视频图像进行 预处理,提高室内外视频图像对比度;
具体的,雨天、雾天、阴天、逆光、曝光不足、夜晚等环境下,影像的 清晰度会大幅度下降,光电传感器自身的各种噪声也会影响图像信息的准确 获取。影像数据预处理目的是高效提高室内外视频图像对比度,减少噪声的 影响。因此,影像数据预处理是从增强和去噪两个方面对原始视频图像进行 预处理;原始视频图像处理方式具体包括读取视频并提取帧,然后进行数字 化、几何变换、归一化、平滑、复原和增强等图像预处理。
在视频增强方面,以直方图均衡为基础,将场景分类和细节保留相结合, 根据图像的场景特征,进行分段化的细节保留直方图均衡处理。避免传统直 方图均衡的细节丢失和亮度饱和问题,并适用于不同基建场景的稳健处理效 果。
在视频去噪方面,以快速非局部均值算法为基础。利用监控等应用中背 景的不变性,将画面分成背景和运动区域两个部分分别去噪,减少非局部均 值算法的作用区域,完成了针对视频监控图像的实时去噪。
步骤S20:影像数据标注;以一个电力基建项目的视频监控影像作为一个 学习样例,对步骤S10预处理后的关键帧图像以时序排列,进行分割,规则 匹配标注和人工标注,生成基于卷积神经网络的深度强化学习模型的基础样 本数据;
具体的,以一个电力基建项目的全部视频监控影像作为一个学习样例, 先对影像数据进行步骤1的预处理,然后采用视频动静混合关键帧的抽取方 法抽取关键帧。关键帧包含从原始视频中抽取背景帧和前景帧,并统计运动 元素的数量,将前景帧分为静态帧和运动帧,分别按时间顺序进行编号。
对预处理后的关键帧进行分割,根据图像对象不同,采用不同的分割方 法。对于静态的背景对象和人采用2D边界框进行分割,基建设备和具体建设 区域采用多边形边界框进行分割,并对分割的区域进行规则匹配标注和人工 标注。其中规则匹配标注,是依据项目各阶段验收报告内容,用正则表达式 快速标注样本数据,人工标注则用于标注施工图片中的人员、设备和现场施 工轮廓情况。
步骤S30:基于卷积神经网络的深度强化学习模型训练;对步骤S20处理 后的数据,采用基于卷积神经网络的深度强化学习模型进行训练,形成基于 深度神经网络模型的项目进度与质量一体化的识别模型;然后,通过收集电 力新基建项目的实时影像数据,再经过步骤S10处理后,模型对新影像数据 中的项目进度和质量情况进行监测;
具体的,将步骤2处理后的大量电力基建样本数据,按9比1的比例分 为训练样本和测试样本。采用基于卷积神经网络的深度强化学习模型对训练 样本进行模型训练;其中,模型的卷积神经网络具有表征学习能力,能有效 提取图片对象,如人员、设备和施工轮廓等。深度强化学习算法能综合学习 电力基建相关对象的影响因子,一体化判别当前基建影像的进度和质量的情 况;测试样本用于检验电力基建影像的对象提取和模型的参数训练的合理性 和有效性。
步骤S40:基建进度和质量的一体化识别;实时采集基建现场的影像监控 数据,对新的影像数据进行步骤1的预处理和关键帧抽取,并将按时序排列 的关键帧输入训练后的识别模型中,自动获取基建进度和质量的识别结果, 特别对赶工现象进行预警;
步骤S50:样本扩充;对步骤S30的模型判别结果进行人工确认与审核, 然后将人工判别后的样本数据扩充到样本数据库中,优化模型参数,提高模 型监测性能。
在发明的描述中,需要理解的是,术语“同轴”、“底部”、“一端”、 “顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、 “前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的 方位或位置关系,仅是为了便于描述发明和简化描述,而不是指示或暗示所 指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能 理解为对发明的限制。
在发明中,除非另有明确的规定和限定,术语“安装”、“设置”、“连 接”、“固定”、“旋接”等术语应做广义理解,例如,可以是固定连接, 也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以 是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或 两个元件的相互作用关系,除非另有明确的限定,对于本领域的普通技术人 员而言,可以根据具体情况理解上述术语在发明中的具体含义。
尽管已经示出和描述了发明的实施例,对于本领域的普通技术人员而言, 可以理解在不脱离发明的原理和精神的情况下可以对这些实施例进行多种变 化、修改、替换和变型,发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种电力行业基建项目进度与质量的一体化监测方法,其特征在于:
步骤S10:影像数据预处理;从增强和去噪两个方面对原始视频图像进行预处理,提高室内外视频图像对比度;
步骤S20:影像数据标注;以一个电力基建项目的视频监控影像作为一个学习样例,对步骤S10预处理后的关键帧图像以时序排列,进行分割,规则匹配标注和人工标注,生成基于卷积神经网络的深度强化学习模型的基础样本数据;
步骤S30:基于卷积神经网络的深度强化学习模型训练;对步骤S20处理后的数据,采用基于卷积神经网络的深度强化学习模型进行训练,形成基于深度神经网络模型的项目进度与质量一体化的识别模型;然后,通过收集电力新基建项目的实时影像数据,再经过步骤S10处理后,模型对新影像数据中的项目进度和质量情况进行监测;
步骤S40:基建进度和质量的一体化识别;实时采集基建现场的影像监控数据,对新的影像数据进行步骤1的预处理和关键帧抽取,并将按时序排列的关键帧输入训练后的识别模型中,自动获取基建进度和质量的识别结果,特别对赶工现象进行预警;
步骤S50:样本扩充;对步骤S30的模型判别结果进行人工确认与审核,然后将人工判别后的样本数据扩充到样本数据库中,优化模型参数,提高模型监测性能。
2.根据权利要求1所述的一种电力行业基建项目进度与质量的一体化监测方法,其特征在于:所述步骤S10中,所述原始视频图像处理方式具体包括读取视频并提取帧,然后进行数字化、几何变换、归一化、平滑、复原和增强等图像预处理。
3.根据权利要求1所述的一种电力行业基建项目进度与质量的一体化监测方法,其特征在于:所述步骤S20中,所述关键帧图像提取规则是依据项目各阶段验收报告内容,用正则表达式快速标注样本数据,人工标注则用于标注施工图片中的人员、设备和现场施工轮廓情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011265162.XA CN112380982A (zh) | 2020-11-13 | 2020-11-13 | 一种电力行业基建项目进度与质量的一体化监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011265162.XA CN112380982A (zh) | 2020-11-13 | 2020-11-13 | 一种电力行业基建项目进度与质量的一体化监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112380982A true CN112380982A (zh) | 2021-02-19 |
Family
ID=74583615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011265162.XA Pending CN112380982A (zh) | 2020-11-13 | 2020-11-13 | 一种电力行业基建项目进度与质量的一体化监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112380982A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111825A (zh) * | 2021-04-22 | 2021-07-13 | 北京房江湖科技有限公司 | 施工监控方法和装置、电子设备和存储介质 |
CN113269233A (zh) * | 2021-04-29 | 2021-08-17 | 国网福建省电力有限公司 | 建筑工程转包与分包的智能监控与预警***及方法 |
CN113379324A (zh) * | 2021-07-06 | 2021-09-10 | 山东电力工程咨询院有限公司 | 施工现场全程监控方法及*** |
CN113949933A (zh) * | 2021-09-30 | 2022-01-18 | 卓尔智联(武汉)研究院有限公司 | 一种播放数据分析方法、装置、设备以及存储介质 |
CN115115881A (zh) * | 2022-06-28 | 2022-09-27 | 重庆大学 | 利用医学检查报告的胃镜图像表征学习方法 |
CN116681320A (zh) * | 2023-04-07 | 2023-09-01 | 中宬建设管理有限公司 | 一种工程监控一体化的智能管理方法及*** |
CN117273440A (zh) * | 2023-09-01 | 2023-12-22 | 西华大学 | 基于深度学习的工程施工物联网监测管理***及方法 |
CN117634864A (zh) * | 2024-01-24 | 2024-03-01 | 华仁建设集团有限公司 | 基于图像分析的智慧工地施工任务优化方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109784622A (zh) * | 2018-12-10 | 2019-05-21 | 国网湖北省电力有限公司 | 基于地理接线图的电网项目进度监测方法及*** |
CN110505452A (zh) * | 2019-08-26 | 2019-11-26 | 广东电网有限责任公司 | 一种基建输电工程进度监控方法及监控*** |
CN110956285A (zh) * | 2019-11-25 | 2020-04-03 | 科大国创软件股份有限公司 | 一种基于深度学习的装维施工规范性检测方法及*** |
-
2020
- 2020-11-13 CN CN202011265162.XA patent/CN112380982A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109784622A (zh) * | 2018-12-10 | 2019-05-21 | 国网湖北省电力有限公司 | 基于地理接线图的电网项目进度监测方法及*** |
CN110505452A (zh) * | 2019-08-26 | 2019-11-26 | 广东电网有限责任公司 | 一种基建输电工程进度监控方法及监控*** |
CN110956285A (zh) * | 2019-11-25 | 2020-04-03 | 科大国创软件股份有限公司 | 一种基于深度学习的装维施工规范性检测方法及*** |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111825A (zh) * | 2021-04-22 | 2021-07-13 | 北京房江湖科技有限公司 | 施工监控方法和装置、电子设备和存储介质 |
CN113269233A (zh) * | 2021-04-29 | 2021-08-17 | 国网福建省电力有限公司 | 建筑工程转包与分包的智能监控与预警***及方法 |
CN113379324A (zh) * | 2021-07-06 | 2021-09-10 | 山东电力工程咨询院有限公司 | 施工现场全程监控方法及*** |
CN113949933A (zh) * | 2021-09-30 | 2022-01-18 | 卓尔智联(武汉)研究院有限公司 | 一种播放数据分析方法、装置、设备以及存储介质 |
CN113949933B (zh) * | 2021-09-30 | 2023-08-22 | 卓尔智联(武汉)研究院有限公司 | 一种播放数据分析方法、装置、设备以及存储介质 |
CN115115881A (zh) * | 2022-06-28 | 2022-09-27 | 重庆大学 | 利用医学检查报告的胃镜图像表征学习方法 |
CN116681320A (zh) * | 2023-04-07 | 2023-09-01 | 中宬建设管理有限公司 | 一种工程监控一体化的智能管理方法及*** |
CN116681320B (zh) * | 2023-04-07 | 2023-12-05 | 中宬建设管理有限公司 | 一种工程监控一体化的智能管理方法及*** |
CN117273440A (zh) * | 2023-09-01 | 2023-12-22 | 西华大学 | 基于深度学习的工程施工物联网监测管理***及方法 |
CN117634864A (zh) * | 2024-01-24 | 2024-03-01 | 华仁建设集团有限公司 | 基于图像分析的智慧工地施工任务优化方法及*** |
CN117634864B (zh) * | 2024-01-24 | 2024-04-05 | 华仁建设集团有限公司 | 基于图像分析的智慧工地施工任务优化方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380982A (zh) | 一种电力行业基建项目进度与质量的一体化监测方法 | |
CN110738127A (zh) | 基于无监督深度学习神经网络算法的安全帽识别方法 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查***及方法 | |
CN111832398B (zh) | 一种无人机影像的配电线路杆塔导地线断股图像检测方法 | |
CN104504377B (zh) | 一种公交车乘客拥挤程度识别***及方法 | |
CN111339883A (zh) | 复杂场景下基于人工智能的变电站内异常行为识别与检测方法 | |
CN102915432A (zh) | 一种车载微机图像视频数据提取方法及装置 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN112464893A (zh) | 一种复杂环境下的拥挤度分类方法 | |
CN101051344B (zh) | 基于光流方向直方图和肤色流形变分的敏感视频识别方法 | |
CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及*** | |
CN111897993A (zh) | 一种基于行人再识别的高效目标人物轨迹生成方法 | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警***及方法 | |
Yang et al. | PDNet: Improved YOLOv5 nondeformable disease detection network for asphalt pavement | |
CN111339927A (zh) | 一种电力营业厅人员工作状态智能识别*** | |
CN105354591B (zh) | 基于高阶类别相关先验知识的三维室外场景语义分割*** | |
CN202815869U (zh) | 一种车载微机图像视频数据提取装置 | |
CN113269233A (zh) | 建筑工程转包与分包的智能监控与预警***及方法 | |
CN117119253B (zh) | 一种针对目标对象的高质量视频抽帧方法 | |
CN112907734A (zh) | 基于虚拟crh380a模型和深度学习的teds故障检测方法 | |
CN112258552A (zh) | 一种社区监控场景下行人多目标跟踪方法 | |
CN107707975A (zh) | 基于监控平台的视频智能剪辑方法 | |
CN116052110A (zh) | 一种路面标线缺损智能定位方法及*** | |
CN115439690A (zh) | 一种结合CNN和Transformer的烤烟烟叶图像分级方法 | |
CN112686105B (zh) | 一种基于视频图像多特征融合的雾浓度等级识别方法 |
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 |