CN112699745A - 一种用于火灾现场的被困人员定位方法 - Google Patents
一种用于火灾现场的被困人员定位方法 Download PDFInfo
- Publication number
- CN112699745A CN112699745A CN202011487653.9A CN202011487653A CN112699745A CN 112699745 A CN112699745 A CN 112699745A CN 202011487653 A CN202011487653 A CN 202011487653A CN 112699745 A CN112699745 A CN 112699745A
- Authority
- CN
- China
- Prior art keywords
- trapped
- pictures
- picture
- trapped person
- fire scene
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及被困人员定位，具体涉及一种用于火灾现场的被困人员定位方法，获取火灾现场被困人员的初始图片和待识别视频库图片，并根据地点对待识别视频库图片进行分类，根据被困人员的初始图片，在待识别视频库图片中对被困人员进行重识别，找到与被困人员最相似的行人图片，根据被困人员的行人图片对应的地点信息，结合建筑物信息模型，对被困人员进行追踪，根据被困人员的运动轨迹，快速对被困人员进行位置定位；本发明提供的技术方案能够有效克服现有技术所存在的无法对火场中被困人员进行快速准确定位的缺陷。
Description
技术领域
本发明涉及被困人员定位，具体涉及一种用于火灾现场的被困人员定位方法。
背景技术
在各种灾害中，火灾是最经常、最普遍地威胁公众安全和社会发展的主要灾害之一，其破坏力大、突发性强，给人类的生产和生活带来了不同程度的损害。更重要的是，火灾发生的时间和地点随机，诱因多样，一旦发生很难及时控制，还会造成二次伤害，这给消防人员带来了极大的挑战，同时也给救援人员带来了生命威胁。
据WFSC(WorldFire Statistics Center)2000年以前的不完全统计，全世界每年大概发生600-700万起火灾，每年死于火灾的人数大概有65000-75000人。近年来，我国国内火灾造成的损失非常惨重，2015年全国共发生33.8万起火灾，共造成2854人伤亡，其中1112人受伤，1742人死亡，直接经济损失超过39亿元。火灾不仅带来了重大经济损失，还危害人民群众的生命安全，火灾的检测与救援成为目前迫切需要解决的重大问题之一。
目前，用于火场中受困人员的定位方法包括：小距离火点定位算法、乘性噪声干扰去除算法和基于特征均衡化算法等。利用这些传统算法进行火场中受困人员的定位，假设火场在高浓度烟雾建筑物中，则提取的受困人员特征模糊，难以完成受困人员特征的提取，降低了受困人员定位的准确性。
火灾发生后，如何在火灾中确定受困人员的具***置，是火灾救援的关键问题。在火灾被困人员定位上，最早的火灾救援机器人是通过生命探测器进行被困人员的搜救定位，这个方法搜索效率很低，无法实现被困人员的快速定位，救援效率低。现有的火灾救援机器人通常通过红外测距传感器、远红外火焰传感器找到被困人员。然而，该机器人中配置的传感器对性能方面要求很高，且需要近距离定位。
随着科技的进步，无线网络定位与激光扫描测距定位被用于火灾困人员的搜救定位中。无线网络定位的室内定位技术通常需要预先安装传感器网络，无法实时生成未知环境的平面地图，并且不适用于应急救援。激光扫描测距仪与微惯性测量单元的室内定位方法，可用于应急救援场景下的室内人员定位，上述方法自主性强，无需预先安装传感器网络，但是该方法不能对人体特征进行准确识别，导致被困人员无法被准确识别。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种用于火灾现场的被困人员定位方法，能够有效克服现有技术所存在的无法对火场中被困人员进行快速准确定位的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种用于火灾现场的被困人员定位方法，包括以下步骤：
S1、获取火灾现场被困人员的初始图片和待识别视频库图片，并根据地点对待识别视频库图片进行分类；
S2、根据被困人员的初始图片，在待识别视频库图片中对被困人员进行重识别，找到与被困人员最相似的行人图片；
S3、根据被困人员的行人图片对应的地点信息，结合建筑物信息模型，对被困人员进行追踪；
S4、根据被困人员的运动轨迹，快速对被困人员进行位置定位。
优选地，S1中获取火灾现场被困人员的初始图片和待识别视频库图片，并根据地点对待识别视频库图片进行分类，包括：
建立地点识别神经网络模型，采用大量包含建筑物内部不同地点信息的图片对地点识别神经网络模型进行训练，将火灾现场被困人员的初始图片和待识别视频库图片输入训练好的地点识别神经网络模型进行地点识别、分类。
优选地，S2中根据被困人员的初始图片，在待识别视频库图片中对被困人员进行重识别，找到与被困人员最相似的行人图片，包括：
建立人物识别神经网络模型，将大量不同人物图像输入人物识别神经网络模型进行训练，再将不同地点的待识别视频库图片输入训练好的人物识别神经网络模型进行识别，并找到与被困人员最相似的N张行人图片。
优选地，所述大量不同人物图像包含被困人员的初始图片。
优选地，S2中根据被困人员的初始图片，在待识别视频库图片中对被困人员进行重识别之前，还包括对初始图片和待识别视频库图片进行统一化处理。
优选地，所述统一化处理包括尺寸统一化处理、灰度处理、滤波处理、黑白二值化处理。
优选地，所述滤波处理包括：将原始图片划分为若干像素窗口，并将图像中的灰度值等效为高度值，然后对小窗口的数据用曲面进行拟合，当拟合的梯度幅值小于阈值时，判断对应的拟合曲面点为边缘点，得到边缘特征图。
优选地，S3中建筑物信息模型来源于监控中心联网的公共地图平台、城市规划部门平台、建筑开发商档案***；
所述建筑物信息模型包括建筑物内部详细结构、内部消防设施布局、内部通讯设施布局、内部应急通道分布、外部消防设施布局、外部通讯设施布局。
(三)有益效果
与现有技术相比，本发明所提供的一种用于火灾现场的被困人员定位方法，根据建筑内的监控视频数据，通过研究不同视频间被困人员重识别问题，即在不同监控视频中自动进行搜索、检测、对比、识别被困人员目标的存在，来得到被困人员的运动轨迹，实现对被困人员快速准确地定位，从而可以根据建筑物的空间结构信息和火势、烟雾情况给出相应的救援策略，能够有效节约救援时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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本发明的一些实施例，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为本发明火灾现场被困人员定位的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
一种用于火灾现场的被困人员定位方法，如图1所示，S1、获取火灾现场被困人员的初始图片和待识别视频库图片，并根据地点对待识别视频库图片进行分类；
S2、根据被困人员的初始图片，在待识别视频库图片中对被困人员进行重识别，找到与被困人员最相似的行人图片；
S3、根据被困人员的行人图片对应的地点信息，结合建筑物信息模型，对被困人员进行追踪；
S4、根据被困人员的运动轨迹，快速对被困人员进行位置定位。
其中，获取火灾现场被困人员的初始图片和待识别视频库图片，并根据地点对待识别视频库图片进行分类，包括：
建立地点识别神经网络模型，采用大量包含建筑物内部不同地点信息的图片对地点识别神经网络模型进行训练，将火灾现场被困人员的初始图片和待识别视频库图片输入训练好的地点识别神经网络模型进行地点识别、分类。
根据被困人员的初始图片，在待识别视频库图片中对被困人员进行重识别之前，还包括对初始图片和待识别视频库图片进行统一化处理。
统一化处理包括尺寸统一化处理、灰度处理、滤波处理、黑白二值化处理。其中，滤波处理包括：将原始图片划分为若干像素窗口，并将图像中的灰度值等效为高度值，然后对小窗口的数据用曲面进行拟合，当拟合的梯度幅值小于阈值时，判断对应的拟合曲面点为边缘点，得到边缘特征图。
根据被困人员的初始图片，在待识别视频库图片中对被困人员进行重识别，找到与被困人员最相似的行人图片，包括：
建立人物识别神经网络模型，将大量不同人物图像输入人物识别神经网络模型进行训练，再将不同地点的待识别视频库图片输入训练好的人物识别神经网络模型进行识别，并找到与被困人员最相似的N张行人图片。
大量不同人物图像包含被困人员的初始图片。行人重识别能够实现跨视图信息关联，同时还是一种通用的特征匹配算法，在无法借助成熟的人脸识别技术进行行人ID匹配的情况下，基于行人穿着、举止动作、姿态等信息，辅以行人重识别，能够提高复杂场景中行人识别匹配的准确性。
获取的视频序列的数据集，一般来自多个监控摄像头的监控拍摄，不仅可以剪裁出大量的行人和边界框，也可以标注出大量的视频序列。每个行人既具有单一图像的视觉特征，在帧与帧之间也存在着时间关系和运动信息，可以通过多帧数据分析每个人固有的运动特点。
建筑物信息模型来源于监控中心联网的公共地图平台、城市规划部门平台、建筑开发商档案***。建筑物信息模型包括建筑物内部详细结构、内部消防设施布局、内部通讯设施布局、内部应急通道分布、外部消防设施布局、外部通讯设施布局。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种用于火灾现场的被困人员定位方法，其特征在于：包括以下步骤：
S1、获取火灾现场被困人员的初始图片和待识别视频库图片，并根据地点对待识别视频库图片进行分类；
S2、根据被困人员的初始图片，在待识别视频库图片中对被困人员进行重识别，找到与被困人员最相似的行人图片；
S3、根据被困人员的行人图片对应的地点信息，结合建筑物信息模型，对被困人员进行追踪；
S4、根据被困人员的运动轨迹，快速对被困人员进行位置定位。
2.根据权利要求1所述的用于火灾现场的被困人员定位方法，其特征在于：S1中获取火灾现场被困人员的初始图片和待识别视频库图片，并根据地点对待识别视频库图片进行分类，包括：
建立地点识别神经网络模型，采用大量包含建筑物内部不同地点信息的图片对地点识别神经网络模型进行训练，将火灾现场被困人员的初始图片和待识别视频库图片输入训练好的地点识别神经网络模型进行地点识别、分类。
3.根据权利要求1所述的用于火灾现场的被困人员定位方法，其特征在于：S2中根据被困人员的初始图片，在待识别视频库图片中对被困人员进行重识别，找到与被困人员最相似的行人图片，包括：
建立人物识别神经网络模型，将大量不同人物图像输入人物识别神经网络模型进行训练，再将不同地点的待识别视频库图片输入训练好的人物识别神经网络模型进行识别，并找到与被困人员最相似的N张行人图片。
4.根据权利要求3所述的用于火灾现场的被困人员定位方法，其特征在于：所述大量不同人物图像包含被困人员的初始图片。
5.根据权利要求1所述的用于火灾现场的被困人员定位方法，其特征在于：S2中根据被困人员的初始图片，在待识别视频库图片中对被困人员进行重识别之前，还包括对初始图片和待识别视频库图片进行统一化处理。
6.根据权利要求5所述的用于火灾现场的被困人员定位方法，其特征在于：所述统一化处理包括尺寸统一化处理、灰度处理、滤波处理、黑白二值化处理。
7.根据权利要求6所述的用于火灾现场的被困人员定位方法，其特征在于：所述滤波处理包括：将原始图片划分为若干像素窗口，并将图像中的灰度值等效为高度值，然后对小窗口的数据用曲面进行拟合，当拟合的梯度幅值小于阈值时，判断对应的拟合曲面点为边缘点，得到边缘特征图。
8.根据权利要求1所述的用于火灾现场的被困人员定位方法，其特征在于：S3中建筑物信息模型来源于监控中心联网的公共地图平台、城市规划部门平台、建筑开发商档案***；
所述建筑物信息模型包括建筑物内部详细结构、内部消防设施布局、内部通讯设施布局、内部应急通道分布、外部消防设施布局、外部通讯设施布局。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011487653.9A CN112699745A (zh) | 2020-12-16 | 2020-12-16 | 一种用于火灾现场的被困人员定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011487653.9A CN112699745A (zh) | 2020-12-16 | 2020-12-16 | 一种用于火灾现场的被困人员定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112699745A true CN112699745A (zh) | 2021-04-23 |
Family
ID=75508566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011487653.9A Pending CN112699745A (zh) | 2020-12-16 | 2020-12-16 | 一种用于火灾现场的被困人员定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112699745A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117078482A (zh) * | 2023-08-22 | 2023-11-17 | 绍兴市柯桥区消防救援大队 | 一种基于用户分级和火灾分级的火灾救援方法和*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104080045A (zh) * | 2013-03-30 | 2014-10-01 | 百度在线网络技术（北京）有限公司 | 基于定位技术的图片上传方法及装置 |
| CN104102834A (zh) * | 2014-07-10 | 2014-10-15 | 南京工程学院 | 录音地点的识别方法 |
| CN108259625A (zh) * | 2018-02-11 | 2018-07-06 | 广西久邻电子商务有限公司 | 一种基于建筑建模和人员移动定位的逃生救援方法 |
| CN108830142A (zh) * | 2018-05-02 | 2018-11-16 | 淘然视界(杭州)科技有限公司 | 基于行人重识别的定位追踪方法及装置 |
| CN110197147A (zh) * | 2019-05-23 | 2019-09-03 | 星际空间（天津）科技发展有限公司 | 遥感影像的建筑物实例提取方法、装置、存储介质及设备 |
| CN111359132A (zh) * | 2020-03-30 | 2020-07-03 | 重庆特斯联智慧科技股份有限公司 | 一种基于人工智能的智慧消防警报方法及*** |
| CN111856390A (zh) * | 2020-06-09 | 2020-10-30 | 金陵科技学院 | 一种城市高层建筑火灾救援室内人员定位***及其定位方法 |
| CN111897993A (zh) * | 2020-07-20 | 2020-11-06 | 杭州叙简科技股份有限公司 | 一种基于行人再识别的高效目标人物轨迹生成方法 |
-
2020
- 2020-12-16 CN CN202011487653.9A patent/CN112699745A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104080045A (zh) * | 2013-03-30 | 2014-10-01 | 百度在线网络技术（北京）有限公司 | 基于定位技术的图片上传方法及装置 |
| CN104102834A (zh) * | 2014-07-10 | 2014-10-15 | 南京工程学院 | 录音地点的识别方法 |
| CN108259625A (zh) * | 2018-02-11 | 2018-07-06 | 广西久邻电子商务有限公司 | 一种基于建筑建模和人员移动定位的逃生救援方法 |
| CN108830142A (zh) * | 2018-05-02 | 2018-11-16 | 淘然视界(杭州)科技有限公司 | 基于行人重识别的定位追踪方法及装置 |
| CN110197147A (zh) * | 2019-05-23 | 2019-09-03 | 星际空间（天津）科技发展有限公司 | 遥感影像的建筑物实例提取方法、装置、存储介质及设备 |
| CN111359132A (zh) * | 2020-03-30 | 2020-07-03 | 重庆特斯联智慧科技股份有限公司 | 一种基于人工智能的智慧消防警报方法及*** |
| CN111856390A (zh) * | 2020-06-09 | 2020-10-30 | 金陵科技学院 | 一种城市高层建筑火灾救援室内人员定位***及其定位方法 |
| CN111897993A (zh) * | 2020-07-20 | 2020-11-06 | 杭州叙简科技股份有限公司 | 一种基于行人再识别的高效目标人物轨迹生成方法 |
Non-Patent Citations (2)
| Title |
|---|
| 尹萍 等: "视频监控中的行人再识别技术综述", 《警察技术》 * |
| 齐力 编著: "《公共安全大数据技术与应用》", 31 December 2017, 上海科学技术出版社 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117078482A (zh) * | 2023-08-22 | 2023-11-17 | 绍兴市柯桥区消防救援大队 | 一种基于用户分级和火灾分级的火灾救援方法和*** |
| CN117078482B (zh) * | 2023-08-22 | 2024-03-12 | 绍兴市柯桥区消防救援大队 | 一种基于用户分级和火灾分级的火灾救援方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109819208B (zh) | 一种基于人工智能动态监控的密集人群安防监控管理方法 | |
| CN106600888B (zh) | 一种森林火灾自动检测方法及*** | |
| CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
| CN110309719A (zh) | 一种电网作业人员安全帽佩戴管理控制方法和*** | |
| CN107437318B (zh) | 一种可见光智能识别算法 | |
| CN109298785A (zh) | 一种监测设备的人机联控***及方法 | |
| CN113516076A (zh) | 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法 | |
| CN113743256B (zh) | 一种工地安全智能预警方法与装置 | |
| KR102481995B1 (ko) | 딥러닝 기반으로 이상 행동을 자동으로 감지하는 온디바이스 ai 장치 및 이의 동작 방법 | |
| CN112183472A (zh) | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 | |
| CN111091110A (zh) | 一种基于人工智能的反光背心穿戴识别方法 | |
| CN111832434B (zh) | 一种保护隐私下的校园抽烟行为识别方法及处理终端 | |
| KR20220078893A (ko) | 영상 속 사람의 행동 인식 장치 및 방법 | |
| CN115223246A (zh) | 一种人员违规行为识别方法、装置、设备及存储介质 | |
| CN115223249A (zh) | 一种基于机器视觉的井下人员不安全行为快速分析与识别方法 | |
| CN112699745A (zh) | 一种用于火灾现场的被困人员定位方法 | |
| CN113627321A (zh) | 基于人工智能的图像识别方法、装置及计算机设备 | |
| CN111860378A (zh) | 基于枪球联动和视频事件感知的商场消防设施巡检方法 | |
| CN111612815A (zh) | 一种红外热成像行为意图分析方法及*** | |
| CN116682162A (zh) | 一种基于实时视频流的机器人人员检测算法 | |
| CN116152745A (zh) | 一种抽烟行为检测方法、装置、设备及存储介质 | |
| CN116403162A (zh) | 一种机场场面目标行为识别方法、***及电子设备 | |
| CN110796008A (zh) | 一种基于视频图像的早期火灾检测方法 | |
| CN112507925A (zh) | 一种基于慢特征分析的火灾检测方法 | |
| CN116206253A (zh) | 基于深度学习的工地动火行为检测判断方法及*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210423 |