CN113435371A - 一种基于电力物联网及人工智能的设备周边环境管控方法、装置及设备 - Google Patents
一种基于电力物联网及人工智能的设备周边环境管控方法、装置及设备 Download PDFInfo
- Publication number
- CN113435371A CN113435371A CN202110747744.XA CN202110747744A CN113435371A CN 113435371 A CN113435371 A CN 113435371A CN 202110747744 A CN202110747744 A CN 202110747744A CN 113435371 A CN113435371 A CN 113435371A
- Authority
- CN
- China
- Prior art keywords
- state
- image
- equipment
- video
- animal invasion
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 9
- 241001465754 Metazoa Species 0.000 claims abstract description 119
- 230000009545 invasion Effects 0.000 claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 55
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 7
- 230000002093 peripheral effect Effects 0.000 claims abstract description 4
- 230000002265 prevention Effects 0.000 claims description 36
- 230000035772 mutation Effects 0.000 claims description 29
- 230000007613 environmental effect Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000001629 suppression Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims 1
- 239000007921 spray Substances 0.000 description 11
- 230000033001 locomotion Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000007689 inspection Methods 0.000 description 6
- 239000000779 smoke Substances 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 4
- 235000019504 cigarettes Nutrition 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 241001674044 Blattodea Species 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 2
- 241001504654 Mustela nivalis Species 0.000 description 2
- 241000283973 Oryctolagus cuniculus Species 0.000 description 2
- 241000700159 Rattus Species 0.000 description 2
- 241000555745 Sciuridae Species 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
- G16Y40/35—Management of things, i.e. controlling in accordance with a policy or in order to achieve specified objectives
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Toxicology (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Environmental & Geological Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于电力物联网及人工智能的设备周边环境管控方法、装置及设备，属于智能电网技术领域，方法，包括：获取待监控设备视频，并进行分析，提取视频中的设备运行状态、环境状态，并将设备运行状态及环境状态发送至状态处理器；在环境运行状态为消防状态的情形下，获取预先存储的消防整改策略，根据消防整改策略自动生成隐患处理数据，并将隐患处理数据发送至各消防子***；在环境运行状态为动物侵入状态的情形下，根据有害生物的类型识别结果进行动物侵入防治；根据设备预设阈值对设备运行状态进行判断，在设备运行状态达到预设阈值的情形下，发送告警信息。本方法能及时发现潜在事故点、预警及处置，保障人员和设备安全。
Description
技术领域
本发明属于智能电网技术领域，特别涉及一种基于电力物联网及人工智能的设备周边环境管控方法、装置及设备。
背景技术
本发明人经研究发现，现有技术在通信机房中，往往依靠人工检视，依靠巡检人员的素 质和责任心进行机房安全监控，工作效率低，而且存在漏检风险。
本发明人经研究发现，现有技术在通信机房中，往往依靠人工检视，依靠巡检人员的素质和责任心进行机房安全监控，工作效率低，而且存在漏检风险。
发明内容
为了至少解决上述技术问题，本发明提供了一种基于电力物联网及人工智能的设备周边环境管控方法、装置及设备。
根据本发明第一方面，提供了一种基于电力物联网及人工智能的设备周边环境管控方法，包括：
获取待监控设备视频图像；
对所述视频图像进行抽帧，得到视频帧序列；
提取视频特征，对提取的视频特征进行无监督学习，对所述视频帧序列是否有像素突变的二分类任务作为监督进行学习，正样本为无突变视频帧序列，负样本为突变视频帧序列；
根据无监督学习的结果，将所述结果对应于设备运行状态、环境状态，将无突变视频帧对应于正常状态，将所述突变视频帧对应于异常状态，并将所述设备运行状态及所述环境状态发送至状态处理器；
根据设备预设阈值对所述设备运行状态进行判断，在所述设备运行状态达到预设阈值的情形下，发送告警信息。
进一步的，在所述环境运行状态为消防状态的情形下，获取预先存储的消防整改策略，根据所述消防整改策略自动生成隐患处理数据，并将所述隐患处理数据发送至各消防子***；
进一步的，在所述环境运行状态为动物侵入状态的情形下，根据所述动物侵入状态的类型识别结果进行动物侵入防治。
进一步的，所述根据无监督学习的结果，将所述结果对应于设备运行状态、环境状态，将无突变视频帧对应于正常状态，将所述突变视频帧对应于异常状态，并将所述设备运行状态及所述环境状态发送至状态处理器，包括：
根据无监督学习的结果，进行图像处理，对图像处理得到的图像进行图像识别，得到文字识别结果、标志标识、图片、图像背景，对所述文字识别结果、所述标志标识、所述图片、所述图像背景进行分析，得到设备运行状态及环境状态，将无突变视频帧对应于正常状态，将所述突变视频帧对应于异常状态,将所述设备运行状态及所述环境状态以状态代码的方式发送至状态处理器。
进一步的，所述根据无监督学习的结果，将所述结果对应于设备运行状态、环境状态，包括：将所述无监督学习的结果对应于电源电压状态、开关状态、指示灯状态，以及消防状态和动物侵入状态。
进一步的，所述获取待监控设备视频图像，包括：采用智能摄像头实时采集待监控设备的视频，当外部环境光的亮度小于设定亮度时，对采集待监控设备视频的智能摄像头进行补光。
进一步的，所述图像处理，包括：自动旋转图像方向、识别图像边缘、美化图像。
进一步的，所述识别图像边缘，包括：对视频中的图像采用高斯函数进行滤波处理，得到平滑数据阵列；根据所述平滑数据阵列进行梯度计算；
进行非极大值抑制，对图像上每一个像素计算像素梯度方向上相邻两个像素的梯度幅值；进行双门限检测和边缘连接，将高门限值图像强边缘点中边缘的间断连接起来，得到边缘的图像。
进一步的，所述在所述环境运行状态为动物侵入状态的情形下，根据所述动物侵入状态的类型识别结果进行动物侵入防治，包括：
根据所述动物侵入状态的类型识别结果选择对应的动物侵入防治装置，识别所述动物侵入状态与所述动物侵入防治装置的距离，以及所述动物侵入状态相对于所述动物侵入防治装置的方向，根据所述动物侵入状态与所述动物侵入防治装置的距离，以及所述动物侵入状态相对于所述动物侵入防治装置的方向，调整所述动物侵入防治装置的位置及姿态。
进一步的，所述方法还包括：基于毫米波雷达探测动物侵入状态。
根据本发明第二方面，一种基于泛在电力物联网的机房监控装置，包括：
图像获取模块，用于获取待监控设备视频图像；
视频压缩模块，用于对所述视频图像进行抽帧，得到视频帧序列；
学习模块，用于提取视频特征，对提取的视频特征进行无监督学习，对所述视频帧序列是否有像素突变的二分类任务作为监督进行学习，正样本为无突变视频帧序列，负样本为突变视频帧序列；
状态分析模块，用于根据无监督学习的结果，将所述结果对应于设备运行状态、环境状态，将无突变视频帧对应于正常状态，将所述突变视频帧对应于异常状态，并将所述设备运行状态及所述环境状态发送至状态处理器；
设备控制模块，用于根据设备预设阈值对所述设备运行状态进行判断，在所述设备运行状态达到预设阈值的情形下，发送告警信息。
进一步的，所述装置还包括：消防控制模块，用于在所述环境运行状态为消防状态的情形下，获取预先存储的消防整改策略，根据所述消防整改策略自动生成隐患处理数据，并将所述隐患处理数据发送至各消防子***；
进一步的，所述装置还包括：虫害控制模块，用于在所述环境运行状态为动物侵入状态的情形下，根据所述动物侵入状态的类型识别结果进行动物侵入防治。
根据本发明第三方面，一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任一项所述方法的步骤。
根据本发明第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有程序，所述程序被执行时，能够实现如第一方面任一项所述方法的方法。
本发明的有益效果：采用本发明技术方案，通过对待监控设备视频进行分析，提取出设备运行状态和环境状态，能够及时发现潜在事故点、预警及处置，保障人员和设备安全，可以第一时间发现设备异常并及时告警，预防事故于未然。另一方面，可以减少巡检人员，节省运行成本，而且工作效率更高，安全性更好。
附图说明
本发明上述的和 / 或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中，
图1为本发明提供的一种基于电力物联网及人工智能的设备周边环境管控方法流程图；
图2为本发明提供的一种基于泛在电力物联网的机房监控装置结构示意图；
图3为本发明提供的一种电子设备结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
在本发明的第一方面，提供一种基于电力物联网及人工智能的设备周边环境管控方法，如图1所示，包括：
步骤101：获取待监控设备视频图像；
在本发明中，采用智能摄像头实时采集待监控设备的视频图像，也可以获取上传的已有视频图像，通过这两种方法可以更便于用户进行相关操作。
进一步的，采用智能摄像头实时采集待监控设备的视频图像，还包括：当外部环境光的亮度小于设定亮度时，对采集待监控设备视频的智能摄像头进行补光。
在获取到待监控设备视频图像时，还包括，对视频中的图像进行图像处理，包括自动旋转图像方向、识别图像边缘、美化图像。
进一步的，识别图像边缘可以包括：
对视频中的图像采用高斯函数进行滤波处理，得到平滑数据阵列。
其中，
为视频中的图像，
为平滑数据阵列，
是高斯函数的散布参数，用于反映平滑程度。
根据平滑数据阵列进行梯度计算，已平滑数据阵列
的梯度用2*2一阶有限差分近似式来计算
与
偏导数的两个阵列
与 
。其中，
在2*2正方形内求有限差分的均值，计算在图像中的同一点x和y的偏导数梯度。幅值和方位角分别为：
θ
=arctan( 
)，其中，反正切函数含有两个参量，计算结果是一个角度，取值范围为圆周范围。
进行非极大值抑制，对图像M（x，y）上每一个像素计算像素梯度方向上相邻两个像素的梯度幅值，若当前像素的梯度幅值不小于这两个值，则当前像素为判定为边缘点，若当前像素的梯度幅值小于这两个值，则判定当前像素点为非边缘像素点。将图像边缘细化为一个像素度，经过非极大值抑制，由梯度幅值图像M（x，y）得到图像NMS（x，y）。
最后进行双门限检测和边缘连接，具体可以采用高门限Th和低门限Tl来提取边缘，对图像NMS（x，y）每个像素点，分别通过高门限值和低门限值得到边缘图像强边缘点和弱边缘点。跟踪强边缘点中的边缘，当边缘到断电时，就在图像弱边缘点相应位置的8邻域中搜索边缘点来连接强边缘点中的间断，不断搜索跟踪边缘，将高门限值图像强边缘点中边缘的间断连接起来，得到边缘的图像。
本发明中图像处理还可以包括：边缘锐化、伪彩色处理、增加对比度等，以便于进行后续识别。其中，边缘锐化具体包括：
使用二阶差分算子提取视频中的图像的边缘图像。将边缘图像加到源图像上，实现增强边缘的功能。也可以采用一阶差分算子, 也就是梯度进行边缘锐化操作。
对视频中的图像进行自动旋转图像方向后，还包括，校正图像的方向，识别自动旋转后图像的边缘，进行归一化处理，对归一化处理的图像进行去噪、平滑、灰度等级直方处理。
步骤102：对视频图像进行抽帧，得到视频帧序列；
在本发明中，对视频图像间隔预设帧抽取若干帧的方式,得到视频帧序列，以达到每隔一段时间拍摄一张照片并接合起来形成视频。
进一步的，在对视频图像进行抽帧的过程中，保留关键帧，删除非关键帧，不仅能够减少视频图像的存储容量，还能够在抽帧之后，保证得到的画面清晰度不变。
更进一步的，基于帧差欧式距离法提取关键帧，采用公式：
其中，eulerdisdiff(i)表示第i帧图像的帧差欧式距离，N为视频的一个镜头中的帧图像数目，分别为第i、i+1、i+2帧图像的灰度值。
逐帧计算各图像的帧差欧式距离，在N帧图像的镜头中总共有N-2个帧差欧式距离，计算N-2个帧差欧式距离的极值，以及各极值点对应的函数值，计算各函数值得均值，比较各极值点所对应函数值与均值的大小，取出大于均值的点，其对应的帧图像即为所要选的关键帧图像。
步骤103：提取视频特征，对提取的视频特征进行无监督学习，对所述视频帧序列是否有像素突变的二分类任务作为监督进行学习，正样本为无突变视频帧序列，负样本为突变视频帧序列；
在本发明中，采用无监督学习的方法，用于在设计分类器时候，处理未被分类标记的样本集，自动对提取的视频特征进行分类。进一步的，在进行视频特征分类时，包括对静态特征的提取和运动特征的提取。其中，静态特征包括：颜色特征、纹理特征、形状特征等。运动特征包括：场景中对象物体产生的局部运动和基于视频图像采集器移动的全局运动。对上述视频特征进行无监督学习，并对视频帧序列是否有像素突变的二分类任务作为监督进行学习分类，使得正样本为无突变视频帧序列，负样本为突变视频帧序列。
步骤104：根据无监督学习的结果，将所述结果对应于设备运行状态、环境状态，将无突变视频帧对应于正常状态，将所述突变视频帧对应于异常状态，并将所述设备运行状态及所述环境状态发送至状态处理器；
本发明中，根据无监督学习的结果，进行图像处理，对图像处理得到的图像进行图像识别，得到文字识别结果、标志标识、图片、图像背景，对所述文字识别结果、所述标志标识、所述图片、所述图像背景进行分析，得到设备运行状态及环境状态，将无突变视频帧对应于正常状态，将所述突变视频帧对应于异常状态,将所述设备运行状态及所述环境状态以状态代码的方式发送至状态处理器。
设备状态分析，包括：电源电压状态、开关状态、指示灯状态的分析，其中，对电源电压状态分析也就是对电源电压数字监测，包括：开始识别图像中包含的信息，包括对图像进行版面分析，分析得到图像内的文字区域，在文字区域内切割字符,并进行文字识别，分析文字识别结果，以此得到图像中的设备的电源电压状态。图像中的设备即为待监控设备，采用本方法，同样可以识别图像中的标志标识、图片和图像背景等内容。在提取到设备的运行状态时，可以以状态代码的方式，将设备运行状态推送给各与本***建立连接的各用户以及工作人员。
提取视频中的环境状态，包括：提取视频中的消防状态和动物侵入状态。其中，所述动物侵入状态中的动物，可选的，比如老鼠、兔子、松鼠、黄鼠狼、野猫等。
其中，提取视频中的消防状态包括：对视频中的各建筑识别建筑类型，自然语言处理，得到文字数据，将文字数据等自动比对规范，识别视频中是否存在火灾隐患，并在判定存在火灾隐患的情形下，在待监控设备视频中标注火灾隐患，分析隐患问题，生成环境状态结果，以状态代码的方式发送至状态处理器。进一步的，可以识别视频中各建筑的建筑类型，根据建筑类型加载消防评估清单，根据消防评估清单进行消防情况检查，判定是否存在火灾隐患。
在本发明另一实施例中，可以采用配置的激光雷达、***等热感器，检测烟雾，在检测到烟雾出现时，将火源灭失在预设局域范围内，以此避免遭受火灾侵害。进一步的，当火，烟，温度达到一定积累时，启动消防***，将喷头朝向的方位调整至面向火源，开启喷头，使得喷头朝向温度高的地方自动喷射来水或消防栓里的消防用水，使其灭火、灭温、灭烟、降温。采用本方法能够避免依靠视觉检测火情时，因火势小而漏检的情形发生。有效杜绝了在因火灾造成的人身伤害和财务损失，切实做到将火灾消灭在萌芽状态中。
在安装喷头时，可以根据安装喷头场所的空间形状、结构，计算喷头喷水时最大覆盖面积的位置，也可以获取安装喷头场所内易燃物所处的区域，将喷头安装在能够最大面积覆盖易燃物所在区域的位置。
在本发明中，提取视频中的环境状态包括，提取视频中的动物侵入状态，即在进行图像处理后，对图像中的昆虫进行类型识别，根据得到的类型识别结果生成对应的动物侵入报警信号，将动物侵入报警信号作为环境状态中的动物侵入状态发送至状态处理器，以向工作人员预警。
在本发明实施例中，在环境运行状态为消防状态的情形下，获取预先存储的消防整改策略，根据消防整改策略自动生成隐患处理数据，并将隐患处理数据发送至各消防子***。
进一步的，将隐患处理数据，推送给建筑、防火、电气、暖通、消防给水等各专业的专家复核，并将专家反馈意见存储到消防整改策略中。
本***中，还包括预先存储的消防安全评估体系模型、消防法律标准规范、评估体系指标检测方法、火灾隐患库、消防整改策略，根据建筑基本信息、设备监控视频、消防整改策略、专家反馈意见，生成隐患处理数据。
在本发明实施例中，在环境运行状态为动物侵入状态的情形下，根据类型识别结果进行动物侵入防治。其中，所述动物侵入状态中的动物，通常可选的，比如老鼠、兔子、松鼠、黄鼠狼、野猫等。
在本发明中，识别动物侵入状态与动物侵入防治装置的距离以及动物侵入状态相对于动物侵入防治装置的方向，其中，动物侵入防治装置包括药物喷洒装置、辐射产生装置、或者灯光气味颜色控制装置的至少一项。根据识别到的动物侵入状态与动物侵入防治装置的距离以及动物侵入状态相对于动物侵入防治装置的方向调整动物侵入防治装置的位置及姿态。虫害中有害生物包括但不限于蟑螂、老鼠。
在本发明另一实施例中，还可以基于毫米波雷达探测动物侵入状态，操作简单，而且检测结果更为及时、准确。
步骤105：根据设备预设阈值对设备运行状态进行判断，在设备运行状态达到预设阈值的情形下，发送告警信息。
在本发明中，***可以获取用户输入的数值作为设备预设阈值，使得用户可以自行设置阈值。
在本发明中，***还可以基于红外成像技术，检测是否存在动物侵入状态，并能够在检测到存在动物侵入状态的第一时间灭杀动物侵入状态。
在本发明另一实施例中，还可以采用温度传感器、压力传感器、可燃气体传感器进行环境监测，并能够在温度传感器检测值达到温度阈值的情形下，按照预设温度调控策略调整温度并告警；在压力传感器检测值达到压力阈值的情形下，按照预设压力调控策略调整压力并告警。在检测到可燃气体浓度达到预设阈值的情形下，告警，同时关闭可燃气体开关，驱动门窗开关打开门窗。
在本发明实施例中，可以基于设备运行状态以及环境状态，绘制全域图谱，使得整个监控结果更为清楚、直观的展示出来。
在本发明的第二方面，提供一种基于泛在电力物联网的机房监控装置，如图2所示，包括：
图像获取模块201，用于获取待监控设备视频图像；
在本发明中，图像获取模块201，用于采用智能摄像头实时采集待监控设备的视频图像；还也可以用于获取上传的已有视频图像，通过这两种方法可以更便于用户进行相关操作。
进一步的，图像获取模块201用于采用智能摄像头实时采集待监控设备的视频，还包括：当外部环境光的亮度小于设定亮度时，对采集待监控设备视频的智能摄像头进行补光。
在获取到待监控设备视频时，还包括，对视频中的图像进行图像处理，包括自动旋转图像方向、识别图像边缘、美化图像。
进一步的，识别图像边缘可以包括：
对视频中的图像采用高斯函数进行滤波处理，得到平滑数据阵列。
其中，
为视频中的图像，
为平滑数据阵列，
是高斯函数的散布参数，用于反映平滑程度。
根据平滑数据阵列进行梯度计算，已平滑数据阵列
的梯度用2*2一阶有限差分近似式来计算
与
偏导数的两个阵列
与
。其中，
在2*2正方形内求有限差分的均值，计算在图像中的同一点x和y的偏导数梯度。幅值和方位角分别为：
θ 
=arctan( 
)，其中，反正切函数含有两个参量，计算结果是一个角度，取值范围为圆周范围。
进行非极大值抑制，对图像M（x，y）上每一个像素计算像素梯度方向上相邻两个像素的梯度幅值，若当前像素的梯度幅值不小于这两个值，则当前像素为判定为边缘点，若当前像素的梯度幅值小于这两个值，则判定当前像素点为非边缘像素点。将图像边缘细化为一个像素度，经过非极大值抑制，由梯度幅值图像M（x，y）得到图像NMS（x，y）。
最后进行双门限检测和边缘连接，具体可以采用高门限Th和低门限Tl来提取边缘，对图像NMS（x，y）每个像素点，分别通过高门限值和低门限值得到边缘图像强边缘点和弱边缘点。跟踪强边缘点中的边缘，当边缘到断电时，就在图像弱边缘点相应位置的8邻域中搜索边缘点来连接强边缘点中的间断，不断搜索跟踪边缘，将高门限值图像强边缘点中边缘的间断连接起来，得到边缘的图像。
本发明中图像处理还可以包括：边缘锐化、伪彩色处理、增加对比度等，以便于进行后续识别。使用二阶差分算子提取视频中的图像的边缘图像。将边缘图像加到源图像上，实现增强边缘的功能。也可以采用一阶差分算子, 也就是梯度进行边缘锐化操作。
对视频中的图像进行自动旋转图像方向后，还包括，校正图像的方向，识别自动旋转后图像的边缘，进行归一化处理，对归一化处理的图像进行去噪、平滑、灰度等级直方处理。
视频压缩模块202，用于对所述视频图像进行抽帧，得到视频帧序列；
在本发明中，视频压缩模块202，用于对视频图像间隔预设帧抽取若干帧的方式,得到视频帧序列，以达到每隔一段时间拍摄一张照片并接合起来形成视频。
进一步的，视频压缩模块202在对视频图像进行抽帧的过程中，保留关键帧，删除非关键帧，不仅能够减少视频图像的存储容量，还能够在抽帧之后，保证得到的画面清晰度不变。
更进一步的，基于帧差欧式距离法提取关键帧，采用公式：
其中，eulerdisdiff(i)表示第i帧图像的帧差欧式距离，N为视频的一个镜头中的帧图像数目，分别为第i、i+1、i+2帧图像的灰度值。
逐帧计算各图像的帧差欧式距离，在N帧图像的镜头中总共有N-2个帧差欧式距离，计算N-2个帧差欧式距离的极值，以及各极值点对应的函数值，计算各函数值得均值，比较各极值点所对应函数值与均值的大小，取出大于均值的点，其对应的帧图像即为所要选的关键帧图像。
学习模块203，用于提取视频特征，对提取的视频特征进行无监督学习，对所述视频帧序列是否有像素突变的二分类任务作为监督进行学习，正样本为无突变视频帧序列，负样本为突变视频帧序列；
在本发明中，学习模块203，采用无监督学习的方法，用于在设计分类器时候，处理未被分类标记的样本集，自动对提取的视频特征进行分类。
进一步的，学习模块203，在进行视频特征分类时，包括对静态特征的提取和运动特征的提取。其中，静态特征包括：颜色特征、纹理特征、形状特征等。运动特征包括：场景中对象物体产生的局部运动和基于视频图像采集器移动的全局运动。对上述视频特征进行无监督学习，并对视频帧序列是否有像素突变的二分类任务作为监督进行学习分类，使得正样本为无突变视频帧序列，负样本为突变视频帧序列。
状态分析模块204，用于根据无监督学习的结果，将所述结果对应于设备运行状态、环境状态，将无突变视频帧对应于正常状态，将所述突变视频帧对应于异常状态，并将所述设备运行状态及环境状态发送至状态处理器；
本发明中，状态分析模块204，用于根据无监督学习的结果，进行图像处理，对图像处理得到的图像进行图像识别，得到文字识别结果、标志标识、图片、图像背景，对所述文字识别结果、所述标志标识、所述图片、所述图像背景进行分析，得到设备运行状态及环境状态，将无突变视频帧对应于正常状态，将所述突变视频帧对应于异常状态,将所述设备运行状态及所述环境状态以状态代码的方式发送至状态处理器。
设备状态分析，包括：电源电压状态、开关状态、指示灯状态的分析，其中，对电源电压状态分析也就是对电源电压数字监测，包括：开始识别图像中包含的信息，包括对图像进行版面分析，分析得到图像内的文字区域，在文字区域内切割字符,并进行文字识别，分析文字识别结果，以此得到图像中的设备的电源电压状态。图像中的设备即为待监控设备，采用本方法，同样可以识别图像中的标志标识、图片和图像背景等内容。在提取到设备的运行状态时，可以以状态代码的方式，将设备运行状态推送给各与本装置建立连接的各用户以及状态处理器。
以对电源电压状态分析为例进行说明，对采集到的电表图像进行图像处理，包括图像灰度化处理、电表外边框的去除、图像增强、边缘检测、倾斜校正操作，再提取电源电压值。
提取视频中的环境状态，包括：提取视频中的消防状态和动物侵入状态。
其中，提取视频中的消防状态包括：对视频中的各建筑识别建筑类型，自然语言处理，得到文字数据，将文字数据等自动比对规范，识别视频中是否存在火灾隐患，并在判定存在火灾隐患的情形下，在待监控设备视频中标注火灾隐患，分析隐患问题，生成环境状态结果，以状态代码的方式发送至状态处理器。进一步的，可以识别视频中各建筑的建筑类型，根据建筑类型加载消防评估清单，根据消防评估清单进行消防情况检查，判定是否存在火灾隐患。
在本发明另一实施例中，可以采用配置的激光雷达、***等热感器，检测烟雾，在检测到烟雾出现时，将火源灭失在预设局域范围内，以此避免遭受火灾侵害。进一步的，当火，烟，温度达到一定积累时，启动消防***，将喷头朝向的方位调整至面向火源，开启喷头，使得喷头朝向温度高的地方自动喷射来水或消防栓里的消防用水，使其灭火、灭温、灭烟、降温。采用本方法能够避免依靠视觉检测火情时，因火势小而漏检的情形发生。有效杜绝了在因火灾造成的人身伤害和财务损失，切实做到将火灾消灭在萌芽状态中。
在安装喷头时，可以根据安装喷头场所的空间形状、结构，计算喷头喷水时最大覆盖面积的位置，也可以获取安装喷头场所内易燃物所处的区域，将喷头安装在能够最大面积覆盖易燃物所在区域的位置。
在本发明中，提取视频中的环境状态包括，提取视频中的动物侵入状态，即在进行图像处理后，对图像中的昆虫进行类型识别，根据得到的类型识别结果生成对应的动物侵入报警信号，将动物侵入报警信号作为环境状态中的动物侵入状态发送至状态处理器，以向工作人员预警。
消防控制模块205，用于在环境运行状态为消防状态的情形下，获取预先存储的消防整改策略，根据消防整改策略自动生成隐患处理数据，并将隐患处理数据发送至各消防子***。
进一步的，消防控制模块205，用于将隐患处理数据，推送给建筑、防火、电气、暖通、消防给水等各专业的专家复核，并将专家反馈意见存储到消防整改策略中。
本装置中，消防控制模块205，还包括预先存储的消防安全评估体系模型、消防法律标准规范、评估体系指标检测方法、火灾隐患库、消防整改策略，根据建筑基本信息、设备监控视频、消防整改策略、专家反馈意见，生成隐患处理数据。
虫害控制模块206，用于在环境运行状态为动物侵入状态的情形下，根据类型识别结果进行动物侵入防治。
在本发明中，虫害控制模块206，用于根据所述动物侵入状态的类型识别结果选择对应的动物侵入防治装置，识别所述动物侵入状态与所述动物侵入防治装置的距离，以及所述动物侵入状态相对于所述动物侵入防治装置的方向，根据所述动物侵入状态与所述动物侵入防治装置的距离，以及所述动物侵入状态相对于所述动物侵入防治装置的方向，调整所述动物侵入防治装置的位置及姿态。
进一步的，识别动物侵入状态与动物侵入防治装置的距离以及动物侵入状态相对于动物侵入防治装置的方向，其中，动物侵入防治装置包括药物喷洒装置、辐射产生装置、或者灯光气味颜色控制装置的至少一项。根据识别到的动物侵入状态与动物侵入防治装置的距离以及动物侵入状态相对于动物侵入防治装置的方向调整动物侵入防治装置的位置及姿态。动物侵入状态包括但不限于蟑螂、老鼠。
在本发明另一实施例中，还可以基于毫米波雷达探测动物侵入状态，操作简单，而且检测结果更为及时、准确。
设备控制模块207，用于根据设备预设阈值对设备运行状态进行判断，在设备运行状态达到预设阈值的情形下，发送告警信息。
在本发明中，设备控制模块207可以获取用户输入的数值作为设备预设阈值，使得用户可以自行设置阈值。
在本发明中，装置还可以基于红外成像技术，检测是否存在动物侵入状态，并能够在检测到存在动物侵入状态的第一时间灭杀动物侵入状态。
在本发明另一实施例中，还可以采用温度传感器、压力传感器、可燃气体传感器进行环境监测，并能够在温度传感器检测值达到温度阈值的情形下，按照预设温度调控策略调整温度并告警；在压力传感器检测值达到压力阈值的情形下，按照预设压力调控策略调整压力并告警。在检测到可燃气体浓度达到预设阈值的情形下，告警，同时关闭可燃气体开关，驱动门窗开关打开门窗。
在本发明实施例中，可以基于设备运行状态以及环境状态，绘制全域图谱，使得整个监控结果更为清楚、直观的展示出来。
根据本发明第三方面，提供一种电子设备，如图3所示，包括存储器301、处理器302及存储在存储器301上并可在处理器302上运行的计算机程序，所述处理器302执行所述程序时实现的方法包括：
获取待监控设备视频图像；
对所述视频图像进行抽帧，得到视频帧序列；
提取视频特征，对提取的视频特征进行无监督学习，对所述视频帧序列是否有像素突变的二分类任务作为监督进行学习，正样本为无突变视频帧序列，负样本为突变视频帧序列；
根据无监督学习的结果，将所述结果对应于设备运行状态、环境状态，将无突变视频帧对应于正常状态，将所述突变视频帧对应于异常状态，并将所述设备运行状态及所述环境状态发送至状态处理器；
在所述环境运行状态为消防状态的情形下，获取预先存储的消防整改策略，根据所述消防整改策略自动生成隐患处理数据，并将所述隐患处理数据发送至各消防子***；
在所述环境运行状态为动物侵入状态的情形下，根据所述动物侵入状态的类型识别结果进行动物侵入防治；
根据设备预设阈值对所述设备运行状态进行判断，在所述设备运行状态达到预设阈值的情形下，发送告警信息。
进一步的，所述获取待监控设备视频图像，包括：采用智能摄像头实时采集待监控设备的视频图像，当外部环境光的亮度小于设定亮度时，对采集待监控设备视频的智能摄像头进行补光。
进一步的，所述根据无监督学习的结果，将所述结果对应于设备运行状态、环境状态，包括：
根据无监督学习的结果，进行图像处理，对图像处理得到的图像进行图像识别，得到文字识别结果、标志标识、图片、图像背景，对所述文字识别结果、所述标志标识、所述图片、所述图像背景进行分析，得到设备运行状态及环境状态。
进一步的，所述设备运行状态，包括：
电源电压状态、开关状态、指示灯状态；
所述环境状态包括：消防状态和动物侵入状态。
进一步的，所述图像处理，包括：自动旋转图像方向、识别图像边缘、美化图像。
进一步的，所述在所述环境运行状态为动物侵入状态的情形下，根据所述动物侵入状态的类型识别结果进行动物侵入防治，包括：
根据所述动物侵入状态的类型识别结果选择对应的动物侵入防治装置，识别所述动物侵入状态与所述动物侵入防治装置的距离，以及所述动物侵入状态相对于所述动物侵入防治装置的方向，根据所述动物侵入状态与所述动物侵入防治装置的距离，以及所述动物侵入状态相对于所述动物侵入防治装置的方向，调整所述动物侵入防治装置的位置及姿态。
进一步的，所述方法还包括：基于毫米波雷达探测动物侵入状态。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、 “一个”、 “所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和 / 或组件，但是并不排除存在或添加 一个或多个其他特征、整数、步骤、操作、元件、组件和 / 或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时， 它可以直接连接或耦接到其他元件，或者也可以存在 中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用 的措辞“和 / 或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语 ( 包括技术 术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应 该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中 的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
应当理解，以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对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 (10)
1.一种基于电力物联网及人工智能的设备周边环境管控方法，其特征在于，包括：
获取待监控设备视频图像；
对所述视频图像进行抽帧，得到视频帧序列；
提取视频特征，对提取的视频特征进行无监督学习，对所述视频帧序列是否有像素突变的二分类任务作为监督进行学习，正样本为无突变视频帧序列，负样本为突变视频帧序列；
根据无监督学习的结果，将所述结果对应于设备运行状态和环境运行状态，将无突变视频帧对应于正常状态，将所述突变视频帧对应于异常状态，并将所述设备运行状态及所述环境状态发送至状态处理器；
根据设备预设阈值对所述设备运行状态进行判断，在所述设备运行状态达到预设阈值的情形下，发送告警信息。
2.如权利要求1所述的方法，其特征在于，
所述获取待监控设备视频图像，包括：采用智能摄像头实时采集待监控设备的视频图像，当外部环境光的亮度小于设定亮度时，对采集待监控设备视频的智能摄像头进行补光。
3.如权利要求1所述的方法，其特征在于，
所述根据无监督学习的结果，将所述结果对应于设备运行状态、环境状态，包括：
根据无监督学习的结果，进行图像处理，对图像处理得到的图像进行图像识别，得到文字识别结果、标志标识、图片、图像背景，对所述文字识别结果、所述标志标识、所述图片、所述图像背景进行分析，得到设备运行状态及环境状态。
4.如权利要求1所述的方法，其特征在于，
在所述环境运行状态为消防状态的情形下，获取预先存储的消防整改策略，根据所述消防整改策略自动生成隐患处理数据，并将所述隐患处理数据发送至各消防子***。
5.如权利要求3所述的方法，其特征在于，
所述图像处理，包括：自动旋转图像方向、识别图像边缘、美化图像。
6.如权利要求5所述的方法，其特征在于，
所述识别图像边缘，包括：
对视频中的图像采用高斯函数进行滤波处理，得到平滑数据阵列；
根据所述平滑数据阵列进行梯度计算；
进行非极大值抑制，对图像上每一个像素计算像素梯度方向上相邻两个像素的梯度幅值；
进行双门限检测和边缘连接，将高门限值图像强边缘点中边缘的间断连接起来，得到边缘的图像。
7.如权利要求1所述的方法，其特征在于，在所述环境运行状态为动物侵入状态的情形下，根据所述动物侵入状态的类型识别结果进行动物侵入防治。
8.如权利要求7所述的方法，其特征在于，
所述在所述环境运行状态为动物侵入状态的情形下，根据所述动物侵入状态的类型识别结果进行动物侵入防治，包括：
根据所述动物侵入状态的类型识别结果选择对应的动物侵入防治装置，识别所述动物侵入状态与所述动物侵入防治装置的距离，以及所述动物侵入状态相对于所述动物侵入防治装置的方向，根据所述动物侵入状态与所述动物侵入防治装置的距离，以及所述动物侵入状态相对于所述动物侵入防治装置的方向，调整所述动物侵入防治装置的位置及姿态。
9.一种基于泛在电力物联网的机房监控装置，其特征在于，包括：
图像获取模块，用于获取待监控设备视频图像；
视频压缩模块，用于对所述视频图像进行抽帧，得到视频帧序列；
学习模块，用于提取视频特征，对提取的视频特征进行无监督学习，对所述视频帧序列是否有像素突变的二分类任务作为监督进行学习，正样本为无突变视频帧序列，负样本为突变视频帧序列；
状态分析模块，用于根据无监督学习的结果，将所述结果对应于设备运行状态、环境状态，将无突变视频帧对应于正常状态，将所述突变视频帧对应于异常状态，并将所述设备运行状态及所述环境状态发送至状态处理器；
设备控制模块，用于根据设备预设阈值对所述设备运行状态进行判断，在所述设备运行状态达到预设阈值的情形下，发送告警信息。
10.如权利要求9所述的方法，其特征在于，所述装置还包括：
消防控制模块，用于在所述环境运行状态为消防状态的情形下，获取预先存储的消防整改策略，根据所述消防整改策略自动生成隐患处理数据，并将所述隐患处理数据发送至各消防子***；
虫害控制模块，用于在所述环境运行状态为动物侵入状态的情形下，根据所述动物侵入状态的类型识别结果进行动物侵入防治。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110747744.XA CN113435371A (zh) | 2021-07-02 | 2021-07-02 | 一种基于电力物联网及人工智能的设备周边环境管控方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110747744.XA CN113435371A (zh) | 2021-07-02 | 2021-07-02 | 一种基于电力物联网及人工智能的设备周边环境管控方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113435371A true CN113435371A (zh) | 2021-09-24 |
Family
ID=77758557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110747744.XA Withdrawn CN113435371A (zh) | 2021-07-02 | 2021-07-02 | 一种基于电力物联网及人工智能的设备周边环境管控方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435371A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114999097A (zh) * | 2022-06-07 | 2022-09-02 | 中联科锐消防科技有限公司 | 一种格栅吊顶内感烟火灾探测器有效性的评估方法及*** |
-
2021
- 2021-07-02 CN CN202110747744.XA patent/CN113435371A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114999097A (zh) * | 2022-06-07 | 2022-09-02 | 中联科锐消防科技有限公司 | 一种格栅吊顶内感烟火灾探测器有效性的评估方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418069B (zh) | 一种高空抛物检测方法、装置、计算机设备及存储介质 | |
| CN109461168B (zh) | 目标对象的识别方法和装置、存储介质、电子装置 | |
| US9224278B2 (en) | Automated method and system for detecting the presence of a lit cigarette | |
| KR101716365B1 (ko) | 실시간 가축 도난 감지를 위한 모듈화 기반의 지능형 영상 감시 시스템 및 그 방법 | |
| CN107911653A (zh) | 驻所智能视频监控模组、***、方法以及存储介质 | |
| Xia et al. | In situ detection of small-size insect pests sampled on traps using multifractal analysis | |
| CN104969875A (zh) | 一种基于图像变化的宠物行为检测*** | |
| CN111428681A (zh) | 一种智能防疫*** | |
| US20190096066A1 (en) | System and Method for Segmenting Out Multiple Body Parts | |
| CN114664048B (zh) | 一种基于卫星遥感监测的火情监测及火灾预警方法 | |
| JP5042177B2 (ja) | 画像センサ | |
| CN116386120B (zh) | 一种用于智慧校园宿舍的无感监控管理*** | |
| CN115880598B (zh) | 一种基于无人机的地面图像检测方法及相关装置 | |
| Tan et al. | Embedded human detection system based on thermal and infrared sensors for anti-poaching application | |
| CN116704411A (zh) | 一种基于物联网的安防管控方法、***及存储介质 | |
| CN114120171A (zh) | 基于视频帧的火灾烟雾检测方法、装置、设备及存储介质 | |
| CN116403377A (zh) | 一种公共场所异常行为与隐患检测装置 | |
| CN113435371A (zh) | 一种基于电力物联网及人工智能的设备周边环境管控方法、装置及设备 | |
| Jayashree et al. | System to detect fire under surveillanced area | |
| CN114283367B (zh) | 用于园区火灾预警的人工智能明火探测方法及*** | |
| WO2020172546A1 (en) | Machine vision sensor system for optimal growing conditions | |
| Rajan et al. | Forest fire detection using machine learning | |
| Komarasamy et al. | Review for Detecting Smoke and Fire in Forest using Different Technologies | |
| US20190096045A1 (en) | System and Method for Realizing Increased Granularity in Images of a Dataset | |
| CN112837471A (zh) | 网约房安全监控方法和装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210924 |