CN113850144A - 一种基于图像识别的视频可靠性自动巡检*** - Google Patents
一种基于图像识别的视频可靠性自动巡检*** Download PDFInfo
- Publication number
- CN113850144A CN113850144A CN202111001985.6A CN202111001985A CN113850144A CN 113850144 A CN113850144 A CN 113850144A CN 202111001985 A CN202111001985 A CN 202111001985A CN 113850144 A CN113850144 A CN 113850144A
- Authority
- CN
- China
- Prior art keywords
- video
- feature library
- image recognition
- analysis
- camera
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 9
- 239000002689 soil Substances 0.000 claims abstract description 7
- 238000007405 data analysis Methods 0.000 claims abstract description 5
- 238000010801 machine learning Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的视频可靠性自动巡检***，属于图像识别技术领域，该基于图像识别的视频可靠性自动巡检***，包括工程机械上安装有视频监控摄像头，摄像头其上设置有通讯模块，通讯模块将视频流通过4G或5G网络把视频流数据上传到云服务器，视频到云服务器后，可以经过显示终端，便于操作人员进行实时查看分析记录，并经过视频服务器搭载的分析***对视频进行大数据分析，并输出分析结果，判断是否有视频，如果有视频，视频是否正常、黑屏，视频是否清晰、摄像头被移位或者其他异常情况。通过图像识别，可以得到摄像头状态，通过深度图像处理，可以得到工程机械设备的详细的作业场景，比如打锤、挖方、勾土、卸料、怠速等。
Description
技术领域
本发明属于图像识别技术领域，具体涉及一种基于图像识别的视频可靠性自动巡检***。
背景技术
随着5G技术大规模应用，物联网行业的视频监控和视频应用越来越普及。海量设备投入使用的同时带来了设备监控、设备维护、设备管理的难度，如果识别摄像头是否正常工作，摄像头坏、摄像头黑屏、摄像头不清晰等等问题越来越成为行业待解决的痛点。工程机械的作业环境一般是在户外，工作环境比较恶劣，户外温度差比较大、灰尘比较多、设备振动、摇晃比较厉害，传统方式采用人工对视频查看和分析的方式，确定摄像头是否正常工作，需要消耗大量的人力物力，且问题排除不及时，影响工程机械工作进展的监控记录。
如CN107563263A提出的一种基于仪表的视频图像识别方法及***。其中方法包括：获取变电站内表征一次设备和/或二次设备运行状态的仪表的视频图像；根据预设的仪表识别参数对视频图像进行识别分析，得到识别分析结果；将识别分析结果传送至客户端。其通过自动识别分析技术，在几乎不需要人为干预的情况下，通过对仪表的图像数据进行自动识别分析来对变电站内设备的运行状态进行识别分析，客户端接收到分析识别结果后便能监控设备状态，无需人为分析异常，减轻了操作人员的工作强度，提高了变电站智能化管理水平。但是无法对判断获取视频的摄像头运转工况进行初步判定，排查摄像头本身故障，且针对和分析的是仪表图像数据，并非仪器或设备的工况。为此，我们提出一种基于图像识别的视频可靠性自动巡检***来解决上述问题。
发明内容
本发明的目的在于提供一种基于图像识别的视频可靠性自动巡检***，以解决上述背景技术中统方式采用人工对视频查看和分析的方式，确定摄像头是否正常工作，需要消耗大量的人力物力，且问题排除不及时，影响工程机械工作进展的监控记录。
为实现上述目的，本发明提供如下技术方案：一种基于图像识别的视频可靠性自动巡检***，工程机械上安装有视频监控摄像头，摄像头其上设置有通讯模块，通讯模块将视频流通过4G或5G网络把视频流数据上传到云服务器，视频到云服务器后，可以经过显示终端，便于操作人员进行实时查看分析记录，并经过视频服务器搭载的分析***对视频进行大数据分析，并输出分析结果，判断是否有视频，如果有视频，视频是否正常、黑屏，视频是否清晰、摄像头被移位或者其他异常情况。
优选的，分析***包括视频接收模块、机器学习模块、特征库管理模块和图像处理模块。
优选的，启用视频服务器上搭载的分析***分析，需要对海量视频分析和机器学习，提取特征库，大量的视频流程输入分析***，对视频中的关键帧进行提取，获得图片，经过机器学习模块进行机器学习，经过图像处理模块提取图片特征，生成特征库，输出到特征库管理模块。
优选的，特征库中包括正常、黑屏、视频不清晰、无视频、摄像头移位及其他异常情况的特征，视频显示正常的情况下，正常这一特征中又包括多个工程机械运转的子特征，子特征库包括打锤、挖土、勾土、卸料、怠速及其他工况。
优选的，分析***经过机器学习后获得特征库，单个视频输入分析***进行判别，对单个视频的关键帧图片进行提取，进行图像的数据处理，提取该图片的特征，并在特征库中进行查找，比对该图片的特征，判断摄像头的运转状况，若正常，从子特征库中查找比对工程机械的工况，并输出相应的分析结果，若不正常，则控制告警处理模块进行警告。
优选的，视频接收模块，主要负责视频流的拉取和接收。
优选的，机器学习模块进行机器学习主要是通过图像识别算法对海量视频流突破进行特征提取，负责生成特征库，图像处理算法采用卷积神经网络算法。
优选的，图像处理模块对单个视频提取后，根据特征库进行比较和分析，输出处理结果，特征库管理模块，主要是对特征库进行更新和管理，通过机器学习不断更新特征库。
优选的，分析***架构采用主从设备模式，对大量视频进行分析处理时，将一个原始任务分解为若干个语义等同的子任务,并由专门的图像处理工作线程来并行执行这些任务,原始任务的结果是通过整合各个子任务的处理结果形成的，支持横向扩展，高性能的并发，能够处理海量数据。
优选的，告警处理模块在经过图像数据处理输出结果后，若视频为非正常的特征中的任意一项则会进行告警，告警处理模块还对告警的管理，防止重复告警，漏报或误报，告警处理后会对特征库进行更新。
与现有技术相比，本发明的有益效果是：
1、通过根据特征库，对图像进行比对识别，可以得到摄像头状态，确定摄像头是否正常工作，减轻人力物力，告警处理模块在视频异常时进行告警，便于及时排查摄像头问题，避免设备监控影像漏记录、少记录或未记录。
2、通过深度图像处理，还可以得到工程机械设备的详细的作业场景，比如打锤、挖方、勾土、卸料、怠速或其他工况。
3、通过机器学习获得特征库，并且特征库还能够通过机器学习不断更新特征库，通过特征库提高图片识别度，能够准确的识别摄像头的状态和工程机械的工作状态。
4、通过采用主从设备模式，使分析***具有高并发行，同时在线处理超过1000台/秒。
附图说明
图1为本发明的实施流程图；
图2为本发明的分析***的机械学习流程图；
图3为本发明的分析***中单个视频处理流程图；
图4为本发明的分析***模块示意图；
图5为本发明的分析***架构示意图。
具体实施方式
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，所描述的实施例仅仅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做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。
请参阅图1-5，本发明提供一种技术方案：一种基于图像识别的视频可靠性自动巡检***，工程机械上安装有视频监控摄像头，摄像头其上设置有通讯模块，通讯模块将视频流通过4G或5G网络把视频流数据上传到云服务器，视频到云服务器后，可以经过显示终端，便于操作人员进行实时查看分析记录，并经过视频服务器搭载的分析***对视频进行大数据分析，并输出分析结果，判断是否有视频，如果有视频，视频是否正常、黑屏，视频是否清晰、摄像头被移位或者其他异常情况。
本实施方案中，显示终端可以为计算机、手机等显示装置，通过监控摄像头获得工程机械上的视频，经过视频进行分析处理后，对图像进行识别，可以得到摄像头的工作状态，判断是否有视频，如果有视频，视频是否正常、黑屏，视频是否清晰、摄像头被移位或者其他异常情况，节约人力物力，便于及时排查问题。
具体的，分析***包括视频接收模块、机器学习模块、特征库管理模块和图像处理模块。
本实施例中，视频接收模块接收相应视频，机器学习模块进行机器学习并获得特征库，特征库管理模块对特征库进行管理、更新，图像处理模块采用相应的算法对图像的特征进行提取，比对特征库中的特征。
具体的，启用视频服务器上搭载的分析***分析，需要对海量视频分析和机器学习，提取特征库，大量的视频流程输入分析***，对视频中的关键帧进行提取，获得图片，经过机器学习模块进行机器学习，经过图像处理模块提取图片特征，生成特征库，输出到特征库管理模块。
本实施例中，分析***需要通过大量的视频进行机器学习，以获得相应的特征库，根据特征库对后续输入的视频进行比对判断由于，由于视频相比图像来说信息更加丰富，但是一个序列里冗余信息太多，因此仅提取视频中的关键帧进行比对判断。
具体的，特征库中包括正常、黑屏、视频不清晰、无视频、摄像头移位及其他异常情况的特征，视频显示正常的情况下，正常这一特征中又包括多个工程机械运转的子特征，子特征库包括打锤、挖土、勾土、卸料、怠速及其他工况。
本实施例中，视频显示的特征库中，包括正常、黑屏、视频不清晰、无视频、摄像头移位及其他异常情况的特征，视频正常的情况下，又需要对视频的关键帧进行提取，判断视频中工程机械的运转状况，正常这一特征中又包括多个工程机械运转的子特征，子特征库中包括打锤、挖土、勾土、卸料、怠速及其他工况。
具体的，分析***经过机器学习后获得特征库，单个视频输入分析***进行判别，对单个视频的关键帧图片进行提取，进行图像的数据处理，提取该图片的特征，并在特征库中进行查找，比对该图片的特征，判断摄像头的运转状况，若正常，从子特征库中查找比对工程机械的工况，并输出相应的分析结果，若不正常，则控制告警处理模块进行警告。
本实施例中，单个视频输入分析***进行判别，需提取视频的关键帧，并对关键帧进行图像特征提取，比对特征，输出判定结果，得到摄像头的运转状况，相应工程机械的工况。
具体的，视频接收模块，主要负责视频流的拉取和接收。
本实施例中，经过视频接收模块对经过摄像头传输的视频流进行拉取和接收。
具体的，机器学习模块进行机器学习主要是通过图像识别算法对海量视频流突破进行特征提取，负责生成特征库，图像处理算法采用卷积神经网络算法。
本实施例中，采用卷积神经网络算法，卷积神经网络由两部分组成，一部分是特征提取(卷积、激活函数、池化)，另一部分是分类识别(全连接层)，其中卷积层、池化层和全连接层属于较为关键的部分，卷积层的主要作用是提取保留图像中的特征；池化层则是用来大幅降低参数量级(即降维)从而有效地避免过拟合；而全连接层则类似传统神经网络的部分，根据不同的任务输出想要的结果，通过提取图像特征，生成突破性特征库。
具体的，图像处理模块是对单个视频提取后，根据特征库进行比较和分析，输出处理结果，特征库管理模块，主要是对特征库进行更新和管理，通过机器学习不断更新特征库。
本实施例中，图像处理模块对单个视频进行特征提取后，比对分析特征，输出结果，特征库管理模块对特征库进行管理和更新。
具体的，分析***架构采用主从设备模式，对大量视频进行分析处理时，将一个原始任务分解为若干个语义等同的子任务,并由专门的图像处理工作线程来并行执行这些任务,原始任务的结果是通过整合各个子任务的处理结果形成的，支持横向扩展，高性能的并发，能够处理海量数据。
本实施例中，采用主从设备模式使分析***能够并行计算,以提升计算性能，准确性高，将服务的执行委托给不同的从设备，具有不同的实现，使分析***具有高并发行，同时在线处理超过1000台/秒。
具体的，告警处理模块在经过图像数据处理输出结果后，若视频为非正常的特征中的任意一项则会进行告警，告警处理模块还对告警的管理，防止重复告警、漏报或误报，告警处理后会对特征库进行更新。
本实施例中，通过告警模块便于确定摄像头是否正常工作，并且能够防止重复告警、漏报或误报，能够根据告警处理更新特征库。
本发明的工作原理及使用流程：工程机械上安装有视频监控摄像头，摄像头上有通讯模块，视频流通过4G或5G网络把视频流数据上传到流媒体服务器，视频到云服务器后，用户可以通过显示终端实时查看，视频服务器搭载的分析***对能够视频进行大数据分析，通过特征库比对判断，判断是否有视频，如果有视频，视频是否正常、黑屏(屏幕被遮挡)，视频是否清晰、摄像头被移位或者其他异常情况，若视频正常，进一步通过子特征库判断工程机械的运转工况，如打锤、挖方、勾土、卸料、怠速或其他工况。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本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，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于图像识别的视频可靠性自动巡检***，其特征在于：工程机械上安装有视频监控摄像头，摄像头其上设置有通讯模块，通讯模块将视频流通过4G或5G网络把视频流数据上传到云服务器，视频到云服务器后，可以经过显示终端，便于操作人员进行实时查看分析记录，并经过视频服务器搭载的分析***对视频进行大数据分析，并输出分析结果，判断是否有视频，如果有视频，视频是否正常、黑屏，视频是否清晰、摄像头被移位或者其他异常情况。
2.根据权利要求1的一种基于图像识别的视频可靠性自动巡检***，其特征在于：分析***包括视频接收模块、机器学习模块、特征库管理模块和图像处理模块。
3.根据权利要求1的一种基于图像识别的视频可靠性自动巡检***，其特征在于：启用视频服务器上搭载的分析***分析，需要对海量视频分析和机器学习，提取特征库，大量的视频流程输入分析***，对视频中的关键帧进行提取，获得图片，经过机器学习模块进行机器学习，经过图像处理模块提取图片特征，生成特征库，输出到特征库管理模块。
4.根据权利要求3的一种基于图像识别的视频可靠性自动巡检***，其特征在于：特征库中包括正常、黑屏、视频不清晰、无视频、摄像头移位及其他异常情况的特征，视频显示正常的情况下，正常这一特征中又包括多个工程机械运转的子特征，子特征库包括打锤、挖土、勾土、卸料、怠速及其他工况。
5.根据权利要求4的一种基于图像识别的视频可靠性自动巡检***，其特征在于：分析***经过机器学习后获得特征库，单个视频输入分析***进行判别，对单个视频的关键帧图片进行提取，进行图像的数据处理，提取该图片的特征，并在特征库中进行查找，比对该图片的特征，判断摄像头的运转状况，若正常，从子特征库中查找比对工程机械的工况，并输出相应的分析结果，若不正常，则控制告警处理模块进行警告。
6.根据权利要求2的一种基于图像识别的视频可靠性自动巡检***，其特征在于：视频接收模块，主要负责视频流的拉取和接收。
7.根据权利要求2的一种基于图像识别的视频可靠性自动巡检***，其特征在于：机器学习模块进行机器学习主要是通过图像识别算法对海量视频流突破进行特征提取，负责生成特征库，图像处理算法采用卷积神经网络算法。
8.根据权利要求2的一种基于图像识别的视频可靠性自动巡检***，其特征在于：图像处理模块对单个视频提取后，根据特征库进行比较和分析，输出处理结果，特征库管理模块，主要是对特征库进行更新和管理，通过机器学习不断更新特征库。
9.根据权利要求2的一种基于图像识别的视频可靠性自动巡检***，其特征在于：分析***架构采用主从设备模式，对大量视频进行分析处理时，将一个原始任务分解为若干个语义等同的子任务,并由专门的图像处理工作线程来并行执行这些任务,原始任务的结果是通过整合各个子任务的处理结果形成的，支持横向扩展，高性能的并发，能够处理海量数据。
10.根据权利要求2的一种基于图像识别的视频可靠性自动巡检***，其特征在于：告警处理模块在经过图像数据处理输出结果后，若视频为非正常的特征中的任意一项则会进行告警，告警处理模块还对告警的管理，防止重复告警，漏报或误报，告警处理后会对特征库进行更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111001985.6A CN113850144A (zh) | 2021-08-30 | 2021-08-30 | 一种基于图像识别的视频可靠性自动巡检*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111001985.6A CN113850144A (zh) | 2021-08-30 | 2021-08-30 | 一种基于图像识别的视频可靠性自动巡检*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113850144A true CN113850144A (zh) | 2021-12-28 |
Family
ID=78976486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111001985.6A Pending CN113850144A (zh) | 2021-08-30 | 2021-08-30 | 一种基于图像识别的视频可靠性自动巡检*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113850144A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116030391A (zh) * | 2023-01-06 | 2023-04-28 | 滨州邦维信息科技有限公司 | 煤炭卸料口人员风险智能监测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140267735A1 (en) * | 2013-03-15 | 2014-09-18 | James Carey | Investigation generation in an observation and surveillance system |
| US20160132731A1 (en) * | 2013-06-28 | 2016-05-12 | Nec Corporation | Video surveillance system, video processing apparatus, video processing method, and video processing program |
| CN106851263A (zh) * | 2017-03-30 | 2017-06-13 | 安徽四创电子股份有限公司 | 基于定时自学习模块的视频质量诊断方法及*** |
| CN110062208A (zh) * | 2019-04-23 | 2019-07-26 | 上海赫煊自动化***工程有限公司 | 一种安防智能实时分析***和方法 |
| US20190294878A1 (en) * | 2018-03-23 | 2019-09-26 | NthGen Software Inc. | Method and system for obtaining vehicle target views from a video stream |
| CN110415220A (zh) * | 2019-07-09 | 2019-11-05 | 国电大渡河瀑布沟发电有限公司 | 一种大型水电站的设备智能巡检方法 |
-
2021
- 2021-08-30 CN CN202111001985.6A patent/CN113850144A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140267735A1 (en) * | 2013-03-15 | 2014-09-18 | James Carey | Investigation generation in an observation and surveillance system |
| US20160132731A1 (en) * | 2013-06-28 | 2016-05-12 | Nec Corporation | Video surveillance system, video processing apparatus, video processing method, and video processing program |
| CN106851263A (zh) * | 2017-03-30 | 2017-06-13 | 安徽四创电子股份有限公司 | 基于定时自学习模块的视频质量诊断方法及*** |
| US20190294878A1 (en) * | 2018-03-23 | 2019-09-26 | NthGen Software Inc. | Method and system for obtaining vehicle target views from a video stream |
| CN110062208A (zh) * | 2019-04-23 | 2019-07-26 | 上海赫煊自动化***工程有限公司 | 一种安防智能实时分析***和方法 |
| CN110415220A (zh) * | 2019-07-09 | 2019-11-05 | 国电大渡河瀑布沟发电有限公司 | 一种大型水电站的设备智能巡检方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116030391A (zh) * | 2023-01-06 | 2023-04-28 | 滨州邦维信息科技有限公司 | 煤炭卸料口人员风险智能监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110619620B (zh) | 导致表面缺陷的异常定位方法、装置、***及电子设备 | |
| CN102572508A (zh) | 一种视频故障诊断***及方法 | |
| CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
| CN116986246A (zh) | 一种用于对输煤皮带进行智能巡检***及巡检方法 | |
| CN111353436A (zh) | 基于图像深度学习算法的超门店经营分析方法和装置 | |
| CN113066070A (zh) | 三维场景中多源数据融合交互方法 | |
| CN115457446A (zh) | 一种基于视频分析的异常行为监管*** | |
| CN117419814A (zh) | 一种基于电气设备红外热像的图像处理*** | |
| CN117523177A (zh) | 一种基于人工智能混合大模型的燃气管道监测***和方法 | |
| CN113850144A (zh) | 一种基于图像识别的视频可靠性自动巡检*** | |
| CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警***及方法 | |
| CN112883755A (zh) | 一种基于深度学习与行为先验的吸烟和打电话检测方法 | |
| CN117255193B (zh) | 一种5g网络监控器的远程终端状态检测方法及*** | |
| CN117422938B (zh) | 基于三维分析平台的坝坡混凝土结构异常分析方法 | |
| CN113193616B (zh) | 一种用于输电通道监拍设备的健康状态评估方法 | |
| CN112766795B (zh) | 一种基于云端处理的管廊智能信息管理方法及*** | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控***和方法 | |
| CN107506832B (zh) | 对监控巡视进行辅助的隐患挖掘方法 | |
| CN116168019B (zh) | 基于机器视觉技术的电网故障检测方法及*** | |
| CN115309871B (zh) | 一种基于人工智能算法的工业大数据处理方法及*** | |
| CN117220917A (zh) | 一种基于云计算的网络实时监控方法 | |
| CN111062932A (zh) | 一种网络服务程序的监控方法 | |
| CN112861681B (zh) | 一种基于云端处理的管廊视频智能分析方法及*** | |
| CN115393340A (zh) | 一种基于5g算法的ai视觉产品质量检测*** | |
| CN113518205A (zh) | 一种基于ai分析的视频巡查处理方法 |
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 |