CN114913172A - 一种电缆中间头制作风险的识别方法、***、设备和介质 - Google Patents
一种电缆中间头制作风险的识别方法、***、设备和介质 Download PDFInfo
- Publication number
- CN114913172A CN114913172A CN202210818638.0A CN202210818638A CN114913172A CN 114913172 A CN114913172 A CN 114913172A CN 202210818638 A CN202210818638 A CN 202210818638A CN 114913172 A CN114913172 A CN 114913172A
- Authority
- CN
- China
- Prior art keywords
- risk
- video stream
- preset
- identification model
- identifying
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明公开了一种电缆中间头制作风险的识别方法、***、设备和介质,通过获取电缆中间头制作间的实时视频流,并通过预设的风险识别模型提取实时视频流的视频流特征。当视频流特征满足预设的制作开始条件时,通过风险识别模型识别视频流特征所属的风险类型,采用风险类型构建风险信息,并实时统计风险信息的构建数量,当构建数量大于等于预设风险阈值时,发送风险警告并重置构建数量。当视频流特征满足预设的制作完成条件时,采用已有的全部风险信息,生成对应的工作风险报告,采用训练好的风险识别模型提取实时视频流的视频流特征,并对特征进行风险识别,从而实现实时风险监控,提高了识别速度,且识别结果准确度高。
Description
技术领域
本发明涉及电缆中间头制作风险识别技术领域,尤其涉及一种电缆中间头制作风险的识别方法、***、设备和介质。
背景技术
随着电力技术不断发展,电力作业人员在操作设备、现场工作仍然存在着诸多安全风险。为了进一步保障电力的安全生产,除了在现场设置基本的监护措施外,还增加了远程视频监控方式。
目前,在热缩电缆中间头制作过程中,常用的远程视频监控方式为人工视频监督,通过摄像头等监控设备实时获取热缩电缆中间头制作过程的视频信息,并传送至监控终端由监督人员远程进行实时监督。
上述监控方式虽然提高了电力安全生产能力,但需要花费较多人力资源进行监督,且人工进行监督容易出现监控疏忽,从而导致监控准确度低。
发明内容
本发明提供了一种电缆中间头制作风险的识别方法、***、设备和介质,解决了现有的电缆中间头制作监控方式虽然提高了电力安全生产能力,但需要花费较多人力资源进行监督,且人工进行监督容易出现监控疏忽,从而导致监控准确度低的技术问题。
本发明提供的一种电缆中间头制作风险的识别方法,包括:
获取电缆中间头制作间的实时视频流;
通过预设的风险识别模型提取所述实时视频流的视频流特征;
当所述视频流特征满足预设的制作开始条件时,通过所述风险识别模型识别所述视频流特征所属的风险类型;
采用所述风险类型构建风险信息,并实时统计所述风险信息的构建数量;
当所述构建数量大于等于预设风险阈值时,发送风险警告并重置所述构建数量;
当所述视频流特征满足预设的制作完成条件时,采用已有的全部所述风险信息,生成对应的工作风险报告。
可选地,还包括:
获取多个电缆中间头制作的监控视频;
按照预设的划分间隔将各个所述监控视频分别划分为多个静态图片,得到对应的静态图片集;
提取所述静态图片集中符合预设的初始风险类型的风险图片,构建风险训练集和风险验证集;
采用所述风险训练集训练初始风险识别模型,结合所述风险验证集和预设训练标准,构建所述风险识别模型。
可选地,所述采用所述风险训练集训练初始风险识别模型,结合所述风险验证集和预设训练标准,构建所述风险识别模型的步骤,包括:
按照预设的图片扩增方式扩增所述风险训练集中的风险图片数量,得到目标风险训练集;
采用所述目标风险训练集训练初始风险识别模型,得到中间风险识别模型;
采用所述风险验证集验证所述中间风险识别模型,得到验证结果;
若所述验证结果满足预设训练标准,则将所述中间风险识别模型确定为所述风险识别模型;
若所述验证结果不满足预设训练标准,则跳转执行所述采用所述目标风险训练集训练初始风险识别模型,得到中间风险识别模型的步骤。
可选地,所述风险识别模型包括卷积层;所述通过预设的风险识别模型提取所述实时视频流的视频流特征的步骤,包括:
按照预设的视频抽取间隔抽取所述实时视频流的视频帧图片;
通过所述卷积层提取各个所述视频帧图片的视频流特征。
可选地,所述风险识别模型包括风险比较模块;所述当所述视频流特征满足预设的制作开始条件时,通过所述风险识别模型识别所述视频流特征所属的风险类型的步骤,包括:
当所述视频流特征满足预设的制作开始条件时,通过所述风险比较模块分别计算所述视频流特征与多个预设的风险特征之间的风险相似度;
选取最大的所述风险相似度对应的风险特征所属风险类型作为所述视频流特征所属的风险类型。
可选地,所述采用所述风险类型构建风险信息,并实时统计所述风险信息的构建数量的步骤,包括:
获取所述风险类型携带的风险关键字;
从预设的视频流特征信息库中提取所述风险关键字对应的安全风险点、风险发生时间和风险图片;
采用所述安全风险点、所述风险发生时间和所述风险图片,构建风险信息,并实时统计所述风险信息的构建数量。
可选地,所述风险识别模型包括结束特征比较模块;所述当所述视频流特征满足预设的制作完成条件时,采用已有的全部所述风险信息,生成对应的工作风险报告的步骤,包括:
通过所述结束特征比较模块计算所述视频流特征与预设的制作结束特征之间的特征相似度;
当所述特征相似度满足预设阈值时,采用已有的全部所述风险信息分别加载对应的页面组件;
将全部所述页面组件进行渲染,生成工作风险报告。
本发明还提供了一种电缆中间头制作风险的识别***,包括:
实时视频流获取模块,用于获取电缆中间头制作间的实时视频流;
视频流特征提取模块,用于通过预设的风险识别模型提取所述实时视频流的视频流特征;
风险类型识别模块,用于当所述视频流特征满足预设的制作开始条件时,通过所述风险识别模型识别所述视频流特征所属的风险类型;
风险信息构建和构建数量统计模块,用于采用所述风险类型构建风险信息,并实时统计所述风险信息的构建数量;
风险警告发送和构建数量重置模块,用于当所述构建数量大于等于预设风险阈值时,发送风险警告并重置所述构建数量;
工作风险报告生成模块,用于当所述视频流特征满足预设的制作完成条件时,采用已有的所述风险信息,生成对应的工作风险报告。
本发明还提供了一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行实现如上述任一项电缆中间头制作风险的识别方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行时实现如上述任一项电缆中间头制作风险的识别方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过获取电缆中间头制作间的实时视频流,并通过预设的风险识别模型提取实时视频流的视频流特征。当视频流特征满足预设的制作开始条件时,通过风险识别模型识别视频流特征所属的风险类型,采用风险类型构建风险信息,并实时统计风险信息的构建数量,当构建数量大于等于预设风险阈值时,发送风险警告并重置构建数量。当视频流特征满足预设的制作完成条件时,采用已有的全部风险信息,生成对应的工作风险报告,解决了现有的电缆中间头制作监控方式虽然提高了电力安全生产能力,但需要花费较多人力资源进行监督,且人工进行监督容易出现监控疏忽,从而导致监控准确度低的技术问题。采用训练好的风险识别模型提取实时视频流的视频流特征,并对特征进行风险识别,从而实现实时风险监控,提高了识别速度,且识别结果准确度高。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种电缆中间头制作风险的识别方法的步骤流程图;
图2为本发明实施例二提供的一种电缆中间头制作风险的识别方法的步骤流程图;
图3为本发明实施例二提供的训练风险识别模型的流程框图;
图4为本发明实施例二提供的一种电缆中间头制作风险的识别方法的流程框图;
图5为本发明实施例三提供的一种电缆中间头制作风险的识别***的结构框图。
具体实施方式
本发明实施例提供了一种电缆中间头制作风险的识别方法、***、设备和介质,用于解决现有的电缆中间头制作监控方式虽然提高了电力安全生产能力,但需要花费较多人力资源进行监督,且人工进行监督容易出现监控疏忽,从而导致监控准确度低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例一提供的一种电缆中间头制作风险的识别方法的步骤流程图。
本发明提供的一种电缆中间头制作风险的识别方法,包括:
步骤101、获取电缆中间头制作间的实时视频流。
电缆中间头制作间是指制作电缆中间头的工作环境,电缆中间头制作间可以是露天环境、室内环境或者电缆隧道等。电缆中间头的制作过程通常为将两条电缆使用热缩的方法连接起来的过程。实时视频流是指将设置在电缆中间头制作间内的视频监控设备实时传输采集电缆中间头制作过程的视频数据。
在本发明实施例中,获取设置在电缆中间头制作间的视频监控设备实时传输采集到的电缆中间头制作过程的视频数据。
步骤102、通过预设的风险识别模型提取实时视频流的视频流特征。
风险识别模型是指可以提取视频流的视频流特征以及识别视频流特征所属的风险类型等功能的神经网络模型。视频流特征是指包含视频帧图片的颜色特征、纹理特征、形状特征和空间关系特征的画面特征。
在本发明实施例中,按照预设的视频抽取间隔抽取实时视频流的视频帧图片,并通过风险识别模型的卷积层提取各个视频帧图片的视频流特征。
步骤103、当视频流特征满足预设的制作开始条件时,通过风险识别模型识别视频流特征所属的风险类型。
预设的制作开始条件是指包含电缆护层开始被剥离,电缆裸漏出内部结构(金属屏蔽层、半导体层或绝缘层)的画面特征。
风险类型包括雨天作业风险类型、未进行安全围蔽风险类型、未佩戴安全帽风险类型、电缆隧道内施工照明不足风险类型和喷枪违规使用风险类型,各个风险类型对应的风险特征为有雨天作业风险特征、未进行安全围蔽风险特征、未佩戴安全帽风险特征、电缆隧道内施工照明不足风险特征和喷枪违规使用风险特征。
在本发明实施例中,当视频流特征为电缆护层开始被剥离,电缆裸漏出内部结构(金属屏蔽层、半导体层或绝缘层)的画面特征时,通过风险识别模型的风险比较模块计算视频流特征与多个预设的风险特征之间的风险相似度。按照相似度最大值对应的风险特征所属风险类型作为该视频流特征所属的风险类型。当视频流特征不满足预设的制作开始条件时,则继续识别后续提取的视频流特征是否满足预设的制作开始条件。
步骤104、采用风险类型构建风险信息,并实时统计风险信息的构建数量。
在本发明实施例中,按照视频流特征所属的风险类型,确定视频流特征对应的安全风险点、风险发生时间和风险图片,采用安全风险点、风险发生时间和风险图片,构建视频流特征对应的风险信息,并按照风险类型实时统计风险信息的构建数量。
步骤105、当构建数量大于等于预设风险阈值时,发送风险警告并重置构建数量。
风险阈值按照风险类型分别定义为、、…、;其中,风险类型对应的构建数量的初始值为,风险阈值根据风险类型和预设的视频抽取间隔进行调整设定,各个风险类型对应的风险阈值的取值可以相同,也可以不同,本发明实施例对此不作限制。
在本发明实施例中,当任一风险类型对应的构建数量大于等于对应的预设风险阈值时,发送风险警告提醒电缆中间头制作间的工作人员规范制作行为,并将对应的构建数量重置,接着判断视频流特征是否满足预设的制作完成条件。当所有风险类型对应的构建数量小于对应的预设风险阈值时,判断视频流特征是否满足预设的制作完成条件。
步骤106、当视频流特征满足预设的制作完成条件时,采用已有的全部风险信息,生成对应的工作风险报告。
制作完成条件是指外护套管安装到两条电缆的接口上,外护套管与电缆充分热缩收紧条件联合起来的画面特征。工作风险报告是指由各个视频流特征所属风险类型对应的风险信息构建得到的风险报告页面。
在本发明实施例中,通过风险识别模型的结束特征比较模块计算视频流特征与预设的制作结束特征之间的特征相似度,当特征相似度满足预设阈值时,采用已有的全部风险信息分别加载对应的页面组件,并将全部页面组件进行渲染,生成工作风险报告。当特征相似度不满足预设阈值时,跳转执行通过风险识别模型识别视频流特征所属的风险类型的步骤。
在本发明实施例中,通过获取电缆中间头制作间的实时视频流,并通过预设的风险识别模型提取实时视频流的视频流特征。当视频流特征满足预设的制作开始条件时,通过风险识别模型识别视频流特征所属的风险类型,采用风险类型构建风险信息,并实时统计风险信息的构建数量,当构建数量大于等于预设风险阈值时,发送风险警告并重置构建数量。当视频流特征满足预设的制作完成条件时,采用已有的全部风险信息,生成对应的工作风险报告,解决了现有的电缆中间头制作监控方式虽然提高了电力安全生产能力,但需要花费较多人力资源进行监督,且人工进行监督容易出现监控疏忽,从而导致监控准确度低的技术问题。通过预设的风险识别模型提取实时视频流的视频流特征进行实时风险监控,不仅能提高识别速度,且识别的准确度高。
请参阅图2,图2为本发明实施例二提供的一种电缆中间头制作风险的识别方法的步骤流程图。
步骤201、获取多个电缆中间头制作的监控视频。
监控视频是指已经完成电缆中间头制作对应制作过程的视频数据。
在本发明实施例中,收集大量的热缩电缆中间头制作过程的监控视频。
步骤202、按照预设的划分间隔将各个监控视频分别划分为多个静态图片,得到对应的静态图片集。
划分间隔是指根据用户的识别需要的设置相应的时间间隔定时对划分监控视频。静态图片是指由监控视频按照预设的划分间隔划分得到的图像画面。静态图片集是指由多个静态图片组合成的图片集。
在本发明实施例中,将各个监控视频分别按照预设的划分间隔定时划分成多个静态图片,并将全部静态图片构建成静态图片集。
步骤203、提取静态图片集中符合预设的初始风险类型的风险图片,构建风险训练集和风险验证集。
初始风险类型与上述风险类型相同,包括雨天作业风险类型、未进行安全围蔽风险类型、未佩戴安全帽风险类型、电缆隧道内施工照明不足风险类型和喷枪违规使用风险类型,各个风险类型对应设置的风险特征为雨天作业风险特征、未进行安全围蔽风险特征、未佩戴安全帽风险特征、电缆隧道内施工照明不足风险特征和喷枪违规使用风险特征。
风险训练集包括静态图片集中符合初始风险类型的各个风险图片,用于训练初始风险识别模型的风险图片集。风险验证集包括静态图片集中符合初始风险类型的各个风险图片,用于中间风险识别模型的风险图片集。
在本发明实施例中,提取静态图片集中包含初始风险类型对应的风险特征的静态图片,并按照对应的风险类型对静态图片进行风险标注,采用提取到的所有静态图片构建风险训练集和风险验证。
步骤204、采用风险训练集训练初始风险识别模型,结合风险验证集和预设训练标准,构建风险识别模型。
进一步地,步骤204可以包括以下子步骤S11-S15:
S11、按照预设的图片扩增方式扩增风险训练集中的风险图片数量,得到目标风险训练集。
图片扩增方式是指调整图片亮度、对比度、对图片进行模糊、过滤或锐化等方式。目标风险训练集是指通过图片扩增方式后得到的所有风险图片的集合。
在本发明实施例中,通过调整风险训练集内的各个风险图片的图片亮度、对比度对风险图片进行模糊、过滤或锐化等方式扩增风险训练集中的风险图片数量,将所有扩增得到的风险图片和原有的风险图片构建目标风险训练集。
S12、采用目标风险训练集训练初始风险识别模型,得到中间风险识别模型。
初始风险识别模型是指还没有采用训练集进行风险训练的识别模型。中风险识别模型是指在初始风险识别模型的基础上采用目标风险训练集进行训练后得到的可以对图片进行风险识别的识别模型。
在本发明实施例中,将通过图片扩增方式构建得到的目标风险训练集输入初始风险识别模型进行风险训练,从而得到中间风险识别模型。
S13、采用风险验证集验证中间风险识别模型,得到验证结果。
在本发明实施例中,将风险验证集中的各个风险图片输入中间风险识别模型进行风险识别,中间风险模型的卷积层使用卷积过滤器对风险验证集中各个风险图片进行卷积运算,提取图片特征,从而分别输出对应的风险特征,中风险模型的风险比较模块采用哈希算法计算卷积层输出的风险特征分别与各个初始风险类型对应的风险特征之间的相似度,将相识度计算结果作为验证结果。
S14、若验证结果满足预设训练标准,则将中间风险识别模型确定为风险识别模型。
预设训练标准是指按照训练需求设定的风险识别模型识别结果的准确度要求。风险识别模型是指满足预设训练标准的中间风险识别模型。
在本发明实施例中,当风险验证集输入中间风险识别模型得到的验证结果满足预设训练标准时,将验证结果对应的中间风险模型作为风险识别模型。
S15、若验证结果不满足预设训练标准,则跳转执行采用目标风险训练集训练初始风险识别模型,得到中间风险识别模型的步骤。
在本发明实施例中,当风险验证集输入中间风险识别模型得到的验证结果不满足预设训练标准时,重新采用训练集对初始风险识别模型进行训练,构建新的中间风险识别模型,直至构建得到中间风险识别模型使用验证集进行验证得到验证结果满足预设训练标准。
如图3所示,收集电缆中间头制作的监控视频,按照预设的划分间隔对监控视频进行定时分解,转换为静态图片,得到对应的静态图片集。抽取静态图片集中包含初始风险类型对应的风险特征的静态图片并进行标注,将抽取到的所有静态图片分为风险训练集和风险验证集。对风险训练集按照预设的图片扩增方式进行数据增广,接着采用风险训练集对初始风险识别模型进行风险训练,得到中间风险识别模型。采用风险验证集验证中间风险识别模型是否满足预设训练标准,若满足,则得到风险识别模型;若不满足,则重新采用风险训练集训练初始风险识别模型,直至构建得到中间风险识别模型使用验证集进行验证得到验证结果满足预设训练标准。
步骤205、获取电缆中间头制作间的实时视频流。
在本发明实施例中,获取设置在电缆中间制作间的视频监控设备传输采集到的电缆中间头制作间的实时视频数据。
步骤206、通过预设的风险识别模型提取实时视频流的视频流特征。
可选地,风险识别模型包括卷积层,步骤206可以包括以下子步骤S21-S22:
S21、按照预设的视频抽取间隔抽取实时视频流的视频帧图片。
时间抽取间隔是指设置定时抽取视频帧图片的时间值。视频帧图片是指实时视频流包含的视频帧对应的图像画面。
在本发明实施例中,按照预设的视频抽取间隔定时抽取实时视频流对应的视频帧图片。
S22、通过卷积层提取各个视频帧图片的视频流特征。
卷积层是指设置在风险识别模型上的用于提取图片特征的工作层。
在本发明实施例中,将各个视频帧图片输入风险识别模型,风险识别模型的卷积层使用卷积过滤器对各个视频帧图片进行卷积运算,提取图片特征,从而输出各个视频帧图片的对应的视频流特征。
步骤207、当视频流特征满足预设的制作开始条件时,通过风险识别模型识别视频流特征所属的风险类型。
可选地,风险识别模型包括风险比较模块,步骤207可以包括以下子步骤S31-S32:
S31、当视频流特征满足预设的制作开始条件时,通过风险比较模块分别计算视频流特征与多个预设的风险特征之间的风险相似度。
风险特征包括雨天作业风险特征、未进行安全围蔽风险特征、未佩戴安全帽风险特征、电缆隧道内施工照明不足风险特征和喷枪违规使用风险特征,其中,雨天作业风险特征表现为画面出现雨滴;未进行安全围蔽风险特征表现为现场未安置围蔽装置;未佩戴安全帽风险特征表现为画面中工作人员的头部未佩戴安全帽,该特征不包括头部上方被物体遮挡或工作人员头部超过视频画面顶部的情况;电缆隧道内施工照明不足风险特征表现为现场为电缆隧道和画面光线不足的组合条件;喷枪违规使用风险特征表现为喷枪处于使用状态和喷枪前方存在工作人员的组合条件。
在本发明实施例中,当视频流特征为电缆护层开始被剥离,电缆裸漏出内部结构(金属屏蔽层、半导体层或绝缘层)的画面特征时,通过风险识别模型的风险比较模块采用哈希算法分别计算视频流特征与雨天作业风险特征、未进行安全围蔽风险特征、未佩戴安全帽风险特征、电缆隧道内施工照明不足风险特征和喷枪违规使用风险特征之间相似度,得到对应的风险相似度。
S32、选取最大的风险相似度对应的风险特征所属风险类型作为视频流特征所属的风险类型。
在本发明实施例中,从视频流特征与各个风险特征之间的风险相似度内选取最大的风险相似度,将最大的风险相似度对应的风险特征所属风险类型作为该视频流特征所属的风险类型。
步骤208、采用风险类型构建风险信息,并实时统计风险信息的构建数量。
可选地,步骤208可以包括以下子步骤S41-S43:
S41、获取风险类型携带的风险关键字。
风险关键字是指与视频流特征信息库中与识别到的风险类型对应的安全风险点、风险发生时间和风险图片绑定的词语。
在本发明实施例中,获取由风险识别模型识别到的视频流特征所属的风险类型,并获取风险类型所携带与视频流特征对应的关键词。
S42、从预设的视频流特征信息库中提取风险关键字对应的安全风险点、风险发生时间和风险图片。
视频流特征信息库是指每个包含风险特征的各个视频流特征对应的安全风险点、风险发生时间和风险图片。
在本发明实施例中,在预设的视频流特征信息库中输入风险关键字进行搜索,输出与风险关键字对应的安全风险点、风险发生时间和风险图片。
S43、采用安全风险点、风险发生时间和风险图片,构建风险信息,并实时统计风险信息的构建数量。
构建数量是指各个风险类型从制作开始到制作完成的过程中风别识别到的个数。
在本发明实施例中,采用满足预设的风险特征的视频流特征对应的安全风险点、风险发生时间和风险图片,分别构建风险信息,并在每次满足预设的风险特征时,按照对应的风险类型实时统计风险信息的构建数量。
步骤209、当构建数量大于等于预设风险阈值时,发送风险警告并重置构建数量。
在本发明实施例中,若任一风险类型对应的构建数量大于等于对应的预设风险阈值,则发送对应的风险警告提醒电缆中间头制作间的工作人员纠正制作行为,并将对应的构建数量重置,接着判断视频流特征是否满足预设的制作完成条件。若所有风险类型对应的构建数量小于对应的预设风险阈值,则判断视频流特征是否满足预设的制作完成条件。
步骤210、当视频流特征满足预设的制作完成条件时,采用已有的全部风险信息,生成对应的工作风险报告。
可选地,风险识别模型包括风险比较模块,步骤210可以包括以下子步骤S51-S53:
S51、通过结束特征比较模块计算视频流特征与预设的制作结束特征之间的特征相似度。
在本发明实施例中,通过风险识别模型的结束特征比较模块将视频流特征与外护套管安装到两条电缆的接口上,外护套管与电缆充分热缩收紧条件联合起来的画面特征进行相似度比较,得到对应的特征相似度。
S52、当特征相似度满足预设阈值时,采用已有的全部风险信息分别加载对应的页面组件。
页面组件是指包含安全风险点、风险发生时间和风险图片的界面组件。
在本发明实施例中,若视频流特征与预设的制作结束特征之间的特征相似度满足预设阈值,则采用已有的全部风险信息分别加载对应的页面组件。若视频流特征与预设的制作结束特征之间的特征相似度不满足预设阈值,则继续通过风险识别模型识别视频流特征所属的风险类型。
S53、将全部页面组件进行渲染,生成工作风险报告。
在本发明实施例中,若视频流特征与预设的制作结束特征之间的特征相似度满足预设阈值,则采用已有的全部风险信息分别加载对应的页面组件,并将全部已有的全部风险信息加载对应的页面组件进行渲染,生成工作风险报告。
如图4所示,加载训练好预设的风险识别模型,即风险识别模型已经提前训练完毕,且满足预设训练标准,能识别预设的五种风险特征,五种风险特征包括雨天作业风险特征、未进行安全围蔽风险特征、未佩戴安全帽风险特征、电缆隧道内施工照明不足风险特征和喷枪违规使用风险特征。将热缩电缆中间头制作的实时视频流输入风险识别模型,提取实时视频流的视频流特征,判断工作是否开始,当视频流特征不满足预设的制作开始条件时,继续判断工作是否开始;当视频流特征满足预设的制作开始条件时,通过风险识别模型识别视频流特征所属的风险类型,其中制作开始条件对应的开始特征为电缆护层开始被剥离,电缆裸漏出内部结构。若风险识别模型识别到视频流特征所属的风险类型,则对应风险特征的风险计数+1,这里的风险计数相当于上述的构建数量。否则该项风险特征的风险计数归零。判断是否有风险特征的风险计数大于等于预设风险阈值,若任一风险特征对应的风险计数大于等于对应的预设风险阈值,则发送对应关键物风险警告,并将该风险特征的风险计数归零,然后判断工作是否结束;若任一风险特征对应的风险计数小于对应的预设风险阈值,则判断工作是否结束,即视频流特征满足预设的制作完成条件,其中制作完成条件对应的结束特征为:外护套管安装到两条电缆的接口上,外护套管与电缆充分热缩收紧条件联合起来的画面特征。当视频流特征满足预设的制作完成条件时,生成本次工作的工作风险报告;当视频流特征不满足预设的制作完成条件时,生成本次工作的工作风险报告,则继续使用风险识别模型识别视频流特征所属的风险类型。
在本发明实施例中,首先,通过获取多个电缆中间头制作的监控视频,按照预设的划分间隔将各个监控视频分别划分为多个静态图片,得到对应的静态图片集,提取静态图片集中符合预设的初始风险类型的风险图片,构建风险训练集和风险验证集,采用风险训练集训练初始风险识别模型,结合风险验证集和预设训练标准,构建风险识别模型。其次,获取电缆中间头制作间的实时视频流,通过预设的风险识别模型提取实时视频流的视频流特征,当视频流特征满足预设的制作开始条件时,通过风险识别模型识别视频流特征所属的风险类型,采用风险类型构建风险信息,并实时统计风险信息的构建数量,当构建数量大于等于预设风险阈值时,发送风险警告并重置构建数量。最后,当视频流特征满足预设的制作完成条件时,采用已有的全部风险信息,生成对应的工作风险报告。通过风险识别模型对电缆中间头的制作过程进行实时监控,采用风险识别模型识别风险特征,能确保识别的准确度,出现制作风险时能及时发出风险警告,保障电缆中间头制作过程的安全性。
请参阅图5,图5为本发明实施例三提供的一种电缆中间头制作风险的识别***的结构框图。
本发明实施例提供一种电缆中间头制作风险的识别***,包括:
实时视频流获取模块501,用于获取电缆中间头制作间的实时视频流;
视频流特征提取模块502,用于通过预设的风险识别模型提取实时视频流的视频流特征;
风险类型识别模块503,用于当视频流特征满足预设的制作开始条件时,通过风险识别模型识别视频流特征所属的风险类型;
风险信息构建和构建数量统计模块504,用于采用风险类型构建风险信息,并实时统计风险信息的构建数量;
风险警告发送和构建数量重置模块505,用于当构建数量大于等于预设风险阈值时,发送风险警告并重置构建数量;
工作风险报告生成模块506,用于当视频流特征满足预设的制作完成条件时,采用已有的风险信息,生成对应的工作风险报告。
可选地,***还包括:
监控视频获取模块,用于获取多个电缆中间头制作的监控视频。
静态图片集构建模块,用于按照预设的划分间隔将各个监控视频分别划分为多个静态图片,得到对应的静态图片集。
风险训练集和风险验证集构建模块,用于提取静态图片集中符合预设的初始风险类型的风险图片,构建风险训练集和风险验证集。
风险识别模型构建模块,用于采用风险训练集训练初始风险识别模型,结合风险验证集和预设训练标准,构建风险识别模型。
可选地,风险识别模型构建模块包括:
目标风险训练集得到模块,用于按照预设的图片扩增方式扩增风险训练集中的风险图片数量,得到目标风险训练集。
中间风险识别模型得到模块,用于采用目标风险训练集训练初始风险识别模型,得到中间风险识别模型。
验证结构得到模块,用于采用风险验证集验证中间风险识别模型,得到验证结果。
风险识别模型构建子模块,用于若验证结果满足预设训练标准,则将中间风险识别模型确定为风险识别模型。
验证结果不满足预设训练标准模块,用于若验证结果不满足预设训练标准,则跳转执行采用目标风险训练集训练初始风险识别模型,得到中间风险识别模型的步骤。
可选地,风险识别模型包括卷积层,视频流特征提取模块502包括:
视频帧图片抽取模块,用于按照预设的视频抽取间隔抽取实时视频流的视频帧图片。
视频流特征提取子模块,用于通过卷积层提取各个视频帧图片的视频流特征。
可选地,风险识别模型包括风险比较模块,风险类型识别模块503包括:
风险相似度计算模块,用于当视频流特征满足预设的制作开始条件时,通过风险比较模块分别计算视频流特征与多个预设的风险特征之间的风险相似度。
风险类型选取模块,用于选取最大的风险相似度对应的风险特征所属风险类型作为视频流特征所属的风险类型。
可选地,风险信息构建和构建数量统计模块504包括:
风险关键字获取模块,用于获取风险类型携带的风险关键字。
提取风险信息构建信息模块,用于从预设的视频流特征信息库中提取风险关键字对应的安全风险点、风险发生时间和风险图片。
风险信息构建和构建数量统计子模块,用于采用安全风险点、风险发生时间和风险图片,构建风险信息,并实时统计风险信息的构建数量。
可选地,风险识别模型包括结束特征比较模块,工作风险报告生成模块506包括:
特征相似度计算模块,用于通过结束特征比较模块计算视频流特征与预设的制作结束特征之间的特征相似度。
页面组件加载模块,用于当特征相似度满足预设阈值时,采用已有的全部风险信息分别加载对应的页面组件。
工作风险报告生成子模块,用于将全部页面组件进行渲染,生成工作风险报告。
本发明实施例还提供了一种电子设备,电子设备包括:存储器及处理器,存储器中储存有计算机程序;计算机程序被处理器执行时,使得处理器执行如上述任一实施例的电缆中间头制作风险的识别方法。
存储器可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器具有用于执行上述方法中的任何方法步骤的程序代码的存储空间。例如,用于程序代码的存储空间可以包括分别用于实现上面的方法中的各种步骤的各个程序代码。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。程序代码可以例如以适当形式进行压缩。这些代码当由计算处理设备运行时,导致该计算处理设备执行上面所描述的电缆中间头制作风险的识别方法中的各个步骤。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一实施例的电缆中间头制作风险的识别方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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)
1.一种电缆中间头制作风险的识别方法,其特征在于,包括:
获取电缆中间头制作间的实时视频流;
通过预设的风险识别模型提取所述实时视频流的视频流特征;
当所述视频流特征满足预设的制作开始条件时,通过所述风险识别模型识别所述视频流特征所属的风险类型;
采用所述风险类型构建风险信息,并实时统计所述风险信息的构建数量;
当所述构建数量大于等于预设风险阈值时,发送风险警告并重置所述构建数量;
当所述视频流特征满足预设的制作完成条件时,采用已有的全部所述风险信息,生成对应的工作风险报告。
2.根据权利要求1所述的电缆中间头制作风险的识别方法,其特征在于,还包括:
获取多个电缆中间头制作的监控视频;
按照预设的划分间隔将各个所述监控视频分别划分为多个静态图片,得到对应的静态图片集;
提取所述静态图片集中符合预设的初始风险类型的风险图片,构建风险训练集和风险验证集;
采用所述风险训练集训练初始风险识别模型,结合所述风险验证集和预设训练标准,构建所述风险识别模型。
3.根据权利要求2所述的电缆中间头制作风险的识别方法,其特征在于,所述采用所述风险训练集训练初始风险识别模型,结合所述风险验证集和预设训练标准,构建所述风险识别模型的步骤,包括:
按照预设的图片扩增方式扩增所述风险训练集中的风险图片数量,得到目标风险训练集;
采用所述目标风险训练集训练初始风险识别模型,得到中间风险识别模型;
采用所述风险验证集验证所述中间风险识别模型,得到验证结果;
若所述验证结果满足预设训练标准,则将所述中间风险识别模型确定为所述风险识别模型;
若所述验证结果不满足预设训练标准,则跳转执行所述采用所述目标风险训练集训练初始风险识别模型,得到中间风险识别模型的步骤。
4.根据权利要求1所述的电缆中间头制作风险的识别方法,其特征在于,所述风险识别模型包括卷积层;所述通过预设的风险识别模型提取所述实时视频流的视频流特征的步骤,包括:
按照预设的视频抽取间隔抽取所述实时视频流的视频帧图片;
通过所述卷积层提取各个所述视频帧图片的视频流特征。
5.根据权利要求1所述的电缆中间头制作风险的识别方法,其特征在于,所述风险识别模型包括风险比较模块;所述当所述视频流特征满足预设的制作开始条件时,通过所述风险识别模型识别所述视频流特征所属的风险类型的步骤,包括:
当所述视频流特征满足预设的制作开始条件时,通过所述风险比较模块分别计算所述视频流特征与多个预设的风险特征之间的风险相似度;
选取最大的所述风险相似度对应的风险特征所属风险类型作为所述视频流特征所属的风险类型。
6.根据权利要求1所述的电缆中间头制作风险的识别方法,其特征在于,所述采用所述风险类型构建风险信息,并实时统计所述风险信息的构建数量的步骤,包括:
获取所述风险类型携带的风险关键字;
从预设的视频流特征信息库中提取所述风险关键字对应的安全风险点、风险发生时间和风险图片;
采用所述安全风险点、所述风险发生时间和所述风险图片,构建风险信息,并实时统计所述风险信息的构建数量。
7.根据权利要求1所述的电缆中间头制作风险的识别方法,其特征在于,所述风险识别模型包括结束特征比较模块;所述当所述视频流特征满足预设的制作完成条件时,采用已有的全部所述风险信息,生成对应的工作风险报告的步骤,包括:
通过所述结束特征比较模块计算所述视频流特征与预设的制作结束特征之间的特征相似度;
当所述特征相似度满足预设阈值时,采用已有的全部所述风险信息分别加载对应的页面组件;
将全部所述页面组件进行渲染,生成工作风险报告。
8.一种电缆中间头制作风险的识别***,其特征在于,包括:
实时视频流获取模块,用于获取电缆中间头制作间的实时视频流;
视频流特征提取模块,用于通过预设的风险识别模型提取所述实时视频流的视频流特征;
风险类型识别模块,用于当所述视频流特征满足预设的制作开始条件时,通过所述风险识别模型识别所述视频流特征所属的风险类型;
风险信息构建和构建数量统计模块,用于采用所述风险类型构建风险信息,并实时统计所述风险信息的构建数量;
风险警告发送和构建数量重置模块,用于当所述构建数量大于等于预设风险阈值时,发送风险警告并重置所述构建数量;
工作风险报告生成模块,用于当所述视频流特征满足预设的制作完成条件时,采用已有的所述风险信息,生成对应的工作风险报告。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-7任一项所述的电缆中间头制作风险的识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1-7任一项所述的电缆中间头制作风险的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210818638.0A CN114913172B (zh) | 2022-07-13 | 2022-07-13 | 一种电缆中间头制作风险的识别方法、***、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210818638.0A CN114913172B (zh) | 2022-07-13 | 2022-07-13 | 一种电缆中间头制作风险的识别方法、***、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114913172A true CN114913172A (zh) | 2022-08-16 |
CN114913172B CN114913172B (zh) | 2022-12-30 |
Family
ID=82772342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210818638.0A Active CN114913172B (zh) | 2022-07-13 | 2022-07-13 | 一种电缆中间头制作风险的识别方法、***、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913172B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100250158A1 (en) * | 2009-03-31 | 2010-09-30 | Sun Microsystems, Inc. | Enhanced characterization of electrical connection degradation |
CN111093054A (zh) * | 2019-07-25 | 2020-05-01 | 中国石油天然气股份有限公司 | 施工现场的智能监管方法及*** |
CN111918039A (zh) * | 2020-08-13 | 2020-11-10 | 智点恒创(苏州)智能科技有限公司 | 基于5g网络的人工智能高风险作业管控*** |
CN112184678A (zh) * | 2020-09-30 | 2021-01-05 | 国网北京市电力公司 | 图像识别方法、装置、计算机可读存储介质及处理器 |
CN112257545A (zh) * | 2020-10-19 | 2021-01-22 | 安徽领云物联科技有限公司 | 一种违规行为实时监控分析方法、装置及存储介质 |
CN113111728A (zh) * | 2021-03-22 | 2021-07-13 | 广西电网有限责任公司电力科学研究院 | 面向变电站内电力生产作业风险的智能识别方法及*** |
CN113568887A (zh) * | 2021-07-30 | 2021-10-29 | 中国工商银行股份有限公司 | 一种基于大数据平台的运维操作监控方法及装置 |
CN113766256A (zh) * | 2021-02-09 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种直播风控方法和装置 |
CN114113105A (zh) * | 2021-11-12 | 2022-03-01 | 宁波新胜中压电器有限公司 | 一种电缆接头的检测设备及检测方法 |
-
2022
- 2022-07-13 CN CN202210818638.0A patent/CN114913172B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100250158A1 (en) * | 2009-03-31 | 2010-09-30 | Sun Microsystems, Inc. | Enhanced characterization of electrical connection degradation |
CN111093054A (zh) * | 2019-07-25 | 2020-05-01 | 中国石油天然气股份有限公司 | 施工现场的智能监管方法及*** |
CN111918039A (zh) * | 2020-08-13 | 2020-11-10 | 智点恒创(苏州)智能科技有限公司 | 基于5g网络的人工智能高风险作业管控*** |
CN112184678A (zh) * | 2020-09-30 | 2021-01-05 | 国网北京市电力公司 | 图像识别方法、装置、计算机可读存储介质及处理器 |
CN112257545A (zh) * | 2020-10-19 | 2021-01-22 | 安徽领云物联科技有限公司 | 一种违规行为实时监控分析方法、装置及存储介质 |
CN113766256A (zh) * | 2021-02-09 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种直播风控方法和装置 |
CN113111728A (zh) * | 2021-03-22 | 2021-07-13 | 广西电网有限责任公司电力科学研究院 | 面向变电站内电力生产作业风险的智能识别方法及*** |
CN113568887A (zh) * | 2021-07-30 | 2021-10-29 | 中国工商银行股份有限公司 | 一种基于大数据平台的运维操作监控方法及装置 |
CN114113105A (zh) * | 2021-11-12 | 2022-03-01 | 宁波新胜中压电器有限公司 | 一种电缆接头的检测设备及检测方法 |
Non-Patent Citations (2)
Title |
---|
全吉等: "国际总承包工程风险数据库和评估管理***分析与设计", 《南方能源建设》 * |
段春雨等: "基于互联网+计划的风险管控平台开发应用", 《中国高新技术企业》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114913172B (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110225299B (zh) | 视频监测方法、装置、计算机设备及存储介质 | |
CN109271961B (zh) | 基于人物身份特征识别的行为模式判断方法 | |
CN110738178A (zh) | 园区施工安全检测方法、装置、计算机设备及存储介质 | |
CN115953566B (zh) | 一种用于红外热成像仪的特征分析方法、***及介质 | |
CN104239309A (zh) | 视频分析检索服务端、***及方法 | |
CN111178241A (zh) | 一种基于视频分析的智能监控***及方法 | |
CN111027520A (zh) | 一种山火火点判识方法、装置和设备 | |
CN113743725B (zh) | 基于边缘计算的登高作业人员的登高资质检测方法及*** | |
CN113111823A (zh) | 一种建筑施工地的异常行为检测方法和相关装置 | |
CN111860187A (zh) | 一种高精度的佩戴口罩识别方法及*** | |
CN105407331A (zh) | 一种监控的方法以及监控设备 | |
CN107241585A (zh) | 视频监控方法及*** | |
CN114913172B (zh) | 一种电缆中间头制作风险的识别方法、***、设备和介质 | |
CN112686102B (zh) | 一种适应于地铁站点的快速排障方法 | |
CN113627321A (zh) | 基于人工智能的图像识别方法、装置及计算机设备 | |
CN111708906B (zh) | 基于人脸识别的来访检索方法、装置、设备及存储介质 | |
CN111553997A (zh) | 一种换岗***及其方法 | |
CN116524428A (zh) | 基于目标检测及场景融合的电力作业安全风险识别方法 | |
CN113177883B (zh) | 一种基于数据队列的排列传输*** | |
CN112613396B (zh) | 一种任务紧急程度处理方法及*** | |
CN115391596A (zh) | 视频档案生成方法、装置及存储介质 | |
CN115049893A (zh) | 一种基于机器视觉的电力作业现场违章判断方法 | |
CN114359828A (zh) | 目标行为的记录方法、装置、存储介质及电子装置 | |
CN114241400A (zh) | 电网***的监控方法及其装置、计算机可读存储介质 | |
CN113469150A (zh) | 一种用于对风险行为进行识别的方法及*** |
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 |