CN116012780A - 一种基于图像识别的火灾监控方法及*** - Google Patents
一种基于图像识别的火灾监控方法及*** Download PDFInfo
- Publication number
- CN116012780A CN116012780A CN202211655231.7A CN202211655231A CN116012780A CN 116012780 A CN116012780 A CN 116012780A CN 202211655231 A CN202211655231 A CN 202211655231A CN 116012780 A CN116012780 A CN 116012780A
- Authority
- CN
- China
- Prior art keywords
- image
- fire
- wolf
- prediction model
- wolves
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于图像识别的火灾监控方法及***,本***基于大量火灾早期的历史视频图像进行训练,综合了火灾早期的各种特性,能够可靠的对火灾早期进行识别,与传统的图像识别火灾技术相比,有效的提高了识别的准确率;采用C‑Y空间规则分割出各个图像中的目标区域,可以充分利用火灾中火焰或者烟雾的亮度和色度信息,将图像中的绝大多数非目标信息进行部分滤除;***通过构建KNN预测模型,并采用灰狼优化算法对KNN预测模型的惩罚参数和核函数参数进行参数优化,避免了传统的KNN算法中容易产生的局部最优的问题,提高了整体的识别率,降低了计算复杂度。本申请可解决现有图像识别火灾技术中因探测阶段和探测方法单一导致的识别不准确问题。
Description
技术领域
本发明属于火灾监控技术领域,尤其涉及一种基于图像识别的火灾监控方法及***。
背景技术
传统的火灾报警***是通过前端增设传感器,采集感应到温度、烟雾等信息后进行报警的。这些火灾报警***是基于实时集采的温度、烟雾等信息经过分析、确认来做出预警。虽然在一定程度上避免了火灾的蔓延,但是,数据的获取方式较为单一,容易出现识别不准确等问题。另一方面,历史火灾视频图像也是一种宝贵的经验,若能将历史火灾视频图像的数据用于火灾的判断,将会提高火灾识别的准确率。
发明内容
本发明的目的在于,提供了一种基于图像识别的火灾监控方法及***,以解决现有图像识别火灾技术中因探测阶段和探测方法单一导致的识别不准确的问题。
本发明的具体技术方案:本发明提供一种基于图像识别的火灾监控***,包括:
历史视频图像单元:用于采集火灾早期的历史视频图像,并传递给数据预处理单元;
数据预处理单元:用于接收历史视频图像单元的数据,处理完成后传递给模型训练单元;
模型训练单元:用于对数据预处理合格的视频进行模型训练,并移植至预测模型单元;
实时视频采集单元:用于利用摄像头实时采集视频,并传递给预测模型;
预测模型单元:用于接收来自实时视频采集单元传递的视频,并结合模型训练单元,进行电气火灾的预测;
预测结果输出单元:用于输出所述预测模型单元输出的预测结果。
优选的,所述数据预处理单元就是对历史视频图像进行预处理,实时抓取无重影图像,并将预处理后的历史视频图像分为训练集和测试集,训练集和测试集都包含火灾状态数据和非火灾状态数据。
优选的,所述数据预处理单元利用视频三色解码切割技术将所有图像归一化至统一尺寸,采用C-Y空间规则分割出各个图像中的目标区域,所述C-Y空间规则由C空间规则和Y空间规则组成。
优选的,所述C空间规则的判断条件为:(1)图像中的红色分量应大于绿色分量,且大于180;(2)图像中的绿色分量不小于蓝色分量;如果图像满足上述两个条件则初步判断为疑似目标区域,进入Y空间规则判断。
优选的,所述Y空间规则的判断条件为:(1)若原始图像S的颜色亮度成分大于蓝色分量的浓度偏移量,图像M的像素值维持原值,否则,图像的该像素值置零;(2)若M图像的颜色亮度成分大于原始图像S亮度的均值,图像N的像素值维持原值;若M图像的红色亮度成分大于原始图像S红色分量的均值,图像N的像素值填入红色浓度偏移量;否则,图像的该像素值置零。
优选的,所述模型训练就是通过建立KNN(k-Nearest Neighbors)预测模型,使用所述训练集训练所述KNN预测模型,采用灰狼优化算法对所述KNN预测模型的惩罚参数和核函数参数进行参数优化,并重新输入训练集进行训练,得到训练好的KNN预测模型,利用所述测试集来测试识别效果。
优选的,所述预测模型单元就是获取当前火灾早期的视频图像,利用训练好的KNN预测模型进行火灾预测,判断是否即将发生火灾。
本申请的另一种技术方案:一种基于图像识别的火灾监控方法,包括如下步骤:
步骤S1,采集火灾早期的历史视频图像;
步骤S2,对历史视频图像进行预处理,将预处理后的历史视频图像分为训练集和测试集,训练集和测试集都包含火灾状态数据和非火灾状态数据;
步骤S3,建立KNN预测模型,使用训练集训练KNN预测模型,采用灰狼群优化算法对KNN预测模型的惩罚参数和核函数参数进行参数优化,并重新输入训练集进行训练,得到训练好的KNN预测模型,采用测试集来测试识别效果;
步骤S4,获取当前火灾早期的视频图像,利用训练好的KNN预测模型进行火灾预测,判断是否即将发生火灾。
优选的,步骤S3中,采用灰狼优化算法对所述预测模型单元的惩罚参数和核函数参数进行优化,具体处理步骤包括:
(1)初始化灰狼优化算法的灰狼种群,包括种群规模N、灰狼个***置以及参数a、A和C,设置最大迭代次数为max,初始化KNN预测模型的惩罚参数C*和核函数参数g*;
(3)将N个灰狼个体的种群分为α狼、β狼、δ狼和ω狼四种类型,并计算全部灰狼个体的适应度,保存适应度最好的前三匹狼α狼、β狼和δ狼。适应度函数采用均方误差MSE,通过适应度函数值更新α狼、β狼和δ狼的位置,MSE均方根误差的计算公式为:
(4)在每次迭代过程中,更新ω狼中灰狼个体的方向与位置,更新参数a、A和C,计算全部灰狼个体的适应度,更新α狼、β狼和δ狼的位置。更新ω狼中灰狼个体的方向与位置的具体计算公式为
式中,p=α,β,δ,m=1,2,3,Dp(t)表示第t次迭代中α狼、β狼和δ狼分别与ω狼之间的距离,Xp(t)表示α狼、β狼和δ狼的当前位置,Xm(t)表示ω狼的当前位置,Xm(t+1)表示ω狼下一步的移动的位置,X(t+1)表示ω狼第t+1次迭代时的位置;
更新参数a、A和C,其计算公式为
其中,A表示第一协同系数,C表示第二协同系数,a是收敛因子,随着迭代次数从2线性减小到0,r1和r2为[0,1]之间的随机数;
(5)当达到最大迭代次数max,算法终止,输出N个灰狼个体的种群中的全局最优位置,即优化后KNN预测模型的惩罚参数C*和核函数参数g*,否则,跳转步骤(4)继续进行搜索。
本发明的有益效果为:本***基于大量火灾早期的历史视频图像进行训练,综合了火灾早期的各种特性,能够可靠的对火灾早期进行识别,与传统的图像识别火灾技术相比,有效的提高了识别的准确率;采用C-Y空间规则分割出各个图像中的目标区域,可以充分利用火灾中火焰或者烟雾的亮度和色度信息,将图像中的绝大多数非目标信息进行部分滤除;***通过构建KNN预测模型,并采用灰狼优化算法对KNN预测模型的惩罚参数和核函数参数进行参数优化,避免了传统的KNN算法中容易产生的局部最优的问题,提高了整体的识别率,降低了计算复杂度。
附图说明
图1是本发明基于图像识别的火灾监控***框图;
图2是本发明基于图像识别的新型电气火灾监控流程图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例
为了解决现有图像识别火灾技术中因探测阶段和探测方法单一导致的识别不准确问题,提出如图1所示的一种基于图像识别的火灾监控***,包括:历史视频图像单元、数据预处理单元、模型训练单元、实时视频采集单元、预测模型单元和预测结果输出单元。
所述测温单元用于展示电气开关柜的内部温度,所述测温单元并不直接与监测单元进行电连接。
所述历史视频图像单元用于采集火灾早期的历史视频图像,并传递给数据预处理单元。
所述数据预处理单元用于接收历史视频图像单元的数据,处理完成后传递给模型训练单元。
所述模型训练单元用于对数据预处理合格的视频进行模型训练,并移植至预测模型单元。
所述实时视频采集单元用于利用摄像头实时采集视频,并传递给预测模型。
所述预测模型单元用于接收来自实时视频采集单元传递的视频,并结合模型训练单元,进行电气火灾的预测。
所述预测结果输出单元用于输出所述预测模型单元输出的预测结果。
进一步,所述数据预处理单元就是对历史视频图像进行预处理,将预处理后的历史视频图像分为训练集和测试集,训练集和测试集都包含火灾状态数据和非火灾状态数据。对历史视频图像实时抓取无重影图像,数据预处理单元利用视频三色解码切割技术可完美解决上述问题。采用灰狼优化算法对KNN预测模型的惩罚参数和核函数参数进行优化。
进一步,所述视频三色解码切割技术就是将所有图像归一化至统一尺寸,采用C-Y空间规则分割出各个图像中的目标区域,C-Y空间规则由C空间规则和Y空间规则组成。
进一步,所述C空间规则的判断条件为:(1)图像中的红色分量应大于绿色分量,且大于180;(2)图像中的绿色分量不小于蓝色分量。如果图像满足该条件则初步判断为疑似目标区域,进入Y空间规则判断。
进一步,所述Y空间规则的判断条件为:(1)若原始图像S的颜色亮度成分大于蓝色分量的浓度偏移量,图像M的像素值维持原值,否则,图像的该像素值置零;(2)若M图形的颜色亮度成分大于原始图像S亮度的均值,图像N的像素值维持原值;若M图形的红色亮度成分大于原始图像S红色分量的均值,图像N的像素值填入红色浓度偏移量;否则,图像的该像素值置零。
进一步,所述灰狼优化算法对KNN预测模型的惩罚参数和核函数参数进行优化,其5步处理步骤包括:
(1)初始化灰狼优化算法的灰狼种群,包括种群规模N、灰狼个***置以及参数a、A和C,设置最大迭代次数为max,初始化KNN预测模型的惩罚参数C*和核函数参数g*;
(3)将N个灰狼个体的种群分为α狼、β狼、δ狼和ω狼四种类型,并计算全部灰狼个体的适应度,保存适应度最好的前三匹狼α狼、β狼和δ狼。适应度函数采用均方误差MSE,通过适应度函数值更新α狼、β狼和δ狼的位置,MSE均方根误差的计算公式为:
(4)在每次迭代过程中,更新ω狼中灰狼个体的方向与位置,更新参数a、A和C,计算全部灰狼个体的适应度,更新α狼、β狼和δ狼的位置。更新ω狼中灰狼个体的方向与位置的具体计算公式为
式中,p=α,β,δ,m=1,2,3,Dp(t)表示第t次迭代中α狼、β狼和δ狼分别与ω狼之间的距离,Xp(t)表示α狼、β狼和δ狼的当前位置,Xm(t)表示ω狼的当前位置,Xm(t+1)表示ω狼下一步的移动的位置,X(t+1)表示ω狼第t+1次迭代时的位置。
更新参数a、A和C,其计算公式为
其中,A表示第一协同系数,C表示第二协同系数,a是收敛因子,随着迭代次数从2线性减小到0,r1和r2为[0,1]之间的随机数。
(5)当达到最大迭代次数max,算法终止,输出N个灰狼个体的种群中的全局最优位置,即优化后KNN预测模型的惩罚参数C*和核函数参数g*,否则,跳转步骤(4)继续进行搜索。
进一步,所述模型训练就是通过建立KNN(k-Nearest Neighbors)预测模型,使用训练集训练KNN预测模型,采用灰狼优化算法对KNN预测模型的惩罚参数和核函数参数进行参数优化,并重新输入训练集进行训练,得到训练好的KNN预测模型,利用测试集来测试识别效果。
进一步,所述预测模型单元就是获取当前火灾早期的视频图像,利用训练好的KNN预测模型进行火灾预测,判断是否即将发生火灾。
结合图2,上述基于图像识别的火灾监控***的工作流程如下:
步骤S1,采集火灾早期的历史视频图像;
步骤S2,对历史视频图像进行预处理,将预处理后的历史视频图像分为训练集和测试集,训练集和测试集都包含火灾状态数据和非火灾状态数据;
步骤S3,建立KNN预测模型,使用训练集训练KNN预测模型,采用灰狼群优化算法对KNN预测模型的惩罚参数和核函数参数进行参数优化,并重新输入训练集进行训练,得到训练好的KNN预测模型,采用测试集来测试识别效果;
步骤S4,获取当前火灾早期的视频图像,利用训练好的KNN预测模型进行火灾预测,判断是否即将发生火灾。
综上,本***基于大量火灾早期的历史视频图像进行训练,综合了火灾早期的各种特性,能够可靠的对火灾早期进行识别,与传统的图像识别火灾技术相比,有效的提高了识别的准确率;采用C-Y空间规则分割出各个图像中的目标区域,可以充分利用火灾中火焰或者烟雾的亮度和色度信息,将图像中的绝大多数非目标信息进行部分滤除;***通过构建KNN预测模型,并采用灰狼优化算法对KNN预测模型的惩罚参数和核函数参数进行参数优化,避免了传统的KNN算法中容易产生的局部最优的问题,提高了整体的识别率,降低了计算复杂度。本火灾监控***尤其适用于电气开关柜等电气设备的火灾监控。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中,应该理解到,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,例如多个单元可结合为一个单元,一个单元可拆分为多个单元,或一些特征可以忽略等。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (9)
1.一种基于图像识别的火灾监控***,其特征在于,包括:
历史视频图像单元:用于采集火灾早期的历史视频图像,并传递给数据预处理单元;
数据预处理单元:用于接收历史视频图像单元的数据,处理完成后传递给模型训练单元;
模型训练单元:用于对数据预处理合格的视频进行模型训练,并移植至预测模型单元;
实时视频采集单元:用于利用摄像头实时采集视频,并传递给预测模型;
预测模型单元:用于接收来自实时视频采集单元传递的视频,并结合模型训练单元,进行电气火灾的预测;
预测结果输出单元:用于输出所述预测模型单元输出的预测结果。
2.根据权利要求1所述基于图像识别的火灾监控***,其特征在于,所述数据预处理单元就是对历史视频图像进行预处理,实时抓取无重影图像,并将预处理后的历史视频图像分为训练集和测试集,训练集和测试集都包含火灾状态数据和非火灾状态数据。
3.根据权利要求2所述基于图像识别的火灾监控***,其特征在于,所述数据预处理单元利用视频三色解码切割技术将所有图像归一化至统一尺寸,采用C-Y空间规则分割出各个图像中的目标区域,所述C-Y空间规则由C空间规则和Y空间规则组成。
4.根据权利要求3所述基于图像识别的火灾监控***,其特征在于,所述C空间规则的判断条件为:(1)图像中的红色分量应大于绿色分量,且大于180;(2)图像中的绿色分量不小于蓝色分量;如果图像满足上述两个条件则初步判断为疑似目标区域,进入Y空间规则判断。
5.根据权利要求3所述基于图像识别的火灾监控***,其特征在于,所述Y空间规则的判断条件为:(1)若原始图像S的颜色亮度成分大于蓝色分量的浓度偏移量,图像M的像素值维持原值,否则,图像的该像素值置零;(2)若M图像的颜色亮度成分大于原始图像S亮度的均值,图像N的像素值维持原值;若M图像的红色亮度成分大于原始图像S红色分量的均值,图像N的像素值填入红色浓度偏移量;否则,图像的该像素值置零。
6.根据权利要求2所述基于图像识别的火灾监控***,其特征在于,所述模型训练就是通过建立KNN预测模型,使用所述训练集训练所述KNN预测模型,采用灰狼优化算法对所述KNN预测模型的惩罚参数和核函数参数进行参数优化,并重新输入训练集进行训练,得到训练好的KNN预测模型,利用所述测试集来测试识别效果。
7.根据权利要求6所述基于图像识别的火灾监控***,其特征在于,所述预测模型单元通过获取当前火灾早期的视频图像,利用训练好的KNN预测模型进行火灾预测,判断是否即将发生火灾。
8.一种基于图像识别的火灾监控方法,其特征在于,包括如下步骤:
步骤S1,采集火灾早期的历史视频图像;
步骤S2,对历史视频图像进行预处理,将预处理后的历史视频图像分为训练集和测试集,训练集和测试集都包含火灾状态数据和非火灾状态数据;
步骤S3,建立KNN预测模型,使用训练集训练KNN预测模型,采用灰狼群优化算法对KNN预测模型的惩罚参数和核函数参数进行参数优化,并重新输入训练集进行训练,得到训练好的KNN预测模型,采用测试集来测试识别效果;
步骤S4,获取当前火灾早期的视频图像,利用训练好的KNN预测模型进行火灾预测,判断是否即将发生火灾。
9.根据权利要求8所述基于图像识别的火灾监控***,其特征在于,步骤S3中,采用灰狼优化算法对所述预测模型单元的惩罚参数和核函数参数进行优化,具体处理步骤包括:
(1)初始化灰狼优化算法的灰狼种群,包括种群规模N、灰狼个***置以及参数a、A和C,设置最大迭代次数为max,初始化KNN预测模型的惩罚参数C*和核函数参数g*;
(3)将N个灰狼个体的种群分为α狼、β狼、δ狼和ω狼四种类型,并计算全部灰狼个体的适应度,保存适应度最好的前三匹狼α狼、β狼和δ狼。适应度函数采用均方误差MSE,通过适应度函数值更新α狼、β狼和δ狼的位置,MSE均方根误差的计算公式为:
(4)在每次迭代过程中,更新ω狼中灰狼个体的方向与位置,更新参数a、A和C,计算全部灰狼个体的适应度,更新α狼、β狼和δ狼的位置。更新ω狼中灰狼个体的方向与位置的具体计算公式为
式中,p=α,β,δ,m=1,2,3,Dp(t)表示第t次迭代中α狼、β狼和δ狼分别与ω狼之间的距离,Xp(t)表示α狼、β狼和δ狼的当前位置,Xm(t)表示ω狼的当前位置,Xm(t+1)表示ω狼下一步的移动的位置,X(t+1)表示ω狼第t+1次迭代时的位置;
更新参数a、A和C,其计算公式为
其中,A表示第一协同系数,C表示第二协同系数,a是收敛因子,随着迭代次数从2线性减小到0,r1和r2为[0,1]之间的随机数;
(5)当达到最大迭代次数max,算法终止,输出N个灰狼个体的种群中的全局最优位置,即优化后KNN预测模型的惩罚参数C*和核函数参数g*,否则,跳转步骤(4)继续进行搜索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211655231.7A CN116012780A (zh) | 2022-12-22 | 2022-12-22 | 一种基于图像识别的火灾监控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211655231.7A CN116012780A (zh) | 2022-12-22 | 2022-12-22 | 一种基于图像识别的火灾监控方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116012780A true CN116012780A (zh) | 2023-04-25 |
Family
ID=86027562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211655231.7A Pending CN116012780A (zh) | 2022-12-22 | 2022-12-22 | 一种基于图像识别的火灾监控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012780A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612440A (zh) * | 2023-07-21 | 2023-08-18 | 山东金宇信息科技集团有限公司 | 一种基于机器视觉的建筑工程安全监测方法、设备及介质 |
CN117132945A (zh) * | 2023-10-25 | 2023-11-28 | 四川三思德科技有限公司 | 一种基于多源数据融合的重点区域安保方法及装置 |
CN117746602A (zh) * | 2024-02-19 | 2024-03-22 | 及安盾(海南)科技有限公司 | 基于多源数据融合的火灾风险智能预警方法及*** |
-
2022
- 2022-12-22 CN CN202211655231.7A patent/CN116012780A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612440A (zh) * | 2023-07-21 | 2023-08-18 | 山东金宇信息科技集团有限公司 | 一种基于机器视觉的建筑工程安全监测方法、设备及介质 |
CN116612440B (zh) * | 2023-07-21 | 2023-09-29 | 山东金宇信息科技集团有限公司 | 一种基于机器视觉的建筑工程安全监测方法、设备及介质 |
CN117132945A (zh) * | 2023-10-25 | 2023-11-28 | 四川三思德科技有限公司 | 一种基于多源数据融合的重点区域安保方法及装置 |
CN117132945B (zh) * | 2023-10-25 | 2024-01-09 | 四川三思德科技有限公司 | 一种基于多源数据融合的重点区域安保方法及装置 |
CN117746602A (zh) * | 2024-02-19 | 2024-03-22 | 及安盾(海南)科技有限公司 | 基于多源数据融合的火灾风险智能预警方法及*** |
CN117746602B (zh) * | 2024-02-19 | 2024-05-28 | 及安盾(海南)科技有限公司 | 基于多源数据融合的火灾风险智能预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116012780A (zh) | 一种基于图像识别的火灾监控方法及*** | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN110310261B (zh) | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 | |
CN108921051B (zh) | 基于循环神经网络注意力模型的行人属性识别网络及技术 | |
CN111079655B (zh) | 一种基于融合神经网络的视频中人体行为识别方法 | |
CN109902633A (zh) | 基于固定位摄像机监控视频的异常事件检测方法及装置 | |
CN110222592B (zh) | 一种基于互补时序行为提案生成的时序行为检测网络模型的构建方法 | |
CN104809463B (zh) | 一种基于密集尺度不变特征转换字典学习的高精度火灾火焰检测方法 | |
CN107257351B (zh) | 一种基于灰色lof流量异常检测***及其检测方法 | |
CN112131927B (zh) | 基于妊娠后期姿态转化特性的母猪分娩时间预测*** | |
CN116092018B (zh) | 一种基于智慧建筑的消防隐患监测方法及*** | |
CN110427871B (zh) | 一种基于计算机视觉的疲劳驾驶检测方法 | |
CN112257526B (zh) | 一种基于特征交互学习的动作识别方法及终端设备 | |
CN116229668B (zh) | 基于红外视频监测的火灾定位*** | |
CN113315781B (zh) | 基于hmm模型的异常数据检测方法 | |
CN113180701B (zh) | 一种用于图像标签标注的脑电信号深度学习方法 | |
CN108921872B (zh) | 一种适用于长程跟踪的鲁棒性视觉目标跟踪方法 | |
CN116612438B (zh) | 基于热成像的蒸汽锅炉燃烧状态实时监测*** | |
US20230409422A1 (en) | Systems and Methods for Anomaly Detection in Multi-Modal Data Streams | |
CN117936190A (zh) | 绞线机的监测***及其方法 | |
CN117635649A (zh) | 一种滑坡监测方法及*** | |
CN116363984A (zh) | 一种显示屏闪烁校正方法及校正*** | |
CN114581769A (zh) | 一种基于无监督聚类的在建房屋识别方法 | |
CN108629119A (zh) | 一种时序modis定量遥感产品时空修复及批处理实现方法 | |
CN113971825A (zh) | 基于人脸感兴趣区域贡献度的跨数据集微表情识别方法 |
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 |