CN116546023A - 一种油气作业区暴力行为识别方法及*** - Google Patents
一种油气作业区暴力行为识别方法及*** Download PDFInfo
- Publication number
- CN116546023A CN116546023A CN202310822127.0A CN202310822127A CN116546023A CN 116546023 A CN116546023 A CN 116546023A CN 202310822127 A CN202310822127 A CN 202310822127A CN 116546023 A CN116546023 A CN 116546023A
- Authority
- CN
- China
- Prior art keywords
- video data
- real
- time video
- time
- training
- 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
- 206010001488 Aggression Diseases 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000001514 detection method Methods 0.000 claims abstract description 57
- 230000006399 behavior Effects 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Social Psychology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本公开揭示了一种油气作业区暴力行为识别方法及***,其方法包括如下步骤:S100:采集油气作业区内作业人员的实时视频数据;S200:通过边缘端对所采集的实时视频数据进行预处理,以获得预处理后的实时视频数据;S300:将预处理后的实时视频数据传输至边缘端的时空双尺度暴力行为检测模型,以对油气作业区内作业人员的行为进行检测;其中,所述时空双尺度暴力行为检测模型预先通过云端服务器收集各个边缘端预处理后的实时视频数据训练集样本,在云端服务器完成训练后下发至边缘端;S400:根据检测结果以对作业人员是否存在暴力行为进行识别;S500:若识别出作业人员存在暴力行为,则进行预警。
Description
技术领域
本公开属于图像处理技术领域,具体涉及一种油气作业区暴力行为识别方法及***。
背景技术
油气作业区暴力行为识别通常基于传统安防摄像头,且依靠人力观察监控作业区,这将导致暴力行为漏检以及难以实现实时报警;针对这一问题,虽然能采用基于深度学习的暴力行为智能视频检测***,但需要将视频传入云端进行计算,导致传输有延时,实时性差。
发明内容
针对现有技术中的不足,本公开的目的在于提供一种油气作业区暴力行为识别方法,该方法能够准确识别出作业区域的暴力行为,并及时进行预警。
为实现上述目的,本公开提供以下技术方案:
一种油气作业区暴力行为识别方法,包括如下步骤:
S100:采集油气作业区内作业人员的实时视频数据;
S200:通过边缘端对所采集的实时视频数据进行预处理,以获得预处理后的实时视频数据;
S300:将预处理后的实时视频数据传输至边缘端的时空双尺度暴力行为检测模型,以对油气作业区内作业人员的行为进行检测;其中,所述时空双尺度暴力行为检测模型预先通过云端服务器收集各个边缘端预处理后的实时视频数据训练集样本,在云端服务器完成训练后下发至边缘端;
S400:根据检测结果以对作业人员是否存在暴力行为进行识别。
优选的,步骤S200中,所述对所采集的实时视频数据进行预处理包括如下步骤:对所采集的实时视频数据进行稀疏抽帧处理。
优选的,步骤S300中,所述时空双尺度暴力行为检测模型包括:卷积特征提取块、双池层、短时提取块、长时提取块、Trans模块、全连接模块和Softmax函数。
优选的,步骤S300中,所述时空双尺度暴力行为检测模型通过以下步骤进行训练:
S301:构建数据集,对数据集进行预处理后划分为训练集和测试集;
S302:设置训练参数,利用预处理后的训练集对模型进行训练,训练策略设置为线性预测策略,当达到一定训练次数后,模型训练完成;
S303:利用预处理后的测试集对训练后的模型进行测试,当模型输出置信度达到0.95或以上时,测试通过;否则重新设置训练参数对模型进行训练。
优选的,所述方法还包括如下步骤:
S500:若识别出作业人员存在暴力行为,则进行预警。
本公开还提出一种油气作业区暴力行为识别***,包括:
采集模块,用于采集油气作业区内作业人员的实时视频数据;
预处理模块,用于通过边缘端对所采集的实时视频数据进行预处理,以获得预处理后的实时视频数据;
检测模块,用于将预处理后的实时视频数据传输至边缘端的时空双尺度暴力行为检测模型,以对油气作业区内作业人员的行为进行检测;其中,所述时空双尺度暴力行为检测模型预先通过云端服务器收集各个边缘端预处理后的实时视频数据训练集样本,在云端服务器完成训练后下发至边缘端;
识别模块,用于根据检测结果以对作业人员是否存在暴力行为进行识别。
优选的,所述检测模块包括:
训练模块,用于通过云端服务器对时空双尺度暴力行为检测模型进行训练,以获得训练好的时空双尺度暴力行为检测模型。
优选的,所述***还包括:
预警模块,用于当识别出作业人员存在暴力行为时进行预警。
本公开还提出一种油气作业区暴力行为识别***,包括:
监控摄像头,用于采集油气作业区内作业人员的实时视频数据;
边缘端,用于对所采集的实时视频数据进行预处理,以获得预处理后的实时视频数据;以及用于将预处理后的实时视频数据传输至边缘端的时空双尺度暴力行为检测模型,以对油气作业区内作业人员的行为进行检测,并根据检测结果以对作业人员是否存在暴力行为进行识别;其中,所述时空双尺度暴力行为检测模型预先通过云端服务器收集各个边缘端预处理后的实时视频数据训练集样本,在云端服务器完成训练后下发至边缘端;
预警模块,用于当边缘端识别出作业人员存在暴力行为时进行预警;
云端服务器,用于训练时空双尺度暴力行为检测模型。
本公开还提出一种计算机存储介质,包括:
存储器,用于存储有计算机指令,
处理器,用于执行所述计算机指令以实现如前任一所述的方法。
与现有技术相比,本公开带来的有益效果为:
1、本公开通过云端服务器收集各个边缘端发送的训练集样本以构建并训练时空双尺度暴力行为检测模型并训练完成后下发至边缘端,然后使得边缘端能够准确识别出油气作业区域内的暴力行为;
2、本公开可以部署在网络边缘侧的智能网关上,就近处理采集到的数据,而不需要将大量数据上传到远端的核心管理平台。和云端计算相比,边缘计算利用云服务器上已有的数据和计算能力,得到识别结果的响应时间大大缩短,而且当识别结果返回的同时,还能够进一步将视频的特征信息发送给云端服务器作为新的训练集以优化模型并将优化后的模型再次下发至边缘端,从而利用边缘端和云端服务器实现自优化。
附图说明
图1为本公开一个实施例提供的一种油气作业区暴力行为识别方法流程图;
图2为本公开另一个实施例提供的时空双尺度暴力行为检测模型的结构示意图;
图3为本公开另一个实施例提供的模型中卷积提取块的结构图;
图4为本公开另一个实施例提供的短时提取块与长时提取块的结构图;
图5为本公开另一个实施例提供的短时提取块与长时提取块提取的特征图;
图6为本公开一个实施例提供的边云架构图;
图7为本公开另一个实施例提供的边缘端算法图。
具体实施方式
下面将参照附图1至图7详细描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例,然而应当理解,可以通过各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式,而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本公开的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本公开的范围。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且各个附图并不构成对本公开实施例的限定。
一个实施例中,如图1所示,本公开提出一种油气作业区暴力行为识别方法,包括如下步骤:
S100:采集油气作业区内作业人员的实时视频数据;
S200:通过边缘端对所采集的实时视频数据进行预处理,即对视频数据尺寸进行适当裁剪,以获得预处理后的实时视频数据;
S300:将预处理后的实时视频数据传输至边缘端的时空双尺度暴力行为检测模型,以对油气作业区内作业人员的行为进行检测;其中,所述时空双尺度暴力行为检测模型预先通过云端服务器收集各个边缘端预处理后的实时视频数据训练集样本,在云端服务器完成训练后下发至边缘端;
S400:根据检测结果以对作业人员是否存在暴力行为进行识别。
另一个实施例中,步骤S200中,所述对所采集的实时视频数据进行预处理包括如下步骤:对所采集的实时视频数据进行稀疏抽帧处理。
本实施例中,通过以下方式对所采集的实时视频数据进行稀疏抽帧处理:
其中,为稀疏抽帧间隔,为视频总帧,为稀疏抽帧后的总集合。
经过稀疏抽帧处理后的视频的帧数调整为32帧,图像输入分辨率调整为224*224。
另一个实施例中,步骤S300中,如图2所示,所述时空双尺度暴力行为检测模型包括:卷积特征提取块、双池层、短时提取块、长时提取块、Trans模块、全连接模块和Softmax函数。
本实施例中,先利用如图3所示的2D+1D卷积提取块(STM)对预处理后的实时视频数据进行粗提取,以获得视频数据中前景和背景之间的关键特征(例如作业人员的肢体动作时序差异),其中,卷积提取块由四个时空卷积块和两个最大空间池化组成。
其次,由卷积提取块提取到的关键特征被送入双池层,双池层包括时间池和跨通道池,分别用于构建具有短帧速率和长帧速率的不同模态数据。在获取的不同帧率特性上,本实施例针对性地对两种模态数据通过短时提取块(STB)和长时提取块(LTB)(结构如图4所示)以提取不同时空尺度特征,STB注重提取空间特征,而LTB更注重提取时序特征,其中,STB模块利用大通道的1X3X3空间卷积对具备丰富空间特征的短帧速率数据进行特征提取,大通道数量设置为128,256,512以及2048。与STB相反,LTB应用更多的时间卷积以适应具备丰富时间特征的长帧速率数据,并且为了削弱空间提取能力,在通道维度上缩减为32,64,128以及256,双分支分别侧重不同模态数据提取。
经过短时提取块和长时提取块的提取,可获得如图5所示的两组特征图,对两组特征图进行通道归一化操作提升融合效率,并设计Trans模块,Trans模块通过3D卷积对双分支实现时间维度上的匹配并进行横向连接操作,以促进STB和LTB之间的特征交互,融合后的特征为128维的特征向量,将128维特征向量输入全连接模块,全连接模块输出表示暴力行为与非暴力行为的2维向量,再利用Softmax函数对向量激活并获得向量的置信度,置信度计算公式如下:
其中,表示第个向量,表示指数函数。
进一步的,可根据由上式计算获得的置信度判断是否存在暴力行为,由于训练数据主要将激烈的斗殴定义为暴力行为(具体包括挥拳或踢腿等肢体冲突),因此若置信度大于设定阈值(本实施例中阈值设定为95%),则判定油气作业区内的作业人员存在暴力行为;否则就不存在暴力行为。
另一个实施例中,所述时空双尺度暴力行为检测模型通过以下步骤进行训练:
S301:构建数据集,对数据集进行预处理后划分为训练集和测试集;
S302:设置Adam优化器,训练参数设置为lr=0.0001,beta1=0.9,beta2=0.99和epsilon=1e-8,利用预处理后的训练集对模型进行训练,训练策略设置为线性预测策略,当达到一定训练次数后,模型训练完成;
S303:利用预处理后的测试集对训练后的模型进行测试,当模型输出置信度达到0.95及以上时,测试通过;否则重新设置训练参数(例如降低模型学习率)对模型进行训练。
另一个实施例中,所述方法还包括如下步骤:
S500:若识别出作业人员存在暴力行为,则进行预警。
另一个实施例中,本公开还提出一种油气作业区暴力行为识别***,包括:
采集模块,用于采集油气作业区内作业人员的实时视频数据;
预处理模块,用于通过边缘端对所采集的实时视频数据进行预处理,以获得预处理后的实时视频数据;
检测模块,用于将预处理后的实时视频数据传输至边缘端的时空双尺度暴力行为检测模型,以对油气作业区内作业人员的行为进行检测;其中,所述时空双尺度暴力行为检测模型预先通过云端服务器收集各个边缘端预处理后的实时视频数据训练集样本,在云端服务器完成训练后下发至边缘端;
识别模块,用于根据检测结果以对作业人员是否存在暴力行为进行识别。
另一个实施例中,所述检测模块包括:
训练模块,用于通过云端服务器对时空双尺度暴力行为检测模型进行训练,以获得训练好的时空双尺度暴力行为检测模型。
另一个实施例中,,所述***还包括:
预警模块,用于当识别出作业人员存在暴力行为时进行预警。
另一个实施例中,如图6所示,本公开还提出一种油气作业区暴力行为识别***,包括:
监控摄像头,用于采集油气作业区内作业人员的实时视频数据;
边缘端,用于对所采集的实时视频数据进行预处理,以获得预处理后的实时视频数据;以及用于将预处理后的实时视频数据传输至边缘端的时空双尺度暴力行为检测模型,以对油气作业区内作业人员的行为进行检测,并根据检测结果以对作业人员是否存在暴力行为进行识别;其中,所述时空双尺度暴力行为检测模型预先通过云端服务器收集各个边缘端预处理后的实时视频数据训练集样本,在云端服务器完成训练后下发至边缘端;
预警模块,用于当边缘端识别出作业人员存在暴力行为时进行预警;
云端服务器,用于训练时空双尺度暴力行为检测模型。
本实施例中,如图7所示,基于上述***对视频数据进行处理包括以下步骤:
监控摄像头将获取到的视频数据传到边缘计算设备(例如Jetson Xavier NX)中,通过边缘计算设备对视频数据进行稀疏抽帧,得到视频数据的稀疏集并作为检测模型的输入数据,其抽帧流程如下:
其中,为稀疏抽帧间隔,为视频总帧,为稀疏抽帧后的总集合。
所获取到的稀疏集经过内置于边缘计算设备中的暴力行为识别检测模型后,通过双尺度融合预测得到相应的置信度,通过边缘端服务器来判断是否需要发出警报。
边缘端服务器将边缘计算设备汇总的结果视频与发出报警信息的视频上传到云端服务器,云端服务器使用相关视频对所对应的模型进行进一步训练,更新模型的参数,提高模型的精度。
另一个实施例中,本公开还提出一种计算机存储介质,包括:
存储器,用于存储有计算机指令,
处理器,用于执行所述计算机指令以实现如前任一所述的方法。
尽管以上结合附图对本发明的实施方案进行了描述,但本发明并不局限于上述的具体实施方案和应用领域,其中验证对象不局限于特定传感器布置角度或分体式叶盘结构,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本发明保护之列。
Claims (10)
1.一种油气作业区暴力行为识别方法,包括如下步骤:
S100:采集油气作业区内作业人员的实时视频数据;
S200:通过边缘端对所采集的实时视频数据进行预处理,以获得预处理后的实时视频数据;
S300:将预处理后的实时视频数据传输至边缘端的时空双尺度暴力行为检测模型,以获得油气作业区内作业人员的行为检测结果;其中,所述时空双尺度暴力行为检测模型预先通过云端服务器收集各个边缘端预处理后的实时视频数据训练集样本,在云端服务器完成训练后下发至边缘端;
S400:根据所述行为检测结果以对作业人员是否存在暴力行为进行识别。
2.根据权利要求1所述的方法,其中,步骤S200中,所述对所采集的实时视频数据进行预处理包括如下步骤:对所采集的实时视频数据进行稀疏抽帧处理。
3.根据权利要求1所述的方法,其中,步骤S300中,所述时空双尺度暴力行为检测模型包括:卷积特征提取块、双池层、短时提取块、长时提取块、Trans模块、全连接模块和Softmax函数。
4.根据权利要求1所述的方法,其中,步骤S300中,所述时空双尺度暴力行为检测模型通过以下步骤进行训练:
S301:构建数据集,对数据集进行预处理后划分为训练集和测试集;
S302:设置训练参数,利用预处理后的训练集对模型进行训练,训练策略设置为线性预测策略,当达到一定训练次数后,模型训练完成;
S303:利用预处理后的测试集对训练后的模型进行测试,当模型输出置信度达到0.95及以上时,测试通过;否则重新设置训练参数对模型进行训练。
5.根据权利要求1所述的方法,其中,所述方法还包括如下步骤:
S500:若识别出作业人员存在暴力行为,则进行预警。
6.一种油气作业区暴力行为识别***,包括:
采集模块,用于采集油气作业区内作业人员的实时视频数据;
预处理模块,用于通过边缘端对所采集的实时视频数据进行预处理,以获得预处理后的实时视频数据;
检测模块,用于将预处理后的实时视频数据传输至边缘端的时空双尺度暴力行为检测模型,以对油气作业区内作业人员的行为进行检测;其中,所述时空双尺度暴力行为检测模型预先通过云端服务器收集各个边缘端预处理后的实时视频数据训练集样本,在云端服务器完成训练后下发至边缘端;
识别模块,用于根据检测结果以对作业人员是否存在暴力行为进行识别。
7.根据权利要求6所述的***,其中,所述检测模块包括:
训练模块,用于通过云端服务器对时空双尺度暴力行为检测模型进行训练,以获得训练好的时空双尺度暴力行为检测模型。
8.根据权利要求6所述的***,其中,所述***还包括:
预警模块,用于当识别出作业人员存在暴力行为时进行预警。
9.一种油气作业区暴力行为识别***,包括:
监控摄像头,用于采集油气作业区内作业人员的实时视频数据;
边缘端,用于对所采集的实时视频数据进行预处理,以获得预处理后的实时视频数据;以及用于将预处理后的实时视频数据传输至边缘端的时空双尺度暴力行为检测模型,以对油气作业区内作业人员的行为进行检测,并根据检测结果以对作业人员是否存在暴力行为进行识别;其中,所述时空双尺度暴力行为检测模型预先通过云端服务器收集各个边缘端预处理后的实时视频数据训练集样本,在云端服务器完成训练后下发至边缘端;
预警模块,用于当边缘端识别出作业人员存在暴力行为时进行预警;
云端服务器,用于训练时空双尺度暴力行为检测模型。
10.一种计算机存储介质,包括:
存储器,用于存储有计算机指令,
处理器,用于执行所述计算机指令以实现如权利要求1至5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310822127.0A CN116546023B (zh) | 2023-07-06 | 2023-07-06 | 一种油气作业区暴力行为识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310822127.0A CN116546023B (zh) | 2023-07-06 | 2023-07-06 | 一种油气作业区暴力行为识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116546023A true CN116546023A (zh) | 2023-08-04 |
CN116546023B CN116546023B (zh) | 2023-09-29 |
Family
ID=87447517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310822127.0A Active CN116546023B (zh) | 2023-07-06 | 2023-07-06 | 一种油气作业区暴力行为识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116546023B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173690A (zh) * | 2023-10-24 | 2023-12-05 | 四川泓宝润业工程技术有限公司 | 自动定位和读取天然气仪表读数的方法、装置及电子设备 |
CN117237994A (zh) * | 2023-11-13 | 2023-12-15 | 四川泓宝润业工程技术有限公司 | 一种油气作业区人员计数及行为检测方法、装置及*** |
CN117830313A (zh) * | 2024-03-05 | 2024-04-05 | 四川泓宝润业工程技术有限公司 | 基于深度学习的油田井口下方检测方法、装置、*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190377953A1 (en) * | 2018-06-06 | 2019-12-12 | Seventh Sense Artificial Intelligence Pvt Ltd | Network switching appliance, process and system for performing visual analytics for a streaming video |
CN113469654A (zh) * | 2021-07-05 | 2021-10-01 | 安徽南瑞继远电网技术有限公司 | 一种基于智能算法融合的变电站多层次安全管控*** |
CN113642403A (zh) * | 2021-07-13 | 2021-11-12 | 重庆科技学院 | 基于边缘计算的人群异动智能安全检测*** |
CN113887272A (zh) * | 2021-07-13 | 2022-01-04 | 重庆科技学院 | 基于边缘计算的暴力行为智能安全检测*** |
CN114885119A (zh) * | 2022-03-29 | 2022-08-09 | 西北大学 | 一种基于计算机视觉的智能监控报警***及方法 |
CN115346150A (zh) * | 2022-07-19 | 2022-11-15 | 内蒙古工业大学 | 一种基于边缘计算的暴力行为检测方法及*** |
CN116189286A (zh) * | 2022-12-26 | 2023-05-30 | 西安工业大学 | 一种视频图像暴力行为检测模型及检测方法 |
-
2023
- 2023-07-06 CN CN202310822127.0A patent/CN116546023B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190377953A1 (en) * | 2018-06-06 | 2019-12-12 | Seventh Sense Artificial Intelligence Pvt Ltd | Network switching appliance, process and system for performing visual analytics for a streaming video |
CN113469654A (zh) * | 2021-07-05 | 2021-10-01 | 安徽南瑞继远电网技术有限公司 | 一种基于智能算法融合的变电站多层次安全管控*** |
CN113642403A (zh) * | 2021-07-13 | 2021-11-12 | 重庆科技学院 | 基于边缘计算的人群异动智能安全检测*** |
CN113887272A (zh) * | 2021-07-13 | 2022-01-04 | 重庆科技学院 | 基于边缘计算的暴力行为智能安全检测*** |
CN114885119A (zh) * | 2022-03-29 | 2022-08-09 | 西北大学 | 一种基于计算机视觉的智能监控报警***及方法 |
CN115346150A (zh) * | 2022-07-19 | 2022-11-15 | 内蒙古工业大学 | 一种基于边缘计算的暴力行为检测方法及*** |
CN116189286A (zh) * | 2022-12-26 | 2023-05-30 | 西安工业大学 | 一种视频图像暴力行为检测模型及检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173690A (zh) * | 2023-10-24 | 2023-12-05 | 四川泓宝润业工程技术有限公司 | 自动定位和读取天然气仪表读数的方法、装置及电子设备 |
CN117173690B (zh) * | 2023-10-24 | 2024-01-26 | 四川泓宝润业工程技术有限公司 | 自动定位和读取天然气仪表读数的方法、装置及电子设备 |
CN117237994A (zh) * | 2023-11-13 | 2023-12-15 | 四川泓宝润业工程技术有限公司 | 一种油气作业区人员计数及行为检测方法、装置及*** |
CN117237994B (zh) * | 2023-11-13 | 2024-02-13 | 四川泓宝润业工程技术有限公司 | 一种油气作业区人员计数及行为检测方法、装置及*** |
CN117830313A (zh) * | 2024-03-05 | 2024-04-05 | 四川泓宝润业工程技术有限公司 | 基于深度学习的油田井口下方检测方法、装置、*** |
CN117830313B (zh) * | 2024-03-05 | 2024-05-28 | 四川泓宝润业工程技术有限公司 | 基于深度学习的油田井口下方检测方法、装置、*** |
Also Published As
Publication number | Publication date |
---|---|
CN116546023B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116546023B (zh) | 一种油气作业区暴力行为识别方法及*** | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN113052029A (zh) | 基于动作识别的异常行为监管方法、装置及存储介质 | |
CN111860318A (zh) | 一种建筑工地行人徘徊检测方法、装置、设备及存储介质 | |
CN102915432B (zh) | 一种车载微机图像视频数据提取方法及装置 | |
CN111091098B (zh) | 检测模型的训练方法、检测方法及相关装置 | |
CN108364374A (zh) | 基于深度学习的人脸门禁控制装置及方法 | |
CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
CN110675395A (zh) | 输电线路智能在线监测方法 | |
CN110390308B (zh) | 一种基于时空对抗生成网络的视频行为识别方法 | |
CN115620212B (zh) | 一种基于监控视频的行为识别方法及*** | |
CN102917207A (zh) | 基于运动序列的异常行为视觉监测*** | |
CN115249331B (zh) | 基于卷积神经网络模型的矿山生态安全识别方法 | |
CN111738218A (zh) | 人体异常行为识别***及方法 | |
CN112349057A (zh) | 基于深度学习的室内烟雾和火灾检测方法 | |
CN111723656B (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
CN111126411B (zh) | 一种异常行为识别方法及装置 | |
CN115861210A (zh) | 一种基于孪生网络的变电站设备异常检测方法和*** | |
CN116092119A (zh) | 基于多维度特征融合的人体行为识别***及其工作方法 | |
CN112232236B (zh) | 行人流量的监测方法、***、计算机设备和存储介质 | |
CN113627321A (zh) | 基于人工智能的图像识别方法、装置及计算机设备 | |
CN113887272A (zh) | 基于边缘计算的暴力行为智能安全检测*** | |
CN111738188B (zh) | 一种输电线路压接金具识别方法、装置、终端及存储介质 | |
EP4089572A1 (en) | Pedestrian search method, server, and storage medium | |
CN115995093A (zh) | 一种基于改进YOLOv5的安全帽佩戴识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |