-
Patent Agency Ranking
公开(公告)号：CN118262150A
公开(公告)日：2024-06-28
申请号：CN202410319618.8
申请日：2024-03-20
Applicant: 福建和盛高科技产业有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/75 , G06V10/74 , G06V10/82 , G06V10/50 , G06N3/0455 , G06N3/0464 , G06N3/042 , G06N3/08
Abstract: 本发明公开一种基于孪生神经网络的配电房设备异常检测方法，包括：步骤1，采集获取数据集；步骤2，搭建孪生神经网络，采用ResNet作为孪生神经网络的主干特征提取网络，并将Unet++的编码器部分作为孪生网络的共享部分；步骤3，利用采集的数据集对孪生神经网络进行模型训练得到异常检测模型；步骤4，获取摄像头采集的一张待测图片和同一点位对应的基准图，对输入异常检测模型进行推理得到对齐的图像对；步骤5，将对齐的图像对中待测图变化区域的掩膜进行图像形态学处理和相似度分析，以判断设备是否异常。本发明通过现场监控视频实时采集的图像数据，结合深度学习和传统图像处理技术对配电设备快速判断是否发生异常。
-
公开(公告)号：CN114550287B
公开(公告)日：2024-06-21
申请号：CN202210100918.8
申请日：2022-01-27
Applicant: 福建和盛高科技产业有限公司
Abstract: 本发明公开基于人体关键点的变电站场景下人员行为异常检测方法，依时间顺序获取待测人员行为异常的一张视频图像；使用多人姿态识别框架进行骨骼关键点检测；在检测到骨骼关键点后对指定关键点每三个计算得到多个角度，多个角度形成特征向量使用多目标跟踪算法sort方法进行跟踪；计算同一特征向量的跟踪累计时长，直到跟踪累计时长达到设定时长；将累计时长内的视频图像的特征向量拼接形成异常行为特征向量；将异常行为特征向量输入经训练好的GBDT模型进行异常行为判断，以获取异常行为判定结果。本发明降低异常动作处于边缘时候特征不全导致训练存在偏差而影响测试时候的识别精度，从而降低误报。
-
公开(公告)号：CN114549814A
公开(公告)日：2022-05-27
申请号：CN202210089450.7
申请日：2022-01-25
Applicant: 福建和盛高科技产业有限公司
Abstract: 本发明公开基于yolox检测的仪表读数识别方法，获取一张待测试的输入图片；使用yolox检测输入图中是否有仪表；是则，获取yolox输出的仪表类型，当yolox输出的仪表类型为数字仪表时，获取数字仪表框内的数字并查询该数字按照其位置关系得到具体数字作为仪表读数；当yolox输出的仪表类型为指针类型仪表时，获取yolox检测到的指针仪表框的圆心坐标，并基于圆心坐标查找匹配yolox检测到的指针以及指针两侧的数字，基于指针与指针两侧数字的位置关系，计算得到指针类型仪表的仪表读数；最后输出并显示获取的仪表读数。本发明方法可同时识别数字类型和多种指针类型的仪表。
-
公开(公告)号：CN116403126A
公开(公告)日：2023-07-07
申请号：CN202310132178.0
申请日：2023-02-17
Applicant: 福建和盛高科技产业有限公司
IPC: G06V20/17 , G06V10/26 , G06V10/422 , G06T5/00 , G06V10/82
Abstract: 本发明公开一种配网架空线路的鸟巢和悬浮物检测方法，利用无人拍摄的视觉图像，预处理完之后完成数据标注；在修改后的网络上用预处理标注后的数据进行训练；用利用yolov5深度学习方法训练好的模型检测出鸟巢和悬浮物的相关输出，然后用形状判断的方法完成输出过滤，可有效提升运维人员的工作效率。本发明利用形状过滤的方法有效降低了鸟巢和漂浮物误报率。
-
公开(公告)号：CN114550287A
公开(公告)日：2022-05-27
申请号：CN202210100918.8
申请日：2022-01-27
Applicant: 福建和盛高科技产业有限公司
Abstract: 本发明公开基于人体关键点的变电站场景下人员行为异常检测方法，依时间顺序获取待测人员行为异常的一张视频图像；使用多人姿态识别框架进行骨骼关键点检测；在检测到骨骼关键点后对指定关键点每三个计算得到多个角度，多个角度形成特征向量使用多目标跟踪算法sort方法进行跟踪；计算同一特征向量的跟踪累计时长，直到跟踪累计时长达到设定时长；将累计时长内的视频图像的特征向量拼接形成异常行为特征向量；将异常行为特征向量输入经训练好的GBDT模型进行异常行为判断，以获取异常行为判定结果。本发明降低异常动作处于边缘时候特征不全导致训练存在偏差而影响测试时候的识别精度，从而降低误报。
-
-
-
-
Search Results
5
records
(took 0.023 seconds)
