針對礦山的各種檢測識別算法的預警展示平臺
針對礦山專門研制開發的礦山安全生產的AI盒子
針對大型項目的控標的超大算力64T超大路數128路的超級分析服務器
展示平臺對煤礦內設備在線、瓦斯濃度變化等事件最近一周或一個月的態勢分析,因為所有數據都來自于機器自動采集的,沒有了人員的因素,更加客觀,對整個區域的布控態勢掌握更具有參考價值。

事件統計柱狀圖,餅狀圖,趨勢圖,熱力潮汐圖,事件屬性,異常聲光報警,事件截圖,事件現場圖像等模塊組成。
業務服務器接收到事件后,解析獲取到對應的事件屬性(包括但不限于事件事件,點位位置,事件類型,事件描述,截圖,錄像等)。
服務器通過TTS文本轉語音技術,對事件內容進行組合,當前端通過瀏覽器進行監測時,可以實時播報對應事件語音。
在數據大盤的事件詳情描述區域,通過高亮閃動框提醒監控人員有異常事件產生,彈出異常事件信息框,內容不限于現場視頻流直播,事件類型等。
示例圖如下:
智能攝像機前端發生告警事件后,平臺軟件會記錄各個事件發生的事件、事件類型、處理結果,便于后續的查詢。
經過幾十年的努力,企業信息化建設已經日趨成熟,基本的安防與消防設備也做到了完全的覆蓋。近幾年隨著國家在工業4.0方面的大力支持,工業企業的自動化控制也已經基本完善,而高精尖的機器視覺只適合于PCB貼片、醫療等領域,雖然應用范圍相對受限,但適合的領域普及率也是相當高了的,更多的是生產效率及質量檢測環節的職能。
然而在各種實時監測與監管技術手段都不斷完善的前提下,最近幾年生產安全事故卻屢屢頻發。生產過程中的人機料法環,即人員、機器、原料、方法、環境,最為重要的安全因素卻是人員,因為人員即是安生事故主要的發起方,也是最大的受害方。經過全面的調查與深入的分析發現,受“中國式”管理傳統思想的影響,生產人員總是存在各種疏忽、僥幸的心理,而生產人員的監管更是存在各種人情等因素,也缺少配套的實時監測與監管技術手段,而通過新一代的AI人工智能技術正好有效的、全面的解決了這一問題。
通過深度學習模型,采集現場各種環境中的各式各樣的傳感器設備素材,通過大量數據的訓練,讓系統能夠識別各種環境中不同樣式的傳感器。
通過深度學習在檢測到瓦斯傳感器之后再檢測傳感器工作是否正常,對工作未正常的設備及時上報平臺并抓圖保存
通過深度學習,對于瓦斯傳感器被挪移、遮擋的情況及時報警,
讀取傳感器工作時的數據,并與系統中設置的最大數據進行對比,當傳感器的讀數大于系統中設定值時,系統立即產生報警,并截圖保留。
需要完整解決方案請聯系尹生:18665829791 微信同號
|
視頻輸入 |
路數和帶寬 |
u 單機最大同時可識別抓拍128路網絡視頻,每個通道可以疊加2種不同的算法 u 單卡同時可識別抓拍8路網絡視頻,每個通道可以疊加2種不同的算法; u 算法識別精準度均可以達到90%~95%,具體場景精度提高,可以訓練達到。; u 算法識別最小識別度為16X16的分辨率; u 識別距離大約在3--8米,以攝像機成像的圖像大小為準; u 算法采用常用的Deep Learning,DL, Caffe、Theano、MXNet、Torch和PyTorch,yolo5 深度學習框架;
|
|
分辨率 |
200萬 |
|
|
算法識別功能 |
抓拍圖像存儲 |
單卡總庫最大支持4萬張異常抓拍圖片 |
|
行為分析規格 |
單卡8路視頻同時識別 |
|
|
圖片傳輸 |
網絡傳輸 |
|
|
特征 |
識別異常抓拍 |
|
|
布控 |
識別對比報警輸出 |
|
|
結構化行為分析智能功能 |
智慧園區 |
人臉識別,黑白名單,攀高檢測、人臉抓拍、電瓶車進電梯、非法停車、非法闖入、煙火識別、高空拋物。 |
|
智慧校園 |
人臉識別,黑白名單,攀高檢測、人臉抓拍、人員跌倒、非法停車、非法闖入、煙火識別。 |
|
|
司法監所 |
離離崗監測、黑白名單,攀高檢測、值崗檢測、人員跌倒、區域入侵。 |
|
|
智慧工地 |
安全帽,反光衣,工服識別,口罩識別,消防設備堵塞,煙火識別。 |
|
|
智慧礦山 |
傳送帶跑偏位移,傳送帶異物識別,煤流量檢測,礦車識別,監控室離崗,堵料識別,非法闖入,攝像機遮擋。 |
|
|
危化品存儲(油庫): |
煙火識別,打電話識別,抽煙識別,周界禁區,消防設備堵塞。 |
|
|
單卡外部接口 |
網絡接口 |
1個10M/100M/1000M自適應以太網口 |
|
視頻輸出接口 |
1*HDMI |
|
|
音頻接口 |
1入1出 |
|
|
USB接口 |
2*USB3.0 |
|
|
單卡其他 |
電源 |
DC12V,3A |
|
功耗(不含硬盤) |
≤36W |
|
|
工作溫度 |
-20℃ ~ +60℃ |
|
|
工作濕度 |
5% ~ 95% |
|
|
尺寸 |
36.0mm(高)×150.0mm(深)×181.0mm(寬)(最小盒子) |
|
|
重量 |
≤1Kg(最小盒子) |