CN108052900A - 一种通过监控视频自动判断着装规范的方法 - Google Patents
一种通过监控视频自动判断着装规范的方法 Download PDFInfo
- Publication number
- CN108052900A CN108052900A CN201711322606.7A CN201711322606A CN108052900A CN 108052900 A CN108052900 A CN 108052900A CN 201711322606 A CN201711322606 A CN 201711322606A CN 108052900 A CN108052900 A CN 108052900A
- Authority
- CN
- China
- Prior art keywords
- dressing
- operating personnel
- feature
- image
- rectangular block
- 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
Classifications
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种通过监控视频自动判断着装规范的方法,主要用于判断作业人员头部的着装是否规范,本发明通过摄像头在线采集作业人员的头部特征并生成图像;本发明通过深度学习的训练模型提取图像的特征,并判断作业人员的头部着装是否规范,若作业人员头部着装不规范,则输出报警信息;本发明使用深度学习的方式自动对特征进行提取,提取出的特征具有更强的鲁棒性,从而大大的提高了检测结果,提高了工作效率,并节省监管成本、拓展监管维度、提高监管精度。
Description
技术领域
本发明属于视频监控辨别着装的技术领域,具体涉及一种通过监控视频自动判断着装规范的方法。
背景技术
大型工厂中往往需要规范着装,头部的着装对工厂的生产安全影响至关重要。尤其是在化工、食品的领域。在化工领域,头部着装可以降低坠落物对作业人员的危害;在食品安全领域,作业人员往往需要佩戴口罩、帽子,规范统一着装可以隔绝食品污染,对食品的卫生安全影响重大。由此可见,规范着装对生产安全的重要性,尤其是头部规范着装。然而,目前规范着装的监控仅靠人力,监管力度可操控空间最大,监管工作耗时耗力,效率低下。
传统的监管方式是安排大量的工作人员实时的对监控视频进行监督,无论是在人力还是物力上都会是一个巨大的投入。也有采用传统图像处理的手段,使用颜色或者形状等特征进行检测判断,但是厨房环境非常复杂,光线很容易受到烟雾等干扰,因此检测结果并不好。
发明内容
本发明的目的在于提供一种通过监控视频自动判断着装规范的方法,主要用于判断作业人员头部的着装是否规范,本发明通过摄像头在线采集作业人员的头部特征并生成图像;本发明通过深度学习的训练模型提取图像的特征,并判断作业人员的头部着装是否规范,若作业人员头部着装不规范,则输出报警信息;本发明使用深度学习的方式自动对特征进行提取,提取出的特征具有更强的鲁棒性,从而大大的提高了检测结果,提高了工作效率,并节省监管成本、拓展监管维度、提高监管精度。
本发明主要通过以下技术方案实现:一种通过监控视频自动判断着装规范的方法,主要用于判断作业人员头部的着装是否规范,主要包括以下步骤:
步骤A1:视频采集作业人员的着装特征,并生成图像;
步骤A2:采用深度学习的方法处理标记的作业人员着装的图像;提取作业人员的着装特征,选取最后一层作为特征提取的结果,并用softmax函数计算概率,输出计算得到的最大值,从而生成训练模型;
步骤A3:将步骤A1中生成的图像输入到步骤A2中生成的训练模型,若检测到作业人员的着装不符合设定的标准,则输出报警信息。
所述softmax函数为现有技术,故不再赘述。所述摄像头的架设方式、视频提取图像的方法均为现有技术,故不再赘述。所述深度学习的模型为现有技术且不是本发明的改进点,故不再赘述。
为了更好的实现本发明,进一步的,所述步骤A2主要包括以下步骤:
步骤A21:收集不同着装类型的作业人员的图像,并对该图像进行类型标记;将标记的作业人员着装的图像分成13×13的矩形块,并对每个矩形块采用聚类方法预测锚点框,所述锚点框的大小匹配不同检测物体的大小;
步骤A22:将分割后的矩形块输入一个多层卷积神经网络中,采用卷积神经网络提取图像特征,取出最后一层的特征,并输入softmax函数中,选定最大的概率值作为输出结果,从而生成训练模型。
为了更好的实现本发明,进一步的,所述步骤A1中将采集的视频转化为图像,所述图像分成若干个13×13的矩形块,并对每个矩形块采用聚类预测锚点框,锚点框的大小匹配不同检测物体的大小。
为了更好的实现本发明,进一步的,所述步骤A3中将步骤A1中生成的图像输入到训练模型,使用卷积神经网络提取图像的特征,取出最后一层的特征并输入softmax函数,初步判断每个矩形块是否包含作业人员的头部特征,若矩形块包含作业人员的头部特征,则生成对应的包围框,并分别给出违规和不违规的概率值,选定最大的概率值作为输出结果;若整个图像检测到的所有包围框中作业人员有违规,则输出报警信息。
为了更好的实现本发明,进一步的,所述步骤A3中,当每个矩形块提取出来的包围框有多个时,则采用非极大值抑制算法搜索局部最大值,从而过滤非极大值的包围框,使矩形块只保留一个包围框。
为了更好的实现本发明,进一步的,所述矩形块取5个以上锚点框。
本发明主要是通过以下步骤实现:①首先是在工厂内架设摄像头采集数据,根据工厂的大小和高度设计摄像头的安装位置,从而实现对作业人员的监控;②然后将标记的作业人员的着装图像输入深度学习模型中生成训练模型;③最后采用训练模型检测作业人员的着装是否违规,采用生成后的训练模型对检测图像进行检测;若检测到作业人员未正确着装,则输出报警信息。
所述训练模型的生成主要包括以下步骤:首先通过摄像头收集不同着装类型的作业人员的图像,并对不同人员的着装图像进行类型标记;然后用深度学习的方式自动学习特征,采用深度学习方法对标记后的作业人员的图像进行特征提取,并选取最后一层作为特征提取的结果,将该技术特征输入softmax函数来判断违规和不违规,选取概率最大的值作为输出的结果。本发明采用监督学习方法训练模型。
本发明中通过视频采集作业人员的图像,所述图像的处理步骤为:将采集的图像分成13×13的矩形块,并对个矩形块采用聚类预测锚点框,锚点框的大小匹配不同检测物体的大小,从而避免多个物体位于一个矩形块时只检测到一个物体的情况,一般每个矩形块取五个以上的锚点框;
将分割后的每个矩形块送入一个多层卷积神经网络中,使用卷积神经网络对图像进行特征提起,并取最后一层的特征输入softmax函数,初步判断每个矩形块是否包含作业人员的头部特征;若矩形块中包含作业人员的头部特征,则生成对应的包围框,并分别给出作业人员违规和不违规的概率值,输出概率值的最大值。每个图像的矩形块中提取的包围框可能有多个,采用非极大值抑制算法搜索局部最大值,从而过滤掉非极大值的包围框,使得最终的每个图像分块只保留一个包围框;若整个图像检测到的所有包围框中作业人员有违规,则输出报警信息。
本发明在视频采集图像的过程中,可结合多个摄像头采集的不同角度的作业人员的图像进行检测;划定单个摄像头所能检测到的区域,从而提高检测的准确性,避免场景中作业人员采集不完全而出现错误信息。
本发明通过采用深度学习的方式对特征进行提取,使用训练好的模型对输入图像进行预测,从而对输入图像中的作业人员自动标记类型,找出违规的作业人员并存储对应的图像。相比传统的通过颜色或者形状等易受环境和光照影响的特征,深度学习可以自动提取更具鲁棒性的特征,从而使得检测结果更加准确。本发明极大的减少了监管人力的投入,从而节省监管成本、拓展监管维度、提高监管精度。
深度学习本身是一个特征提取器,其提取的特征要比传统的hog、haar、sift等特征更能表征物体的本质。因此我们使用深度学习的方式自动对特征进行提取,提取出的特征具有更强的鲁棒性,从而大大的提高了检测结果。将检测到的违规数据保存下来,不用实时的安排工作人员进行监督,只需要定期查询违规数据即可,极大程度上减少了对人力和物力的投入。
本发明的有益效果:
(1)采用深度学习的方法处理标记的作业人员着装的图像;提取作业人员的着装特征,选取最后一层作为特征提取的结果,并用softmax函数计算概率,输出计算得到的最大值,从而生成训练模型;本发明使用深度学习的方式自动对特征进行提取,提取出的特征具有更强的鲁棒性,从而大大的提高了检测结果,提高了工作效率,并节省监管成本、拓展监管维度、提高监管精度。
(2)本发明采用深度学习的方法,自动提取最适合检测当前物体的特征,不用人工干预;本发明的鲁棒性很强,环境复杂时检测率依然比使用传统方法要高;本发明采用端对端的方式,直接检测是否戴帽子或口罩;本发明采用深度学习的方法检测率和识别率比传统方法要高很多;本发明具有更强的通用型,通过迁移学习即可适用别的物体的检测。
(3)本发明可以将检测到的违规数据保存下来,不用实时的安排工作人员进行监督,只需要定期查询违规数据即可,极大程度上减少了对人力和物力的投入,具有较好的实用性。
附图说明
图1为本发明的流程图。
具体实施方式
实施例1:
一种通过监控视频自动判断着装规范的方法,主要用于判断作业人员头部的着装是否规范,主要包括以下步骤:
步骤A1:视频采集作业人员的着装特征,并生成图像;
步骤A2:采用深度学习的方法处理标记的作业人员着装的图像;提取作业人员的着装特征,选取最后一层作为特征提取的结果,并用softmax函数计算概率,输出计算得到的最大值,从而生成训练模型;
步骤A3:将步骤A1中生成的图像输入到步骤A2中生成的训练模型,若检测到作业人员的着装不符合设定的标准,则输出报警信息。
本发明通过摄像头实时采集作业人员的头部着装信息,并将该视频信息转化生成图像,采用深度学习的方法训练模型提取该图像的深度特征,并判断该作业人员的头部是否着装规范,若不规范,则输出报警信息提醒作业人员注意;本发明使用深度学习的方式自动对特征进行提取,提取出的特征具有更强的鲁棒性,从而大大的提高了检测结果,提高了工作效率,并节省监管成本、拓展监管维度、提高监管精度。
实施例2:
本实施例是在实施例1的基础上进一步优化,所述步骤A2中主要包括以下步骤:
步骤A21:收集不同着装类型的作业人员的图像,并对该图像进行类型标记;将标记的作业人员着装的图像分成13×13的矩形块,并对每个矩形块采用聚类方法预测锚点框,所述矩形块取5个锚点框,所述锚点框的大小匹配不同检测物体的大小;
步骤A22:将分割后的矩形块输入一个多层卷积神经网络中,采用卷积神经网络提取图像特征,取出最后一层的特征,并输入softmax函数中,选定最大的概率值作为输出结果,从而生成训练模型。
本发明通过摄像头实时采集作业人员的头部着装信息,并将该视频信息转化生成图像,采用深度学习的方法训练模型提取该图像的深度特征,并判断该作业人员的头部是否着装规范,若不规范,则输出报警信息提醒作业人员注意;本发明使用深度学习的方式自动对特征进行提取,提取出的特征具有更强的鲁棒性,从而大大的提高了检测结果,提高了工作效率,并节省监管成本、拓展监管维度、提高监管精度。
本实施例的其他部分与实施例1相同,故不再赘述。
实施例3:
本实施例是在实施例1或2的基础上进一步优化,所述步骤A1中将采集的视频转化为图像,所述图像分成若干个13×13的矩形块,并对每个矩形块采用聚类预测锚点框,所述矩形块取5个锚点框,锚点框的大小匹配不同检测物体的大小;
所述步骤A3中将步骤A1中生成的图像输入到训练模型,使用卷积神经网络提取图像的特征,取出最后一层的特征并输入softmax函数,初步判断每个矩形块是否包含作业人员的头部特征,若矩形块包含作业人员的头部特征,则生成对应的包围框,并分别给出违规和不违规的概率值,选定最大的概率值作为输出结果;若整个图像检测到的所有包围框中作业人员有违规,则输出报警信息;
所述步骤A3中,当每个矩形块提取出来的包围框有多个时,则采用非极大值抑制算法搜索局部最大值,从而过滤非极大值的包围框,使矩形块只保留一个包围框。
本发明通过采用深度学习的方式对特征进行提取,使用训练好的模型对输入图像进行预测,从而对输入图像中的作业人员自动标记类型,找出违规的作业人员并存储对应的图像。相比传统的通过颜色或者形状等易受环境和光照影响的特征,深度学习可以自动提取更具鲁棒性的特征,从而使得检测结果更加准确。本发明极大的减少了监管人力的投入,从而节省监管成本、拓展监管维度、提高监管精度。
本实施例的其他部分与上述实施例1或2相同,故不再赘述。
实施例4:
一种通过监控视频自动判断着装规范的方法,主要用于判断食品领域的作业人员头部的着装是否规范,其中食品领域中作业人员应该带口罩和帽子;如图1所示,主要包括以下步骤:
步骤A1:在工厂作业区架设摄像头采集作业人员的视频,从视频中提取一帧图像;
步骤A2:收集不同着装类型的作业人员的图像,并对该图像进行类型标记;将标记的作业人员着装的图像分成13×13的矩形块,并对每个矩形块采用聚类方法预测锚点框,所述矩形块取5个锚点框,所述锚点框的大小匹配不同检测物体的大小;将分割后的矩形块输入一个多层卷积神经网络中,采用卷积神经网络提取图像特征,取出最后一层的特征,并输入softmax函数中,选定最大的概率值作为输出结果,从而生成训练模型;
步骤A3:将图像输入到训练模型中进行提取深度特征:将步骤A1中的图像分成若干个13×13的矩形块,并对每个矩形块采用聚类预测锚点框,所述矩形块取5个锚点框,锚点框的大小匹配不同检测物体的大小;使用卷积神经网络提取图像的特征,取出最后一层的特征并输入softmax函数,初步判断每个矩形块是否包含作业人员的头部特征,若矩形块包含作业人员的头部特征,则生成对应的包围框,并分别给出违规和不违规的概率值,选定最大的概率值作为输出结果;若整个图像检测到的所有包围框中作业人员没有戴帽子和口罩,则保存当前数据并报警。
本发明通过采用深度学习的方式对特征进行提取,使用训练好的模型对输入图像进行预测,从而对输入图像中的作业人员自动标记类型,找出违规的作业人员并存储对应的图像。相比传统的通过颜色或者形状等易受环境和光照影响的特征,深度学习可以自动提取更具鲁棒性的特征,从而使得检测结果更加准确。本发明极大的减少了监管人力的投入,从而节省监管成本、拓展监管维度、提高监管精度。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的包含范围之内。
Claims (6)
1.一种通过监控视频自动判断着装规范的方法,主要用于判断作业人员头部的着装是否规范,其特征在于,主要包括以下步骤:
步骤A1:视频采集作业人员的着装特征,并生成图像;
步骤A2:采用深度学习的方法处理标记的作业人员着装的图像;提取作业人员的着装特征,选取最后一层作为特征提取的结果,并用softmax函数计算概率,输出计算得到的最大值,从而生成训练模型;
步骤A3:将步骤A1中生成的图像输入到步骤A2中生成的训练模型,若检测到作业人员的着装不符合设定的标准,则输出报警信息。
2.根据权利要求1所述的一种通过监控视频自动判断着装规范的方法,其特征在于,所述步骤A2主要包括以下步骤:
步骤A21:收集不同着装类型的作业人员的图像,并对该图像进行类型标记;将标记的作业人员着装的图像分成13×13的矩形块,并对每个矩形块采用聚类方法预测锚点框,所述锚点框的大小匹配不同检测物体的大小;
步骤A22:将分割后的矩形块输入一个多层卷积神经网络中,采用卷积神经网络提取图像特征,取出最后一层的特征,并输入softmax函数中,选定最大的概率值作为输出结果,从而生成训练模型。
3.根据权利要求1所述的一种通过监控视频自动判断着装规范的方法,其特征在于,所述步骤A1中将采集的视频转化为图像,所述图像分成若干个13×13的矩形块,并对每个矩形块采用聚类预测锚点框,锚点框的大小匹配不同检测物体的大小。
4.根据权利要求3所述的一种通过监控视频自动判断着装规范的方法,其特征在于,所述步骤A3中将步骤A1中生成的图像输入到训练模型,使用卷积神经网络提取图像的特征,取出最后一层的特征并输入softmax函数,初步判断每个矩形块是否包含作业人员的头部特征,若矩形块包含作业人员的头部特征,则生成对应的包围框,并分别给出违规和不违规的概率值,选定最大的概率值作为输出结果;若整个图像检测到的所有包围框中作业人员有违规,则输出报警信息。
5.根据权利要求4所述的一种通过监控视频自动判断着装规范的方法,其特征在于,所述步骤A3中,当每个矩形块提取出来的包围框有多个时,则采用非极大值抑制算法搜索局部最大值,从而过滤非极大值的包围框,使矩形块只保留一个包围框。
6.根据权利要求2或3所述的一种通过监控视频自动判断着装规范的方法,其特征在于,所述矩形块取5个以上锚点框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711322606.7A CN108052900A (zh) | 2017-12-12 | 2017-12-12 | 一种通过监控视频自动判断着装规范的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711322606.7A CN108052900A (zh) | 2017-12-12 | 2017-12-12 | 一种通过监控视频自动判断着装规范的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108052900A true CN108052900A (zh) | 2018-05-18 |
Family
ID=62131989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711322606.7A Pending CN108052900A (zh) | 2017-12-12 | 2017-12-12 | 一种通过监控视频自动判断着装规范的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108052900A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389040A (zh) * | 2018-09-07 | 2019-02-26 | 广东中粤电力科技有限公司 | 一种作业现场人员安全着装的检查方法及装置 |
CN109447176A (zh) * | 2018-11-09 | 2019-03-08 | 广东工业大学 | 爆破作业人员检测方法、装置、系统、介质及服务器 |
CN109597902A (zh) * | 2018-12-20 | 2019-04-09 | 深圳市丰巢科技有限公司 | 图片审核方法、装置、设备及存储介质 |
CN109635697A (zh) * | 2018-12-04 | 2019-04-16 | 国网浙江省电力有限公司电力科学研究院 | 基于YOLOv3目标检测的电力作业人员安全着装检测方法 |
CN109886360A (zh) * | 2019-03-25 | 2019-06-14 | 山东浪潮云信息技术有限公司 | 一种基于深度学习的证件照分类识别及免冠检测方法及系统 |
CN110096983A (zh) * | 2019-04-22 | 2019-08-06 | 苏州海赛人工智能有限公司 | 一种基于神经网络的图像中施工工人安全服饰检测方法 |
CN110378311A (zh) * | 2019-07-25 | 2019-10-25 | 杭州视在科技有限公司 | 基于Encoder-Decoder模型和混合高斯模型的餐饮后厨违规判断方法 |
CN110427808A (zh) * | 2019-06-21 | 2019-11-08 | 武汉倍特威视系统有限公司 | 基于视频流数据的警服识别方法 |
CN110472574A (zh) * | 2019-08-15 | 2019-11-19 | 北京文安智能技术股份有限公司 | 一种检测着装不规范的方法、装置及系统 |
CN110503058A (zh) * | 2019-08-27 | 2019-11-26 | 上海交通大学苏州人工智能研究院 | 一种着装合规性检测方法 |
CN110633697A (zh) * | 2019-09-30 | 2019-12-31 | 华中科技大学 | 一种厨房卫生智能监控方法 |
CN111369735A (zh) * | 2020-04-02 | 2020-07-03 | 河北工程大学 | 基于突发应急需求大数据分析的智能化方舱超市及方法 |
CN111401418A (zh) * | 2020-03-05 | 2020-07-10 | 浙江理工大学桐乡研究院有限公司 | 一种基于改进Faster r-cnn的员工着装规范检测方法 |
CN111523488A (zh) * | 2020-04-26 | 2020-08-11 | 上海集光安防科技股份有限公司 | 厨房工作人员行为实时监控方法 |
CN111553305A (zh) * | 2020-05-09 | 2020-08-18 | 中国石油天然气集团有限公司 | 一种违章视频识别系统和方法 |
CN111598015A (zh) * | 2020-05-19 | 2020-08-28 | 重庆中科云从科技有限公司 | 一种基于人脸及防护设备的匹配检测方法、系统、设备和介质 |
CN111652052A (zh) * | 2020-04-21 | 2020-09-11 | 济南浪潮高新科技投资发展有限公司 | 一种疫情防控方法、设备及介质 |
CN112735011A (zh) * | 2019-10-15 | 2021-04-30 | 四川省数字商企智能科技有限公司 | 用于油气场站的识别系统及方法 |
WO2022121886A1 (zh) * | 2020-12-11 | 2022-06-16 | 南方电网电力科技股份有限公司 | 一种电力作业着装规范识别方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745226A (zh) * | 2013-12-31 | 2014-04-23 | 国家电网公司 | 一种电力设施作业现场人员着装安全检测方法 |
CN105488490A (zh) * | 2015-12-23 | 2016-04-13 | 天津天地伟业数码科技有限公司 | 基于视频的审判员着装检测方法 |
CN106372662A (zh) * | 2016-08-30 | 2017-02-01 | 腾讯科技(深圳)有限公司 | 安全帽佩戴的检测方法和装置、摄像头、服务器 |
CN106408001A (zh) * | 2016-08-26 | 2017-02-15 | 西安电子科技大学 | 基于深度核哈希的感兴趣区域快速检测方法 |
CN106446926A (zh) * | 2016-07-12 | 2017-02-22 | 重庆大学 | 一种基于视频分析的变电站工人安全帽佩戴检测方法 |
CN106778609A (zh) * | 2016-12-15 | 2017-05-31 | 国网浙江省电力公司杭州供电公司 | 一种电力施工现场人员制服穿着识别方法 |
CN106960195A (zh) * | 2017-03-27 | 2017-07-18 | 深圳市丰巨泰科电子有限公司 | 一种基于深度学习的人群计数方法及装置 |
CN107133564A (zh) * | 2017-03-26 | 2017-09-05 | 天津普达软件技术有限公司 | 一种工装工帽检测方法 |
-
2017
- 2017-12-12 CN CN201711322606.7A patent/CN108052900A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745226A (zh) * | 2013-12-31 | 2014-04-23 | 国家电网公司 | 一种电力设施作业现场人员着装安全检测方法 |
CN105488490A (zh) * | 2015-12-23 | 2016-04-13 | 天津天地伟业数码科技有限公司 | 基于视频的审判员着装检测方法 |
CN106446926A (zh) * | 2016-07-12 | 2017-02-22 | 重庆大学 | 一种基于视频分析的变电站工人安全帽佩戴检测方法 |
CN106408001A (zh) * | 2016-08-26 | 2017-02-15 | 西安电子科技大学 | 基于深度核哈希的感兴趣区域快速检测方法 |
CN106372662A (zh) * | 2016-08-30 | 2017-02-01 | 腾讯科技(深圳)有限公司 | 安全帽佩戴的检测方法和装置、摄像头、服务器 |
CN106778609A (zh) * | 2016-12-15 | 2017-05-31 | 国网浙江省电力公司杭州供电公司 | 一种电力施工现场人员制服穿着识别方法 |
CN107133564A (zh) * | 2017-03-26 | 2017-09-05 | 天津普达软件技术有限公司 | 一种工装工帽检测方法 |
CN106960195A (zh) * | 2017-03-27 | 2017-07-18 | 深圳市丰巨泰科电子有限公司 | 一种基于深度学习的人群计数方法及装置 |
Non-Patent Citations (2)
Title |
---|
冯国臣等: "基于机器视觉的安全帽自动识别技术研究", 《机械设计与制造工程》 * |
黄心汉等: "基于卷积神经网络的目标识别及姿态检测", 《华中科技大学学报(自然科学版)》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389040A (zh) * | 2018-09-07 | 2019-02-26 | 广东中粤电力科技有限公司 | 一种作业现场人员安全着装的检查方法及装置 |
CN109447176A (zh) * | 2018-11-09 | 2019-03-08 | 广东工业大学 | 爆破作业人员检测方法、装置、系统、介质及服务器 |
CN109635697A (zh) * | 2018-12-04 | 2019-04-16 | 国网浙江省电力有限公司电力科学研究院 | 基于YOLOv3目标检测的电力作业人员安全着装检测方法 |
CN109597902A (zh) * | 2018-12-20 | 2019-04-09 | 深圳市丰巢科技有限公司 | 图片审核方法、装置、设备及存储介质 |
CN109886360A (zh) * | 2019-03-25 | 2019-06-14 | 山东浪潮云信息技术有限公司 | 一种基于深度学习的证件照分类识别及免冠检测方法及系统 |
CN110096983A (zh) * | 2019-04-22 | 2019-08-06 | 苏州海赛人工智能有限公司 | 一种基于神经网络的图像中施工工人安全服饰检测方法 |
CN110427808A (zh) * | 2019-06-21 | 2019-11-08 | 武汉倍特威视系统有限公司 | 基于视频流数据的警服识别方法 |
CN110378311A (zh) * | 2019-07-25 | 2019-10-25 | 杭州视在科技有限公司 | 基于Encoder-Decoder模型和混合高斯模型的餐饮后厨违规判断方法 |
CN110472574A (zh) * | 2019-08-15 | 2019-11-19 | 北京文安智能技术股份有限公司 | 一种检测着装不规范的方法、装置及系统 |
CN110503058A (zh) * | 2019-08-27 | 2019-11-26 | 上海交通大学苏州人工智能研究院 | 一种着装合规性检测方法 |
CN110633697A (zh) * | 2019-09-30 | 2019-12-31 | 华中科技大学 | 一种厨房卫生智能监控方法 |
CN112735011A (zh) * | 2019-10-15 | 2021-04-30 | 四川省数字商企智能科技有限公司 | 用于油气场站的识别系统及方法 |
CN111401418A (zh) * | 2020-03-05 | 2020-07-10 | 浙江理工大学桐乡研究院有限公司 | 一种基于改进Faster r-cnn的员工着装规范检测方法 |
CN111369735A (zh) * | 2020-04-02 | 2020-07-03 | 河北工程大学 | 基于突发应急需求大数据分析的智能化方舱超市及方法 |
CN111652052A (zh) * | 2020-04-21 | 2020-09-11 | 济南浪潮高新科技投资发展有限公司 | 一种疫情防控方法、设备及介质 |
CN111523488A (zh) * | 2020-04-26 | 2020-08-11 | 上海集光安防科技股份有限公司 | 厨房工作人员行为实时监控方法 |
CN111553305A (zh) * | 2020-05-09 | 2020-08-18 | 中国石油天然气集团有限公司 | 一种违章视频识别系统和方法 |
CN111553305B (zh) * | 2020-05-09 | 2023-05-05 | 中国石油天然气集团有限公司 | 一种违章视频识别系统和方法 |
CN111598015A (zh) * | 2020-05-19 | 2020-08-28 | 重庆中科云从科技有限公司 | 一种基于人脸及防护设备的匹配检测方法、系统、设备和介质 |
WO2022121886A1 (zh) * | 2020-12-11 | 2022-06-16 | 南方电网电力科技股份有限公司 | 一种电力作业着装规范识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108052900A (zh) | 一种通过监控视频自动判断着装规范的方法 | |
CN106778609A (zh) | 一种电力施工现场人员制服穿着识别方法 | |
CN103745226B (zh) | 一种电力设施作业现场人员着装安全检测方法 | |
CN113139521B (zh) | 一种用于电力监控的行人越界标监测方法 | |
CN111047818A (zh) | 一种基于视频图像的森林火灾预警系统 | |
CN104599427B (zh) | 一种用于公路隧道的智能图像型火灾报警系统 | |
CN107679471B (zh) | 基于视频监控平台的室内人员空岗检测方法 | |
CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN109558840A (zh) | 一种特征融合的活体检测方法 | |
CN107944396A (zh) | 一种基于改进深度学习的刀闸状态识别方法 | |
CN109460699A (zh) | 一种基于深度学习的驾驶员安全带佩戴识别方法 | |
CN111209848A (zh) | 一种基于深度学习的实时跌倒检测方法 | |
CN107194396A (zh) | 国土资源视频监控系统中基于特定违章建筑识别预警方法 | |
CN106981063A (zh) | 一种基于深度学习的电网设备状态监测装置 | |
CN104994334A (zh) | 基于实时视频的变电站自动监控方法 | |
CN109034535A (zh) | 施工工地智慧监控方法、系统及计算机可读存储介质 | |
CN109672863A (zh) | 一种基于图像识别的施工人员安全装备智能监测方法 | |
CN112396658A (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN107977639A (zh) | 一种人脸清晰度判断方法 | |
CN109190475A (zh) | 一种人脸识别网络与行人再识别网络协同训练方法 | |
CN111401310B (zh) | 基于人工智能的厨房卫生安全监督管理方法 | |
CN107330414A (zh) | 暴力行为监控方法 | |
CN113297926B (zh) | 行为检测识别方法及系统 | |
CN107688793A (zh) | 一种变电站室外火灾自动监测预警方法 | |
CN109784375A (zh) | 基于Faster RCNN的自适应变压器部件检测识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180518 |
|
RJ01 | Rejection of invention patent application after publication |