CN108388873A - 一种机器视觉的监管系统、方法及客户机、存储介质 - Google Patents

一种机器视觉的监管系统、方法及客户机、存储介质 Download PDF

Info

Publication number
CN108388873A
CN108388873A CN201810170406.2A CN201810170406A CN108388873A CN 108388873 A CN108388873 A CN 108388873A CN 201810170406 A CN201810170406 A CN 201810170406A CN 108388873 A CN108388873 A CN 108388873A
Authority
CN
China
Prior art keywords
client computer
detection
model
mark
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.)
Pending
Application number
CN201810170406.2A
Other languages
English (en)
Inventor
路志宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201810170406.2A priority Critical patent/CN108388873A/zh
Publication of CN108388873A publication Critical patent/CN108388873A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/50Context or environment of the image
    • G06V20/52Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种机器视觉的监管系统、方法及客户机、存储介质,包括:至少一个监管装置和客户机;监管装置用于监控工程现场情况;客户机用于手动自定义进行标注学习;通过训练后,客户机用于自动进行标注学习;客户机采用对抗生成网络进行混合训练;通过原子模型、分子模型的组合,客户机生成复杂场景报警项;针对报警准确信息客户机生成报警信息;针对报警不准确项,客户机生成标注信息,用于再训练。从而实现低成本、快速学习;极大的降低智能单机学习的成本,使得计算能力可以更有效的利用;为用户节省成本,提高工作效率,从而最终实现机器视觉监管。

Description

一种机器视觉的监管系统、方法及客户机、存储介质
技术领域
本发明涉及建筑工程技术领域,特别涉及一种机器视觉的监管系统、方法及客户机、存储介质。
背景技术
当前在建筑工程施工过程中都需要使用到许多工具或设备,例如塔吊、脚手架、起重机等。其中塔吊具有塔身高、吊臂长、抬吊重量大、覆盖范围广、工作效率高等结构技术特点。脚手架可以用来搭建建筑工人的操作平台。起重机的作业空间大,主要用于房屋建筑施工中物料的垂直和水平输送及建筑构件的安装。
建筑工程中存在大量高空作业或深基坑作业,存在危险源多,稍有不慎就可能发生人员伤亡事故。需要检查点多,通常需要对下列项进行分别检查:1、文明施工检查。2、基坑工程检查。3、施工用电检查。4、各种脚手架检查。5、高空作业吊篮检查。6、塔式起重机检查。7、起重吊装检查。8、施工升降机检查。9、物料提升机检查。10、模板支架检查。11、高处作业检查。12、施工机具检查。13、施工现场消防检查。14、路桥工程安全检查。15、有限空间作业检查。16、安全管理检查。17、悬挑式钢平台检测等。18、落地式卸料平台检查等等。
由于上述建筑工程现场设置的各种工具或设备占地面积大,自身的高度高,会存在很多安全隐患,由建筑工程现场的各种工具或设备引起的人员伤亡和设备损毁事故屡屡发生,建筑工程现场的各种工具或设备的安全问题引起了社会的广泛重视。现有通常的解决方法是在这些建筑工程现场使用的工具或设备上安装有监控摄像头,来监控建筑工程的安全、进度和质量。随着摄像头安装的越来越多,由此带来一系列的新问题,摄像头安装好后由谁来监管,当摄像头监控到安全隐患或危险时,如何能够及时针对存在的问题进行报警和故障解除,这是亟待解决的问题。
目前,对于建筑工程现场安装的监控摄像头大多为人员直接查看,即使有机器视觉检测,也停留在固定单一场景。且目前市场上存在的机器视觉监管方法需要大量的人员手工标注,浪费了极大的人力物力,存在用户需求调研困难,智能监管生成的成本较高等问题。
发明内容
为了解决上述现有技术中存在的问题,本发明提出了一种机器视觉的监管系统、方法及客户机、存储介质,可以将用户视频监控、人员手工标注、机器智能标注、对抗生成网络及智能自动训练和标注与监管融合在一起。实现低成本、快速学习,极大的降低了智能监管的成本,快速提高学习效率。
本发明创新性的提出了一种机器视觉的监管系统,包括:客户机和至少一台监管装置;
所述监管装置用于采集监管内容,并将采集的监管内容传送给所述客户机;
所述客户机针对所述监管内容上的标注结果,进行训练和学习,生成初步检测模型;并利用初步检测模型对标注任务进行学习、训练,生成训练结果;
所述客户机基于训练结果,生成报警信息并进行报警,实现对监控现场的检测报警。
其中,所述监管内容的标注结果,包括:
用户对所述监管内容的标注结果和/或所述客户机对所述监管内容进行自动标注的标注结果。
其中,标注过程中,采用局部内容放大标注和/或分类集中标注。
其中,所述客户机利用人工智能的深度学习算法针对标注结果进行学习,并通过对抗生成网络GAN和检测模型阈值调整方法,生成初步检测模型;
利用初步生成的检测模型,并通过在线学习的方式收集与检测任务相关的训练数据,进行标注结果复查及数据训练。
其中,在标注与检测过程中,通过将多个识别模型以并联、串联或串并混合的方式组合后进行标注或检测,来对复杂场景进行标注或生成检测报警项。
本发明加提供一种机器视觉的监管方法,包括:
采集监管内容,并将采集的监管内容传送给所述客户机;
所述客户机针对所述监管内容上的标注结果,进行训练和学习,生成初步检测模型;并利用初步检测模型对标注任务进行学习、训练,生成训练结果;
所述客户机基于训练结果,生成报警信息并进行报警,实现对监控现场的检测报警。
本发明加提供一种客户机,所述客户机包括存储器和处理器,处理器通过调用存储在存储器上的程序或指令,以实现机器视觉的学习和监管,其中所述程序或指令用于实现以下流程:
接收所述监管装置采集的监管内容;
针对所述监管内容上的标注结果,进行训练和学习,生成初步检测模型;并利用初步检测模型对标注任务进行学习、训练,生成训练结果;
所述客户机基于训练结果,生成报警信息并进行报警,实现对监控现场的检测报警。
其中,所述程序或指令还用于实现以下流程:
利用人工智能的深度学习算法针对标注结果进行学习,并通过对抗生成网络GAN和检测模型阈值调整方法,生成初步检测模型;
利用初步生成的检测模型,并通过在线学习的方式收集与检测任务相关的训练数据,进行标注结果复查及数据训练。
其中,所述程序或指令还用于实现以下流程:
在标注与检测过程中,通过将多个识别模型以并联、串联或串并混合的方式组合后进行标注或检测,来对复杂场景进行标注或生成检测报警项。
本发明还提供一种可读程序存储介质,存储介质中存储的程序或指令,用于:
接收所述监管装置采集的监管内容;
针对所述监管内容上的标注结果,进行训练和学习,生成初步检测模型;并利用初步检测模型对标注任务进行学习、训练,生成训练结果;
所述客户机基于训练结果,生成报警信息并进行报警,实现对监控现场的检测报警。
本发明的有益效果在于:
通过本发明的机器视觉的监管系统和方法,将监控、标注、训练、检测几个部分单独使用,采用循环训练提高检测报警精度。可以极大降低检测算法的生成成本,用以满足建筑工程现场动态、多样性的现场监管与检测问题,节省大量现场监管人力资源,提升工程建设的工作效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
以下将参照附图对根据本发明的优选实施方式进行描述。图中:
图1是根据示例性实施例示出的监控方法流程图。
图2是根据示例性实施例示出的监控方法原理图。
图3是根据示例性实施例示出的监控系统框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在进行实施例描述之前,需要说明的是,为了说明的方便及具体化,本组实施例针对的是监控系统及方法,但并不仅限于实施例中列举所限定的范围。
以下示例性实施例中的监控系统仅仅是示例性描述,与监控系统具有类似属性的其他设备也同样适用。
参见图1、图2,本发明示例性采用的技术方案如下:
本发明提供了一种机器视觉的监管方法,具体的实现方法如下:
步骤一:用户通过监管装置监控工程现场情况;
建筑工地中包括至少一个监管装置,示例性的,该监管装置中包括至少一个摄像头,用来监控工程现场情况的情况,例如对建筑物、建筑设备、建筑工人进行摄像,从而生成对建筑工地中的建筑物、建筑设备、建筑工人进行监管的图片或视频。监管装置生成的图片或视频传送给用户的客户机。用户可以通过客户机对监管装置进行远程控制,监控工程现场情况。
优选的实施例,用户可以自定义标注方式标注内容,标注的内容可以包括任何建筑工地中涉及的内容,例如,建筑工地中某个局部区域的完成进度情况,某个危险区域是否有建筑工人,建筑工人在进入建筑工地时是否佩戴安全帽、建筑工人在进入建筑工地时是否吸烟、高空是否携带安全带、各种施工工序是否符合安全施工要求等等。
步骤二:可以通过用户手动标注,当用户进行远程监控时,发现需要报警检测项时,选择要标注的实物,进行简单抓拍和手工标注即可完成个性化的标注,通过这种方式,用户可以提供多种类型的手工标注数据1;优选的实施例,也可以通过机器进行标注得到模糊标注数据,进行确认修正后得到手工标注数据2;也可以通过对抗生成网络训练后得到手工标注数据3……等等。这些标注数据例如包括:建筑工地中某个具体的实物、建筑工人、安全帽、安全带、香烟、某个建筑施工工具等等。从而通过这种方式得到建筑工程现场实物的原子模型。
为了方便用户的操作,可以在客户机上设置快捷键盘。例如:设定键盘中的“A键”来表示增加标记。设定键盘中的“D键”表示删除标记。并可以用键盘中的上下键切换要标注的图片。用户就可以左手去用键盘操作命令。右手对要标注图像或视频进行画框,从而可以极大的提高标注速度。
在用户标注过程中,还可以对视频或图片中的局部内容进行放大标注,可用于高分辨率下,肉眼很难看清的物体进行标注,从而提供更个性化的标注。
在标注一个分类物体时,可以同时显示出某一标注物体的面积大小,可以用于自定义训练时,快速确定将多大面积的物体进行过滤,为过滤训练提供参考值。
也可以对生成的机器标注进行过滤处理,将要标注的某一分类进行集中过滤显示,用以集中标注,以提高标注工作效率。同时,该过滤方式也可以用于快速查找某一模糊检测分类物体是否存在。
步骤三:可选择的,用户也可以不需手动标注,在接收到监管装置传送的图片或视频,客户机可以自动监测报警项,自动实现标注。通过这种方式,客户机可以提供多种类型的机器标注数据1,机器标注数据2,机器标注数据3……等等。这些机器标注数据例如包括:建筑工地中某个局部区域的完成进度情况,某个危险区域是否有建筑工人,建筑工人在进入建筑工地时是否佩戴安全帽、建筑工人在进入建筑工地时是否吸烟、某一具体建筑工程现场实物、各施工工序是否符合安全施工要求等。从而通过这种方式节约了用户的管理成本。
可以对生成的机器标注进行过滤处理,将要标注的某一分类进行集中过滤显示,用以集中标注,以提高标注工作效率。同时,该过滤方式也可以用于快速查找某一模糊检测分类物体是否存在。
可以利用多种人工智能的深度学习算法,例如:DNN(Deep Neural Network)深层神经网络、CNN(Convolutioanl Neural network)卷积神经网络、Faster-RCNN更快速区域卷积神经网络等多种方法的组合。
客户机通过有监督学习的方式。对要识别的检测任务进行少量标注,有监督标注学习,并通过GAN对抗网络和检测模型阈值调整等方法,逐渐生成初步检测模型。其中阈值的设置可以根据建筑工地的实际情况进行实时调整。
步骤四:利用初步生成的检测模型,并通过在线学习的方式收集与检测任务相关的训练数据,做简单复查标注及数据训练。
同时通过GAN对抗生成网络实现闭环流程。在这个流程中包括模型识别器和模型生成器,基于对抗训练来检测学习结果是否满意,完成原子模型。
通过这种方式,在监管任务及物体分类识别上均得到深入处理,生成标注结果。
采用对抗生成网络GAN生成的数据进行混合训练。在这个流程中包括模型识别器和模型生成器,基于对抗训练来检测学习结果是否满意,达到快速让原子模型检测精度提高的目的。
对于检测还不满意的任务,可以设置为标注任务,利用循环学习修正和训练的方式重新对标注任务进行学习、训练,从而逐渐提高监管精度。对于检测满意的任务,可以设置为报警任务,生成训练结果。
步骤五:模型自定义组合。通过原子模型、分子模型的组合,生成复杂场景标注或检测报警项。在标注与检测过程中,还需要采用识别模型组合。模型组合方式主要分为并联、串联和混合三种形式。
并联:指需要同时满足多个识别模型结果的任务,例如如果想监管带安全帽的人,则需要检测到人,并同时也检测到安全帽。除此之外,并联模型还包含识别模型的取反,即将识别结果为不存在的情况作为一种识别模型,例如当需要监管未戴安全帽这种行为时,可以通过对识别安全帽模型取反实现,指当检测不到安全帽时作为满足识别模型的结果,可以通过标注“有”,“无”表示识别存在还是不存在。
串联:指当前识别模型A的识别结果作为下一个识别模型B的输入,实现串联式的识别,在很大程度上缩小模型B的识别范围,从而提高模型B的识别精度和速度。例如识别人抽烟,可以先检测行人,再在行人的识别结果上进行人脸检测,然后定位出嘴唇位置,最终在人脸检测的基础上进行抽烟行为的识别。
混合:指组合模型可以通过使用串联或者并联的方式对已有的并联模型和串联模型进行二次组合,形成混合模型。
用户通过组合到的模型可以实现新的识别能力,获得模型的方式包括在模型组合形式中提到的并联、串联和混合。用户将新组合的模型可以添加到自定义的标注方式中,然后进行使用。
步骤六:基于训练结果,针对报警准确信息生成报警信息,并进行报警,来实现对工程现场实时视频流或图片进行检测报警。对于报警不准确的项,可以通过阈值调整,将其重新设置为标注项,进行修正训练,以循环训练的方式不断提高模型检测精度。
采用这样一个完整循环训练的过程,不断提高所有模型的检测精度。让用户根据自己的需求,通过不断增量学习的方式,逐渐满足用户的多样性监管需求。该系统可以有效实现单个用户针对监测结果的标注学习和训练,提高用户工作效率,减少重复劳动。
本申请通过将视频监控图像查看、自定义机器标注、学习、训练、监管融合在一起。方便于用户在看到图像时进行即时学习,提高了学习效率,降低了机器视觉学习检测算法的生成成本。
本发明还提供了一种机器视觉的监管系统。
具体的实现方式如下:
该系统包括至少一个客户机和至少一个监管装置。
建筑工地中包括至少一个监管装置,示例性的,该监管装置中包括至少一个摄像头,用来监控工程现场情况的情况,例如对建筑物、建筑设备、建筑工人进行摄像,从而生成对建筑工地中的建筑物、建筑设备、建筑工人进行监管的图片或视频。监管装置生成的图片或视频传送给用户的客户机。用户可以通过客户机对监管装置进行远程控制。
可选择的,监管装置和客户机之间可以通过有线或无线的方式进行连接。
优选的实施例,用户可以自定义标注方式、标注内容,标注的内容可以包括任何建筑工地中涉及的内容,例如,建筑工地中某个局部区域的完成进度情况,某个危险区域是否有建筑工人,建筑工人在进入建筑工地时是否佩戴安全帽、建筑工人在进入建筑工地时是否吸烟、高空是否携带安全带、各种施工工序是否符合安全施工要求等等。
可以通过用户手动标注,当用户进行远程监控时,发现需要报警检测项时,选择要标注的实物,进行简单抓拍和手工标注即可完成个性化的标注,通过这种方式,用户可以提供多种类型的手工标注数据1;也可以通过机器进行标注,得到模糊标注数据,进行确认修正后得到手工标注数据2;也可以通过对抗生成网络训练后得到手工标注数据3……等等。这些标注数据例如包括:建筑工地中某个具体的实物、建筑工人、安全帽、安全带、香烟、某个建筑施工工具等等。从而通过这种方式得到建筑工程现场实物的原子模型。
为了方便用户的操作,可以在客户机上设置快捷键盘。例如:设定键盘中的“A键”来表示增加标记。设定键盘中的“D键”表示删除标记。并可以用键盘中的上下键切换要标注的图片。这样用户就可以左手去用键盘操作命令。右手对要标注图像或视频进行画框,从而可以极大的提高标注速度。
在用户标注过程中,还可以对视频或图片中的局部内容进行放大标注,可用于高分辨率下,肉眼很难看清的物体进行标注,从而提供更个性化的标注。
在标注一个分类物体时,可以同时显示出某一标注物体的面积大小,可以用于自定义训练时,快速确定将多大面积的物体进行过滤,为过滤训练提供参考值。
也可以对生成的机器标注进行过滤处理,将要标注的某一分类进行集中过滤显示,用以集中标注,以提高标注工作效率。同时,该过滤方式也可以用于快速查找某一模糊检测分类物体是否存在。
用户也可以不需管理,在接收到监管装置传送的图片或视频,客户机可以自动监测报警项,自动实现标注。通过这种方式,客户机可以提供多种类型的机器标注数据1,机器标注数据2,机器标注数据3……等等。这些机器标注数据例如包括:建筑工地中某个局部区域的完成进度情况,某个危险区域是否有建筑工人,建筑工人在进入建筑工地时是否佩戴安全帽、建筑工人在进入建筑工地时是否吸烟、某一具体建筑工程现场实物、各施工工序是否符合安全施工要求等。从而通过这种方式节约了用户的管理成本。
可以对生成的机器标注进行过滤处理,将要标注的某一分类进行集中过滤显示,用以集中标注,以提高标注工作效率。同时,该过滤方式也可以用于快速查找某一模糊检测分类物体是否存在。
可以利用多种人工智能的深度学习算法,例如:DNN(Deep Neural Network)深层神经网络、CNN(Convolutioanl Neural network)卷积神经网络、Faster-RCNN更快速区域卷积神经网络等多种方法的组合。
客户机通过有监督学习的方式。对要识别的检测任务进行少量标注,有监督标注学习,并通过GAN对抗网络和检测模型阈值调整等方法,逐渐生成初步检测模型。其中阈值的设置可以根据建筑工地的实际情况进行实时调整。
客户机利用初步生成的检测模型,并通过在线学习的方式收集与检测任务相关的训练数据,做简单复查标注及数据训练。
同时通过GAN对抗生成网络实现闭环。在这个流程中包括模型识别器和模型生成器,基于对抗训练来检测学习结果是否满意,完成原子模型。
通过这种方式,在监管任务及物体分类识别上均得到深入处理,生成标注结果。
采用对抗生成网络GAN生成的数据进行混合训练。在这个流程中包括模型识别器和模型生成器,基于对抗训练来检测学习结果是否满意,达到快速让原子模型检测精度提高的目的。
对于检测还不满意的任务,可以设置为标注任务,利用循环学习修正和训练的方式重新对标注任务进行学习、训练,从而逐渐提高监管精度。对于检测满意的任务,可以设置为报警任务,生成训练结果。
模型自定义组合。通过原子模型、分子模型的组合,客户机生成复杂场景标注或检测报警项。在标注与检测过程中,还需要采用识别模型组合。模型组合方式主要分为并联、串联和混合三种形式。
并联:指需要同时满足多个识别模型结果的任务,例如如果想监管带安全帽的人,则需要检测到人的同时也检测到安全帽。除此之外,并联模型还包含识别模型的取反,即将识别结果为不存在的情况作为一种识别模型,例如当需要监管未戴安全帽这种行为时,可以通过对识别安全帽模型取反实现,指当检测不到安全帽时作为满足识别模型的结果,可以通过标注“有”,“无”表示识别存在还是不存在。
串联:指当前识别模型A的识别结果作为下一个识别模型B的输入,实现串联式的识别,在很大程度上缩小模型B的识别范围,从而提高模型B的识别精度和速度。例如识别人抽烟,抽烟可以通过先检测行人,再在行人的识别结果上进行人脸检测,然后定位出嘴唇位置,最终在人脸检测的基础上进行抽烟行为的识别。
混合:指组合模型可以通过使用串联或者并联的方式对已有的并联模型和串联模型进行二次组合,形成混合模型。
用户通过组合到的模型可以实现新的识别能力,获得模型的方式包括在模型组合形式中提到的并联、串联和混合。用户将新组合的模型可以添加到自定义的标注方式中,然后进行使用。
基于训练结果,客户机针对报警准确信息生成报警信息,并进行报警,来实现对工程现场实时视频流或图片进行检测报警。对于报警不准确的项,客户机可以通过阈值调整,将其重新设置为标注项,进行修正训练,以循环训练的方式不断提高模型检测精度。
采用这样一个完整循环训练的过程,不断提高所有模型的检测精度。让用户根据自己的需求,通过不断增量学习的方式,逐渐满足用户的多样性监管需求。该系统可以有效实现单个用户针对监测结果的标注学习和训练,提高用户工作效率,减少重复劳动。
本发明通过将视频监控图像查看、自定义机器标注、学习、训练、监管融合在一起。方便于用户在看到图像时进行即时学习,提高了学习效率,降低了机器视觉学习的计算成本。
本发明的客户机是诸如用户设备(UE)、移动站(MS)、移动无线设备、移动通信设备、平板计算机、手机或其他类型的移动无线设备之类的客户机的示例性说明。客户机包括的应用处理器和图形处理器可以被耦合到内部非暂时性存储设备(存储内存)以提供处理和显示能力。非易失性存储器端口也可以用于为用户提供数据输入/输出选择。
还可以在用于由各种类型的处理器执行的软件中实施模块。例如,可执行代码的被标识的模块包括计算机指令的一个或多个物理或逻辑块,其可以例如被组织为对象、过程或函数。然而,被标识的模块的可执行文件不需要被物理地聚在一起,而是可以包括存储在不同位置的不同指令,当这些不同位置逻辑地连接在一起时,包括该模块并实现用于该模块的所述目的。
实际上,可执行代码的模块可以是单个指令、或者许多指令,并且甚至可以分布于若干不同的代码段、分布在不同程序间以及跨越多个存储器设备。各种技术,或其某些方面或者部分可以采用程序代码(即,指令)的形式,该程序代码实现在有形介质中,例如软盘、CD-ROM、硬盘驱动器或任何其他机器可读存储介质,其中当程序代码被加载到诸如计算机之类的机器中并由其执行时,该机器成为实现所述各种技术的装置。在可编程计算机上执行程序代码的情况下,计算设备可以包括处理器、可由处理器读取的存储介质(包括易失性和非易失性存储器和/或存储元件)、至少一个输入设备和至少一个输出设备。可以实施或利用本文中所述的各种技术的一个或多个程序可以使用应用程序编程接口(API)、可重用控件等。这样的程序可以以高级程序性或面向对象的编程语言来实施以与计算机系统进行通信。然而,如果需要,那么这些程序可以以汇编或机器语言实施。在任何情况下,语言可以是编译或解释语言,并与硬件实施相结合。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种机器视觉的监管系统,包括:客户机和至少一台监管装置;其特征在于:
所述监管装置用于采集监管内容,并将采集的监管内容传送给所述客户机;
所述客户机针对所述监管内容上的标注结果,进行训练和学习,生成初步检测模型;并利用初步检测模型对标注任务进行学习、训练,生成训练结果;
所述客户机基于训练结果,生成报警信息并进行报警,实现对监控现场的检测报警。
2.如权利要求1所述的系统,其特征在于:所述监管内容的标注结果,包括:
用户对所述监管内容的标注结果和/或所述客户机对所述监管内容进行自动标注的标注结果。
3.如权利要求1或2所述的系统,其特征在于:标注过程中,采用局部内容放大标注和/或分类集中标注。
4.如权利要求1或2所述的系统,其特征在于:所述客户机利用人工智能的深度学习算法针对标注结果进行学习,并通过对抗生成网络GAN和检测模型阈值调整方法,生成初步检测模型;
利用初步生成的检测模型,并通过在线学习的方式收集与检测任务相关的训练数据,进行标注结果复查及数据训练。
5.如权利要求1或2所述的系统,其特征在于:在标注与检测过程中,通过将多个识别模型以并联、串联或串并混合的方式组合后进行标注或检测,来对复杂场景进行标注或生成检测报警项。
6.一种机器视觉的监管方法,其特征在于:包括:
采集监管内容,并将采集的监管内容传送给所述客户机;
所述客户机针对所述监管内容上的标注结果,进行训练和学习,生成初步检测模型;并利用初步检测模型对标注任务进行学习、训练,生成训练结果;
所述客户机基于训练结果,生成报警信息并进行报警,实现对监控现场的检测报警。
7.一种客户机,其特征在于:所述客户机包括存储器和处理器,处理器通过调用存储在存储器上的程序或指令,以实现机器视觉的学习和监管,其中所述程序或指令用于实现以下流程:
接收所述监管装置采集的监管内容;
针对所述监管内容上的标注结果,进行训练和学习,生成初步检测模型;并利用初步检测模型对标注任务进行学习、训练,生成训练结果;
所述客户机基于训练结果,生成报警信息并进行报警,实现对监控现场的检测报警。
8.如权利要求7所述的客户机,其特征在于:所述程序或指令还用于实现以下流程:
利用人工智能的深度学习算法针对标注结果进行学习,并通过对抗生成网络GAN和检测模型阈值调整方法,生成初步检测模型;
利用初步生成的检测模型,并通过在线学习的方式收集与检测任务相关的训练数据,进行标注结果复查及数据训练。
9.如权利要求7或8所述的客户机,其特征在于:所述程序或指令还用于实现以下流程:
在标注与检测过程中,通过将多个识别模型以并联、串联或串并混合的方式组合后进行标注或检测,来对复杂场景进行标注或生成检测报警项。
10.一种可读程序存储介质,其特征在于:存储介质中存储的程序或指令,用于:
接收所述监管装置采集的监管内容;
针对所述监管内容上的标注结果,进行训练和学习,生成初步检测模型;并利用初步检测模型对标注任务进行学习、训练,生成训练结果;
所述客户机基于训练结果,生成报警信息并进行报警,实现对监控现场的检测报警。
CN201810170406.2A 2018-03-01 2018-03-01 一种机器视觉的监管系统、方法及客户机、存储介质 Pending CN108388873A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810170406.2A CN108388873A (zh) 2018-03-01 2018-03-01 一种机器视觉的监管系统、方法及客户机、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810170406.2A CN108388873A (zh) 2018-03-01 2018-03-01 一种机器视觉的监管系统、方法及客户机、存储介质

Publications (1)

Publication Number Publication Date
CN108388873A true CN108388873A (zh) 2018-08-10

Family

ID=63069654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810170406.2A Pending CN108388873A (zh) 2018-03-01 2018-03-01 一种机器视觉的监管系统、方法及客户机、存储介质

Country Status (1)

Country Link
CN (1) CN108388873A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110478911A (zh) * 2019-08-13 2019-11-22 苏州钛智智能科技有限公司 基于机器学习的智能游戏车无人驾驶方法及智能车、设备
CN112258426A (zh) * 2020-11-27 2021-01-22 福州大学 一种基于Mask RCNN的脚手架图像自动倾斜校正的方法
WO2022227772A1 (zh) * 2021-04-27 2022-11-03 北京百度网讯科技有限公司 人体属性检测模型的训练方法、装置、电子设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107016356A (zh) * 2017-03-21 2017-08-04 乐蜜科技有限公司 特定内容识别方法、装置和电子设备
CN107220600A (zh) * 2017-05-17 2017-09-29 清华大学深圳研究生院 一种基于深度学习的图片生成方法及生成对抗网络
US20170365038A1 (en) * 2016-06-16 2017-12-21 Facebook, Inc. Producing Higher-Quality Samples Of Natural Images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170365038A1 (en) * 2016-06-16 2017-12-21 Facebook, Inc. Producing Higher-Quality Samples Of Natural Images
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
CN107016356A (zh) * 2017-03-21 2017-08-04 乐蜜科技有限公司 特定内容识别方法、装置和电子设备
CN107220600A (zh) * 2017-05-17 2017-09-29 清华大学深圳研究生院 一种基于深度学习的图片生成方法及生成对抗网络

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110478911A (zh) * 2019-08-13 2019-11-22 苏州钛智智能科技有限公司 基于机器学习的智能游戏车无人驾驶方法及智能车、设备
CN112258426A (zh) * 2020-11-27 2021-01-22 福州大学 一种基于Mask RCNN的脚手架图像自动倾斜校正的方法
CN112258426B (zh) * 2020-11-27 2022-05-24 福州大学 一种基于Mask RCNN的脚手架图像自动倾斜校正的方法
WO2022227772A1 (zh) * 2021-04-27 2022-11-03 北京百度网讯科技有限公司 人体属性检测模型的训练方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
CN111144263B (zh) 一种建筑工人高坠事故预警方法及装置
CN110263686A (zh) 一种基于深度学习的施工工地图像安全帽检测方法
CN112785798B (zh) 面向电力变电站工程建设项目施工人员的行为分析方法
CN111552216A (zh) 基于5g的施工现场智慧监管系统
CN111083640B (zh) 施工现场的智能监管方法及系统
CN107330579A (zh) 一种hse风险分级管控系统
CN110121053B (zh) 一种钻井现场风险分级预警的视频监控方法
CN107146024A (zh) 建筑企业全过程立体动态安全管理方法
CN113706355A (zh) 化工园区智慧应急系统搭建方法
CN113724105A (zh) 建筑施工现场监控系统及其监控方法
CN108388873A (zh) 一种机器视觉的监管系统、方法及客户机、存储介质
CN211877114U (zh) 基于5g的施工现场监管系统
CN112112629A (zh) 一种钻井作业过程中的安全业务管理系统和方法
CN109460939A (zh) 一种基于3dgis+bim技术的市政工程施工安全控制系统及方法
CN113206978A (zh) 油气管道站场安防智能监控预警系统及方法
CN111178828A (zh) 一种建筑消防安全预警的方法和系统
CN117035419B (zh) 企业项目实施智能管理系统及方法
CN109445363A (zh) 一种基于异常检测算法的施工现场动态安全监测系统
CN112819374A (zh) 一种铁路桥梁施工人员风险管理系统与方法
CN113506416A (zh) 一种基于智能视觉分析的工程异常预警方法及系统
CN105933458A (zh) 多级云监控平台
CN112381435A (zh) 水电站作业过程动态风险的网格化定向推送管理方法
CN116863401B (zh) 一种基于视觉分析的人员作业状态的后厨智能监管系统及方法
KR102157201B1 (ko) 사고기록정보와 이미지에 기반한 재난 상황 판단 방법 및 시스템
CN108399389A (zh) 机器视觉的多机监管系统、方法及客户机、服务器、存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180810