CN109376673B - 一种基于人体姿态估计的煤矿井下人员不安全行为识别方法 - Google Patents

一种基于人体姿态估计的煤矿井下人员不安全行为识别方法 Download PDF

Info

Publication number
CN109376673B
CN109376673B CN201811289423.4A CN201811289423A CN109376673B CN 109376673 B CN109376673 B CN 109376673B CN 201811289423 A CN201811289423 A CN 201811289423A CN 109376673 B CN109376673 B CN 109376673B
Authority
CN
China
Prior art keywords
coal mine
personnel
underground
hourglass network
heat map
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.)
Active
Application number
CN201811289423.4A
Other languages
English (en)
Other versions
CN109376673A (zh
Inventor
朱艾春
张赛
吴钱御
华钢
李义丰
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.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
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 Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN201811289423.4A priority Critical patent/CN109376673B/zh
Publication of CN109376673A publication Critical patent/CN109376673A/zh
Application granted granted Critical
Publication of CN109376673B publication Critical patent/CN109376673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V40/23—Recognition of whole body movements, e.g. for sport training

Abstract

本发明的基于人体姿态估计的煤矿井下人员不安全行为识别方法，针对当前以人为中心的视频监控模式对于井下人员不安全行为的监控存在人工监视持续时间受限、多场景同时监视困难、人工监视结果处理不及时等问题，在煤矿视频监控系统中引入智能分析技术，通过基于生成对抗训练的困难样本挖掘沙漏网络(Hourglass Networks with Hard Mining)提取煤矿井下人员的姿态信息。然后，根据提取的人体姿态信息在监控视频中运行轨迹来判断煤矿井下人员的行为是否异常，精准地发现发出报警提示，做到防患于未然，保障煤矿安全生产。

Description

一种基于人体姿态估计的煤矿井下人员不安全行为识别方法
技术领域
本发明涉及煤矿安全监控技术，尤其涉及基于人体姿态估计的煤矿井下人员不安全行为识别方法。
背景技术
我国是世界上最大的煤炭生产和消费国，煤炭行业的持续、健康、稳定发展对国民经济的健康运行影响巨大。煤矿井下工作条件艰苦、环境复杂、事故易发。对我国煤矿大量事故致因的分析与研究发现，80％以上的煤矿事故源于井下人员的不安全行为。因此，如何有效地从煤矿监控视频中提取井下人员的行为信息，对保障煤矿安全生产有着重要意义。
煤矿视频监控系统是保证煤矿安全生产和科学调度指挥的有效技术手段，通过其可以实现对井下人员不安全行为的监视。当前以人为中心的视频监控模式对于井下人员不安全行为的监控存在人工监视持续时间受限、多场景同时监视困难、人工监视结果处理不及时等问题。
发明内容
本发明的目的是针对当前以人为中心的视频监控模式对于井下人员不安全行为的监控存在人工监视持续时间受限、多场景同时监视困难、人工监视结果处理不及时等问题，提出一种基于人体姿态估计的煤矿井下人员不安全行为识别方法。本发明在煤矿视频监控系统中引入智能分析技术，通过基于生成对抗训练的困难样本挖掘沙漏网络(Hourglass Networks with Hard Mining)提取煤矿井下人员的姿态信息。然后，根据提取的人体姿态信息在监控视频中运行轨迹来判断煤矿井下人员的行为是否异常。
本发明的技术方案是：
本发明提供一种基于人体姿态估计的煤矿井下人员不安全行为识别方法，该方法包括以下步骤：
步骤1、预设若干种煤矿井下人员的不安全行为，获取前述不安全行为对应的视频信息，通过人工标记的方式标定前述视频信息中的骨架信息，得到训练数据集，并对前述训练数据集进行基于对抗学习的困难样本挖掘沙漏网络训练，获取模型，将视频信息中的骨架信息按时间轴形成的运行轨迹和前述模型存储至数据库；
步骤2、采用监控设备，实时读取煤矿监控视频，将视频分解成图像；
步骤3、对读取的图像中井下人员进行姿态估计，采用基于对抗学习的困难样本挖掘沙漏网络模型提取井下人员的骨架信息；
步骤4、将前述提取的煤矿井下人员的骨架信息按照时间轴形成运动轨迹与步骤1中预设的几种煤矿井下人员的不安全行为的骨架运行轨迹中的坐标进行误差计算，误差小于预设的阈值为不安全行为，发出报警提示，否则，不做处理。
进一步地，所述的不安全行为矿工攀坐平台护栏、井下摘掉安全帽和冒险进入危险场所。
进一步地，所述步骤1中对训练数据集进行基于对抗学习的困难样本挖掘沙漏网络训练，获取模型的方法具体为：
步骤1.1、构建基于对抗学习的困难样本挖掘沙漏网络模型，包括子沙漏网络G和子沙漏网络D，所述的子沙漏网络G作为生成器Generator，用于生成井下人员姿态热图；所述的子沙漏网络D为鉴别器Discriminator，用于在生成的热图数据中鉴别出煤矿井下人员姿态，每一个子沙漏网络由N个沙漏单元堆积而成；
步骤1.2、获取煤矿监控图像样本I、及样本中人员目标标记的骨架点坐标X作为困难样本挖掘沙漏网络的输入；
步骤1.3、将图像样本I输入子沙漏网络G中生成热图
Figure BDA0001849751750000031
并通过标记的骨架点信息X生成关于各个骨架点的真值热图Hij；其中i表示第i个沙漏单元，j表示人体中关节点的序号；
步骤1.4、计算生成器的生成热图
Figure BDA0001849751750000032
与真值热图Hij之间的误差LMSE：
Figure BDA0001849751750000033
其中j∈[1,M]，M表示每个人体中包含关节点总数，Rank函数对所有的关节点误差进行排序，
Figure BDA0001849751750000034
表示对误差最高的K个关节点进行误差累加；
步骤1.5、将生成热图
Figure BDA0001849751750000035
输入鉴别器D中，得到重构热图
Figure BDA00018497517500000311
步骤1.6、计算沙漏网络中最后一个单元的生成热图
Figure BDA0001849751750000037
与该单元重构热图
Figure BDA00018497517500000312
的误差Ladv；
Figure BDA0001849751750000039
步骤1.7、累加误差LMSE和Ladv得到生成器的误差LG，并通过梯度下降法对生成器进行优化；
步骤1.8、将真值热图Hij输入到基于鉴别器D中，得到重构热图D(Hij,I)；
步骤1.9、计算沙漏网络中最后一个单元的真值热图Hj与该单元重构热图D(Hj,I)的误差LR；
Figure BDA00018497517500000310
步骤1.10、累加误差Ladv和LR得到鉴别器的误差LD，并通过梯度下降法对鉴别器进行优化；优化完成后，获取基于对抗学习的困难样本挖掘沙漏网络模型。
本发明的有益效果：
本发明与现有技术相比的优点在于：本发明通过人工智能的手段提升煤矿视频监控系统对井下人员不安全行为主动监控能力，及时发现事故隐患。此外，本发明通过人体姿态信息识别煤矿井下人员不安全行为，精准地发现发出报警提示，做到防患于未然，保障煤矿安全生产。
本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。
图1是基于人体姿态估计的煤矿井下人员不安全行为识别的流程图。
图2是基于生成对抗学习的困难样本挖掘沙漏网络模型。
图3是生成器与鉴别器模型结构图。
具体实施方式
下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
如图1所示，本发明提供一种基于人体姿态估计的煤矿井下人员不安全行为识别方法，该方法包括以下步骤：
步骤1、预设若干种煤矿井下人员的不安全行为，获取前述不安全行为对应的视频信息，通过人工标记的方式标定前述视频信息中的骨架信息，得到训练数据集，并对前述训练数据集进行基于对抗学习的困难样本挖掘沙漏网络训练，获取模型，将视频信息中的骨架信息按时间轴形成的运行轨迹和前述模型存储至数据库；
如图2、3所示，步骤1中对训练数据集进行基于对抗学习的困难样本挖掘沙漏网络训练，获取模型的方法具体为：
步骤1.1、构建基于对抗学习的困难样本挖掘沙漏网络模型，包括子沙漏网络G和子沙漏网络D，所述的子沙漏网络G作为生成器Generator，用于生成井下人员姿态热图；所述的子沙漏网络D为鉴别器Discriminator，用于在生成的热图数据中鉴别出煤矿井下人员姿态，每一个子沙漏网络由N个沙漏单元堆积而成；
步骤1.2、获取煤矿监控图像样本I、及样本中人员目标标记的骨架点坐标X作为困难样本挖掘沙漏网络的输入；
步骤1.3、将图像样本I输入子沙漏网络G中生成热图
Figure BDA0001849751750000051
并通过标记的骨架点信息X生成关于各个骨架点的真值热图Hij；其中i表示第i个沙漏单元，j表示人体中关节点的序号；
步骤1.4、计算生成器的生成热图
Figure BDA0001849751750000052
与真值热图Hij之间的误差LMSE：
Figure BDA0001849751750000053
其中j∈[1,M]，M表示每个人体中包含关节点总数，Rank函数对所有的关节点误差进行排序，
Figure BDA0001849751750000054
表示对误差最高的K个关节点进行误差累加；
步骤1.5、将生成热图
Figure BDA0001849751750000055
输入鉴别器D中，得到重构热图
Figure BDA00018497517500000510
步骤1.6、计算沙漏网络中最后一个单元的生成热图
Figure BDA0001849751750000057
与该单元重构热图
Figure BDA00018497517500000511
的误差Ladv；
Figure BDA0001849751750000059
步骤1.7、累加误差LMSE和Ladv得到生成器的误差LG，并通过梯度下降法对生成器进行优化；
步骤1.8、将真值热图Hij输入到基于鉴别器D中，得到重构热图D(Hij,I)；
步骤1.9、计算沙漏网络中最后一个单元的真值热图Hj与该单元重构热图D(Hj,I)的误差LR；
Figure BDA0001849751750000061
步骤1.10、累加误差Ladv和LR得到鉴别器的误差LD，并通过梯度下降法对鉴别器进行优化；优化完成后，获取基于对抗学习的困难样本挖掘沙漏网络模型；
步骤2、采用监控设备，实时读取煤矿监控视频，将视频分解成图像；
步骤3、对读取的图像中井下人员进行姿态估计，采用基于对抗学习的困难样本挖掘沙漏网络模型提取井下人员的骨架信息；
步骤4、将前述提取的煤矿井下人员的骨架信息按照时间轴形成运动轨迹与步骤1中预设的几种煤矿井下人员的不安全行为的骨架运行轨迹中的坐标进行误差计算，误差小于预设的阈值为不安全行为，发出报警提示，否则，不做处理。
其中，所述的不安全行为矿工攀坐平台护栏、井下摘掉安全帽和冒险进入危险场所。
本发明通过人工智能的手段提升煤矿视频监控系统对井下人员不安全行为主动监控能力，及时发现事故隐患。此外，本发明通过人体姿态信息识别煤矿井下人员不安全行为，精准地发现发出报警提示，做到防患于未然，保障煤矿安全生产。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (2)

1.一种基于人体姿态估计的煤矿井下人员不安全行为识别方法，其特征在于，该方法包括以下步骤：
步骤1、预设若干种煤矿井下人员的不安全行为，获取前述不安全行为对应的视频信息，通过人工标记的方式标定前述视频信息中的骨架信息，得到训练数据集，并对前述训练数据集进行基于对抗学习的困难样本挖掘沙漏网络训练，获取模型，将视频信息中的骨架信息按时间轴形成的运行轨迹和前述模型存储至数据库；
步骤2、采用监控设备，实时读取煤矿监控视频，将视频分解成图像；
步骤3、对读取的图像中井下人员进行姿态估计，采用基于对抗学习的困难样本挖掘沙漏网络模型提取井下人员的骨架信息；
步骤4、将前述煤矿井下人员的骨架信息按照时间轴形成运动轨迹与步骤1中预设的几种煤矿井下人员的不安全行为的骨架运行轨迹中的坐标进行误差计算，误差小于预设的阈值为不安全行为，发出报警提示，否则，不做处理；
所述步骤1中对训练数据集进行基于对抗学习的困难样本挖掘沙漏网络训练，获取模型的方法具体为：
步骤1.1、构建基于对抗学习的困难样本挖掘沙漏网络模型，包括子沙漏网络G和子沙漏网络D，所述的子沙漏网络G作为生成器Generator，用于生成井下人员姿态热图；所述的子沙漏网络D为鉴别器Discriminator，用于在生成的热图数据中鉴别出煤矿井下人员姿态，每一个子沙漏网络由N个沙漏单元堆积而成；
步骤1.2、获取煤矿监控图像样本I、及样本中人员目标标记的骨架点坐标X作为困难样本挖掘沙漏网络的输入；
步骤1.3、将图像样本I输入子沙漏网络G中生成热图
Figure FDA0003291224310000021
并通过标记的骨架点信息X生成关于各个骨架点的真值热图Hij；其中i表示第i个沙漏单元，j表示人体中关节点的序号；
步骤1.4、计算生成器的生成热图
Figure FDA0003291224310000022
与真值热图Hij之间的误差LMSE：
Figure FDA0003291224310000023
其中j∈[1,M]，M表示每个人体中包含关节点总数，Rank函数对所有的关节点误差进行排序，
Figure FDA0003291224310000024
表示对误差最高的K个关节点进行误差累加；
步骤1.5、将生成热图
Figure FDA0003291224310000025
输入鉴别器D中，得到重构热图
Figure FDA0003291224310000026
步骤1.6、计算沙漏网络中最后一个单元的生成热图
Figure FDA0003291224310000027
与该单元重构热图
Figure FDA0003291224310000028
的误差Ladv；
Figure FDA0003291224310000029
步骤1.7、累加误差LMSE和Ladv得到生成器的误差LG，并通过梯度下降法对生成器进行优化；
步骤1.8、将真值热图Hij输入到基于鉴别器D中，得到重构热图D(Hij,I)；
步骤1.9、计算沙漏网络中最后一个单元的真值热图Hj与该单元重构热图D(Hj,I)的误差LR；
Figure FDA00032912243100000210
步骤1.10、累加误差Ladv和LR得到鉴别器的误差LD，并通过梯度下降法对鉴别器进行优化；优化完成后，获取基于对抗学习的困难样本挖掘沙漏网络模型。
2.根据权利要求1所述的基于人体姿态估计的煤矿井下人员不安全行为识别方法，其特征在于，所述的不安全行为矿工攀坐平台护栏、井下摘掉安全帽和冒险进入危险场所。
CN201811289423.4A 2018-10-31 2018-10-31 一种基于人体姿态估计的煤矿井下人员不安全行为识别方法 Active CN109376673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811289423.4A CN109376673B (zh) 2018-10-31 2018-10-31 一种基于人体姿态估计的煤矿井下人员不安全行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811289423.4A CN109376673B (zh) 2018-10-31 2018-10-31 一种基于人体姿态估计的煤矿井下人员不安全行为识别方法

Publications (2)

Publication Number Publication Date
CN109376673A CN109376673A (zh) 2019-02-22
CN109376673B true CN109376673B (zh) 2022-02-25

Family

ID=65391087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811289423.4A Active CN109376673B (zh) 2018-10-31 2018-10-31 一种基于人体姿态估计的煤矿井下人员不安全行为识别方法

Country Status (1)

Country Link
CN (1) CN109376673B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934111B (zh) * 2019-02-12 2020-11-24 清华大学深圳研究生院 一种基于关键点的健身姿态估计方法及系统
CN110123334A (zh) * 2019-05-15 2019-08-16 中国矿业大学(北京) 一种煤矿井下人体姿态监测系统
CN110163347A (zh) * 2019-05-24 2019-08-23 刘斌 一种煤矿井下人体姿态监测方法
CN110425005B (zh) * 2019-06-21 2020-06-30 中国矿业大学 矿井下皮带运输人员人机交互行为安全监控与预警方法
CN110647819B (zh) * 2019-08-28 2022-02-01 中国矿业大学 一种井下人员跨越皮带异常行为检测方法及装置
CN111126193A (zh) * 2019-12-10 2020-05-08 枣庄矿业（集团）有限责任公司蒋庄煤矿 一种基于深度学习煤矿井下不安全行为人工智能识别系统
CN111611927A (zh) * 2020-05-21 2020-09-01 长沙明本信息科技有限公司 一种基于人体姿态识别煤矿工作人员不安全行为的方法
CN111914807B (zh) * 2020-08-18 2022-06-28 太原理工大学 一种基于传感器和骨架信息的矿工行为识别方法
CN112070043B (zh) * 2020-09-15 2023-11-10 常熟理工学院 基于特征融合的安全帽佩戴卷积网络、训练及检测方法
CN116030391B (zh) * 2023-01-06 2023-07-21 滨州邦维信息科技有限公司 煤炭卸料口人员风险智能监测方法
CN116847222B (zh) * 2023-09-01 2023-11-14 西安格威石油仪器有限公司 应用于石油测井下的设备远程监控方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107495971A (zh) * 2017-07-27 2017-12-22 大连和创懒人科技有限公司 基于骨架识别的患者发病报警医疗系统及其检测方法
CN107886089A (zh) * 2017-12-11 2018-04-06 深圳市唯特视科技有限公司 一种基于骨架图回归的三维人体姿态估计的方法
CN107992836A (zh) * 2017-12-12 2018-05-04 中国矿业大学(北京) 一种矿工不安全行为的识别方法及系统
CN108216252A (zh) * 2017-12-29 2018-06-29 中车工业研究院有限公司 一种地铁司机车载驾驶行为分析方法、车载终端及系统
CN108389227A (zh) * 2018-03-01 2018-08-10 深圳市唯特视科技有限公司 一种基于多视图深感知器框架的三维姿势估计方法
CN108549844A (zh) * 2018-03-22 2018-09-18 华侨大学 一种基于多层分形网络和关节亲属模式的多人姿态估计方法
CN108710830A (zh) * 2018-04-20 2018-10-26 浙江工商大学 一种结合密集连接注意力金字塔残差网络和等距限制的人体3d姿势估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107495971A (zh) * 2017-07-27 2017-12-22 大连和创懒人科技有限公司 基于骨架识别的患者发病报警医疗系统及其检测方法
CN107886089A (zh) * 2017-12-11 2018-04-06 深圳市唯特视科技有限公司 一种基于骨架图回归的三维人体姿态估计的方法
CN107992836A (zh) * 2017-12-12 2018-05-04 中国矿业大学(北京) 一种矿工不安全行为的识别方法及系统
CN108216252A (zh) * 2017-12-29 2018-06-29 中车工业研究院有限公司 一种地铁司机车载驾驶行为分析方法、车载终端及系统
CN108389227A (zh) * 2018-03-01 2018-08-10 深圳市唯特视科技有限公司 一种基于多视图深感知器框架的三维姿势估计方法
CN108549844A (zh) * 2018-03-22 2018-09-18 华侨大学 一种基于多层分形网络和关节亲属模式的多人姿态估计方法
CN108710830A (zh) * 2018-04-20 2018-10-26 浙江工商大学 一种结合密集连接注意力金字塔残差网络和等距限制的人体3d姿势估计方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Cascaded Pyramid Network for Multi-Person Pose Estimation;Yilun Chen等;《arXiv:1711.07319v2 [cs.CV]》;20180408;第1-10页 *
Multi-Context Attention for Human Pose Estimation;Xiao Chu等;《arXiv:1702.07432v1 [cs.CV]》;20170224;第1-11页 *
Self Adversarial Training for Human Pose Estimation;Chia-Jung Chou等;《arXiv:1707.02439v2 [cs.CV]》;20170815;第1-14页 *
Stacked Hourglass Networks for Human Pose Estimation;Alejandro Newell等;《arXiv:1603.06937v2》;20160726;第1-17页 *
Unsupervised Learning of Visual Representations using Videos;Xiaolong Wang等;《arXiv:1505.00687v2 [cs.CV]》;20151006;第1-9页 *

Also Published As

Publication number Publication date
CN109376673A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
CN109376673B (zh) 一种基于人体姿态估计的煤矿井下人员不安全行为识别方法
CN111144263B (zh) 一种建筑工人高坠事故预警方法及装置
CN112347916B (zh) 基于视频图像分析的电力现场作业安全监控方法及装置
CN110425005B (zh) 矿井下皮带运输人员人机交互行为安全监控与预警方法
CN110414400B (zh) 一种施工现场安全帽穿戴自动检测方法及系统
CN102324041B (zh) 像素归类方法、关节体姿态识别方法及鼠标指令生成方法
CN104156819B (zh) 一种重要岗位不安全行为自动观察纠偏方法及装置
CN114782988B (zh) 一种面向施工环境的多级安全预警方法
CN113919618A (zh) 基于bim技术的地下建筑施工管理方法
CN112685812A (zh) 一种动态监管方法、装置、设备及存储介质
CN116597616B (zh) 一种矿山开采区域地质灾害智能监测预警系统
CN113607170A (zh) 空海目标航迹偏离行为实时检测方法
CN115294533A (zh) 基于数据处理的建筑施工状态监测方法
CN115268657A (zh) 一种基于虚拟现实的工程安全教育方法及系统
CN116866520B (zh) 一种基于ai的单轨吊安全运行实时监控管理系统
CN116579601B (zh) 矿山安全生产风险监测预警系统及方法
CN112991544A (zh) 一种基于全景影像建模的群体疏散行为仿真方法
CN116682175A (zh) 一种复杂环境下的车间人员危险行为检测方法
Chang et al. Safety risk assessment of electric power operation site based on variable precision rough set
US20230316744A1 (en) Method and system for remotely analysing trees
CN115609595A (zh) 一种机械臂的轨迹规划方法、装置、设备及可读存储介质
CN111881863B (zh) 一种区域群体异常行为检测方法
CN114359831A (zh) 一种面向险兆推理的工人临边坠落智能识别系统及方法
Zhang et al. Semantic segmentation of point clouds of field obstacle-crossing terrain for multi-legged rescue equipment based on random forest
CN116580294B (zh) 基于大数据的矿山动态监控风险预警方法及系统

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