CN109376676A - 基于无人机平台的公路工程现场施工人员安全预警方法 - Google Patents

基于无人机平台的公路工程现场施工人员安全预警方法 Download PDF

Info

Publication number
CN109376676A
CN109376676A CN201811295288.4A CN201811295288A CN109376676A CN 109376676 A CN109376676 A CN 109376676A CN 201811295288 A CN201811295288 A CN 201811295288A CN 109376676 A CN109376676 A CN 109376676A
Authority
CN
China
Prior art keywords
width
input
depth
layer operation
layers
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
CN201811295288.4A
Other languages
English (en)
Inventor
李顺龙
郭亚朋
徐阳
牛皓伟
李惠
李忠龙
鄂宇辉
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201811295288.4A priority Critical patent/CN109376676A/zh
Publication of CN109376676A publication Critical patent/CN109376676A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于无人机平台的公路工程现场施工人员安全预警方法，如下：采集公路工程现场区域图像，对原始图像进行切割、标注；使用矩形框对切割后的图像中的施工人员进行标记，获得矩形框位置和大小的数据，分为佩戴和未佩戴安全帽的人员；将待识别的图像切割后输入至训练好的显著性检测网络中，得到以分割尺寸大小表示的显著性检测区域结果，并输入至训练好的施工人员精准检测网络中，得到以矩形框为表示的施工人员识别结果；将矩形框识别结果由子图像局部坐标系映射回原始图像整体坐标系中，得到最终的施工人员智能快速识别及安全预警结果。本发明便捷、准确，提升了公路工程现场施工人员识别的效率以及安全预警结果的准确度和稳定性。

Description

基于无人机平台的公路工程现场施工人员安全预警方法
技术领域
本发明涉及公路工程安全监督领域，具体涉及一种基于无人机平台的公路工程现场施工人员安全预警方法。
背景技术
公路是我国交通运输的大动脉。近年来，公路建设步入高潮，愈来愈多的建成公路服役，为提高我国交通运输效率、拉动我国经济快速增长起到了不可忽视的作用。然而，由于工作环境的复杂性和施工人员的素质参差不齐，公路工程施工现场的安全风险一直居高不下。仅仅在国内，从1997年到2014年间，平均每年由于施工现场事故导致的死伤人数高达2500人次，同时伴有严重的财产损失。安全监督已经成为施工现场安全管理的重要环节。安全主管人员往往使用检查单的形式来寻找和识别潜在的安全的风险，而是否佩戴安全帽便是检查单上的重要一项。
目前随着无人机技术和计算机视觉技术的发展，许多学者尝试使用这两种新技术来解决施工人员安全帽的检测问题，然而这些方法存在的最大的问题是需要特定的、昂贵的设备来获取所需的数据。因此如何针对现有研究存在的问题提出一个鲁棒性强、成本低、识别速度快、精度高的方法，为施工现场施工人员智能快速识别和安全预警提供一个自动化智能化的解决方案，是一个丞待研究的问题。
发明内容
本发明的目的是为了解决现有的公路工程现场施工风险过高的问题以及相应智能算法的缺点，而提出一种基于无人机平台的公路工程现场施工人员安全预警方法，具体包括如下步骤：
步骤一、使用无人机采集公路工程现场区域图像，对原始图像进行切割；
步骤二、根据人工经验对切割后的图像降采样后进行标注(记为训练集一)，其中分为两类，即是否含有施工人员；根据人工经验使用矩形框对切割后的图像中的施工人员进行标记，获得用于表示矩形框位置和大小的数据(记为训练集二)，其中分为佩戴安全帽的施工人员和未佩戴安全帽的施工人员；
步骤三、将训练集一输入至显著性区域检测网络中进行训练，训练过程中使用的损失函数为交叉熵损失函数，优化算法为自适应矩估计优化算法；
步骤四、将训练集二输入至施工人员精准检测网络中进行迁移训练，训练过程中使用的损失函数为多目标优化函数，优化算法为自适应矩估计优化算法；
步骤五、将待识别的施工现场图像切割后输入至训练好的显著性检测网络中，得到以分割尺寸大小表示的显著性检测区域结果；将显著性检测区域输入至训练好的施工人员精准检测网络中，得到以矩形框为表示的施工人员识别结果；
步骤六、将矩形框识别结果由子图像局部坐标系映射回原始图像整体坐标系中，得到最终的施工人员智能快速识别及安全预警(是否佩戴安全帽)结果。
本发明还具有如下技术特征：
1、如上所述的步骤一具体包括：
步骤一一、使用无人机拍摄图像时，无人机飞行高度为30米，摄像机焦距为35mm；
步骤一二、对原始图像以网格形式进行切割，尺寸为300×300像素。
2、如上所述的步骤二具体包括：
步骤二一、对子图像降采样后整体进行图像分类标注，分为是否含有施工人员，形成训练集一；
步骤二二、对子图像进行矩形框标注，分为背景及施工人员是否佩戴安全帽，形成训练集二；
步骤二三、将子图像水平翻转、垂直翻转、BGR三个通道施加10％的干扰，分别得到翻转或干扰后的图像，并对得到的图像进行步骤一二的处理，形成训练集一、二的扩充集。
2、如上所述的步骤三中，显著性区域检测神经网络的各层结构为：
L0层：输入的宽度为32，深度为3；执行卷积层操作，卷积层操作的宽度为3，数量为32，步距为1，补零为1；
L1层：输入的宽度为32，深度为32；执行激活层操作；
L2层：输入的宽度为30，深度为32；执行卷积层操作，卷积层操作的宽度为3，数量为32，步距为1，补零为1；
L3层：输入的宽度为30，深度为32；执行激活层操作；
L4层：输入的宽度为30，深度为32，执行规则化层操作；
L5层：输入的宽度为30，深度为32，执行池化层操作；
L6层：输入的宽度为15，深度为32，灭活率为0.25，执行随机丢失层操作；
L7层：输入的宽度为15，深度为3；执行卷积层操作，卷积层操作的宽度为3，数量为64，步距为1，补零为1；
L8层：输入的宽度为15，深度为64；执行激活层操作；
L9层：输入的宽度为13，深度为64；执行卷积层操作，卷积层操作的宽度为3，数量为64，步距为1，补零为1；
L10层：输入的宽度为13，深度为64；执行激活层操作；
L11层：输入的宽度为13，深度为64，执行规则化层操作；
L12层：输入的宽度为13，深度为64，执行池化层操作；
L13层：输入的宽度为6，深度为64，灭活率为0.25，执行随机丢失层操作；
L14层：输入的宽度为6，深度为64；执行全连接层操作，全连接层操作的宽度为1，数量为512；
L15层：输入的宽度为1，深度为512；执行激活层操作；
L16层：输入的宽度为1，深度为512；执行随机丢失层操作；
L17层：输入的宽度为1，深度为512；执行全连接层操作，全连接层操作的宽度为1，数量为4；
L18层：输入的宽度为1，深度为4；执行激活层操作；
L19层：输入的宽度为1，深度为1；执行分类层操作；
L20层：输入的宽度为1，深度为1；执行回归层操作。
3、如上所述的步骤三和四中自适应矩估计优化算法具体为：
式中gt为第t步的梯度，mt为第t步的梯度一阶矩，vt为第t步的梯度二阶矩，β1为一阶动量衰减系数，β2为二阶动量衰减系数，ε为数值稳定量，η为学习率，θt表示第t步的待优化参数。
4、如上所述的步骤五中，充分考虑施工人员分布稀疏的特征，采用两阶段检测方式，即先进行显著性检测以确定施工人员所在区域，再基于所在区域进行施工人员的具体检测。4、如上所述的步骤六中，矩形框识别结果以矩形区域坐标[ti,x,ti,y,ti,w,ti,h]以及矩形区域对应的标签值，其中ti,x,ti,y,ti,w,ti,h分别为第i个样本左上角横坐标的预测值、第i个样本左上角纵坐标的预测值、第i个样本宽度的预测值、第i个样本高度的预测值，进行坐标变换时只进行矩形框参数的映射。
本发明的有益效果及优点：本发明实现了对于包含复杂背景干扰信息的施工现场施工人员显著性检测神经网络模型训练、施工人员精准检测蛇精网络模型训练以及结果展示的全过程自动化处理。本发明便捷、准确，提升了公路工程现场施工人员识别的效率以及安全预警结果的准确度和稳定性。整个识别与预警过程均为自动化处理，显著降低了检测过程中的人工参与度。本发明还能满足公路工程安全突击检查和在线实时监测预警需求，即不进行训练集更新，直接对采集到的图像进行识别，结果输出延迟可低至十秒以下。本发明提高了公路工程现场施工人员快速识别和安全预警的自动化、智能化、准确性和鲁棒性，为公路工程的安全监督提供了新的解决方案。
附图说明
图1为本发明的流程示意图；
图2为本发明一个实施例的原始图像；
图3为本发明一个实施例的显著性区域检测结果图；
图4为本发明一个实施例的施工人员精准检测结果图。
具体实施方式
下面根据说明书附图举例对本发明做进一步说明：
实施例1
如图1所示，一种基于无人机平台的公路工程现场施工人员安全预警方法，步骤包括如下：
步骤一、使用无人机采集公路工程现场区域图像，对原始图像进行切割。
步骤一一、使用无人机拍摄图像时，无人机飞行高度为30米，摄像机焦距为35mm；
步骤一二、对原始图像以网格形式进行切割，尺寸为300×300像素。
步骤二、根据人工经验对切割后的图像降采样后进行标注，记为训练集一，其中分为两类，即是否含有施工人员；根据人工经验使用矩形框对切割后的图像中的施工人员进行标记，获得用于表示矩形框位置和大小的数据，记为训练集二，其中分为佩戴安全帽的施工人员和未佩戴安全帽的施工人员。
步骤二一、对子图像降采样后整体进行图像分类标注，分为是否含有施工人员，形成训练集一；
步骤二二、对子图像进行矩形框标注，分为背景及施工人员是否佩戴安全帽，形成训练集二；
步骤二三、将子图像水平翻转、垂直翻转、BGR三个通道施加10％的干扰等，分别得到翻转或干扰后的图像，并对得到的图像进行步骤一二的处理，形成训练集一、二的扩充集。
步骤三、将训练集一输入至显著性区域检测网络中进行训练，训练过程中使用的损失函数为交叉熵损失函数，优化算法为自适应矩估计优化算法，
其中，步骤三中，显著性区域检测神经网络的各层结构为：
L0层：输入的宽度为32，深度为3；执行卷积层操作，卷积层操作的宽度为3，数量为32，步距为1，补零为1；
L1层：输入的宽度为32，深度为32；执行激活层操作；
L2层：输入的宽度为30，深度为32；执行卷积层操作，卷积层操作的宽度为3，数量为32，步距为1，补零为1；
L3层：输入的宽度为30，深度为32；执行激活层操作；
L4层：输入的宽度为30，深度为32，执行规则化层操作；
L5层：输入的宽度为30，深度为32，执行池化层操作；
L6层：输入的宽度为15，深度为32，灭活率为0.25，执行随机丢失层操作；
L7层：输入的宽度为15，深度为3；执行卷积层操作，卷积层操作的宽度为3，数量为64，步距为1，补零为1；
L8层：输入的宽度为15，深度为64；执行激活层操作；
L9层：输入的宽度为13，深度为64；执行卷积层操作，卷积层操作的宽度为3，数量为64，步距为1，补零为1；
L10层：输入的宽度为13，深度为64；执行激活层操作；
L11层：输入的宽度为13，深度为64，执行规则化层操作；
L12层：输入的宽度为13，深度为64，执行池化层操作；
L13层：输入的宽度为6，深度为64，灭活率为0.25，执行随机丢失层操作；
L14层：输入的宽度为6，深度为64；执行全连接层操作，全连接层操作的宽度为1，数量为512；
L15层：输入的宽度为1，深度为512；执行激活层操作；
L16层：输入的宽度为1，深度为512；执行随机丢失层操作；
L17层：输入的宽度为1，深度为512；执行全连接层操作，全连接层操作的宽度为1，数量为4；
L18层：输入的宽度为1，深度为4；执行激活层操作；
L19层：输入的宽度为1，深度为1；执行分类层操作；
L20层：输入的宽度为1，深度为1；执行回归层操作。
步骤四、将训练集二输入至施工人员精准检测网络中进行迁移训练，训练过程中使用的损失函数为多目标优化函数，优化算法为自适应矩估计优化算法，
以上步骤三和四中，自适应矩估计优化算法具体为：
式中gt为第t步的梯度，mt为第t步的梯度一阶矩，vt为第t步的梯度二阶矩，β1为一阶动量衰减系数，β2为二阶动量衰减系数，ε为数值稳定量，η为学习率，θt表示第t步的待优化参数。
在该实施例中，迁移学习时使用的初始权重可使用目前主流的深度目标检测网络权重，如在ImageNet上训练完成的VGGNet等。
在一个实施例中，相应算法可以在Python环境下开发，可直接适用于用消费级无人机搭载的普通相机拍摄的公路工程施工现场图像，不需要特制的拍摄或检测设备。
步骤五、将待识别的施工现场图像切割后输入至训练好的显著性检测网络中，得到以分割尺寸大小表示的显著性检测区域结果；将显著性检测区域输入至训练好的施工人员精准检测网络中，得到以矩形框为表示的施工人员识别结果。
步骤五一、将待识别图像切割为300×300像素，输入至显著性检测网络中；
步骤五二、将步骤五一得到的显著性区域子图片输入至施工人员精准检测网络中。
步骤六、将矩形框识别结果由子图像局部坐标系映射回原始图像整体坐标系中，得到最终的施工人员智能快速识别及安全预警(是否佩戴安全帽)结果，其中共检测出11个人，6个人未佩戴安全帽。
步骤六一、确定子图像局部坐标系与原始图像整体坐标系的映射关系；
步骤六二、将识别得到矩形框表示参数映射回整体坐标系中并存储和展示；
其中，矩形框识别结果以矩形区域坐标[ti,x,ti,y,ti,w,ti,h]以及矩形区域对应的标签值，其中ti,x,ti,y,ti,w,ti,h分别为第i个样本左上角横坐标的预测值、第i个样本左上角纵坐标的预测值、第i个样本宽度的预测值、第i个样本高度的预测值，进行坐标变换时只进行矩形框参数的映射。

Claims (7)

1.一种基于无人机平台的公路工程现场施工人员安全预警方法，其特征在于，包括：
步骤一、使用无人机采集公路工程现场区域图像，对原始图像进行切割；
步骤二、根据人工经验对切割后的图像降采样后进行标注，其中分为两类，即是否含有施工人员；根据人工经验使用矩形框对切割后的图像中的施工人员进行标记，获得用于表示矩形框位置和大小的数据，其中分为佩戴安全帽的施工人员和未佩戴安全帽的施工人员；
步骤三、将训练集一输入至显著性区域检测网络中进行训练，训练过程中使用的损失函数为交叉熵损失函数，优化算法为自适应矩估计优化算法；
步骤四、将训练集二输入至施工人员精准检测网络中进行迁移训练，训练过程中使用的损失函数为多目标优化函数，优化算法为自适应矩估计优化算法；
步骤五、将待识别的施工现场图像切割后输入至训练好的显著性检测网络中，得到以分割尺寸大小表示的显著性检测区域结果；将显著性检测区域输入至训练好的施工人员精准检测网络中，得到以矩形框为表示的施工人员识别结果；
步骤六、将矩形框识别结果由子图像局部坐标系映射回原始图像整体坐标系中，得到最终的施工人员智能快速识别及安全预警结果。
2.根据权利要求1所述的基于无人机平台的公路工程现场施工人员安全预警方法，其特征在于，步骤一具体包括：
步骤一一、使用无人机拍摄图像时，无人机飞行高度为30米，摄像机焦距为35mm；
步骤一二、对原始图像以网格形式进行切割，尺寸为300×300像素。
3.根据权利要求1所述的基于无人机平台的公路工程现场施工人员安全预警方法，其特征在于，步骤二具体包括：
步骤二一、对子图像降采样后整体进行图像分类标注，分为是否含有施工人员，形成训练集一；
步骤二二、对子图像进行矩形框标注，分为背景及施工人员是否佩戴安全帽，形成训练集二；
步骤二三、将子图像水平翻转、垂直翻转、BGR三个通道施加10％的干扰，分别得到翻转或干扰后的图像，并对得到的图像进行步骤一二的处理，形成训练集一、二的扩充集。
4.根据权利要求1所述的基于无人机平台的公路工程现场施工人员安全预警方法，其特征在于，步骤三中，显著性区域检测神经网络的各层结构为：
L0层：输入的宽度为32，深度为3；执行卷积层操作，卷积层操作的宽度为3，数量为32，步距为1，补零为1；
L1层：输入的宽度为32，深度为32；执行激活层操作；
L2层：输入的宽度为30，深度为32；执行卷积层操作，卷积层操作的宽度为3，数量为32，步距为1，补零为1；
L3层：输入的宽度为30，深度为32；执行激活层操作；
L4层：输入的宽度为30，深度为32，执行规则化层操作；
L5层：输入的宽度为30，深度为32，执行池化层操作；
L6层：输入的宽度为15，深度为32，灭活率为0.25，执行随机丢失层操作；
L7层：输入的宽度为15，深度为3；执行卷积层操作，卷积层操作的宽度为3，数量为64，步距为1，补零为1；
L8层：输入的宽度为15，深度为64；执行激活层操作；
L9层：输入的宽度为13，深度为64；执行卷积层操作，卷积层操作的宽度为3，数量为64，步距为1，补零为1；
L10层：输入的宽度为13，深度为64；执行激活层操作；
L11层：输入的宽度为13，深度为64，执行规则化层操作；
L12层：输入的宽度为13，深度为64，执行池化层操作；
L13层：输入的宽度为6，深度为64，灭活率为0.25，执行随机丢失层操作；
L14层：输入的宽度为6，深度为64；执行全连接层操作，全连接层操作的宽度为1，数量为512；
L15层：输入的宽度为1，深度为512；执行激活层操作；
L16层：输入的宽度为1，深度为512；执行随机丢失层操作；
L17层：输入的宽度为1，深度为512；执行全连接层操作，全连接层操作的宽度为1，数量为4；
L18层：输入的宽度为1，深度为4；执行激活层操作；
L19层：输入的宽度为1，深度为1；执行分类层操作；
L20层：输入的宽度为1，深度为1；执行回归层操作。
5.根据权利要求1所述的基于无人机平台的公路工程现场施工人员安全预警方法，其特征在于，步骤三或四中自适应矩估计优化算法具体为：
式中gt为第t步的梯度，mt为第t步的梯度一阶矩，vt为第t步的梯度二阶矩，β1为一阶动量衰减系数，β2为二阶动量衰减系数，ε为数值稳定量，η为学习率，θt表示第t步的待优化参数。
6.根据权利要求1所述的基于无人机平台的公路工程现场施工人员安全预警方法，其特征在于，步骤五中，充分考虑施工人员分布稀疏的特征，采用两阶段检测方式，即先进行显著性检测以确定施工人员所在区域，再基于所在区域进行施工人员的具体检测。
7.根据权利要求1所述的基于无人机平台的公路工程现场施工人员安全预警方法，其特征在于，步骤六中，矩形框识别结果以矩形区域坐标[ti,x,ti,y,ti,w,ti,h]以及矩形区域对应的标签值，其中ti,x,ti,y,ti,w,ti,h分别为第i个样本左上角横坐标的预测值、第i个样本左上角纵坐标的预测值、第i个样本宽度的预测值、第i个样本高度的预测值，进行坐标变换时只进行矩形框参数的映射。
CN201811295288.4A 2018-11-01 2018-11-01 基于无人机平台的公路工程现场施工人员安全预警方法 Pending CN109376676A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811295288.4A CN109376676A (zh) 2018-11-01 2018-11-01 基于无人机平台的公路工程现场施工人员安全预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811295288.4A CN109376676A (zh) 2018-11-01 2018-11-01 基于无人机平台的公路工程现场施工人员安全预警方法

Publications (1)

Publication Number Publication Date
CN109376676A true CN109376676A (zh) 2019-02-22

Family

ID=65397351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811295288.4A Pending CN109376676A (zh) 2018-11-01 2018-11-01 基于无人机平台的公路工程现场施工人员安全预警方法

Country Status (1)

Country Link
CN (1) CN109376676A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232320A (zh) * 2019-05-08 2019-09-13 华中科技大学 实时检测工地现场工人危险靠近施工机械的方法及系统
CN110458075A (zh) * 2019-08-05 2019-11-15 北京泰豪信息科技有限公司 安全帽佩戴的检测方法、存储介质、检测装置及检测系统
CN111160131A (zh) * 2019-12-12 2020-05-15 哈尔滨工业大学 基于计算机视觉的施工车辆精准智能辨识方法
CN111461028A (zh) * 2020-04-02 2020-07-28 杭州视在科技有限公司 复杂场景中的口罩检测模型训练及检测方法、介质及装置
CN112541912A (zh) * 2020-12-23 2021-03-23 中国矿业大学 矿井突发灾害场景中显著性目标的快速检测方法及装置
CN112989958A (zh) * 2021-02-22 2021-06-18 哈工大机器人集团(无锡)科创基地研究院 基于YOLOv4与显著性检测的安全帽佩戴识别方法
CN113657147A (zh) * 2021-07-01 2021-11-16 哈尔滨工业大学 针对大尺寸施工场地的施工人员统计方法
CN114003058A (zh) * 2021-10-25 2022-02-01 上海宝冶冶金工程有限公司 一种安全帽佩戴智慧巡检系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295551A (zh) * 2016-08-05 2017-01-04 南京理工大学 一种基于视频分析的人员安全帽佩戴情况实时检测方法
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
US20170169313A1 (en) * 2015-12-14 2017-06-15 Samsung Electronics Co., Ltd. Image processing apparatus and method based on deep learning and neural network learning
CN107563281A (zh) * 2017-07-24 2018-01-09 南京邮电大学 一种基于深度学习的建筑工地人员安全隐患监测方法
CN108346144A (zh) * 2018-01-30 2018-07-31 哈尔滨工业大学 基于计算机视觉的桥梁裂缝自动监测与识别方法
CN108520277A (zh) * 2018-04-09 2018-09-11 哈尔滨工业大学 基于计算机视觉的钢筋混凝土结构地震损伤自动识别与智能定位方法
CN108537256A (zh) * 2018-03-26 2018-09-14 北京智芯原动科技有限公司 一种安全帽佩戴识别方法及装置
CN108596111A (zh) * 2018-04-26 2018-09-28 四川隧唐科技股份有限公司 安全帽识别方法以及装置
CN108647619A (zh) * 2018-05-02 2018-10-12 安徽大学 一种基于深度学习的视频中安全帽佩戴的检测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169313A1 (en) * 2015-12-14 2017-06-15 Samsung Electronics Co., Ltd. Image processing apparatus and method based on deep learning and neural network learning
CN106295551A (zh) * 2016-08-05 2017-01-04 南京理工大学 一种基于视频分析的人员安全帽佩戴情况实时检测方法
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
CN107563281A (zh) * 2017-07-24 2018-01-09 南京邮电大学 一种基于深度学习的建筑工地人员安全隐患监测方法
CN108346144A (zh) * 2018-01-30 2018-07-31 哈尔滨工业大学 基于计算机视觉的桥梁裂缝自动监测与识别方法
CN108537256A (zh) * 2018-03-26 2018-09-14 北京智芯原动科技有限公司 一种安全帽佩戴识别方法及装置
CN108520277A (zh) * 2018-04-09 2018-09-11 哈尔滨工业大学 基于计算机视觉的钢筋混凝土结构地震损伤自动识别与智能定位方法
CN108596111A (zh) * 2018-04-26 2018-09-28 四川隧唐科技股份有限公司 安全帽识别方法以及装置
CN108647619A (zh) * 2018-05-02 2018-10-12 安徽大学 一种基于深度学习的视频中安全帽佩戴的检测方法及装置

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232320B (zh) * 2019-05-08 2021-07-02 华中科技大学 实时检测工地现场工人危险靠近施工机械的方法及系统
CN110232320A (zh) * 2019-05-08 2019-09-13 华中科技大学 实时检测工地现场工人危险靠近施工机械的方法及系统
CN110458075B (zh) * 2019-08-05 2023-08-25 北京泰豪信息科技有限公司 安全帽佩戴的检测方法、存储介质、检测装置及检测系统
CN110458075A (zh) * 2019-08-05 2019-11-15 北京泰豪信息科技有限公司 安全帽佩戴的检测方法、存储介质、检测装置及检测系统
CN111160131A (zh) * 2019-12-12 2020-05-15 哈尔滨工业大学 基于计算机视觉的施工车辆精准智能辨识方法
CN111461028A (zh) * 2020-04-02 2020-07-28 杭州视在科技有限公司 复杂场景中的口罩检测模型训练及检测方法、介质及装置
CN112541912A (zh) * 2020-12-23 2021-03-23 中国矿业大学 矿井突发灾害场景中显著性目标的快速检测方法及装置
CN112541912B (zh) * 2020-12-23 2024-03-12 中国矿业大学 矿井突发灾害场景中显著性目标的快速检测方法及装置
CN112989958A (zh) * 2021-02-22 2021-06-18 哈工大机器人集团(无锡)科创基地研究院 基于YOLOv4与显著性检测的安全帽佩戴识别方法
CN113657147A (zh) * 2021-07-01 2021-11-16 哈尔滨工业大学 针对大尺寸施工场地的施工人员统计方法
CN113657147B (zh) * 2021-07-01 2023-12-26 哈尔滨工业大学 针对大尺寸施工场地的施工人员统计方法
CN114003058A (zh) * 2021-10-25 2022-02-01 上海宝冶冶金工程有限公司 一种安全帽佩戴智慧巡检系统及方法
CN114003058B (zh) * 2021-10-25 2024-01-26 上海宝冶冶金工程有限公司 一种安全帽佩戴智慧巡检系统及方法

Similar Documents

Publication Publication Date Title
CN109376676A (zh) 基于无人机平台的公路工程现场施工人员安全预警方法
CN110163187A (zh) 基于f-rcnn的远距离交通标志检测识别方法
CN104978580B (zh) 一种用于无人机巡检输电线路的绝缘子识别方法
CN106595551B (zh) 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法
CN110188705A (zh) 一种适用于车载系统的远距离交通标志检测识别方法
CN110188720A (zh) 一种基于卷积神经网络的目标检测方法及系统
CN108734143A (zh) 一种巡检机器人的基于双目视觉的输电线路在线检测方法
CN109376605B (zh) 一种电力巡检图像防鸟刺故障检测方法
CN108805070A (zh) 一种基于嵌入式终端的深度学习行人检测方法
CN106403904B (zh) 一种基于无人机的景观尺度植被覆盖度的计算方法及系统
CN108037770A (zh) 基于人工智能的无人机输电线路巡检系统和方法
CN107944386B (zh) 基于卷积神经网络的视觉场景识别方法
CN109635875A (zh) 一种基于深度学习的端到端网口检测方法
CN106356757A (zh) 一种基于人眼视觉特性的电力线路无人机巡检方法
CN107992067A (zh) 基于集成吊舱和ai技术的无人机巡检故障诊断系统
CN109559310A (zh) 基于显著性检测的输变电巡检图像质量评价方法及系统
CN109214308A (zh) 一种基于焦点损失函数的交通异常图片识别方法
CN110222769A (zh) 一种基于YOLOV3-tiny的改进目标检测方法
CN108288269A (zh) 基于无人机与卷积神经网络的桥梁支座病害自动识别方法
CN104463168B (zh) 一种基于遥感影像的空废宅基地信息自动提取方法
CN110533086A (zh) 图像数据半自动标注方法
CN103593679A (zh) 一种基于在线机器学习的视觉人手跟踪方法
CN109241902A (zh) 一种基于多尺度特征融合的山体滑坡检测方法
CN114049477A (zh) 一种过鱼鱼道系统、鱼类数量和种类的动态识别跟踪方法
CN109935080A (zh) 一种交通线路上的车流量实时计算的监测系统及方法

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: 20190222

RJ01 Rejection of invention patent application after publication