CN109726652A - 一种基于卷积神经网络检测值班人员睡觉行为的方法 - Google Patents
一种基于卷积神经网络检测值班人员睡觉行为的方法 Download PDFInfo
- Publication number
- CN109726652A CN109726652A CN201811553884.8A CN201811553884A CN109726652A CN 109726652 A CN109726652 A CN 109726652A CN 201811553884 A CN201811553884 A CN 201811553884A CN 109726652 A CN109726652 A CN 109726652A
- Authority
- CN
- China
- Prior art keywords
- sleep
- convolutional neural
- neural networks
- duty
- personage
- 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.)
- Granted
Links
- 230000007958 sleep Effects 0.000 title claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 40
- 230000006399 behavior Effects 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 230000036544 posture Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004617 sleep duration Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000012806 monitoring device Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000010181 polygamy Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于卷积神经网络检测值班人员睡觉行为的方法，包括：1、收集睡觉的人物照片，作为正样本图片集；收集没有睡觉的人物图片，作为负样本图片集。2、使用YOLO v3算法便利正负样本图片集，获取人物区域，形成正负样本数据集。3、将正负样本数据集划分为训练数据集和测试数据集。4、基于ShuffleNet v2模型构建卷积神经网络。5、使用训练数据集训练卷积神经网络模型。6、将训练好的卷积神经网络模型部署在视觉分析系统中，分析视频监控设备采集的视频流数据，检测值班人员睡岗情况。上述技术方案针对睡觉行为的特性，融合了目标检测技术和基于卷积神经网络的行为识别技术，保证了分析结果的准确有效。
Description
技术领域
本发明涉及人员行为分析技术领域，具体涉及一种基于卷积神经网络检测值班人员睡觉行为的方法。
背景技术
在石油化工行业，安全生产直接关系到每一位员工的生命财产，关系到企业的存亡和发展。目前，各相关企业已经实现了厂区视频监控的全方位覆盖，同时，设置值班室，配备相应的值班人员，力图通过人防结合技防的方式，建立有效的安全生产机制。在大型厂区，由于区域面积大，值班人员负责的视频监控设备数量多，增加了工作强度。尤其是夜间，值班人员很难保证一直处于正常的工作状态，基于侥幸心理，在岗睡觉，疏于职守，可能会带来巨大的安全隐患。
目前常见的做法是安排巡查人员，不定期检查各个值班室内的工作情况。这种方式耗时费力，不但造成人力浪费，而且效率非常低，无法彻底杜绝意外情况。
因此，需要一种高效的值班人员状态监测系统，能够替代人工监察的方式，对值班人员睡岗情况进行实时监测，当发现有睡岗行为发生时，自动报警，提高管理人员及时处理，防止意外发生。
发明内容
本发明的目的在于提供一种基于卷积神经网络检测值班人员睡觉行为的方法，用于自动监测化工园区值班人员是否存在睡岗行为。目前，基于卷积神经网络进行行人检测的技术已经相当成熟，不过在人员行为分析技术领域，由于人类行为的多样性和环境的复杂性，依靠卷积神经网络还很难满足实际需求。本发明针对睡觉这类特定行为，创新性地融合了已有的目标检测技术和卷积神经网络在行为识别领域的优势，从而能够通过视频监控设备迅速准确地识别睡岗人员。
为实现上述目的，本发明提供了一种基于卷积神经网络检测值班人员睡觉行为的方法，具体包含以下步骤：
步骤(1)、收集睡觉的人物照片，包括不同俯视角度下的趴在桌上睡觉、背靠椅子睡觉等各种睡姿，作为正样本图片集；收集没有睡觉的人物图片，包括不同俯视角度下的站姿、坐姿等，作为负样本图片集。
步骤(2)、使用YOLO v3算法便利正负样本图片集，获取人物区域，提取出只包含人物区域的图片，形成正负样本数据集。
步骤(3)、将正负样本数据集划分为训练数据集和测试数据集。
步骤(4)、基于ShuffleNet v2模型构建卷积神经网络。
步骤(5)、使用训练数据集训练卷积神经网络模型，输入正样本，该网络的输出为1，输入为负样本，则该网络的输出应为0。训练过程中，每当完成一次对整个样本集的迭代，即用测试数据集对卷积神经网络模型进行测试，当检测准确率达到精度要求时，则训练完成。
步骤(6)、将训练好的卷积神经网络模型部署在视觉分析系统中，分析视频监控设备采集的视频流数据，检测值班人员睡岗情况。具体包括如下：
步骤(6-1)、获取值班室监控设备的实时视频流数据，对数据解码得到序列帧数据。
步骤(6-2)、对帧数据进行图像处理，输入到YOLO v3算法，检测出画面中的人物及坐标信息。
步骤(6-3)、根据YOLO v3的检测结果，提取人物区域所在图像，输入到训练好的卷积神经网络模型中，检测该人物姿态是否为睡姿。如果识别为睡姿，则记录下人物在画面中的坐标和当前系统时间，并标记为Pi。当检测到多个人，依次记为Pi+1，Pi+2......。将所有的检测结果存入列表中，记为sleep_list，列表中的每个元素代表一个正在睡觉的人员。
步骤(6-4)、重复步骤(6-1)到(6-3)，继续分析新的帧数据，并得到新的检测结果Pi+n，Pi+n+1,Pi+n+2......。将sleep_list中的每个元素依次和新的检测结果进行比对，根据坐标信息计算重合面积，当两个区域的重合度超过50％，则认定为同一人，根据系统时间更新该人员的睡觉时长。当sleep_list中的某个元素无法和新检测结果匹配，表明该人员的睡觉行为已经结束。如果新的检测结果没有和sleep_list中的任一结果匹配成功，表明这是一个新开始的睡觉行为。
步骤(6-5)、重复以上步骤，当发现值班人员持续睡觉时间大于预设的时间阈值，即可发出告警通知。
在本发明上涉及的专业名词进行如下解释说明：
YOLO：一个开源的深度学习目标检测算法，特点是检测速度快且准确率较高。最新版本为2018年3月推出的V3版本，与老版本相比，速度和准确率有大幅提升。
ShuffleNet：由旷视科技推出的一种设计精巧的卷积神经网络模型，2017年推出了v1版本。2018年7月发布v2版本。和其他的卷积神经网络模型相比，ShuffleNet v2版本在运行速度、资源占用等方面有显著改进，适合用于生产环境中。
与现有技术相比，本发明的有益效果是：
综上所述，睡觉行为的持续时间长，且处于睡觉中的人移动范围小。上述技术方案针对睡觉行为的特性，融合了目标检测技术和基于卷积神经网络的行为识别技术，通过多次检测确认的方式，保证了分析结果的准确有效，同时能够分析出人员的睡觉时长，具备很强的说服力。
附图说明
图1为本发明实施例中提供的基于卷积神经网络检测值班人员睡觉行为的方法的流程图；
图2为本发明实施例中提供的基于卷积神经网络分析实时视频流检测值班人员睡觉行为的流程图；
图3为本发明实施例中新的检测结果列表与已有检测结果列表之间对应计算重合面积的示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。本发明实施例中提供的卷积神经网络检测值班人员睡觉行为的流程图。如图1～3所示，一种基于卷积神经网络检测值班人员睡觉行为的方法，其主要包括如下步骤：
步骤(1)：收集俯视角度下的不同睡姿的人物图片，数量为3000张，作为正样本图。收集俯视角度下没有睡觉的人物图片，包括行走、站立、坐等不同姿态的人物，数量为6000张，作为负样本图片集。
步骤(2)：对正负样本图片集进行预处理，截取出只包括人物的区域，形成正负样本数据集。
步骤(2.1)依次遍历正样本图片集，对图片作直方图均衡化处理，减少不同光照环境的影响，然后使用YOLO v3目标检测算法检测每张图片；
步骤(2.2)依据检测结果中的类别和坐标信息，截取出人物区域并保存为图片，作为正样本数据集；
步骤(2.3)按照上面两个步骤，对负样本图片集进行相同的操作，得到负样本数据集。
步骤(3)：将正负样本集划分为训练数据集和测试数据集。其中测试数据集的正样本占整体正样本的10％，测试集的负样本占整体负样本的10％。
步骤(4)：基于ShuffleNet v2模型构建卷积神经网络，分类数量为2(即睡觉和非睡觉)。
步骤(5)：训练卷积神经网络模型，使用测试数据集对训练后的模型进行测试，当测试结果满足精度要求，则训练完成。
步骤(5.1)、将训练集中样本分批次输入到卷积神经网络模型。
步骤(5.2)、训练时，输入正样本，输出结果应该为1；输入负样本，输出结果应为0。采用交叉熵损失函数计算输出结果和期望值的差，通过随机梯度下降法不断调整卷积神经网络模型的参数。
步骤(5.3)、经过一段数量的迭代后，卷积神经网络模型的输出结果和期望值的差不断变小，趋向稳定。每完成一次迭代，在测试数据集上对该网络模型进行测试。若测试精度没有达到要求(正确率小于95％)，则回到步骤(5.1)，重新训练。若测试精度达到要求，则完成了整个训练过程。
步骤(6)：将训练后的卷积神经网络模型部署在视觉分析系统中，分析视频监控设备输出的实时视频流数据，检测睡岗情况，具体流程如图2所示：
步骤(6.1)、使用国标GB 28181协议，获取视频监控设备的实时视频流。
步骤(6.2)、对接收到的视频数据进行封包解码，得到序列帧数据。由于传输的图像颜色空间是YUV，通过标准YUV转换公式，将帧数据转换到RGB颜色空间下，并对RGB三个颜色通道的数据进行直方图均衡化处理，以适应强光和弱光环境，然后将RGB三个颜色通道的数据进行归一化处理转换为0～1之间的浮点型数据。
步骤(6.3)、将预处理后的帧数据输入到YOLO v3算法，检测出画面中的人物及坐标信息。
步骤(6.4)、根据YOLO v3的检测结果，提取人物区域所在图像，输入到训练好的卷积神经网络模型中，检测该人物姿态是否为睡姿。如果识别为睡姿，则记录下人物在画面中的坐标和当前系统时间，并标记为Pi。当检测到多个人，依次记为P i+1，Pi+2......。将所有的检测结果存入列表sleep_list中，列表中的每个元素代表一个正在睡觉的人员，如下所示：
步骤(6.5)、重复步骤(6.2)到(6.3)，继续分析新的帧数据，并得到新的检测结果Pi+n，Pi+n+1,Pi+n+2......。将sleep_list中的每个元素依次和新的检测结果进行匹配，根据坐标信息计算重合面积，当两个区域的重合度超过50％，则认定为同一人，表明该人员仍然处于睡觉状态。过程如3图所示。
当sleep_list中的某个元素无法和所有的新检测结果匹配，表明该人员的睡觉行为已经结束，从列表移除。如果新的检测结果和sleep_list中的所有元素都没有匹配，表明这是一个新开始的睡觉行为，需要把该结果加入到sleep_list中。
步骤(6-6)、每完成一次分析动作后，计算sleep_list列表中每个对象的睡觉时长，一旦发现某个人员的睡觉时长大于预设的时间阈值，将视频画面保存为图片，作为检测依据，同时发送告警，通知管理人员进行处理。
Claims (4)
1.一种基于卷积神经网络检测值班人员睡觉行为的方法，其特征在于，包含以下步骤：
步骤(1)、收集睡觉的人物照片，包括不同俯视角度下的趴在桌上睡觉、背靠椅子睡觉以及其他各种睡姿，作为正样本图片集；收集没有睡觉的人物图片，包括不同俯视角度下的站姿、坐姿以及其他姿态，作为负样本图片集；
步骤(2)、使用YOLO v3算法便利正负样本图片集，获取人物区域，提取出只包含人物区域的图片，形成正负样本数据集；
步骤(3)、将正负样本数据集划分为训练数据集和测试数据集；
步骤(4)、基于ShuffleNet v2模型构建卷积神经网络；
步骤(5)、使用训练数据集训练卷积神经网络模型，输入正样本，该网络的输出为1，输入为负样本，则该网络的输出应为0；训练过程中，每当完成一次对整个样本集的迭代，即用测试数据集对卷积神经网络模型进行测试，当检测准确率达到精度要求时，则训练完成；
步骤(6)、将训练好的卷积神经网络模型部署在视觉分析系统中，分析视频监控设备采集的视频流数据，检测值班人员睡岗情况。
2.根据权利要求1中所述的一种基于卷积神经网络检测值班人员睡觉行为的方法，其特征在于，所述步骤(2)包括如下：
步骤(2.1)、依次遍历正样本图片集，对图片作直方图均衡化处理，减少不同光照环境的影响，然后使用YOLO v3算法检测每张图片；
步骤(2.2)、依据检测结果中的类别和坐标信息，截取出人物区域并保存为图片，作为正样本数据集；
步骤(2.3)、按照上述两个步骤，对负样本图片集进行相同的操作，得到负样本数据集。
3.根据权利要求1中所述的一种基于卷积神经网络检测值班人员睡觉行为的方法，其特征在于，所述步骤(5)包括如下：
步骤(5.1)、将训练集中样本分批次输入到卷积神经网络模型；
步骤(5.2)、训练时，输入正样本，输出结果应该为1；输入负样本，输出结果应为0；采用交叉熵损失函数计算输出结果和期望值的差，通过随机梯度下降法不断调整卷积神经网络模型的参数；
步骤(5.3)、经过一段数量的迭代后，卷积神经网络模型的输出结果和期望值的差不断变小，趋向稳定；每完成一次迭代，在测试数据集上对该网络模型进行测试；若测试精度没有达到要求，则回到步骤(5.1)，重新训练；若测试精度达到要求，则完成了整个训练过程。
4.根据权利要求1中所述的一种基于卷积神经网络检测值班人员睡觉行为的方法，其特征在于，所述步骤(6)包括如下：
步骤(6-1)、获取值班室监控设备的实时视频流数据，对数据解码得到序列帧数据；
步骤(6-2)、对帧数据进行图像处理，输入到YOLO v3算法，检测出画面中的人物及坐标信息；
步骤(6-3)、根据YOLO v3算法的检测结果，提取人物区域所在图像，输入到训练好的卷积神经网络模型中，检测该人物姿态是否为睡姿；如果识别为睡姿，则记录下人物在画面中的坐标和当前系统时间，并标记为Pi；当检测到多个人，依次记为Pi+1，Pi+2，……；将所有的检测结果存入列表中，记为sleep_list，列表中的每个元素代表一个正在睡觉的人员；
步骤(6-4)、重复步骤(6-1)到(6-3)，继续分析新的帧数据，并得到新的检测结果Pi+n，Pi+n+1,Pi+n+2,……；将sleep_list中的每个元素依次和新的检测结果进行比对，根据坐标信息计算重合面积，当两个区域的重合度超过50％，则认定为同一人，根据系统时间更新该人员的睡觉时长；当sleep_list中的某个元素无法和新检测结果匹配，表明该人员的睡觉行为已经结束；如果新的检测结果没有和sleep_list中的任一结果匹配成功，表明这是一个新开始的睡觉行为；
步骤(6-5)、重复以上步骤，当发现值班人员持续睡觉时间大于预设的时间阈值，即发出告警通知。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811553884.8A CN109726652B (zh) | 2018-12-19 | 2018-12-19 | 一种基于卷积神经网络检测值班人员睡觉行为的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811553884.8A CN109726652B (zh) | 2018-12-19 | 2018-12-19 | 一种基于卷积神经网络检测值班人员睡觉行为的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109726652A true CN109726652A (zh) | 2019-05-07 |
| CN109726652B CN109726652B (zh) | 2020-11-13 |
Family
ID=66297686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811553884.8A Active CN109726652B (zh) | 2018-12-19 | 2018-12-19 | 一种基于卷积神经网络检测值班人员睡觉行为的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109726652B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222577A (zh) * | 2019-05-08 | 2019-09-10 | 平安科技（深圳）有限公司 | 一种目标监控方法、装置、计算机设备及存储介质 |
| CN110728316A (zh) * | 2019-09-30 | 2020-01-24 | 广州海昇计算机科技有限公司 | 一种课堂行为检测方法、系统、装置和存储介质 |
| CN110807393A (zh) * | 2019-10-25 | 2020-02-18 | 深圳市商汤科技有限公司 | 基于视频分析的预警方法及装置、电子设备和存储介质 |
| CN110826439A (zh) * | 2019-10-25 | 2020-02-21 | 杭州叙简科技股份有限公司 | 一种基于深度学习图像处理的电焊施工检测方法 |
| CN111079694A (zh) * | 2019-12-28 | 2020-04-28 | 神思电子技术股份有限公司 | 一种柜面助手履职监控装置和方法 |
| CN111461211A (zh) * | 2020-03-31 | 2020-07-28 | 中国科学院计算技术研究所 | 一种用于轻量级目标检测的特征提取方法及相应检测方法 |
| CN111753648A (zh) * | 2020-05-12 | 2020-10-09 | 高新兴科技集团股份有限公司 | 人体姿态监控方法、装置、设备及存储介质 |
| CN111753658A (zh) * | 2020-05-20 | 2020-10-09 | 高新兴科技集团股份有限公司 | 一种睡岗告警方法、装置和计算机设备 |
| CN111767823A (zh) * | 2020-06-23 | 2020-10-13 | 京东数字科技控股有限公司 | 一种睡岗检测方法、装置、系统及存储介质 |
| CN112001230A (zh) * | 2020-07-09 | 2020-11-27 | 浙江大华技术股份有限公司 | 睡觉行为的监控方法、装置、计算机设备和可读存储介质 |
| CN112750222A (zh) * | 2020-12-29 | 2021-05-04 | 杭州拓深科技有限公司 | 一种基于智能算法的消防值班室人员在岗识别方法 |
| CN113034548A (zh) * | 2021-04-25 | 2021-06-25 | 安徽科大擎天科技有限公司 | 一种适用于嵌入式终端的多目标跟踪方法及其系统 |
| CN113139530A (zh) * | 2021-06-21 | 2021-07-20 | 城云科技（中国）有限公司 | 一种睡岗行为检测方法、装置及其电子设备 |
| CN113269142A (zh) * | 2021-06-18 | 2021-08-17 | 中电科大数据研究院有限公司 | 一种检察领域值班人员睡觉行为识别方法 |
| CN113313084A (zh) * | 2021-07-28 | 2021-08-27 | 中国航空油料集团有限公司 | 一种基于深度学习的睡岗检测方法 |
| CN116071832A (zh) * | 2023-04-06 | 2023-05-05 | 浪潮通用软件有限公司 | 一种睡岗行为监测方法、装置、设备及介质 |
| CN116245425A (zh) * | 2023-05-04 | 2023-06-09 | 武汉理工大学 | 一种基于无线信号的船舶值班人员警觉性表征评估方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7369680B2 (en) * | 2001-09-27 | 2008-05-06 | Koninklijke Phhilips Electronics N.V. | Method and apparatus for detecting an event based on patterns of behavior |
| US9262688B1 (en) * | 2011-09-24 | 2016-02-16 | Z Advanced Computing, Inc. | Method and system for analyzing and recognition of an emotion or expression from multimedia, text, or sound track |
| CN106156765A (zh) * | 2016-08-30 | 2016-11-23 | 南京邮电大学 | 基于计算机视觉的安全检测方法 |
| CN106570467A (zh) * | 2016-10-25 | 2017-04-19 | 南京南瑞集团公司 | 一种基于卷积神经网络的人员离岗检测方法 |
| CN107145816A (zh) * | 2017-02-24 | 2017-09-08 | 北京悉见科技有限公司 | 对象识别跟踪方法及装置 |
| CN107194346A (zh) * | 2017-05-19 | 2017-09-22 | 福建师范大学 | 一种汽车疲劳驾驶预测方法 |
| CN108038420A (zh) * | 2017-11-21 | 2018-05-15 | 华中科技大学 | 一种基于深度视频的人体行为识别方法 |
| CN108614994A (zh) * | 2018-03-27 | 2018-10-02 | 深圳市智能机器人研究院 | 一种基于深度学习的人头部图像提取方法和装置 |
-
2018
- 2018-12-19 CN CN201811553884.8A patent/CN109726652B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7369680B2 (en) * | 2001-09-27 | 2008-05-06 | Koninklijke Phhilips Electronics N.V. | Method and apparatus for detecting an event based on patterns of behavior |
| US9262688B1 (en) * | 2011-09-24 | 2016-02-16 | Z Advanced Computing, Inc. | Method and system for analyzing and recognition of an emotion or expression from multimedia, text, or sound track |
| CN106156765A (zh) * | 2016-08-30 | 2016-11-23 | 南京邮电大学 | 基于计算机视觉的安全检测方法 |
| CN106570467A (zh) * | 2016-10-25 | 2017-04-19 | 南京南瑞集团公司 | 一种基于卷积神经网络的人员离岗检测方法 |
| CN107145816A (zh) * | 2017-02-24 | 2017-09-08 | 北京悉见科技有限公司 | 对象识别跟踪方法及装置 |
| CN107194346A (zh) * | 2017-05-19 | 2017-09-22 | 福建师范大学 | 一种汽车疲劳驾驶预测方法 |
| CN108038420A (zh) * | 2017-11-21 | 2018-05-15 | 华中科技大学 | 一种基于深度视频的人体行为识别方法 |
| CN108614994A (zh) * | 2018-03-27 | 2018-10-02 | 深圳市智能机器人研究院 | 一种基于深度学习的人头部图像提取方法和装置 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222577A (zh) * | 2019-05-08 | 2019-09-10 | 平安科技（深圳）有限公司 | 一种目标监控方法、装置、计算机设备及存储介质 |
| CN110728316A (zh) * | 2019-09-30 | 2020-01-24 | 广州海昇计算机科技有限公司 | 一种课堂行为检测方法、系统、装置和存储介质 |
| CN110807393A (zh) * | 2019-10-25 | 2020-02-18 | 深圳市商汤科技有限公司 | 基于视频分析的预警方法及装置、电子设备和存储介质 |
| CN110826439A (zh) * | 2019-10-25 | 2020-02-21 | 杭州叙简科技股份有限公司 | 一种基于深度学习图像处理的电焊施工检测方法 |
| CN111079694A (zh) * | 2019-12-28 | 2020-04-28 | 神思电子技术股份有限公司 | 一种柜面助手履职监控装置和方法 |
| CN111461211A (zh) * | 2020-03-31 | 2020-07-28 | 中国科学院计算技术研究所 | 一种用于轻量级目标检测的特征提取方法及相应检测方法 |
| CN111753648A (zh) * | 2020-05-12 | 2020-10-09 | 高新兴科技集团股份有限公司 | 人体姿态监控方法、装置、设备及存储介质 |
| CN111753658A (zh) * | 2020-05-20 | 2020-10-09 | 高新兴科技集团股份有限公司 | 一种睡岗告警方法、装置和计算机设备 |
| CN111767823A (zh) * | 2020-06-23 | 2020-10-13 | 京东数字科技控股有限公司 | 一种睡岗检测方法、装置、系统及存储介质 |
| CN112001230A (zh) * | 2020-07-09 | 2020-11-27 | 浙江大华技术股份有限公司 | 睡觉行为的监控方法、装置、计算机设备和可读存储介质 |
| CN112750222A (zh) * | 2020-12-29 | 2021-05-04 | 杭州拓深科技有限公司 | 一种基于智能算法的消防值班室人员在岗识别方法 |
| CN113034548A (zh) * | 2021-04-25 | 2021-06-25 | 安徽科大擎天科技有限公司 | 一种适用于嵌入式终端的多目标跟踪方法及其系统 |
| CN113269142A (zh) * | 2021-06-18 | 2021-08-17 | 中电科大数据研究院有限公司 | 一种检察领域值班人员睡觉行为识别方法 |
| WO2022262257A1 (zh) * | 2021-06-18 | 2022-12-22 | 中电科大数据研究院有限公司 | 一种检察领域值班人员睡觉行为识别方法 |
| CN113139530A (zh) * | 2021-06-21 | 2021-07-20 | 城云科技（中国）有限公司 | 一种睡岗行为检测方法、装置及其电子设备 |
| CN113139530B (zh) * | 2021-06-21 | 2021-09-03 | 城云科技（中国）有限公司 | 一种睡岗行为检测方法、装置及其电子设备 |
| CN113313084A (zh) * | 2021-07-28 | 2021-08-27 | 中国航空油料集团有限公司 | 一种基于深度学习的睡岗检测方法 |
| CN116071832A (zh) * | 2023-04-06 | 2023-05-05 | 浪潮通用软件有限公司 | 一种睡岗行为监测方法、装置、设备及介质 |
| CN116245425A (zh) * | 2023-05-04 | 2023-06-09 | 武汉理工大学 | 一种基于无线信号的船舶值班人员警觉性表征评估方法 |
| CN116245425B (zh) * | 2023-05-04 | 2023-08-01 | 武汉理工大学 | 一种基于无线信号的船舶值班人员警觉性表征评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109726652B (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109726652A (zh) | 一种基于卷积神经网络检测值班人员睡觉行为的方法 | |
| US10812761B2 (en) | Complex hardware-based system for video surveillance tracking | |
| CN109711377B (zh) | 标准化考场监控的单帧图像中考生定位和计数方法 | |
| CN107529221A (zh) | 一种结合视频监控和Wi‑Fi定位的追踪分析系统及方法 | |
| CN111710055A (zh) | 便携式电力巡检设备及电力巡检方法、电力巡检系统 | |
| CN105205646A (zh) | 自动点名系统及实现自动点名系统的方法 | |
| 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 | |
| WO2019126971A1 (zh) | 一种基于机器视觉的虫害监测方法 | |
| CN104778686A (zh) | 一种基于病斑监测的组培预警方法及系统 | |
| CN106339807A (zh) | 一种基于gis的保险救灾指挥辅助决策系统 | |
| CN108536722A (zh) | 一种新型古树名木管理系统 | |
| CN114460080A (zh) | 一种水稻病虫智能监控系统 | |
| CN108664886A (zh) | 一种适应变电站进出监控需求的人脸快速识别方法 | |
| CN116092199A (zh) | 一种员工工作状态识别方法及识别系统 | |
| CN114420302A (zh) | 一种企事业单位智能防疫控制系统 | |
| CN104392201B (zh) | 一种基于全向视觉的人体跌倒识别方法 | |
| CN207924513U (zh) | 一种可实现电力线自动巡检的无人机 | |
| CN109271896A (zh) | 一种基于图像识别的学生测评系统及方法 | |
| CN108492231A (zh) | 基于学生行为数据的课堂效果信息的监控系统 | |
| CN110111436A (zh) | 一种人脸签到方法、装置及系统 | |
| CN107798312B (zh) | 一种基于视觉头部检测的自动考勤方法 | |
| CN108304818A (zh) | 一种蚊媒图像自动识别方法 | |
| CN208335271U (zh) | 一种基于学生行为数据的课堂效果信息的监控系统 | |
| CN205193563U (zh) | 一种农田害虫检测装置 | |
| CN109376635B (zh) | 一种护理质量考核系统及安全事件上报方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method of detecting sleeping behavior of personnel on duty based on convolutional neural network Effective date of registration: 20211202 Granted publication date: 20201113 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU XUJIAN SCIENCE AND TECHNOLOGY Co.,Ltd. Registration number: Y2021980013922 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20220322 Granted publication date: 20201113 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU XUJIAN SCIENCE AND TECHNOLOGY Co.,Ltd. Registration number: Y2021980013922 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method of detecting sleeping behavior of personnel on duty based on convolutional neural network Effective date of registration: 20220322 Granted publication date: 20201113 Pledgee: Shanghai Guotai Junan Securities Asset Management Co.,Ltd. Pledgor: HANGZHOU XUJIAN SCIENCE AND TECHNOLOGY Co.,Ltd. Registration number: Y2022990000162 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230131 Granted publication date: 20201113 Pledgee: Shanghai Guotai Junan Securities Asset Management Co.,Ltd. Pledgor: HANGZHOU XUJIAN SCIENCE AND TECHNOLOGY Co.,Ltd. Registration number: Y2022990000162 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |