CN110458075B - 安全帽佩戴的检测方法、存储介质、检测装置及检测系统 - Google Patents
安全帽佩戴的检测方法、存储介质、检测装置及检测系统 Download PDFInfo
- Publication number
- CN110458075B CN110458075B CN201910715212.0A CN201910715212A CN110458075B CN 110458075 B CN110458075 B CN 110458075B CN 201910715212 A CN201910715212 A CN 201910715212A CN 110458075 B CN110458075 B CN 110458075B
- Authority
- CN
- China
- Prior art keywords
- wearing
- image
- safety helmet
- operators
- coal mine
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及安全检测技术领域,具体公开了一种安全帽佩戴的检测方法,其中,所述安全帽佩戴的检测方法包括:获取煤矿作业区域内包含作业人员的图像信息;对所述包含作业人员的图像信息进行图像处理得到处理图像;将所述处理图像输入到训练模型中进行图像识别得到图像识别结果,其中所述训练模型包括图像分类网络和目标检测网络;对所述图像识别结果进行筛选得到煤矿作业区域内作业人员的安全帽佩戴状况。本发明还公开了一种存储介质、安全帽佩戴的检测装置及系统。本发明提供的安全帽佩戴的检测方法能够高精度且高效率的识别出作业人员的安全帽佩戴状况。
Description
技术领域
本发明涉及安全检测技术领域,尤其涉及一种安全帽佩戴的检测方法、存储介质、安全帽佩戴的检测装置及包括安全帽佩戴的检测装置的安全帽佩戴的检测系统。
背景技术
近年来,随着人工智能与计算机视觉技术的发展与推广,计算机视觉技术进入了工业生产的许多重要环节中,而其中安全领域是生产环节中非常重要的一环,而在生产中安全帽的佩戴与否直接影响着作业人员的生命安全,因此对于作业人员的安全帽是否佩戴需要进行监测。
在计算机视觉领域中,目标检测一直是一个热门领域,并且广泛应用在工业安全领域。目标检测技术综合运用了图像处理技术、模式识别技术、人工智能等先进技术,近年来已在众多领域得到广泛应用,如安防领域的人脸识别、指纹识别、行人检测、可疑人员检测等,交通领域的车辆检测、道路检测、无人驾驶等。传统的目标检测算法一般需要人为设计样本特征,然而在目标检测算法却仍然存在一些缺陷,精度不够或者运行效率慢等,因此,如何提供一种高精度且高效率的检测方式成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种安全帽佩戴的检测方法、存储介质、安全帽佩戴的检测装置及包括安全帽佩戴的检测装置的安全帽佩戴的检测系统,解决相关技术中存在的检测效率低且精度低的问题。
作为本发明的一个方面,提供一种安全帽佩戴的检测方法,其中,所述安全帽佩戴的检测方法包括:
获取煤矿作业区域内包含作业人员的图像信息;
对所述包含作业人员的图像信息进行图像处理得到处理图像;
将所述处理图像输入到训练模型中进行图像识别得到图像识别结果,其中所述训练模型包括图像分类网络和目标检测网络;
对所述图像识别结果进行筛选得到煤矿作业区域内作业人员的安全帽佩戴状况。
进一步地,所述图像分类网络的获取包括:
获取第一训练样本,所述第一训练样本包括M张煤矿作业区域内包含作业人员佩戴安全帽的图片以及M张煤矿作业区域内包含作业人员未佩戴安全帽的图片,M为大于1的自然数;
根据所述第一训练样本对第一初始化网络进行训练,得到图像分类网络。
进一步地,所述根据所述第一训练样本对第一初始化网络进行训练包括:
对每张煤矿作业区域内包含作业人员佩戴/未佩戴安全帽的图片进行归一化处理,得到归一化图像;
根据所述归一化图像对第一初始化网络进行训练。
进一步地,所述对每张煤矿作业区域内包含作业人员佩戴/未佩戴安全帽的图片进行归一化处理包括:
对每张煤矿作业区域内包含作业人员佩戴/未佩戴安全帽的图片进行图像转换,得到标准形式的图像。
进一步地,所述目标检测网络的获取包括:
获取第二训练样本,所述第二训练样本包括N张煤矿作业区域内包含作业人员的图片和标注信息,所述标注信息用于标注佩戴安全帽的作业人员在包含作业人员的图片中的位置信息,其中,N为大于1的自然数;
根据所述标注信息和N张煤矿作业区域内包含作业人员的图片对第二初始化网络进行训练,得到初始目标检测网络参数;
根据退火优化器对所述初始目标检测网络参数进行训练得到目标检测网络。
进一步地,所述对所述包含作业人员的图像信息进行图像处理得到处理图像包括:
对所述包含作业人员的图像信息进行图像重构,得到重构图像;
对所述重构图像进行归一化处理,得到处理图像。
进一步地,所述对所述图像识别结果进行筛选得到煤矿作业区域内作业人员的安全帽佩戴状况包括:
对所述图像识别结果进行筛选得到煤矿作业区域内作业人员佩戴安全帽的数据,以及煤矿作业区域内作业人员未佩戴安全帽的数据;
将煤矿作业区域内作业人员未佩戴安全帽的数据所对应的图像进行还原,得到未佩戴安全帽的还原图像;
将未佩戴安全帽的还原图像进行存储。
作为本发明的另一个方面,提供一种存储介质,其中,所述存储介质中存储有至少一条程序指令,所述至少一条程序指令用于被处理器加载并执行以实现如前文所述的安全帽佩戴的检测方法。
作为本发明的另一个方面,提供一种安全帽佩戴的检测装置,其中,所述安全帽佩戴的检测装置包括处理器和存储器,所述存储器包括前文所述的存储介质,所述处理器用于加载并执行所述存储介质上的程序指令。
作为本发明的另一个方面,提供一种安全帽佩戴的检测系统,其中,所述安全帽佩戴的检测系包括采集装置和前文所述的安全帽佩戴的检测装置,所述采集装置用于采集煤矿作业区域内包含作业人员的图像信息,所述安全帽佩戴的检测装置用于对所述保护作业人员的图像信息进行处理后得到煤矿作业区域内作业人员的安全帽佩戴状况。
通过上述安全帽佩戴的检测方法,将煤矿作业区域内包含作业人员的图像信息通过训练模型进行识别,能够得到煤矿作业区域内作业人员的安全帽佩戴状况,从而能够方便对未佩戴安全帽的作业人员进行监督,这种安全帽佩戴的检测方法由于采用了具有图像分类网络以及目标检测网络的训练模型,因而能够高精度且高效率的识别出作业人员的安全帽佩戴状况。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明提供的安全帽佩戴的检测方法的流程图。
图2为本发明提供的作业人员佩戴安全帽的照片。
图3为本发明提供的作业人员未佩戴安全帽的照片。
图4为本发明提供的退火优化器的实现过程流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案,下面将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,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包括,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种安全帽佩戴的检测方法,图1是根据本发明实施例提供的安全帽佩戴的检测方法的流程图,如图1所示,包括:
S110、获取煤矿作业区域内包含作业人员的图像信息;
S120、对所述包含作业人员的图像信息进行图像处理得到处理图像;
S130、将所述处理图像输入到训练模型中进行图像识别得到图像识别结果,其中所述训练模型包括图像分类网络和目标检测网络;
S140、对所述图像识别结果进行筛选得到煤矿作业区域内作业人员的安全帽佩戴状况。
通过上述安全帽佩戴的检测方法,将煤矿作业区域内包含作业人员的图像信息通过训练模型进行识别,能够得到煤矿作业区域内作业人员的安全帽佩戴状况,从而能够方便对未佩戴安全帽的作业人员进行监督,这种安全帽佩戴的检测方法由于采用了具有图像分类网络以及目标检测网络的训练模型,因而能够高精度且高效率的识别出作业人员的安全帽佩戴状况。
由上述可知,所述训练模型包括图像分类网络和目标检测网络,因此,在对训练模型获取时,需要分别获取到图像分类网络和目标检测网络。图像分类网络能够实现对图像的分类,即可实现对佩戴安全帽和未佩戴安全帽的图像的分类,而目标检测网络可以识别出佩戴安全帽的作业人员在图像中的位置。
作为图像分类网络的具体实施方式,所述图像分类网络的获取包括:
获取第一训练样本,所述第一训练样本包括M张煤矿作业区域内包含作业人员佩戴安全帽的图片以及M张煤矿作业区域内包含作业人员未佩戴安全帽的图片,M为大于1的自然数;
根据所述第一训练样本对第一初始化网络进行训练,得到图像分类网络。
进一步具体地,所述根据所述第一训练样本对第一初始化网络进行训练包括:
对每张煤矿作业区域内包含作业人员佩戴/未佩戴安全帽的图片进行归一化处理,得到归一化图像;
根据所述归一化图像对第一初始化网络进行训练。
进一步具体地,所述对每张煤矿作业区域内包含作业人员佩戴/未佩戴安全帽的图片进行归一化处理包括:
对每张煤矿作业区域内包含作业人员佩戴/未佩戴安全帽的图片进行图像转换,得到标准形式的图像。
作为图像分类网络的获取的具体实施例,图像分类网络的获取过程包括:
首先,由于神经网络的训练本身需要大量的数据,但是目标检测的数据集相对于图片分类的数据集是稀有的,所以在网络的前几层(Darkenet-53)各收集50000张作业人员配戴安全帽与未佩戴安全帽的照片来预训练Darknet-53网络,其中图2表示作业人员佩戴安全帽的照片,图3表示作业人员未佩戴安全帽的照片,使得其分类精度达到98%,作为目标检测网络的初始化参数。
需要说明的是,在图像分类网络获得之后,可以借助于图像分类网络的层级获得目标检测网络,即在图像分类网络的基础上将图像分类网络得到的参数作为目标检测网络的初始化参数进行训练,这样能够减少数据量的获取,提高目标检测网络的标注效率,从而提高整个系统的效率。
可以理解的是,所述图像分类网络在本实施例中以53层来实现,在目标检测网络中可以在53层的基础上增加3层,即56层来实现,这样目标检测网络在进行训练时只需要获取2000张图片即可实现。
应当理解的是,需要将图像分类网络中的参数,例如,网络的轮廓特征、颜色特征、纹理特征以及语义转化等作为目标检测网络的初始化参数。
在对图像分类网络进行训练过程中,首先需要将图像进行归一化处理,即通过一系列变换,将待处理的原始图像转换成相应的唯一标准形式(该标准形式图像对平移、旋转、缩放等仿射变换具有不变特性),使其可以适应任何的几何变换。其基本工作原理为:首先利用图像中对仿射变换具有不变性的矩阵来确定变换函数的参数,然后利用此参数确定的变换函数把原始图像变换为一个标准形式的图像(该图像与仿射变换无关)。
进一步地,图像归一化的步骤如下:
1)读入矩阵,将图像表示为一个416*416*3的矩阵;
2)处理矩阵,将上述矩阵乘以1.0/255.0,实现图像的归一化。
作为目标检测网络的具体实施方式,所述目标检测网络的获取包括:
获取第二训练样本,所述第二训练样本包括N张煤矿作业区域内包含作业人员的图片和标注信息,所述标注信息用于标注佩戴安全帽的作业人员在包含作业人员的图片中的位置信息,其中,N为大于1的自然数;
根据所述标注信息和N张煤矿作业区域内包含作业人员的图片对第二初始化网络进行训练,得到初始目标检测网络参数;
根据退火优化器对所述初始目标检测网络参数进行训练得到目标检测网络。
下面对目标检测网络的具体获取过程进行详细描述。
重新标注2000张训练图像,在YOLOv3原网络上使用Adam(学习率为0.001)优化器进行训练。训练500个epoch(epoch:1个epoch等于使用训练集中的全部样本训练一次,通俗的讲epoch的值就是整个数据集被轮几次),使其损失函数达到13.65。
在上述基础上,通过退火优化器,将训练好的网络参数W作为网络初始化参数进行初始化,再训练100个epoch,直到损失函数下降到6.05为止。
关于退火优化器的原理与具体实现如下:
模拟退火算法来源于固体退火原理,是一种基于概率的算法,将固体加温至充分高,再让其徐徐冷却,加温时,固体内部粒子随温升变为无序状,内能增大,而徐徐冷却时粒子渐趋有序,在每个温度都达到平衡态,最后在常温时达到基态,内能减为最小。
它是基于Monte-Carlo迭代求解策略的一种随机寻优算法,其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发,伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解,即在局部最优解能概率性地跳出并最终趋于全局最优。
如图4所示,具体实现退火优化器的步骤如下:
(1)首先随机定义一个解w1并且计算目标函数f(w1);
(2)随机定义给予w1一个扰动,使其新解为w1+w,并计算目标函数f(w1+w);
(3)计算Δf=f(w1+w)-f(w1);
(4)如果Δf≤0,则接受新解;如果Δf>0,则以Pk的概率接受新解。具体做法为先在[0,1]的均匀分布上随机取一个数为Rk,若Rk<PK则接受新解。将改变后的值作为下一次迭代的起点,否则将上一次的值作为初始化点。
其中,
其中,Pk表示接受新解的概率,T表示初始温度;
(5)重复步骤(2)、(3)和(4)直至达到平衡点。
具体地,所述对所述包含作业人员的图像信息进行图像处理得到处理图像包括:
对所述包含作业人员的图像信息进行图像重构,得到重构图像;
应当理解的是,由于采集回来的视频图像大小是不统一的,因此需要对图像大小进行重构,具体做法是:采用双线性差值法,对图像尺寸进行重新定义为416*416。
对所述重构图像进行归一化处理,得到处理图像;
应当理解的是,对于归一化处理后的图片,需要统一进行归一化处理,得到处理图像,为输入训练模型做准备。
具体地,所述对所述图像识别结果进行筛选得到煤矿作业区域内作业人员的安全帽佩戴状况包括:
对所述图像识别结果进行筛选得到煤矿作业区域内作业人员佩戴安全帽的数据,以及煤矿作业区域内作业人员未佩戴安全帽的数据;
将煤矿作业区域内作业人员未佩戴安全帽的数据所对应的图像进行还原,得到未佩戴安全帽的还原图像;
将未佩戴安全帽的还原图像进行存储。
可以理解的是,将筛选后得到的未佩戴安全帽的数据进行保留,并与图像进行匹配,且将匹配成功后的图像进行还原,再将还原的图像进行存储。
通过上述安全帽佩戴的检测方法,与现有技术中的目标检测网络相比,检测结果准确度由原来的51MAP提高到了75MAP。
作为本发明的另一实施例,提供一种存储介质,其中,所述存储介质中存储有至少一条程序指令,所述至少一条程序指令用于被处理器加载并执行以实现如前文所述的安全帽佩戴的检测方法。
应当理解的是,通过上述存储介质能够存储用于执行前文所述的安全帽佩戴的检测方法的程序指令,因此能够高精度且高效率的识别出作业人员的安全帽佩戴状况。
作为本发明的另一实施例,提供一种安全帽佩戴的检测装置,其中,所述安全帽佩戴的检测装置包括处理器和存储器,所述存储器包括前文所述的存储介质,所述处理器用于加载并执行所述存储介质上的程序指令。
通过上述提供的安全帽佩戴的检测装置,由于采用了前文的存储器,存储用于执行前文所述的安全帽佩戴的检测方法的程序指令,因此能够高精度且高效率的识别出作业人员的安全帽佩戴状况。
作为本发明的另一实施例,提供一种安全帽佩戴的检测系统,其中,所述安全帽佩戴的检测系包括采集装置和前文述的安全帽佩戴的检测装置,所述采集装置用于采集煤矿作业区域内包含作业人员的图像信息,所述安全帽佩戴的检测装置用于对所述保护作业人员的图像信息进行处理后得到煤矿作业区域内作业人员的安全帽佩戴状况。
通过上述安全帽佩戴的检测系统,由于采用了前文的安全帽佩戴的检测装置,因而能够高精度且高效率的识别出作业人员的安全帽佩戴状况。
作为采集装置的具体实施方式,所述采集装置可以包括部署在煤矿区域内的多路摄像头,例如可以部署在工作面、运输上山或井底车场等关键区域。具体地,关于摄像头的配置可以包括如下参数:
基本参数 | |
感应器 | CMOS传感器 |
动态分辨率 | 1280×720 |
镜头 | 高清镜头,自动对焦 |
接口 | USB接口 |
重量 | 560g |
外形尺寸 | 300×100×60mm |
其他性能 | 适用于矿区、学校、街道等场景 |
对于每一路摄像头,均可以截取500分钟的视频素材,将这500分钟的视频素材全部用于测试数据。
关于安全帽佩戴的检测系统的具体工作原理可以参照前文的安全帽佩戴的检测方法的描述,此处不再赘述。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (8)
1.一种安全帽佩戴的检测方法,其特征在于,所述安全帽佩戴的检测方法包括:
获取煤矿作业区域内包含作业人员的图像信息;
对所述包含作业人员的图像信息进行图像处理得到处理图像;
将所述处理图像输入到训练模型中进行图像识别得到图像识别结果,其中所述训练模型包括图像分类网络和目标检测网络;
对所述图像识别结果进行筛选得到煤矿作业区域内作业人员的安全帽佩戴状况;
其中,所述图像分类网络的获取包括:
获取第一训练样本,所述第一训练样本包括M张煤矿作业区域内包含作业人员佩戴安全帽的图片以及M张煤矿作业区域内包含作业人员未佩戴安全帽的图片,M为大于1的自然数;
根据所述第一训练样本对第一初始化网络进行训练,得到图像分类网络;
所述目标检测网络的获取包括:
获取第二训练样本,所述第二训练样本包括N张煤矿作业区域内包含作业人员的图片和标注信息,所述标注信息用于标注佩戴安全帽的作业人员在包含作业人员的图片中的位置信息,其中,N为大于1的自然数;
根据所述标注信息和N张煤矿作业区域内包含作业人员的图片对第二初始化网络进行训练,得到初始目标检测网络参数;
根据退火优化器对所述初始目标检测网络参数进行训练得到目标检测网络。
2.根据权利要求1所述的安全帽佩戴的检测方法,其特征在于,所述根据所述第一训练样本对第一初始化网络进行训练包括:
对每张煤矿作业区域内包含作业人员佩戴和未佩戴安全帽的图片进行归一化处理,得到归一化图像;
根据所述归一化图像对第一初始化网络进行训练。
3.根据权利要求2所述的安全帽佩戴的检测方法,其特征在于,所述对每张煤矿作业区域内包含作业人员佩戴和未佩戴安全帽的图片进行归一化处理包括:
对每张煤矿作业区域内包含作业人员佩戴和未佩戴安全帽的图片进行图像转换,得到标准形式的图像。
4.根据权利要求1至3中任意一项所述的安全帽佩戴的检测方法,其特征在于,所述对所述包含作业人员的图像信息进行图像处理得到处理图像包括:
对所述包含作业人员的图像信息进行图像重构,得到重构图像;
对所述重构图像进行归一化处理,得到处理图像。
5.根据权利要求1至3中任意一项所述的安全帽佩戴的检测方法,其特征在于,所述对所述图像识别结果进行筛选得到煤矿作业区域内作业人员的安全帽佩戴状况包括:
对所述图像识别结果进行筛选得到煤矿作业区域内作业人员佩戴安全帽的数据,以及煤矿作业区域内作业人员未佩戴安全帽的数据;
将煤矿作业区域内作业人员未佩戴安全帽的数据所对应的图像进行还原,得到未佩戴安全帽的还原图像;
将未佩戴安全帽的还原图像进行存储。
6.一种存储介质,其特征在于,所述存储介质中存储有至少一条程序指令,所述至少一条程序指令用于被处理器加载并执行以实现如权利要求1至5中任意一项所述的安全帽佩戴的检测方法。
7.一种安全帽佩戴的检测装置,其特征在于,所述安全帽佩戴的检测装置包括处理器和存储器,所述存储器包括权利要求6所述的存储介质,所述处理器用于加载并执行所述存储介质上的程序指令。
8.一种安全帽佩戴的检测系统,其特征在于,所述安全帽佩戴的检测系包括采集装置和权利要求7所述的安全帽佩戴的检测装置,所述采集装置用于采集煤矿作业区域内包含作业人员的图像信息,所述安全帽佩戴的检测装置用于对保护作业人员的图像信息进行处理后得到煤矿作业区域内作业人员的安全帽佩戴状况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910715212.0A CN110458075B (zh) | 2019-08-05 | 2019-08-05 | 安全帽佩戴的检测方法、存储介质、检测装置及检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910715212.0A CN110458075B (zh) | 2019-08-05 | 2019-08-05 | 安全帽佩戴的检测方法、存储介质、检测装置及检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458075A CN110458075A (zh) | 2019-11-15 |
CN110458075B true CN110458075B (zh) | 2023-08-25 |
Family
ID=68484700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910715212.0A Active CN110458075B (zh) | 2019-08-05 | 2019-08-05 | 安全帽佩戴的检测方法、存储介质、检测装置及检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458075B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619324A (zh) * | 2019-11-25 | 2019-12-27 | 南京桂瑞得信息科技有限公司 | 一种行人和安全帽检测方法、装置及系统 |
CN111091069A (zh) * | 2019-11-27 | 2020-05-01 | 云南电网有限责任公司电力科学研究院 | 一种盲图像质量评价引导的电网目标检测方法及系统 |
CN111488804B (zh) * | 2020-03-19 | 2022-11-11 | 山西大学 | 基于深度学习的劳保用品佩戴情况检测和身份识别的方法 |
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 |
CN114595759A (zh) * | 2022-03-07 | 2022-06-07 | 卡奥斯工业智能研究院(青岛)有限公司 | 一种护具识别方法、装置、电子设备及存储介质 |
Citations (9)
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 |
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 |
CN108921159A (zh) * | 2018-07-26 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于检测安全帽的佩戴情况的方法和装置 |
CN109376676A (zh) * | 2018-11-01 | 2019-02-22 | 哈尔滨工业大学 | 基于无人机平台的公路工程现场施工人员安全预警方法 |
CN109670441A (zh) * | 2018-12-14 | 2019-04-23 | 广东亿迅科技有限公司 | 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质 |
CN109753898A (zh) * | 2018-12-21 | 2019-05-14 | 中国三峡建设管理有限公司 | 一种安全帽识别方法及装置 |
CN110070033A (zh) * | 2019-04-19 | 2019-07-30 | 山东大学 | 一种电力领域危险工作区域内安全帽佩戴状态检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10019881B2 (en) * | 2015-11-04 | 2018-07-10 | Streamlight, Inc. | Personnel tracking and monitoring system and method employing protective gear including a personnel electronic monitor device |
US11023818B2 (en) * | 2016-06-23 | 2021-06-01 | 3M Innovative Properties Company | Personal protective equipment system having analytics engine with integrated monitoring, alerting, and predictive safety event avoidance |
US10896331B2 (en) * | 2018-01-29 | 2021-01-19 | indus.ai Inc. | Monitoring activities in industrial sites |
-
2019
- 2019-08-05 CN CN201910715212.0A patent/CN110458075B/zh active Active
Patent Citations (9)
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 |
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 |
CN108921159A (zh) * | 2018-07-26 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于检测安全帽的佩戴情况的方法和装置 |
CN109376676A (zh) * | 2018-11-01 | 2019-02-22 | 哈尔滨工业大学 | 基于无人机平台的公路工程现场施工人员安全预警方法 |
CN109670441A (zh) * | 2018-12-14 | 2019-04-23 | 广东亿迅科技有限公司 | 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质 |
CN109753898A (zh) * | 2018-12-21 | 2019-05-14 | 中国三峡建设管理有限公司 | 一种安全帽识别方法及装置 |
CN110070033A (zh) * | 2019-04-19 | 2019-07-30 | 山东大学 | 一种电力领域危险工作区域内安全帽佩戴状态检测方法 |
Non-Patent Citations (1)
Title |
---|
Safety Helmet Wearing Detection Based on Image Processing and Machine Learning;Jie Li et al;《2017 Ninth International Conference on Advanced Computational Intelligence》;第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110458075A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458075B (zh) | 安全帽佩戴的检测方法、存储介质、检测装置及检测系统 | |
US11144889B2 (en) | Automatic assessment of damage and repair costs in vehicles | |
CN111815577B (zh) | 安全帽佩戴检测模型处理方法、装置、设备和存储介质 | |
Vasluianu et al. | NTIRE 2024 image shadow removal challenge report | |
CN109800682B (zh) | 驾驶员属性识别方法及相关产品 | |
Mallela et al. | Detection of the triple riding and speed violation on two-wheelers using deep learning algorithms | |
CN113688709A (zh) | 一种安全帽佩戴智能检测方法、系统、终端及介质 | |
Waqas et al. | Vehicle damage classification and fraudulent image detection including moiré effect using deep learning | |
CN114078127B (zh) | 物件的缺陷检测及计数方法、装置、设备和存储介质 | |
Ahmed et al. | Temporal image forensic analysis for picture dating with deep learning | |
Papafitsoros et al. | SeaTurtleID: A novel long-span dataset highlighting the importance of timestamps in wildlife re-identification | |
CN107113421B (zh) | 一种光学系统成像质量的检测方法和装置 | |
Perez et al. | Detection & identification of on-orbit objects using machine learning | |
Shaniya et al. | Yolov4 rgbt human detection on unmanned aerial vehicle perspective | |
Mazzia et al. | Use of deep learning for automatic detection of cracks in tunnels | |
Grabowski et al. | Self-configuring nnu-nets detect clouds in satellite images | |
Samsami et al. | Classification of the air quality level based on analysis of the sky images | |
Awalgaonkar et al. | DEEVA: a deep learning and IoT based computer vision system to address safety and security of production sites in energy industry | |
Narendra Kumar Rao et al. | Text Recognition from Images Using Deep Learning Techniques | |
CN113807331A (zh) | 一种基于图像识别技术的安全带佩戴识别方法和装置 | |
Wu et al. | Design and implementation of safety helmet detection system based on computer vision | |
Manonmani et al. | Underwater Mine Detection Using Histogram of oriented gradients and Canny Edge Detector | |
KR101031369B1 (ko) | 얼굴 인식 장치 및 그 방법 | |
Rane et al. | A Deep Learning-Based Regression Scheme for Angle Estimation in Image Dataset | |
Subramanian et al. | Development of A Surveillance System to Detect Forest Fire and Smoke Using Deep Neural Networks |
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 |