CN110689054B - 一种工人违规行为监测方法 - Google Patents
一种工人违规行为监测方法 Download PDFInfo
- Publication number
- CN110689054B CN110689054B CN201910853298.3A CN201910853298A CN110689054B CN 110689054 B CN110689054 B CN 110689054B CN 201910853298 A CN201910853298 A CN 201910853298A CN 110689054 B CN110689054 B CN 110689054B
- Authority
- CN
- China
- Prior art keywords
- worker
- residual error
- violation
- feature extraction
- module
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 230000009471 action Effects 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims description 44
- 230000004927 fusion Effects 0.000 claims description 40
- 230000006399 behavior Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 14
- 230000001629 suppression Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种工人违规行为监测方法,通过设计了一种多尺度预测的目标检测模型,在4个尺度上对违规目标进行预测,得到违规目标的类别信息和位置信息。该方法使用2倍上采样率将深层特征与浅层特征进行融合,并从不同的尺度对目标进行检测,具有较高的准确率。另外,本发明所提出的方法会根据检测结果对存在违规行为的工人采取告警措施,并对检测出违规行为的工人进行跟踪,判断相邻两帧视频图像中存在违规行为的工人是否是同一个人,通过考虑时域信息,避免由于仅考虑单帧图像而导致的对同一个违规工人的一次违规行为记录多次,有利于管理人员对违规信息的处理,是一种更加精准的监测方法。
Description
技术领域
本发明属于目标检测与跟踪领域,更具体地,涉及一种工人违规行为监测方法。
背景技术
在施工过程中,保障施工安全是提高生产效率、提升企业效益、保障员工安全的重要环节。设计生产一套智能化的监控系统,使之能在复杂多变的工业环境下完成对工人自动实时准确的识别、判断、定位、跟踪,具有重要意义。具体是,这套系统可以通过摄像头实时的对镜头范围内的工人进行检测,判断其是否存在未佩戴安全帽、未系安全带的行为,同时通过与检测模块结合的跟踪模块对人员进行跟踪,防止出现重复识别等情况,若发现存在违规行为的员工则通过告警系统立即发出警报,并记录,为后台监控人员提供可靠信息。这种基于视频检测对工人的违规行为进行监测的方法可以提高工人在生产环境中的安全性,同时提升对企业安全生产的保障。
目前用于视频检测的方法主要有:背景差相减法、邻帧差法及光流法等。背景差相减法利用当前视频帧与背景图片的差分来检测运动区域,从而获取运动目标,这种方法简单快速,但受光线和动态场景变化的影响较大,不适合运用于实际的工厂中工人安全帽、安全带等的检测,容易出现误检测和高频噪点;邻帧差法是通过计算相邻两帧之间的差分来获得运动目标的轮廓,可以较好地适应存在多个目标和背景变化不大的情况,且算法实现简单,计算量少,但其不能完整地提取目标区域,且不能自适应地选取其后两帧的时间间隔,在实际工厂的运用中存在局限性;光流法是基于光流的动态目标检测算法,通过捕捉目标在运动过程中的亮度形态的变化信息,并分析亮度形态的特征,获得运动目标的位置检测结果,光流法同样对光照变化比较敏感,容易在光照变化大的场景中出现虚假检测,另外,光流法对运动速度快的目标检测效果不佳,计算量也较大。
另外,工厂管理人员常常通过后台监控掌握工人的行为状况,并记录工人违规行为和采取告警措施。而上述视频目标检测算法往往是基于单帧图像进行的,在实时识别工人的违规行为时,单纯的目标检测算法无法判断前后两帧中的违规行为是否属于同一个人,即没有使用时域信息,这样会造成对同一个违规工人违规信息的重复记录,不利于管理人员对违规信息的处理。并且以上这些传统方法都是基于图像表观特征来检测目标的,近些年来,随着深度学习的发展,越来越多基于深度学习的方法用于目标检测中,通过自动地提取、建立输入图像的抽象特征,它们在目标检测任务中有着比传统方法更高的检测精度,但这些方法往往是在公共大型数据集训练的,还不能很好地适用于工厂这样复杂、多变的场景中,精确度不高。
综上所述,提供一种精确度高的工人违规行为监测方法是亟待解决的问题。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种工人违规行为监测方法,旨在解决现有技术因工地场景复杂、多变且不具备跟踪功能而导致不能很好地实现对工人违规行为进行预警的问题。
为实现上述目的,本发明提供了一种工人违规行为监测方法,包括以下步骤:
S1、将视频监控中的每一帧图像连续输入到预训练好的工人违规行为检测模型中,识别各图像中的工人的违规行为;
S2、根据检测结果对存在违规行为的工人采取告警措施,并对检测出违规行为的工人进行跟踪,判断预设时间内存在违规行为的相邻两帧视频图像中存在违规行为的工人是否是同一个人,若为同一人,则识别为该工人的一次违规行为,仅在后台对该工人记录一次违规行为;若不为同一人,则识别为不同工人的违规行为,在后台对各工人的每一次违规行为进行记录。
S3、重复步骤S1和步骤S2,对工人的违规行为进行持续监测;
通过考虑时域信息,避免由于仅考虑单帧图像而导致的对同一个违规工人的一次违规行为记录多次,有利于管理人员对违规信息的处理。
进一步优选地,训练工人违规行为检测模型的方法包括以下步骤:
S11、获取工人施工图像,并对其中与工人违规行为相关的目标进行标注,形成训练样本;
S12、基于训练样本对多尺度目标检测网络H-YOLOv3进行训练,得到工人违规行为检测模型;
进一步优选地,上述多尺度目标检测网络H-YOLOv3包括4个并行连接的预测支路1~4、非极大值抑制模块;
其中,预测支路1~4共同连接在非极大值抑制模块上;
预测支路1~4用于分别从不同尺度对待检测图像进行预测,得到图像中违规目标的分类信息、分类概率和边界框回归值,并输入到非极大值抑制模块中;
非极大值抑制模块用于将预测结果中多余的回归边界框滤除,保留更加精确的预测框作为模型的输出。
进一步优选地,上述预测支路1~4均包括深度残差模块、融合特征提取模块;
其中,深度残差模块包括依次级联的残差单元1~5,残差单元1包括1个残差块,残差单元2包括2个依次级联的残差块,残差单元3包括8个依次级联的残差块,残差单元4包括8个依次级联的残差块,残差单元5包括4个依次级联的残差块;融合特征提取模块共有4个,分别记为融合特征提取模块1~4;
残差单元5的输出端与融合特征提取模块1的输入端相连,构成预测支路1;
融合特征提取模块1的输出端和残差单元4的输出端共同与融合特征提取模块2的输入端相连,构成预测支路2;
融合特征提取模块2的输出端和残差单元3的输出端共同与融合特征提取模块3的输入端相连,构成预测支路3;
融合特征提取模块3的输出端和残差单元2的输出端共同与融合特征提取模块4的输入端相连,构成预测支路4;
深度残差模块用于提取不同尺度的图像特征;
融合特征提取模块用于将当前支路深度残差模块所提取的特征与上一支路中融合特征提取模块所提取的特征相融合,提取更深层的特征;
进一步优选地,融合特征提取模块2~4中对上一支路中融合特征提取模块所提取的特征以2倍的步长进行上采样,并与当前支路深度残差模块所提取的特征进行融合,使得H-YOLOv3网络具有较好的特征表达能力。
进一步优选地,上述残差单元1~5的输出尺寸分别为256×256,128×128,64×64,32×32,16×16。
进一步优选地,上述预测支路1~4的输出尺寸分别为32×32,16×16,8×8以及4×4分辨率,用于应对不同尺度的违规目标。
进一步优选地,上述多尺度目标检测网络H-YOLOv3的输入图像尺寸为512×512。
进一步优选地,与工人违规行为相关的目标包括工人的安全帽、安全带。
进一步优选地,采用DeepSORT算法对检测出违规行为的工人进行跟踪。
通过本发明所构思的以上技术方案,与现有技术相比,能够取得下列有益效果:
1、本发明提出了一种工人违规行为监测方法,设计了一种多尺度预测的目标检测模型,在4个尺度上对违规目标进行预测,得到违规目标的类别信息和位置信息,此外,该模型使用了2倍上采样率将深层特征与浅层特征进行融合,相比现有方法,本发明所提出的方法在检测违规行为上有着更高的准确率;
2、本发明所提出的基于目标检测与跟踪的工人违规行为识别方法,采用健壮的目标跟踪算法DeepSort处理目标在前后帧中的因果关系,可以根据对工人的跟踪结果判断两帧中发生违规行为的工人是否是同一个人,通过考虑时域信息,避免由于仅考虑单帧图像而导致的对同一个违规工人的一次违规行为记录多次,有利于管理人员对违规信息的处理。
附图说明
图1是本发明所提供的一种工人违规行为监测方法流程图;
图2是本发明实施例所提供的工人违规行为检测结果示意图;
图3是本发明实施例所提供的对与违规行为相关的目标标注后的训练样本示意图;
图4是本发明所提供的H-YOLOv3网络结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为实现上述目的,本发明提供了一种工人违规行为监测方法,如图1所示,包括以下步骤:
S1、将视频监控中的每一帧图像连续输入到预训练好的工人违规行为检测模型中,识别各图像中的工人的违规行为;
具体的,工人违规行为检测模型将整个图像作为输入,输出检测到的所有人员的位置以及其是否正确佩戴安全帽,本实施例中工人违规行为的检测结果如图2所示。
S2、根据检测结果对存在违规行为的工人采取告警措施,并对检测出违规行为的工人进行跟踪,判断预设时间内存在违规行为的相邻两帧视频图像中存在违规行为的工人是否是同一个人,若为同一人,则识别为该工人的一次违规行为,仅在后台对该工人记录一次违规行为;若不为同一人,则识别为不同工人的违规行为,在后台对各工人的每一次违规行为进行记录。在本实施例中,上述预设时间设置为2分钟。
S3、重复步骤S1和步骤S2,对工人的违规行为进行持续监测。
通过考虑时域信息,避免由于仅考虑单帧图像而导致的对同一个违规工人的一次违规行为记录多次,有利于管理人员对违规信息的处理。
具体的,训练工人违规行为检测模型的方法包括以下步骤:
S11、获取工人施工图像,并对其中与工人违规行为相关的目标进行标注,形成训练样本;
具体的,本实施例中通过网络爬虫获取工人施工时的图片,并使用YoloMark对安全帽、安全带等与违规行为相关的目标进行标注,标注后的训练样本示意图如图3所示。
S12、基于训练样本对多尺度目标检测网络H-YOLOv3进行训练,得到工人违规行为检测模型;
具体的,如图4所示为本发明所提供的H-YOLOv3网络结构示意图,包括4个并行连接的预测支路1~4、非极大值抑制模块;
其中,预测支路1~4均包括深度残差模块、融合特征提取模块;其中,深度残差模块包括依次级联的残差单元1~5,具体的,残差单元1包括1个残差块,残差单元2包括2个依次级联的残差块,残差单元3包括8个依次级联的残差块,残差单元4包括8个依次级联的残差块,残差单元5包括4个依次级联的残差块;融合特征提取模块共有4个,分别记为融合特征提取模块1~4;
具体的,残差单元5的输出端与融合特征提取模块1的输入端相连,构成预测支路1;融合特征提取模块1的输出端和残差单元4的输出端共同与融合特征提取模块2的输入端相连,构成预测支路2;融合特征提取模块2的输出端和残差单元3的输出端共同与融合特征提取模块3的输入端相连,构成预测支路3;融合特征提取模块3的输出端和残差单元2的输出端共同与融合特征提取模块4的输入端相连,构成预测支路4;进一步的,深度残差模块用于提取不同尺度的图像特征;融合特征提取模块用于将当前支路深度残差模块所提取的特征与上一支路中融合特征提取模块所提取的特征相融合,提取更深层的特征;
预测支路1~4共同连接在非极大值抑制模块上;具体的,预测支路1~4分别从不同尺度对待检测图像进行预测,得到图像中违规目标的分类信息、分类概率和边界框回归值,并输入到非极大值抑制模块中;非极大值抑制模块用于将预测结果中多余的回归边界框滤除,保留更加精确的预测框作为模型的输出。
具体的,H-YOLOv3的输入尺寸为512×512,残差单元1~5的输出尺寸分别为256×256,128×128,64×64,32×32,16×16。考虑到一般视频环境下工人的检测目标在中小范围内,不需要过大的感受野,同时为了加强对中小目标的识别,则需要把更多浅层特征图融合进来,一起进行预测,提高对中小目标的识别率,同时也考虑到时间复杂度及鲁棒性等问题,H-YOLOv3设计有4条不同尺度的预测支路,4条预测支路的输出尺寸分别为32×32,16×16,8×8以及4×4分辨率,用于应对不同尺度的违规目标。每条预测支路独立地给出违规目标的分类信息、分类概率和边界框回归值。4条预测支路即组成了H-YOLOv3的预测层,每条预测支路都包含多个卷积层,用于提取不同尺度的目标的深度特征。与此同时,4条预测支路还共享了部分的深度残差网络提取的特征,并且考虑到到随着深度的增加,网络的空间表达能力逐渐降低,语义表达能力逐渐增强,在H-YOLOv3的预测支路2~4中以2倍的步长对上一支路中融合特征提取模块所提取的特征以2倍的步长进行上采样,并与当前支路深度残差模块所提取的特征进行融合,形成深度融合的快速违规目标检测模型,使得H-YOLOv3网络具有较好的特征表达能力;最后,通过非极大值抑制操作,将多余的回归边界框滤除,保留更加精确的预测框作为模型的输出。
本发明提出了一种工人违规行为监测方法,设计了多尺度预测的目标检测模型H-YOLOv3,在4个尺度上对违规目标进行预测,包括类别信息和位置信息,此外,该模型使用了2倍上采样率将深层特征与浅层特征进行融合,相比现有方法,本发明所提出的方法在检测安全帽、安全带等与违规行为有关的目标上具有更高的准确率;另外,采用健壮的目标跟踪算法DeepSort处理目标在前后帧中的因果关系,可以根据对工人的跟踪结果判断两帧中发生违规行为的工人是否是同一个人,通过考虑时域信息,避免由于仅考虑单帧图像而导致的对同一个违规工人的一次违规行为记录多次,有利于管理人员对违规信息的处理。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种工人违规行为监测方法,其特征在于,包括以下步骤:
S1、将视频监控中的每一帧图像连续输入到预训练好的工人违规行为检测模型中,识别各图像中的工人的违规行为;
S2、根据检测结果对存在违规行为的工人采取告警措施,并对检测出违规行为的工人进行跟踪,判断预设时间内存在违规行为的相邻两帧视频图像中存在违规行为的工人是否是同一个人,若为同一人,则识别为该工人的一次违规行为,仅在后台对该工人记录一次违规行为;若不为同一人,则识别为不同工人的违规行为,在后台对各工人的每一次违规行为进行记录;
S3、重复步骤S1和步骤S2,对工人的违规行为进行持续监测;
其中,所述工人违规行为检测模型的训练方法包括以下步骤:
S11、获取工人施工图像,并对其中与工人违规行为相关的目标进行标注,形成训练样本;
S12、基于训练样本对多尺度目标检测网络H-YOLOv3进行训练,得到工人违规行为检测模型;
所述多尺度目标检测网络H-YOLOv3包括4个并行连接的预测支路1~4、以及非极大值抑制模块;
所述预测支路1~4共同连接在所述非极大值抑制模块上;
所述预测支路1~4用于分别从不同尺度对待检测图像进行预测,得到图像中违规目标的分类信息、分类概率和边界框回归值,并输入到非极大值抑制模块中;
所述非极大值抑制模块用于将预测结果中多余的回归边界框滤除,保留更加精确的预测框作为模型的输出;
所述预测支路1~4均包括深度残差模块和融合特征提取模块;
所述深度残差模块包括依次级联的残差单元1~5,所述残差单元1包括1个残差块,所述残差单元2包括2个依次级联的残差块,所述残差单元3包括8个依次级联的残差块,所述残差单元4包括8个依次级联的残差块,所述残差单元5包括4个依次级联的残差块;所述融合特征提取模块共有4个,分别记为融合特征提取模块1~4;
所述残差单元5的输出端与所述融合特征提取模块1的输入端相连,构成所述预测支路1;
所述融合特征提取模块1的输出端和所述残差单元4的输出端共同与所述融合特征提取模块2的输入端相连,构成所述预测支路2;
所述融合特征提取模块2的输出端和所述残差单元3的输出端共同与所述融合特征提取模块3的输入端相连,构成所述预测支路3;
所述融合特征提取模块3的输出端和所述残差单元2的输出端共同与所述融合特征提取模块4的输入端相连,构成所述预测支路4;
所述深度残差模块用于提取不同尺度的图像特征;
所述融合特征提取模块用于将当前支路深度残差模块所提取的特征与上一支路中融合特征提取模块所提取的特征相融合,提取更深层的特征。
2.根据权利要求1所述的工人违规行为监测方法,其特征在于,融合特征提取模块2~4中对上一支路中融合特征提取模块所提取的特征以2倍的步长进行上采样,并与当前支路深度残差模块所提取的特征进行融合。
3.根据权利要求1或2所述的工人违规行为监测方法,其特征在于,所述多尺度目标检测网络H-YOLOv3的输入图像尺寸为512×512。
4.根据权利要求3所述的工人违规行为监测方法,其特征在于,所述残差单元1~5的输出尺寸分别为256×256,128×128,64×64,32×32,16×16。
5.根据权利要求3所述的工人违规行为监测方法,其特征在于,所述预测支路1~4的输出尺寸分别为32×32,16×16,8×8以及4×4分辨率。
6.根据权利要求1或2所述的工人违规行为监测方法,其特征在于,所述与工人违规行为相关的目标包括工人的安全帽和安全带。
7.根据权利要求1或2所述的工人违规行为监测方法,其特征在于,采用DeepSORT算法对检测出违规行为的工人进行跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853298.3A CN110689054B (zh) | 2019-09-10 | 2019-09-10 | 一种工人违规行为监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853298.3A CN110689054B (zh) | 2019-09-10 | 2019-09-10 | 一种工人违规行为监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110689054A CN110689054A (zh) | 2020-01-14 |
CN110689054B true CN110689054B (zh) | 2022-04-01 |
Family
ID=69107972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910853298.3A Expired - Fee Related CN110689054B (zh) | 2019-09-10 | 2019-09-10 | 一种工人违规行为监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689054B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408321B (zh) * | 2020-03-16 | 2023-08-22 | 中国人民解放军战略支援部队信息工程大学 | 一种轻量级图像、视频数据的实时目标检测方法及装置 |
CN111401278A (zh) * | 2020-03-20 | 2020-07-10 | 重庆紫光华山智安科技有限公司 | 安全帽识别方法、装置、电子设备及存储介质 |
CN111708380B (zh) * | 2020-06-29 | 2023-11-10 | 北京御航智能科技有限公司 | 风电机组外观缺陷的检测方法、平台、无人机以及系统 |
WO2022037280A1 (zh) * | 2020-08-19 | 2022-02-24 | 广西电网有限责任公司贺州供电局 | 一种基于多通道cnn的变电现场作业违规行为检测方法 |
CN112188164A (zh) * | 2020-09-29 | 2021-01-05 | 爱动超越人工智能科技(北京)有限责任公司 | 一种基于ai视觉的违规行为实时监测系统及方法 |
CN112287812B (zh) * | 2020-10-27 | 2022-11-01 | 广东电网有限责任公司 | 一种攀爬情况识别方法 |
CN112417989A (zh) * | 2020-10-30 | 2021-02-26 | 四川天翼网络服务有限公司 | 一种监考人员违规行为识别方法及系统 |
CN112417990B (zh) * | 2020-10-30 | 2023-05-09 | 四川天翼网络股份有限公司 | 一种考试学生违规行为识别方法及系统 |
CN113139437B (zh) * | 2021-03-31 | 2022-09-20 | 成都飞机工业(集团)有限责任公司 | 一种基于YOLOv3算法的安全帽佩戴检查方法 |
CN113065511B (zh) * | 2021-04-21 | 2024-02-02 | 河南大学 | 基于深度学习的遥感图像飞机检测模型及方法 |
CN114155614B (zh) * | 2021-10-20 | 2023-08-01 | 国网四川省电力公司电力科学研究院 | 一种作业现场反违章行为识别方法及系统 |
CN114187171B (zh) * | 2021-12-14 | 2024-04-12 | 安徽一视科技有限公司 | 一种基于人工智能的投掷铅球成绩记录系统 |
CN115171217B (zh) * | 2022-07-27 | 2023-03-03 | 北京拙河科技有限公司 | 一种动态背景下的动作识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504908A (zh) * | 2015-01-14 | 2015-04-08 | 苏州科达科技股份有限公司 | 一种违章停车监控方法及系统 |
CN107680220A (zh) * | 2017-09-28 | 2018-02-09 | 朱明增 | 一种基于机器视觉技术的作业违规行为智能识别方法 |
CN109089160A (zh) * | 2018-09-19 | 2018-12-25 | 中国石油大学(华东) | 一种高校餐厅食品加工违规行为视频分析系统及方法 |
CN109145789A (zh) * | 2018-08-09 | 2019-01-04 | 炜呈智能电力科技(杭州)有限公司 | 供电系统安全作业保障方法及系统 |
CN109325961A (zh) * | 2018-08-27 | 2019-02-12 | 北京悦图遥感科技发展有限公司 | 无人机视频多目标跟踪方法及装置 |
CN109711320A (zh) * | 2018-12-24 | 2019-05-03 | 兴唐通信科技有限公司 | 一种值班人员违规行为检测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8384787B2 (en) * | 2011-02-24 | 2013-02-26 | Eastman Kodak Company | Method for providing a stabilized video sequence |
WO2018148628A1 (en) * | 2017-02-10 | 2018-08-16 | Seecure Systems, Inc. | Detection of risky objects in image frames |
-
2019
- 2019-09-10 CN CN201910853298.3A patent/CN110689054B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504908A (zh) * | 2015-01-14 | 2015-04-08 | 苏州科达科技股份有限公司 | 一种违章停车监控方法及系统 |
CN107680220A (zh) * | 2017-09-28 | 2018-02-09 | 朱明增 | 一种基于机器视觉技术的作业违规行为智能识别方法 |
CN109145789A (zh) * | 2018-08-09 | 2019-01-04 | 炜呈智能电力科技(杭州)有限公司 | 供电系统安全作业保障方法及系统 |
CN109325961A (zh) * | 2018-08-27 | 2019-02-12 | 北京悦图遥感科技发展有限公司 | 无人机视频多目标跟踪方法及装置 |
CN109089160A (zh) * | 2018-09-19 | 2018-12-25 | 中国石油大学(华东) | 一种高校餐厅食品加工违规行为视频分析系统及方法 |
CN109711320A (zh) * | 2018-12-24 | 2019-05-03 | 兴唐通信科技有限公司 | 一种值班人员违规行为检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
SIMPLE ONLINE AND REALTIME TRACKING WITH A DEEP ASSOCIATION METRIC;Nicolai Wojke et al;《arXiv:1703.07402v1》;20170321;第2节 * |
机场智能视频监控中异常行为检测与目标跟踪算法研究;王跃东;《中国优秀硕士学位论文全文数据库信息科技辑》;20180315;第五章第5.1-5.2节 * |
监测视频中学生异常行为的判定方法研究;张金鹏;《中国优秀硕士学位论文全文数据库信息科技辑》;20181015;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110689054A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689054B (zh) | 一种工人违规行为监测方法 | |
CN118072255B (zh) | 一种智慧园区多源数据动态监控和实时分析系统及方法 | |
Zhang et al. | Automated detection of grade-crossing-trespassing near misses based on computer vision analysis of surveillance video data | |
CN103839085B (zh) | 一种列车车厢异常人群密度的检测方法 | |
CN111429726B (zh) | 一种监控视频违停车辆检测、管理方法及对应的系统 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
KR20100119476A (ko) | 연속류도로 사고 및 돌발 자동판별 검지시스템 및 그 방법 | |
CN106355162A (zh) | 一种基于视频监控的入侵检测方法 | |
CN108197575A (zh) | 一种基于目标检测和骨点检测的异常行为识别方法及装置 | |
KR102185225B1 (ko) | 딥러닝 및 데이터 결합을 이용한 싱크홀 탐지방법 및 이를 이용한 싱크홀 탐지시스템 | |
CN114708555A (zh) | 基于数据处理的森林防火监控方法及电子设备 | |
CN112132048A (zh) | 一种基于计算机视觉的社区巡更分析方法及系统 | |
CN113191273A (zh) | 基于神经网络的油田井场视频目标检测与识别方法及系统 | |
KR102263512B1 (ko) | 스마트 객체인식이 가능한 IoT 통합 지능형 영상분석 플랫폼 시스템 | |
CN210666820U (zh) | 一种基于dsp边缘计算的行人异常行为检测系统 | |
CN116419059A (zh) | 基于行为标签的自动监控方法、装置、设备及介质 | |
KR101581162B1 (ko) | 실시간 영상 기반의 화염, 연기 및 물체 움직임 자동 감지 방법, 장치 및 시스템 | |
CN118486152B (zh) | 安防告警信息数据交互系统及方法 | |
CN105095891A (zh) | 一种人脸捕捉的方法,装置及系统 | |
CN107729811B (zh) | 一种基于场景建模的夜间火焰检测方法 | |
Fratama et al. | Real-time multiple vehicle counter using background subtraction for traffic monitoring system | |
CN118447442A (zh) | 基于图像逆向运算与ai识别的智能安全帽系统 | |
CN114241401B (zh) | 异常判定方法、装置、设备、介质及产品 | |
CN117172984A (zh) | 基于设备检修数字孪生场景的安全风险识别方法及系统 | |
Noor et al. | Automatic parking slot occupancy detection using Laplacian operator and morphological kernel dilation |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220401 |