CN110826514A - 一种基于深度学习的施工现场违章智能识别方法 - Google Patents
一种基于深度学习的施工现场违章智能识别方法 Download PDFInfo
- Publication number
- CN110826514A CN110826514A CN201911105719.0A CN201911105719A CN110826514A CN 110826514 A CN110826514 A CN 110826514A CN 201911105719 A CN201911105719 A CN 201911105719A CN 110826514 A CN110826514 A CN 110826514A
- Authority
- CN
- China
- Prior art keywords
- violation
- deep learning
- feature
- image
- model
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 230000006399 behavior Effects 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 239000000463 material Substances 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000013480 data collection Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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
- 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
- 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
一种基于深度学习的施工现场违章智能识别方法,涉及电力施工巡视技术领域,包括视频图像样本数据收集、人工图像标定、构建模型、模型训练、模型评估等步骤,模型训练是基于深度学习的智能算法,采用改进的SSD算法进行目标检测,通过在不同卷积层的特征图上预测物体区域,输出离散化的多尺度、多比例的默认框坐标,同时利用小卷积核预测一系列候选框的边框坐标补偿和每个类别的置信度。本发明的有益效果在于:本发明采用深度学习的智能算法进行模型训练,速度更快,精度更高,实现对基建现场常见的违章操作及行为进行智能识别,实现自动在线识别告警。
Description
技术领域
本发明涉及电力施工巡视技术领域,具体是涉及一种基于深度学习的施工现场违章智能识别方法。
背景技术
随着社会经济的飞速发展、城市规模的不断扩大、工业经济的不断增长,为满足社会及经济的快速提升需要,电网工程建设规模也日益增加。早期的现场安全管控工作仅仅依靠文件要求、文字反馈、现场检查、暗访等手段来提高作业现场安全管理水平,但对于电力施工“点多、面广、周期不定”的特点,却不能全方位、全过程、全天候的对作业现场进行监督,同时还需要耗费大批人力物力。
目前主要采用视频监控系统对电力施工场景、重点工作区域及特定的施工场地出入口的视频和图像进行远程采样和识别分析,但由于大部分电网工程的施工周期较短,因此布置固定的视频监控系统并不适合,因此通常在施工作业现场中的监控设备采用移动监控设备,如移动布控球和单兵,以缩短前期设备布置周期。而移动监控设备采集到的视频画面通常存在着场景不固定,环境复杂、光线多变等情况,传统的数据处理识别方法不能达到准确、快速的识别和判断。
亟需基于人工智能技术,实现了违章智能识别功能,对现场违章行为自动研判、主动报警、日志记录,实现了从远程巡检到智能巡检的突破。
发明内容
为了克服现有技术存在的缺点,本发明提出了一种基于深度学习的施工现场违章智能识别方法。基于深度学习智能算法,训练算法模型,实现对基建现场常见的脚手架搭设、高空作业人员行为、防坠自锁器使用、大型起吊设备挂钩保险、钢丝绳紧固线卡、基坑堆土高度及围栏临边距离等违章行为进行智能识别,实现自动在线识别告警。
本发明提供一种基于深度学习的施工现场违章智能识别方法,包括以下步骤:
第一步,视频图像样本数据收集,针对每类目标违章行为收集图像素材样本;
第二步,人工图像标定,通过人工将搜集到的目标图像进行分类,并分别在图像素材上进行手动标定,将图像中的违章行为通过不同的矩形框标注;如未佩戴安全帽、未穿戴红黄马甲、现场无人等,违章行为样本作为算法学习的正样本,无违章行为作为算法排除的负样本;
第三步,构建模型,利用Tensorflow算法将目标违章行为的纹理特征、形状特征、空间关系特征进行提取,并对提取出来的特征信息进行分类训练,输出形成可识别各类目标违章行为的检测模型;
第四步,模型训练,基于已标定的正负样本进行自主特征学习,优化模型特征参数,并根据检测结果进行纠偏及标定,标定后的素材进行重新训练,通过不断迭代形成高可用的分析模型;
第五步,模型评估,通过现场测试验证违章智能识别模型,违章信息进行智能识别。对未佩戴安全帽告警、作业负责人未到场(无红黄马甲人员)等违章信息进行智能识别。
所述的视频图像样本数据收集,针对每类目标违章行为搜集大量图像素材样本,保证素材的多样化;每类目标违章行为的素材场景越丰富、图像质量越高、施工现场画面越清晰,越有利于算法的学习,越能够提高识别的准确率;
所述的第四步模型训练采用改进的SSD算法进行目标检测,通过在不同卷积层的特征图上预测物体区域,输出离散化的多尺度、多比例的默认框平行坐标,同时利用小卷积核预测一系列候选框的边框坐标补偿和每个类别的置信度;在整幅图像上各个位置用多尺度区域的局部特征图边框回归。保持YOLO算法快速特性的同时,也保证了边框定位效果和FasterR-CNN类似。但因其利用多层次特征分类,导致其对于小目标检测困难,最后一个卷积层的感受野范围很大,使得小目标特征不明显。
所述的改进的SSD算法,采用多尺度特征图检测,将卷积特征层添加到截断的基础网络的末尾,卷积特征层尺寸逐渐减小,得到多个尺度检测的预测值,检测的卷积模型对于每个卷积特征层是不同的;
所述的改进的SSD算法,检测的卷积预测器:每个添加的卷积特征层或可选的基础网络的现有卷积特征层可以使用一组卷积滤波器产生固定的预测集合;对于具有p个通道的大小为m×n的特征层,使用3×3×p卷积核卷积操作,产生类别的分数或相对于默认框的坐标偏移。在每个应用卷积核运算的m×n大小位置处,产生一个输出值。边界框偏移输出值是相对于默认框测量,默认框位置则相对于特征图。
所述的改进的SSD算法,默认框与宽高比:将一组默认边界框与顶层网络每个特征图单元关联,默认框对特征图作卷积运算,使得每个框实例相对于其对应单元格的位置是固定的;在每个特征映射单元中,预测相对于单元格中的默认框形状的偏移,以及每个框中实例的每类分数;具体来说,对于在给定位置的k个框中每个框,计算c类分数和相对于原始默认框的4个偏移量。这使得在特征图中的每个位置需要总共(c+4)k个滤波器,对于m×n特征图产生(c+4)k*m*n个输出;默认框类似于FasterR-CNN[2]中使用的anchorboxes,但将其应用于不同分辨率的特征图中;在多个特征图中使用不同的默认框形状,可以有效地离散可能的输出框形状空间;
通过上边的公式能够发现其实交并比就是IOU,即两个集合的交集除以两个集合的并集。
所述的改进的SSD算法,数据增广为:针对每一张训练图像,随机采样一个图像块,当标注数据的中心在采样的图像块中时,保留重叠部分;在多次采样步骤之后,每一个采样的图像块被改变到固定的大小,并且以0.5,0.5的概率随机的水平翻转。
本发明的有益效果在于:
提高巡检人员的巡视效率,真正做到施工现场违章行为第一时间发现、第一时间处置、第一时间解决,利用深度学习方法及视频处理分析技术,实现了违章智能识别功能,能够对现场违章行为自动研判、主动报警、日志记录,实现了从远程巡检到智能巡检的突破。
实现对基建现场常见的脚手架搭设、高空作业人员行为、防坠自锁器使用、大型起吊设备挂钩保险、钢丝绳紧固线卡、基坑堆土高度及围栏临边距离等违章行为进行智能识别,实现自动在线识别告警。
具体实施方式
实施例1,本发明提供一种基于深度学习的施工现场违章智能识别方法,包括以下步骤:
第一步,视频图像样本数据收集,针对每类目标违章行为收集图像素材样本;
第二步,人工图像标定,通过人工将搜集到的目标图像进行分类,并分别在图像素材上进行手动标定,将图像中的违章行为通过不同的矩形框标注;如未佩戴安全帽、未穿戴红黄马甲、现场无人等,违章行为样本作为算法学习的正样本,无违章行为作为算法排除的负样本;
第三步,构建模型,利用Tensorflow算法将目标违章行为的纹理特征、形状特征、空间关系特征进行提取,并对提取出来的特征信息进行分类训练,输出形成可识别各类目标违章行为的检测模型;
第四步,模型训练,基于已标定的正负样本进行自主特征学习,优化模型特征参数,并根据检测结果进行纠偏及标定,标定后的素材进行重新训练,通过不断迭代形成高可用的分析模型;
第五步,模型评估,通过现场测试验证违章智能识别模型,违章信息进行智能识别。对未佩戴安全帽告警、作业负责人未到场(无红黄马甲人员)等违章信息进行智能识别。
所述的视频图像样本数据收集,针对每类目标违章行为搜集大量图像素材样本,保证素材的多样化;每类目标违章行为的素材场景越丰富、图像质量越高、施工现场画面越清晰,越有利于算法的学习,越能够提高识别的准确率;
所述的第四步模型训练采用改进的SSD算法进行目标检测,通过在不同卷积层的特征图上预测物体区域,输出离散化的多尺度、多比例的默认框平行坐标,同时利用小卷积核预测一系列候选框的边框坐标补偿和每个类别的置信度;在整幅图像上各个位置用多尺度区域的局部特征图边框回归。保持YOLO算法快速特性的同时,也保证了边框定位效果和FasterR-CNN类似。但因其利用多层次特征分类,导致其对于小目标检测困难,最后一个卷积层的感受野范围很大,使得小目标特征不明显。
所述的改进的SSD算法,采用多尺度特征图检测,将卷积特征层添加到截断的基础网络的末尾,卷积特征层尺寸逐渐减小,得到多个尺度检测的预测值,检测的卷积模型对于每个卷积特征层是不同的;
所述的改进的SSD算法,检测的卷积预测器:每个添加的卷积特征层或可选的基础网络的现有卷积特征层可以使用一组卷积滤波器产生固定的预测集合;对于具有p个通道的大小为m×n的特征层,使用3×3×p卷积核卷积操作,产生类别的分数或相对于默认框的坐标偏移。在每个应用卷积核运算的m×n大小位置处,产生一个输出值。边界框偏移输出值是相对于默认框测量,默认框位置则相对于特征图。
所述的改进的SSD算法,默认框与宽高比:将一组默认边界框与顶层网络每个特征图单元关联,默认框对特征图作卷积运算,使得每个框实例相对于其对应单元格的位置是固定的;在每个特征映射单元中,预测相对于单元格中的默认框形状的偏移,以及每个框中实例的每类分数;具体来说,对于在给定位置的k个框中每个框,计算c类分数和相对于原始默认框的4个偏移量。这使得在特征图中的每个位置需要总共(c+4)k个滤波器,对于m×n特征图产生(c+4)k*m*n个输出;默认框类似于FasterR-CNN[2]中使用的anchorboxes,但将其应用于不同分辨率的特征图中;在多个特征图中使用不同的默认框形状,可以有效地离散可能的输出框形状空间;
通过上边的公式能够发现其实交并比就是IOU,即两个集合的交集除以两个集合的并集。
在开始的时候,用多尺度窗口中的最优交并比来匹配每一个标注数据与默认框,这样就能保证每一个标注数据与唯一的一个默认框对应起来,但是又不同于多尺度窗口。
所述的改进的SSD算法,数据增广为:针对每一张训练图像,随机采样一个图像块,当标注数据的中心在采样的图像块中时,保留重叠部分;在多次采样步骤之后,每一个采样的图像块被改变到固定的大小,并且以0.5,0.5的概率随机的水平翻转。
举例说明,使用原始的图像,即采样一个图像块,与物体之间最小的交并比(IOU)为:0.1,0.3,0.5,0.7与0.9,0.1,0.3,0.5,0.7与0.9;随机的采样一个图像块:采样的图像块是原始图像大小比例是[0.1,1][0.1,1],宽高比在1212与22之间;当标注数据的中心在采样的图像块中时,保留重叠部分;在这些采样步骤之后,每一个采样的图像块被改变到固定的大小,并且以0.5,0.5的概率随机的水平翻转。
Claims (7)
1.一种基于深度学习的施工现场违章智能识别方法,其特征在于:包括以下步骤:
第一步,视频图像样本数据收集,针对每类目标违章行为收集图像素材样本;
第二步,人工图像标定,通过人工将搜集到的目标图像进行分类,并分别在图像素材上进行手动标定,将图像中的违章行为通过不同的矩形框标注;违章行为样本作为算法学习的正样本,无违章行为作为算法排除的负样本;
第三步,构建模型,利用Tensorflow算法将目标违章行为的纹理特征、形状特征、空间关系特征进行提取,并对提取出来的特征信息进行分类训练,输出形成可识别各类目标违章行为的检测模型;
第四步,模型训练,基于已标定的正负样本进行自主特征学习,优化模型特征参数,并根据检测结果进行纠偏及标定,标定后的素材进行重新训练,通过不断迭代形成高可用的分析模型;
第五步,模型评估,通过现场测试验证违章智能识别模型,违章信息进行智能识别。
2.根据权利要求1所述的一种基于深度学习的施工现场违章智能识别方法,其特征在于:所述的第四步模型训练采用改进的SSD算法进行目标检测,通过在不同卷积层的特征图上预测物体区域,输出离散化的多尺度、多比例的默认框平行坐标,同时利用小卷积核预测一系列候选框的边框坐标补偿和每个类别的置信度;在整幅图像上各个位置用多尺度区域的局部特征图边框回归。
3.根据权利要求2所述的一种基于深度学习的施工现场违章智能识别方法,其特征在于:所述的改进的SSD算法,采用多尺度特征图检测,将卷积特征层添加到截断的基础网络的末尾,卷积特征层尺寸逐渐减小,得到多个尺度检测的预测值,检测的卷积模型对于每个卷积特征层是不同的。
4.根据权利要求3所述的一种基于深度学习的施工现场违章智能识别方法,其特征在于:所述的改进的SSD算法,检测的卷积预测器:每个添加的卷积特征层或可选的基础网络的现有卷积特征层可以使用一组卷积滤波器产生固定的预测集合。
5.根据权利要求4所述的一种基于深度学习的施工现场违章智能识别方法,其特征在于:所述的改进的SSD算法,默认框与宽高比:将一组默认边界框与顶层网络每个特征图单元关联,默认框对特征图作卷积运算,使得每个框实例相对于其对应单元格的位置是固定的;在每个特征映射单元中,预测相对于单元格中的默认框形状的偏移,以及每个框中实例的每类分数。
6.根据权利要求5所述的一种基于深度学习的施工现场违章智能识别方法,其特征在于:所述的改进的SSD算法所采用的匹配策略为:将默认框与任何的标注数据配对,只需两者之间的交并比大于一个阈值,交并比公式为:。
7.根据权利要求6所述的一种基于深度学习的施工现场违章智能识别方法,其特征在于:所述的改进的SSD算法,数据增广为:针对每一张训练图像,随机采样一个图像块,当标注数据的中心在采样的图像块中时,保留重叠部分;在多次采样步骤之后,每一个采样的图像块被改变到固定的大小,并且以0.5,0.5的概率随机的水平翻转。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911105719.0A CN110826514A (zh) | 2019-11-13 | 2019-11-13 | 一种基于深度学习的施工现场违章智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911105719.0A CN110826514A (zh) | 2019-11-13 | 2019-11-13 | 一种基于深度学习的施工现场违章智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110826514A true CN110826514A (zh) | 2020-02-21 |
Family
ID=69554714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911105719.0A Pending CN110826514A (zh) | 2019-11-13 | 2019-11-13 | 一种基于深度学习的施工现场违章智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826514A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382787A (zh) * | 2020-03-06 | 2020-07-07 | 芯薇(上海)智能科技有限公司 | 一种基于深度学习的目标检测方法 |
CN111401210A (zh) * | 2020-03-11 | 2020-07-10 | 北京航天自动控制研究所 | 一种基于模板框增广的提高小目标检测稳定性的方法 |
CN111553305A (zh) * | 2020-05-09 | 2020-08-18 | 中国石油天然气集团有限公司 | 一种违章视频识别系统和方法 |
CN111860283A (zh) * | 2020-07-15 | 2020-10-30 | 西安米克斯智能技术有限公司 | 一种视频识别中违章行为证据采集系统及方法 |
CN111881970A (zh) * | 2020-07-23 | 2020-11-03 | 国网天津市电力公司 | 一种基于深度学习的外破图像智能识别方法 |
CN111985416A (zh) * | 2020-08-24 | 2020-11-24 | 国网河北省电力有限公司 | 基于图像识别的施工安全隔离设施合规性监测方法 |
CN112347916A (zh) * | 2020-11-05 | 2021-02-09 | 安徽继远软件有限公司 | 基于视频图像分析的电力现场作业安全监控方法及装置 |
CN112614121A (zh) * | 2020-12-29 | 2021-04-06 | 国网青海省电力公司海南供电公司 | 一种多尺度小目标设备缺陷识别监测方法 |
CN112613454A (zh) * | 2020-12-29 | 2021-04-06 | 国网山东省电力公司建设公司 | 一种电力基建施工现场违章识别方法及系统 |
CN112613453A (zh) * | 2020-12-29 | 2021-04-06 | 国网山东省电力公司建设公司 | 一种用于电力基建施工现场违章排查方法及系统 |
CN112818768A (zh) * | 2021-01-19 | 2021-05-18 | 南京邮电大学 | 一种基于元学习的变电站改扩建违章行为智能化识别方法 |
CN112989099A (zh) * | 2021-05-14 | 2021-06-18 | 赣通通信股份有限公司 | 基于图像通信的智慧施工管理系统和方法 |
CN113158752A (zh) * | 2021-02-05 | 2021-07-23 | 国网河南省电力公司鹤壁供电公司 | 一种电力员工进场作业智能安全管控系统 |
CN113269710A (zh) * | 2021-03-19 | 2021-08-17 | 广州天越电子科技有限公司 | 一种基于目标检测的aau施工工艺检测系统 |
CN114022685A (zh) * | 2020-07-17 | 2022-02-08 | 南京南瑞信息通信科技有限公司 | 一种安全员位置检测方法及系统 |
CN114187559A (zh) * | 2020-09-15 | 2022-03-15 | 中国电建集团华东勘测设计研究院有限公司 | 一种建筑施工现场不同机械设备识别方法 |
CN116108397A (zh) * | 2022-12-22 | 2023-05-12 | 福建亿榕信息技术有限公司 | 融合多模态数据分析的电力现场作业违章行为识别方法 |
CN116310979A (zh) * | 2023-03-16 | 2023-06-23 | 国网甘肃省电力公司电力科学研究院 | 图像识别方法、风险管控平台及方法、安全管控平台 |
CN117115169A (zh) * | 2023-10-25 | 2023-11-24 | 宁波吉烨汽配模具有限公司 | 一种汽车配件压铸模具表面形变异常智能识别方法 |
Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611162A (zh) * | 2016-12-20 | 2017-05-03 | 西安电子科技大学 | 基于深度学习ssd框架的道路车辆实时检测方法 |
CN106845415A (zh) * | 2017-01-23 | 2017-06-13 | 中国石油大学(华东) | 一种基于深度学习的行人精细化识别方法及装置 |
CN107247957A (zh) * | 2016-12-16 | 2017-10-13 | 广州中国科学院先进技术研究所 | 一种基于深度学习和云计算的智能农产品分类方法及系统 |
CN107633210A (zh) * | 2017-08-28 | 2018-01-26 | 上海欧忆能源科技有限公司 | 工地违章登高监控系统、方法、装置、介质及设备 |
CN107741231A (zh) * | 2017-10-11 | 2018-02-27 | 福州大学 | 一种基于机器视觉的多运动目标快速测距方法 |
CN107808425A (zh) * | 2017-11-28 | 2018-03-16 | 刘松林 | 基于无人机航拍影像的油气管线巡检系统及其巡检方法 |
CN107862249A (zh) * | 2017-10-18 | 2018-03-30 | 太原理工大学 | 一种分叉掌纹识别方法及装置 |
CN108307150A (zh) * | 2017-12-29 | 2018-07-20 | 安徽博诺思信息科技有限公司 | 一种具备人员管控功能的可视化现场监控系统及方法 |
CN108304787A (zh) * | 2018-01-17 | 2018-07-20 | 河南工业大学 | 基于卷积神经网络的道路目标检测方法 |
CN108491830A (zh) * | 2018-04-23 | 2018-09-04 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的施工现场人员制服穿着识别的方法 |
CN108597053A (zh) * | 2018-04-25 | 2018-09-28 | 北京御航智能科技有限公司 | 基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法 |
CN108960198A (zh) * | 2018-07-28 | 2018-12-07 | 天津大学 | 一种基于残差ssd模型的交通标志检测与识别方法 |
CN109034210A (zh) * | 2018-07-04 | 2018-12-18 | 国家新闻出版广电总局广播科学研究院 | 基于超特征融合与多尺度金字塔网络的目标检测方法 |
CN109191455A (zh) * | 2018-09-18 | 2019-01-11 | 西京学院 | 一种基于ssd卷积网络的大田作物病虫害检测方法 |
CN109325947A (zh) * | 2018-09-20 | 2019-02-12 | 北京航空航天大学 | 一种基于深度学习的sar图像铁塔目标检测方法 |
CN109344821A (zh) * | 2018-08-30 | 2019-02-15 | 西安电子科技大学 | 基于特征融合和深度学习的小目标检测方法 |
US20190065962A1 (en) * | 2017-08-22 | 2019-02-28 | Syntiant | Systems And Methods For Determining Circuit-Level Effects On Classifier Accuracy |
CN109447168A (zh) * | 2018-11-05 | 2019-03-08 | 江苏德劭信息科技有限公司 | 一种基于深度特征和视频目标检测的安全帽佩戴检测方法 |
CN109522963A (zh) * | 2018-11-26 | 2019-03-26 | 北京电子工程总体研究所 | 一种单机运行的特征建筑目标检测方法和系统 |
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 |
CN109711262A (zh) * | 2018-11-28 | 2019-05-03 | 大连理工大学 | 一种基于深度卷积神经网络的智能挖掘机行人检测方法 |
CN109886230A (zh) * | 2019-02-28 | 2019-06-14 | 中南大学 | 一种图像目标检测方法及装置 |
CN110059558A (zh) * | 2019-03-15 | 2019-07-26 | 江苏大学 | 一种基于改进ssd网络的果园障碍物实时检测方法 |
CN110084299A (zh) * | 2019-04-24 | 2019-08-02 | 中国人民解放军国防科技大学 | 基于多头融合注意力的目标检测方法和装置 |
CN110110783A (zh) * | 2019-04-30 | 2019-08-09 | 天津大学 | 一种基于多层特征图连接的深度学习目标检测方法 |
CN110147570A (zh) * | 2019-04-11 | 2019-08-20 | 江苏大学 | 一种基于纹理和形状特征的电子元件识别的方法 |
CN110188628A (zh) * | 2019-05-13 | 2019-08-30 | 北京遥感设备研究所 | 一种基于深度学习模型的rd图像舰船目标识别方法 |
CN110189317A (zh) * | 2019-05-30 | 2019-08-30 | 上海卡罗网络科技有限公司 | 一种基于深度学习的道路影像智能采集和识别方法 |
CN110210497A (zh) * | 2019-05-27 | 2019-09-06 | 华南理工大学 | 一种鲁棒实时焊缝特征检测方法 |
CN110232316A (zh) * | 2019-05-05 | 2019-09-13 | 杭州电子科技大学 | 一种基于改进的dsod模型的车辆检测与识别方法 |
CN110362907A (zh) * | 2019-07-03 | 2019-10-22 | 安徽继远软件有限公司 | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 |
-
2019
- 2019-11-13 CN CN201911105719.0A patent/CN110826514A/zh active Pending
Patent Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247957A (zh) * | 2016-12-16 | 2017-10-13 | 广州中国科学院先进技术研究所 | 一种基于深度学习和云计算的智能农产品分类方法及系统 |
CN106611162A (zh) * | 2016-12-20 | 2017-05-03 | 西安电子科技大学 | 基于深度学习ssd框架的道路车辆实时检测方法 |
CN106845415A (zh) * | 2017-01-23 | 2017-06-13 | 中国石油大学(华东) | 一种基于深度学习的行人精细化识别方法及装置 |
US20190065962A1 (en) * | 2017-08-22 | 2019-02-28 | Syntiant | Systems And Methods For Determining Circuit-Level Effects On Classifier Accuracy |
CN107633210A (zh) * | 2017-08-28 | 2018-01-26 | 上海欧忆能源科技有限公司 | 工地违章登高监控系统、方法、装置、介质及设备 |
CN107741231A (zh) * | 2017-10-11 | 2018-02-27 | 福州大学 | 一种基于机器视觉的多运动目标快速测距方法 |
CN107862249A (zh) * | 2017-10-18 | 2018-03-30 | 太原理工大学 | 一种分叉掌纹识别方法及装置 |
CN107808425A (zh) * | 2017-11-28 | 2018-03-16 | 刘松林 | 基于无人机航拍影像的油气管线巡检系统及其巡检方法 |
CN108307150A (zh) * | 2017-12-29 | 2018-07-20 | 安徽博诺思信息科技有限公司 | 一种具备人员管控功能的可视化现场监控系统及方法 |
CN108304787A (zh) * | 2018-01-17 | 2018-07-20 | 河南工业大学 | 基于卷积神经网络的道路目标检测方法 |
CN108491830A (zh) * | 2018-04-23 | 2018-09-04 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的施工现场人员制服穿着识别的方法 |
CN108597053A (zh) * | 2018-04-25 | 2018-09-28 | 北京御航智能科技有限公司 | 基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法 |
CN109034210A (zh) * | 2018-07-04 | 2018-12-18 | 国家新闻出版广电总局广播科学研究院 | 基于超特征融合与多尺度金字塔网络的目标检测方法 |
CN108960198A (zh) * | 2018-07-28 | 2018-12-07 | 天津大学 | 一种基于残差ssd模型的交通标志检测与识别方法 |
CN109344821A (zh) * | 2018-08-30 | 2019-02-15 | 西安电子科技大学 | 基于特征融合和深度学习的小目标检测方法 |
CN109191455A (zh) * | 2018-09-18 | 2019-01-11 | 西京学院 | 一种基于ssd卷积网络的大田作物病虫害检测方法 |
CN109325947A (zh) * | 2018-09-20 | 2019-02-12 | 北京航空航天大学 | 一种基于深度学习的sar图像铁塔目标检测方法 |
CN109447168A (zh) * | 2018-11-05 | 2019-03-08 | 江苏德劭信息科技有限公司 | 一种基于深度特征和视频目标检测的安全帽佩戴检测方法 |
CN109522963A (zh) * | 2018-11-26 | 2019-03-26 | 北京电子工程总体研究所 | 一种单机运行的特征建筑目标检测方法和系统 |
CN109711262A (zh) * | 2018-11-28 | 2019-05-03 | 大连理工大学 | 一种基于深度卷积神经网络的智能挖掘机行人检测方法 |
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 |
CN109886230A (zh) * | 2019-02-28 | 2019-06-14 | 中南大学 | 一种图像目标检测方法及装置 |
CN110059558A (zh) * | 2019-03-15 | 2019-07-26 | 江苏大学 | 一种基于改进ssd网络的果园障碍物实时检测方法 |
CN110147570A (zh) * | 2019-04-11 | 2019-08-20 | 江苏大学 | 一种基于纹理和形状特征的电子元件识别的方法 |
CN110084299A (zh) * | 2019-04-24 | 2019-08-02 | 中国人民解放军国防科技大学 | 基于多头融合注意力的目标检测方法和装置 |
CN110110783A (zh) * | 2019-04-30 | 2019-08-09 | 天津大学 | 一种基于多层特征图连接的深度学习目标检测方法 |
CN110232316A (zh) * | 2019-05-05 | 2019-09-13 | 杭州电子科技大学 | 一种基于改进的dsod模型的车辆检测与识别方法 |
CN110188628A (zh) * | 2019-05-13 | 2019-08-30 | 北京遥感设备研究所 | 一种基于深度学习模型的rd图像舰船目标识别方法 |
CN110210497A (zh) * | 2019-05-27 | 2019-09-06 | 华南理工大学 | 一种鲁棒实时焊缝特征检测方法 |
CN110189317A (zh) * | 2019-05-30 | 2019-08-30 | 上海卡罗网络科技有限公司 | 一种基于深度学习的道路影像智能采集和识别方法 |
CN110362907A (zh) * | 2019-07-03 | 2019-10-22 | 安徽继远软件有限公司 | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 |
Non-Patent Citations (2)
Title |
---|
刘文华等: "智能识别算法在无人机巡线中的应用研究", 《中国管理信息化》 * |
张明媛等: "基于深度学习的建筑工人安全帽佩戴识别研究", 《安全与环境学报》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111382787A (zh) * | 2020-03-06 | 2020-07-07 | 芯薇(上海)智能科技有限公司 | 一种基于深度学习的目标检测方法 |
CN111401210A (zh) * | 2020-03-11 | 2020-07-10 | 北京航天自动控制研究所 | 一种基于模板框增广的提高小目标检测稳定性的方法 |
CN111401210B (zh) * | 2020-03-11 | 2023-08-04 | 北京航天自动控制研究所 | 一种基于模板框增广的提高小目标检测稳定性的方法 |
CN111553305A (zh) * | 2020-05-09 | 2020-08-18 | 中国石油天然气集团有限公司 | 一种违章视频识别系统和方法 |
CN111553305B (zh) * | 2020-05-09 | 2023-05-05 | 中国石油天然气集团有限公司 | 一种违章视频识别系统和方法 |
CN111860283A (zh) * | 2020-07-15 | 2020-10-30 | 西安米克斯智能技术有限公司 | 一种视频识别中违章行为证据采集系统及方法 |
CN111860283B (zh) * | 2020-07-15 | 2023-10-31 | 西安米克斯智能技术有限公司 | 一种视频识别中违章行为证据采集系统及方法 |
CN114022685A (zh) * | 2020-07-17 | 2022-02-08 | 南京南瑞信息通信科技有限公司 | 一种安全员位置检测方法及系统 |
CN111881970A (zh) * | 2020-07-23 | 2020-11-03 | 国网天津市电力公司 | 一种基于深度学习的外破图像智能识别方法 |
CN111985416A (zh) * | 2020-08-24 | 2020-11-24 | 国网河北省电力有限公司 | 基于图像识别的施工安全隔离设施合规性监测方法 |
CN114187559A (zh) * | 2020-09-15 | 2022-03-15 | 中国电建集团华东勘测设计研究院有限公司 | 一种建筑施工现场不同机械设备识别方法 |
CN114187559B (zh) * | 2020-09-15 | 2022-12-13 | 中国电建集团华东勘测设计研究院有限公司 | 一种建筑施工现场不同机械设备识别方法 |
CN112347916B (zh) * | 2020-11-05 | 2023-11-17 | 安徽继远软件有限公司 | 基于视频图像分析的电力现场作业安全监控方法及装置 |
CN112347916A (zh) * | 2020-11-05 | 2021-02-09 | 安徽继远软件有限公司 | 基于视频图像分析的电力现场作业安全监控方法及装置 |
CN112614121A (zh) * | 2020-12-29 | 2021-04-06 | 国网青海省电力公司海南供电公司 | 一种多尺度小目标设备缺陷识别监测方法 |
CN112613454A (zh) * | 2020-12-29 | 2021-04-06 | 国网山东省电力公司建设公司 | 一种电力基建施工现场违章识别方法及系统 |
CN112613453A (zh) * | 2020-12-29 | 2021-04-06 | 国网山东省电力公司建设公司 | 一种用于电力基建施工现场违章排查方法及系统 |
CN112818768B (zh) * | 2021-01-19 | 2022-08-26 | 南京邮电大学 | 一种基于元学习的变电站改扩建违章行为智能化识别方法 |
CN112818768A (zh) * | 2021-01-19 | 2021-05-18 | 南京邮电大学 | 一种基于元学习的变电站改扩建违章行为智能化识别方法 |
CN113158752A (zh) * | 2021-02-05 | 2021-07-23 | 国网河南省电力公司鹤壁供电公司 | 一种电力员工进场作业智能安全管控系统 |
CN113269710A (zh) * | 2021-03-19 | 2021-08-17 | 广州天越电子科技有限公司 | 一种基于目标检测的aau施工工艺检测系统 |
CN113269710B (zh) * | 2021-03-19 | 2024-04-09 | 广州天越电子科技有限公司 | 一种基于目标检测的aau施工工艺检测系统 |
CN112989099A (zh) * | 2021-05-14 | 2021-06-18 | 赣通通信股份有限公司 | 基于图像通信的智慧施工管理系统和方法 |
CN116108397A (zh) * | 2022-12-22 | 2023-05-12 | 福建亿榕信息技术有限公司 | 融合多模态数据分析的电力现场作业违章行为识别方法 |
CN116108397B (zh) * | 2022-12-22 | 2024-01-09 | 福建亿榕信息技术有限公司 | 融合多模态数据分析的电力现场作业违章行为识别方法 |
CN116310979A (zh) * | 2023-03-16 | 2023-06-23 | 国网甘肃省电力公司电力科学研究院 | 图像识别方法、风险管控平台及方法、安全管控平台 |
CN116310979B (zh) * | 2023-03-16 | 2024-02-02 | 国网甘肃省电力公司电力科学研究院 | 图像识别方法、风险管控平台及方法、安全管控平台 |
CN117115169A (zh) * | 2023-10-25 | 2023-11-24 | 宁波吉烨汽配模具有限公司 | 一种汽车配件压铸模具表面形变异常智能识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826514A (zh) | 一种基于深度学习的施工现场违章智能识别方法 | |
Du et al. | Pavement distress detection and classification based on YOLO network | |
CN108509954A (zh) | 一种实时交通场景的多车牌动态识别方法 | |
CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
CN110717903A (zh) | 一种利用计算机视觉技术进行农作物病害检测的方法 | |
Ma et al. | A real-time crack detection algorithm for pavement based on CNN with multiple feature layers | |
CN111881730A (zh) | 一种火电厂现场安全帽佩戴检测方法 | |
CN111754498A (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN111458721B (zh) | 一种暴露垃圾的识别定位方法、装置及系统 | |
CN110298265A (zh) | 一种基于yolo神经网络的电梯中特定目标检测方法 | |
CN110728252B (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
CN111914634A (zh) | 一种抗复杂场景干扰的井盖类别自动检测方法和系统 | |
CN112613454A (zh) | 一种电力基建施工现场违章识别方法及系统 | |
CN108229524A (zh) | 一种基于遥感图像的烟囱和冷凝塔检测方法 | |
CN111881970A (zh) | 一种基于深度学习的外破图像智能识别方法 | |
CN112700444A (zh) | 基于自注意力与中心点回归模型的桥梁螺栓检测方法 | |
CN114882410B (zh) | 基于改进定位损失函数的隧道顶灯故障检测方法及系统 | |
Tao et al. | Smoky vehicle detection based on range filtering on three orthogonal planes and motion orientation histogram | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN104331708B (zh) | 一种人行横道线自动检测分析方法及系统 | |
CN116884192A (zh) | 一种电力生产作业风险预警方法、系统和设备 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
Zhao et al. | RGR-Net: Refined Graph Reasoning Network for multi-height hotspot defect detection in photovoltaic farms | |
CN112052824A (zh) | 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、系统及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |