CN111091110B - 一种基于人工智能的反光背心穿戴识别方法 - Google Patents
一种基于人工智能的反光背心穿戴识别方法 Download PDFInfo
- Publication number
- CN111091110B CN111091110B CN201911348698.5A CN201911348698A CN111091110B CN 111091110 B CN111091110 B CN 111091110B CN 201911348698 A CN201911348698 A CN 201911348698A CN 111091110 B CN111091110 B CN 111091110B
- Authority
- CN
- China
- Prior art keywords
- pictures
- pixels
- training
- reflective vest
- picture
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 238000002372 labelling Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 abstract description 3
- 238000011897 real-time detection Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明的基于人工智能的反光背心穿戴识别方法，包括：a).获得工程作业人员穿戴反光背心的影像与图片；b).对图片进行人工标注，标注点为是否穿戴了反光背心；c).在训练集上进行训练，提取反光背心的特征，反光背心特征表示为神经网络模型中训练出的各项权重；d).最终模型训练完毕在测试集上的准确率达到99.5%，远超出正常人的平均识别率；e).将训练完成的目标检测网络部署到监控设备上，进行实时检测。本发明的目标检测网络反光背心识别方法，对输入图片进行优化处理，提高了检测效率和识别精度，可准确识别出所道路或工程现场为按规定穿戴安全背心的人员，并发出报警信息，确保了有关人员的生命财产安全。
Description
技术领域
本发明涉及一种基于人工智能的反光背心穿戴识别方法，更具体的说，尤其涉及一种部署训练出的神经网络模型可将现场未穿戴反光背心的人员自动识别出来的基于人工智能的反光背心穿戴识别方法。
背景技术
反光背心主要适用于警察、路政人员、公路养护人员、摩托车的驾驶员、以及其它需要用反光警示安全的人员，以便车辆驾驶员在较远距离即可发现穿戴反光背心的人员，进行减速和避让。譬如交通警察在道路上处理交通事故时，事故车辆可能占用行车道，交通警察也需要在行车道中查验相关情况；再如路政人员或公路养护人员，其在道路上工作的时间更长、频率更高。在这些应用场合中，都有安全规范要求现场人员必须穿戴反光背心，但仍有某些存在侥幸心理的人不按规定执行，从而带来了极大的安全隐患。目前反光背心穿戴只能依靠人工检查，对于很多野外施工的情况，监查非常困难，因此本发明提出一种通过计算机图像识别技术自动识别施工人员的反光背心是否穿戴的有效方法。
发明内容
本发明为了克服上述技术问题的缺点，提供了一种可将现场未穿戴反光背心的人员自动识别出来的基于人工智能的反光背心穿戴识别方法。
本发明的基于人工智能的反光背心穿戴识别方法，其特征在于，通过以下步骤来实现：
a).建立训练素材库，收集所有款式的工程中使用的反光背心，在施工现场安排工程作业人员穿戴，然后通过视频和拍照获得各个方位、各种样式、各种背景以及各种光线下工程作业人员穿戴反光背心的影像与图片，将影像图片进行剪切，形成图片，并通过图像工具将图片处理为统一的正方形尺寸；
b).标注图片，对经步骤a)处理后的图片进行人工标注，标注点为是否穿戴了反光背心，标注完成后，得到一个人体穿戴反光背心情景的数据集；
c).训练目标检测网络模型，首先建立基于MobileNetSSD轻量级目标检测网络的神经网络训练模型，将数据集划分为训练集、验证集和测试集，在训练集上进行训练，提取反光背心的特征，反光背心特征表示为神经网络模型中训练出的各项权重；最终获得用于检测反光背心穿戴的专用目标检测网络；
d).检测神经网络准确度，按照7：1：2的比例，将数据分为训练集、验证集、和测试集，共进行100000次迭代，每次迭代集合大小为16张图片，每进行10次迭代通过验证集计算当前损失值和准确率，完成迭代后在测试集上进行最终的准确率的计算，测试结果表明最终的准确率达到99.5％，远超出正常人的平均识别率；
e).模型部署，将训练完成的目标检测网络部署到监控设备上，进行实时检测，当检测出员工未正确佩戴反光背心时，进行语音报警，并通过网络实时上传至电脑终端，便于管理人员进行维护。
本发明的基于人工智能的反光背心穿戴识别方法，步骤a)中，图片处理后的正方形边长不大于450像素，不小于150像素；步骤a)中，共收集了10324张图片，其中正确穿戴反光背心目标有7323个，未正确穿戴反光背心目标有7481个，二者比例接近于1:1。
本发明的基于人工智能的反光背心穿戴识别方法，由于采集的初始图像的分辨率较大，若直接进行调整，则会导致目标人物变形，降低后期的准确率，通过如下步骤对目标图片进行采集：
a-1).原始图片收集，收集的图片尺寸为1920像素*1080像素；
a-2).利用预训练的YOLOV3行人检测网络，对原始图片进行检测，会在每张图片中输出N个矩形检测框，矩形检测框的数量N与图片中行人的数量相等；
a-3).以每个矩形检测框的中心为参考点，在原始图像中截取边长为a的正方形图片，其中边长a符合均值为300像素、方差为1的正态分布，a的概率密度函数如公式(1)所示：
a-4).过滤掉边长小于150和边长大于450的矩形，其余图片作为数据集进行人工标注。
本发明的基于人工智能的反光背心穿戴识别方法，步骤c)在进行训练时，通过以下公式进行卷积操作：
其中，f表示被卷积对象，h表示卷积核，g表示图像经过卷积后的结果。
本发明的基于人工智能的反光背心穿戴识别方法，步骤d)中，在进行训练时，输入图像尺寸为1280像素*720像素，直接缩放至300像素*300像素会造成像素信息丢失，从而导致检测率降低，故采用如下算法进行检测：
d-1).输入1280像素*720像素尺寸原始图片；
d-2).在原始图片上截取4张300像素*300像素大小图片，选择在原始图片下方进行截取；
d-3).依次进行检测，若未检测出目标，返回步骤d-1)，若检测出目标进入步骤d-4)；
d-4).记录目标位置，返回步骤d-1)，并优先根据记录目标位置进行检测。
本发明的基于人工智能的反光背心穿戴识别方法，步骤d)中，在计算每张图片的结果时，利用了非极大值抑制算法，对交并比公式进行基于深度学习，从而使准确率提升，基于深度学习后的交并比公式如下所示：
其中，SA、SB分别代表目标A、目标B的面积大小。
本发明的有益效果是：本发明的基于人工智能的目标检测网络反光背心识别方法，通过MobileNetSSD目标检测网络处理图片特征，获得神经网络模型，对模型进行不断训练，最终准确度较高得网络模型，为反光背心识别提供可靠的依据；本发明中对MobileNetSSD网络候选框进行重新选取，并设计算法对输入图片进行优化处理，提高了检测效率和识别精度，可准确识别出所道路或工程现场为按规定穿戴安全背心的人员，并发出报警信息，以便有关人员采取相应处理，确保了有关人员的生命财产安全，有益效果显著。
附图说明
图1为本发明中识别的穿戴与未穿戴示意图；
图2为本发明的基于人工智能的目标检测网络反光背心识别流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示，给出了本发明中识别的穿戴与未穿戴示意图，图2给出了本发明的基于人工智能的目标检测网络反光背心识别流程图，其通过如下步骤来实现：
a).建立训练素材库，收集所有款式的工程中使用的反光背心，在施工现场安排工程作业人员穿戴，然后通过视频和拍照获得各个方位、各种样式、各种背景以及各种光线下工程作业人员穿戴反光背心的影像与图片，将影像图片进行剪切，形成图片，并通过图像工具将图片处理为统一的正方形尺寸；
该步骤中，图片处理后的正方形边长不大于450像素，不小于150像素；
步骤a)中,由于MobileNetSSD网络，输入图片尺寸为300像素*300像素，但自行收集的图片尺寸为1920像素*1080像素，需降低其分辨率。若直接进行调整，则会导致目标人物变形，降低后期的准确率。所以，通过如下步骤对目标图片进行采集：
a-1).原始图片收集，收集的图片尺寸为1920像素*1080像素；
a-2).利用预训练的YOLOV3行人检测网络，对原始图片进行检测，会在每张图片中输出N个矩形检测框，矩形检测框的数量N与图片中行人的数量相等；
a-3).以每个矩形检测框的中心为参考点，在原始图像中截取边长为a的正方形图片，其中边长a符合均值为300像素、方差为1的正态分布，a的概率密度函数如公式(1)所示：
a-4).过滤掉边长小于150和边长大于450的矩形，其余图片作为数据集进行人工标注。
b).标注图片，对经步骤a)处理后的图片进行人工标注，标注点为是否穿戴了反光背心，标注完成后，得到一个人体穿戴反光背心情景的数据集；
c).训练目标检测网络模型，首先建立基于MobileNetSSD轻量级目标检测网络的神经网络训练模型，将数据集划分为训练集、验证集和测试集，在训练集上进行训练，提取反光背心的特征，反光背心特征表示为神经网络模型中训练出的各项权重；最终获得用于检测反光背心穿戴的专用目标检测网络；
步骤a)中，共收集了10324张图片，其中正确穿戴反光背心目标有7323个，未正确穿戴反光背心目标有7481个，二者比例接近于1:1。
在进行训练时，通过以下公式进行卷积操作：
其中，f表示被卷积对象，h表示卷积核，g表示图像经过卷积后的结果。为了使默认候选框适应标记框大小，采用k-means对长宽比例做了一个聚类分析，最终确定默认框的宽高比例为0.36、0.52、0.87。
该步骤中，神经网络模型定义的参数包括：类别总数、矩形框尺寸、学习率、权重衰减率，然后利用测试样本中的图像进行训练，并输出训练日志；利用测试样本计算准确率的变化，进行交叉验证，完成训练。
d).检测神经网络准确度，按照7：1：2的比例，将数据分为训练集、验证集、和测试集，共进行100000次迭代，每次迭代集合大小为16张图片，每进行10次迭代通过验证集计算当前损失值和准确率，完成迭代后在测试集上进行最终的准确率的计算，测试结果表明最终的准确率达到99.5％，远超出正常人的平均识别率；
在进行训练时，输入图像尺寸为1280像素*720像素，直接缩放至300像素*300像素会造成像素信息丢失，从而导致检测率降低，故采用如下算法进行检测：
d-1).输入1280像素*720像素尺寸原始图片；
d-2).在原始图片上截取4张300像素*300像素大小图片，选择在原始图片下方进行截取；
d-3).依次进行检测，若未检测出目标，返回步骤d-1)，若检测出目标进入步骤d-4)；
d-4).记录目标位置，返回步骤d-1)，并优先根据记录目标位置进行检测。
在计算每张图片的结果时，利用了非极大值抑制算法，对交并比公式进行基于深度学习，从而使准确率提升，基于深度学习后的交并比公式如下所示：
其中，SA、SB分别代表目标A、目标B的面积大小。
该步骤中，在训练神经网络模型过程中，准确率通过公式(4)计算求得：
其中tp为true positives的缩写，其含义是实际为正例且被分类器划分为正例的实例数，fp为false positives的缩写，其含义是实际为负例但被分类器划分为正例的实例数。
e).模型部署，将训练完成的目标检测网络部署到监控设备上，进行实时检测，当检测出员工未正确佩戴反光背心时，进行语音报警，并通过网络实时上传至电脑终端，便于管理人员进行维护。
Claims (4)
1.一种基于人工智能的反光背心穿戴识别方法，其特征在于，通过以下步骤来实现：
a).建立训练素材库，收集所有款式的工程中使用的反光背心，在施工现场安排工程作业人员穿戴，然后通过视频和拍照获得各个方位、各种样式、各种背景以及各种光线下工程作业人员穿戴反光背心的影像与图片，将影像图片进行剪切，形成图片，并通过图像工具将图片处理为统一的正方形尺寸；
b).标注图片，对经步骤a)处理后的图片进行人工标注，标注点为是否穿戴了反光背心，标注完成后，得到一个人体穿戴反光背心情景的数据集；
c).训练目标检测网络模型，首先建立基于MobileNetSSD轻量级目标检测网络的神经网络训练模型，将数据集划分为训练集、验证集和测试集，在训练集上进行训练，提取反光背心的特征，反光背心特征表示为神经网络模型中训练出的各项权重；最终获得用于检测反光背心穿戴的专用目标检测网络；
d).检测神经网络准确度，按照7：1：2的比例，将数据分为训练集、验证集、和测试集，共进行100000次迭代，每次迭代集合大小为16张图片，每进行10次迭代通过验证集计算当前损失值和准确率，完成迭代后在测试集上进行最终的准确率的计算，测试结果表明最终的准确率达到99.5％，远超出正常人的平均识别率；
e).模型部署，将训练完成的目标检测网络部署到监控设备上，进行实时检测，当检测出员工未正确佩戴反光背心时，进行语音报警，并通过网络实时上传至电脑终端，便于管理人员进行维护；
步骤a)中，图片处理后的正方形边长不大于450像素，不小于150像素；步骤a)中，共收集了10324张图片，其中正确穿戴反光背心目标有7323个，未正确穿戴反光背心目标有7481个，二者比例为于1:1；
由于采集的初始图像的分辨率较大，若直接进行调整，则会导致目标人物变形，降低后期的准确率，通过如下步骤对目标图片进行采集：
a-1).原始图片收集，收集的图片尺寸为1920像素*1080像素；
a-2).利用预训练的YOLOV3行人检测网络，对原始图片进行检测，会在每张图片中输出N个矩形检测框，矩形检测框的数量N与图片中行人的数量相等；
a-3).以每个矩形检测框的中心为参考点，在原始图像中截取边长为a的正方形图片，其中边长a符合均值为300像素、方差为1的正态分布，a的概率密度函数如公式(1)所示：
a-4).过滤掉边长小于150和边长大于450的矩形，其余图片作为数据集进行人工标注。
2.根据权利要求1所述的基于人工智能的反光背心穿戴识别方法，其特征在于，步骤c)在进行训练时，通过以下公式进行卷积操作：
其中，f表示被卷积对象，h表示卷积核，g表示图像经过卷积后的结果。
3.根据权利要求1或2所述的基于人工智能的反光背心穿戴识别方法，其特征在于，步骤d)中，在进行训练时，输入图像尺寸为1280像素*720像素，直接缩放至300像素*300像素会造成像素信息丢失，从而导致检测率降低，故采用如下算法进行检测：
d-1).输入1280像素*720像素尺寸原始图片；
d-2).在原始图片上截取4张300像素*300像素大小图片，选择在原始图片下方进行截取；
d-3).依次进行检测，若未检测出目标，返回步骤d-1)，若检测出目标进入步骤d-4)；
d-4).记录目标位置，返回步骤d-1)，并优先根据记录目标位置进行检测。
4.根据权利要求1或2所述的基于人工智能的反光背心穿戴识别方法，其特征在于，步骤d)中，在计算每张图片的结果时，利用了非极大值抑制算法，对交并比公式进行基于深度学习，从而使准确率提升，基于深度学习后的交并比公式如下所示：
其中，SA、SB分别代表目标A、目标B的面积大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911348698.5A CN111091110B (zh) | 2019-12-24 | 2019-12-24 | 一种基于人工智能的反光背心穿戴识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911348698.5A CN111091110B (zh) | 2019-12-24 | 2019-12-24 | 一种基于人工智能的反光背心穿戴识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111091110A CN111091110A (zh) | 2020-05-01 |
| CN111091110B true CN111091110B (zh) | 2023-11-17 |
Family
ID=70396780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911348698.5A Active CN111091110B (zh) | 2019-12-24 | 2019-12-24 | 一种基于人工智能的反光背心穿戴识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091110B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114022685B (zh) * | 2020-07-17 | 2022-10-21 | 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 |
| CN112597902A (zh) * | 2020-12-24 | 2021-04-02 | 上海核工程研究设计院有限公司 | 一种基于核电安全的小目标智能识别方法 |
| CN113158993B (zh) * | 2021-05-21 | 2023-06-09 | 济南博观智能科技有限公司 | 一种多场景反光背心穿戴识别模型创建方法及相关组件 |
| CN113343846B (zh) * | 2021-06-04 | 2024-03-15 | 温州大学 | 一种基于深浅层特征融合的反光衣检测系统 |
| CN115063921B (zh) * | 2022-06-01 | 2023-10-24 | 河海大学 | 一种工地智能闸机系统及搭建方法 |
| CN116958702B (zh) * | 2023-08-01 | 2024-05-24 | 浙江钛比科技有限公司 | 基于边缘人工智能的酒店卫勤人员穿戴检测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109002783A (zh) * | 2018-07-02 | 2018-12-14 | 北京工业大学 | 救援环境中的人体检测以及姿态识别方法 |
| CN109325418A (zh) * | 2018-08-23 | 2019-02-12 | 华南理工大学 | 基于改进YOLOv3的道路交通环境下行人识别方法 |
| CN109670405A (zh) * | 2018-11-23 | 2019-04-23 | 华南理工大学 | 一种基于深度学习的复杂背景行人检测方法 |
| CN110008853A (zh) * | 2019-03-15 | 2019-07-12 | 华南理工大学 | 行人检测网络及模型训练方法、检测方法、介质、设备 |
| CN110287804A (zh) * | 2019-05-30 | 2019-09-27 | 广东电网有限责任公司 | 一种基于移动视频监控的电力作业人员着装识别方法 |
| CN110427920A (zh) * | 2019-08-20 | 2019-11-08 | 武汉大学 | 一种面向监控环境的实时行人解析方法 |
| CN110427873A (zh) * | 2019-07-31 | 2019-11-08 | 苏州奥创智能科技有限公司 | 一种清洗车、应用于环卫领域的智能行人防喷溅系统及方法 |
-
2019
- 2019-12-24 CN CN201911348698.5A patent/CN111091110B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109002783A (zh) * | 2018-07-02 | 2018-12-14 | 北京工业大学 | 救援环境中的人体检测以及姿态识别方法 |
| CN109325418A (zh) * | 2018-08-23 | 2019-02-12 | 华南理工大学 | 基于改进YOLOv3的道路交通环境下行人识别方法 |
| CN109670405A (zh) * | 2018-11-23 | 2019-04-23 | 华南理工大学 | 一种基于深度学习的复杂背景行人检测方法 |
| CN110008853A (zh) * | 2019-03-15 | 2019-07-12 | 华南理工大学 | 行人检测网络及模型训练方法、检测方法、介质、设备 |
| CN110287804A (zh) * | 2019-05-30 | 2019-09-27 | 广东电网有限责任公司 | 一种基于移动视频监控的电力作业人员着装识别方法 |
| CN110427873A (zh) * | 2019-07-31 | 2019-11-08 | 苏州奥创智能科技有限公司 | 一种清洗车、应用于环卫领域的智能行人防喷溅系统及方法 |
| CN110427920A (zh) * | 2019-08-20 | 2019-11-08 | 武汉大学 | 一种面向监控环境的实时行人解析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111091110A (zh) | 2020-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091110B (zh) | 一种基于人工智能的反光背心穿戴识别方法 | |
| CN114627425B (zh) | 一种基于深度学习的检测工人是否佩戴安全帽的方法 | |
| CN110188807A (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
| CN106781458A (zh) | 一种交通事故监控方法及系统 | |
| CN111598066A (zh) | 一种基于级联预测的安全帽佩戴识别方法 | |
| CN111126293A (zh) | 一种火焰和烟雾异常情况检测方法及系统 | |
| CN113516076A (zh) | 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法 | |
| CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
| CN111401188B (zh) | 一种基于人体关键点特征的交警手势识别方法 | |
| CN112287827A (zh) | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统 | |
| CN112183472A (zh) | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 | |
| CN106570440A (zh) | 基于图像分析的人数统计方法和人数统计装置 | |
| CN110557628A (zh) | 一种检测摄像头遮挡的方法、装置及电子设备 | |
| CN115546742A (zh) | 一种基于单目热红外摄像头的铁轨异物识别方法及系统 | |
| CN117726991B (zh) | 一种高空吊篮安全带检测方法及终端 | |
| CN114332739A (zh) | 一种基于运动目标检测和深度学习技术的烟雾检测方法 | |
| 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 | |
| CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
| CN113158954A (zh) | 交通非现场的基于ai技术的斑马线区域自动检测方法 | |
| CN110796008A (zh) | 一种基于视频图像的早期火灾检测方法 | |
| CN113869290B (zh) | 一种基于人工智能技术的消防通道占用识别方法和装置 | |
| CN116311071A (zh) | 一种融合帧差和ca的变电站周界异物识别方法及系统 | |
| CN115311458A (zh) | 基于多任务学习的实时高速公路行人闯入事件检测方法 | |
| CN111914704B (zh) | 一种三轮车载人的识别方法、装置、电子设备及存储介质 | |
| Parsola et al. | Automated system for road extraction and traffic volume estimation for traffic jam detection |
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 |