CN111191581B - 基于电力施工的安全帽检测方法、装置和计算机设备 - Google Patents
基于电力施工的安全帽检测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111191581B CN111191581B CN201911383180.5A CN201911383180A CN111191581B CN 111191581 B CN111191581 B CN 111191581B CN 201911383180 A CN201911383180 A CN 201911383180A CN 111191581 B CN111191581 B CN 111191581B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- safety helmet
- detection result
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 127
- 238000010276 construction Methods 0.000 title claims abstract description 73
- 238000012544 monitoring process Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012806 monitoring device Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy 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
-
- 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
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种基于电力施工的安全帽检测方法、装置和计算机设备。所述方法包括：根据预设频率获取监控设备采集的初始图像；对所述初始图像进行特征提取，得到图像特征；调用预设分类模型，基于所述图像特征进行分类处理，得到头部区域；在所述初始图像中截取与所述头部区域相匹配的目标图像；根据所述目标图像进行安全帽检测，得到检测结果；当所述检测结果为不存在安全帽时，生成告警提示信息。采用本方法能够有效的提高安全帽检测的准确性。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于电力施工的安全帽检测方法、装置、计算机设备和存储介质。
背景技术
安全帽是指对施工人员头部受坠落物及其他特定因素引起的伤害起防护作用的头部防护装备。在电力施工过程中，施工人员佩戴安全帽可以对头部起到保护作用，从而减轻物体与施工人员的头部碰撞所造成的伤害。
但是，电力施工现场经常存在施工人员在施工时不佩戴安全帽，存在较大的安全隐患。因此，需要对施工人员的安全帽佩戴情况进行检测。由于电力施工的环境比较多样且复杂，传统通常都是由施工监督人员人工判断施工人员是否佩戴安全帽。但是人工检测的方式人工精力有限，容易出现遗漏，安全帽检测的准确性较低，无法及时对未佩戴安全帽的情形进行提示。
发明内容
基于此，有必要针对上述安全帽检测的准确性较低的技术问题，提供一种能够提高安全帽检测准确性的基于电力施工的安全帽检测方法、装置、计算机设备和存储介质。
一种基于电力施工的安全帽检测方法，所述方法包括：
根据预设频率获取监控设备采集的初始图像；
对所述初始图像进行特征提取，得到图像特征；
调用预设分类模型，基于所述图像特征进行分类处理，得到头部区域；
在所述初始图像中截取与所述头部区域相匹配的目标图像；
根据所述目标图像进行安全帽检测，得到检测结果；
当所述检测结果为不存在安全帽时，生成告警提示信息。
在其中一个实施例中，所述根据预设频率获取监控设备采集的初始图像包括：
获取预设时间段内所述监控设备采集的多帧图像数据；
将所述多帧图像数据进行比对，得到图像相似度；
当所述图像相似度小于阈值时，获取所述监控设备采集的所述初始图像。
在其中一个实施例中，所述方法还包括：
基于所述目标图像进行人脸识别，得到人脸特征；
根据所述人脸特征确定对应的人员标识，获取与所述人员标识对应的工单信息；
将所述工单信息与所述监控设备对应的监控区域进行比对；
当比对失败时，生成区域错误提示信息。
在其中一个实施例中，所述根据所述目标图像进行安全帽检测，得到检测结果包括：
获取所述目标图像中多个像素点各自对应的颜色码；
根据所述颜色码对所述像素点进行筛选，得到目标像素点；
基于所述目标像素点进行安全帽检测，得到检测结果。
在其中一个实施例中，所述当所述检测结果为不存在安全帽时，生成告警提示信息包括：
获取所述监控设备对应的设备标识；
基于所述设备标识与所述检测结果确定目标告警策略；
根据所述目标告警策略生成所述告警提示信息，将所述告警提示信息发送至对应的告警设备。
一种基于电力施工的安全帽检测装置，所述装置包括：
图像获取模块，用于根据预设频率获取监控设备采集的初始图像；
特征提取模块，用于对所述初始图像进行特征提取，得到图像特征；
图像分类模块，用于调用预设分类模型，基于所述图像特征进行分类处理，得到头部区域；在所述初始图像中截取与所述头部区域相匹配的目标图像；
安全帽检测模块，用于根据所述目标图像进行安全帽检测，得到检测结果；
告警提示模块，用于当所述检测结果为不存在安全帽时，生成告警提示信息。
在其中一个实施例中，所述图像获取模块还用于获取预设时间段内所述监控设备采集的多帧图像数据；将所述多帧图像数据进行比对，得到图像相似度；当所述图像相似度小于阈值时，获取所述监控设备采集的所述初始图像。
在其中一个实施例中，所述装置还包括工单比对模块，用于基于所述目标图像进行人脸识别，得到人脸特征；根据所述人脸特征确定对应的人员标识，获取与所述人员标识对应的工单信息；将所述工单信息与所述监控设备对应的监控区域进行比对；当比对失败时，生成区域错误提示信息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述基于电力施工的安全帽检测方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于电力施工的安全帽检测方法的步骤。
上述基于电力施工的安全帽检测方法、装置、计算机设备和存储介质，根据预设频率获取监控设备采集的初始图像，对初始图像进行特征提取，得到图像特征。调用预设分类模型，基于图像特征进行分类处理，得到头部区域，在初始图像中截取与头部区域相匹配的目标图像，有利于根据头部区域对应的目标图像进行安全帽检测。根据目标图像进行安全帽检测，得到检测结果，有效的提高了安全帽检测的准确性。当检测结果为不存在安全帽时，生成告警提示信息，从而及时提示施工人员佩戴安全帽，减小电力施工过程中的安全隐患。
附图说明
图1为一个实施例中基于电力施工的安全帽检测方法的应用环境图；
图2为一个实施例中基于电力施工的安全帽检测方法的流程示意图；
图3为另一个实施例中基于电力施工的安全帽检测方法的流程示意图；
图4为一个实施例中基于电力施工的安全帽检测装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于电力施工的安全帽检测方法，可以应用于如图1所示的应用环境中。其中，监控设备102可以通过网络与服务器104进行通信，服务器104可以与告警设备106通过网络进行通信。服务器104根据预设频率获取监控设备102采集的初始图像，对初始图像进行特征提取，得到图像特征。服务器104调用预设分类模型，基于图像特征进行分类处理，得到头部区域。服务器104在初始图像中截取与头部区域相匹配的目标图像，根据目标图像进行安全帽检测，得到检测结果。当检测结果为不存在安全帽时，服务器104生成告警提示信息，将告警提示信息发送至告警设备106。告警设备106根据告警提示信息进行提示。其中，监控设备102可以包括但不限于各种视频采集设备和图像采集设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现，告警设备106可以包括但不限于各种广播设备、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
在一个实施例中，如图2所示，提供了一种基于电力施工的安全帽检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，根据预设频率获取监控设备采集的初始图像。
服务器可以对应有多种类型的监控设备。例如，监控设备可以是预先固定安装在电力施工区域内的摄像头等，用于采集对应监控区域的视频数据或图像数据。监控设备还可以是可移动的，比如具体可以包括但不限于可移动机器人、监控车等，可以多角度的采集电力施工区域的视频数据或图像数据。
服务器可以根据预设频率获取监控设备采集的初始图像。具体的，服务器可以获取监控设备采集对应电力施工区域的视频数据或图像数据。当服务器获取监控设备采集的视频数据时，服务器可以读取视频数据中的多帧图像，根据预设频率从视频数据中提取对应的一帧图像作为初始图像。当服务器获取监控设备采集的图像数据时，可以是监控设备根据预设频率采集图像数据，服务器可以获取监控设备采集的每一帧图像数据，还可以是服务器根据预设频率获取监控设备采集的初始图像。其中，预设频率可以是常量，具体可以是用户根据实际需求预先设置的，比如服务器每秒获取一帧初始图像。预设频率还可以是变量。例如，预设频率可以根据时间的变化而变化，上班时间对应的频率相较于下班时间对应的频率更大。预设频率还可以随着监控区域内施工人员数量的变化而变化。在监控区域内不存在施工人员时，降低采集初始图像的频率，避免对不存在施工人员的初始图像进行没有必要的安全帽检测，节省服务器的运算资源。
步骤204，对初始图像进行特征提取，得到图像特征。
服务器可以先对获取到的初始图像进行预处理，得到预处理后的初始图像。其中，预处理可以包括多种类型的处理。例如，服务器对初始图像进行的预处理具体可以包括但不限于图像降噪处理、曝光均衡处理以及图像缩放处理等。服务器可以对初始图像进行预处理，优化初始图像，从而避免初始图像中的噪声、曝光过度或不足以及图像尺寸不一致等因素对检测准确性的影响。
服务器可以对预处理后的初始图像进行特征提取，得到初始图像对应的图像特征。具体的，图像特征可以是多种特征类型中的一种。例如，图像特征具体可以包括HOG(Histogram of Oriented Gradient，方向梯度直方图)特征、LBP(Local Binary Pattern，局部二值模式)特征以及哈尔特征(Haar-like features，简称HAAR)等中的一种。服务器可以根据对应的特征提取函数对初始图像进行运算，提取出初始图像对应的图像特征。图像特征具体可以是特征矩阵，也可以是特征向量。
步骤206，调用预设分类模型，基于图像特征进行分类处理，得到头部区域。
服务器可以调用预设分类模型，预设分类模型可以是预先建立并经过样本训练后得到的，预设分类模型可以在训练得到后配置在服务器中，以便于服务器调用预设分类模型对初始图像进行分类处理。预设分类模型可以是多种算法模型中的一种。例如，预设分类模型具体可以是SVM(Support Vector Machine，支持向量机)模型以及神经网络模型等。其中，神经网络模型可以包括VGG(Visual Geometry Group Network)模型、Faster R-CNN模型、SSD(Single Shot MultiBox Detector)模型以及YOLO模型中的一种。
服务器可以将提取的图像特征输入至预设分类模型中，根据预设分类模型和图像特征对采集的初始图像进行分类处理，将初始图像分类为头部区域和背景区域，以此实现在初始图像中进行人体头部识别。服务器可以获取预设分类模型输出的头部区域，头部区域可以是矩形区域，也可以是其他形状的区域范围。头部区域具体可以包括人体头部在初始图像中的位置以及范围。
在其中一个实施例中，服务器可以获取训练样本，根据训练样本对标准分类模型进行训练。训练样本可以包括多种电力施工环境分别对应的样本图像。例如，电力施工环境具体可以包括针对室内地面电力设备施工，针对室外地面电力设备施工，针对地下电力设备施工以及针对高空电力设备施工。室外地面施工环境以及高空施工环境还可以对应有多种气象环境，不同的气象环境对应的光照强度等是不同的，训练样本可以包括不同气象环境对应的样本图像。训练样本具体可以包括正样本图像和负样本图像，正样本图像中包括施工人员，正样本图像包括施工人员对应头部区域的标注信息。负样本图像中包括不包括施工人员。服务器可以基于正样本图像和负样本图像，对建立的标准分类模型进行训练，得到训练成功的目标分类模型，并将目标分类模型配置在服务器中。
步骤208，在初始图像中截取与头部区域相匹配的目标图像。
服务器可以根据预设分类模型输出的初始图像对应的头部区域，在初始图像中确定头部区域对应的位置，根据头部区域对应的范围进行截取，截取得到与头部区域相对应的目标图像。当初始图像对应的电力施工区域中包括多个施工人员时，预设分类模型可以输出多个头部区域，服务器可以根据输出的多个头部区域分别进行截取，得到多个目标图像，目标图像与对应头部区域的大小以及形状相匹配。
步骤210，根据目标图像进行安全帽检测，得到检测结果。
服务器可以根据截取的目标图像，对目标图像中是否存在安全帽进行检测，得到检测结果。其中，目标图像对应的检测结果有且仅有两种，包括目标图像中存在安全帽和目标图像中不存在安全帽。服务器可以采用多种检测方式中的至少一种对目标图像进行安全帽检测。例如，服务器可以对目标图像进行最大值化处理和归一化处理，采用决策树、随机森林等分类算法对目标图像进行分类检测，得到检测结果。
在其中一个实施例中，服务器还可以获取目标图像中多个像素点分别对应的颜色码，颜色码可以用于标识对应像素点的颜色。像素点对应的颜色码具体可以是RGB颜色通道对应的颜色值，也可以是RGB颜色值对应的十六进制颜色码。服务器可以获取预设的标准颜色码，标准颜色码是安全帽的颜色对应的颜色码。标准颜色码可以是颜色码集合中的颜色码，颜色码集合具体可以是多种颜色的安全帽对应的颜色码，以及多种安全帽分别在多种电力施工环境中对应的颜色码的集合。服务器可以将目标图像中像素点对应的颜色码与标准颜色码进行比对，根据比对结果对目标图像中的像素点进行筛选。具体的，服务器可以将像素点对应的颜色码与标准颜色码进行比对。当像素点对应的颜色码属于标准颜色码时，服务器确定比对成功。当像素点对应的颜色码不属于标准颜色码时，服务器确定比对失败。服务器可以根据比对结果，筛选出比对成功的像素点，将颜色码比对成功的像素点记作目标像素点，目标像素点为目标图像中与安全帽的颜色一致的像素点。
服务器可以基于目标像素点进行安全帽检测，得到检测结果。具体的，服务器可以统计目标像素点的数量，确定目标像素点在目标图像中的占比。当目标像素点对应的占比大于或等于像素点阈值时，确定检测结果为目标图像中存在安全帽。当目标像素点对应的占比小于像素点阈值时，确定检测结果为目标图像中不存在安全帽。其中，像素点阈值可以是预先根据大量多个角度的目标图像统计得到的目标像素点在目标图像中的最小占比。在其中一个实施例中，当目标像素点对应的占比大于或等于像素点阈值时，服务器还可以获取目标像素点在目标图像中的分布情况。当目标像素点分散分布时，确定检测结果为目标图像中不存在安全帽。当目标像素点集中分布时，确定检测结果为目标图像中存在安全帽。服务器根据目标像素点的分布情况进行检测，避免目标图像中其他相同颜色的物体对检测结果的影响，进一步提高了安全帽检测的准确性。
步骤212，当检测结果为不存在安全帽时，生成告警提示信息。
当检测结果为目标图像中存在安全帽时，确定检测成功，服务器可以重复获取监控设备采集的初始图像，持续对电力施工过程中施工人员是否佩戴安全帽进行检测。当检测结果为目标图像中不存在安全帽时，确定检测失败，服务器可以根据检测结果生成告警提示信息。告警提示信息可以是多种信息类型中的至少一种。例如，告警提示信息具体可以是文本提示信息，也可以是声音提示信息，还可以是文本提示信息与声音提示信息的结合。服务器可以将生成的告警提示信息发送至监控设备对应的告警设备，使得告警设备展示告警提示信息，以此提示施工人员佩戴安全帽。
在本实施例中，服务器根据根据预设频率获取监控设备采集的初始图像，对初始图像进行特征提取，得到图像特征。服务器调用预设分类模型，预设分类模型根据多种电力施工环境对应的样本图像训练得到，基于图像特征进行分类处理，有助于准确的得到头部区域。在初始图像中截取与头部区域相匹配的目标图像，有利于根据头部区域对应的目标图像进行安全帽检测。服务器根据目标图像进行安全帽检测，有效的提高了安全帽检测的准确性。当检测结果为不存在安全帽时，生成告警提示信息，从而及时提示施工人员佩戴安全帽，减小电力施工过程中的安全隐患。
在一个实施例中，上述根据预设频率获取监控设备采集的初始图像的步骤包括：获取预设时间段内监控设备采集的多帧图像数据；将多帧图像数据进行比对，得到图像相似度；当图像相似度小于阈值时，获取监控设备采集的初始图像。
服务器可以获取预设时间段内监控设备采集的多帧图像数据，预设时间段可以是用户根据实际需求预先设置的时间长度。当监控设备采集的对应监控区域的视频数据时，服务器可以根据预设频率从视频数据中提取预设时间段内的多帧图像数据。服务器可以根据提取出的多帧图像数据，对多帧图像数据对应时间段内的图像内容是否相似进行判断。具体的，服务器可以将提取到的多帧图像数据进行比对，得到多帧图像数据之间的图像相似度。服务器可以根据实际需求通过多种组合方式中的一种将多帧图像数据进行相互比对。例如，服务器可以根据图像数据在时间上的先后顺序对多帧图像数据进行排序，得到图像序列，服务器可以根据图像序列将相邻的两个图像数据进行相互比对，得到多个图像相似度。服务器还可以从多帧图像数据中确定一帧图像数据，将其他的多帧图像数据分别与确定出的一帧图像数据进行比对，得到多个图像相似度。
当图像数据之间的图像相似度较大时，表示对应图像数据的图像内容相似程度较高，在图像数据对应的时间段内，监控设备对应的监控区域环境内容变化较小，不存在正在施工的施工人员，服务器不需要多次重复对图像相似度较高的图像数据进行安全帽检测。例如，当监控设备对应的监控区域在夜间或部分工作时间没有施工人员进行电力施工时，对应监控设备采集的多帧图像数据之间的图像相似度较高，服务器没必要对不存在施工人员的图像数据进行安全帽检测。当监控区域中存在施工人员进行电力施工时，对应的多帧图像数据之间的图像相似度较低，服务器可以快速对变化的图像数据进行安全帽检测，判断正在进行电力施工的施工人员是否佩戴安全帽，以此避免不必要的资源消耗，例如服务器的运算资源等，有效的节省了安全帽检测所消耗的资源成本。
服务器可以将比对得到的图像相似度与阈值进行比对，阈值可以是用户根据实际需求预先设置的，阈值可以是一个常数。例如，阈值具体可以设置为95％。当图像相似度小于阈值时，确定对应监控区域可能出现施工人员，服务器可以获取监控设备采集的初始图像进行安全帽检测。其中，初始图像可以是根据预设频率采集的多帧图像数据之后的下一帧图像数据。当图像相似度大于或等于阈值时，服务器可以重复获取监控设备采集的图像数据进行比对，直到图像相似度小于阈值。
在本实施例中，服务器可以获取预设时间段内监控设备采集的多帧图像数据，将多帧图像数据进行比对，得到图像相似度。当图像相似度小于阈值时，服务器才获取初始图像进行安全帽检测，从而避免了服务器持续对不存在变化的初始图像进行没有必要的检测处理，避免了不必要的资源消耗，降低了服务器的带宽要求，有效的节省了安全帽检测所消耗的资源成本。
在一个实施例中，如图3所示，上述基于电力施工的安全帽检测方法还包括：
步骤302，基于目标图像进行人脸识别，得到人脸特征。
步骤304，根据人脸特征确定对应的人员标识，获取与人员标识对应的工单信息。
步骤306，将工单信息与监控设备对应的监控区域进行比对。
步骤308，当比对失败时，生成区域错误提示信息。
目标图像为服务器从初始图像中截取出的施工人员对应的图像，目标图像中可以包括施工人员对应的人脸图像。服务器可以调用人脸识别模型，利用人脸识别模型对目标图像进行人脸识别，得到人脸识别模型运算后输出的目标图像中的人脸特征。其中，人脸识别模型可以是服务器通过大量人脸图像和对应的数据进行训练后得到的。人脸识别模型可以基于人脸识别算法对人脸图像进行特征提取。人脸识别算法可以是多种识别算法中的一种。例如，人脸识别算法可以是基于人脸特征点的识别算法，也可以是利用神经网络进行识别的算法，还可以是利用支持向量机进行识别的算法。
服务器可以将目标图像对应的人脸特征与预设图像集中的人脸信息进行比对，得到特征相似度。其中，预设图像集是指服务器预先获取并存储在对应数据库中的图像集合，预设图像集包括上传的电力施工人员的人脸图像，预设图像集中的人脸信息包括施工人员对应的人脸图像、人员标识以及人脸图像对应的面部特征等信息。服务器可以将目标图像对应的人脸特征与预设图像集中的多个人脸图像的面部特征进行特征比对，得到与多个人脸图像之间的特征相似度。服务器可以将多个特征相似度进行比对，从多个特征相似度中筛选出相似度最高的人脸图像对应的人员标识。服务器还可以将相似度最高的特征相似度与相似度阈值进行比较，当特征相似度大于相似度阈值时，才筛选出对应的人员标识，进一步对人脸特征进行筛选，以此提高筛选人员标识的准确性。
服务器可以获取与人员标识对应的工单信息，工单信息是指施工人员对应的施工工单信息，工单信息具体可以包括施工人员对应的人员标识、工单编号、施工区域标识以及施工任务等信息。服务器可以将工单信息与监控设备对应的监控区域进行比对，判断施工人员是否在对应的施工区域进行电力施工。当工单信息中的施工区域标识与监控设备对应的监控区域相匹配时，确定比对成功。当工单信息中的施工区域标识与监控设备对应的监控区域不匹配时，确定比对失败，服务器可以根据人员标识以及人员标识对应的工单信息生成区域错误提示信息。服务器可以将区域错误提示信息发送至告警设备，使得告警设备展示区域错误提示信息，以此提示施工人员。
在本实施例中，服务器基于截取出的目标图像进行人脸识别，得到人脸特征，根据人脸特征确定对应的人员标识。服务器获取与人员标识对应的工单信息，将工单信息与监控设备对应的监控区域进行比对，以此对施工人员的施工区域进行检测。当比对失败时，生成区域错误提示信息，从而提示施工人员施工区域可能存在错误，实现电力施工过程中的安全监测。
在一个实施例中，上述当检测结果为不存在安全帽时，生成告警提示信息的步骤包括：获取监控设备对应的设备标识；基于设备标识与检测结果确定目标告警策略；根据目标告警策略生成告警提示信息，将告警提示信息发送至对应的告警设备。
当根据截取的目标图像进行安全帽检测，得到的检测结果为不存在安全帽时，表示目标图像对应的施工人员未佩戴安全帽，服务器可以根据检测结果生成告警提示信息。具体的，服务器可以获取监控设备对应的设备标识，根据设备标识和检测结果确定目标告警策略。不同的监控设备可以对应不同的监控区域，不同监控区域的施工危险程度也是不同的。服务器可以根据监控设备对应的设备标识确定对应监控区域的危险等级，根据监控区域对应的危险等级，以及不存在安全帽的检测结果确定目标告警策略。其中，目标告警策略是多个预设告警策略中的一个。预设告警策略可以是用户根据实际应用需求预先设置并存储在服务器中的，预设告警策略包括危险等级、需要联动的告警设备标识、告警提示方式以及信息类型等。告警设备标识与监控设备标识之间可以存在关联关系。服务器可以将监控设备标识以及安全帽检测的检测结果，与多个预设告警策略进行匹配，确定相匹配的预设告警策略作为目标告警策略。
目标告警策略包括信息类型和告警设备标识，提示信息类型与告警设备标识可以是相对应的。服务器可以根据目标告警策略中的信息类型生成对应的告警提示信息。告警提示信息可以是多种信息类型中的至少一种。例如，告警提示信息具体可以是文本提示信息，也可以是声音提示信息，还可以是文本提示信息与声音提示信息的结合。服务器可以将生成的告警提示信息发送至于信息类型相对应的告警设备标识标记的告警设备，使得告警设备展示对应的告警提示信息。比如，告警设备可以通过对应的显示界面展示文本提示信息，通过扬声器展示声音提示信息，以此提示未佩戴安全帽进行电力施工的施工人员及时佩戴安全帽。
在其中一个实施例中，由于电力施工环境比较多样且覆盖范围较广，需要进行安全监测的电力施工区域较多，由一个服务器对所有监控区域进行安全帽检测的运算压力较大，检测时延较高。因此，上述基于电力施工的安全帽检测方法具体可以应用于边缘服务器中。边缘服务器获取监控设备采集的初始图像进行截取，根据初始图像进行安全帽检测，得到检测结果。边缘服务器可以读取中心服务器下发的预设告警策略，基于监控设备标识和检测结果确定目标告警策略。边缘服务器可以根据目标告警策略生成告警提示信息，将告警提示信息发送至对应的告警设备。边缘服务器还可以将安全帽的检测结果发送至中心服务器，使得中心服务器向用户终端反馈检测结果，将安全帽检测边缘化，减小了中心服务器的运算压力，降低了检测时延，及时对未佩戴安全帽的施工人员进行告警提示。
在本实施例中，服务器可以根据监控设备对应的设备标识和检测结果确定目标告警策略，根据目标告警策略生成告警提示信息，将告警提示信息发送至对应的告警设备，使得告警设备根据告警提示信息对未佩戴安全帽的施工人员及时进行告警提示，不需要人工查看视频数据或在电力施工现场监督施工人员佩戴安全帽，有效的节省了人力成本，减小电力施工过程中的安全隐患。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种基于电力施工的安全帽检测装置，包括：图像获取模块402、特征提取模块404、图像分类模块406、安全帽检测模块408和告警提示模块410，其中：
图像获取模块402，用于根据预设频率获取监控设备采集的初始图像。
特征提取模块404，用于对初始图像进行特征提取，得到图像特征。
图像分类模块406，用于调用预设分类模型，基于图像特征进行分类处理，得到头部区域；在初始图像中截取与头部区域相匹配的目标图像。
安全帽检测模块408，用于根据目标图像进行安全帽检测，得到检测结果。
告警提示模块410，用于当检测结果为不存在安全帽时，生成告警提示信息。
在一个实施例中，上述图像获取模块402还用于获取预设时间段内监控设备采集的多帧图像数据；将多帧图像数据进行比对，得到图像相似度；当图像相似度小于阈值时，获取监控设备采集的初始图像。
在一个实施例中，上述基于电力施工的安全帽检测装置还包括工单比对模块，用于基于目标图像进行人脸识别，得到人脸特征；根据人脸特征确定对应的人员标识，获取与人员标识对应的工单信息；将工单信息与监控设备对应的监控区域进行比对；当比对失败时，生成区域错误提示信息。
在一个实施例中，上述安全帽检测模块408还用于获取目标图像中多个像素点各自对应的颜色码；根据颜色码对像素点进行筛选，得到目标像素点；基于目标像素点进行安全帽检测，得到检测结果。
在一个实施例中，上述告警提示模块410还用于获取监控设备对应的设备标识；基于设备标识与检测结果确定目标告警策略；根据目标告警策略生成告警提示信息，将告警提示信息发送至对应的告警设备。
关于基于电力施工的安全帽检测装置的具体限定可以参见上文中对于基于电力施工的安全帽检测方法的限定，在此不再赘述。上述基于电力施工的安全帽检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储安全帽检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于电力施工的安全帽检测方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述基于电力施工的安全帽检测方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述基于电力施工的安全帽检测方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于电力施工的安全帽检测方法，所述方法包括：
根据预设频率获取监控设备采集的初始图像；
对所述初始图像进行特征提取，得到图像特征；
调用预设分类模型，基于所述图像特征进行分类处理，得到头部区域；
在所述初始图像中截取与所述头部区域相匹配的目标图像；
根据所述目标图像进行安全帽检测，得到检测结果；
当所述检测结果为不存在安全帽时，生成告警提示信息；
其中，所述根据预设频率获取监控设备采集的初始图像，包括：获取预设时间段内所述监控设备采集的多帧图像数据；将所述多帧图像数据进行比对，得到图像相似度；当所述图像相似度小于阈值时，获取所述监控设备采集的所述初始图像；
所述根据所述目标图像进行安全帽检测，得到检测结果，包括：根据所述目标图像统计目标像素点的数量，确定所述目标像素点在目标图像中的占比；当所述占比大于像素点阈值时，获取所述目标像素点在所述目标图像中的分布情况；当所述目标像素点为分散分布时，确定所述检测结果为所述目标图像中不存在安全帽；当所述目标像素点集中分布时，确定所述检测结果为所述目标图像中存在安全帽。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述目标图像进行人脸识别，得到人脸特征；
根据所述人脸特征确定对应的人员标识，获取与所述人员标识对应的工单信息；
将所述工单信息与所述监控设备对应的监控区域进行比对；
当比对失败时，生成区域错误提示信息。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像进行安全帽检测，得到检测结果包括：
获取所述目标图像中多个像素点各自对应的颜色码；
根据所述颜色码对所述像素点进行筛选，得到目标像素点；
基于所述目标像素点进行安全帽检测，得到检测结果。
4.根据权利要求1所述的方法，其特征在于，所述当所述检测结果为不存在安全帽时，生成告警提示信息包括：
获取所述监控设备对应的设备标识；
基于所述设备标识与所述检测结果确定目标告警策略；
根据所述目标告警策略生成所述告警提示信息，将所述告警提示信息发送至对应的告警设备。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述图像相似度大于或等于所述阈值时，重复获取并对比监控设备采集的图像数据，直到所述图像相似度小于阈值。
6.一种基于电力施工的安全帽检测装置，其特征在于，所述装置包括：
图像获取模块，用于根据预设频率获取监控设备采集的初始图像；
特征提取模块，用于对所述初始图像进行特征提取，得到图像特征；
图像分类模块，用于调用预设分类模型，基于所述图像特征进行分类处理，得到头部区域；在所述初始图像中截取与所述头部区域相匹配的目标图像；
安全帽检测模块，用于根据所述目标图像进行安全帽检测，得到检测结果；
告警提示模块，用于当所述检测结果为不存在安全帽时，生成告警提示信息；
其中，所述图像获取模块还用于获取预设时间段内所述监控设备采集的多帧图像数据；将所述多帧图像数据进行比对，得到图像相似度；当所述图像相似度小于阈值时，获取所述监控设备采集的所述初始图像；
所述安全帽检测模块，用于根据所述目标图像统计目标像素点的数量，确定所述目标像素点在目标图像中的占比；当所述占比大于像素点阈值时，获取所述目标像素点在所述目标图像中的分布情况；当所述目标像素点为分散分布时，确定所述检测结果为所述目标图像中不存在安全帽；当所述目标像素点集中分布时，确定所述检测结果为所述目标图像中存在安全帽。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括工单比对模块，用于基于所述目标图像进行人脸识别，得到人脸特征；根据所述人脸特征确定对应的人员标识，获取与所述人员标识对应的工单信息；将所述工单信息与所述监控设备对应的监控区域进行比对；当比对失败时，生成区域错误提示信息。
8.根据权利要求6所述的装置，其特征在于，安全帽检测模块，用于获取所述目标图像中多个像素点各自对应的颜色码；根据所述颜色码对所述像素点进行筛选，得到目标像素点；基于所述目标像素点进行安全帽检测，得到检测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911383180.5A CN111191581B (zh) | 2019-12-27 | 2019-12-27 | 基于电力施工的安全帽检测方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911383180.5A CN111191581B (zh) | 2019-12-27 | 2019-12-27 | 基于电力施工的安全帽检测方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111191581A CN111191581A (zh) | 2020-05-22 |
| CN111191581B true CN111191581B (zh) | 2024-04-12 |
Family
ID=70709566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911383180.5A Active CN111191581B (zh) | 2019-12-27 | 2019-12-27 | 基于电力施工的安全帽检测方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111191581B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111640214A (zh) * | 2020-05-26 | 2020-09-08 | 河源市丽兴电子有限公司 | 一种人脸识别系统 |
| CN111652185A (zh) * | 2020-06-23 | 2020-09-11 | 广东电网有限责任公司河源供电局 | 一种基于违章行为识别的安全施工方法、系统、装置及存储介质 |
| CN111860256B (zh) * | 2020-07-10 | 2024-07-16 | 云镝智慧科技有限公司 | 安全检测方法、装置、计算机设备和存储介质 |
| CN112149513A (zh) * | 2020-08-28 | 2020-12-29 | 成都飞机工业（集团）有限责任公司 | 基于深度学习的工业制造现场安全帽佩戴识别系统和方法 |
| CN112040189B (zh) * | 2020-09-01 | 2022-06-24 | 浙江大华技术股份有限公司 | 前端设备的监控方法及系统、存储介质 |
| CN112804494A (zh) * | 2021-01-13 | 2021-05-14 | 广州穗能通能源科技有限责任公司 | 电力施工现场监控方法、系统和存储介质 |
| CN113052107B (zh) * | 2021-04-01 | 2023-10-24 | 北京华夏启信科技有限公司 | 一种检测安全帽佩戴情况的方法、计算机设备及存储介质 |
| CN113361340B (zh) * | 2021-05-17 | 2024-05-28 | 上海云从汇临人工智能科技有限公司 | 特征提示方法、装置及计算机存储介质 |
| CN113537296A (zh) * | 2021-06-22 | 2021-10-22 | 广州云从鼎望科技有限公司 | 特征检测方法、装置及计算机存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105469069A (zh) * | 2015-12-09 | 2016-04-06 | 上海工业自动化仪表研究院 | 面向生产线数据采集终端的安全帽视频检测方法 |
| CN105469038A (zh) * | 2015-11-19 | 2016-04-06 | 国网福建省电力有限公司泉州供电公司 | 一种用于电力开闭所的安全帽视频检测方法 |
| 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 |
| CN108319934A (zh) * | 2018-03-20 | 2018-07-24 | 武汉倍特威视系统有限公司 | 基于视频流数据的安全帽佩戴情况检测方法 |
| CN110135476A (zh) * | 2019-04-28 | 2019-08-16 | 深圳市中电数通智慧安全科技股份有限公司 | 一种个人安全装备的检测方法、装置、设备及系统 |
| CN110188724A (zh) * | 2019-06-05 | 2019-08-30 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的安全帽定位与颜色识别的方法及系统 |
| CN110287787A (zh) * | 2019-05-21 | 2019-09-27 | 平安国际智慧城市科技股份有限公司 | 图像识别方法、装置及计算机可读存储介质 |
| CN110309719A (zh) * | 2019-05-27 | 2019-10-08 | 安徽继远软件有限公司 | 一种电网作业人员安全帽佩戴管理控制方法和系统 |
| CN110490079A (zh) * | 2019-07-19 | 2019-11-22 | 万翼科技有限公司 | 巡检数据处理方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10225511B1 (en) * | 2015-12-30 | 2019-03-05 | Google Llc | Low power framework for controlling image sensor mode in a mobile image capture device |
-
2019
- 2019-12-27 CN CN201911383180.5A patent/CN111191581B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105469038A (zh) * | 2015-11-19 | 2016-04-06 | 国网福建省电力有限公司泉州供电公司 | 一种用于电力开闭所的安全帽视频检测方法 |
| CN105469069A (zh) * | 2015-12-09 | 2016-04-06 | 上海工业自动化仪表研究院 | 面向生产线数据采集终端的安全帽视频检测方法 |
| 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 |
| CN108319934A (zh) * | 2018-03-20 | 2018-07-24 | 武汉倍特威视系统有限公司 | 基于视频流数据的安全帽佩戴情况检测方法 |
| CN110135476A (zh) * | 2019-04-28 | 2019-08-16 | 深圳市中电数通智慧安全科技股份有限公司 | 一种个人安全装备的检测方法、装置、设备及系统 |
| CN110287787A (zh) * | 2019-05-21 | 2019-09-27 | 平安国际智慧城市科技股份有限公司 | 图像识别方法、装置及计算机可读存储介质 |
| CN110309719A (zh) * | 2019-05-27 | 2019-10-08 | 安徽继远软件有限公司 | 一种电网作业人员安全帽佩戴管理控制方法和系统 |
| CN110188724A (zh) * | 2019-06-05 | 2019-08-30 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的安全帽定位与颜色识别的方法及系统 |
| CN110490079A (zh) * | 2019-07-19 | 2019-11-22 | 万翼科技有限公司 | 巡检数据处理方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111191581A (zh) | 2020-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111191581B (zh) | 基于电力施工的安全帽检测方法、装置和计算机设备 | |
| CN111199200A (zh) | 基于电力防护装备的佩戴检测方法、装置和计算机设备 | |
| CN111222423B (zh) | 基于作业区域的目标识别方法、装置、计算机设备 | |
| CN109344682B (zh) | 课堂监控方法、装置、计算机设备及存储介质 | |
| CN108053427B (zh) | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 | |
| CN111191567B (zh) | 身份数据处理方法、装置、计算机设备和存储介质 | |
| CN108052859B (zh) | 一种基于聚类光流特征的异常行为检测方法、系统及装置 | |
| Chen et al. | Detection of safety helmet wearing based on improved faster R-CNN | |
| CN110620905A (zh) | 视频监控方法、装置、计算机设备和存储介质 | |
| US20160217330A1 (en) | Image processing system and image processing method | |
| CN112364715A (zh) | 核电作业异常监控方法、装置、计算机设备和存储介质 | |
| CN111178246B (zh) | 基于电力施工操作的远程监测方法、装置和计算机设备 | |
| CN112396658A (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
| CN113139403A (zh) | 违规行为识别方法、装置、计算机设备和存储介质 | |
| CN112329560A (zh) | 核电作业人员的违规行为识别方法、装置和计算机设备 | |
| CN113239739B (zh) | 一种佩戴物的识别方法及识别装置 | |
| CN113052107A (zh) | 一种检测安全帽佩戴情况的方法、计算机设备及存储介质 | |
| CN111083441A (zh) | 工地监控方法、装置、计算机设备和存储介质 | |
| US20200394600A1 (en) | Fire protection inspection method, fire protection inspection device, and remote device | |
| CN111967311B (zh) | 情绪识别方法、装置、计算机设备及存储介质 | |
| CN115187439A (zh) | 一种智慧园区综合运营管理方法及系统 | |
| CN112804494A (zh) | 电力施工现场监控方法、系统和存储介质 | |
| KR20220051609A (ko) | 실시간 영상분석을 통한 작업자의 안전보호장비 착용여부 인식 시스템 | |
| CN113963162A (zh) | 安全帽佩戴识别方法、装置、计算机设备和存储介质 | |
| CN110956102A (zh) | 银行柜台监控方法、装置、计算机设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |