CN111274888A - 一种基于可穿戴移动眼镜的安全帽及工作服智能识别方法 - Google Patents
一种基于可穿戴移动眼镜的安全帽及工作服智能识别方法 Download PDFInfo
- Publication number
- CN111274888A CN111274888A CN202010033515.7A CN202010033515A CN111274888A CN 111274888 A CN111274888 A CN 111274888A CN 202010033515 A CN202010033515 A CN 202010033515A CN 111274888 A CN111274888 A CN 111274888A
- Authority
- CN
- China
- Prior art keywords
- uniform
- safety helmet
- target
- standard
- wearable mobile
- 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.)
- Granted
Links
- 239000011521 glass Substances 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
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
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及识别安全帽及制服领域，特别涉及一种基于可穿戴移动眼镜的安全帽及工作服智能识别方法。本发明提供的基于可穿戴移动眼镜的安全帽及工作服智能识别方法，通过可穿戴式移动智能眼镜监测施工现场人员是否按要求佩戴安全帽和穿制服，以达到全面、有效管控作业人员着装行为的目的。使用可穿戴式移动智能眼镜，可以随时监测施工现场的每一个角落，不遗漏，有效解决了固定监控设备不能流动监控以及监控范围小等问题，另外，使用可穿戴式移动智能眼镜去同时识别判断作业人员是否佩戴安全帽和穿制服，能多方面规范工作人员安全着装行为，确保安全生产。
Description
技术领域
本发明涉及识别安全帽及制服领域，特别涉及一种基于可穿戴移动眼镜的安全帽及工作服智能识别方法。
背景技术
目前，许多工地、矿区、建筑地等工人作业场所都有佩戴安全帽及穿制服的警告标识，也会利用监控设备进行在线监管，但是依旧难以做到全面管控，全靠作业人员的自主意识。市场上出现了一些智能识别设备，但现有的人工智能模型是基于固定的监控设备，一般只识别是否佩戴安全帽或是否穿制服其中的一种行为，局限性大，无法做到全面、有效的管控作业人员着装行为。
发明内容
为解决上述背景技术中提到的现有的人工智能模型是基于固定的监控设备导致的局限性大，无法做到全面、有效的管控作业人员着装行为的问题，本发明提供一种基于可穿戴移动眼镜的安全帽及工作服智能识别方法，所述方法步骤具体如下：
S10、在服务器加载轻量级网络BTBNet，构建并训练形成识别模型；
S20、所述服务器与智能眼镜进行实时视频数据传输，通过所述服务器对所述实时视频数据进行抽帧，获取图片；将获取的图片输入所述BTBNet，通过所述BTBNet输出识别目标的label以及相对应的score和box；
S30、在所述获取图片上的一个制服目标上设置一个或多个矩形框；在所述矩形框上，取与长边平行的对称轴交矩形框的两点以及矩形框的中心点，加入使用中心点形成的曲线进行拟合，若拟合优度，即R2>0.85，则判断为同一个制服目标；
S40、求取步骤S30中的矩形框认定的边长；
S50、通过IoOne检测制服规范情况，得到该目标人员是否有穿制服的结果；
S60、识别和判断该目标人员是否佩戴安全帽，得出该目标人员是否佩戴安全帽的结果；
S70、根据获得的是否有穿制服的结果和是否佩戴安全帽的结果确认该目标人员的服装和安全帽是否符合规范，若不规范则进行告警处理。
进一步地，所述步骤S10中的BTBNet.识别目标包括如下：
整体的人对象human、上身制服up_uniform、下身制服down_uniform、没带安全帽的头部head、戴了安全帽的头部helmet_head,、球形或椭球形类似安全帽头部的干扰物品helmet_head_like。
进一步地，所述步骤S10中BTBNet初次训练完成后，修改BTBNet的损失函数为TripletLoss函数，helmet_head和head整体作为anchor和positive，helmet_head_like做为negative；所述TripletLoss函数具体如下：
L＝max(d(a,p)-d(a,n)+margin,0)；
其中a为anchor，p为positive，n为negative，margin设为47，d(a,b)为1-范数。
进一步地，所述d(a,b)为1-范数具体如下:
d(a,b)＝||a-b||1。
进一步地，所述步骤S40中的边长的求取公式如下：
其中final_width为拟合边长，rectangle_width为检测框的边长，n为同一检测目标上矩形框的数量；该拟合边长为最终边长。
进一步地，所述步骤S50中的IoOne具体如下：
当A为人，B1为上身制服,B2为下身制服时：
若IoOne(A，B1)>＝0.6认定人下半被遮挡，且制服规范；
若IoOne(A,B2)>＝0.6认定人上半身被遮挡，1且制服规范；
若IoOne(A,B1)>＝0.3IoOne(A,B2)>＝0.3认定人未被遮挡，且制服规范；
其他情况，认定制服不与目标人匹配，若所有的制服都不与目标人匹配，则认定制服不规范；
制服不规范时，储存被矩形框圈出制服不规范人的此帧图片；前端接收返回值，显示图片并报警。
本发明提供的基于可穿戴移动眼镜的安全帽及工作服智能识别方法，通过可穿戴式移动智能眼镜监测施工现场人员是否按要求佩戴安全帽和穿制服，以达到全面、有效管控作业人员着装行为的目的。使用可穿戴式移动智能眼镜，可以随时监测施工现场的每一个角落，不遗漏，有效解决了固定监控设备不能流动监控以及监控范围小等问题，另外，使用可穿戴式移动智能眼镜去同时识别判断作业人员是否佩戴安全帽和穿制服，能多方面规范工作人员安全着装行为，确保安全生产。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于可穿戴移动眼镜的安全帽及工作服智能识别方法框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
具体实施时，一种基于可穿戴移动眼镜的安全帽及工作服智能识别方法，所述方法步骤具体如下：
S10、服务器加载一个轻量级网络BTBNet，为了保证设备识别的实时性，制服识别的网络不会采用相对沉重的网络.识别目标分为六类，一是整体的人对象human，二是上身制服up_uniform，三是下身制服down_uniform，四是没带安全帽的头部head，五是戴了安全帽的头部helmet_head,六是球形或椭球形类似安全帽头部的干扰物品helmet_head_like。
特别指出，BTBNet初次训练完成后，我们修改BTBNet的损失函数为TripletLoss函数，进行少量数据集的二次训练，helmet_head和head整体作为anchor和positive，helmet_head_like做为negative，以加大安全帽头部，头部和干扰物品的区分度，提高识别准确率。Tripletloss(1)如下：
L＝max(d(a,p)-d(a,n)+margin,0)(1)
其中a为anchor，p为positive，n为negative，margin设为47，d(a,b)为1-范数，见公式(2)：
d(a,b)＝||a-b||1(2)；
由于人的姿态繁多，在不同姿态下，制服的语义特征比较复杂，BTBNet恰好可以识别这个高层次的特征。BTBNet这个网络是一个全卷积网络，大量使用残差的跳层连接，残差中的1*1卷积，使用networkinnetwork的想法，大量的减少了每次卷积的channel，一方面减少了参数量，另一方面在一定程度上减少了计算量。BTBNet输出了3个不同尺度的featuremap,这个借鉴了FPN(featurepyramidnetworks)，采用多尺度来对不同size的目标进行检测，越精细的gridcell就可以检测出越精细的物体。同时BTBNet加入了旋转anchor的ssp,确保了当设备的视角改变时仍然可以得出同样的识别结果。网络主要利用分组卷积和点卷积(分组卷积和点卷积都是指卷积层，是网络中的结构。其中点卷积又称空洞卷积，扩张卷积)替换了原来标准卷积，我们采用的分组卷积的组数为4，点卷积的扩展率dilatedrate＝2，可以极大的消减主干网络中卷积运算的部分，使得网络的整体计算量大大减少。训练好的模型可以比较准确地且快速地识别对象；
S20、智能眼镜上配有高清摄像头，实时传输视频信息给服务器。开启BTBNet网络模块后，服务器存储视频信息的同时，使用opencv对视频进行抽帧，获取图片，将图片输入训练好的BTBNet网络，网络输出识别目标的label以及相对应的score和box。然后我们提取目标，干扰物不需要提取，故不设定阈值，目标人的提取阈值r1＝0.5,上身制服的提取阈值r2＝0.4，下身制服的提取阈值r3＝0.35，没戴安全帽头部的提取阀值r4＝0.65,戴了安全帽的头部提取阀值r5＝0.65,以筛选可信度较高的目标，目标为一次提取，以减少处理器的开销；
S30、鉴于制服在识别时因穿着上下身同色，难易区分分界点，可能产生一个制服目标有多个框，在上步获取到的矩形框(该步骤获取的矩形框来自S20中筛选过的box)上，取与长边平行的对称轴交矩形框的两点以及矩形框的中心点，加入使用中心点形成的曲线进行拟合，若拟合优度(GoodnessofFit)，即R2>0.85，则判断为同一个制服目标。该步骤中，矩形框由左上角横坐标x1,左上角纵坐标y1,右下角横坐标x2,纵坐标y2表示。一个矩形框的四个参数在BTBNet的网络中的表示其实就是最后网络输出的的若干特征向量中一个特征向量的4个参数，特征向量中还有其他参数，有点表示置信度，有的表示类别等。这些数值由框架(我们采用的框架是mxnet)相关代码提取转换，最后输出为多维数组label，score和box。其中矩形框的四个数值就是来自box。
S40、利用公式(3)求取矩形框的认定的边长(长宽同理)，其中final_width为拟合边长，rectangle_width为检测框的边长，n为同一检测目标上矩形框的数量。
该拟合边长为最终边长。同理对于框的左上角的位置定点的x,y也是如此计算；
该步骤中，取矩形框的边以及x,y的目的是用于计算人的识别框和上身制服、下身制服的识别框的相交面积所占人识别框面积的比例。
因为视频中工人的上身或者下身时常会有遮挡的情况，如果简单判断有没有检测到上身制服或下身制服，容易将被遮挡部分的工人误判为没穿制服。
假设人的下身被遮挡时，人的检测框会变小，而上身制服因为未被遮挡，制服检测框几乎不变，此时制服检测框的大小所占人检测框的比例会变大许多。所以通过计算制服检测框占人检测框的比例就可以判断人是否被遮挡。排除了因工人被遮挡而导致的误判，误报警的可能。
S50、利用公式(4)，计算IoOne,其中A和B为检测出来的目标。
当A为人，B1为上身制服,B2为下身制服时：
若IoOne(A，B1)>＝0.6认定人下半被遮挡，且制服规范；
若IoOne(A,B2)>＝0.6认定人上半身被遮挡，且制服规范；
若IoOne(A,B1)>＝0.3IoOne(A,B2)>＝0.3认定人未被遮挡，且制服规范；
其他情况，认定制服不与目标人匹配，若所有的制服都不与目标人匹配，则认定制服不规范。
制服不规范时，返回0，并且返回并储存被矩形框圈出制服不规范人的此帧图片。前端接收返回值，显示图片并报警；
上述公式(3)用于计算准确的检测框的位置和大小信息，而本专利申请设计的公式(4)，正是利用检测框的位置和大小关系来计算人的识别框和上身制服、下身制服的识别框的相交面积所占人识别框面积的比例，提高了检测精度。
S60、因为S10使用了TripletLoss对模型进行了二次训练，网络对head和helmet_head的识别率较高，故不需特殊处理：
检测到head则认定该人没戴安全帽；
检测到helmet_head,则认定该人戴了安全帽；
当判定该人没有带安全帽时，返回0，并且返回并储存被矩形框圈出没戴安全帽人头的此帧图片；前端接收返回值，显示图片并报警。
具体地，智能移动眼镜装置含训练成熟BTBNe的服务器(S10)；施工现场人员佩戴智能移动眼镜，识别目标人后，从视频流中对图片进行抽帧处理(S20)；对人员是否穿规定制服进行识别和判断，得到该目标人是否有穿制服结果(S30、S40、S50)；对人员是否佩戴安全帽进行识别和判断，得到该目标人是否有穿制服结果(S60)；最后，根据设定的阈值情况，发送返回值至前端，前端接收返回值，显示返回图片的同时进行告警处理。
为检验本发明提供的基于可穿戴移动眼镜的安全帽及工作服智能识别方法在实际中的应用，现提供如下测试：
测试过程中，识别了658位施工人员，根据人员着装情况，我们设定不穿制服或者不戴安全帽均输出告警参数后，测试技术人员佩戴智能移动眼镜到施工现场进行随机测试，对施工目标人员进行智能识别，判断目标人员是否穿制服或者是否佩戴安全帽。测试结果如下：
(1)识别不佩戴安全帽人员有11位，实际不佩戴安全帽有12位，得出通过智能移动眼镜识别不佩戴安全帽准确率为91.7％；
(2)识别不穿制服人员有10位，实际不穿制服有11位，得出通过智能移动眼镜识别不穿制服的准确率为90.9％。
通过智能移动眼镜对施工现场的安全帽佩戴及制服进行实时分析，对未按要求着装的作业人员进行实时截图告警，降低进入工地等危险区域的人员不带安全帽、不穿工作服的可能性，极大的提高个体的安全规范意识。
本发明提供的基于可穿戴移动眼镜的安全帽及工作服智能识别方法，通过智能移动眼镜对施工现场的安全帽佩戴及制服进行实时分析，对未按要求着装的作业人员进行实时截图告警，降低进入工地等危险区域的人员不带安全帽、不穿工作服的可能性，极大的提高个体的安全规范意识。
本发明提供的基于可穿戴移动眼镜的安全帽及工作服智能识别方法，通过可穿戴式移动智能眼镜监测施工现场人员是否按要求佩戴安全帽和穿制服，以达到全面、有效管控作业人员着装行为的目的。使用可穿戴式移动智能眼镜，可以随时监测施工现场的每一个角落，不遗漏，有效解决了固定监控设备不能流动监控以及监控范围小等问题，另外，使用可穿戴式移动智能眼镜去同时识别判断作业人员是否佩戴安全帽和穿制服，能多方面规范工作人员安全着装行为，确保安全生产。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种基于可穿戴移动眼镜的安全帽及工作服智能识别方法，其特征在于：所述方法步骤具体如下：
S10、在服务器加载轻量级网络BTBNet，构建并训练形成识别模型；
S20、所述服务器与智能眼镜进行实时视频数据传输，通过所述服务器对所述实时视频数据进行抽帧，获取图片；将获取的图片输入所述BTBNet，通过所述BTBNet输出识别目标的label以及相对应的score和box；
S30、在所述获取图片上的一个制服目标上设置一个或多个矩形框；在所述矩形框上，取与长边平行的对称轴交矩形框的两点以及矩形框的中心点，加入使用中心点形成的曲线进行拟合，若拟合优度，即R2>0.85，则判断为同一个制服目标；
S40、求取步骤S30中的矩形框认定的边长；
S50、通过IoOne检测制服规范情况，得到该目标人员是否有穿制服的结果；
S60、识别和判断该目标人员是否佩戴安全帽，得出该目标人员是否佩戴安全帽的结果；
S70、根据获得的是否有穿制服的结果和是否佩戴安全帽的结果确认该目标人员的服装和安全帽是否符合规范，若不规范则进行告警处理。
2.根据权利要求1所述的基于可穿戴移动眼镜的安全帽及工作服智能识别方法，其特征在于：所述步骤S10中的BTBNet.识别目标包括如下：
整体的人对象human、上身制服up_uniform、下身制服down_uniform、没带安全帽的头部head、戴了安全帽的头部helmet_head,、球形或椭球形类似安全帽头部的干扰物品helmet_head_like。
3.根据权利要求1所述的基于可穿戴移动眼镜的安全帽及工作服智能识别方法，其特征在于：所述步骤S10中BTBNet初次训练完成后，修改BTBNet的损失函数为TripletLoss函数，helmet_head和head整体作为anchor和positive，helmet_head_like做为negative；所述TripletLoss函数具体如下：
L＝max(d(a,p)-d(a,n)+margin,0)；
其中a为anchor，p为positive，n为negative，margin设为47，d(a,b)为1-范数。
4.根据权利要求3所述的基于可穿戴移动眼镜的安全帽及工作服智能识别方法，其特征在于：所述d(a,b)为1-范数具体如下:
d(a,b)＝||a-b||1。
5.根据权利要求1所述的基于可穿戴移动眼镜的安全帽及工作服智能识别方法，其特征在于：所述步骤S40中的边长的求取公式如下：
其中final_width为拟合边长，rectangle_width为检测框的边长，n为同一检测目标上矩形框的数量；该拟合边长为最终边长。
6.根据权利要求1所述的基于可穿戴移动眼镜的安全帽及工作服智能识别方法，其特征在于：所述步骤S50中的IoOne具体如下：
当A为人，B1为上身制服,B2为下身制服时：
若IoOne(A，B1)>＝0.6认定人下半被遮挡，且制服规范；
若IoOne(A,B2)>＝0.6认定人上半身被遮挡，1且制服规范；
若IoOne(A,B1)>＝0.3IoOne(A,B2)>＝0.3认定人未被遮挡，且制服规范；
其他情况，认定制服不与目标人匹配，若所有的制服都不与目标人匹配，则认定制服不规范；
制服不规范时，储存被矩形框圈出制服不规范人的此帧图片；前端接收返回值，显示图片并报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010033515.7A CN111274888B (zh) | 2020-01-13 | 2020-01-13 | 一种基于可穿戴移动眼镜的安全帽及工作服智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010033515.7A CN111274888B (zh) | 2020-01-13 | 2020-01-13 | 一种基于可穿戴移动眼镜的安全帽及工作服智能识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111274888A true CN111274888A (zh) | 2020-06-12 |
| CN111274888B CN111274888B (zh) | 2023-11-10 |
Family
ID=70998947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010033515.7A Active CN111274888B (zh) | 2020-01-13 | 2020-01-13 | 一种基于可穿戴移动眼镜的安全帽及工作服智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111274888B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113179386A (zh) * | 2021-03-19 | 2021-07-27 | 江西铜业股份有限公司 | 一种矿区安全智能监控广播系统及其智能广播方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488948A (zh) * | 2015-11-19 | 2016-04-13 | 刘�英 | 个体防护用品综合智能化安全生产监测管理系统方法及装置 |
| US20160180183A1 (en) * | 2014-12-17 | 2016-06-23 | Facebook, Inc. | Systems and methods for identifying users in media content based on poselets and neural networks |
| WO2016169458A1 (zh) * | 2015-04-22 | 2016-10-27 | 佛山市云端容灾信息技术有限公司 | 一种基于可穿戴及外置设备整合的健康管理系统及方法 |
| CN108565747A (zh) * | 2018-04-08 | 2018-09-21 | 国网河北省电力有限公司 | 一种基于智能可穿戴设备的变电站巡检系统 |
-
2020
- 2020-01-13 CN CN202010033515.7A patent/CN111274888B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160180183A1 (en) * | 2014-12-17 | 2016-06-23 | Facebook, Inc. | Systems and methods for identifying users in media content based on poselets and neural networks |
| WO2016169458A1 (zh) * | 2015-04-22 | 2016-10-27 | 佛山市云端容灾信息技术有限公司 | 一种基于可穿戴及外置设备整合的健康管理系统及方法 |
| CN105488948A (zh) * | 2015-11-19 | 2016-04-13 | 刘�英 | 个体防护用品综合智能化安全生产监测管理系统方法及装置 |
| CN108565747A (zh) * | 2018-04-08 | 2018-09-21 | 国网河北省电力有限公司 | 一种基于智能可穿戴设备的变电站巡检系统 |
Non-Patent Citations (2)
| Title |
|---|
| WENDA ZHAO AT.EL: "Defocus Blur Detection via MUlti-Stream Bottom-Top-Bottom Network", 《IEEE》 * |
| 倪蕙等: "基于物联网技术的电力作业安全管控平台设计", 《电力安全技术》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113179386A (zh) * | 2021-03-19 | 2021-07-27 | 江西铜业股份有限公司 | 一种矿区安全智能监控广播系统及其智能广播方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111274888B (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445524B (zh) | 基于场景理解的施工现场工人不安全行为识别方法 | |
| CN111191586B (zh) | 一种施工现场人员安全帽佩戴情况巡检方法及系统 | |
| CN110738135B (zh) | 一种工人作业工步规范视觉识别判定与指导方法及系统 | |
| CN110188724A (zh) | 基于深度学习的安全帽定位与颜色识别的方法及系统 | |
| CN109034215A (zh) | 一种基于深度卷积神经网络的安全帽佩戴检测方法 | |
| CN108062542B (zh) | 被遮挡的人脸的检测方法 | |
| CN110889339B (zh) | 基于头肩检测的危险区域分级预警方法与系统 | |
| CN113191699A (zh) | 一种配电施工现场安全监管方法 | |
| CN111062303A (zh) | 图像处理方法、系统及计算机存储介质 | |
| CN115294533A (zh) | 基于数据处理的建筑施工状态监测方法 | |
| CN111476083A (zh) | 一种电力员工安全帽佩戴自动识别方法 | |
| CN111178424A (zh) | 一种石油化工生产现场安全合规性实时检测系统及方法 | |
| CN109389040B (zh) | 一种作业现场人员安全着装的检查方法及装置 | |
| CN112906441B (zh) | 用于通信行业查勘维护的图像识别系统及方法 | |
| CN115797856A (zh) | 一种基于机器视觉的施工场景智慧安全监控方法 | |
| CN115620192A (zh) | 一种高空作业安全绳穿戴检测的方法和装置 | |
| CN111064935B (zh) | 一种智慧工地人员姿态检测方法及系统 | |
| CN114187543A (zh) | 一种高空电力作业场景下的安全带检测方法及系统 | |
| CN114155492A (zh) | 高空作业安全带挂绳高挂低用识别方法、装置和电子设备 | |
| CN111274888A (zh) | 一种基于可穿戴移动眼镜的安全帽及工作服智能识别方法 | |
| CN113807240A (zh) | 基于非配合式人脸识别的变电站人员着装智能监控方法 | |
| CN116682034A (zh) | 一种复杂生产作业场景下危险行为检测方法 | |
| CN113536842A (zh) | 电力作业人员安全着装识别方法及装置 | |
| CN115457331A (zh) | 一种施工场所的智能巡检方法及系统 | |
| CN114359831A (zh) | 一种面向险兆推理的工人临边坠落智能识别系统及方法 |
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 |