CN111428641A - 安全着装检测方法、装置、计算机设备和可读存储介质 - Google Patents
安全着装检测方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111428641A CN111428641A CN202010211784.8A CN202010211784A CN111428641A CN 111428641 A CN111428641 A CN 111428641A CN 202010211784 A CN202010211784 A CN 202010211784A CN 111428641 A CN111428641 A CN 111428641A
- Authority
- CN
- China
- Prior art keywords
- image
- image data
- worker
- detection model
- detected
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims description 48
- 238000012795 verification Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 239000003550 marker Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种安全着装检测方法、装置、计算机设备和可读存储介质。所述方法通过获取待检测图像,将所述待检测图像进行图像缩放,得到第一图像数据,再将所述第一图像数据输入第一检测模型,确定所述工作人员的位置坐标。根据所述位置坐标和所述待检测图像,获取所述工作人员的图像。对所述工作人员的图像进行图像缩放,得到第二图像数据,将所述第二图像数据输入第二检测模型,判断所述工作人员的安全着装情况。本申请实施例提供的所述安全着装检测方法能够精确的检测所述工作人员的安全着装情况。
Description
技术领域
本申请涉及智能检测技术领域,特别是涉及一种安全着装检测方法、装置、计算机设备和可读存储介质。
背景技术
随着我国电力系统的规模化发展,变电站数量激增。电力安全工作规程对进入变电站的工作人员应遵守的安全要求做出了严格的规定,其中,对于正确穿戴工作服有明确的规定。目前,由于社会人员非法闯入变电站和工作人员穿戴不规范等引起的安全事故经常发生。
传统技术中,有针对视频监控的安全着装自动检测方法被提出,通常都是采用图像检测技术,再使用模式识别的方法进行识别。然而,传统的图像检测技术存在检测精度较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种安全着装检测方法、装置、计算机设备和可读存储介质。
一方面,本申请实施例提供了一种安全着装检测方法,所述方法包括:
获取待检测图像,其中,所述待检测图像中包括工作人员的图像;
将所述待检测图像进行图像缩放,得到第一图像数据;
将所述第一图像数据输入第一检测模型,确定所述工作人员的位置坐标;
根据所述位置坐标和所述待检测图像,获取所述工作人员的图像;
对所述工作人员的图像进行图像缩放,得到第二图像数据;
将所述第二图像数据输入第二检测模型,判断所述工作人员安全着装情况。
在其中一个实施例中,所述将所述待检测图像进行图像缩放,得到第一图像数据,包括:
获取第一预设图像尺寸;
根据所述待检测图像和所述第一预设图像尺寸,利用双线性插值方法进行图像缩放,得到所述第一图像数据。
在其中一个实施例中,其特征在于,所述对所述工作人员的图像进行图像缩放,得到第二图像数据,包括:
获取第二预设图像尺寸;
根据所述工作人员的图像和所述第二预设图像尺寸,利用双线性插值方法进行图像缩放,得到所述第二图像数据。
在其中一个实施例中,所述将所述第一图像数据输入第一检测模型,确定所述工作人员的位置坐标之前,还包括:
根据第一图像数据集和目标检测算法训练得到所述第一检测模型。
在其中一个实施例中,所述根据第一图像数据集和目标检测算法训练得到所述第一检测模型,包括:
收集初始图像数据集,所述初始图像数据集包括所述工作人员的图像;
对所述初始图像数据集中的所述工作人员的图像进行标记,获取标记数据;
所述初始图像数据集和所述标记数据构成所述第一图像数据集;
对所述第一图像数据集进行图像缩放,得到第一缩放数据集;
根据第一预设比例,将所述第一缩放数据集分为第一训练集和第一验证集;
根据所述第一训练集和所述目标检测算法,确定初始第一检测模型;
根据所述第一验证集,对所述初始第一检测模型进行验证,确定所述第一检测模型。
在其中一个实施例中,所述将所述第二图像数据输入第二检测模型,判断所述工作人员安全着装情况之前,还包括:
根据第二图像数据集和轻量化卷积神经网络模型训练得到所述第二检测模型。
在其中一个实施例中,所述根据第二图像数据集和轻量化卷积神经网络模型训练得到所述第二检测模型,包括:
根据所述标记数据和所述初始图像数据集,确定所述第二图像数据集;
对所述第二图像数据集进行图像缩放,得到第二缩放数据集;
根据第二预设比例,将所述第二缩放数据集分为第二训练集和第二验证集;
根据所述第二训练集和所述轻量化卷积神经网络模型,确定初始第二检测模型;
根据所述第二验证集,对所述初始第二检测模型进行验证,确定所述第二检测模型。
另一方面,本申请实施例提供一种安全着装检测装置,所述装置包括:
待检测图像获取模块,用于获取待检测图像,其中,所述待检测图像中包括工作人员的图像;
第一图像数据确定模块,用于将所述待检测图像进行图像缩放,得到第一图像数据;
位置坐标确定模块,用于将所述第一图像数据输入第一检测模型,确定所述工作人员的位置坐标;
工作人员的图像确定模块,用于根据所述位置坐标和所述待检测图像,获取所述工作人员的图像;
第二图像数据确定模块,用于对所述工作人员的图像进行图像缩放,得到第二图像数据;
安全着装确定模块,用于将所述第二图像数据输入第二检测模型,判断所述工作人员安全着装情况。
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如上所述方法的步骤。
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如上所述的方法的步骤。
本申请实施例提供的安全着装检测方法、装置、计算机设备和可读存储介质。所述安全着装检测方法通过获取待检测图像,将所述待检测图像进行图像缩放,得到第一图像数据,并将所述第一图像数据输入第一检测模型,确定所述工作人员的位置坐标。再根据所述位置坐标和所述待检测图像,获取所述工作人员的图像,并对所述工作人员的图像进行图像缩放,得到第二图像数据,将所述第二图像数据输入第二检测模型,判断所述工作人员安全着装情况。本实施例提供的所述安全着装检测方法不仅能够确定所述工作人员是否按照规范着装,还能够获取所述工作人员的位置坐标。同时,所述安全着装检测方法对输入所述第一检测模型和所述第二检测模型的图像均进行图像缩放处理,使得输入所述第一检测模型和所述第二检测模型的图像的尺寸是一致的,这样能够提高检测精度和检测速度。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域不同技术人员来讲,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为本申请一个实施例提供的安全着装检测方法的步骤流程示意图;
图2为本申请一个实施例提供的安全着装检测方法的步骤流程示意图;
图3为本申请一个实施例提供的双线性插值方法的原理结构示意图;
图4为本申请一个实施例提供的安全着装检测方法的步骤流程示意图;
图5为本申请一个实施例提供的安全着装检测方法的步骤流程示意图;
图6为本申请一个实施例提供的目标检测算法的原理结构示意图;
图7为本申请一个实施例提供的安全着装检测方法的步骤流程示意图;
图8为本申请一个实施例提供的标准卷积分解过程的示意图;
图9为本申请一个实施例提供的安全着装检测方法的步骤流程示意图;
图10为本申请一个实施例提供的安全着装检测装置的结构示意图;
图11为本申请一个实施例提供的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,以下通过实施例,并结合附图,对本申请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用以解释本申请,并不用于限定本申请。
本申请实施例提供的所述安全着装检测方法可以应用于对工作人员的着装有规定的场所,例如:电力作业现场和工程施工现场等。所述工作人员的着装可以包括安全帽、工装、马甲和防护服等。
本申请提供的所述安全着装检测方法可以通过计算机设备实现。计算机设备包括但不限于控制芯片、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。本申请提供的系统控制方法可以通过Python实现,也可以应用于其他软件,通过其他编程语言实现对充电系统的控制。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
请参见图1,本申请一个实施例提供一种安全着装检测方法,所述方法包括:
S100,获取待检测图像,其中,所述待检测图像中包括工作人员的图像。
所述待检测图像数据是指需要进行安全着装检测的工作现场的图像。所述待检测图像中包括所述工作人员的图像和所述工作人员所处的部分工作现场图像,所述工作人员的图像包括工作人员本人。所述计算机设备可以通过在工作现场安装的摄像头,获取所述待检测图像。所述待检测图像的数量有多个。
S200,将所述待检测图像进行图像缩放,得到第一图像数据。
由于通过摄像头获取的所述待检测图像的尺寸可能不一致,所以利用所述计算机设备对获取的所述待检测图像的尺寸进行统一设置。若所述待检测图像的尺寸太大,则对所述待检测图像进行缩小;若所述待检测图像的尺寸太小,则对所述待检测图像进行放大。将得到的尺寸统一的图像作为所述第一图像数据。对所述待检测图像进行图像缩放可以采用最近邻插值和立方卷积插值等方法,本实施例对图像缩放的方法不作任何限制,只要能够实现图像缩放的功能即可。
S300,将所述第一图像数据输入第一检测模型,确定所述工作人员的位置坐标。
所述第一检测模型是在进行安全着装检测之前预先训练好的检测模型。所述第一检测模型可以获取输入图像的位置坐标。所述工作人员的位置坐标是指摄像头拍照时,所述工作人员在工作现场的坐标。所述计算机设备将得到的所述第一图像数据输入所述第一检测模型,根据所述计算机设备中存储器存储的工作现场图像,就可以获取所述第一图像数据中所述工作人员的位置坐标。
S400,根据所述位置坐标和所述待检测图像,获取所述工作人员的图像。
所述计算机设根据所述位置坐标,在所述待检测图像中将所述待监测图像中所述工作人员图像的一部分进行剪裁处理,得到所述工作人员的图像。所述工作人员图像中只包括工作人员。
S500,对所述工作人员的图像进行图像缩放,得到第二图像数据。
由于经过剪裁处理的所述工作人员的图像的尺寸可能不一致,则所述计算机设备对所述工作人员图像进行图像缩放。若所述工作人员的图像的尺寸太小,则对所述工作人员的图像进行放大;若所述工作人员的图像的尺寸太大,则对所述工作人员的图像进行缩小。将得到的尺寸统一的图像作为所述第二图像数据。对所述工作人员的图像进行图像缩放可以采用最近邻插值和立方卷积插值等方法,本实施例对图像缩放的方法不作任何限制,只要能够实现图像缩放的功能即可。
S600,将所述第二图像数据输入第二检测模型,判断所述工作人员安全着装情况。
所述第二检测模型为进行安全着装检测之前预先训练的检测模型。所述计算机设备将所述第二图像数据输入所述第二检测模型,可以判断所述第二图像数据中所述工作人员的安全着装情况,例如,所述工作人员是否佩戴安全帽、所述工作人员是否穿着工装等。
本申请实施例提供的安全着装检测方法、装置、计算机设备和可读存储介质。所述安全着装检测方法通过获取待检测图像,将所述待检测图像进行图像缩放,得到第一图像数据,并将所述第一图像数据输入第一检测模型,确定所述工作人员的位置坐标。再根据所述位置坐标和所述待检测图像,获取所述工作人员的图像,并对所述工作人员的图像进行图像缩放,得到第二图像数据,将所述第二图像数据输入第二检测模型,判断所述工作人员安全着装情况。本实施例提供的所述安全着装检测方法不仅能够确定所述工作人员是否按照规范着装,还能够获取所述工作人员的位置坐标。同时,所述安全着装检测方法对输入所述第一检测模型和所述第二检测模型的图像均进行图像缩放处理,使得输入所述第一检测模型和所述第二检测模型的图像的尺寸是一致的,这样能够提高检测精度和检测速度。并且,本实施例提供的所述安全着装检测方法抗干扰能力强,有较强的实用性。
请参见图2,本申请实施例涉及的是所述将所述待检测图像进行图像缩放,得到第一图像数据的一种可能的实现方式,S200包括:
S210,获取第一预设图像尺寸。
所述第一预设图像尺寸是指预设的输入所述第一检测模型的图像的尺寸大小。所述第一预设图像尺寸存储在所述存储器中,所述计算机设备直接在所述存储器中获取。在一个具体的实施例中,所述第一预设图像尺寸可以为416×416。
S220,根据所述待检测图像和所述第一预设图像尺寸,利用双线性插值方法进行图像缩放,得到所述第一图像数据。
所述双线性插值方法是在二维直角网格上的扩展,用于对双变量函数进行插值,所述双线性插值方法的核心思想是在两个方向分别进行一次线性插值。所述双向性插值方法的原理如下所示:
如图3所示,假设需要得到未知函数f在点P=(x,y)的值,已知函数f在Q11=(x1,y1),Q12=(x1,y2),Q21=(x2,y1),Q22=(x2,y2)四个点的值。
首先,在x轴方向上进行线性插值,得到:
然后,在y轴方向上进行线性插值,得到:
在一个具体的实施例中,若f的四个已知点坐标分别为(0,0)、(0,1)、(1,0)和(1,1),那么插值公式就可以化简为:
f(x,y)≈f(0,0)(1-x)(1-y)+f(1,0)x(1-y)+f(0,1)(1-x)y+f(1,1)xy。
采用所述双线性插值方法,可以将所述待检测图像的尺寸均缩放为所述第一预设图像尺寸,从而能够得到尺寸一致的所述第一图像数据。
请参见图4,本申请实施例涉及的是所述对所述工作人员的图像进行图像缩放,得到第二图像数据的一种可能的实现方式,S500包括:
S510,获取第二预设图像尺寸。
所述第二预设图像尺寸是指预设的输入所述第二检测模型的图像的尺寸大小。所述第二预设图像尺寸存储在所述存储器中,所述计算机设备直接在所述存储器中获取。在一个具体的实施例中,所述第二预设图像尺可以为224×224。
S520,根据所述工作人员的图像和所述第二预设图像尺寸,利用双线性插值方法进行图像缩放,得到所述第二图像数据。
对所述双线性插值方法的描述可以参考对步骤S220的描述,在此不再赘述。利用所述双线性插值方法可以将所述工作人员的图像的尺寸均缩放为所述第二预设图像尺寸,从而能够得到尺寸一致的所述第二图像数据。
请参见图5,在一个实施例中,在步骤S300之前,所述方法还包括:
S700,根据第一图像数据集和目标检测算法训练得到所述第一检测模型。
所述第一图像数据集为采集的工作现场的所有图像,并对所述图像进行处理后得到的图像数据集。在本实施例中,所述目标检测算法是指YOLO的第三版,记为Y0LOv3。所述Y0LOv3采用多尺度融合的方式对目标物进行检测。将所述第一图像数据集输入所述目标检测算法,通过训练可以得到所述第一检测模型。
请参见图6,所述Y0LOv3的原理如下所示:
图6中,CBL表示Conv+BN+Leaky relu,即,先进行卷积,然后批归一化,最后通过Leaky relu激活函数进行激活。其中,Leaky relu激活函数的表达式如下所示:
res_unit表示一个残差单元,与ResNet中的残差结构类似;resn则表示这个Res_block里含有n个res_unit;concat表示张量拼接,它将DarkNet的中间层和后面的某一层的上采样层进行拼接。假设将416×416×3的图像输入后,经过5次的下采样,得到第一张尺寸为13×13的预测特征图,为了实现细粒度特征检测,在第79层特征图处进行上采样,并与来自第61层的特征图进行特征拼接,得到第二张尺寸为26×26的预测特征图;同样的,在第91层特征图处再次进行上采样,与第36层特征图进行特征拼接,得到第三张尺寸为52×52的预测特征图。其中,13×13的预测特征图由于下采样倍数大,单元网格的感受野比较大,适合检测尺寸比较大的目标物;26×26的预测特征图中单元网格感受野适中,适合检测尺寸中等的目标物;52×52的预测特征图中单元个感受野相对较小,适合检测尺寸较小的目标物。
请参见图7,本申请实施例涉及的是所述根据第一图像数据集和目标检测算法训练得到所述第一检测模型的一种可能的实现方式,S700包括:
S710,收集初始图像数据集,其中,所述初始图像数据集包括所述工作人员的图像;
所述初始图像数据集为采集的工作现场的所有图像。所述工作人员的图像包括工作人员本人。
S720,对所述初始图像数据集中的所述工作人员的图像进行标记,获取标记数据。
S730,所述初始图像数据集和所述标记数据构成所述第一图像数据集。
所述计算机设备用包围框对所述初始图像数据集中的所述工作人员的图像进行标记。所述初始图像数据集包括多个初始图像数据,每个所述初始图像数据中最多只包含一个所述包围框。其中,所述包围框为一个长方形框,可以表示成1×4的行向量,所述行向量记录了所述包围框的左上角和右下角对应的坐标。将所述包围框的坐标信息记录到所述工作人员的图像对应的标签文件中,得到所述标记数据,每个所述包围框对应一个标签文件。所述初始图像数据集和对应的所述标记数据共同构成所述第一图像数据集。
S740,对所述第一图像数据集进行图像缩放,得到第一缩放数据集。
所述计算机设备对所述第一图像数据集进行图像缩放,缩放的方法可以采用最近邻插值和立方卷积插值等方法,也可以采用双线性插值的方法,本实施例对此不作任何限制,使用者可以根据实际需求进行选择。对所述初始图像数据集和所述标记数据进行同样尺寸的缩放,得到的所述第一缩放数据集中的图像有同样的尺寸。
S750,根据第一预设比例,将所述第一缩放数据集分为第一训练集和第一验证集。
所述第一预设比例为预先设置的所述第一训练集和所述第二验证集分别在所述第一缩放数据集中占用的比例。所述第一训练集用于训练模型,所述第一验证集用于验证训练的模型的效果。本实施例对所述第一预设比例不作任何限制,使用者可以根据实际情况自行选择。
在一个具体的实施例中,所述第一预设比例为4:1,即,将所述第一缩放数据集按照4:1的比例分为所述第一训练集和所述第一验证集,所述第一训练集为所述第一缩放数据集的4/5,所述第一验证集为所述第一缩放数据集的1/5。
S760,根据所述第一训练集和所述目标检测算法,确定初始第一检测模型。
S770,根据所述第一验证集,对所述初始第一检测模型进行验证,确定所述第一检测模型。
将所述第一训练集输入所述目标检测算法,通过训练可以得到所述初始第一检测模型。再将所述第一验证集输入所述初始第一检测模型,检测所述初始第一检测模型是否可以准确的检测出所述工作人员的位置坐标。若通过所述第一验证集验证,所述初始第一检测模型检测效果很好,即,可以准确的检测出所述工作人员的位置坐标,则将所述初始第一检测模型确定为所述第一检测模型。若通过所述第一验证集验证,所述初始第一检测模型检测效果不好,则需要重新训练所述初始第一检测模型,然后再进行验证。对所述初始第一检测模型的重新训练可以利用所述第一训练集重新训练,也可以返回步骤S710重新训练。
在本实施例中,在获取所述第一检测模型时,增加了验证的步骤,这样能够保证得到的所述第一检测模型检测精度较高,从而能够提高所述安全着装检测方法的检测精度。
请继续参见图5,在一个实施例中,步骤S600之前还包括:
S800,根据第二图像数据集和轻量化卷积神经网络模型训练得到所述第二检测模型。
在本实施例中,所述轻量化卷积神经网络模型为MobileNetV2模型,即MobileNet模型的第二版。MobileNetV2模型是深度级可分离卷积和深度残差网络相结合的神经网络模型,所述MobileNetV2模型所需的参数较少。深度级可分离卷积可以分为两步卷积,第一步为深度级卷积,第二步为逐点卷积,这两个卷积构成一个标准的卷积。图8描述了一个标准的卷积分解为一个深度级卷积和一个逐点卷积的过程。图中,M代表输入通道数,N代表输出通道数,DK表示卷积核的尺寸大小。如下公式所示,通过将一个标准的卷积分解为深度级卷积和逐点卷积,计算复杂度近似变为了原来的
请参见图9,本申请实施例涉及的是所述根据第二图像数据集和轻量化卷积神经网络模型训练得到所述第二检测模型的一种可能的实现方式,S800包括:
S810,根据所述标记数据和所述初始图像数据集,确定所述第二图像数据集。
所述计算机设备根据所述标记数据,在所述初始图像数据集中裁剪所述工作人员的图像,得到所述第二图像数据集。所述第二图像数据集中只包括所述工作人员的图像。在一个具体的实施例中,所述工作人员的着装为安全帽、工装和马甲,可以采用如表1所示的方法对所述工作人员的着装情况进行分类标记。其中,“0”表示所述工作人员未穿,“1”表示所述工作人员穿。
S820,对所述第二图像数据集进行图像缩放,得到第二缩放数据集。
所述计算机设备对所述第二图像数据集进行图像缩放,缩放的方法可以采用最近邻插值和立方卷积插值等方法,也可以采用双线性插值的方法,本实施例对此不作任何限制,使用者可以根据实际需求进行选择。
S830,根据第二预设比例,将所述第二缩放数据分为第二训练集和第二验证集。
对所述第二预设比例的描述可以参考对所述第一预设比例的描述,在此不再赘述。
S840,根据所述第二训练集和所述轻量化卷积神经网络模型,确定初始第二检测模型。
S850,根据所述第二验证集,对所述初始第二检测模型进行验证,确定所述第二检测模型。
将所述第二训练集输入所述轻量化卷积神经网络模型,通过训练可以得到所述初始第二检测模型。再将所述第二验证集输入所述初始第二检测模型,检测所述初始第二检测模型是否可以准确的检测出所述工作人员安全着装情况。若通过所述第二验证集验证,所述初始第二检测模型可以准确的判断所述工作人员安全着装情况,则将所述初始第二检测模型确定为所述第二检测模型。若通过所述第二验证集验证,所述初始第一检测模型检测的所述工作人员安全着装情况不准确,则需要重新训练所述初始第二检测模型,然后再进行验证。对所述初始第二检测模型的重新训练可以利用所述第二训练集重新训练,也可以返回步骤S710重新训练。在对轻量化卷积神经网络模型进行训练时,所述第二训练集中包括所述工作人员的安全着装情况。在验证时,所述第二验证集中不包括所述工作人员的安全着装情况,仅仅包括所述工作人员的图像。在利用所述初始第二检测模型检测出来结果后,与所述工作人员的安全着装情况进行对比,判断所述初始第二检测模型的检测的是否准确。
在本实施例中,在获取所述第二检测模型时,增加了验证的步骤,这样能够保证得到的所述第二检测模型检测精度较高,从而能够提高所述安全着装检测方法的检测精度。
应该理解的是,虽然图中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。
请参见图10,本申请一个实施例提供一种安全着装检测装置10,所述装置包括待检测图像获取模块100、第一图像数据确定模块200、位置坐标确定模块300、工作人员的图像确定模块400、第二图像数据获取模块500和安全着装确定模块600。其中,
所述待检测图像获取模块100用于获取待检测图像,其中,所述待检测图像中包括工作人员的图像;
所述第一图像数据确定模块200用于将所述待检测图像进行图像缩放,得到第一图像数据;
所述位置坐标确定模块300用于将所述第一图像数据输入第一检测模型,确定所述工作人员的位置坐标;
所述工作人员的图像确定模块400用于根据所述位置坐标和所述待检测图像,获取所述工作人员的图像;
所述第二图像数据确定模块500用于对所述工作人员的图像进行图像缩放,得到第二图像数据;
所述安全着装确定模块600用于将所述第二图像数据输入第二检测模型,确定所述工作人员安全着装情况。
关于上述所述安全着装检测装置10的具体限定可以参见上文中对于安全着装检测方法的限定,在此不在赘述。所述安全着装检测装置10中的各个模块可以全部或部分通过软件、硬件及其组合来实现。上述各装置、各模块或者各单元可以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装置或模块对应的操作。
请参见图11,在一个实施例中,提供了一种计算机设备,所述计算机设备可以是服务器,其内部结构图可以如图11所示。所述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,所述计算机设备的处理器用于提供计算和控制能力。所述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。所述计算机设备的数据库用于存储所述待检测图像数据、所述第一检测模型和所述第二检测模型等。所述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。所述计算机设备被处理器执行时以实现一种安全着装检测方法。
本领域技术人员可以理解,图11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,所述处理器执行计算机程序时实现以下步骤:
获取待检测图像,其中,所述待检测图像中包括工作人员的图像;
将所述待检测图像进行图像缩放,得到第一图像数据;
将所述第一图像数据输入第一检测模型,确定所述工作人员的位置坐标;
根据所述位置坐标和所述待检测图像,获取所述工作人员的图像;
对所述工作人员的图像进行图像缩放,得到第二图像数据;
将所述第二图像数据输入第二检测模型,判断所述工作人员安全着装情况。
在一个实施例中,所述处理器执行计算机程序时还实现以下步骤:获取第一预设图像尺寸;根据所述待检测图像和所述第一预设图像尺寸,利用双线性插值方法进行图像缩放,得到所述第一图像数据。
在一个实施例中,所述处理器执行计算机程序时还实现以下步骤:获取第二预设图像尺寸;根据所述工作人员的图像和所述第二预设图像尺寸,利用双线性插值方法进行图像缩放,得到所述第二图像数据。
在一个实施例中,所述处理器执行计算机程序时实现还以下步骤:根据第一图像数据集和目标检测算法训练得到所述第一检测模型。
在一个实施例中,所述处理器执行计算机程序时还实现以下步骤:收集初始图像数据集,所述初始图像数据集包括所述工作人员的图像;对所述初始图像数据集中的所述工作人员的图像进行标记,获取标记数据;所述初始图像数据集和所述标记数据构成所述第一图像数据集;对所述第一图像数据集进行图像缩放,得到第一缩放数据集;根据第一预设比例,将所述第一缩放数据集分为第一训练集和第一验证集;根据所述第一训练集和所述目标检测算法,确定初始第一检测模型;根据所述第一验证集,对所述初始第一检测模型进行验证,确定所述第一检测模型。
在一个实施例中,所述处理器执行计算机程序时还实现以下步骤:根据第二图像数据集和轻量化卷积神经网络模型训练得到所述第二检测模型。
在一个实施例中,所述处理器执行计算机程序时还实现以下步骤:根据所述标记数据和所述初始图像数据集,确定所述第二图像数据集;对所述第二图像数据集进行图像缩放,得到第二缩放数据集;根据第二预设比例,将所述第二缩放数据集分为第二训练集和第二验证集;根据所述第二训练集和所述轻量化卷积神经网络模型,确定初始第二检测模型;根据所述第二验证集,对所述初始第二检测模型进行验证,确定所述第二检测模型。
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以下步骤:
获取待检测图像,其中,所述待检测图像中包括工作人员的图像;
将所述待检测图像进行图像缩放,得到第一图像数据;
将所述第一图像数据输入第一检测模型,确定所述工作人员的位置坐标;
根据所述位置坐标和所述待检测图像,获取所述工作人员的图像;
对所述工作人员的图像进行图像缩放,得到第二图像数据;
将所述第二图像数据输入第二检测模型,判断所述工作人员安全着装情况。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取第一预设图像尺寸;根据所述待检测图像和所述第一预设图像尺寸,利用双线性插值方法进行图像缩放,得到所述第一图像数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取第二预设图像尺寸;根据所述工作人员的图像和所述第二预设图像尺寸,利用双线性插值方法进行图像缩放,得到所述第二图像数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据第一图像数据集和目标检测算法训练得到所述第一检测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:收集初始图像数据集,所述初始图像数据集包括所述工作人员的图像;对所述初始图像数据集中的所述工作人员的图像进行标记,获取标记数据;所述初始图像数据集和所述标记数据构成所述第一图像数据集;对所述第一图像数据集进行图像缩放,得到第一缩放数据集;根据第一预设比例,将所述第一缩放数据集分为第一训练集和第一验证集;根据所述第一训练集和所述目标检测算法,确定初始第一检测模型;根据所述第一验证集,对所述初始第一检测模型进行验证,确定所述第一检测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据第二图像数据集和轻量化卷积神经网络模型训练得到所述第二检测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据所述标记数据和所述初始图像数据集,确定所述第二图像数据集;对所述第二图像数据集进行图像缩放,得到第二缩放数据集;根据第二预设比例,将所述第二缩放数据集分为第二训练集和第二验证集;根据所述第二训练集和所述轻量化卷积神经网络模型,确定初始第二检测模型;根据所述第二验证集,对所述初始第二检测模型进行验证,确定所述第二检测模型。
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本申请专利范围的限制。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)
1.一种安全着装检测方法,其特征在于,所述方法包括:
获取待检测图像,其中,所述待检测图像中包括工作人员的图像;
将所述待检测图像进行图像缩放,得到第一图像数据;
将所述第一图像数据输入第一检测模型,确定所述工作人员的位置坐标;
根据所述位置坐标和所述待检测图像,获取所述工作人员的图像;
对所述工作人员的图像进行图像缩放,得到第二图像数据;
将所述第二图像数据输入第二检测模型,判断所述工作人员安全着装情况。
2.根据权利要求1所述的安全着装检测方法,其特征在于,所述将所述待检测图像进行图像缩放,得到第一图像数据,包括:
获取第一预设图像尺寸;
根据所述待检测图像和所述第一预设图像尺寸,利用双线性插值方法进行图像缩放,得到所述第一图像数据。
3.根据权利要求1所述的安全着装检测方法,其特征在于,所述对所述工作人员的图像进行图像缩放,得到第二图像数据,包括:
获取第二预设图像尺寸;
根据所述工作人员的图像和所述第二预设图像尺寸,利用双线性插值方法进行图像缩放,得到所述第二图像数据。
4.根据权利要求1所述的安全着装检测方法,其特征在于,所述将所述第一图像数据输入第一检测模型,确定所述工作人员的位置坐标之前,还包括:
根据第一图像数据集和目标检测算法训练得到所述第一检测模型。
5.根据权利要求4所述的安全着装检测方法,其特征在于,所述根据第一图像数据集和目标检测算法训练得到所述第一检测模型,包括:
收集初始图像数据集,所述初始图像数据集包括所述工作人员的图像;
对所述初始图像数据集中的所述工作人员的图像进行标记,获取标记数据;
所述初始图像数据集和所述标记数据构成所述第一图像数据集;
对所述第一图像数据集进行图像缩放,得到第一缩放数据集;
根据第一预设比例,将所述第一缩放数据集分为第一训练集和第一验证集;
根据所述第一训练集和所述目标检测算法,确定初始第一检测模型;
根据所述第一验证集,对所述初始第一检测模型进行验证,确定所述第一检测模型。
6.根据权利要求5所述的安全着装检测方法,其特征在于,所述将所述第二图像数据输入第二检测模型,判断所述工作人员安全着装情况之前,还包括:
根据第二图像数据集和轻量化卷积神经网络模型训练得到所述第二检测模型。
7.根据权利要求6所述的安全着装检测方法,其特征在于,所述根据第二图像数据集和轻量化卷积神经网络模型训练得到所述第二检测模型,包括:
根据所述标记数据和所述初始图像数据集,确定所述第二图像数据集;
对所述第二图像数据集进行图像缩放,得到第二缩放数据集;
根据第二预设比例,将所述第二缩放数据集分为第二训练集和第二验证集;
根据所述第二训练集和所述轻量化卷积神经网络模型,确定初始第二检测模型;
根据所述第二验证集,对所述初始第二检测模型进行验证,确定所述第二检测模型。
8.一种安全着装检测装置,其特征在于,所述装置包括:
待检测图像获取模块,用于获取待检测图像,其中,所述待检测图像中包括工作人员的图像;
第一图像数据确定模块,用于将所述待检测图像进行图像缩放,得到第一图像数据;
位置坐标确定模块,用于将所述第一图像数据输入第一检测模型,确定所述工作人员的位置坐标;
工作人员的图像确定模块,用于根据所述位置坐标和所述待检测图像,获取所述工作人员的图像;
第二图像数据确定模块,用于对所述工作人员的图像进行图像缩放,得到第二图像数据;
安全着装确定模块,用于将所述第二图像数据输入第二检测模型,判断所述工作人员安全着装情况。
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7中任一项所述的方法的步骤。
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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010211784.8A CN111428641A (zh) | 2020-03-24 | 2020-03-24 | 安全着装检测方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010211784.8A CN111428641A (zh) | 2020-03-24 | 2020-03-24 | 安全着装检测方法、装置、计算机设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111428641A true CN111428641A (zh) | 2020-07-17 |
Family
ID=71549012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010211784.8A Pending CN111428641A (zh) | 2020-03-24 | 2020-03-24 | 安全着装检测方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428641A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036251A (zh) * | 2020-08-04 | 2020-12-04 | 汇纳科技股份有限公司 | 用于用户着装检测的实现方法、系统、介质及终端 |
CN113052140A (zh) * | 2021-04-25 | 2021-06-29 | 合肥中科类脑智能技术有限公司 | 一种基于视频的变电站人员车辆违规检测方法及系统 |
CN113343847A (zh) * | 2021-06-04 | 2021-09-03 | 深圳供电局有限公司 | 异常数据检测方法、装置、计算机设备和可读存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745226A (zh) * | 2013-12-31 | 2014-04-23 | 国家电网公司 | 一种电力设施作业现场人员着装安全检测方法 |
CN104077581A (zh) * | 2014-07-21 | 2014-10-01 | 国家电网公司 | 安全帽正确佩戴智能视频识别方法 |
CN104376611A (zh) * | 2014-10-20 | 2015-02-25 | 胡昔兵 | 一种基于人脸识别的下井考勤方法及其装置 |
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 |
CN107463912A (zh) * | 2017-08-10 | 2017-12-12 | 武汉大学深圳研究院 | 基于运动显著性的视频人体行为识别方法 |
CN107679524A (zh) * | 2017-10-31 | 2018-02-09 | 天津天地伟业信息系统集成有限公司 | 一种基于视频的安全帽佩戴情况的检测方法 |
CN108010025A (zh) * | 2017-12-14 | 2018-05-08 | 浙江大学 | 基于rcnn的屏柜的开关与指示灯定位和状态识别方法 |
CN108230292A (zh) * | 2017-04-11 | 2018-06-29 | 北京市商汤科技开发有限公司 | 物体检测方法和神经网络的训练方法、装置及电子设备 |
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 |
CN108537256A (zh) * | 2018-03-26 | 2018-09-14 | 北京智芯原动科技有限公司 | 一种安全帽佩戴识别方法及装置 |
CN109345553A (zh) * | 2018-08-31 | 2019-02-15 | 厦门中控智慧信息技术有限公司 | 一种手掌及其关键点检测方法、装置和终端设备 |
CN109508638A (zh) * | 2018-10-11 | 2019-03-22 | 平安科技(深圳)有限公司 | 人脸情绪识别方法、装置、计算机设备及存储介质 |
CN110263686A (zh) * | 2019-06-06 | 2019-09-20 | 温州大学 | 一种基于深度学习的施工工地图像安全帽检测方法 |
CN110619314A (zh) * | 2019-09-24 | 2019-12-27 | 杭州宇泛智能科技有限公司 | 安全帽检测方法、装置及电子设备 |
-
2020
- 2020-03-24 CN CN202010211784.8A patent/CN111428641A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745226A (zh) * | 2013-12-31 | 2014-04-23 | 国家电网公司 | 一种电力设施作业现场人员着装安全检测方法 |
CN104077581A (zh) * | 2014-07-21 | 2014-10-01 | 国家电网公司 | 安全帽正确佩戴智能视频识别方法 |
CN104376611A (zh) * | 2014-10-20 | 2015-02-25 | 胡昔兵 | 一种基于人脸识别的下井考勤方法及其装置 |
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 |
CN108230292A (zh) * | 2017-04-11 | 2018-06-29 | 北京市商汤科技开发有限公司 | 物体检测方法和神经网络的训练方法、装置及电子设备 |
CN107463912A (zh) * | 2017-08-10 | 2017-12-12 | 武汉大学深圳研究院 | 基于运动显著性的视频人体行为识别方法 |
CN107679524A (zh) * | 2017-10-31 | 2018-02-09 | 天津天地伟业信息系统集成有限公司 | 一种基于视频的安全帽佩戴情况的检测方法 |
CN108010025A (zh) * | 2017-12-14 | 2018-05-08 | 浙江大学 | 基于rcnn的屏柜的开关与指示灯定位和状态识别方法 |
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 |
CN108537256A (zh) * | 2018-03-26 | 2018-09-14 | 北京智芯原动科技有限公司 | 一种安全帽佩戴识别方法及装置 |
CN109345553A (zh) * | 2018-08-31 | 2019-02-15 | 厦门中控智慧信息技术有限公司 | 一种手掌及其关键点检测方法、装置和终端设备 |
CN109508638A (zh) * | 2018-10-11 | 2019-03-22 | 平安科技(深圳)有限公司 | 人脸情绪识别方法、装置、计算机设备及存储介质 |
CN110263686A (zh) * | 2019-06-06 | 2019-09-20 | 温州大学 | 一种基于深度学习的施工工地图像安全帽检测方法 |
CN110619314A (zh) * | 2019-09-24 | 2019-12-27 | 杭州宇泛智能科技有限公司 | 安全帽检测方法、装置及电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036251A (zh) * | 2020-08-04 | 2020-12-04 | 汇纳科技股份有限公司 | 用于用户着装检测的实现方法、系统、介质及终端 |
CN113052140A (zh) * | 2021-04-25 | 2021-06-29 | 合肥中科类脑智能技术有限公司 | 一种基于视频的变电站人员车辆违规检测方法及系统 |
CN113343847A (zh) * | 2021-06-04 | 2021-09-03 | 深圳供电局有限公司 | 异常数据检测方法、装置、计算机设备和可读存储介质 |
CN113343847B (zh) * | 2021-06-04 | 2024-03-26 | 深圳供电局有限公司 | 异常数据检测方法、装置、计算机设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428641A (zh) | 安全着装检测方法、装置、计算机设备和可读存储介质 | |
CN111222423B (zh) | 基于作业区域的目标识别方法、装置、计算机设备 | |
CN106845331B (zh) | 一种图像处理方法及终端 | |
CN111639522B (zh) | 活体检测方法、装置、计算机设备和存储介质 | |
CN112336342B (zh) | 手部关键点检测方法、装置及终端设备 | |
CN116206255B (zh) | 基于机器视觉的危险区域人员监控方法与装置 | |
CN111401131A (zh) | 隧道管廊的图像处理方法、装置、计算机设备和存储介质 | |
CN114022558B (zh) | 图像定位方法、装置、计算机设备和存储介质 | |
CN111325128A (zh) | 违规操作检测方法、装置、计算机设备和存储介质 | |
CN112070043A (zh) | 基于特征融合的安全帽佩戴卷积网络、训练及检测方法 | |
CN113536262A (zh) | 基于面部表情的解锁方法、装置、计算机设备和存储介质 | |
KR101668555B1 (ko) | 작업 현장 영상 데이터 내의 작업자 인식 방법 | |
CN112561859A (zh) | 基于单目视觉的锚护用钢带钻孔与锚网识别方法及装置 | |
US10140555B2 (en) | Processing system, processing method, and recording medium | |
CN112949576A (zh) | 姿态估计方法、装置、设备及存储介质 | |
CN112580778A (zh) | 基于YOLOv5和Pose-estimation的工地工人手机使用检测方法 | |
Roberts et al. | Annotating 2D imagery with 3D kinematically configurable assets of construction equipment for training pose-informed activity analysis and safety monitoring algorithms | |
CN113762221B (zh) | 人体检测方法及装置 | |
CN113469150B (zh) | 一种用于对风险行为进行识别的方法及系统 | |
CN114429661A (zh) | 基于局域监督的人脸三维卡通化方法、装置、设备及介质 | |
CN114332770A (zh) | 一种作业人员安全防护合规识别方法、装置及终端 | |
CN114757822A (zh) | 一种基于双目的人体三维关键点检测方法及系统 | |
CN114913567A (zh) | 口罩佩戴的检测方法、装置、终端设备及可读存储介质 | |
Hannuksela et al. | Face tracking for spatially aware mobile user interfaces | |
CN112036251A (zh) | 用于用户着装检测的实现方法、系统、介质及终端 |
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 |