CN111428684A - 一种机场停机坪作业人员作业规范及数量的自动识别方法 - Google Patents
一种机场停机坪作业人员作业规范及数量的自动识别方法 Download PDFInfo
- Publication number
- CN111428684A CN111428684A CN202010283725.1A CN202010283725A CN111428684A CN 111428684 A CN111428684 A CN 111428684A CN 202010283725 A CN202010283725 A CN 202010283725A CN 111428684 A CN111428684 A CN 111428684A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- model
- personnel
- identifying
- identification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 235000015243 ice cream Nutrition 0.000 claims description 12
- 238000013075 data extraction Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
- G06M11/00—Counting of objects distributed at random, e.g. on a surface
-
- 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
- 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
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种机场停机坪作业人员作业规范及数量的自动识别方法,根据航班号或者停机坪信息匹配对应的飞机及停机坪信息,通过视频分析算法,结合航班进入机位作业步骤的标准作业流程,对机场停机坪上迎机人员作业流程进行监控,以保证其按规定的流程进行各项操作,确保迎机人员作业的规范性及安全性。并对迎机人员作业流程进行记录和统计,随时可检索查看,该节点数据永久保存。同时,当有迎机人员作业违规事项时即时报警,还可通过报警提示查看报警对应的截图和短视频,确保可以即时应对违规事项及时处理。
Description
技术领域
本发明涉及一种监控报警方法,具体涉及一种机场停机坪作业人员作业规范及数量的自动识别方法。
背景技术
根据民航局的要求,飞行器在降落机场后,进入机位,在即将起飞前离开机位等作业步骤都需要严格遵守对应的标准规范。飞机的降落到飞机停机入位流程中,需要迎机人员的引导及迎机人员做好安全保障措施,迎机人员严格遵守作业规范进行作业。虽然在绝大部分的机位都配置了监控摄像头,但传统摄像头的监控还是靠人工进行,一个工作人员需要同时监控多个摄像头,极易造成漏查的情况,更多的是在发生违规或者意外之后调取对应视频进行回溯,无法及时报警。另外,人工监控无法对每次迎机人员作业步骤进行记录和统计,无法有效或高效的获取每个迎机人员的作业情况,是否有违规操作等等。
发明内容
本发明所要解决的技术问题是种机场停机坪作业人员作业规范及数量的自动识别方法,通过视频分析算法,结合航班进入机位作业步骤的标准作业流程,对机场停机坪迎机人员的作业流程进行监控,可以有效解决现有技术中存在的诸多不足。
本发明是通过以下技术方案来实现的:一种机场停机坪作业人员作业规范及数量的自动识别方法,根据航班号或者停机坪信息匹配对应的飞机及停机坪信息,具体包括以下几个流程节点:飞行器出现、迎机人员迎机、飞行器入位停止、放置轮档以及放置雪糕筒;
具体步骤如下:
步骤一、进行机坪的区域识别,包括红线区以及停止线;
步骤二、进行物体识别;
步骤三、在对迎机作业流程中对迎机人员进行识别,判断其运动过程及迎机人员数量是否符合作业规范;
步骤四、在迎机人员作业流程触发的结束或者起始点进行时刻记录;
步骤五、在有违规事项时进行报警,并记录对应的时刻以及违规内容、相应的截图和视频。
作为优选的技术方案,步骤四中,进行物体识别包括对反光背心的识别。
作为优选的技术方案,反光背心的识别方法如下:
采用TensorFlow框架搭建的分类模型,识别工作人员是否穿着反光背心,
流程中总共有两个模型,一个是人员检查模型,二是反光背心判断模型。
作为优选的技术方案,模型一:人员检测采用SSD+Mobilenet模型,获取机场有效数据,制作特定格式的压缩数据集,调整模型参数,修改模型结构算法,以最好的效果适应机场数据;
模型二:反光背心识别模型,模型核心采用卷积神经网络,输入图片为一张80*80的3通道彩色图片数据,第一层通过卷积3*3*32的操作,获取更深的数据信息,使得不用数据层之间关注不同的反光背心数据信息,同时通过步长为2的设计,让每一层的数据压缩为原来的一半,提取关键信息;
第二层使用倒置残差网络设计,通过放大数据信号进行数据提取,维持原有数据层次及大小,增加模型非线性,保证模型的拟合能力;
第三层采用线性1*1*32的Conv,各层关注各层的数据提取,输出结果再根据卷积组合进行一定的下采样获取最终的分类结果。
作为优选的技术方案,步骤二中,对进行物体识别还包括对迎机人员作业识别,通过建立了一个空间内的判断模型,在停机坪区域画红线取和停止线,在该区域中判断是否有人,同时,也根据反光背心的算法判断该工作人员是否穿着工作服。
作为优选的技术方案,步骤二中,进行物体识别还包括对雪糕筒的识别,在识别雪糕筒的同时,识别飞行器的左机翼、右机翼、机头、机尾等位置,并在这些位置进行动态的图像识别,判断是否已有雪糕筒摆放,当一个摄像头信息无法涵盖所有位置时,需通过另一个互补的摄像机机位进行统一判断。
作为优选的技术方案,步骤二中,进行物体识别还包括对轮档的识别,首先通过识别模型识别轮档图像特征,判断轮档位置,在识别轮档的同时,识别飞行器的前机轮和后机轮位置,并在这些位置进行动态的图像识别,判断是否已有轮档放置,当一个摄像头信息无法涵盖所有位置时,需通过另一个互补的摄像机机位进行统一判断。
作为优选的技术方案,在对迎机作业流程中对迎机人员进行识别,判断其运动过程及迎机人员数量是否符合作业规范。
作为优选的技术方案,实现方法如下:
(1)关于迎机人员进行深度神经元网络训练,构建神经网络目标检测模型;
(2)通过RFID系统检测标识检测区域内的迎机人员,并进行数目统计;
(3)当RFID系统检测到迎机人员的RFID信息后触发并获取标识检测区域内的迎机人员的图像,并将图像输入训练好的神经网络目标检测模型中进行识别和统计数目;
结合RFID系统和神经网络人员检测模型的统计数目,最终获取标识检测区域内迎机人员的数目;
若RFID系统的计数与神经网络目标检测模型的计数相同,则将该计数作为最终的计数,若RFID系统的计数与神经网络目标检测模型的计数不同,则进行报警,请求进行人工计数;若超过规定检测区域范围及人员数量则触发违规报警。
本发明的有益效果是:本发明通过视频分析算法,结合航班进入机位作业步骤的标准作业流程,对机场停机坪迎机人员的作业流程进行监控,以保证其按规定的流程进行各项操作,确保迎机人员作业的规范性及安全性。
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简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明的迎机人员作业流程图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
在本发明的描述中,需要理解的是,术语“一端”、“另一端”、“外侧”、“上”、“内侧”、“水平”、“同轴”、“中央”、“端部”、“长度”、“外端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本发明使用的例如“上”、“上方”、“下”、“下方”等表示空间相对位置的术语是出于便于说明的目的来描述如附图中所示的一个单元或特征相对于另一个单元或特征的关系。空间相对位置的术语可以旨在包括设备在使用或工作中除了图中所示方位以外的不同方位。例如,如果将图中的设备翻转,则被描述为位于其他单元或特征“下方”或“之下”的单元将位于其他单元或特征“上方”。因此,示例性术语“下方”可以囊括上方和下方这两种方位。设备可以以其他方式被定向(旋转90度或其他朝向),并相应地解释本文使用的与空间相关的描述语
在本发明中,除非另有明确的规定和限定,术语“设置”、“套接”、“连接”、“贯穿”、“插接”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
如图1所示,根据航班号或者停机坪信息匹配对应的飞机及停机坪信息,其具体包括以下几个流程节点:飞行器出现、迎机人员迎机、飞行器入位停止、放置轮档、放置雪糕筒;
根据该流程,通过视频分析算法对迎机人员作业节点进行判断,记录下该节点的时刻,形成一个完整的作业流程报表,如对应的节点有违规事件,即时进行报警,并同时在流程节点报表中进行记录,如下表1:
具体步骤如下:
(一)进行机坪的区域识别,包括红线区以及停止线;
(二)进行物体识别;
(三)在迎机人员作业流程中对迎机人员的运动进行识别,判断其运动过程及数量是否符合作业规范;
(四)在迎机人员作业流程触发的结束或者起始点进行时刻记录;
(五)在有违规事项时进行报警,并记录对应的时刻以及违规内容、相应的截图和视频。
进行物体识别包括对反光背心的识别,反光背心的识别方法如下:
采用TensorFlow框架搭建的分类模型,识别工作人员是否穿着反光背心,流程中总共有两个模型,一个是人员检查模型,二是反光背心判断模型;
其中,模型一:人员检测采用SSD+Mobilenet模型,获取机场有效数据,制作特定格式的压缩数据集,调整模型参数,修改模型结构算法,以最好的效果适应机场数据;
模型二:反光背心识别模型,模型核心采用卷积神经网络,输入图片为一张80*80的3通道彩色图片数据,第一层通过卷积3*3*32的操作,获取更深的数据信息,使得不用数据层之间关注不同的反光背心数据信息,同事通过步长为2的设计,让每一层的数据压缩为原来的一半,提取关键信息;第二层使用倒置残差网络设计,通过放大数据信号进行数据提取,维持原有数据层次及大小,增加模型非线性,保证模型的拟合能力;第三层采用线性1*1*32的Conv,各层关注各层的数据提取,输出结果再根据卷积组合进行一定的下采样获取最终的分类结果。
进行物体识别包括对迎机人员作业识别,通过建立了一个空间内的判断模型,在停机坪区域内画红线和停止线,在该区域中判断是否有人,同时,也根据反光背心的算法判断该工作人员是否穿着工作服。
进行物体识别包括对雪糕筒的识别,该识别算法与反光背心类似,在识别雪糕筒的同时,识别飞行器的左机翼、右机翼、机头、机尾等位置,并在这些位置进行动态的图像识别,判断是否已有雪糕筒摆放,当一个摄像头信息无法涵盖所有位置时,需通过另一个互补的摄像机机位进行统一判断。
进行物体识别包括对迎机人员的识别,判断其运动过程及迎机人员数量是否符合作业规范,其实现方法如下:
1)关于迎机人员进行深度神经元网络训练,构建神经网络目标检测模型;
2)通过RFID系统检测标识检测区域内的迎机人员,并进行数目统计;
3)当RFID系统检测到迎机人员的RFID信息后触发并获取标识检测区域内的迎机人员的图像,并将图像输入训练好的神经网络目标检测模型中进行识别和统计数目;
结合RFID系统和神经网络人员检测模型的统计数目,最终获取标识检测区域内迎机人员的数目;若RFID系统的计数与神经网络目标检测模型的计数相同,则将该计数作为最终的计数,若RFID系统的计数与神经网络目标检测模型的计数不同,则进行报警,请求进行人工计数。若超过规定检测区域范围及人员数量则触发违规报警
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (9)
1.一种机场停机坪作业人员作业规范及数量的自动识别方法,根据航班号或者停机坪信息匹配对应的飞机及停机坪信息,其特征在于,具体包括以下几个流程节点:飞行器出现、迎机人员迎机、飞行器入位停止、放置轮档以及放置雪糕筒;
具体步骤如下:
步骤一、进行机坪的区域识别,包括红线区以及停止线;
步骤二、进行物体识别;
步骤三、在对迎机作业流程中对迎机人员进行识别,判断其运动过程及迎机人员数量是否符合作业规范;
步骤四、在迎机人员作业流程触发的结束或者起始点进行时刻记录;
步骤五、在有违规事项时进行报警,并记录对应的时刻以及违规内容、相应的截图和视频。
2.根据权利要求1所述的机场停机坪作业人员作业规范及数量的自动识别方法,其特征在于:步骤四中,进行物体识别包括对反光背心的识别。
3.根据权利要求2所述的机场停机坪作业人员作业规范及数量的自动识别方法,其特征在于:反光背心的识别方法如下:
采用TensorFlow框架搭建的分类模型,识别工作人员是否穿着反光背心,
流程中总共有两个模型,一个是人员检查模型,二是反光背心判断模型。
4.根据权利要求3所述的机场停机坪作业人员作业规范及数量的自动识别方法,其特征在于:模型一:人员检测采用SSD+Mobilenet模型,获取机场有效数据,制作特定格式的压缩数据集,调整模型参数,修改模型结构算法,以最好的效果适应机场数据;
模型二:反光背心识别模型,模型核心采用卷积神经网络,输入图片为一张80*80的3通道彩色图片数据,第一层通过卷积3*3*32的操作,获取更深的数据信息,使得不用数据层之间关注不同的反光背心数据信息,同时通过步长为2的设计,让每一层的数据压缩为原来的一半,提取关键信息;
第二层使用倒置残差网络设计,通过放大数据信号进行数据提取,维持原有数据层次及大小,增加模型非线性,保证模型的拟合能力;
第三层采用线性1*1*32的Conv,各层关注各层的数据提取,输出结果再根据卷积组合进行一定的下采样获取最终的分类结果。
5.根据权利要求1所述的机场停机坪作业人员作业规范及数量的自动识别方法,其特征在于:步骤二中,对进行物体识别还包括对迎机人员作业识别,通过建立了一个空间内的判断模型,在停机坪区域画红线取和停止线,在该区域中判断是否有人,同时,也根据反光背心的算法判断该工作人员是否穿着工作服。
6.根据权利要求1所述的机场停机坪作业人员作业规范及数量的自动识别方法,其特征在于:步骤二中,进行物体识别还包括对雪糕筒的识别,在识别雪糕筒的同时,识别飞行器的左机翼、右机翼、机头、机尾等位置,并在这些位置进行动态的图像识别,判断是否已有雪糕筒摆放,当一个摄像头信息无法涵盖所有位置时,需通过另一个互补的摄像机机位进行统一判断。
7.根据权利要求1所述的机场停机坪作业人员作业规范及数量的自动识别方法,其特征在于:步骤二中,进行物体识别还包括对轮档的识别,首先通过识别模型识别轮档图像特征,判断轮档位置,在识别轮档的同时,识别飞行器的前机轮和后机轮位置,并在这些位置进行动态的图像识别,判断是否已有轮档放置,当一个摄像头信息无法涵盖所有位置时,需通过另一个互补的摄像机机位进行统一判断。
8.根据权利要求1所述的机场停机坪作业人员作业规范及数量的自动识别方法,其特征在于:在对迎机作业流程中对迎机人员进行识别,判断其运动过程及迎机人员数量是否符合作业规范。
9.根据权利要求8所述的机场停机坪作业人员作业规范及数量的自动识别方法,其特征在于:实现方法如下:
(1)关于迎机人员进行深度神经元网络训练,构建神经网络目标检测模型;
(2)通过RFID系统检测标识检测区域内的迎机人员,并进行数目统计;
(3)当RFID系统检测到迎机人员的RFID信息后触发并获取标识检测区域内的迎机人员的图像,并将图像输入训练好的神经网络目标检测模型中进行识别和统计数目;
结合RFID系统和神经网络人员检测模型的统计数目,最终获取标识检测区域内迎机人员的数目;
若RFID系统的计数与神经网络目标检测模型的计数相同,则将该计数作为最终的计数,若RFID系统的计数与神经网络目标检测模型的计数不同,则进行报警,请求进行人工计数;若超过规定检测区域范围及人员数量则触发违规报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010283725.1A CN111428684A (zh) | 2020-04-13 | 2020-04-13 | 一种机场停机坪作业人员作业规范及数量的自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010283725.1A CN111428684A (zh) | 2020-04-13 | 2020-04-13 | 一种机场停机坪作业人员作业规范及数量的自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111428684A true CN111428684A (zh) | 2020-07-17 |
Family
ID=71553916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010283725.1A Pending CN111428684A (zh) | 2020-04-13 | 2020-04-13 | 一种机场停机坪作业人员作业规范及数量的自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428684A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836642A (zh) * | 2021-02-04 | 2021-05-25 | 成都国翼电子技术有限公司 | 一种基于组合标注的机场地面服务保障事件判断方法 |
CN112949548A (zh) * | 2021-03-19 | 2021-06-11 | 捻果科技(深圳)有限公司 | 一种民航停机坪上的轮档摆放规范的自动识别方法 |
CN114898599A (zh) * | 2022-06-10 | 2022-08-12 | 北京拙河科技有限公司 | 一种飞机起落安全警告方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341538A (zh) * | 2017-06-30 | 2017-11-10 | 上海上大海润信息系统有限公司 | 一种基于视觉的统计数量方法 |
CN110610592A (zh) * | 2019-09-25 | 2019-12-24 | 捻果科技(深圳)有限公司 | 一种视频分析和深度学习的机坪安全运行监控方法 |
-
2020
- 2020-04-13 CN CN202010283725.1A patent/CN111428684A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341538A (zh) * | 2017-06-30 | 2017-11-10 | 上海上大海润信息系统有限公司 | 一种基于视觉的统计数量方法 |
CN110610592A (zh) * | 2019-09-25 | 2019-12-24 | 捻果科技(深圳)有限公司 | 一种视频分析和深度学习的机坪安全运行监控方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836642A (zh) * | 2021-02-04 | 2021-05-25 | 成都国翼电子技术有限公司 | 一种基于组合标注的机场地面服务保障事件判断方法 |
CN112949548A (zh) * | 2021-03-19 | 2021-06-11 | 捻果科技(深圳)有限公司 | 一种民航停机坪上的轮档摆放规范的自动识别方法 |
CN114898599A (zh) * | 2022-06-10 | 2022-08-12 | 北京拙河科技有限公司 | 一种飞机起落安全警告方法及系统 |
CN114898599B (zh) * | 2022-06-10 | 2022-11-29 | 北京拙河科技有限公司 | 一种飞机起落安全警告方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110379209B (zh) | 一种航班作业流程节点规范监控报警方法 | |
CN110610592B (zh) | 一种视频分析和深度学习的机坪安全运行监控方法 | |
CN111428684A (zh) | 一种机场停机坪作业人员作业规范及数量的自动识别方法 | |
EP3279700B1 (en) | Security inspection centralized management system | |
EP4105101A1 (en) | Monitoring system, monitoring method, and monitoring device for railway train | |
WO2018180311A1 (ja) | 監視システム及び監視方法 | |
KR101092472B1 (ko) | 감시카메라를 활용한 비디오 색인 시스템 및 그 색인 방법 | |
CN209543514U (zh) | 基于人脸识别的监控与报警系统 | |
CN110867046A (zh) | 一种基于云计算的智能洗车机视频监控预警系统 | |
CN112289031A (zh) | 一种公交行驶过程中异常情况检测与报警的方法及装置 | |
CN107632565A (zh) | 电力建设工地智能化管理系统及方法 | |
CN107577200A (zh) | 一种校车安全智能管理系统 | |
CN112578172A (zh) | 一种用于计量箱的多维可视化监控装置 | |
US11450186B2 (en) | Person monitoring system and person monitoring method | |
WO2019076917A1 (de) | Verfahren zur überwachung einer aufzugskabine | |
CN206436059U (zh) | 一种错置刀或断刀的刀具检测系统 | |
WO2017206152A1 (zh) | 车辆人员的统计方法及装置 | |
KR101113515B1 (ko) | 감시카메라를 이용한 비디오 색인 시스템 및 방법 | |
CN209149389U (zh) | 人脸识别通道闸快速检视装置 | |
CN106385559A (zh) | 一种三维监控系统 | |
CN109383516A (zh) | 一种基于用户行为分析的异常分析行为检测系统 | |
CN109614916B (zh) | 基于人脸识别的车站旅客状态实时监测预警计算机系统 | |
CN111860111A (zh) | 车辆行程中的安全监测方法、设备及存储介质 | |
CN104408930B (zh) | 一种连续闯红灯报警系统及方法 | |
CN115909191A (zh) | 一种加气站操作人员气体泄露检测行为的分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200717 |