CN111523488A - 厨房工作人员行为实时监控方法 - Google Patents
厨房工作人员行为实时监控方法 Download PDFInfo
- Publication number
- CN111523488A CN111523488A CN202010337218.1A CN202010337218A CN111523488A CN 111523488 A CN111523488 A CN 111523488A CN 202010337218 A CN202010337218 A CN 202010337218A CN 111523488 A CN111523488 A CN 111523488A
- Authority
- CN
- China
- Prior art keywords
- real
- monitoring method
- label
- time monitoring
- target
- 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 46
- 230000006399 behavior Effects 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000002372 labelling Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 230000000391 smoking effect Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 210000003128 head Anatomy 0.000 claims description 13
- 239000000779 smoke Substances 0.000 claims description 11
- 235000019504 cigarettes Nutrition 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 7
- 238000007726 management method Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000001331 nose Anatomy 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000002994 raw 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及餐饮行业的卫生管理方法,尤其涉及餐饮行业从业人员的行为监控方法。厨房工作人员行为实时监控方法,它包括本申请实施例包含如下步骤:标注和训练阶段:对于厨师不带厨师帽、不带口罩、抽烟行为的进行一次性标注,以得到训练模型进行一次性训练;算法处理阶段:步骤1:获取视频;步骤2:基于深度学习的不同类别的目标识别;步骤3:重叠框过滤;步骤4:重复报警过滤;步骤5:报警和抓图。本发明标注和训练工作量小,算法处理过程简单、准确率高。
Description
技术领域
本发明涉及餐饮行业的卫生管理方法,尤其涉及餐饮行业从业人员的行为监控方法。
背景技术
餐饮行业由于牵涉到顾客健康安全,必须引起高度的重视。对于餐饮企业的卫生检查一般只针对经营场所的卫生检查、食物原料的卫生检疫检查、从业人员的身体传染病检查。近年来,对于厨房工作人员行为也提出了要求,即戴帽,戴口罩,且不得吸烟。这种要求单纯依靠人工难以实现,一旦发现常常是事后已经造成了不良影响。因此必须采用技术手段。
深度学习在计算机视觉领域的应用之一是目标检测与分类,目标检测与分类可以获得目标的位置坐标和类别,在监控行业,该技术实施通常包含样本标注和训练、算法处理阶段两部分内容。
通常做法是如下步骤:
标注和训练阶段。
第一步,标注“人”,使用labelImg工具将样本中的人体区域标注出来,用于训练第一个模型;
第二步,标注“厨师帽”、“口罩”、“抽烟”,使用labelImg工具将样本中厨师帽、口罩、嘴边抽烟区域标注出来,用于训练第二个模型。
算法处理阶段。
第三步,使用第一步得到的模型,在图片中,检测“人”目标,得到人体矩形框的位置坐标;
第四步,将该“人”目标从原图上抠取出来,作为新的图片;
第五步,使用第二步得到的模型,在新的图片上,将“厨师帽”、“口罩”、“抽烟”等作为新的目标进行检测,根据检测结果,判断该“人”具有哪些行为。
现有技术的不足之处:
标注和训练阶段。
需要分别标注两次,一次标注人,另一次标注厨师帽、口罩、抽烟。并且需要训练两个模型,一个模型用来检测“人”,另一个模型用来检测“厨师帽”、“口罩”、“抽烟”。样本的标注和训练会耗费大量的精力和时间。
算法处理阶段。
一方面是2个模型的加载与解析,以及第四步中的抠图等操作会增加算法的冗余度,降低算法性能。
另一方面是准确率低,现有技术在使用2个模型检测时都会引入误差,一种误差是模型本身无法达到100%的准确率,一种误差是例如在第五步中检测到了口罩,但无法确认口罩是否正确佩戴、是否遮住嘴巴。以上导致最终实际使用中识别结果准确率低。
发明内容
本发明旨在克服现有技术的缺陷,提供一种厨房工作人员行为实时监控方法。本发明标注和训练工作量小,算法处理过程简单、准确率高。
本发明厨房工作人员行为实时监控方法,它包括本申请实施例包含如下步骤:
标注和训练阶段:
对于厨师不带厨师帽、不带口罩、抽烟行为的进行一次性标注,以得到训练模型进行一次性训练;
算法处理阶段:
步骤1:获取视频;
步骤2:基于深度学习的不同类别的目标识别;
步骤3:重叠框过滤;
步骤4:重复报警过滤;
步骤5:报警和抓图。
所述厨房工作人员行为实时监控方法,在标注阶段当中,只要关注那些不符合规范的行为,识别不带厨师帽、不带口罩、抽烟的行为,并报警。
所述厨房工作人员行为实时监控方法,所述的标注阶段,标注以下类别:
label 1:noChefCap,不带厨师帽的头部区域;
label 2:noMouthMuffle,不带口罩的嘴部区域;
label 3:smoking,抽烟的嘴部区域。
所述厨房工作人员行为实时监控方法,所述标注阶段label 1只框选保留头部特征的包含眼睛和头顶的区域。
所述厨房工作人员行为实时监控方法,所述标注阶段的label 2和label 3 的标注区域是包含嘴巴和鼻子在内的区域;这两个区域设置成一样,主要区别在于嘴巴里是否有香烟。
所述厨房工作人员行为实时监控方法,算法处理阶段步骤如下:
步骤1:读取视频;
步骤2:加载训练好的模型文件,识别上述label 1、label 2、label 3所述的类别:不带厨师帽的头部、不带口罩、抽烟,识别结果包含每个目标的坐标、置信度、类别标签;
步骤3:对步骤2得到的识别结果,进行重叠框过滤。
所述厨房工作人员行为实时监控方法,处理阶段步骤2所述模型的网路结构是在VGG16的网络结构基础上,增加了多尺度卷积层用于实现多尺度特征提取。
所述厨房工作人员行为实时监控方法,所述所述重叠框指的是所述步骤2得到的目标框,可能存在重叠问题,需要去掉重复的框。
所述厨房工作人员行为实时监控方法,所述重叠框过滤方法,是将当前帧识别所得的全部矩形框,两两比较,如果两个矩形框重叠面积大于一定的阈值,则删除面积较小的矩形框。
所述厨房工作人员行为实时监控方法,步骤4:重复报警过滤包括在监控领域通常需要配合后续的抓图、报警等装置,从而对厨师的不规范行为进行提示,并抓图保存证据。
所述厨房工作人员行为实时监控方法,所述步骤4包括在步骤3之后增加跟踪模块,对识别到的目标进行跟踪,使每一个目标都得到一个id号,相同id号代表同一个目标,这样就能根据id号来决定相同目标隔过久上报一次。
所述的厨房工作人员行为实时监控方法,所述报警信息包含目标触发的报警类别、目标位置;抓图时根据目标坐标信息,从原图上将该目标剪切出来用于保存证据;,其中报警类型的优先级为:抽烟>未戴口罩。
本发明考虑到厨师行为规范识别中,主要关注那些不符合规范的行为,能够识别不带厨师帽、不带口罩、抽烟的行为,并报警。对于那些符合规范的行为(戴厨师帽、戴口罩、无抽烟)无需关注。进一步的,本发明在标注中请只需要进行一次标注,标注完成后,只需要进行一次训练模型即可,节省了大量的工作和时间成本。同时在识别过程中,删掉面积较小的重叠达到一定要求的识别图像。当检测到违规行为时,不仅及时报警而且抓图存档,作为处罚依据。可见,本发明的方法标注和训练工作量小,算法处理过程简单、准确率高。
附图说明
图1是本发明的示意图。
具体实施方式
本申请示例性实施例提供了一种在监控行业产品上应用的系统和流程,如图1 所示:
样本标注阶段
考虑到厨师行为规范识别中,主要关注那些不符合规范的行为,能够识别不带厨师帽、不带口罩、抽烟的行为,并报警。对于那些符合规范的行为(戴厨师帽、戴口罩、无抽烟)无需关注。
在样本标注阶段,标注以下类别:
label 1:noChefCap,不带厨师帽的头部区域,
label 2:noMouthMuffle,不带口罩的嘴部区域,
label 3:smoking,抽烟的嘴部区域。
考虑到上述3个类别需要标注的区域都集中在头部,如果不同类别标注区域重叠部分太多的,类别间的特征会存在较多共性,在小样本训练中,模型不易收敛,得到模型的准确率也会受到较大影响,造成误检增多。
本申请在样本标注时对标注区域进行了合理的设计:
label 1标注不带厨师帽的头部区域。如果按照常规做法需要框选整个头部(包含面部)的区域,这样会导致label 1区域和label 2、label 3区域存在较多重叠,特征区分度不够明显,本申请对此进行合理的设计,只需要框选包含眼睛和头顶的区域即可,这样框选依然保留了头部的主要特征信息。
label 2和label 3的标注区域是包含嘴巴和鼻子在内的区域。这两个区域设置成一样,主要区别在于嘴巴里是否有香烟。
本申请只需要进行一次性标注,标注完成后,只需要进行一次训练模型即可,节省了大量的工作和时间成本。
算法处理阶段
算法主要步骤如下:
步骤1:读取视频;
步骤2:加载训练好的模型文件,识别上述label 1、label 2、label 3所述的类别:不带厨师帽的头部、不带口罩、抽烟,识别结果包含每个目标的坐标、置信度、类别标签。所述模型的网路结构是在VGG16的网络结构基础上,增加了多尺度卷积层用于实现多尺度特征提取。
步骤3:对步骤2得到的识别结果,进行重叠框过滤。
所述重叠框,主要指的是步骤2得到的目标框,可能存在重叠问题,需要去掉重复的框。
所述重叠框过滤方法,是将当前帧识别所得的全部矩形框,两两比较,如果两个矩形框重叠面积大于一定的阈值,则删除面积较小的矩形框。结合一段伪代码将该过程描述如下:
result:结果结构体,该结构体中包含识别到的目标个数objNum,以及每个目标的信息objInfo[i];
objInfo[i]:目标信息结构体,该结构体中包含了目标的矩形框rect,包括rect的坐标、面积等。
遍历result.objNum,将第i个目标的矩形框result.objInfo[i].rect和i之后的目标矩形框result.objInfo[j].rect逐一比较,其中比较两个矩形框重叠度是通过CmpRect函数来完成的,该函数的作用是首先判断两个矩形是否相交,如果相交则计算两个矩形的交集面积Area1,并集面积Area2,用level=Area1/Area2来表示两个矩形框的重叠程度,如果level>levelThre,则认为这两个矩形框重叠,此时将 isSame置1;
当isSame=1时,再比较两个矩形框的面积result.objInfo[i].rect.area和result. objInfo[j].rect.area,保留面积较大的矩形框,删除面积较小的矩形框;
result.objNum--;
伪代码如下所示:
步骤4:重复报警过滤。对于步骤3得到的识别结果,在监控领域通常需要配合后续的抓图、报警等装置,从而对厨师的不规范行为进行提示,并抓图保存证据。如果每帧检测结果都上报会给后台数据传输带来较大的负担,并且也没必要每帧结果都上传。本申请所采取的方法是,在步骤3之后增加跟踪模块,对识别到的目标进行跟踪,使每一个目标都得到一个id号,相同id号代表同一个目标,这样就能根据id号来决定相同目标隔过久上报一次。具体做法如下所示:
将步骤3得到的所有目标(包含目标的坐标、置信度、类别),用冒泡排序法,根据置信度进行排序,找出置信度最高的前n个目标,放入跟踪链表中,并为每个目标赋予一个id号;
更新跟踪链表,如果步骤3中有新的目标出现,则将新的目标加入跟踪链表;
当前帧的跟踪结果,放入结构体中,结构体中包含了目标的坐标、置信度、类别和id号;
当前帧的跟踪结果与前一帧跟踪结果比对,如果id号相同,则累加帧数frameCount++,当frameCount>frameCountThre时,才会将该目标上报,这样避免相同目标重复频繁的上报。
其中frameCountThre指的是用户设置的重复报警过滤帧数,即同一个id的目标,间隔frameCountThre帧才上报一次。该值也可以根据帧率换算成时间阈值 t=frameCountThre/帧率。
步骤5:报警和抓图,报警信息包含目标触发的报警类别、目标位置。抓图时根据目标坐标信息,从原图上将该目标剪切出来用于保存证据。按照报警类型分类,其中报警类型的优先级为:抽烟>未戴口罩,所以如果上报了抽烟,就不再上报未戴口罩。
Claims (12)
1.厨房工作人员行为实时监控方法,其特征在于,它包括本申请实施例包含如下步骤:
标注和训练阶段:
对于厨师不带厨师帽、不带口罩、抽烟行为的进行一次性标注,以得到训练模型进行一次性训练;
算法处理阶段:
步骤1:获取视频;
步骤2:基于深度学习的不同类别的目标识别;
步骤3:重叠框过滤;
步骤4:重复报警过滤;
步骤5:报警和抓图。
2.根据权利要求1所述厨房工作人员行为实时监控方法,其特征在于,在标注阶段当中,只要关注那些不符合规范的行为,识别不带厨师帽、不带口罩、抽烟的行为,并报警。
3.根据权利要求2所述厨房工作人员行为实时监控方法,其特征在于,所述的标注阶段,标注以下类别:
label 1:noChefCap,不带厨师帽的头部区域;
label 2:noMouthMuffle,不带口罩的嘴部区域;
label 3:smoking,抽烟的嘴部区域。
4.根据权利要求3所述厨房工作人员行为实时监控方法,其特征在于,所述标注阶段label 1只框选保留头部特征的包含眼睛和头顶的区域。
5.根据权利要求3所述厨房工作人员行为实时监控方法,其特征在于,所述标注阶段的label 2和label 3的标注区域是包含嘴巴和鼻子在内的区域;这两个区域设置成一样,主要区别在于嘴巴里是否有香烟。
6.根据权利要求1所述厨房工作人员行为实时监控方法,其特征在于,算法处理阶段步骤如下:
步骤1:读取视频;
步骤2:加载训练好的模型文件,识别上述label 1、label 2、label 3所述的类别:不带厨师帽的头部、不带口罩、抽烟,识别结果包含每个目标的坐标、置信度、类别标签;
步骤3:对步骤2得到的识别结果,进行重叠框过滤。
7.根据权利要求6所述厨房工作人员行为实时监控方法,其特征在于,处理阶段步骤2所述模型的网路结构是在VGG16的网络结构基础上,增加了多尺度卷积层用于实现多尺度特征提取。
8.根据权利要求6所述厨房工作人员行为实时监控方法,其特征在于,所述所述重叠框指的是所述步骤2得到的目标框,可能存在重叠问题,需要去掉重复的框。
9.根据权利要求8所述厨房工作人员行为实时监控方法,其特征在于,所述重叠框过滤方法,是将当前帧识别所得的全部矩形框,两两比较,如果两个矩形框重叠面积大于一定的阈值,则删除面积较小的矩形框。
10.根据权利要求1所述厨房工作人员行为实时监控方法,其特征在于,步骤4:重复报警过滤包括在监控领域通常需要配合后续的抓图、报警等装置,从而对厨师的不规范行为进行提示,并抓图保存证据。
11.根据权利要求10所述厨房工作人员行为实时监控方法,其特征在于,所述步骤4包括在步骤3之后增加跟踪模块,对识别到的目标进行跟踪,使每一个目标都得到一个id号,相同id号代表同一个目标,这样就能根据id号来决定相同目标隔过久上报一次。
12.根据权利要求1、10或11所述的厨房工作人员行为实时监控方法,其特征在于,所述报警信息包含目标触发的报警类别、目标位置;抓图时根据目标坐标信息,从原图上将该目标剪切出来用于保存证据;,其中报警类型的优先级为:抽烟>未戴口罩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010337218.1A CN111523488A (zh) | 2020-04-26 | 2020-04-26 | 厨房工作人员行为实时监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010337218.1A CN111523488A (zh) | 2020-04-26 | 2020-04-26 | 厨房工作人员行为实时监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111523488A true CN111523488A (zh) | 2020-08-11 |
Family
ID=71904536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010337218.1A Pending CN111523488A (zh) | 2020-04-26 | 2020-04-26 | 厨房工作人员行为实时监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523488A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560759A (zh) * | 2020-12-24 | 2021-03-26 | 中再云图技术有限公司 | 一种基于人工智能明厨亮灶规范检测识别方法,存储装置及服务器 |
CN113408464A (zh) * | 2021-06-30 | 2021-09-17 | 深圳市商汤科技有限公司 | 一种行为检测方法、装置、电子设备及存储介质 |
CN114155612A (zh) * | 2022-02-10 | 2022-03-08 | 深圳爱莫科技有限公司 | 餐饮人员不规范行为模型训练方法、检测方法及处理设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107666594A (zh) * | 2017-09-18 | 2018-02-06 | 广东电网有限责任公司东莞供电局 | 一种视频监控实时监测违章作业的方法 |
CN108052900A (zh) * | 2017-12-12 | 2018-05-18 | 成都睿码科技有限责任公司 | 一种通过监控视频自动判断着装规范的方法 |
CN109800638A (zh) * | 2018-12-14 | 2019-05-24 | 四川远鉴科技有限公司 | 一种基于人脸识别技术的重点人监控方法 |
CN110044486A (zh) * | 2019-03-11 | 2019-07-23 | 武汉高德智感科技有限公司 | 用于人体检验检疫系统避免重复报警的方法、装置、设备 |
CN110059674A (zh) * | 2019-05-24 | 2019-07-26 | 天津科技大学 | 基于深度学习的标准着装检测方法 |
WO2019175686A1 (en) * | 2018-03-12 | 2019-09-19 | Ratti Jayant | On-demand artificial intelligence and roadway stewardship system |
CN110263665A (zh) * | 2019-05-29 | 2019-09-20 | 朗坤智慧科技股份有限公司 | 基于深度学习的安全帽识别方法和系统 |
CN110879995A (zh) * | 2019-12-02 | 2020-03-13 | 上海秒针网络科技有限公司 | 目标物品检测方法及装置、存储介质及电子装置 |
CN110909703A (zh) * | 2019-11-29 | 2020-03-24 | 中电福富信息科技有限公司 | 一种基于人工智能的明厨亮灶场景下厨师帽的检测方法 |
CN110909689A (zh) * | 2019-11-26 | 2020-03-24 | 浪潮软件股份有限公司 | 一种厨房监控方法及系统 |
CN111062429A (zh) * | 2019-12-12 | 2020-04-24 | 上海点泽智能科技有限公司 | 基于深度学习的厨师帽和口罩佩戴的检测方法 |
-
2020
- 2020-04-26 CN CN202010337218.1A patent/CN111523488A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107666594A (zh) * | 2017-09-18 | 2018-02-06 | 广东电网有限责任公司东莞供电局 | 一种视频监控实时监测违章作业的方法 |
CN108052900A (zh) * | 2017-12-12 | 2018-05-18 | 成都睿码科技有限责任公司 | 一种通过监控视频自动判断着装规范的方法 |
WO2019175686A1 (en) * | 2018-03-12 | 2019-09-19 | Ratti Jayant | On-demand artificial intelligence and roadway stewardship system |
CN109800638A (zh) * | 2018-12-14 | 2019-05-24 | 四川远鉴科技有限公司 | 一种基于人脸识别技术的重点人监控方法 |
CN110044486A (zh) * | 2019-03-11 | 2019-07-23 | 武汉高德智感科技有限公司 | 用于人体检验检疫系统避免重复报警的方法、装置、设备 |
CN110059674A (zh) * | 2019-05-24 | 2019-07-26 | 天津科技大学 | 基于深度学习的标准着装检测方法 |
CN110263665A (zh) * | 2019-05-29 | 2019-09-20 | 朗坤智慧科技股份有限公司 | 基于深度学习的安全帽识别方法和系统 |
CN110909689A (zh) * | 2019-11-26 | 2020-03-24 | 浪潮软件股份有限公司 | 一种厨房监控方法及系统 |
CN110909703A (zh) * | 2019-11-29 | 2020-03-24 | 中电福富信息科技有限公司 | 一种基于人工智能的明厨亮灶场景下厨师帽的检测方法 |
CN110879995A (zh) * | 2019-12-02 | 2020-03-13 | 上海秒针网络科技有限公司 | 目标物品检测方法及装置、存储介质及电子装置 |
CN111062429A (zh) * | 2019-12-12 | 2020-04-24 | 上海点泽智能科技有限公司 | 基于深度学习的厨师帽和口罩佩戴的检测方法 |
Non-Patent Citations (1)
Title |
---|
张明媛 等: "基于深度学习的建筑工人安全帽佩戴识别研究" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560759A (zh) * | 2020-12-24 | 2021-03-26 | 中再云图技术有限公司 | 一种基于人工智能明厨亮灶规范检测识别方法,存储装置及服务器 |
CN112560759B (zh) * | 2020-12-24 | 2022-04-22 | 中再云图技术有限公司 | 一种基于人工智能明厨亮灶规范检测识别方法,存储装置及服务器 |
CN113408464A (zh) * | 2021-06-30 | 2021-09-17 | 深圳市商汤科技有限公司 | 一种行为检测方法、装置、电子设备及存储介质 |
CN114155612A (zh) * | 2022-02-10 | 2022-03-08 | 深圳爱莫科技有限公司 | 餐饮人员不规范行为模型训练方法、检测方法及处理设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523488A (zh) | 厨房工作人员行为实时监控方法 | |
CN111507283B (zh) | 基于课堂场景的学生行为识别方法及系统 | |
CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
CN109598229B (zh) | 基于动作识别的监控系统及其方法 | |
CN111914636B (zh) | 一种检测行人是否佩戴安全帽的方法及装置 | |
LU503511B1 (en) | Method for recognizing sleep behavior of operator on duty in field of inspection | |
CN109165685B (zh) | 基于表情和动作的监狱服刑人员潜在性风险监测方法和系统 | |
CN112396658A (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN110688980B (zh) | 基于计算机视觉的人体姿态分类方法 | |
CN112464882B (zh) | 连续动作的识别方法、装置、介质及设备 | |
US20180046866A1 (en) | Method of Detecting a Moving Object by Reconstructive Image Processing | |
CN107085729B (zh) | 一种基于贝叶斯推断的人员检测结果修正方法 | |
CN116259002A (zh) | 一种基于视频的人体危险行为分析方法 | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
CN110852296B (zh) | 基于语义模型的消防运维阶段人员异常检测装置和方法 | |
US20220366603A1 (en) | Learning data generation apparatus, learning data generation method, and recording medium | |
CN116682034A (zh) | 一种复杂生产作业场景下危险行为检测方法 | |
CN116503809A (zh) | 一种智慧工厂行为穿戴误告警过滤的后处理方法 | |
CN116229502A (zh) | 基于图像的摔倒行为识别方法及设备 | |
CN113420711A (zh) | 一种服务行业工作人员服务行为识别算法及系统 | |
CN114494355A (zh) | 基于人工智能的轨迹分析方法、装置、终端设备及介质 | |
CN112766070A (zh) | 电气检修人员劳保防护用品穿戴的智能检测方法及系统 | |
CN113239228A (zh) | 基于图像识别的商品打标签方法 | |
CN111832451A (zh) | 基于视频数据处理的适航监察流程监管系统及方法 | |
Chen et al. | Safety Helmet Wearing Detection System Based on a Two-Stage Network Model |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200811 |
|
WD01 | Invention patent application deemed withdrawn after publication |