CN111753705A - 一种基于视频分析的智慧工地安全作业的检测方法 - Google Patents
一种基于视频分析的智慧工地安全作业的检测方法 Download PDFInfo
- Publication number
- CN111753705A CN111753705A CN202010564310.1A CN202010564310A CN111753705A CN 111753705 A CN111753705 A CN 111753705A CN 202010564310 A CN202010564310 A CN 202010564310A CN 111753705 A CN111753705 A CN 111753705A
- Authority
- CN
- China
- Prior art keywords
- human
- target detection
- safety helmet
- video
- worker
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 238000010276 construction Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 230000001502 supplementing effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 239000013307 optical fiber Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000010354 integration Effects 0.000 abstract description 2
- 230000036544 posture Effects 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement 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
- 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
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开一种基于视频分析的智慧工地安全作业的检测方法,采用目标徘徊边缘检测原理,结合深度学习、人形特点等因素实现检测预警,对于施工人员的各种施工姿态都能得到很好的检测效果。本方法集人形、安全穿戴装置检测于一体,全面考虑工地施工场景的安全隐患类型,同时增加智能补光装置,优化了光线差条件下的监控性能,并将分析检测主控单元进行嵌入式高度集成,优化监控性能,简化部署环节,具有实用性强、应用范围广、成本低、可靠性高、部署应用简单、复用性强等优势,适用于各种监控场景,对各种施工场景的安全作业的保障提供了一个简单、快速、高效的解决方案,具有很大的实用价值。
Description
技术领域
本发明公开一种基于视频分析的智慧工地安全作业的检测方法,属于智能视频监控领域。
背景技术
施工工地类型繁多,如建筑工地、道路施工、铁道施工、高空作业等各种施工类型。施工工地环境复杂、人员众多、情况多变、时间范围跨越大,存在很多安全隐患。因此,在施工场景下,实时监控检查施工人员的安全装置(如安全帽、反光背心等)佩戴情况、施工人员的异常行为、施工场景的安全状况是对施工人员安全作业的重大保障,是施工单位保障人员安全和工程进度的必要环节,意义重大。
传统的施工人员安全作业检测主要依赖人力检查、巡检,要求施工人员依照章程遵守纪律,佩戴安全装置;佩戴的各种监控检测设备大多是视频播放形式,依旧需要依赖人工值守和监控,鉴于人工的能力极限和视觉疲劳等因素,并不能保证实际监测效率和效果,误报、漏报情况严重。
发明内容
本发明要解决的技术问题是提供一种基于视频分析的智慧工地安全作业的检测方法,进行人形、安全帽及反光背心识别,保证施工作业安全和施工进度。
为了解决所述技术问题,本发明采用的技术方案是:一种基于视频分析的智慧工地安全作业的检测方法,其特征在于:包括以下步骤:
S01)、前端摄像机监控装置实时监控施工场地,并向目标检测报警模组发送采集的视频流信息;
S02)、目标检测报警模组将采集的视频流转化为视频帧序列,依据目标检测分析训练模型分析检测视频帧序列图像,分析检测人形、安全帽、反光背心三类目标类别坐标列表,坐标列表以如下格式记录:
{(x1,y1,w1,h1),(x2,y2,w2,h2),......,(xn,yn,wn,hn)},
其中,x、y是检测的目标的中心坐标,w、h是检测的目标的宽度和高度;
S03)、目标检测分析训练模型基于人形、安全帽、反光背心三类目标类别坐标列表检测作业人员是否正确佩戴安全帽、反光背心;
其中检测作业人员是否正确佩戴安全帽的步骤为:
A1)、依据目标检测报警模组分析视频获得人形坐标列表I人形和安全帽坐标列表I安全帽;
A2)、取一个人形坐标(xj,yj,wj,hj),遍历安全帽坐标列表I安全帽(xi,yi,wi,hi),判断该人形坐标对应工人是否正确佩戴安全帽,判断的标准为:
同时满足上述情况,则判定为该工人正确佩戴安全帽,反之,认为该工人未能正确佩戴安全帽;
A3)、遍历人形坐标列表,按照A2的步骤,检测所有人员安全帽佩戴情况,查找异常信息报警;
检测作业人员是否正确佩戴反光背心的步骤为:
B1)、依据目标检测报警模组分析视频获得人形坐标列表I人形和反光背心坐标列表I反光背心;
B2)、取一个人形坐标(xj,yj,wj,hj),遍历安全帽坐标列表I反光背心(xi,yi,wi,hi),判断该人形坐标对应工人是否正确佩戴反光背心,判断的标准为:
同时满足上述情况,则判定为该工人正确佩戴反光背心,反之,认为该工人未能正确佩戴反光背心;
B3)、遍历反光背心坐标列表,按照B2的步骤,检测所有人员反光背心穿戴情况,查找异常信息报警。
进一步的,目标检测分析训练模型通过以下方法获得:
C1)、采集样本源,获取施工场景个时间段各种光线、天气下的监控视频源;
C2)、将视频源转化为视频帧图像;
C3)、使用图像标记工具,输入定义类别:人形、安全帽、反光背心,标记视频帧图像上相应的目标,通过这个方法获得训练样本集;
C4)、基于深度学习目标检测算法训练样本集,得出目标检测分析训练模型;
C5)、使用正向和反向测试用例验证目标检测分析训练模型,得到正确率、误报率、漏报率;
C6)、分析目标检测分析训练模型的正确率、误报率、漏报率,通过增加样本数量、多样性的方法,重复步骤C1至C5的过程,直至目标检测分析训练模型的正确率、误报率、漏报率达到要求。
进一步的,本方法还包括智能补光跟踪机制,本机制实现包括:
D1)、前端光线感应器实时感应光线变化,并按照一定时间间隔向微控单元发送感光信号;
D2)、微控单元将感光信号与预设的光纤边缘值进行比较,如果不大于该值,则控制LED灯组打开,反之,则关闭LED灯组。
进一步的,本方法还包括定时器装置,如果目标检测报警模组超过一定时间没有检测到人形信息,则向微控单元发送关闭信号。
进一步的,对于判定为正确佩戴安全帽、反光背心的人形,标记为合格绿框,对于判定为未正确佩戴安全帽、反光背心的人形,在视频中画红框标记该施工人员,并向终端应用发送未正确佩戴安全帽、反光背心的报警信息。
本发明的有益效果:本发明采用目标徘徊边缘检测原理,结合深度学习、人形特点等因素实现检测预警,对于施工人员的各种施工姿态都能得到很好的检测效果。本方法集人形、安全穿戴装置检测于一体,全面考虑工地施工场景的安全隐患类型,同时增加智能补光装置,优化了光线差条件下的监控性能,并将分析检测主控单元进行嵌入式高度集成,优化监控性能,简化部署环节,具有实用性强、应用范围广、成本低、可靠性高、部署应用简单、复用性强等优势,适用于各种监控场景,对各种施工场景的安全作业的保障提供了一个简单、快速、高效的解决方案,具有很大的实用价值。
附图说明
图1为本方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
实施例1
本实施例公开一种基于视频分析的智慧工地安全作业的检测方法,如图1所示,包括以下步骤:
S01)、前端摄像机监控装置实时监控施工场地,并向目标检测报警模组发送采集的视频流信息;
S02)、目标检测报警模组将采集的视频流转化为视频帧序列,依据目标检测分析训练模型分析检测视频帧序列图像,分析检测人形、安全帽、反光背心三类目标类别坐标列表,坐标列表以如下格式记录:
{(x1,y1,w1,h1),(x2,y2,w2,h2),......,(xn,yn,wn,hn)},
其中,x、y是检测的目标的中心坐标,w、h是检测的目标的宽度和高度;
S03)、目标检测分析训练模型基于人形、安全帽、反光背心三类目标类别坐标列表检测作业人员是否正确佩戴安全帽、反光背心,并根据检测结果向终端应用发送报警信息,报警信息包括报警图像信息、报警类别、报警坐标位置等,并实时在监控界面画框标记和跟踪该目标。
本实施例中,检测作业人员是否正确佩戴安全帽的步骤为:
A1)、依据目标检测报警模组分析视频获得人形坐标列表I人形和安全帽坐标列表I安全帽;
A2)、取一个人形坐标(xj,yj,wj,hj),遍历安全帽坐标列表I安全帽(xi,yi,wi,hi),判断该人形坐标对应工人是否正确佩戴安全帽,判断的标准为:
同时满足上述情况,则判定为该工人正确佩戴安全帽,标记为合格绿框,反之,认为该工人未能正确佩戴安全帽,此时在视频中画红框标记该施工人员,并向终端应用发送报警信息;
A3)、遍历人形坐标列表,按照A2的步骤,检测所有人员安全帽佩戴情况,查找异常信息报警。
检测作业人员是否正确佩戴安全帽的实现原理是目标徘徊边缘检测原理,即充分考虑目标可能出现的徘徊范围,找到边界限制条件,从而界定其正常符合的边界范围,从而为目标检测提供依据。
本实施例中,检测作业人员是否正确佩戴反光背心的步骤为:
B1)、依据目标检测报警模组分析视频获得人形坐标列表I人形和反光背心坐标列表I反光背心;
B2)、取一个人形坐标(xj,yj,wj,hj),遍历安全帽坐标列表I反光背心(xi,yi,wi,hi),判断该人形坐标对应工人是否正确佩戴反光背心,判断的标准为:
反光背心正确穿戴在人体头部以下的上半身,这里借鉴人身黄金比例,上半身:下半身=1:1.618就是黄金比例,采用人体黄金比例和目标徘徊边缘检测原理相结合的方式进行反光背心检测,满足上述公式条件,则判定为该工人正确佩戴反光背心,标记为合格绿框,反之,认为该工人未能正确佩戴反光背心,此时在视频中画红框标记该施工人员,并向终端应用发送报警信息;
B3)、遍历反光背心坐标列表,按照B2的步骤,检测所有人员反光背心穿戴情况,查找异常信息报警。
本实施例中,目标检测分析训练模型通过以下方法获得:
C1)、采集样本源,获取施工场景个时间段各种光线、天气下的监控视频源;
C2)、将视频源转化为视频帧图像;
C3)、使用图像标记工具,输入定义类别:人形、安全帽、反光背心,标记视频帧图像上相应的目标,通过这个方法获得训练样本集;
C4)、基于深度学习目标检测算法训练样本集,得出目标检测分析训练模型;
C5)、使用正向和反向测试用例验证目标检测分析训练模型,得到正确率、误报率、漏报率;
C6)、分析目标检测分析训练模型的正确率、误报率、漏报率,通过增加样本数量、多样性的方法,重复步骤C1至C5的过程,直至目标检测分析训练模型的正确率、误报率、漏报率达到要求。
本方法还包括智能补光跟踪机制,本机制实现包括:
D1)、前端光线感应器实时感应光线变化,并按照一定时间间隔向微控单元发送感光信号;
D2)、微控单元将感光信号与预设的光纤边缘值进行比较,如果不大于该值,则控制LED灯组打开,反之,则关闭LED灯组。
本方法还包括定时器装置,如果目标检测报警模组超过一定时间(如30分钟)没有检测到人形信息,则向微控单元发送关闭信号。
本实施例中,LED灯组同时支持手动打开和关闭。
本实施例应用于训练样本的算法是基于深度学习的算法,该算法包括但不限于TOLO v3目标检测算法;本方法应用于训练样本的框架是基于深度学习的框架,包括但不限于TensorFlow、卷积神经网络框架Caffe等。
本实施例所述方法可以实现基于视频监控的施工工地人员的安全作业的智能检测报警,具备高效的分析检测性能和快速报警功能,有效的保障施工现场的安全,具有广泛的应用价值。
以上描述的仅是本发明的基本原理和优选实施例,本领域技术人员根据本发明做出的改机和替换,属于本发明的保护范围。
Claims (5)
1.一种基于视频分析的智慧工地安全作业的检测方法,其特征在于:包括以下步骤:
S01)、前端摄像机监控装置实时监控施工场地,并向目标检测报警模组发送采集的视频流信息;
S02)、目标检测报警模组将采集的视频流转化为视频帧序列,依据目标检测分析训练模型分析检测视频帧序列图像,分析检测人形、安全帽、反光背心三类目标类别坐标列表,坐标列表以如下格式记录:
{(x1,y1,w1,h1),(x2,y2,w2,h2),......,(xn,yn,wn,hn)},
其中,x、y是检测目标的中心坐标,w、h是检测目标的宽度和高度;
S03)、目标检测分析训练模型基于人形、安全帽、反光背心三类目标类别坐标列表检测作业人员是否正确佩戴安全帽、反光背心;
其中检测作业人员是否正确佩戴安全帽的步骤为:
A1)、依据目标检测报警模组分析视频获得人形坐标列表I人形和安全帽坐标列表I安全帽;
A2)、取一个人形坐标(xj,yj,wj,hj),遍历安全帽坐标列表(xi,yi,wi,hi),判断该人形坐标对应工人是否正确佩戴安全帽,判断的标准为:
同时满足上述情况,则判定为该工人正确佩戴安全帽,反之,认为该工人未能正确佩戴安全帽;
A3)、遍历人形坐标列表,按照A2的步骤,检测所有人员安全帽佩戴情况,查找异常信息报警;
检测作业人员是否正确佩戴反光背心的步骤为:
B1)、依据目标检测报警模组分析视频获得人形坐标列表I人形和反光背心坐标列表I反光背心;
B2)、取一个人形坐标(xj,yj,wj,hj),遍历安全帽坐标列表(xi,yi,wi,hi),判断该人形坐标对应工人是否正确佩戴反光背心,判断的标准为:
同时满足上述情况,则判定为该工人正确佩戴反光背心,反之,认为该工人未正确佩戴反光背心;
B3)、遍历反光背心坐标列表,按照B2的步骤,检测所有人员反光背心穿戴情况,查找异常信息报警。
2.根据权利要求1所述的基于视频分析的智慧工地安全作业的检测方法,其特征在于:目标检测分析训练模型通过以下方法获得:
C1)、采集样本源,获取施工场景个时间段各种光线、天气下的监控视频源;
C2)、将视频源转化为视频帧图像;
C3)、使用图像标记工具,输入定义类别:人形、安全帽、反光背心,标记视频帧图像上相应的目标,通过这个方法获得训练样本集;
C4)、基于深度学习目标检测算法训练样本集,得出目标检测分析训练模型;
C5)、使用正向和反向测试用例验证目标检测分析训练模型,得到正确率、误报率、漏报率;
C6)、分析目标检测分析训练模型的正确率、误报率、漏报率,通过增加样本数量、多样性的方法,重复步骤C1至C5的过程,直至目标检测分析训练模型的正确率、误报率、漏报率达到要求。
3.根据权利要求1所述的基于视频分析的智慧工地安全作业的检测方法,其特征在于:本方法还包括智能补光跟踪机制,本机制实现包括:
D1)、前端光线感应器实时感应光线变化,并按照一定时间间隔向微控单元发送感光信号;
D2)、微控单元将感光信号与预设的光纤边缘值进行比较,如果不大于该值,则控制LED灯组打开,反之,则关闭LED灯组。
4.根据权利要求1所述的基于视频分析的智慧工地安全作业的检测方法,其特征在于:本方法还包括定时器装置,如果目标检测报警模组超过一定时间没有检测到人形信息,则向微控单元发送关闭信号。
5.根据权利要求1所述的基于视频分析的智慧工地安全作业的检测方法,其特征在于:对于判定为正确佩戴安全帽、反光背心的人形,标记为合格绿框,对于判定为未正确佩戴安全帽、反光背心的人形,在视频中画红框标记该施工人员,并向终端应用发送未正确佩戴安全帽、反光背心的报警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010564310.1A CN111753705B (zh) | 2020-06-19 | 2020-06-19 | 一种基于视频分析的智慧工地安全作业的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010564310.1A CN111753705B (zh) | 2020-06-19 | 2020-06-19 | 一种基于视频分析的智慧工地安全作业的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753705A true CN111753705A (zh) | 2020-10-09 |
CN111753705B CN111753705B (zh) | 2023-11-03 |
Family
ID=72675863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010564310.1A Active CN111753705B (zh) | 2020-06-19 | 2020-06-19 | 一种基于视频分析的智慧工地安全作业的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753705B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560627A (zh) * | 2020-12-09 | 2021-03-26 | 江苏集萃未来城市应用技术研究所有限公司 | 基于神经网的工地人员异常行为实时检测方法 |
CN113158993A (zh) * | 2021-05-21 | 2021-07-23 | 济南博观智能科技有限公司 | 一种多场景反光背心穿戴识别模型创建方法及相关组件 |
CN113762171A (zh) * | 2021-09-09 | 2021-12-07 | 赛思沃德(武汉)科技有限公司 | 铁路施工现场安全监测的方法及装置 |
WO2022115045A1 (en) * | 2020-11-30 | 2022-06-02 | National University Of Singapore | Video analytics for industrial safety |
CN116629589A (zh) * | 2023-07-26 | 2023-08-22 | 华能信息技术有限公司 | 一种电厂安全生产管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110309718A (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检测方法 |
KR20200001785A (ko) * | 2018-06-28 | 2020-01-07 | 한국도로공사 | 안전장치가 구비된 개인 보호구 및 그 운용방법 |
WO2020019673A1 (zh) * | 2018-07-25 | 2020-01-30 | 深圳云天励飞技术有限公司 | 基于图像分析的工地监控方法、装置及可读存储介质 |
-
2020
- 2020-06-19 CN CN202010564310.1A patent/CN111753705B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200001785A (ko) * | 2018-06-28 | 2020-01-07 | 한국도로공사 | 안전장치가 구비된 개인 보호구 및 그 운용방법 |
WO2020019673A1 (zh) * | 2018-07-25 | 2020-01-30 | 深圳云天励飞技术有限公司 | 基于图像分析的工地监控方法、装置及可读存储介质 |
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 |
CN110309718A (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检测方法 |
Non-Patent Citations (2)
Title |
---|
狄春杰;胡瑞卿;: "行为安全研究在建筑施工安全管理中的应用与分析", 建筑安全, no. 01 * |
郭子星;邓磊;: "基于机器视觉的建筑作业区安全隐患监测方法", 电子制作, no. 17 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022115045A1 (en) * | 2020-11-30 | 2022-06-02 | National University Of Singapore | Video analytics for industrial safety |
CN112560627A (zh) * | 2020-12-09 | 2021-03-26 | 江苏集萃未来城市应用技术研究所有限公司 | 基于神经网的工地人员异常行为实时检测方法 |
CN113158993A (zh) * | 2021-05-21 | 2021-07-23 | 济南博观智能科技有限公司 | 一种多场景反光背心穿戴识别模型创建方法及相关组件 |
CN113762171A (zh) * | 2021-09-09 | 2021-12-07 | 赛思沃德(武汉)科技有限公司 | 铁路施工现场安全监测的方法及装置 |
CN116629589A (zh) * | 2023-07-26 | 2023-08-22 | 华能信息技术有限公司 | 一种电厂安全生产管理系统 |
CN116629589B (zh) * | 2023-07-26 | 2023-10-31 | 华能信息技术有限公司 | 一种电厂安全生产管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111753705B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753705B (zh) | 一种基于视频分析的智慧工地安全作业的检测方法 | |
CN106097346B (zh) | 一种自学习的视频火灾探测方法 | |
CN106446926A (zh) | 一种基于视频分析的变电站工人安全帽佩戴检测方法 | |
CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN103456024B (zh) | 一种运动目标越线判断方法 | |
CN108280435A (zh) | 一种基于人体姿态估计的旅客异常行为识别方法 | |
CN112381778A (zh) | 一种基于深度学习的变电站安全管控平台 | |
CN112434827B (zh) | 一种5t运维中安全防护识别单元 | |
CN112434828B (zh) | 一种5t运维中安全防护智能识别方法 | |
CN113516076A (zh) | 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法 | |
CN104866827A (zh) | 基于视频监控平台的人员翻越行为的检测方法 | |
CN106503632A (zh) | 一种基于视频分析的自动扶梯智能安全监测方法 | |
CN113111771A (zh) | 一种发电厂工作人员不安全行为的识别方法 | |
CN103152558B (zh) | 基于场景识别的入侵检测方法 | |
CN116475089A (zh) | 矿井带式输送机视频图像智能识别的联动控制装置及方法 | |
CN114359712A (zh) | 一种基于无人机巡检的安全违规行为分析系统 | |
CN106941580A (zh) | 基于单一探测镜头实现教师学生自动跟踪的方法和系统 | |
CN212180098U (zh) | 一种基于人脸识别的红外测温系统 | |
CN113537019A (zh) | 基于关键点识别变电站人员安全帽佩戴的检测方法 | |
CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
CN115690687A (zh) | 一种基于深度学习技术的安全穿戴规范检测系统 | |
CN116129603A (zh) | 一种基于图像识别的车间安全监测系统 | |
CN112686864A (zh) | 基于图像识别的液体、气体跑冒滴漏识别方法及系统 | |
CN115147930A (zh) | 一种基于人工智能的大数据视频ai分析系统 | |
CN114913323A (zh) | 一种充电桩区域夜间明火检测方法 |
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 |