CN112016502A - 安全带检测方法、装置、计算机设备及存储介质 - Google Patents
安全带检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112016502A CN112016502A CN202010923993.5A CN202010923993A CN112016502A CN 112016502 A CN112016502 A CN 112016502A CN 202010923993 A CN202010923993 A CN 202010923993A CN 112016502 A CN112016502 A CN 112016502A
- Authority
- CN
- China
- Prior art keywords
- safety belt
- inputting
- layer
- convolution
- result
- 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 60
- 238000012545 processing Methods 0.000 claims abstract description 89
- 238000011176 pooling Methods 0.000 claims abstract description 84
- 239000011159 matrix material Substances 0.000 claims abstract description 77
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims description 57
- 238000000034 method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000004913 activation Effects 0.000 description 13
- 238000010606 normalization Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression 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
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例属于人工智能技术领域,应用于智慧交通领域中,涉及一种安全带检测方法、装置、计算机设备及存储介质,包括将接收的原始图像输入安全带识别模型中的EfficientNet网络,获得安全带特征;将安全带特征输入金字塔池化层,获得安全带的固定大小的特征表示;处理固定大小的特征表示和EfficientNet网络中的特征图矩阵,获得第一安全带坐标;计算损失函数,迭代安全带识别模型,直至安全带识别模型收敛,获得训练后的安全带识别模型;将接收的待识别图像输入训练后的安全带识别模型,获得第二安全带坐标;映射第二安全带坐标为待识别图像的坐标,获得目标图像。训练后的安全带识别模型可储存于区块链中,本申请有效提升了计算机对安全带识别的准确率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及安全带检测方法、装置、计算机设备及存储介质。
背景技术
驾驶员是否佩戴安全带的自动检测与识别,是交通事故中驾驶员人身安全的重要保障,也是智能交通系统中不可或缺的环节。
现有的安全带检测方法通常采用基于神经网络的深度学习模型,进行快速检测,但是传统的深度学习模型只在环境条件良好的晴天和能见度高的白天才能起到较好的检测效果,但是当面对雾霾、雨天、夜间等困难环境场景时,其检测准确率和召回率均较低。同时,传统检测方法对输入的图像的分辨率要求较苛刻,通常需对原始输入图像尺寸进行调整,导致原始输入图像的发生变形或扭曲,影响特征抽取的准确性,降低安全带检测的准确率。
发明内容
本申请实施例的目的在于提出一种安全带检测方法、装置、计算机设备及存储介质,有效提升了计算机对安全带识别的准确率。
为了解决上述技术问题,本申请实施例提供一种安全带检测方法,采用了如下所述的技术方案:
一种安全带检测方法,包括下述步骤:
接收原始图像,将所述原始图像输入安全带识别模型中的EfficientNet网络中,获取所述EfficientNet网络输出的安全带特征;
将所述安全带特征输入安全带识别模型中的金字塔池化层,获取所述金字塔池化层输出的安全带的固定大小的特征表示;
处理所述固定大小的特征表示和所述EfficientNet网络中的特征图矩阵,获得第一安全带坐标;
根据所述第一安全带坐标计算损失函数,迭代所述安全带识别模型,直至所述安全带识别模型收敛,获得训练后的安全带识别模型;
接收待识别图像,并将所述待识别图像输入训练后的安全带识别模型中,获得第二安全带坐标;以及
将所述第二安全带坐标映射为所述待识别图像的坐标,获得目标图像。
进一步的,所述处理所述固定大小的特征表示和所述EfficientNet网络中的特征图矩阵,获得第一安全带坐标步骤包括:
基于预设的通道对所述固定大小的特征表示和所述EfficientNet网络中对应的特征图矩阵进行处理,获得第一特征图、第二特征图和第三特征图;
基于k-means算法对第一特征图、第二特征图和第三特征图进行安全带的预测,获得第一安全带坐标。
进一步的,所述将所述安全带特征输入安全带识别模型中的金字塔池化层,获取所述金字塔池化层输出的安全带的固定大小的特征表示的步骤包括:
将所述安全带特征输入预设的金字塔池化层,对所述安全带特征分别进行不同的最大池化操作,分别获得池化结果,其中,不同的最大池化操作的卷积核大小不同;
拼接各池化结果,获得安全带的固定大小的特征表示。
进一步的,所述对所述安全带特征分别进行不同的最大池化操作,分别获得池化结果的步骤包括:
在每个最大池化操作中,通过所述卷积核对所述安全带特征进行卷积,并保留最大值像素点,获得池化结果。
进一步的,所述预设的通道包括第一预设通道、第二预设通道和第三预设通道,其中,所述第一预设通道包括第一卷积层、第一处理层和第一卷积块,所述第二预设通道包括第二卷积层、第二处理层和第二卷积块,所述第三预设通道包括第三卷积层、第三处理层和第三卷积块,所述基于预设的通道对所述固定大小的特征表示和所述EfficientNet网络中对应的特征图矩阵进行处理,获得第一特征图、第二特征图和第三特征图的步骤包括:
将所述固定大小的特征表示输入所述第一卷积层,获得第一结果,将所述第一结果依次输入第一处理层和第一卷积块,获得第一特征图;
将所述第一结果输入预设的第一中间处理层并进行上采样,获得第一中间结果,将所述第一中间结果与所述EfficientNet网络中对应的特征图矩阵进行拼接,并输入所述第二卷积层,获得第二结果,将所述第二结果依次输入第二处理层和第二卷积块,获得第二特征图;
将所述第二结果输入预设的第二中间处理层并进行上采样,获得第二中间结果,将所述第二中间结果与所述EfficientNet网络中对应的特征图矩阵进行拼接,并输入所述第三卷积层,获得第三结果,将所述第三结果依次输入第三处理层和第三卷积块,获得第三特征图。
进一步的,所述将所述第一中间结果与所述EfficientNet网络中对应的特征图矩阵进行拼接,并输入所述第二卷积层,获得第二结果的步骤包括:
识别所述第一中间结果的矩阵大小;
根据所述第一中间结果的矩阵大小确定EfficientNet网络中对应的特征图矩阵;
将所述第一中间结果与对应的特征图矩阵进行拼接,并输入所述第二卷积层,获得第二结果。
进一步的,所述将所述原始图像输入所述安全带识别模型中的EfficientNet网络中,获取所述EfficientNet网络输出的安全带特征的步骤包括:
将所述原始图像数据输入所述EfficientNet网络中;
若所述EfficientNet网络未识别到安全带,则返回未识别到安全带的信息;
若所述EfficientNet网络识别到安全带,则获取所述EfficientNet网络输出的安全带特征。
为了解决上述技术问题,本申请实施例还提供一种安全带检测装置,采用了如下所述的技术方案:
一种安全带检测装置,包括:
接收模块,用于接收原始图像,将所述原始图像输入安全带识别模型中的EfficientNet网络中,获取所述EfficientNet网络输出的安全带特征;
输入模块,用于将所述安全带特征输入安全带识别模型中的金字塔池化层,获取所述金字塔池化层输出的安全带的固定大小的特征表示;
处理模块,用于处理所述固定大小的特征表示和所述EfficientNet网络中的特征图矩阵,获得第一安全带坐标;
计算模块,用于根据所述第一安全带坐标计算损失函数,迭代所述安全带识别模型,直至所述安全带识别模型收敛,获得训练后的安全带识别模型;
获得模块,用于接收待识别图像,并将所述待识别图像输入训练后的安全带识别模型中,获得第二安全带坐标;以及
映射模块,用于将所述第二安全带坐标映射为所述待识别图像的坐标,获得目标图像。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述的安全带检测方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述的安全带检测方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请支持动态分辨率的驾驶员安全带的检测,通过本申请的金字塔池化层结构,支持输入图像的分辨率动态变化,有效缓解了输入图像因传统尺寸调整操作导致的图像扭曲,大幅改善了抽取的安全带特征的质量,从而提高了驾驶员安全带检测的整体准确率;通过在传统的深度学习模型中增加EfficientNet网络,并随后对通过金字塔池化层结构输出的固定大小的特征表示与EfficientNet网络中的特征图矩阵进行进一步的处理,提升了本申请的安全带识别模型整体的特征表达能力,不受外界环境条件的影响,提高了驾驶员安全带检测的整体准确率和召回率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的安全带检测方法的一个实施例的流程图;
图3是根据本申请的安全带检测装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
附图标记:200、计算机设备;201、存储器;202、处理器;203、网络接口;300、安全带检测装置;301、接收模块;302、输入模块;303、处理模块;304、计算模块;305、获得模块;306、映射模块。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的安全带检测方法一般由服务器/终端设备执行,相应地,安全带检测装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的安全带检测方法的一个实施例的流程图。所述的安全带检测方法,包括以下步骤:
S1:接收原始图像,将所述原始图像输入安全带识别模型中的EfficientNet网络中,获取所述EfficientNet网络输出的安全带特征。
在本实施例中,EfficientNet能够利用更少的参数量得到最好的识别度,其精度和效率都有较好的表现。原始图像经过EfficientNet网络提取图像中的安全带特征,其中安全带特征为矩阵。本申请在传统YOLOv3算法的基础框架上,将DarkNet53网络替换成了性能更好的EfficientNet网络,以实现支持动态分辨率的驾驶员安全带检测,增强了雾霾、雨天、夜间等困难场景下安全带的特征表达能力,提高了驾驶员安全带检测的整体准确率和召回率。
在本实施例中,安全带检测方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式接收原始图像。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
具体的,在步骤S1中,即所述将所述原始图像输入所述安全带识别模型中的EfficientNet网络中,获取所述EfficientNet网络输出的安全带特征的步骤包括:
将所述原始图像数据输入所述EfficientNet网络中;
若所述EfficientNet网络未识别到安全带,则返回未识别到安全带的信息;
若所述EfficientNet网络识别到安全带,则获取所述EfficientNet网络输出的安全带特征。
在本实施例中,原始图像为训练图像,在训练和实际应用的过程中,若驾驶员未佩戴安全带,则此步骤未提取到安全带特征,进行驾驶员未系安全带的提示。
S2:将所述安全带特征输入安全带识别模型中的金字塔池化层,获取所述金字塔池化层输出的安全带的固定大小的特征表示。
在本实施例中,将安全带特征输入金字塔池化层中,获得安全带的固定大小的特征表示。本申请的金字塔池化层与现有的金字塔池化层不用,其中加入了卷积的特征,具体见下文。通过金字塔池化层对安全带特征进行处理,有效改善了安全带识别模型对提取的安全带特征的质量。
具体的,在步骤S2中,即所述将所述安全带特征输入安全带识别模型中的金字塔池化层,获取所述金字塔池化层输出的安全带的固定大小的特征表示的步骤包括:
将所述安全带特征输入预设的金字塔池化层,对所述安全带特征分别进行不同的最大池化操作,分别获得池化结果,其中,不同的最大池化操作的卷积核大小不同;
拼接各池化结果,获得安全带的固定大小的特征表示。
在本实施例中,经过预设的金字塔池化层pyramid_pooling得到安全带固定大小的特征表示。金字塔池化层支持图像分辨率的动态变化,其替代了原先的尺寸调整(resize)操作,避免了因尺寸调整导致的图像扭曲,有效改善了抽取的安全带特征的质量,从而提高了驾驶员安全带检测的整体准确率。
进一步的,所述对所述安全带特征分别进行不同的最大池化操作,分别获得池化结果的步骤包括:
在每个最大池化操作中,通过所述卷积核对所述安全带特征进行卷积,并保留最大值像素点,获得池化结果。
在本实施例中,现有的金字塔池化层的最大池化操作是直接保留卷积核滑过区域内的最大值像素点,而本申请的金字塔池化层的最大池化操作是先利用卷积核进行卷积,然后再保留卷积核滑过区域内的最大值像素点。通过在卷积减小后续运算量,本申请中最大池化的个数(即n)是可配置的,以n取3为例对上述拼接的过程进行举例说明:假设输入预设的金字塔池化层的矩阵(即经过上述EfficientNet网络后输出的安全带特征)大小为512*512*128,max_pooling_1、max_pooling_2、max_pooling_3表示大小相同(均为32*32)参数不同的三种不同卷积核的最大池化操作(其中,max_pooling_1、max_pooling_2、max_pooling_3均包括卷积过程和保留最大像素点的过程),则经过max_pooling_1、max_pooling_2、max_pooling_3得到三个不同的输出矩阵(大小相同,数值不同),大小均为(512/32)*(512/32)*128=16*16*128,然后将得到的三个输出矩阵进行拼接(concat)后得到矩阵16*16*(128+128+128)=16*16*384(即安全带的固定大小的特征表示)。
S3:处理所述固定大小的特征表示和所述EfficientNet网络中的特征图矩阵,获得第一安全带坐标。
在本实施例中,通过对金字塔池化层输出的安全带的固定大小的特征表示和EfficientNet网络中的特征图矩阵(block)进行对应处理,提高安全带识别模型的特征表达能力。
具体的,在步骤S3中,即所述处理所述固定大小的特征表示和所述EfficientNet网络中的特征图矩阵,获得第一安全带坐标步骤包括:
基于预设的通道对所述固定大小的特征表示和所述EfficientNet网络中对应的特征图矩阵进行处理,获得第一特征图、第二特征图和第三特征图;
基于k-means算法对第一特征图、第二特征图和第三特征图进行安全带的预测,获得第一安全带坐标。
在本实施例中,通过预设的通道得到三种不同尺度的特征图,即第一特征图(y1)、第二特征图(y2)和第三特征图(y3)。预先使用k-means(K均值原型聚类)算法聚类得到9个矩形框(或称为锚框,anchor box)。9个矩形框分别在得到的第一特征图、第二特征图和第三特征图上进行安全带的检测与识别,每种特征图上分别预测3个不同矩形框的坐标和类别。基于非极大值抑制(non-maximum suppression,NMS)算法对矩形框的预测结果进行处理,获得第一安全带坐标。
需要说明的是,本申请中的尺度有两层理解,既可以理解为三种特征图矩阵y1、y2、y3的矩阵大小不同,例如:y1大小为13*13*75,y2大小为26*26*75,y3大小为52*52*75。也可以理解为三种特征图上预测的实际目标(本申请中指安全带)的实际尺寸(即分辨率)不同,例如:有的图像中的安全带尺寸为20*70;有的图像中的安全带尺寸为100*400等。
其中,所述预设的通道包括第一预设通道、第二预设通道和第三预设通道,其中,所述第一预设通道包括第一卷积层、第一处理层和第一卷积块,所述第二预设通道包括第二卷积层、第二处理层和第二卷积块,所述第三预设通道包括第三卷积层、第三处理层和第三卷积块,所述基于预设的通道对所述固定大小的特征表示和所述EfficientNet网络中对应的特征图矩阵进行处理,获得第一特征图、第二特征图和第三特征图的步骤包括:
将所述固定大小的特征表示输入所述第一卷积层,获得第一结果,将所述第一结果依次输入第一处理层和第一卷积块,获得第一特征图;
将所述第一结果输入预设的第一中间处理层并进行上采样,获得第一中间结果,将所述第一中间结果与所述EfficientNet网络中对应的特征图矩阵进行拼接,并输入所述第二卷积层,获得第二结果,将所述第二结果依次输入第二处理层和第二卷积块,获得第二特征图;
将所述第二结果输入预设的第二中间处理层并进行上采样,获得第二中间结果,将所述第二中间结果与所述EfficientNet网络中对应的特征图矩阵进行拼接,并输入所述第三卷积层,获得第三结果,将所述第三结果依次输入第三处理层和第三卷积块,获得第三特征图。
在本实施例中,第一卷积层(conv_layer)、第二卷积层(conv_layer)和第三卷积层(conv_layer)均包括5层卷积+1层归一化+1层激活。第一处理层(conv_block)、第二处理层(conv_block)、第三处理层(conv_block)、第一中间处理层(conv_block)和第二中间处理层(conv_block)均包括1层卷积+1层归一化+1层激活。第一卷积块(conv)、第二卷积块(conv)和第三卷积块(conv)均包括1层卷积。通过本申请得到的三个尺度不同的特征图,即第一特征图(y1)、第二特征图(y2)和第三特征图(y3)。其中,第二特征图(y2)和第三特征图(y3)在操作上比第一特征图(y1)多了残差连接操作,即将上一层(第一卷积层或第二卷积层)得到的结果进行上采样后与EfficientNet网络中相应的特征图矩阵(block)进行拼接。在本申请中,既可以将所述第一结果输入预设的第一中间处理层并进行上采样,获得第一中间结果,也可以对所述第一结果进行上采样并输入预设的第一中间处理层,获得中间结果。同时,既可以将所述第二结果输入预设的第二中间处理层并进行上采样,获得第二中间结果,也可以对所述第二结果进行上采样并输入预设的第二中间处理层,获得第二中间结果。通过残差连接操作,提高安全带检测模型对安全带检测的准确性。
需要说明的是:第一处理层(conv_block)、第一中间处理层(conv_block)、第二处理层(conv_block)、第二中间处理层(conv_block)、第三处理层(conv_block)的具体操作各不相同,包括以下两种:1、结构相同,参数不同。2、结构不同。其中,结构不同这种情况又可以细分为两种情况:(1)、卷积核大小不同;(2)、激活函数不同。以下对第一处理层(conv_block)、第一中间处理层(conv_block)、第二处理层(conv_block)、第二中间处理层(conv_block)的具体情况进行举例:1、结构相同,参数不同:第一处理层(conv_block)、第一中间处理层(conv_block)、第二处理层(conv_block)、第二中间处理层(conv_block)结构均为:3*3卷积+批归一化+Leaky Relu激活函数,且这4个3*3卷积核中的参数各不相同。2、结构不同(卷积核大小不同)第一处理层的结构为:3*3卷积+批归一化+Leaky Relu激活函数;第一中间处理层的结构为:5*5卷积+批归一化+Leaky Relu激活函数;第二处理层的结构为:7*7卷积+批归一化+Leaky Relu激活函数;第二中间处理层的结构为:9*9卷积+批归一化+Leaky Relu激活函数;3、结构不同(激活函数不同)第一处理层的结构为:3*3卷积+批归一化+Leaky Relu激活函数;第一中间处理层的结构为:3*3卷积+批归一化+Relu激活函数;第二处理层的结构为:3*3卷积+批归一化+Swish激活函数;第二中间处理层的结构为:3*3卷积+批归一化+Mish激活函数。
进一步的,所述将所述第一中间结果与所述EfficientNet网络中对应的特征图矩阵进行拼接,并输入所述第二卷积层,获得第二结果的步骤包括:
识别所述第一中间结果的矩阵大小;
根据所述第一中间结果的矩阵大小确定EfficientNet网络中对应的特征图矩阵;
将所述第一中间结果与对应的特征图矩阵进行拼接,并输入所述第二卷积层,获得第二结果。
在本实施例中,所述将所述第一中间结果与所述EfficientNet网络中对应的特征图矩阵进行拼接,并输入所述第二卷积层,获得第二结果的步骤包括:识别所述第一中间结果的矩阵大小;根据所述第一中间结果的矩阵大小确定EfficientNet网络中对应的特征图矩阵;将所述第一中间结果与对应的特征图矩阵进行拼接,并输入所述第二卷积层,获得第二结果。所述将所述第二中间结果与所述EfficientNet网络中对应的特征图矩阵进行拼接,并输入所述第三卷积层,获得第三结果的步骤包括:识别所述第二中间结果的矩阵大小;根据所述第二中间结果的矩阵大小确定EfficientNet网络中对应的特征图矩阵;将所述第二中间结果与对应的特征图矩阵进行拼接,并输入所述第三卷积层,获得第三结果。上采样后得到的矩阵大小会有变化,特征图矩阵(block)需要与上采样(upsample)后的矩阵大小保持一致(通道数可不同),否则无法进行拼接(concat),所以上述两次拼接的特征图矩阵(block)是不同的。举例来说:假设经过上采样后的矩阵大小(即拼接的其中一个输入)为26*26*128,再假设EfficientNet网络中的第120层、第130层、第140层的输出矩阵大小分别为13*13*128,26*26*256,52*52*128,则拼接的另一个输入只能是第130层的输出矩阵,即特征图矩阵,其矩阵大小必须相同(都为26*26),通道可以不同(分别128和256),而不能是第120层和第140层的矩阵。
S4:根据所述第一安全带坐标计算损失函数,迭代所述安全带识别模型,直至所述安全带识别模型收敛,获得训练后的安全带识别模型。
在本实施例中,通过损失函数计算安全带识别模型的识别效果,直到安全带识别模型收敛,确认完成模型训练,其中,损失函数可以采用位置损失函数和类别损失函数,当然也可以是其他类型的损失函数,在实际应用过程中,可以根据实际需要为安全带识别模型选择或设计损失函数。
S5:接收待识别图像,并将所述待识别图像输入训练后的安全带识别模型中,获得第二安全带坐标。
在本实施例中,将待识别图像输入训练好的安全带识别模型中,获得准确的第二安全带坐标。
S6:将所述第二安全带坐标映射为所述待识别图像的坐标,获得目标图像。
在本实施例中,将训练后的安全带识别模型输出的第二安全带坐标映射为待识别图像上的坐标,从而实现对待识别图像像的安全带检测与识别,增强安全带的检测和识别。
本申请支持动态分辨率的驾驶员安全带的检测,通过本申请的金字塔池化层结构,支持输入图像的分辨率动态变化,有效缓解了输入图像因传统尺寸调整操作导致的图像扭曲,大幅改善了抽取的安全带特征的质量,从而提高了驾驶员安全带检测的整体准确率;通过在传统的深度学习模型中增加EfficientNet网络,并随后对通过金字塔池化层结构输出的固定大小的特征表示与EfficientNet网络中的特征图矩阵进行进一步的处理,提升了本申请的安全带识别模型整体的特征表达能力,不受外界环境条件的影响,提高了驾驶员安全带检测的整体准确率和召回率。
需要强调的是,为进一步保证上述训练后的安全带识别模型的私密和安全性,上述训练后的安全带识别模型还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请可应用于智慧交通领域中,从而推动智慧城市的建设。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他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。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种安全带检测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的安全带检测装置300包括:接收模块301;输入模块302;处理模块303;计算模块304;获得模块305;映射模块306。其中,接收模块301,用于接收原始图像,将所述原始图像输入安全带识别模型中的EfficientNet网络中,获取所述EfficientNet网络输出的安全带特征;输入模块302,用于将所述安全带特征输入安全带识别模型中的金字塔池化层,获取所述金字塔池化层输出的安全带的固定大小的特征表示;处理模块303,用于处理所述固定大小的特征表示和所述EfficientNet网络中的特征图矩阵,获得第一安全带坐标;计算模块304,用于根据所述第一安全带坐标计算损失函数,迭代所述安全带识别模型,直至所述安全带识别模型收敛,获得训练后的安全带识别模型;获得模块305,用于接收待识别图像,并将所述待识别图像输入训练后的安全带识别模型中,获得第二安全带坐标;映射模块306,用于将所述第二安全带坐标映射为所述待识别图像的坐标,获得目标图像。
在本实施例中,本申请支持动态分辨率的驾驶员安全带的检测,通过本申请的金字塔池化层结构,支持输入图像的分辨率动态变化,有效缓解了输入图像因传统尺寸调整操作导致的图像扭曲,大幅改善了抽取的安全带特征的质量,从而提高了驾驶员安全带检测的整体准确率;通过在传统的深度学习模型中增加EfficientNet网络,并随后对通过金字塔池化层结构输出的固定大小的特征表示与EfficientNet网络中的特征图矩阵进行进一步的处理,提升了本申请的安全带识别模型整体的特征表达能力,不受外界环境条件的影响,提高了驾驶员安全带检测的整体准确率和召回率。
接收模块301包括输入子模块、返回子模块和输出子模块。输入子模块用于将所述原始图像数据输入所述EfficientNet网络中;返回子模块用于若所述EfficientNet网络未识别到安全带,则返回未识别到安全带的信息;输出子模块用于若所述EfficientNet网络识别到安全带,则获取所述EfficientNet网络输出的安全带特征。
输入模块302包括池化子模块和拼接子模块。池化子模块用于将所述安全带特征输入预设的金字塔池化层,对所述安全带特征分别进行不同的最大池化操作,分别获得池化结果,其中,不同的最大池化操作的卷积核大小不同;拼接子模块用于拼接各池化结果,获得安全带的固定大小的特征表示。
在本实施例的一些可选的实现方式中,上述池化子模块进一步用于:在每个最大池化操作中,通过所述卷积核对所述安全带特征进行卷积,并保留最大值像素点,获得池化结果。
处理模块303包括处理子模块和预测子模块;其中,处理子模块用于基于预设的通道对所述固定大小的特征表示和所述EfficientNet网络中对应的特征图矩阵进行处理,获得第一特征图、第二特征图和第三特征图;预测子模块用于基于k-means算法对第一特征图、第二特征图和第三特征图进行安全带的预测,获得第一安全带坐标。
预设的通道包括第一预设通道、第二预设通道和第三预设通道,其中,所述第一预设通道包括第一卷积层、第一处理层和第一卷积块,所述第二预设通道包括第二卷积层、第二处理层和第二卷积块,所述第三预设通道包括第三卷积层、第三处理层和第三卷积块;处理子模块包括依次输入单元、第一上采样单元和第二上采样单元。输入单元用于将所述固定大小的特征表示输入所述第一卷积层,获得第一结果,将所述第一结果依次输入第一处理层和第一卷积块,获得第一特征图;第一上采样单元用于将所述第一结果输入预设的第一中间处理层并进行上采样,获得第一中间结果,将所述第一中间结果与所述EfficientNet网络中对应的特征图矩阵进行拼接,并输入所述第二卷积层,获得第二结果,将所述第二结果依次输入第二处理层和第二卷积块,获得第二特征图;第二上采样单元用于将所述第二结果输入预设的第二中间处理层并进行上采样,获得第二中间结果,将所述第二中间结果与所述EfficientNet网络中对应的特征图矩阵进行拼接,并输入所述第三卷积层,获得第三结果,将所述第三结果依次输入第三处理层和第三卷积块,获得第三特征图。
第一上采样单元包括第一获取子单元、第一确定子单元和第一拼接子单元。第一获取子单元用于识别所述第一中间结果的矩阵大小;第一确定子单元用于根据所述第一中间结果的矩阵大小确定EfficientNet网络中对应的特征图矩阵;第一拼接子单元用于将所述第一中间结果与对应的特征图矩阵进行拼接,并输入所述第二卷积层,获得第二结果。
第二上采样单元包括第二获取子单元、第二确定子单元和第二拼接子单元。第二获取子单元用于识别所述第二中间结果的矩阵大小;第二确定子单元用于根据所述第二中间结果的矩阵大小确定EfficientNet网络中对应的特征图矩阵;用于将所述第二中间结果与对应的特征图矩阵进行拼接,并输入所述第三卷积层,获得第三结果。
本申请支持动态分辨率的驾驶员安全带的检测,通过本申请的金字塔池化层结构,支持输入图像的分辨率动态变化,有效缓解了输入图像因传统尺寸调整操作导致的图像扭曲,大幅改善了抽取的安全带特征的质量,从而提高了驾驶员安全带检测的整体准确率;通过在传统的深度学习模型中增加EfficientNet网络,并随后对通过金字塔池化层结构输出的固定大小的特征表示与EfficientNet网络中的特征图矩阵进行进一步的处理,提升了本申请的安全带识别模型整体的特征表达能力,不受外界环境条件的影响,提高了驾驶员安全带检测的整体准确率和召回率。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过系统总线相互通信连接存储器201、处理器202、网络接口203。需要指出的是,图中仅示出了具有组件201-203的计算机设备200,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器201至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器201可以是所述计算机设备200的内部存储单元,例如该计算机设备200的硬盘或内存。在另一些实施例中,所述存储器201也可以是所述计算机设备200的外部存储设备,例如该计算机设备200上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器201还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中,所述存储器201通常用于存储安装于所述计算机设备200的操作系统和各类应用软件,例如安全带检测方法的计算机可读指令等。此外,所述存储器201还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器202在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器202通常用于控制所述计算机设备200的总体操作。本实施例中,所述处理器202用于运行所述存储器201中存储的计算机可读指令或者处理数据,例如运行所述安全带检测方法的计算机可读指令。
所述网络接口203可包括无线网络接口或有线网络接口,该网络接口203通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
在本实施例中,有效缓解了输入图像因传统尺寸调整操作导致的图像扭曲,改善了抽取的安全带特征的质量,提高了驾驶员安全带检测的整体准确率。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的安全带检测方法的步骤。
在本实施例中,有效缓解了输入图像因传统尺寸调整操作导致的图像扭曲,改善了抽取的安全带特征的质量,提高了驾驶员安全带检测的整体准确率。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种安全带检测方法,其特征在于,包括下述步骤:
接收原始图像,将所述原始图像输入安全带识别模型中的EfficientNet网络中,获取所述EfficientNet网络输出的安全带特征;
将所述安全带特征输入安全带识别模型中的金字塔池化层,获取所述金字塔池化层输出的安全带的固定大小的特征表示;
处理所述固定大小的特征表示和所述EfficientNet网络中的特征图矩阵,获得第一安全带坐标;
根据所述第一安全带坐标计算损失函数,迭代所述安全带识别模型,直至所述安全带识别模型收敛,获得训练后的安全带识别模型;
接收待识别图像,并将所述待识别图像输入所述训练后的安全带识别模型中,获得第二安全带坐标;以及
将所述第二安全带坐标映射为所述待识别图像的坐标,获得目标图像。
2.根据权利要求1所述的安全带检测方法,其特征在于,所述处理所述固定大小的特征表示和所述EfficientNet网络中的特征图矩阵,获得第一安全带坐标步骤包括:
基于预设的通道对所述固定大小的特征表示和所述EfficientNet网络中对应的特征图矩阵进行处理,获得第一特征图、第二特征图和第三特征图;
基于k-means算法对所述第一特征图、所述第二特征图和所述第三特征图进行安全带的预测,获得所述第一安全带坐标。
3.根据权利要求1所述的安全带检测方法,其特征在于,所述将所述安全带特征输入安全带识别模型中的金字塔池化层,获取所述金字塔池化层输出的安全带的固定大小的特征表示的步骤包括:
将所述安全带特征输入预设的金字塔池化层,对所述安全带特征分别进行不同的最大池化操作,分别获得池化结果,其中,不同的最大池化操作的卷积核大小不同;
拼接各池化结果,获得所述安全带的固定大小的特征表示。
4.根据权利要求3所述的安全带检测方法,其特征在于,所述对所述安全带特征分别进行不同的最大池化操作,分别获得池化结果的步骤包括:
在每个最大池化操作中,通过所述卷积核对所述安全带特征进行卷积,并保留最大值像素点,获得所述池化结果。
5.根据权利要求2所述的安全带检测方法,其特征在于,所述预设的通道包括第一预设通道、第二预设通道和第三预设通道,其中,所述第一预设通道包括第一卷积层、第一处理层和第一卷积块,所述第二预设通道包括第二卷积层、第二处理层和第二卷积块,所述第三预设通道包括第三卷积层、第三处理层和第三卷积块,所述基于预设的通道对所述固定大小的特征表示和所述EfficientNet网络中对应的特征图矩阵进行处理,获得第一特征图、第二特征图和第三特征图的步骤包括:
将所述固定大小的特征表示输入所述第一卷积层,获得第一结果,将所述第一结果依次输入所述第一处理层和第一卷积块,获得所述第一特征图;
将所述第一结果输入预设的第一中间处理层并进行上采样,获得第一中间结果,将所述第一中间结果与所述EfficientNet网络中对应的特征图矩阵进行拼接,并输入所述第二卷积层,获得第二结果,将所述第二结果依次输入所述第二处理层和第二卷积块,获得所述第二特征图;
将所述第二结果输入预设的第二中间处理层并进行上采样,获得第二中间结果,将所述第二中间结果与所述EfficientNet网络中对应的特征图矩阵进行拼接,并输入所述第三卷积层,获得第三结果,将所述第三结果依次输入所述第三处理层和第三卷积块,获得所述第三特征图。
6.根据权利要求5所述的安全带检测方法,其特征在于,所述将所述第一中间结果与所述EfficientNet网络中对应的特征图矩阵进行拼接,并输入所述第二卷积层,获得第二结果的步骤包括:
识别所述第一中间结果的矩阵大小;
根据所述第一中间结果的矩阵大小确定所述EfficientNet网络中对应的特征图矩阵;
将所述第一中间结果与对应的特征图矩阵进行拼接,并输入所述第二卷积层,获得所述第二结果。
7.根据权利要求2所述的安全带检测方法,其特征在于,所述将所述原始图像输入所述安全带识别模型中的EfficientNet网络中,获取所述EfficientNet网络输出的安全带特征的步骤包括:
将所述原始图像数据输入所述EfficientNet网络中;
若所述EfficientNet网络未识别到安全带,则返回未识别到安全带的信息;
若所述EfficientNet网络识别到安全带,则获取所述EfficientNet网络输出的安全带特征。
8.一种安全带检测装置,其特征在于,包括:
接收模块,用于接收原始图像,将所述原始图像输入安全带识别模型中的EfficientNet网络中,获取所述EfficientNet网络输出的安全带特征;
输入模块,用于将所述安全带特征输入安全带识别模型中的金字塔池化层,获取所述金字塔池化层输出的安全带的固定大小的特征表示;
处理模块,用于处理所述固定大小的特征表示和所述EfficientNet网络中的特征图矩阵,获得第一安全带坐标;
计算模块,用于根据所述第一安全带坐标计算损失函数,迭代所述安全带识别模型,直至所述安全带识别模型收敛,获得训练后的安全带识别模型;
获得模块,用于接收待识别图像,并将所述待识别图像输入训练后的安全带识别模型中,获得第二安全带坐标;以及
映射模块,用于将所述第二安全带坐标映射为所述待识别图像的坐标,获得目标图像。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的安全带检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的安全带检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010923993.5A CN112016502B (zh) | 2020-09-04 | 2020-09-04 | 安全带检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010923993.5A CN112016502B (zh) | 2020-09-04 | 2020-09-04 | 安全带检测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016502A true CN112016502A (zh) | 2020-12-01 |
CN112016502B CN112016502B (zh) | 2023-12-26 |
Family
ID=73516360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010923993.5A Active CN112016502B (zh) | 2020-09-04 | 2020-09-04 | 安全带检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016502B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657153A (zh) * | 2021-07-08 | 2021-11-16 | 西安理工大学 | 改进EfficientNet用于安全带检测的方法 |
CN116152790A (zh) * | 2023-04-23 | 2023-05-23 | 无锡车联天下信息技术有限公司 | 一种安全带检测方法及装置 |
CN116229570A (zh) * | 2023-02-21 | 2023-06-06 | 四川轻化工大学 | 一种基于机器视觉的高空作业人员行为态势识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102555982A (zh) * | 2012-01-20 | 2012-07-11 | 江苏大学 | 基于机器视觉的安全带佩带识别方法及装置 |
CN104200228A (zh) * | 2014-09-02 | 2014-12-10 | 武汉睿智视讯科技有限公司 | 一种安全带识别方法与系统 |
CN109086656A (zh) * | 2018-06-06 | 2018-12-25 | 平安科技(深圳)有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
CN109740478A (zh) * | 2018-12-26 | 2019-05-10 | 山东创科自动化科技有限公司 | 车辆检测及识别方法、装置、计算机设备及可读存储介质 |
US20190275973A1 (en) * | 2018-03-12 | 2019-09-12 | Zf Friedrichshafen Ag | Method for detecting misuse of a safety belt and safety belt system |
CN110517261A (zh) * | 2019-08-30 | 2019-11-29 | 上海眼控科技股份有限公司 | 安全带状态检测方法、装置、计算机设备和存储介质 |
US20200231109A1 (en) * | 2019-01-22 | 2020-07-23 | GM Global Technology Operations LLC | Seat belt status determining system and method |
CN111539360A (zh) * | 2020-04-28 | 2020-08-14 | 重庆紫光华山智安科技有限公司 | 安全带佩戴识别方法、装置及电子设备 |
CN111563494A (zh) * | 2020-07-16 | 2020-08-21 | 平安国际智慧城市科技股份有限公司 | 基于目标检测的行为识别方法、装置和计算机设备 |
-
2020
- 2020-09-04 CN CN202010923993.5A patent/CN112016502B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102555982A (zh) * | 2012-01-20 | 2012-07-11 | 江苏大学 | 基于机器视觉的安全带佩带识别方法及装置 |
CN104200228A (zh) * | 2014-09-02 | 2014-12-10 | 武汉睿智视讯科技有限公司 | 一种安全带识别方法与系统 |
US20190275973A1 (en) * | 2018-03-12 | 2019-09-12 | Zf Friedrichshafen Ag | Method for detecting misuse of a safety belt and safety belt system |
CN109086656A (zh) * | 2018-06-06 | 2018-12-25 | 平安科技(深圳)有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
CN109740478A (zh) * | 2018-12-26 | 2019-05-10 | 山东创科自动化科技有限公司 | 车辆检测及识别方法、装置、计算机设备及可读存储介质 |
US20200231109A1 (en) * | 2019-01-22 | 2020-07-23 | GM Global Technology Operations LLC | Seat belt status determining system and method |
CN110517261A (zh) * | 2019-08-30 | 2019-11-29 | 上海眼控科技股份有限公司 | 安全带状态检测方法、装置、计算机设备和存储介质 |
CN111539360A (zh) * | 2020-04-28 | 2020-08-14 | 重庆紫光华山智安科技有限公司 | 安全带佩戴识别方法、装置及电子设备 |
CN111563494A (zh) * | 2020-07-16 | 2020-08-21 | 平安国际智慧城市科技股份有限公司 | 基于目标检测的行为识别方法、装置和计算机设备 |
Non-Patent Citations (2)
Title |
---|
傅生辉: "未系安全带智能识别中安全带定位关键方法研究", 计算机测量与控制 * |
张晋: "基于计算机视觉的驾驶员安全带佩戴的识别方法研究", 中国优秀硕士学位论文全文数据库 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657153A (zh) * | 2021-07-08 | 2021-11-16 | 西安理工大学 | 改进EfficientNet用于安全带检测的方法 |
CN113657153B (zh) * | 2021-07-08 | 2024-04-19 | 西安理工大学 | 改进EfficientNet用于安全带检测的方法 |
CN116229570A (zh) * | 2023-02-21 | 2023-06-06 | 四川轻化工大学 | 一种基于机器视觉的高空作业人员行为态势识别方法 |
CN116229570B (zh) * | 2023-02-21 | 2024-01-23 | 四川轻化工大学 | 一种基于机器视觉的高空作业人员行为态势识别方法 |
CN116152790A (zh) * | 2023-04-23 | 2023-05-23 | 无锡车联天下信息技术有限公司 | 一种安全带检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112016502B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681743B (zh) | 图像对象识别方法和装置、存储介质 | |
CN112016502B (zh) | 安全带检测方法、装置、计算机设备及存储介质 | |
WO2023035531A1 (zh) | 文本图像超分辨率重建方法及其相关设备 | |
JP2023527615A (ja) | 目標対象検出モデルのトレーニング方法、目標対象検出方法、機器、電子機器、記憶媒体及びコンピュータプログラム | |
US20230102804A1 (en) | Method of rectifying text image, training method, electronic device, and medium | |
CN114529574A (zh) | 基于图像分割的图像抠图方法、装置、计算机设备及介质 | |
CN115757725A (zh) | 问答处理方法、装置、计算机设备及存储介质 | |
CN112651399B (zh) | 检测倾斜图像中同行文字的方法及其相关设备 | |
US11881044B2 (en) | Method and apparatus for processing image, device and storage medium | |
CN112434746B (zh) | 基于层次化迁移学习的预标注方法及其相关设备 | |
CN111652245B (zh) | 车辆轮廓检测方法、装置、计算机设备及存储介质 | |
CN112581344A (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
CN112991274A (zh) | 一种人群计数方法、装置、计算机设备及存储介质 | |
CN112016503B (zh) | 人行道检测方法、装置、计算机设备及存储介质 | |
CN116860805A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN114330240A (zh) | Pdf文档解析方法、装置、计算机设备及存储介质 | |
CN112036501A (zh) | 基于卷积神经网络的图片的相似度检测方法及其相关设备 | |
CN113362249A (zh) | 文字图像合成方法、装置、计算机设备及存储介质 | |
CN114241411A (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN112395450A (zh) | 图片文字检测方法、装置、计算机设备及存储介质 | |
CN112000218A (zh) | 一种对象显示方法及装置 | |
CN113139490B (zh) | 一种图像特征匹配方法、装置、计算机设备及存储介质 | |
CN116168442B (zh) | 样本图像生成方法、模型的训练方法、目标检测方法 | |
CN117314756B (zh) | 基于遥感图像的验保方法、装置、计算机设备及存储介质 | |
CN116309274B (zh) | 图像中小目标检测方法、装置、计算机设备及存储介质 |
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 |