CN112131951B - 一种自动化识别施工中违规使用梯子行为的系统 - Google Patents
一种自动化识别施工中违规使用梯子行为的系统 Download PDFInfo
- Publication number
- CN112131951B CN112131951B CN202010868308.3A CN202010868308A CN112131951B CN 112131951 B CN112131951 B CN 112131951B CN 202010868308 A CN202010868308 A CN 202010868308A CN 112131951 B CN112131951 B CN 112131951B
- Authority
- CN
- China
- Prior art keywords
- ladder
- operator
- module
- loss
- frame
- 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.)
- Active
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 15
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种自动化识别施工中违规使用梯子行为的系统，包括：监测环境布控模块、图像处理模块、深度学习网络训练模块、目标约束模块、梯上作业检测模块和告警模块，所示系统对自动识别出的违规操作行为截取图片，并将图片传送给监管人员，并通过语音告警通知施工人员，发出告警。本发明与现有的技术相比，可以快速可靠的检测出使用梯子作业时操作工的违规情况，有利于保障安全生产，且适用于长时间多场景的生产环境。
Description
技术领域
本发明涉及一种自动化识别施工中违规使用梯子行为的系统。
背景技术
在国家大力推崇基建的同时，操作工作业时的安全保障也不容忽视。当操作工在高处作业时就需要借助到梯子等工具，为了保障在梯子上作业时的人身安全，需要在梯子下安排另一个操作工对梯子进行固定，防止由于梯子滑动等原因导致事故的发生。而现实作业中，为了省力方便，一些操作工作业时并未按照如上规定进行操作，为了杜绝这种情况的发生，同时减少监理人员需要时刻在场监督的需求，急需一种可以快速解决梯上作业违规检测的方法。随着计算机视觉技术的不断发展，通过构建深度学习检测模型可以很好的解决上述问题。
发明内容
发明目的：针对操作工在梯上作业时未按规定处理导致安全事故的问题，本发明提出一种自动化识别施工中违规使用梯子行为的系统，用于现实生产过程中对操作工在梯上作业时行为规范检测。所述系统包括检测环境布控模块、图像处理模块、深度学习网络训练模块、目标约束模块和梯上作业检测模块；
术语解释：yolov3模型是目前应用最广的目标检测模型，通过darknet53网络进行特征提取，结合上采样等措施实现对大小目标的有效检测；通道注意力机制来自于senet网络，主要是学习了通道之间的相关性，筛选出了针对通道的注意力，稍微增加了一点计算量，但是效果比较好。
所述检测环境布控模块通过对监测作业区进行摄像机布控，对视野内的操作活动进行检测，实现监控视频的传输，并在出现违规行为时进行自动语音告警提醒；
所述图像处理模块，对出现在摄像机视野内的梯子作业图片进行收集与标注，利用数据清洗得到样本图片，将样本图片集合作为神经网络模型yolov3的训练集；
所述深度学习网络训练模块利用融合通道注意力机制的神经网络模型yolov3来学习拟合样本图片集合中的样本图片，检测得到梯子与操作工在样本图片中的位置信息；
参考文献：《YOLOv3:An Incremental Improvement》；
所述目标约束模块通过检测框的交并比和布控相机多角度信息实现对操作工与梯子在图像上的关系约束；
所述梯上作业检测模块利用训练好的融合通道注意力机制的神经网络模型yolov3结合操作工与梯子在图像上的关系约束实现对在梯子上作业时是否按规定进行操作的检测。
所述图像处理模块对出现在摄像机视野内的梯子作业图片进行收集，分别人工标注操作工与梯子，同时利用数据清洗去除质量低下、模糊不清的图片，，得到样本图片，将样本图片集合作为训练集进行神经网络模型yolov3的训练。
所述加入通道注意力机制的神经网络模型yolov3的骨干网络采用darknet53，用于提取图片细节特征；
神经网络模型yolov3提取3个不同层的特征图，大小分别为13*13，26*26，52*52，通过特征图映射原图从而进行目标的检测与分类；
在骨干网络darket53中加入通道注意力机制，提升模型对图像特征的提取效果；
神经网络模型yolov3的损失函数由3部分构成，分别是定位损失、分类损失和置信度损失，定位损失采用的是平方差损失，分类损失和置信度损失采用的是交叉熵损失，计算方式如下：
其中，K表示网格个数，共K*K个，M表示每个网格生成的候选框个数；xi,yi分别表示真实标注框左上角横坐标和纵坐标，wi,hi分别表示真实标注框的宽度和高度，分别为xi,yi的预测值，/>分别为wi,hi的预测值，Loss(object)表示整个网络的误差和；
参数表示第i个网格第j个预测框是否在负责目标，如果是则/>值为1，否则为0；
参数如果在第i个网格第j个预测框处有目标，/>值为0，否则为1；
参数Ci表示的是第i个网格处预测框的置信度，计算方式为当前预测框包含物体的概率和该预测框与真实框交并比大小的乘积，而表示的是Ci对应的预测值。
参数pi表示的是第i个网格处的预测框目标类别，对应的为预测的类别信息；
λcoord与λnoobj为损失系数，通过神经网络模型yolov3，最终得到梯子与操作工在样本图片中的预测框位置信息。
所述目标约束模块对于操作工和梯子的位置信息，通过训练好的融合通道注意力机制的神经网络模型yolov3预测得到操作工和梯子在图上的预测框位置，并计算这两个预测框位置区域的交集与并集的比值IOU，如果存在IOU大于阈值threshold1，且操作工预测框右下角坐标在图像坐标系下小于梯子预测框的右下角坐标，则表明存在操作工在梯上作业。此时如果神经网络模型yolov3检测到视野存在另一个操作工，且该操作工的预测框与梯子的预测框的交并比IOU大于设定的距离阈值threshold2，且在不同的相机角度下同时满足该距离交并比约束时，则说明梯上作业时存在梯下有人按操作规范进行固定操作，而存在候选框之间交并比小于设定阈值或不同相机角度下距离约束结果差异超过阈值(一般为0.2)等情况则表示在梯上作业时存在违规操作的情况。通过计算对应的IOU实现图像上的距离约束，其中threshold1优选0.1-0.3之间，而threshold2优选0.2-0.4之间。为了消除由于遮挡或错位导致的视觉距离误差，加入多个机位的角度信息，通过多个角度进行检测，能够更好的检测出操作工作业时与梯子之间的关系。
所述梯上作业检测模块，结合相机采集的视频图像，通过训练好的融合通道注意力机制的神经网络模型yolov3检测得到操作工与梯子预测框在多角度下距离关系，从而整体实现对操作工在梯上作业时，是否存在另一操作工对梯子进行固定操作这一规范操作行为的检测。
有益效果：本发明通过构建一套梯子上作业操作规范检查系统及方法，利用融合通道注意力机制的yolov3目标检测框架和位置角度约束，能够准确检测出操作工在梯子上作业时，另一操作工是否按规定对梯子进行固定操作，检测结果快速高效，可以有效缓解监理的压力。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明梯上作业违规检测系统结构示意图；
图2为本发明检测环境布控示意图；
图3为本发明所述的深度学习检测模型网络结构示意图；
图4a为检测到操作工在梯上作业时的示意图。
图4b为操作工预测框与梯子的预测框位置示意图。
具体实施方式
如图1所示，本实施例提供一种自动化识别施工中违规使用梯子行为的系统，包括：
检测环境布控模块，如图2所示，针对检测作业区域进行摄像机前期布控，保障作业时操作工所有操作都在相机的视野内，同时不同机位呈现不同角度信息，能够实时传输到后台进行处理。
图像处理模块，对于前期采集的样本图片，分别对操作工和梯子进行标注，通过数据清洗后，得到初步的训练样本集。采集的样本应包含多个应用场景，如不同光照、不同背景等，样本初始数量应在30000张左右。
深度学习网络训练模块，如图3所示，其中DBL为常见卷积归一化块，RESUN为残差卷积块，RESN表示N个残差卷积块，Conv表示卷积，BN表示归一化，Leaky_Relu、sigmoid表示激活函数，ADD表示求和，global pooling表示全局池化，padding表示填充，scale表示缩放函数，一般多采用对维度取根号，对于标注好的样本数据，利用yolov3目标检测模型训练检测操作工与梯子的检测模型，保证网络模型输入为416*416的3通道图片，输出的结果为在图上预测框bbox，置信度conf，以及类别cls等信息。其中网络骨干采用的是darknet53，用于提取图像细节特征，提取3个不同层的特征图，大小分别为13*13，26*26，52*52，同时在darket53骨干网络中加入通道注意力机制，提升模型对图像特征的提取效果，通过特征图映射原图从而进行目标的检测与分类，通过构建定位损失、分类损失和置信度损失3个损失函数，前者采用的是平方差损失，后两者采用的是交叉熵损失，计算方式如下
其中，K表示网格个数，共K*K个，M表示每个网格生成的候选框个数；xi,yi分别表示真实标注框左上角横坐标和纵坐标，wi,hi分别表示真实标注框的宽度和高度，分别为xi,yi的预测值，/>分别为wi,hi的预测值，Loss(object)表示整个网络的误差和；
参数表示第i个网格第j个预测框是否在负责该目标，如果是则/>值为1，否则为0；
参数如果在第i个网格第j个预测框处有目标，，/>值为0，否则为1；
参数Ci表示的是第i个网格处预测框的置信度，计算方式为当前预测框包含物体的概率和该预测框与真实框交并比大小的乘积，而表示的是对应的预测值。
参数pi表示的是第i个网格处的预测框目标类别，对应的为预测的类别信息；
λcoord与λnoobj为损失系数，通过yolov3目标检测模型，最终得到梯子与操作工在样本图片中的预测框位置信息。
通过损失函数来约束训练网络模型，最终得到一个比较理想的操作工与梯子检测模型，在输入图片或视频流后模型能准确输出操作工与梯子在视野内的位置和类别以及置信度等信息，如果两者都不存在则输出为空，若只检测出一个则不进行后续约束检测处理。
目标约束模块，如图4a所示，当训练好的融合通道注意力机制的yolov3检测模型检测到相机视野中同时存在梯子和操作工时，如果存在梯子预测框与操作工预测框交并比大于一定阈值，且操作工预测框右下角坐标(x1,y1)在图像坐标系下小于梯子预测框的右下角坐标(x2,y2)，则表明存在操作工在梯上作业。此时如果模型检测到另一个操作工预测框与梯子的预测框位置如图4b所示，该操作工的预测框与梯子的预测框的交并比大于设定的距离阈值，且在不同的相机角度下同时满足该距离交并比约束时，则说明梯上作业时存在梯下有人按操作规范进行固定操作，而存在候选框之间交并比小于设定阈值或不同相机角度下距离约束结果差异超过0.2左右等情况则表示在梯上作业时存在违规操作的情况。通过计算对应的IOU实现对其进行图像上的距离约束，实验表明，梯上操作工预测框与梯子预测框的交并比阈值优选0.1-0.3之间，而梯下操作工预测框与梯子预测框的交并比阈值设为0.2-0.4之间。为了消除由于遮挡或错位导致的视觉距离误差，如图2所示，加入多个机位的角度信息，多个角度进行检测，能够更好的检测出操作工作业时与梯子之间的关系。
梯上作业检测模块，结合相机采集的视频图像。通过训练好的融合通道注意力机制的yolov3检测模型检测得到操作工与梯子预测框在多角度下距离关系，从而整体实现对操作工在梯上作业时，是否存在另一操作工对梯子进行固定操作这一规范操作行为的检测。
本发明提供了一种自动化识别施工中违规使用梯子行为的系统，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (4)
1.一种自动化识别施工中违规使用梯子行为的系统，其特征在于，包括检测环境布控模块、图像处理模块、深度学习网络训练模块、目标约束模块和梯上作业检测模块；
所述检测环境布控模块通过对监测作业区进行摄像机布控，对视野内的操作活动进行检测，实现监控视频的传输，并在出现违规行为时进行自动语音告警提醒；
所述图像处理模块，对出现在摄像机视野内的梯子作业图片进行收集与标注，利用数据清洗得到样本图片，将样本图片集合作为神经网络模型yolov3的训练集；
所述深度学习网络训练模块利用融合通道注意力机制的神经网络模型yolov3来学习拟合样本图片集合中的样本图片，检测得到梯子与操作工在样本图片中的位置信息；
所述目标约束模块通过检测框的交并比和布控相机多角度信息实现对操作工与梯子在图像上的关系约束；
所述梯上作业检测模块利用训练好的融合通道注意力机制的神经网络模型yolov3结合操作工与梯子在图像上的关系约束实现对在梯子上作业时是否按规定进行操作的检测；
所述目标约束模块对于操作工和梯子的位置信息，通过训练好的融合通道注意力机制的神经网络模型yolov3预测得到操作工和梯子在图上的预测框位置，并计算这两个预测框位置区域的交集与并集的比值IOU，如果存在IOU大于阈值threshold1，且操作工预测框右下角坐标在图像坐标系下小于梯子预测框的右下角坐标，则表明存在操作工在梯上作业，此时如果神经网络模型yolov3检测到视野存在另一个操作工，且该操作工的预测框与梯子的预测框的交并比IOU大于设定的阈值threshold2，且在不同的相机角度下同时满足距离交并比约束时，则说明梯上作业时存在梯下有人按操作规范进行固定操作，反之，则表示在梯上作业时存在违规操作的情况，通过计算对应的IOU实现图像上的距离交并比约束。
2.根据权利要求1所述的系统，其特征在于，所述图像处理模块对出现在摄像机视野内的梯子作业图片进行收集，分别标注操作工与梯子，同时利用数据清洗去除质量低下、模糊不清的图片，得到样本图片，将样本图片集合作为训练集进行神经网络模型yolov3的训练。
3.根据权利要求2所述的系统，其特征在于，加入通道注意力机制的神经网络模型yolov3的骨干网络采用darknet53，用于提取图片细节特征；
神经网络模型yolov3提取3个不同层的特征图，大小分别为13*13，26*26，52*52，通过特征图映射原图从而进行目标的检测与分类；
在骨干网络darket53中加入通道注意力机制，提升模型对图像特征的提取效果；
神经网络模型yolov3的损失函数由3部分构成，分别是定位损失、分类损失和置信度损失，定位损失采用的是平方差损失，分类损失和置信度损失采用的是交叉熵损失，计算方式如下：
其中，K表示网格个数，共K*K个，M表示每个网格生成的候选框个数，xi,yi分别表示真实标注框左上角横坐标和纵坐标，wi,hi分别表示真实标注框的宽度和高度，分别为xi,yi的预测值，/>分别为wi,hi的预测值，Loss(object)表示整个网络的误差和；
参数表示第i个网格第j个预测框是否在负责目标，如果是则/>值为1，否则为0；
参数如果在第i个网格第j个预测框处有目标，/>值为0，否则为1；
参数Ci表示的是第i个网格处预测框的置信度，计算方式为当前预测框包含物体的概率和该预测框与真实框交并比大小的乘积，而表示的是Ci对应的预测值；
参数pi表示的是第i个网格处的预测框目标类别，对应的为预测的类别信息；
c∈classes表示预测的分类在真实标注框所属类别集合范围内；
λcoord与λnoobj为损失系数，通过神经网络模型yolov3，最终得到梯子与操作工在样本图片中的位置信息。
4.根据权利要求3所述的系统，其特征在于，所述梯上作业检测模块结合相机采集的视频图像，通过训练好的融合通道注意力机制的神经网络模型yolov3检测得到操作工与梯子预测框在多角度下距离关系，从而整体实现对操作工在梯上作业时，是否存在另一操作工对梯子进行固定操作这一规范操作行为的检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010868308.3A CN112131951B (zh) | 2020-08-26 | 2020-08-26 | 一种自动化识别施工中违规使用梯子行为的系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010868308.3A CN112131951B (zh) | 2020-08-26 | 2020-08-26 | 一种自动化识别施工中违规使用梯子行为的系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112131951A CN112131951A (zh) | 2020-12-25 |
| CN112131951B true CN112131951B (zh) | 2024-03-01 |
Family
ID=73848377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010868308.3A Active CN112131951B (zh) | 2020-08-26 | 2020-08-26 | 一种自动化识别施工中违规使用梯子行为的系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112131951B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800854A (zh) * | 2021-01-04 | 2021-05-14 | 中南大学 | 一种基于图像的机车乘务员作业自动分析系统 |
| CN113128393A (zh) * | 2021-04-15 | 2021-07-16 | 国网安徽省电力有限公司黄山供电公司 | 一种检测大型机械吊臂下是否有人的方法和系统 |
| CN113744211B (zh) * | 2021-08-19 | 2023-11-03 | 衢州光明电力投资集团有限公司赋腾科技分公司 | 一种图像中基于方位组合的目标部件缺失检测方法 |
| CN113822277B (zh) * | 2021-11-19 | 2022-02-18 | 万商云集(成都)科技股份有限公司 | 基于深度学习目标检测的违规广告图片检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102165880A (zh) * | 2011-01-19 | 2011-08-31 | 南京农业大学 | 一种自主导航的履带式移动水果采摘机器人及水果采摘方法 |
| CN107191133A (zh) * | 2017-05-31 | 2017-09-22 | 李明 | 一种方便在室内施工的防滑式梯子 |
| CN206724948U (zh) * | 2017-06-01 | 2017-12-08 | 华北电力大学（保定） | 电力作业梯子安全监测装置 |
| CN110032916A (zh) * | 2018-01-12 | 2019-07-19 | 北京京东尚科信息技术有限公司 | 一种检测目标物体的方法和装置 |
| CN110956807A (zh) * | 2019-12-05 | 2020-04-03 | 中通服咨询设计研究院有限公司 | 基于多源数据与滑动窗口组合的高速公路流量预测方法 |
| CN111445524A (zh) * | 2020-03-31 | 2020-07-24 | 清华大学 | 基于场景理解的施工现场工人不安全行为识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11103773B2 (en) * | 2018-07-27 | 2021-08-31 | Yogesh Rathod | Displaying virtual objects based on recognition of real world object and identification of real world object associated location or geofence |
-
2020
- 2020-08-26 CN CN202010868308.3A patent/CN112131951B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102165880A (zh) * | 2011-01-19 | 2011-08-31 | 南京农业大学 | 一种自主导航的履带式移动水果采摘机器人及水果采摘方法 |
| CN107191133A (zh) * | 2017-05-31 | 2017-09-22 | 李明 | 一种方便在室内施工的防滑式梯子 |
| CN206724948U (zh) * | 2017-06-01 | 2017-12-08 | 华北电力大学（保定） | 电力作业梯子安全监测装置 |
| CN110032916A (zh) * | 2018-01-12 | 2019-07-19 | 北京京东尚科信息技术有限公司 | 一种检测目标物体的方法和装置 |
| CN110956807A (zh) * | 2019-12-05 | 2020-04-03 | 中通服咨询设计研究院有限公司 | 基于多源数据与滑动窗口组合的高速公路流量预测方法 |
| CN111445524A (zh) * | 2020-03-31 | 2020-07-24 | 清华大学 | 基于场景理解的施工现场工人不安全行为识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的建筑工人安全帽佩戴识别研究;张明媛;曹志颖;赵雪峰;杨震;;安全与环境学报(第02期);177-183 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112131951A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112131951B (zh) | 一种自动化识别施工中违规使用梯子行为的系统 | |
| CN111881730A (zh) | 一种火电厂现场安全帽佩戴检测方法 | |
| CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
| CN110414400B (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
| JP2022506905A (ja) | 知覚システムを評価するシステム及び方法 | |
| CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
| CN112819068B (zh) | 一种基于深度学习的船舶作业违章行为实时侦测方法 | |
| CN112906481A (zh) | 一种基于无人机实现森林火情检测的方法 | |
| CN114665608B (zh) | 用于变电站的智能感知巡检系统及方法 | |
| CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及系统 | |
| CN113111817A (zh) | 语义分割的人脸完整度度量方法、系统、设备及存储介质 | |
| CN115035088A (zh) | 一种基于yolov5和姿态估计的安全帽佩戴检测方法 | |
| CN113343779A (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
| CN114926781A (zh) | 支持实时监控场景的多人时空域异常行为定位方法及系统 | |
| CN113688820A (zh) | 频闪条带信息识别方法、装置和电子设备 | |
| CN115410114A (zh) | 一种基于多特征的城轨防汛预警方法及系统 | |
| CN112794274B (zh) | 一种油罐车底部装油口安全监控方法及系统 | |
| CN112561885B (zh) | 基于YOLOv4-tiny的插板阀开度检测方法 | |
| 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 | |
| CN114373162B (zh) | 用于变电站视频监控的危险区域人员入侵检测方法及系统 | |
| CN105187821A (zh) | 一种视频质量智能诊断分析系统 | |
| CN115830381A (zh) | 基于改进YOLOv5的员工未佩戴口罩检测方法及相关组件 | |
| CN114694090A (zh) | 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法 | |
| CN113963233A (zh) | 一种基于双阶段卷积神经网络的目标检测方法及系统 | |
| Teschioni et al. | Performance evaluation strategies of an image processing system for surveillance applications |
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 |