CN112149761A - 一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法 - Google Patents
一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法 Download PDFInfo
- Publication number
- CN112149761A CN112149761A CN202011326029.0A CN202011326029A CN112149761A CN 112149761 A CN112149761 A CN 112149761A CN 202011326029 A CN202011326029 A CN 202011326029A CN 112149761 A CN112149761 A CN 112149761A
- Authority
- CN
- China
- Prior art keywords
- image
- construction site
- electric power
- model
- yolov4
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 title claims description 47
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000006399 behavior Effects 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims 2
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法。采集用于训练模型的电力施工现场的图像；对采集到的电力施工现场的图像进行图像增强；将图像及数据增强后的得到的目标区域用矩形框进行标注，获取矩形框的坐标与所包含的种类；根据采集到的施工现场的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与包含的种类对基于YOLOv4改进的模型进行训练；实时采集电力施工现场的图像，根据训练好的模型和实时采集到待检测的电力施工现场图像，并输出违规图像。本方法适用于施工现场的人员违规行为与施工车辆违规操作的检测，实现电力智慧工地可视、精细、智能管理，有效提升工程现场管理水平并降低安全风险。
Description
技术领域
本发明适用于电力智慧工地监测领域，涉及一种人员与车辆检测方法，具体地说是一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法。
技术背景
为强化工程现场管控，重点需要加强对人员与车辆的监控与检测，深化视频识别和视频分析能力，提高监管效率。近些年随着深度学习技术的火热发展，目标检测（ObjectDetection）算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。YOLO是一种有效的无区域建议的目标检测模型，能够端到端直接训练整个网络，主要特点是速度上有明显的优势。最新版本的YOLOv4对YOLOv3的各个部分都进行了改进优化，包括训练时对输入端的改进、主干网络将各种新的方式结合起来等，对于遮挡的物体检测性能相比YOLOv3更加优越。
目前基于YOLO的检测方法都是基于YOLOv3构建网络模型，比如一种基于卷积神经网络的人脸检测方法、装置及设备（中国专利，申请号CN202010058934.6，公开日：2020-06-16），一种基于YOLOv3的空中无人机目标识别和跟踪方法（中国专利，申请号CN201911394465.9，公开日：2020-06-05），一种基于深度学习的安全帽佩戴检测方法及装置（中国专利，申请号CN201911349221.9，公开日：2020-06-16），这些检测模型首先都是基于YOLOv3构建网络模型，检测速度与精度会逊色与YOLOv4。
发明内容
本发明的目的是提供一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法，提高电力智慧工地现场管理水平并降低安全风险。
本发明的目的通过以下技术方案实现：
一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法，该方法包括：首先采集用于训练模型的电力施工现场的图像；然后对采集到的电力施工现场的图像进行图像增强；将采集到的所述电力施工现场的图像及数据增强后的得到的目标区域用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含的种类；接着根据采集到的所述电力施工现场的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框包含的种类对基于YOLOv4 改进的模型进行训练；实时采集电力施工现场的图像，根据训练好的模型和实时采集到待检测的电力施工现场图像，实时检测电力施工现场的违规行为，并对检测到的行为进行分类和定位，同时触发预警系统，并输出违规图像。包括以下步骤：
1）采集用于训练模型的电力施工现场的图像，训练模型为基于YOLOv4改进的模型；
2）对采集到的电力施工现场的图像进行图像增强；
3）将采集到的所述电力施工现场的图像及数据增强后的得到的目标区域用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含的种类；
4）根据采集到的所述电力施工现场的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框包含的种类对基于YOLOv4 改进的模型进行训练；
5）实时采集电力施工现场的图像，根据训练好的模型和实时采集到待检测的电力施工现场图像，实时检测电力施工现场的违规行为，并对检测到的行为进行分类和定位，同时触发预警系统，并输出违规图像。
进一步地，所述基于YOLOv4改进的模型具体为：
将原始YOLOv4的主干部分backbone网络（主要功能为提取图像的浅层特征）替换为轻量级网络MobilenetV2,并降低参数量，以提高提取速度；将neck部分的路径聚合网络PAN与空间注意力模型SAM做如下改变，采用
替换PAN的拼接，而对SAM采用 
替代单一的point-wise attention，以提高其特征抽取能力。
进一步地，所述图像增强方法具体为：
将所述采集得到的电力施工现场图像通过光度失真和几何失真的方法进行图像增强，在处理光度失真时，调整图像的亮度，对比度，色相，饱和度和噪点。在处理几何失真时，添加了随机缩放，裁剪，翻转和选择。
进一步地，所述标注步骤为：
将所述采集得到的电力施工现场图像和数据增强后的图像，使用开源的标注工具labelImg 在图像中采用矩形方框标注出目标区域（包括人员头部与车辆装载部），并获取所述矩形框的中心点坐标、宽度、高度及所述矩形框所包含的种类。
进一步地，所述模型训练步骤为：
A1, 模型将输入图像分成S × S 个方格；
A2, 在每一个方格中预测n 个边界方框，确定各个边界方框是所需检测目标的置信度，其中，置信度表示为：
confidence = Pr(object) ∗ 
(1)
其中，confidence 表示置信度，Pr(object) 表示边界方框中包含检测目标的概率，
表示预测的边界方框和输入的矩形方框的重叠率；
A3, 对于每一个方格，预测包含某一类检测目标的条件概率Pr(class(i)|object)，其中Pr(class(i)|object) 表示在假定某一方格包含有所需检测目标的情况，所包含的检测目标是第i类检测目标的概率；
A4, 将步骤A2 得到的置信度confidence 与A3 得到的条件概率Pr(class(i)| object) 相乘，得到每个边界方框对于每一个具体类别的置信度；
A5，通过采用YOLOv4 的损失函数进行计算，得出每一个检测目标的定位框，其中，损失函数用于计算模型的输出结果与标注结果直接的差距。
进一步地，所述输入图像为：
将所述采集得到的电力施工图像及数据增强后得到图像先进行归一化处理使得图像数据在（0，1）之间，然后将图像缩小或者放大等处理，使得图像的长和宽都为224像素，得到处理后的图像，先进行数据打乱，然后将所有图像的70% 划分为训练集，20% 划分测试集，剩下的10% 划分为验证集，将训练集中图像组合成batch 用于输入到模型中进行训练，将验证集中的数据也组合成batch 用于输入到模型中进行验证，将测试集中的图片一个一个输入到训练好的模型中进行测试。
本发明通过对YOLOv4进行算法改进，降低网络的参数量并提高了模型的特征抽取能力，进一步的提高了模型的检测速度与精度；同时训练了模型的人员检测与车辆检测能力，增加了使用场景，提高了模型的应用价值。
本方法适用于施工现场的人员违规行为与施工车辆违规操作的检测，实现电力智慧工地可视、精细、智能管理，提高了定位精度和检测准确率，有效提升工程现场管理水平并降低安全风险。
附图说明
图1为本发明的整体流程图；
图2为本发明的基于YOLOV4改进算法训练模型的流程图；
图3为本模型与YOLOv4的训练损失曲线对比图。
具体实施方式
下面结合附图和具体实施方式对本发明所属方法进一步说明。
一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法，该方法包括：首先采集用于训练模型的电力施工现场的图像；然后对采集到的电力施工现场的图像进行图像增强；将采集到的所述电力施工现场的图像及数据增强后的得到的目标区域用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含的种类；接着根据采集到的所述电力施工现场的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框包含的种类对基于YOLOv4 改进的模型进行训练；实时采集电力施工现场的图像，根据训练好的模型和实时采集到待检测的电力施工现场图像，实时检测电力施工现场的违规行为，并对检测到的行为进行分类和定位，同时触发预警系统，并输出违规图像。
图1为本发明的整体流程图，具体包括以下步骤：
步骤1、采集获取人员佩戴与不佩戴安全帽图像、车辆装载规范与违规图像。
步骤2、将采集得到的电力施工现场图像通过光度失真和几何失真的方法进行图像增强，在处理光度失真时，调整图像的亮度，对比度，色相，饱和度和噪点。在处理几何失真时，添加了随机缩放，裁剪，翻转和选择。
步骤3、利用开源标注工具labelImg，通过手工标记的方法为图中的人员头部与车辆装载部用矩形框进行精细标注，记录图片中每个目标人员与车辆的坐标，并获取所述矩形框的坐标与所述矩形框所包含的种类。
步骤4、将采集得到的所述电力施工图像及数据增强后得到的图像，及获取的所述矩形框坐标与所述矩形框包含的种类对基于YOLOv4改进的模型进行训练，图2为本发明的基于YOLOV4改进算法训练模型的流程图，模型训练步骤为：
A1，模型将输入图像分成S × S 个方格；
A2，在每一个方格中预测n 个边界方框，确定各个边界方框是所需检测目标的置信度，其中，置信度表示为：
confidence = Pr(object) ∗ 
(1)
其中，confidence 表示置信度，Pr(object) 表示边界方框中包含检测目标的概率，
表示预测的边界方框和输入的矩形方框的重叠率；
A3，对于每一个方格，预测包含某一类检测目标的条件概率Pr(class(i)|object)，其中Pr(class(i)|object) 表示在假定某一方格包含有所需检测目标的情况，所包含的检测目标是第i类检测目标的概率；
A4，将步骤A2 得到的置信度confidence 与A3 得到的条件概率Pr(class(i)|object)相乘，得到每个边界方框对于每一个具体类别的置信度；
A5，通过采用YOLOv4 的损失函数进行计算，得出每一个检测目标的定位框，其中，损失函数用于计算模型的输出结果与标注结果直接的差距。
所述输入图像为：将采集得到的电力施工图像及数据增强后得到图像先进行归一化处理使得图像数据在（0，1）之间，然后将图像缩小或者放大等处理，使得图像的长和宽都为224像素，得到处理后的图像，先进行数据打乱，然后将所有图像的70% 划分为训练集，20% 划分测试集，剩下的10% 划分为验证集，将训练集中图像组合成batch 用于输入到模型中进行训练，将验证集中的数据也组合成batch 用于输入到模型中进行验证，将测试集中的图片一个一个输入到训练好的模型中进行测试。
步骤5、对训练得到的检测模型进行施工现场图像的测试集和验证集的测试和验证；将反馈得到的人员与车辆信息，边框位置和类别带来的实际情况进行若干次训练参数调整，得到匹配效果最高的检测模型。
步骤6、实时采集电力施工现场的图像，根据训练好的模型和实时采集到待检测的电力施工现场图像，实时检测电力施工现场的违规行为，并对检测到的行为进行分类和定位，同时触发预警系统，并输出违规图像。
图3为本模型与YOLOv4的训练损失曲线对比，从图3中可以看出，本模型（下方线）训练任务收敛过程良好，loss在前20个epoch 快速下降，20个epoch 后网络逐渐收敛，测试损失稳定在 10左右；而YOLOv4（上方线）训练任务收敛性较差，loss在40个epoch 后网络才逐渐收敛，训练损失稳定在 20左右。
表1为本方法与的YOLOv4测试精度对比评估表，使用各类别检测精度(AveragePrecision)AP 值和所有类别平均检测精度(mean Average Precision)mAP 值作为评价指标，可见本发明的算法AP与mAP均高于YOLOv4。
表1
本方法适用于施工现场的人员违规行为与施工车辆违规操作的检测，实现电力智慧工地可视、精细、智能管理，有效提升工程现场管理水平并降低安全风险。
Claims (6)
1.一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法，其特征在于，包括以下步骤：
1）采集用于训练模型的电力施工现场的图像，训练模型为基于YOLOv4改进的模型；
2）对采集到的电力施工现场的图像进行图像增强；
3）将采集到的所述电力施工现场的图像及数据增强后的得到的目标区域用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含的种类；
4）根据采集到的所述电力施工现场的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框包含的种类对基于YOLOv4 改进的模型进行训练；
5）实时采集电力施工现场的图像，根据训练好的模型和实时采集到待检测的电力施工现场图像，实时检测电力施工现场的违规行为，并对检测到的行为进行分类和定位，同时触发预警系统，并输出违规图像。
2.根据权利要求1所述的基于YOLOv4改进算法的电力智慧工地违规行为检测方法，其特征在于，步骤1）中，所述基于YOLOv4改进的模型具体为：
将原始YOLOv4的主干部分backbone网络替换为轻量级网络MobilenetV2,并降低参数量，以提高提取速度；将neck部分的路径聚合网络PAN与空间注意力模型SAM做如下改变，采用
替换PAN的拼接，其中，z1和z2表示的是上一层网络对图片特征提取所得到的输出，而对SAM采用
替代单一的point-wiseattention，以提高其特征抽取能力，即表示为：将上一层的输出x，分别输入到spatial-wise模型和point-wiseattention模型中，将这2个模型的输出的特征向量分别乘以0.4和0.6在做求和运算，得出新的特征输出向量y，其中0.4和0.6是实验调参所得。
3.根据权利要求1所述的基于YOLOv4改进算法的电力智慧工地违规行为检测方法，其特征在于，步骤2）所述图像增强方法具体为：
将所述采集得到的电力施工现场图像通过光度失真和几何失真的方法进行图像增强，在处理光度失真时，调整图像的亮度，对比度，色相，饱和度和噪点；在处理几何失真时，添加了随机缩放，裁剪，翻转和选择。
4.根据权利要求1所述的基于YOLOv4改进算法的电力智慧工地违规行为检测方法，其特征在于，步骤3）所述标注步骤为：
将所述采集得到的电力施工现场图像和数据增强后的图像，使用开源的标注工具labelImg在图像中采用矩形方框标注出目标区域，并获取所述矩形框的中心点坐标，所述矩形框的宽度，高度及所述矩形框所包含的种类。
5.根据权利要求1所述的基于YOLOv4改进算法的电力智慧工地违规行为检测方法，其特征在于，步骤4）中，将采集得到的所述电力施工图像及数据增强后得到的图像，及获取的所述矩形框坐标与所述矩形框包含的种类对基于YOLOv4改进的模型进行训练，所述模型训练步骤为：
A1，模型将输入图像分成S×S个方格；
A2，在每一个方格中预测n个边界方框，确定各个边界方框是所需检测目标的置信度，其中，置信度表示为：
confidence = Pr(object) ∗ 
(1)
其中，confidence 表示置信度，Pr(object) 表示边界方框中包含检测目标的概率，
表示预测的边界方框和输入的矩形方框的重叠率；
A3，对于每一个方格，预测包含某一类检测目标的条件概率Pr(class(i)|object)，其中Pr(class(i)|object) 表示在假定某一方格包含有所需检测目标的情况，所包含的检测目标是第i类检测目标的概率；
A4，将步骤A2 得到的置信度confidence 与A3 得到的条件概率Pr(class(i)|object)相乘，得到每个边界方框对于每一个具体类别的置信度；
A5，通过采用YOLOv4 的损失函数进行计算，得出每一个检测目标的定位框，其中，损失函数用于计算模型的输出结果与标注结果直接的差距。
6.根据权利要求5所述的基于YOLOv4改进算法的电力智慧工地违规行为检测方法，其特征在于，所述输入图像为：
将所述采集得到的电力施工图像及数据增强后得到图像先进行归一化处理使得图像数据在（0，1）之间，然后将图像缩小或者放大处理，使得图像的长和宽都为224像素，得到处理后的图像，先进行数据打乱，然后将所有图像的70% 划分为训练集，20% 划分测试集，剩下的10% 划分为验证集，将训练集中图像组合成batch 用于输入到模型中进行训练，将验证集中的数据也组合成batch 用于输入到模型中进行验证，将测试集中的图片一个一个输入到训练好的模型中进行测试。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011326029.0A CN112149761B (zh) | 2020-11-24 | 2020-11-24 | 一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011326029.0A CN112149761B (zh) | 2020-11-24 | 2020-11-24 | 一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112149761A true CN112149761A (zh) | 2020-12-29 |
| CN112149761B CN112149761B (zh) | 2021-06-22 |
Family
ID=73887271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011326029.0A Active CN112149761B (zh) | 2020-11-24 | 2020-11-24 | 一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149761B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112730166A (zh) * | 2020-12-31 | 2021-04-30 | 北京佳华智联科技有限公司 | 抑制大气颗粒物排放措施的检测方法、装置和检测装置 |
| CN112966618A (zh) * | 2021-03-11 | 2021-06-15 | 京东数科海益信息科技有限公司 | 着装识别方法、装置、设备及计算机可读介质 |
| CN113033604A (zh) * | 2021-02-03 | 2021-06-25 | 淮阴工学院 | 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质 |
| CN113177560A (zh) * | 2021-04-27 | 2021-07-27 | 西安电子科技大学 | 一种普适性轻量级深度学习车辆检测方法 |
| CN113269710A (zh) * | 2021-03-19 | 2021-08-17 | 广州天越电子科技有限公司 | 一种基于目标检测的aau施工工艺检测系统 |
| CN113361502A (zh) * | 2021-08-10 | 2021-09-07 | 江苏久智环境科技服务有限公司 | 一种基于边缘群体计算的园林周界智能预警方法 |
| CN113486865A (zh) * | 2021-09-03 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路悬挂异物目标检测方法 |
| CN114973684A (zh) * | 2022-07-25 | 2022-08-30 | 深圳联和智慧科技有限公司 | 一种建筑工地定点监控方法及系统 |
| CN116205905A (zh) * | 2023-04-25 | 2023-06-02 | 合肥中科融道智能科技有限公司 | 基于移动端的配电网施工安全及质量图像检测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070033A (zh) * | 2019-04-19 | 2019-07-30 | 山东大学 | 一种电力领域危险工作区域内安全帽佩戴状态检测方法 |
| CN110969127A (zh) * | 2019-12-03 | 2020-04-07 | 四川超影科技有限公司 | 一种基于视觉的安全帽识别方法 |
| CN111178206A (zh) * | 2019-12-20 | 2020-05-19 | 山东大学 | 一种基于改进yolo的建筑预埋件检测方法及系统 |
| CN111241959A (zh) * | 2020-01-06 | 2020-06-05 | 重庆大学 | 一种通过工地视频流检测未佩戴安全帽人员的方法 |
| CN111967393A (zh) * | 2020-08-18 | 2020-11-20 | 杭州师范大学 | 一种基于改进YOLOv4的安全帽佩戴检测方法 |
-
2020
- 2020-11-24 CN CN202011326029.0A patent/CN112149761B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070033A (zh) * | 2019-04-19 | 2019-07-30 | 山东大学 | 一种电力领域危险工作区域内安全帽佩戴状态检测方法 |
| CN110969127A (zh) * | 2019-12-03 | 2020-04-07 | 四川超影科技有限公司 | 一种基于视觉的安全帽识别方法 |
| CN111178206A (zh) * | 2019-12-20 | 2020-05-19 | 山东大学 | 一种基于改进yolo的建筑预埋件检测方法及系统 |
| CN111241959A (zh) * | 2020-01-06 | 2020-06-05 | 重庆大学 | 一种通过工地视频流检测未佩戴安全帽人员的方法 |
| CN111967393A (zh) * | 2020-08-18 | 2020-11-20 | 杭州师范大学 | 一种基于改进YOLOv4的安全帽佩戴检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 机器学习算法那些事: "PyTorch版：集成注意力和MobileNet的YOLOv4", 《HTTPS://BLOG.CSDN.NET/ALGORITHMPRO/ARTICLE/DETAILS/109108366》 * |
| 王雨生 等: "复杂姿态下的安全帽佩戴检测方法研究", 《计算机工程与应用》 * |
| 黄林泉 等: "改进YOLOv3的实时性视频安全帽佩戴检测算法", 《图形图像》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112730166A (zh) * | 2020-12-31 | 2021-04-30 | 北京佳华智联科技有限公司 | 抑制大气颗粒物排放措施的检测方法、装置和检测装置 |
| CN113033604B (zh) * | 2021-02-03 | 2022-11-15 | 淮阴工学院 | 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质 |
| CN113033604A (zh) * | 2021-02-03 | 2021-06-25 | 淮阴工学院 | 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质 |
| CN112966618A (zh) * | 2021-03-11 | 2021-06-15 | 京东数科海益信息科技有限公司 | 着装识别方法、装置、设备及计算机可读介质 |
| CN112966618B (zh) * | 2021-03-11 | 2024-02-09 | 京东科技信息技术有限公司 | 着装识别方法、装置、设备及计算机可读介质 |
| CN113269710A (zh) * | 2021-03-19 | 2021-08-17 | 广州天越电子科技有限公司 | 一种基于目标检测的aau施工工艺检测系统 |
| CN113269710B (zh) * | 2021-03-19 | 2024-04-09 | 广州天越电子科技有限公司 | 一种基于目标检测的aau施工工艺检测系统 |
| CN113177560A (zh) * | 2021-04-27 | 2021-07-27 | 西安电子科技大学 | 一种普适性轻量级深度学习车辆检测方法 |
| CN113361502A (zh) * | 2021-08-10 | 2021-09-07 | 江苏久智环境科技服务有限公司 | 一种基于边缘群体计算的园林周界智能预警方法 |
| CN113486865A (zh) * | 2021-09-03 | 2021-10-08 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路悬挂异物目标检测方法 |
| CN114973684B (zh) * | 2022-07-25 | 2022-10-14 | 深圳联和智慧科技有限公司 | 一种建筑工地定点监控方法及系统 |
| CN114973684A (zh) * | 2022-07-25 | 2022-08-30 | 深圳联和智慧科技有限公司 | 一种建筑工地定点监控方法及系统 |
| CN116205905A (zh) * | 2023-04-25 | 2023-06-02 | 合肥中科融道智能科技有限公司 | 基于移动端的配电网施工安全及质量图像检测方法及系统 |
| CN116205905B (zh) * | 2023-04-25 | 2023-07-21 | 合肥中科融道智能科技有限公司 | 基于移动端的配电网施工安全及质量图像检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112149761B (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149761B (zh) | 一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法 | |
| CN108053427B (zh) | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 | |
| CN108009473B (zh) | 基于目标行为属性视频结构化处理方法、系统及存储装置 | |
| CN111723654B (zh) | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 | |
| CN108052859B (zh) | 一种基于聚类光流特征的异常行为检测方法、系统及装置 | |
| CN110472467A (zh) | 基于YOLO v3的针对交通枢纽关键物体的检测方法 | |
| 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 | |
| Romdhane et al. | An improved traffic signs recognition and tracking method for driver assistance system | |
| CN110781836A (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
| CN111598066A (zh) | 一种基于级联预测的安全帽佩戴识别方法 | |
| CN105404847A (zh) | 一种遗留物实时检测方法 | |
| CN102289660A (zh) | 一种基于手部姿态跟踪的违规驾驶行为检测方法 | |
| CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
| CN104134222A (zh) | 基于多特征融合的车流监控图像检测和跟踪系统及方法 | |
| CN111553214B (zh) | 一种驾驶员吸烟行为检测方法及系统 | |
| CN111401310B (zh) | 基于人工智能的厨房卫生安全监督管理方法 | |
| CN112287827A (zh) | 基于智慧灯杆的复杂环境行人口罩佩戴检测方法及系统 | |
| CN107832721B (zh) | 用于输出信息的方法和装置 | |
| CN113158850B (zh) | 基于深度学习的船舶驾驶员疲劳检测方法和系统 | |
| Kuang et al. | Real-Time Detection and Recognition of Road Traffic Signs using MSER and Random Forests. | |
| CN111723656A (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
| CN106372566A (zh) | 一种基于数字标牌紧急疏散系统及方法 | |
| CN101320477A (zh) | 一种人体跟踪方法及其设备 | |
| Zhou et al. | Information distribution based defense against physical attacks on object detection | |
| CN108960181B (zh) | 基于多尺度分块lbp和隐马尔科夫模型的黑烟车检测方法 |
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 |