CN112183264B - 一种基于空间关系学习的吊车吊臂下有人逗留的判断方法 - Google Patents

一种基于空间关系学习的吊车吊臂下有人逗留的判断方法 Download PDF

Info

Publication number
CN112183264B
CN112183264B CN202010979705.8A CN202010979705A CN112183264B CN 112183264 B CN112183264 B CN 112183264B CN 202010979705 A CN202010979705 A CN 202010979705A CN 112183264 B CN112183264 B CN 112183264B
Authority
CN
China
Prior art keywords
person
rectangular frame
relation
spatial relationship
steps
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
Application number
CN202010979705.8A
Other languages
English (en)
Other versions
CN112183264A (zh
Inventor
姚宗强
陈宏利
闫文虎
刘超
房向阳
孙浩航
孟祥磊
靳文礼
王刚
林立鹏
赵博
杨赫
宋兴业
赵风松
王梦
冯思雨
张永峰
王磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Jinghai Power Supply Co of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Jinghai Power Supply Co of State Grid Tianjin Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Jinghai Power Supply Co of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010979705.8A priority Critical patent/CN112183264B/zh
Publication of CN112183264A publication Critical patent/CN112183264A/zh
Application granted granted Critical
Publication of CN112183264B publication Critical patent/CN112183264B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/52—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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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

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)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于空间关系学习的吊车吊臂下有人逗留的判断方法，其特征在于：包括如下步骤：步骤一，获得吊臂和人员的矩形框坐标；步骤二，将获得的矩形框进行归一化处理；步骤三，针对每一个吊臂和每一个人员计算归一化后二者矩形框之间的距离关系值、面积比和拓扑关系值，然后构成一条空间关系，由此遍历每一个吊臂和人员的矩形框后获得样本集；步骤四，将样本集输入到SVM分类器中，输出吊臂下是否有人逗留的预测值。本发明设计了距离关系和拓扑关系作为图像中不同对象间空间关系距离的判断特征，测试结果验证了方法的有效性。

Description

一种基于空间关系学习的吊车吊臂下有人逗留的判断方法
技术领域
本发明属于工程机械的告警系统领域，涉及一种吊车吊臂下有人逗留的判断方法，特别是一种基于空间关系学习的吊车吊臂下有人逗留的判断方法。
背景技术
电网工程建设领域的安全生产是电网公司安全管理工作的重点和难点。目前，电力企业主要按照《国家电网公司电力安全工作规程(电网建设部分)》(以下简称《安规》)的组织措施和技术措施来预防安全事故的发生。然而，随着电网建设规模不断扩大、电力系统日益复杂，需监督的电力施工现场不断增多，给电网公司安全生产带来了严峻考验。首先，电网工程建设具有点多面广，管理跨度大，参与方众多，人员素质良莠不齐，管理水平和技术力量高低差距大的特点。其次，虽然按照《安规》实施，但有些操作规范停留在纸面上，操作员嫌麻烦并不能严格遵守，在操作员失误时监督管理人员也可能疏忽未提醒和指正。就电力施工现场而言，线路的检修、杆塔的设立等都离不开吊车的辅助，而吊车经常在施工人员附近执行工作，如果操作人员没能及时发现吊臂下有人员逗留，那么将会造成严重的生产安全事故。由此可见，电力安全生产监督管理的自动化和信息化建设对电力企业而言迫在眉睫。
解决吊臂下是否有人员逗留问题的关键，在于计算吊臂或吊件与施工人员的三维空间信息。现有的三维目标检测算法根据传感器不同，大致可以分为视觉、激光点云和多模态融合三类。视觉方法由于其成本低、纹理特征丰富等优势，在目标检测领域中被广泛使用，并且可根据相机类型分为单目视觉和双目视觉两类。单目视觉的关键问题在于无法直接获取深度信息，从而导致目标在三维空间中的定位误差较大。而双目视觉不仅提供了丰富的纹理信息，还具有较为准确的深度信息，相比前者具有更高的检测精度。但双目视觉对光照条件等因素更加敏感，容易导致深度计算的偏差。单目视觉深度估计根据原理不同大致可分为基于深度线索的、基于图模型的、基于深度采样和基于CNN网络的估计方法。深度线索包括：运动信息、相机的焦距、线性透视、纹理、遮挡、阴影等。然而图像的深度与各线索并不一一映射的关系，并且不同的线索仅出现在特定的场所中，因此存在估计失败和场景适用性的问题。采用图模型对场景的图像特征及其相对位置关系进行描述并通过监督学习对其进行训练，这类算法的缺点是需要设计参数化的模型和引入太多的场景假设。基于深度采样的估计方法核心是从深度数据库中进行相似图像的采样，采样都是基于手工设计特征之间的相似度，具有计算量大的缺点。基于CNN网络的估计方法，采用特征学习的方式，自动提取表征图像、纹理、三维结构分布以及颜色等信息特征。然而，该类算法的前提是需要制作大量的有标注的三维图片作为训练样本集，需要花费较高的人力和物力成本。与现有技术不同，从实用性角度出发，本发明提出一种基于空间关系学习的吊车吊臂下有人逗留的判断方法。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于空间关系学习的吊车吊臂下有人逗留的判断方法。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于空间关系学习的吊车吊臂下有人逗留的判断方法，包括如下步骤：
步骤一，获取施工现场的图像，利用训练好的目标检测深度卷积神经网络模型检测出图像中的吊臂和人员，获得吊臂和人员的矩形框坐标，分别记为：D＝{di＝(xi,yi,wi,hi)i＝1,2,..,n}，R＝{rj＝(xj,yj,wj,hj)j＝1,2,..,m}，式中n代表n个吊臂，m代表m个人员，x,y代表矩形框的左上顶点坐标，w,h代表矩形框的宽度和高度；
步骤二，将吊臂和人员的矩形框的宽度和高度值分别除以图像的宽度和高度，获得归一化后的矩形框，分别记为：
Figure BDA0002687090060000021
和
Figure BDA0002687090060000022
步骤三，针对每一个吊臂和每一个人员计算归一化后的矩形框
Figure BDA0002687090060000023
Figure BDA0002687090060000024
之间的距离关系值、
Figure BDA0002687090060000025
和
Figure BDA0002687090060000026
的面积比和拓扑关系值，然后将计算结果与
Figure BDA0002687090060000027
Figure BDA0002687090060000028
组合构成一条空间关系，其特征记为Xij，由此遍历每一个吊臂和人员的矩形框后获得样本集S＝{Xi＝(xi1,xi2,..,xit,yi)yi∈(0,1),i＝1,2,..,N}；
步骤四，将样本集S输入到SVM分类器中，输出吊臂下是否有人逗留的预测值。
而且，所述的距离关系值包括矩形框的质心欧式距离和质心余弦夹角。
而且，所述拓扑关系值的计算公式为：
Figure BDA0002687090060000031
而且，所述拓扑关系值计算的拓扑关系包括相邻、相接、包含、相等、交叠。
本发明的优点和积极效果是：
一种基于空间关系学习的吊车吊臂下有人逗留的判断方法，基于目标检测和SVM实现了吊车吊臂下是否有人逗留的判断，获得了较高的预测精度和较低的错误警报率。
本发明设计了距离关系和拓扑关系作为图像中不同对象间空间关系距离的判断特征，通过有监督的训练，学习不同对象间潜在的空间关系判别模式。本方法不需要双目视觉也不需要涉及过多的参数，训练样本制作简单，具有简单有效的优点。测试结果验证了方法的有效性。
发明可应用于吊车作业场景，防止吊车作业事故的发生，提高作业安全。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合附图对本发明的实施例做进一步详述：
一种基于空间关系学习的吊车吊臂下有人逗留的判断方法，其创新之处在于：包括如下步骤：
步骤一，获取施工现场的图像，利用训练好的目标检测深度卷积神经网络模型Faster-RCNN检测出图像中的吊臂和人员，获得吊臂和人员的矩形框坐标，分别记为：D＝{di＝(xi,yi,wi,hi)i＝1,2,..,n}，R＝{rj＝(xj,yj,wj,hj)j＝1,2,..,m}，式中n代表n个吊臂，m代表m个人员，x,y代表矩形框的左上顶点坐标，w,h代表矩形框的宽度和高度；
步骤二，将吊臂和人员的矩形框的宽度和高度值分别除以图像的宽度和高度，获得归一化后的矩形框，分别记为：
Figure BDA0002687090060000032
和
Figure BDA0002687090060000033
步骤三，针对每一个吊臂和每一个人员计算归一化后的矩形框
Figure BDA0002687090060000041
Figure BDA0002687090060000042
之间的距离关系值、
Figure BDA0002687090060000043
和
Figure BDA0002687090060000044
的面积比和拓扑关系值，然后将计算结果与
Figure BDA0002687090060000045
Figure BDA0002687090060000046
组合构成一条空间关系，其特征记为Xij，由此遍历每一个吊臂和人员的矩形框后获得样本集S＝{Xi＝(xi1,xi2,..,xit,yi)yi∈(0,1),i＝1,2,..,N}；
步骤四，将样本集S输入到SVM分类器中，输出吊臂下是否有人逗留的预测值。
所述的距离关系值包括矩形框的质心欧式距离和质心余弦夹角。
所述拓扑关系值的计算公式为：
Figure BDA0002687090060000047
所述计算的拓扑关系值表示的拓扑关系包括相邻、相接、包含、相等、交叠。
具体操作为：
步骤1，使用标注工具标注自定义的图像数据集，标注后的数据集记为T，按照7/3划分样本集T为训练样本集T1和测试样本集T2，根据事先观测结果，从数据集T中标注筛选出吊臂下有人的数据集记为：T3；
步骤2，使用数据集T1训练目标检测深度卷积神经网络模型Faster-RCNN，获得训练好的目标检测深度卷积神经网络模型；
步骤3，在数据集T3上根据标注信息计算所有矩形框之间的距离关系值、面积比值和拓扑关系值，组合矩形框坐标、矩形框之间的距离关系、面积比值和拓扑关系，特征生成样本集记为：S，按照7/3划分样本集S为训练样本集S1和测试样本集S2；
步骤4，设置SVM分类器中SVM分类模型参数，如附表1所示，输入训练样本集S1进行SVM分类模型训练，获得训练好的SVM分类模型；
步骤6，将测试集S2中的每一个样本x，输入到训练好的SVM分类模型中获得预测值p，根据预测值和真实值y，对SVM分类模型进行评价，评价结果如附表2所示。
附表1
Figure BDA0002687090060000048
Figure BDA0002687090060000051
附表2
指标名 指标值 指标说明
ACC 93.68％ 预测准确率
Recall 64.80％ 召回率
F1-Score 74.00％ Precision和Recall的加权调和平均
SVM，全称是SupportVectorMachine,是一类按监督学习方式对数据进行二元分类的广义线性分类器。是目前最为常用和效果最好的分类器之一，由于其优秀的泛化能力，使得SVM在小样本数据集上能够获得比其他分类器更好的结果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (4)

1.一种基于空间关系学习的吊车吊臂下有人逗留的判断方法，其特征在于：包括如下步骤：
步骤一，获取施工现场的图像，利用训练好的目标检测深度卷积神经网络模型检测出图像中的吊臂和人员，获得吊臂和人员的矩形框坐标，分别记为：D＝{di＝(xi,yi,wi,hi)|i＝1,2,..,n}，R＝{rj＝(xj,yj,wj,hj)|j＝1,2,..,m}，式中n代表n个吊臂，m代表m个人员，x,y代表矩形框的左上顶点坐标，w,h代表矩形框的宽度和高度；
步骤二，将吊臂和人员的矩形框的宽度和高度值分别除以图像的宽度和高度，获得归一化后的矩形框，分别记为：
Figure FDA0002687090050000011
和
Figure FDA0002687090050000012
步骤三，针对每一个吊臂和每一个人员计算归一化后的矩形框
Figure FDA0002687090050000013
Figure FDA0002687090050000014
之间的距离关系值、
Figure FDA0002687090050000015
和
Figure FDA0002687090050000016
的面积比和拓扑关系值，然后将计算结果与
Figure FDA0002687090050000017
Figure FDA0002687090050000018
组合构成一条空间关系，其特征记为Xij，由此遍历每一个吊臂和人员的矩形框后获得样本集S＝{Xi＝(xi1,xi2,..,xit,yi)|yi∈(0,1),i＝1,2,..,N}；
步骤四，将样本集S输入到SVM分类器中，输出吊臂下是否有人逗留的预测值。
2.根据权利要求1所述的一种基于空间关系学习的吊车吊臂下有人逗留的判断方法，其特征在于：所述的距离关系值包括矩形框的质心欧式距离和质心余弦夹角。
3.根据权利要求1所述的一种基于空间关系学习的吊车吊臂下有人逗留的判断方法，其特征在于：所述拓扑关系值的计算公式为：
Figure FDA0002687090050000019
4.根据权利要求1所述的一种基于空间关系学习的吊车吊臂下有人逗留的判断方法，其特征在于：所述拓扑关系值计算的拓扑关系包括相邻、相接、包含、相等、交叠。
CN202010979705.8A 2020-09-17 2020-09-17 一种基于空间关系学习的吊车吊臂下有人逗留的判断方法 Active CN112183264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010979705.8A CN112183264B (zh) 2020-09-17 2020-09-17 一种基于空间关系学习的吊车吊臂下有人逗留的判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010979705.8A CN112183264B (zh) 2020-09-17 2020-09-17 一种基于空间关系学习的吊车吊臂下有人逗留的判断方法

Publications (2)

Publication Number Publication Date
CN112183264A CN112183264A (zh) 2021-01-05
CN112183264B true CN112183264B (zh) 2023-04-21

Family

ID=73921506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010979705.8A Active CN112183264B (zh) 2020-09-17 2020-09-17 一种基于空间关系学习的吊车吊臂下有人逗留的判断方法

Country Status (1)

Country Link
CN (1) CN112183264B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906566B (zh) * 2021-02-18 2024-02-13 天津大学 一种吊臂车作业场景下行人违规逗留的景深判别方法
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

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069173A (zh) * 2015-09-10 2015-11-18 天津中科智能识别产业技术研究院有限公司 基于有监督的拓扑保持哈希的快速图像检索方法
CN106986272A (zh) * 2017-02-24 2017-07-28 北京航天自动控制研究所 一种基于机器视觉跟踪的集装箱货柜车防吊起方法及系统
CN108345860A (zh) * 2018-02-24 2018-07-31 江苏测联空间大数据应用研究中心有限公司 基于深度学习和距离度量学习的人员再识别方法
CN110222638A (zh) * 2019-06-05 2019-09-10 西安电子科技大学 一种基于素描图候选框策略和Fast R-CNN的飞机目标检测方法
CN110675469A (zh) * 2019-09-06 2020-01-10 常州大学 一种施工场景中检测目标之间空间关系的图像描述方法
CN110796819A (zh) * 2019-10-18 2020-02-14 中国铁道科学研究院集团有限公司电子计算技术研究所 一种针对站台黄线入侵越界人员的检测方法及系统
CN111136648A (zh) * 2019-12-27 2020-05-12 深圳市优必选科技股份有限公司 一种移动机器人的定位方法、定位装置及移动机器人
CN111209915A (zh) * 2019-12-25 2020-05-29 上海航天控制技术研究所 一种基于深度学习的三维图像同步识别和分割方法
CN111652046A (zh) * 2020-04-17 2020-09-11 济南浪潮高新科技投资发展有限公司 基于深度学习的安全穿戴检测方法、设备及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069173A (zh) * 2015-09-10 2015-11-18 天津中科智能识别产业技术研究院有限公司 基于有监督的拓扑保持哈希的快速图像检索方法
CN106986272A (zh) * 2017-02-24 2017-07-28 北京航天自动控制研究所 一种基于机器视觉跟踪的集装箱货柜车防吊起方法及系统
CN108345860A (zh) * 2018-02-24 2018-07-31 江苏测联空间大数据应用研究中心有限公司 基于深度学习和距离度量学习的人员再识别方法
CN110222638A (zh) * 2019-06-05 2019-09-10 西安电子科技大学 一种基于素描图候选框策略和Fast R-CNN的飞机目标检测方法
CN110675469A (zh) * 2019-09-06 2020-01-10 常州大学 一种施工场景中检测目标之间空间关系的图像描述方法
CN110796819A (zh) * 2019-10-18 2020-02-14 中国铁道科学研究院集团有限公司电子计算技术研究所 一种针对站台黄线入侵越界人员的检测方法及系统
CN111209915A (zh) * 2019-12-25 2020-05-29 上海航天控制技术研究所 一种基于深度学习的三维图像同步识别和分割方法
CN111136648A (zh) * 2019-12-27 2020-05-12 深圳市优必选科技股份有限公司 一种移动机器人的定位方法、定位装置及移动机器人
CN111652046A (zh) * 2020-04-17 2020-09-11 济南浪潮高新科技投资发展有限公司 基于深度学习的安全穿戴检测方法、设备及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Application of structured support vector machine backpropagation to a convolutional neural network for human pose estimation;Peerajak Witoonchart 等;《Neural Networks》;20170831;第39-46页 *
基于卷积神经网络的建筑工程施工安全预警研究;赵静;《中国知网优秀硕士论文集 工程科技Ⅰ辑》;20200815;正文第1-50页 *
基于改进YOLOv3的合成孔径雷达图像中建筑物检测算法;李响等;《兵工学报》;20200715(第07期);第102-114页 *
基于深度学习算法的叉车危险操作行为检测;李千登等;《中国安全生产科学技术》;20200531(第05期);第157-161页 *
排队系统中时间指标和空间指标的联系分析及教学启示;周亚平等;《安庆师范大学学报(自然科学版)》;20200727(第03期);第116-118页 *
浅谈建筑施工现场塔吊的安全管理;陈少梅等;《湖南农机》;20100715(第07期);第241-242页 *
面向草图检索的相关反馈方法;梁爽等;《计算机辅助设计与图形学学报》;20061120(第11期);第1753-1757页 *

Also Published As

Publication number Publication date
CN112183264A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
WO2023045299A1 (zh) 基于三维轮廓的路面技术状况检测方法及设备
CN107145851A (zh) 建筑作业区危险源智能识别系统
CN110874596B (zh) 一种仪表智能识别预警方法及系统
CN112183264B (zh) 一种基于空间关系学习的吊车吊臂下有人逗留的判断方法
CN110910350B (zh) 一种用于风电塔筒的螺母松动检测方法
CN114241298A (zh) 一种激光雷达和图像融合的塔吊环境目标检测方法及系统
CN110850723A (zh) 一种基于变电站巡检机器人系统的故障诊断及定位方法
CN110232379A (zh) 一种车辆姿态检测方法及系统
CN103500330B (zh) 一种基于多传感器、多特征融合的半监督的人检测方法
CN115063579B (zh) 基于二维图像和三维点云投影的列车定位销松动检测方法
CN111681382A (zh) 一种基于视觉分析检测施工现场跨越临时围栏的方法
CN115597494B (zh) 一种基于点云的预制构件预留孔的精度检测方法、系统
Liang et al. Research on concrete cracks recognition based on dual convolutional neural network
CN115376155A (zh) 基于YOLOv6和传统图像处理技术的厂站接线图检测方法
CN114092478B (zh) 一种异常检测方法
CN112561989B (zh) 一种建造场景下吊装对象的识别方法
CN115861407B (zh) 基于深度学习的安全距离检测方法及系统
CN117152727A (zh) 一种用于巡检机器人的指针式仪表自动读数方法
CN116612461A (zh) 一种基于目标检测的指针式仪表全过程自动读数方法
CN115457130A (zh) 一种基于深度关键点回归的电动汽车充电口检测定位方法
CN105095897A (zh) 一种基于梯度图像和相似度加权的数字识别方法
CN113569801A (zh) 一种配电施工现场带电设备及其带电区域识别方法及装置
CN110533698A (zh) 一种基于视觉检测的基坑施工桩检测控制方法
Zeng et al. Research on the Application of Computer Vision Based on Target Tracking Algorithm in the Detection System of Electrical Measuring Instruments
CN118115951A (zh) 一种电力基建工程现场敏感区域入侵检测方法及系统

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