CN112396017A - 一种基于图像识别的工程安全隐患识别方法及系统 - Google Patents
一种基于图像识别的工程安全隐患识别方法及系统 Download PDFInfo
- Publication number
- CN112396017A CN112396017A CN202011362445.6A CN202011362445A CN112396017A CN 112396017 A CN112396017 A CN 112396017A CN 202011362445 A CN202011362445 A CN 202011362445A CN 112396017 A CN112396017 A CN 112396017A
- Authority
- CN
- China
- Prior art keywords
- image
- video stream
- stream data
- identification
- construction site
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- 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
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像识别的工程安全隐患识别方法及系统。该方法包括:根据固定摄像头和无人机获取工地图像的视频流数据;对所述视频流数据进行预处理,得到预处理后的视频流数据;根据所述预处理后的视频流数据,构建图像特征提取骨干网络模型;根据所述图像特征提取骨干网络模型,提取图像特征;根据所述图像特征和所述人工标注的安全隐患,训练图像检测识别模型;获取待预测的工地图像;对所述工地图像预处理,得到预处理后的工地图像;根据所述预处理后的工地图像和所述图像检测识别模型进行识别,得到工地安全隐患结果。本发明能够提高监理人员生产效率,降低成本。
Description
技术领域
本发明涉及工程安全隐患识别领域,特别是涉及一种基于图像识别的工程安全隐患识别方法及系统。
背景技术
现有的图像识别技术发展速度较快,但尚未应用在传统工程监理行业,传统监理业务工作量大,施工现场工作面广,监理人员难以到达的死角多。
发明内容
本发明的目的是提供一种基于图像识别的工程安全隐患识别方法及系统,能够提高监理人员生产效率,降低成本。
为实现上述目的,本发明提供了如下方案:
一种基于图像识别的工程安全隐患识别方法,包括:
根据固定摄像头和无人机获取工地图像的视频流数据;
对所述视频流数据进行预处理,得到预处理后的视频流数据;
根据所述预处理后的视频流数据,构建图像特征提取骨干网络模型;
根据所述图像特征提取骨干网络模型,提取图像特征;
根据所述图像特征和所述人工标注的安全隐患,训练图像检测识别模型;
获取待预测的工地图像;
对所述工地图像预处理,得到预处理后的工地图像;
根据所述预处理后的工地图像和所述图像检测识别模型进行识别,得到工地安全隐患结果。
可选地,所述对所述视频流数据进行预处理,得到预处理后的视频流数据,具体包括:
对所述视频流数据进行解码操作,得到RGB图像数据;
对所述RGB图像数据进行高斯滤波、图像归一化及图像特定尺寸缩放处理,得到预处理后的视频流数据。
可选地,所述根据所述预处理后的视频流数据,构建图像特征提取骨干网络模型,具体包括:
基于深度残差卷积神经网络构建深度学习网络模型,根据所述预处理后的视频流数据对构建的深度学习网络模型进行训练,得到图像特征提取的骨干网络模型。
可选地,所述安全隐患包括临边防护缺失和工人安全帽未佩戴。
一种基于图像识别的工程安全隐患识别系统,包括:
视频流数据获取模块,用于根据固定摄像头和无人机获取工地图像的视频流数据;
第一预处理模块,用于对所述视频流数据进行预处理,得到预处理后的视频流数据;
图像特征提取骨干网络模型构建模块,用于根据所述预处理后的视频流数据,构建图像特征提取骨干网络模型;
图像特征提取模块,用于根据所述图像特征提取骨干网络模型,提取图像特征;
图像检测识别模型识别模块,用于根据所述图像特征和所述人工标注的安全隐患,训练图像检测识别模型;
待预测的工地图像获取模块,用于获取待预测的工地图像;
第二预处理模块,用于对所述工地图像预处理,得到预处理后的工地图像;
识别模块,用于根据所述预处理后的工地图像和所述图像检测识别模型进行识别,得到工地安全隐患结果。
可选地,所述第一预处理模块,具体包括:
解码单元,用于对所述视频流数据进行解码操作,得到RGB图像数据;
处理单元,用于对所述RGB图像数据进行高斯滤波、图像归一化及图像特定尺寸缩放处理,得到预处理后的视频流数据。
可选地,所述图像特征提取骨干网络模型构建模块,具体包括:
图像特征提取骨干网络模型构建单元,用于基于深度残差卷积神经网络构建深度学习网络模型,根据所述预处理后的视频流数据对构建的深度学习网络模型进行训练,得到图像特征提取的骨干网络模型。
可选地,所述安全隐患包括临边防护缺失和工人安全帽未佩戴。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种基于图像识别的工程安全隐患识别方法及系统。根据固定摄像头和无人机获取工地图像的视频流数据;对视频流数据进行预处理,得到预处理后的视频流数据;根据预处理后的视频流数据,构建图像特征提取骨干网络模型;根据图像特征提取骨干网络模型,提取图像特征;根据图像特征和人工标注的安全隐患,训练图像检测识别模型;获取待预测的工地图像;对工地图像预处理,得到预处理后的工地图像;根据预处理后的工地图像和图像检测识别模型进行识别,得到工地安全隐患结果。通过使用摄像头和无人机拍摄等手段获取现场施工作业照片后利用深度学习进行判定,并输出相应的现场安全隐患结果供给监理人员参考,从而达到提高监理人员生产效率,降低成本的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明基于图像识别的工程安全隐患识别方法流程图;
图2为本发明基于图像识别的工程安全隐患识别系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于图像识别的工程安全隐患识别方法及系统,能够提高监理人员生产效率,降低成本。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于图像识别的工程安全隐患识别方法流程图。如图1所示,一种基于图像识别的工程安全隐患识别方法包括:
步骤101:根据固定摄像头和无人机获取工地图像的视频流数据。
对于视频流数据的获取,主要采用预安装固定摄像头和无人机搭载高清摄像机两种方式。预安装固定摄像头的视频流数据获取方式,在技术上的实现为主要通过对摄像的控制调节来实时获取所需视频流数据,对于摄像头的调节与控制,针对特定场景,可采用Python编程语言通过编程来实现自动化。无人机搭载高清摄像机的视频流数据获取方式,在技术上的实现为:搭建接收无人机流的rtmp服务器,无人机通过图传技术将获取的视频数据实时上传至rtmp流服务器。
步骤102:对所述视频流数据进行预处理,得到预处理后的视频流数据,具体包括:
对所述视频流数据进行解码操作,得到RGB图像数据。具体的,对于固定摄像头或无人机采集回来的视频流数据,进行基于H.264编解码技术进行针对视频流的每一帧进行解码,转换为RGB图像数据
对所述RGB图像数据进行高斯滤波、图像归一化及图像特定尺寸缩放处理,得到预处理后的视频流数据。
步骤103:根据所述预处理后的视频流数据,构建图像特征提取骨干网络模型,具体包括:
基于深度残差卷积神经网络构建深度学习网络模型,根据所述预处理后的视频流数据对构建的深度学习网络模型进行训练,得到图像特征提取的骨干网络模型。
作为智能化监理模式系统核心技术,一个图像特征提取的骨干网络,对图像特征提取的好坏直接关系到整个检测识别的准确度。在本发明中,对图像特征提取的骨干网(backbone)采用深度残差卷积神经网络--DenseNet(Densely Connected ConvolutionalNetworks),统称为“骨干网络模型”,通过基于模型权重的迁移学习方法,在已有的DenseNet预训练模型上,结合所采集的工程图像数据对其实现微调(fine-tuning),得到一个适用于工程图像数据领域的图像特征提取骨干网络模型。
步骤104:根据所述图像特征提取骨干网络模型,提取图像特征。
步骤105:根据所述图像特征和所述人工标注的安全隐患,训练图像检测识别模型;所述安全隐患包括临边防护缺失和工人安全帽未佩戴。
标的对象的识别与其位置对齐。对于所关注的标的对象(如:未戴安全帽的操作工人、临边护栏缺失的部分等),在检测识别模型的构建中,前期采用人工优先标记,训练优化检测识别模型;后期采用模型自助检测识别,人工异常矫正,模型自我强化学习的方式。关于前期人工标记,在采集的原始工程图学中,采用“labelimg”等类似工具对所关注的标的对象,通过矩形框的形式进行标注,将图像通过骨干网络模型提取图像特征后,将人工标注的标的对象数据与基于“Anchor”机制的目标检测位置实现回归、拟合训练,通过批量的数据训练,得到基于骨干网络模型的工程标的对象的检测与识别,准确定位出标的对象在本图像中的位置,即识别出工程中所关注的安全隐患对象,比如“对未按要求进行佩戴安全帽的工人”等。对已训练好的工程图像数据检测识别模型,进行一段时间的预使用矫正阶段(达到实际项目需求即可),在此阶段,对获取的实时图像(对视频流流数据通过解码、转换为图像、图像预处理后)进行标的对象的检测与识别,对于识别有无的通过人工矫正的方法,使检测识别模型根据矫正信息实现重新学习,从而使得模型在后期对标的对象的检测识别过程中达到一个自我增强学习的程度。
步骤106:获取待预测的工地图像。
步骤107:对所述工地图像预处理,得到预处理后的工地图像。
步骤108:根据所述预处理后的工地图像和所述图像检测识别模型进行识别,得到工地安全隐患结果。
输出施工现场安全隐患类型,每种安全隐患系统可根据标准做法数据库给出相应的整改建议,具体建议如下:
1.临边防护缺失:获取洞口、楼梯口、基坑边等位置的照片,判定该位置设置防护栏、未设置防护栏两种特征,如未设置防护栏将输出结果至监理人员:该位置未设置临边防护,给出建议:请督促施工单位立即增加防护栏。
2.工人安全帽未佩戴;获取现场施工作业人员照片,判定工人佩戴或者未佩戴安全帽两种特征,如未佩戴安全帽将输出结果至监理人员:施工作业人员未佩戴安全帽,给出建议:请督促该作业人员立即佩戴安全帽,并要求施工单位对该作业人员进行安全教育。
图2为本发明基于图像识别的工程安全隐患识别系统结构图。如图2所示,一种基于图像识别的工程安全隐患识别系统包括:
视频流数据获取模块201,用于根据固定摄像头和无人机获取工地图像的视频流数据。
第一预处理模块202,用于对所述视频流数据进行预处理,得到预处理后的视频流数据。
图像特征提取骨干网络模型构建模块203,用于根据所述预处理后的视频流数据,构建图像特征提取骨干网络模型。
图像特征提取模块204,用于根据所述图像特征提取骨干网络模型,提取图像特征。
图像检测识别模型识别模块205,用于根据所述图像特征和所述人工标注的安全隐患,训练图像检测识别模型;所述安全隐患包括临边防护缺失和工人安全帽未佩戴。
待预测的工地图像获取模块206,用于获取待预测的工地图像。
第二预处理模块207,用于对所述工地图像预处理,得到预处理后的工地图像。
识别模块208,用于根据所述预处理后的工地图像和所述图像检测识别模型进行识别,得到工地安全隐患结果。
所述第一预处理模块202,具体包括:
解码单元,用于对所述视频流数据进行解码操作,得到RGB图像数据;
处理单元,用于对所述RGB图像数据进行高斯滤波、图像归一化及图像特定尺寸缩放处理,得到预处理后的视频流数据。
所述图像特征提取骨干网络模型构建模块203,具体包括:
图像特征提取骨干网络模型构建单元,用于基于深度残差卷积神经网络构建深度学习网络模型,根据所述预处理后的视频流数据对构建的深度学习网络模型进行训练,得到图像特征提取的骨干网络模型。
实施例1:
黄浦区某工地正在进行高处钢结构焊接工作,该处作业位置监理人员难以到达,监理人员利用无人机对该处焊接作业进行拍摄,无人机将图像数据传至上述智能化监理模式系统,系统可输出结果:高处作业施工人员未佩戴安全带,给出建议:请施工作业人员立即佩戴安全带,并督促施工单位对其进行安全教育,监理人员根据系统输出的结果与施工单位进行沟通。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于图像识别的工程安全隐患识别方法,其特征在于,包括:
根据固定摄像头和无人机获取工地图像的视频流数据;
对所述视频流数据进行预处理,得到预处理后的视频流数据;
根据所述预处理后的视频流数据,构建图像特征提取骨干网络模型;
根据所述图像特征提取骨干网络模型,提取图像特征;
根据所述图像特征和所述人工标注的安全隐患,训练图像检测识别模型;
获取待预测的工地图像;
对所述工地图像预处理,得到预处理后的工地图像;
根据所述预处理后的工地图像和所述图像检测识别模型进行识别,得到工地安全隐患结果。
2.根据权利要求1所述的基于图像识别的工程安全隐患识别方法,其特征在于,所述对所述视频流数据进行预处理,得到预处理后的视频流数据,具体包括:
对所述视频流数据进行解码操作,得到RGB图像数据;
对所述RGB图像数据进行高斯滤波、图像归一化及图像特定尺寸缩放处理,得到预处理后的视频流数据。
3.根据权利要求1所述的基于图像识别的工程安全隐患识别方法,其特征在于,所述根据所述预处理后的视频流数据,构建图像特征提取骨干网络模型,具体包括:
基于深度残差卷积神经网络构建深度学习网络模型,根据所述预处理后的视频流数据对构建的深度学习网络模型进行训练,得到图像特征提取的骨干网络模型。
4.根据权利要求1所述的基于图像识别的工程安全隐患识别方法,其特征在于,所述安全隐患包括临边防护缺失和工人安全帽未佩戴。
5.一种基于图像识别的工程安全隐患识别系统,其特征在于,包括:
视频流数据获取模块,用于根据固定摄像头和无人机获取工地图像的视频流数据;
第一预处理模块,用于对所述视频流数据进行预处理,得到预处理后的视频流数据;
图像特征提取骨干网络模型构建模块,用于根据所述预处理后的视频流数据,构建图像特征提取骨干网络模型;
图像特征提取模块,用于根据所述图像特征提取骨干网络模型,提取图像特征;
图像检测识别模型识别模块,用于根据所述图像特征和所述人工标注的安全隐患,训练图像检测识别模型;
待预测的工地图像获取模块,用于获取待预测的工地图像;
第二预处理模块,用于对所述工地图像预处理,得到预处理后的工地图像;
识别模块,用于根据所述预处理后的工地图像和所述图像检测识别模型进行识别,得到工地安全隐患结果。
6.根据权利要求5所述的基于图像识别的工程安全隐患识别系统,其特征在于,所述第一预处理模块,具体包括:
解码单元,用于对所述视频流数据进行解码操作,得到RGB图像数据;
处理单元,用于对所述RGB图像数据进行高斯滤波、图像归一化及图像特定尺寸缩放处理,得到预处理后的视频流数据。
7.根据权利要求5所述的基于图像识别的工程安全隐患识别系统,其特征在于,所述图像特征提取骨干网络模型构建模块,具体包括:
图像特征提取骨干网络模型构建单元,用于基于深度残差卷积神经网络构建深度学习网络模型,根据所述预处理后的视频流数据对构建的深度学习网络模型进行训练,得到图像特征提取的骨干网络模型。
8.根据权利要求5所述的基于图像识别的工程安全隐患识别系统,其特征在于,所述安全隐患包括临边防护缺失和工人安全帽未佩戴。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011362445.6A CN112396017B (zh) | 2020-11-27 | 2020-11-27 | 一种基于图像识别的工程安全隐患识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011362445.6A CN112396017B (zh) | 2020-11-27 | 2020-11-27 | 一种基于图像识别的工程安全隐患识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396017A true CN112396017A (zh) | 2021-02-23 |
CN112396017B CN112396017B (zh) | 2023-04-07 |
Family
ID=74604647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011362445.6A Active CN112396017B (zh) | 2020-11-27 | 2020-11-27 | 一种基于图像识别的工程安全隐患识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396017B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570720A (zh) * | 2021-08-04 | 2021-10-29 | 西安万飞控制科技有限公司 | 一种基于gis技术的无人机视频石油管线实时显示方法及系统 |
CN113658095A (zh) * | 2021-07-09 | 2021-11-16 | 浙江大学 | 用于手工仪器绘图的工程图样评阅识别处理方法及装置 |
CN114066892A (zh) * | 2022-01-17 | 2022-02-18 | 深圳市明源云科技有限公司 | 安全隐患检测方法、装置、电子设备及可读存储介质 |
CN116070790A (zh) * | 2023-03-21 | 2023-05-05 | 中国建筑一局(集团)有限公司 | 一种减少施工现场重大安全风险隐患的预测方法和系统 |
CN116912756A (zh) * | 2023-04-14 | 2023-10-20 | 广东墨点鹰智能科技有限公司 | 一种临边防护安全提醒识别方法及系统 |
CN118411041A (zh) * | 2024-07-04 | 2024-07-30 | 福建省星云大数据应用服务有限公司 | 一种基于神经网络的项目风险识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018077121A1 (zh) * | 2016-10-24 | 2018-05-03 | 合肥美的智能科技有限公司 | 图像中目标物体识别方法、冰箱内食品识别方法及系统 |
CN110287804A (zh) * | 2019-05-30 | 2019-09-27 | 广东电网有限责任公司 | 一种基于移动视频监控的电力作业人员着装识别方法 |
CN110414320A (zh) * | 2019-06-13 | 2019-11-05 | 温州大学激光与光电智能制造研究院 | 一种安全生产监管的方法及系统 |
CN111507276A (zh) * | 2020-04-20 | 2020-08-07 | 福建帝视信息科技有限公司 | 一种基于隐藏层增强特征的工地安全帽检测方法 |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
-
2020
- 2020-11-27 CN CN202011362445.6A patent/CN112396017B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018077121A1 (zh) * | 2016-10-24 | 2018-05-03 | 合肥美的智能科技有限公司 | 图像中目标物体识别方法、冰箱内食品识别方法及系统 |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN110287804A (zh) * | 2019-05-30 | 2019-09-27 | 广东电网有限责任公司 | 一种基于移动视频监控的电力作业人员着装识别方法 |
CN110414320A (zh) * | 2019-06-13 | 2019-11-05 | 温州大学激光与光电智能制造研究院 | 一种安全生产监管的方法及系统 |
CN111507276A (zh) * | 2020-04-20 | 2020-08-07 | 福建帝视信息科技有限公司 | 一种基于隐藏层增强特征的工地安全帽检测方法 |
Non-Patent Citations (4)
Title |
---|
YANYU WANG等: ""Crowdsourced reliable labeling of safety-rule violations on images of complex construction scenes for advanced vision-based workplace safety"" * |
杨露菁等编著: "《智能图像处理及应用》", 31 March 2019, 北京:中国铁道出版社 * |
田萱等: "《基于深度学习的图像语义分割技术》", 31 December 2019, 北京:海洋出版社 * |
高寒等: ""基于机器视觉的施工危险区域侵入行为识别方法"" * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658095A (zh) * | 2021-07-09 | 2021-11-16 | 浙江大学 | 用于手工仪器绘图的工程图样评阅识别处理方法及装置 |
CN113570720A (zh) * | 2021-08-04 | 2021-10-29 | 西安万飞控制科技有限公司 | 一种基于gis技术的无人机视频石油管线实时显示方法及系统 |
CN113570720B (zh) * | 2021-08-04 | 2024-02-27 | 西安万飞控制科技有限公司 | 一种基于gis技术的无人机视频石油管线实时显示方法及系统 |
CN114066892A (zh) * | 2022-01-17 | 2022-02-18 | 深圳市明源云科技有限公司 | 安全隐患检测方法、装置、电子设备及可读存储介质 |
CN116070790A (zh) * | 2023-03-21 | 2023-05-05 | 中国建筑一局(集团)有限公司 | 一种减少施工现场重大安全风险隐患的预测方法和系统 |
CN116070790B (zh) * | 2023-03-21 | 2023-09-01 | 中国建筑一局(集团)有限公司 | 一种减少施工现场重大安全风险隐患的预测方法和系统 |
CN116912756A (zh) * | 2023-04-14 | 2023-10-20 | 广东墨点鹰智能科技有限公司 | 一种临边防护安全提醒识别方法及系统 |
CN116912756B (zh) * | 2023-04-14 | 2024-04-09 | 广东墨点鹰智能科技有限公司 | 一种临边防护安全提醒识别方法及系统 |
CN118411041A (zh) * | 2024-07-04 | 2024-07-30 | 福建省星云大数据应用服务有限公司 | 一种基于神经网络的项目风险识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112396017B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396017B (zh) | 一种基于图像识别的工程安全隐患识别方法及系统 | |
CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
CN106412501A (zh) | 一种视频的施工安全行为智能监控系统及其监控方法 | |
CN111814678B (zh) | 一种基于视频监控的运输皮带中煤流识别方法及系统 | |
CN112560745B (zh) | 一种电力作业现场人员甄别方法及相关装置 | |
CN113807240A (zh) | 基于非配合式人脸识别的变电站人员着装智能监控方法 | |
CN111080260A (zh) | 一种智慧工地管理平台 | |
CN110543866A (zh) | 一种基建工程施工人员的安全管理系统及方法 | |
CN106815831B (zh) | 一种钢丝绳磨损的检测方法及装置 | |
CN108776452B (zh) | 一种特种设备现场维保监控方法及系统 | |
CN112906441B (zh) | 用于通信行业查勘维护的图像识别系统及方法 | |
CN113989711B (zh) | 一种配电施工安全工器具使用识别方法及系统 | |
CN112651642A (zh) | 一种基于多设备感知的水利工程现场人员安全管理系统 | |
CN115223249A (zh) | 一种基于机器视觉的井下人员不安全行为快速分析与识别方法 | |
CN111369538A (zh) | 一种基于深度卷积神经网络的传输机胶带跑偏检测方法 | |
CN117253191A (zh) | 一种基于detr模型的安全帽佩戴检测方法 | |
CN115249331A (zh) | 基于卷积神经网络模型的矿山生态安全识别方法 | |
CN112800975A (zh) | 一种基于图像处理的安检通道内行为识别方法 | |
CN112232235A (zh) | 基于5g的智慧工厂远程监控方法及系统 | |
Murao et al. | Concrete crack detection using uav and deep learning | |
CN117593689A (zh) | 一种基于计算机视觉的矿山人员危险行为识别方法及系统 | |
CN116668637A (zh) | 一种梁场视频安全监控系统及方法 | |
CN115215177B (zh) | 一种电梯升降智能识别系统和方法 | |
CN115829324A (zh) | 一种人员安全风险静默监视方法 | |
CN113838094B (zh) | 一种基于智能视频识别的安全预警方法 |
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 |