CN112597902A - 一种基于核电安全的小目标智能识别方法 - Google Patents

一种基于核电安全的小目标智能识别方法 Download PDF

Info

Publication number
CN112597902A
CN112597902A CN202011548136.8A CN202011548136A CN112597902A CN 112597902 A CN112597902 A CN 112597902A CN 202011548136 A CN202011548136 A CN 202011548136A CN 112597902 A CN112597902 A CN 112597902A
Authority
CN
China
Prior art keywords
personnel
image
target
wearing condition
nuclear power
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.)
Pending
Application number
CN202011548136.8A
Other languages
English (en)
Inventor
陈蔚
于潇
高悍宇
曹姝媛
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.)
Shanghai Nuclear Engineering Research and Design Institute Co Ltd
Original Assignee
Shanghai Nuclear Engineering Research and Design Institute 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 Shanghai Nuclear Engineering Research and Design Institute Co Ltd filed Critical Shanghai Nuclear Engineering Research and Design Institute Co Ltd
Priority to CN202011548136.8A priority Critical patent/CN112597902A/zh
Publication of CN112597902A publication Critical patent/CN112597902A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes

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

Abstract

本发明公开了一种基于核电安全的小目标智能识别方法，包括大尺寸图像分割预处理方法、目标检测算法的二级网络结构和大尺寸图像内空间坐标还原方法；所述大尺寸图像分割预处理方法：根据训练模型输入最佳图像尺寸对输入待检测图像进行合理的大小划分，得到符合检测模型要求的分块图像，依次输入模型进行检测；所述大尺寸图像内空间坐标还原方法：根据所述大尺寸图像分割预处理结果，设定输出的分割图像坐标到全局或大尺寸图像空间坐标变换函数关系。实现了核电站视频监控在实际场景下的小目标的检测识别能力，提升了核电站的安全可靠性。

Description

一种基于核电安全的小目标智能识别方法
技术领域
本发明属于视频监控技术领域，特别是涉及核电站视频监控小目标检测算法技术领域。
背景技术
视频监控技术早期是模拟化，经历了数字化，网络化后，目前正在向智能化迈进，目标检测技术作为智能化过程中一个重要技术，其在视频监控领域的地位不断凸显。核电站在视频监控智能化的过程中，在很多场景下对小目标的检测识别技术具有一定的需求，因此研究一种适用于核电站视频监控场景的小目标检测的算法技术方案具有重要的意义。
最近开源的yolov5算法模型在coco数据验证集上的最高mAP达到了50.8，在中等尺度和大尺度目标的检测识别效果较好，并且相比于同等精度的目标检测算法对算力的要求低很多,在主流的平台上仍然能够保持实时性的要求，因此在核电站视频监控中采用这一技术,可以在算力一定的情况下提高对大部分目标的检测精度。但是，yolov5高的mAP主要是由于在coco数据集的中等尺度和大尺度的目标检测效果较好，在面积小于32像素平方的小目标上仍然表现一般。核电站视频监控很多实际场景下的目标面积低于15像素平方，对于小目标的检测识别能力有更高的要求，因此在yolov5模型的基础上，提出一种适用于核电站视频监控小目标检测算法的技术方案具有重要意义。
发明内容
为了解决现有核电领域人员安全及环境安全状况监测中的小目标检测效果较差的问题，本发明提供了一种基于核电安全的小目标智能识别方法，所述方法包括大尺寸图像分割预处理方法、目标检测算法的二级网络结构和大尺寸图像内空间坐标还原方法；
所述大尺寸图像分割预处理方法：根据训练模型输入最佳图像尺寸对输入待检测图像进行合理的大小划分，得到符合检测模型要求的分块图像，依次输入模型进行检测；
所述目标检测算法的二级网络结构包括人员检测及区域提取算法、人员安全帽佩戴状况识别算法、人员工服穿着情况识别算法、人员反光背心穿着情况识别算法、人员护目镜佩戴状况识别算法、人员安全带佩戴识别算法、作业环境区域内的人车分流识别算法、作业环境区域内的高风险区域识别算法、作业环境区域内的起火点区域识别算法；
所述大尺寸图像内空间坐标还原方法：根据所述大尺寸图像分割预处理结果，设定输出的分割图像坐标到全局或大尺寸图像空间坐标变换函数关系。
优选的，所述人员检测及区域提取算法：在yolov5网络下，大数据训练核电作业场景下人员检测模型，并根据检测框在原图坐标，提取出检测框区域内人员图像信息；
所述人员安全帽佩戴状况识别算法：基于yolov5的网络对人员头部的安全帽佩戴情况进行二级识别网络的训练，得到安全帽佩戴状况识别模型，以此判断核电作业环境下目标人员佩戴安全帽的情况；
所述人员工服穿着情况识别算法：基于yolov5的网络对人员工服穿着情况进行二级识别网络的训练，得到人员工服穿着情况识别模型，以此判断核电作业环境下目标人员工服穿着情况；
所述人员反光背心穿着情况识别算法：基于yolov5的网络对人员反光背心穿着情况进行二级识别网络的训练，得到人员反光背心穿着情况识别模型，以此判断核电作业环境下目标人员反光背心穿着情况；
所述人员护目镜佩戴状况识别算法：基于yolov5的网络对人员护目镜佩戴状况进行二级识别网络的训练，得到人员护目镜佩戴状况识别模型，以此判断核电作业环境下目标人员护目镜佩戴状况；
所述人员安全带佩戴识别算法：基于yolov5的网络对人员安全带佩戴状况进行二级识别网络的训练，得到人员安全带佩戴识别模型，以此判断核电作业环境下目标人员安全带佩戴情况；
所述作业环境区域内的人车分流识别算法：在固定角度下进行二级判断，查看检出人员是否在车辆道路区域范围内的情况；
所述作业环境区域内的高风险区域识别算法：在固定角度下进行二级判断，查看检出人员是否在高风险区域范围内的情况；
所述作业环境区域内的起火点区域识别算法：基于yolov5网络下，大数据训练异常明火状况识别模型，并在明火识别基础下，在特定作业区域或范围内，判断有无异常明火的状况。
优选的，所述大尺寸图像分割预处理方法对所述大尺寸图像分块边界处理时，按照固定的图像宽高比对所述大尺寸图像进行划分生成新的检测子图像，在相邻交界分离基础上增加适量重合区域，以实现对大尺寸图像信息最大化以及检测目标图形特征完整性的保留。
优选的，所述大尺寸图像分割预处理方法按照训练模型输入最佳宽高比例，以指定倍率缩放的尺寸均匀划分输入图像，以保证原图像中检测目标形态特征不变。
优选的，所述大尺寸图像内空间坐标还原方法为通过计算分割图像在所述大尺寸图像的相对位置，以及目标物体在分割图像的相对位置进行，逐层计算，得出目标物体从大尺寸图像的空间坐标到分割图像空间坐标的函数变换关系。
本发明实现了核电站视频监控在实际场景下的小目标的检测识别能力，提升了核电站的安全可靠性。
附图说明
图1是本发明的一种实施例的集成算法流程图。
具体实施方式
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。
如附图1所示，本发明的一种实施例为一种基于输入图像预处理、多模块检测算法集成以及数据处理上报流程的图像分割处理与二级检测模型相结合的小目标智能识别的方法：
一方面，提供了一种基于核电监控场景的大尺寸图像分割预处理方法，所述方法包括:
对输入待检测单张大尺寸(2560*1440)图像，在保证大尺寸图像信息的完整性前提下，进行适当的划分，得出的分块图像依次输入目标检测模型；
根据训练模型输入最佳图像尺寸对输入待检测图像进行合理的大小划分，得到符合检测模型要求的分块图像，依次输入模型进行检测；
对大尺寸图像分块边界处理时，需在相邻交界分离基础上增加适量重合区域，以实现对大尺寸图像信息最大化以及检测目标图形特征完整性的保留。
优选的，所述对输入待检测单张大尺寸(2560*1440)图像，在保证大尺寸图像信息的完整性前提下，进行适当的划分包括：
按照固定的图像宽高比(如原图宽高比、输入模型宽高比、1:1等比)对大尺寸图像进行划分生成新的检测子图像。
具体的，按照固定的图像宽高比(如原图宽高比、输入模型宽高比、1:1等比)对大尺寸图像进行划分生成新的检测子图像可具体为：
当wsegment:hsegment＝worgin:horigin,ssegment:s＝p；
则wsegment＝sqrt(p)*worgin,hsegment＝sqrt(p)*horigin，
num_seg＝ceil(worgin/wsegment)*ceil(horgin/hsegment)；(即按原图宽高比划分)
当wsegment:hsegment＝wmodel:hmodel,ssegment:smodel＝p；
则wsegment＝sqrt(p)*wmodel,hsegment＝sqrt(p)*hmodel,
num_seg＝ceil(worgin/wsegment)*ceil(horgin/hsegment)；(即按模型宽高比划分)
当wsegment:hsegment＝1:1,wsegment:worigin＝p or hsegment:horigin＝p；
则wsegment＝p*worgin,hsegment＝p*horgin,
num_seg＝ceil(worgin/wsegment)*ceil(horgin/hsegment)；(即按1:1宽高比划分)
优选的，所述根据训练模型输入最佳图像尺寸对输入待检测图像进行合理的大小划分，得到符合检测模型要求的分块图像包括：
按照训练模型输入最佳宽高尺寸均匀划分输入图像，以保证最佳检测精度。
按照训练模型输入最佳宽高比例，以特定倍率缩放的尺寸均匀划分输入图像，以保证原图像中检测目标形态特征不变。
优选的，所述对大尺寸图像分块边界处理时，需在相邻交界分离基础上增加适量重合区域，以实现对大尺寸图像信息最大化以及检测目标图形特征完整性的保留包括：
按照固定尺寸(如检测模型最小检出尺寸、检测目标最小尺寸、划分图像特定占比尺寸)设置相邻划分图像重合交界区域尺寸取值。
另一方面，提供了一个多模块多功能算法集成的目标检测算法的二级网络结构，所述方法包括：
人员检测及区域提取算法
人员安全帽佩戴状况识别算法；
人员工服穿着情况识别算法；
人员反光背心穿着情况识别算法；
人员护目镜佩戴状况识别算法；
人员安全带佩戴识别算法；
作业环境区域内的人车分流识别算法；
作业环境区域内的高风险区域识别算法；
作业环境区域内的起火点区域识别算法；
优选的，所述人员检测及区域提取算法包括：
在yolov5网络下，大数据训练核电作业场景下人员检测模型，并根据检测框在原图坐标，提取出检测框区域内人员图像信息；
优选的，所述人员安全帽佩戴状况识别算法包括：
在人员检测及区域提取算法基础上，基于yolov5的网络对人员头部的安全帽佩戴情况进行二级识别网络的训练，得到安全帽佩戴状况识别模型，以此判断核电作业环境下目标人员佩戴安全帽的情况；
优选的，所述人员工服穿着情况识别算法包括：
在人员检测及区域提取算法基础上，基于yolov5的网络对人员工服穿着情况进行二级识别网络的训练，得到人员工服穿着情况识别模型，以此判断核电作业环境下目标人员工服穿着情况；
优选的，所述人员反光背心穿着情况识别算法包括：
在人员检测及区域提取算法基础上，基于yolov5的网络对人员反光背心穿着情况进行二级识别网络的训练，得到人员反光背心穿着情况识别模型，以此判断核电作业环境下目标人员反光背心穿着情况；
优选的，所述人员护目镜佩戴状况识别算法包括：
在人员检测及区域提取算法基础上，基于yolov5的网络对人员护目镜佩戴状况进行二级识别网络的训练，得到人员护目镜佩戴状况识别模型，以此判断核电作业环境下目标人员护目镜佩戴状况；
优选的，所述人员安全带佩戴识别算法包括：
在人员检测及区域提取算法基础上，基于yolov5的网络对人员安全带佩戴状况进行二级识别网络的训练，得到人员安全带佩戴识别模型，以此判断核电作业环境下目标人员安全带佩戴情况；
优选的，所述作业环境区域内的人车分流识别算法包括：
在人员检测及区域提取算法的基础上，在固定角度下进行二级判断，查看检出人员是否在车辆道路区域范围内的情况；
优选的，所述作业环境区域内的高风险区域识别算法包括：
在人员检测及区域提取算法的基础上，在固定角度下进行二级判断，查看检出人员是否在高风险区域范围内的情况；
优选的，所述作业环境区域内的起火点区域识别算法包括：
基于yolov5网络下，大数据训练异常明火状况识别模型，并在明火识别基础下，在特定作业区域或范围内，判断有无异常明火的状况。
另一方面，提供了一个对一组分割图像经集成识别算法输出检测数据进行大尺寸图像内空间坐标还原的方法包括：
训练数据标签输入前，对绝对坐标转相对坐标的处理；
根据实际图像分割策略，设定输出的分割图像坐标到全局或大尺寸图像空间坐标变换函数关系；
优选的，训练数据标签输入前，对绝对坐标转相对坐标的处理：
通过计算绝对空间坐标相对于训练图像高宽的比例，以保证在训练及图像处理过程中，目标物体检测框标签在图中相对位置不变；
具体的，空间绝对坐标向相对坐标转换函数可具体为：
x_left'＝x_left/w，x_right'＝x_right/w；
y_top'＝y_top/h，y_bottom'＝y_bottom/h；
wobj'＝Δx/w＝(x_right–x_left)/w；
hobj'＝Δy/h＝(y_bottom–y_top)/h；
sobj'＝(x_right-x_left)*(y_bottom–y_top)/(w*h)
优选的，根据实际图像分割策略，设定输出的分割图像坐标到全局或大尺寸图像空间坐标变换函数关系：
通过计算分割图像在大尺寸图像的相对位置，以及目标物体在分割图像的相对位置进行，逐层计算，得出目标物体从大尺寸图像的空间坐标到分割图像空间坐标的函数变换关系；
具体的，根据实际图像分割策略，设定输出的分割图像坐标到全局或大尺寸图像空间坐标变换函数关系可具体为：
x_leftobj'＝(x_leftobj–x_leftsegment)/wsegment，
x_rightobj'＝(x_rightobj–x_rightsegment)/wsegment；
y_topobj'＝(y_topobj–y_topsegment)/hsegment，
y_bottomobj'＝(y_bottomobj–y_bottomsegment)/hsegment；
wobj'＝Δx/w＝(x_rightobj–x_leftobj)/wsegment；
hobj'＝Δy/h＝(y_bottomobj–y_topobj)/hsegment；
sobj'＝(x_rightobj–x_leftobj)*(y_bottomobj–y_topobj)/(wsegment*hsegment)
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若对本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。上述实施例或实施方式只是对本发明的举例说明，本发明也可以以其它的特定方式或其它的特定形式实施，而不偏离本发明的要旨或本质特征。因此，描述的实施方式从任何方面来看均应视为说明性而非限定性的。本发明的范围应由附加的权利要求说明，任何与权利要求的意图和范围等效的变化也应包含在本发明的范围内。

Claims (5)

1.一种基于核电安全的小目标智能识别方法，其特征在于，所述方法包括大尺寸图像分割预处理方法、目标检测算法的二级网络结构和大尺寸图像内空间坐标还原方法；
所述大尺寸图像分割预处理方法：根据训练模型输入固定图像尺寸对输入待检测图像进行合理的大小划分，得到符合检测模型要求的分块图像，依次输入模型进行检测；
所述目标检测算法的二级网络结构包括人员检测及区域提取算法、人员安全帽佩戴状况识别算法、人员工服穿着情况识别算法、人员反光背心穿着情况识别算法、人员护目镜佩戴状况识别算法、人员安全带佩戴识别算法、作业环境区域内的人车分流识别算法、作业环境区域内的高风险区域识别算法、作业环境区域内的起火点区域识别算法；
所述大尺寸图像内空间坐标还原方法：根据所述大尺寸图像分割预处理结果，设定输出的分割图像坐标到全局或大尺寸图像空间坐标变换函数关系。
2.如权利要求1所述的一种基于核电安全的小目标智能识别方法，其特征在于，所述人员检测及区域提取算法：在yolov5网络下，大数据训练核电作业场景下人员检测模型，并根据检测框在原图坐标，提取出检测框区域内人员图像信息；
所述人员安全帽佩戴状况识别算法：基于yolov5的网络对人员头部的安全帽佩戴情况进行二级识别网络的训练，得到安全帽佩戴状况识别模型，以此判断核电作业环境下目标人员佩戴安全帽的情况；
所述人员工服穿着情况识别算法：基于yolov5的网络对人员工服穿着情况进行二级识别网络的训练，得到人员工服穿着情况识别模型，以此判断核电作业环境下目标人员工服穿着情况；
所述人员反光背心穿着情况识别算法：基于yolov5的网络对人员反光背心穿着情况进行二级识别网络的训练，得到人员反光背心穿着情况识别模型，以此判断核电作业环境下目标人员反光背心穿着情况；
所述人员护目镜佩戴状况识别算法：基于yolov5的网络对人员护目镜佩戴状况进行二级识别网络的训练，得到人员护目镜佩戴状况识别模型，以此判断核电作业环境下目标人员护目镜佩戴状况；
所述人员安全带佩戴识别算法：基于yolov5的网络对人员安全带佩戴状况进行二级识别网络的训练，得到人员安全带佩戴识别模型，以此判断核电作业环境下目标人员安全带佩戴情况；
所述作业环境区域内的人车分流识别算法：在固定角度下进行二级判断，查看检出人员是否在车辆道路区域范围内的情况；
所述作业环境区域内的高风险区域识别算法：在固定角度下进行二级判断，查看检出人员是否在高风险区域范围内的情况；
所述作业环境区域内的起火点区域识别算法：基于yolov5网络下，大数据训练异常明火状况识别模型，并在明火识别基础下，在特定作业区域或范围内，判断有无异常明火的状况。
3.如权利要求1所述的一种基于核电安全的小目标智能识别方法，其特征在于，所述大尺寸图像分割预处理方法对所述大尺寸图像分块边界处理时，按照固定的图像宽高比对所述大尺寸图像进行划分生成新的检测子图像，在所述大尺寸图像相邻交界分离基础上增加适量重合区域，以实现对所述大尺寸图像信息最大化以及检测目标图形特征完整性的保留。
4.如权利要求1所述的一种基于核电安全的小目标智能识别方法，其特征在于，所述大尺寸图像分割预处理方法按照训练模型输入最佳宽高比例，以指定倍率缩放的尺寸均匀划分输入图像，以保证原图像中检测目标形态特征不变。
5.如权利要求1所述的一种基于核电安全的小目标智能识别方法，其特征在于，所述大尺寸图像内空间坐标还原方法为通过计算分割图像在所述大尺寸图像的相对位置，以及目标物体在分割图像的相对位置进行，逐层计算，得出目标物体从大尺寸图像的空间坐标到分割图像空间坐标的函数变换关系。
CN202011548136.8A 2020-12-24 2020-12-24 一种基于核电安全的小目标智能识别方法 Pending CN112597902A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011548136.8A CN112597902A (zh) 2020-12-24 2020-12-24 一种基于核电安全的小目标智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011548136.8A CN112597902A (zh) 2020-12-24 2020-12-24 一种基于核电安全的小目标智能识别方法

Publications (1)

Publication Number Publication Date
CN112597902A true CN112597902A (zh) 2021-04-02

Family

ID=75200782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011548136.8A Pending CN112597902A (zh) 2020-12-24 2020-12-24 一种基于核电安全的小目标智能识别方法

Country Status (1)

Country Link
CN (1) CN112597902A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155561A (zh) * 2022-02-08 2022-03-08 杭州迪英加科技有限公司 一种幽门螺杆菌定位方法及装置
CN115546614A (zh) * 2022-12-02 2022-12-30 天津城建大学 一种基于改进yolov5模型的安全帽佩戴检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781839A (zh) * 2019-10-29 2020-02-11 北京环境特性研究所 一种基于滑窗的大尺寸图像中小目标识别方法
JP2020042608A (ja) * 2018-09-12 2020-03-19 Kddi株式会社 検出装置及びプログラム
CN111091110A (zh) * 2019-12-24 2020-05-01 山东仁功智能科技有限公司 一种基于人工智能的反光背心穿戴识别方法
CN111488804A (zh) * 2020-03-19 2020-08-04 山西大学 基于深度学习的劳保用品佩戴情况检测和身份识别的方法
CN111881730A (zh) * 2020-06-16 2020-11-03 北京华电天仁电力控制技术有限公司 一种火电厂现场安全帽佩戴检测方法
CN111898514A (zh) * 2020-07-24 2020-11-06 燕山大学 一种基于目标检测与动作识别的多目标视觉监管方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020042608A (ja) * 2018-09-12 2020-03-19 Kddi株式会社 検出装置及びプログラム
CN110781839A (zh) * 2019-10-29 2020-02-11 北京环境特性研究所 一种基于滑窗的大尺寸图像中小目标识别方法
CN111091110A (zh) * 2019-12-24 2020-05-01 山东仁功智能科技有限公司 一种基于人工智能的反光背心穿戴识别方法
CN111488804A (zh) * 2020-03-19 2020-08-04 山西大学 基于深度学习的劳保用品佩戴情况检测和身份识别的方法
CN111881730A (zh) * 2020-06-16 2020-11-03 北京华电天仁电力控制技术有限公司 一种火电厂现场安全帽佩戴检测方法
CN111898514A (zh) * 2020-07-24 2020-11-06 燕山大学 一种基于目标检测与动作识别的多目标视觉监管方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155561A (zh) * 2022-02-08 2022-03-08 杭州迪英加科技有限公司 一种幽门螺杆菌定位方法及装置
CN115546614A (zh) * 2022-12-02 2022-12-30 天津城建大学 一种基于改进yolov5模型的安全帽佩戴检测方法

Similar Documents

Publication Publication Date Title
CN110070033B (zh) 一种电力领域危险工作区域内安全帽佩戴状态检测方法
CN110502965B (zh) 一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法
CN112183471A (zh) 一种现场人员防疫口罩规范佩戴的自动检测方法及系统
CN108961235A (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
Han et al. Deep learning-based workers safety helmet wearing detection on construction sites using multi-scale features
CN112560741A (zh) 一种基于人体关键点的安全穿戴检测方法
WO2009123354A1 (en) Method, apparatus, and program for detecting object
CN113762201B (zh) 基于yolov4的口罩检测方法
CN109145756A (zh) 基于机器视觉和深度学习的目标检测方法
CN109598211A (zh) 一种实时动态人脸识别方法及系统
CN103310194A (zh) 视频中基于头顶像素点梯度方向的行人头肩部检测方法
CN115311241B (zh) 一种基于图像融合和特征增强的煤矿井下行人检测方法
CN105184779A (zh) 一种基于快速特征金字塔的车辆多尺度跟踪方法
CN113553979B (zh) 一种基于改进yolo v5的安全服检测方法和系统
CN112597902A (zh) 一种基于核电安全的小目标智能识别方法
CN112183472A (zh) 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法
Zhao et al. Detection and location of safety protective wear in power substation operation using wear-enhanced YOLOv3 algorithm
CN110110755A (zh) 基于ptgan区域差距与多重分支的行人重识别检测算法及装置
Pang et al. Research on crack segmentation method of hydro-junction project based on target detection network
CN113177439B (zh) 一种行人翻越马路护栏检测方法
CN114170686A (zh) 一种基于人体关键点的屈肘行为检测方法
CN116311082B (zh) 基于关键部位与图像匹配的穿戴检测方法及系统
CN112101260A (zh) 一种作业人员安全带识别方法、装置、设备和存储介质
Jin et al. Video streaming helmet detection algorithm based on feature map fusion and faster RCNN
Bian et al. Detection method of helmet wearing based on uav images and yolov7

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
CB02 Change of applicant information

Address after: No. 29 Hong Cao Road, Xuhui District, Shanghai

Applicant after: Shanghai Nuclear Engineering Research and Design Institute Co.,Ltd.

Address before: No. 29 Hong Cao Road, Xuhui District, Shanghai

Applicant before: SHANGHAI NUCLEAR ENGINEERING RESEARCH & DESIGN INSTITUTE Co.,Ltd.

CB02 Change of applicant information