CN112883889A - 一种适用于电力施工场景下违章行为检测方法 - Google Patents
一种适用于电力施工场景下违章行为检测方法 Download PDFInfo
- Publication number
- CN112883889A CN112883889A CN202110228501.5A CN202110228501A CN112883889A CN 112883889 A CN112883889 A CN 112883889A CN 202110228501 A CN202110228501 A CN 202110228501A CN 112883889 A CN112883889 A CN 112883889A
- Authority
- CN
- China
- Prior art keywords
- frame
- default
- power construction
- detecting
- candidate
- 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
Links
Images
Classifications
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种适用于电力施工场景下违章行为检测方法,采用轻量级深度学习神经网络,从图像中提取不同尺度特征,并生成特征图;再通过卷积预测器,进行对多尺度特征分析,完成图像中目标的检测。在所有特征响应图中,提取卷积层conv11,conv14_2,conv15_2,conv16_2,conv17_2和池化层pool11输出的6个特征响应图,用于目标类别与位置的预测;由于每个特征图的尺度大小不尽相同,因此,对每个特征图的处理和分析能够将检测出不同大小的目标。参数较少的轻量级深度学习神经网络MobileNet中较少的参数能相对较好的得到拟合,算法的检测精度较高,实时性好。
Description
技术领域
本发明涉及电力领域与计算机视觉领域,尤其涉及一种适用于电力施工场景下违章行为检测方法。
背景技术
电力行业安全生产是国家安全生产监管的一个重要方面。按照规章正确作业能够极大的避免事故的发生,保护人员安全。通过施工场景中的监控摄像头,引入图像处理算法识别到施工人员的违章行为并及时提醒,能够有效保证施工人员降低违章行为的发生率,保证施工的安全性。
目前,在视频监控领域,一般采用传统算法实现对特定目标的检测,即先对前景和背景进行建模,再针对性的提取具有区分度的目标与背景特征,最后通过分类器对提取的特征进行分类。
传统方法通常有以下缺点:(1)鲁棒性较差,变换使用场景时,如将使用场景由变电站换为其他场景时会导致方法检测精度的急剧下降;(2)缺乏多尺度目标的检测能力,如当摄像头采集的图片由近景换为远景时会导致识别精度降低的问题。
发明内容
发明目的:针对以上问题,本发明提出一种适用于电力施工场景下违章行为检测方法,采用深度学习技术,能够提高电力施工场景下违章行为的检测精度。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种适用于电力施工场景下违章行为检测方法,包括步骤:
(1)采用轻量级深度学习神经网络,从图像中提取不同尺度特征,并生成特征图;
(2)再通过卷积预测器,进行对多尺度特征分析,完成图像中目标的检测。
进一步地,所述步骤(1)具体包括步骤:
(1.1)从图像中提取不同尺度的特征响应图,在所有的特征响应图中,提取卷积层conv11,conv14_2,conv15_2,conv16_2,conv17_2和池化层pool11输出的6个特征响应图;
(1.2)在特征响应图中生成默认框;
(1.3)筛选默认框正负样本;
(1.4)将样本输入到损失函数中进行位置信息损失和与分类损失计算,输出候选框的位置信息与候选框所代表的类别;并进行网络参数更新;
(1.5)生成默认框,预测默认框的偏移量,得到候选框实际位置;
(1.6)选出每个类别中置信度最高的候选框,通过非极大值抑制去除识别同一目标的多余候选框,最终留下的候选框作为待识别目标。
进一步地,所述步骤(1.2)中,在每个特征响应图的预定位置上生成5种不同宽高比的默认框,默认框的宽高比为{1,2,3,1/2,1/3}。
进一步地,所述步骤(1.3)中,默认框和GroundTruth的重合度超过0.5时被视为正样本,相反的视为负样本。
进一步地,所述步骤(1.4)中,损失函数为:
Lconf是分类损失函数;Lloc是位置损失函数,其具体表达式:
其中,POS代表正样本,中心点坐标(cx,cy),候选框宽度w,候选框高度h。
进一步地,所述步骤(1.5)中,默认框的偏移量包括对应框的左上角的横纵坐标,以及框的宽和高。
进一步地,所述步骤(2)包括对未带安全帽违章行为检测:将作业人员框的顶部八分之一处认为是头部,若检测到存在安全帽与头部交并比大于40%,认为作业人员正确穿戴了安全帽,否则判定为未带安全帽的违章行为。
进一步地,所述步骤(2)包括对未穿工装的违章行为检测:将作业人员框的顶部八分之一线与中间线围成的部分认为是躯干部分,若检测到存在工装与躯干交并比大于40%,认为作业人员正确穿戴了工装,否则判定为未穿工装的违章行为。
进一步地,所述步骤(2)包括对跨越围栏的检测:跨越围栏时作业人员框的高度小于宽度,检测到作业人员框与围栏的交并比大于40%且作业人员框的高度小于宽度,则判定为跨越围栏的违章行为。
进一步地,采用作业人员框交并比的方法对作业人员进行跟踪,当检测出相邻两帧作业人员框交并比大于80%,判定为同一人员的一次违章行为,不再上传违章记录。
有益效果:在所有特征响应图中,提取卷积层conv11,conv14_2,conv15_2,conv16_2,conv17_2和池化层pool11输出的6个特征响应图,用于目标类别与位置的预测;由于每个特征图的尺度大小不尽相同,因此,对每个特征图的处理和分析能够将检测出不同大小的目标。参数较少的轻量级深度学习神经网络MobileNet中较少的参数能相对较好的得到拟合,算法的检测精度较高,实时性好。
附图说明
图1是本发明轻量级深度学习神经网络算法结构图;
图2是本发明算法的检测效果图;
图3是本发明算法与VGG-16两种算法检测效果对比图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的适用于电力施工场景下违章行为检测方法,包括步骤:
(1)采用轻量级深度学习神经网络,从图像中充分提取不同尺度特征,并生成特征图;
本发明采用目标检测算法是深度神经网络SSD算法,该深度神经网络模型可分为基础层和附加网络两部分。基础网络采用轻量级深度神经网络MobileNet,其参数更少,便于网络的训练,并能够保证实时性。其算法结构如图1所示。
(1.1)深度卷积层结构从图像中提取不同尺度的特征响应图用于目标的检测。在所有的特征响应图中,提取卷积层conv11,conv14_2,conv15_2,conv16_2,conv17_2和池化层pool11输出的6个特征响应图,用于目标类别与位置的预测。
由于每个特征图的尺度大小不尽相同,因此,对每个特征图的处理和分析能够将检测出不同大小的目标,这是传统方法难以实现的。
(1.2)在多尺度特征图中生成默认框;
默认框是算法在卷积层conv11,conv14_2,conv15_2,conv16_2,conv17_2和池化层pool11输出的6个特征响应图上的预定位置上,生成的一系列不同形状的框。
根据这6个图的深度的不同,可计算默认框的面积如下:
其中,k为6个特征图的编号,m取6,代表6个特征图。Sk表示第k个特征图中的默认框面积,最小面积Smin是0.2,最大面积Smax是0.95。
在每个特征图上都会有5种不同宽高比的默认框,在这些默认框的宽高比为{1,2,3,1/2,1/3},用于匹配不同形状的目标。
(1.3)筛选默认框正负样本;
在尺度和宽高比多样的默认框中,会有小部分样本和GroundTruth值有部分重合。此时,设置重合度样本为正样本,而其余的样本会被视作负样本。其中,默认框和GroundTruth的重合度采用交并比来衡量。
若存在A框与B框,其交并比计算方式为:
交并比就是A与B相交叉的范围与A与B的并集的比值。本算法在正负样本判断中取交并比阈值为0.5,即所有默认框中,与GroundTruth的交并比超过0.5时被视为正样本,相反的视为负样本。
在训练时,所有正样本都会参与训练。负样本的数量远多于正样本,且过多的负样本不利于网络的训练,因此随机取负样本与正样本数量为3:1。
(1.4)进行位置信息损失和与分类损失计算,输出候选框的位置信息与候选框所代表的类别;并进行网络参数更新;
完成默认框正负样本的选取后,将这些样本分别输入到损失函数中进行计算,输出候选框的位置信息与候选框所代表的类别,并为网络调参提供依据。SSD是端对端的深度学习网络,SSD将位置信息的损失和与分类损失列入同一个损失函数中,这个损失函数为:
其中,表示候选框i与类别p的真实框j匹配成功,代表匹配失败,所以,x的值只有0,1两种情况。N是与GroundTruth匹配的候选框个数。l是卷积预测器的输出,是候选框相对默认框的归一化偏差;g代表真实值相对默认框的归一化偏差。进行梯度下降时,比较的是l与g之间的差值。这个差值越小损失就越少。
Lconf是一个Softmax损失函数,其工作原理与常用的图像分类网络相同,这里用于对算法的分类精度的计算。
Lloc是位置损失函数Smooth L1 Loss,其具体表达式:
它负责回归位置的损失,包括中心点坐标(cx,cy)和候选框宽度w、高度h,共4个指标。POS代表正样本,即计算位置信息的损失时只有正样本参与。完成损失函数的计算后即可开始反向传播更新算法的参数。
(1.5)生成默认框,预测默认框的偏移量;
默认框在识别过程中主要的作用是提供给深度神经网络一个初始值。因为卷积神经网络本身难以在没有锚框或默认框提供初值的情况下,只通过卷积和池化等运算生成对应的检测框。
卷积网络获得初值后,会对默认框的类别和位置进行预测。由于默认框仅仅是在固定位置上生成的不同大小和宽高比的框,并不能准确预测出不同位置和尺度的目标,因此算法需要预测默认框到实际位置的偏移量。该位置的偏移量包括4个值,分别对应框的左上角的横纵坐标,以及框的宽和高。
(1.6)通过非极大值抑制,去除识别同一目标的多余候选框,最终留下的候选框作为待识别目标;
由于6个不同尺度特征图上的每个位置上都会生成多个默认框,这必然存在了大量框的重合,而偏移量的预测并不能完成对框的筛选。因此在网络的最后增加了非极大值抑制方法,选出每个类别中置信度最高的候选框,与之重合较大的预测同一类别的候选框将会被抑制,最终输出人员、安全帽、工装、围栏的目标检测结果。
(2)再通过卷积预测器,进行对多尺度特征分析,完成图像中对人和安全帽、工装、围栏等目标的检测;
(2.1)未带安全帽违章行为检测;
在对未带安全帽的违章行为检测中,将作业人员框的顶部八分之一处认为是头部,若检测到存在安全帽与头部交并比大于40%,认为作业人员正确穿戴了安全帽,否则判定为未带安全帽的违章行为。
(2.2)未穿工装的违章行为检测;
在对未带安全帽的违章行为检测中,将作业人员框的顶部八分之一线与中间线围成的部分认为是躯干部分,若检测到存在工装与躯干交并比大于40%,认为作业人员正确穿戴了工装,否则判定为未穿工装的违章行为。
(2.3)跨越围栏的检测;
在对跨越围栏的违章行为中,因为作业人员需要侧身翻阅,因此作业人员框的高度必然小于宽度,但检测到作业人员框与围栏的交并比大于40%且作业人员框的高度小于宽度则判定为跨越围栏的违章行为。
在实际检测违章行为过程中,是通过对监控视频逐帧检测,因此会存在同一人员的同一违章行为判定为多次违章,因此需要对作业人员进行跟踪,考虑到边缘部署算法的算力较低,因此采用作业人员框交并比的方法对作业人员跟踪,当检测出相邻两帧作业人员框交并比大于80%,即判定为同一人员的一次违章行为,不再上传违章记录。
本发明数据集的制作通过实地采集与网络爬虫两种方式,共采集了200张图片,包括不同尺度不同背景下的工作人员和安全帽两类目标。
训练时,以PASCAL VOC数据集产生的模型为训练起点,通过电力施工数据集进行网络的微调,通过此方法来降低数据集中照片过少的影响。训练平台采用GTX1080Ti,深度学习框架为Caffe,训练时学习率取0.0005,权重衰减为0.00005,迭代最大步数为40000。
算法分别在GTX1080Ti和NVIDIA Jetson TX2上完成测试。其中,NVIDIAJetsonTX2是一种嵌入式GPU,具有体积小,低功耗等特点,适合在施工产地中进行部署。完成训练后,对工作人员和安全帽的检测结果精度如表1所示。
表1
该算法的检测精度较高,可达88.5%,算法的检测效果如图2所示。
可以看出,在不同光照和背景下,算法均能够对多尺度目标进行较精确的检测,这是由于MobileNet本身具有较强的特征提取能力,能够提取出图像中不同层级的特征,再采用SSD算法中的多尺度目标检测机制,即可充分利用所提取的特征图进行检测。
在实时性方面,分别在搭载有GTX1080Ti的服务器和边缘计算卡NVIDIAJetsonTX2对算法进行测试,其效果如表2所示。
表2
通过实验对比了VGG-16和本发明采用的MobileNet两种常用骨干网络在电力施工安全检测中的效果。其中,VGG-16的精度平均精度为82.3%,速度为45FPS均低于MobileNet的效果。
两种算法检测效果对比如图3所示,其中,图a的骨干网络为MobileNet,检出全部4个目标,图b为VGG-16,可以看出图b中,存在漏检工作人员1个的现象,而图a的检测算法良好。
经过分析,造成VGG-16精度和速度不足的原因主要是网络的参数过多。使用VGG-16模型时权重文件大小为315M,而使用MobileNet仅为22M,所以VGG-16的参数数量远大于MobileNet,因此所需要的训练样本也就更多。但是目前数据集样本数量不能支持如此多参数的调优,所以参数较少的MobileNet中较少的参数能相对较好的得到拟合,所以采用VGG-16为骨干网络时精度较差。
实验证明,本发明能够在复杂施工场景中精确的检测出人和安全帽佩戴状态,且在边缘计算板卡上也体现出了较好的实时性。
Claims (10)
1.一种适用于电力施工场景下违章行为检测方法,其特征在于,包括步骤:
(1)采用轻量级深度学习神经网络,从图像中提取不同尺度特征,并生成特征图;
(2)再通过卷积预测器,进行对多尺度特征分析,完成图像中目标的检测。
2.根据权利要求1所述的适用于电力施工场景下违章行为检测方法,其特征在于,所述步骤(1)具体包括步骤:
(1.1)从图像中提取不同尺度的特征响应图,在所有的特征响应图中,提取卷积层conv11,conv14_2,conv15_2,conv16_2,conv17_2和池化层pool11输出的6个特征响应图;
(1.2)在特征响应图中生成默认框;
(1.3)筛选默认框正负样本;
(1.4)将样本输入到损失函数中进行位置信息损失和与分类损失计算,输出候选框的位置信息与候选框所代表的类别;并进行网络参数更新;
(1.5)生成默认框,预测默认框的偏移量,得到候选框实际位置;
(1.6)选出每个类别中置信度最高的候选框,通过非极大值抑制去除识别同一目标的多余候选框,最终留下的候选框作为待识别目标。
3.根据权利要求2所述的适用于电力施工场景下违章行为检测方法,其特征在于,所述步骤(1.2)中,在每个特征响应图的预定位置上生成5种不同宽高比的默认框,默认框的宽高比为{1,2,3,1/2,1/3}。
4.根据权利要求2所述的适用于电力施工场景下违章行为检测方法,其特征在于,所述步骤(1.3)中,默认框和GroundTruth的重合度超过0.5时被视为正样本,相反的视为负样本。
6.根据权利要求2所述的适用于电力施工场景下违章行为检测方法,其特征在于,所述步骤(1.5)中,默认框的偏移量包括对应框的左上角的横纵坐标,以及框的宽和高。
7.根据权利要求1所述的适用于电力施工场景下违章行为检测方法,其特征在于,所述步骤(2)包括对未带安全帽违章行为检测:将作业人员框的顶部八分之一处认为是头部,若检测到存在安全帽与头部交并比大于40%,认为作业人员正确穿戴了安全帽,否则判定为未带安全帽的违章行为。
8.根据权利要求1所述的适用于电力施工场景下违章行为检测方法,其特征在于,所述步骤(2)包括对未穿工装的违章行为检测:将作业人员框的顶部八分之一线与中间线围成的部分认为是躯干部分,若检测到存在工装与躯干交并比大于40%,认为作业人员正确穿戴了工装,否则判定为未穿工装的违章行为。
9.根据权利要求1所述的适用于电力施工场景下违章行为检测方法,其特征在于,所述步骤(2)包括对跨越围栏的检测:跨越围栏时作业人员框的高度小于宽度,检测到作业人员框与围栏的交并比大于40%且作业人员框的高度小于宽度,则判定为跨越围栏的违章行为。
10.根据权利要求1所述的适用于电力施工场景下违章行为检测方法,其特征在于,采用作业人员框交并比的方法对作业人员进行跟踪,当检测出相邻两帧作业人员框交并比大于80%,判定为同一人员的一次违章行为,不再上传违章记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228501.5A CN112883889A (zh) | 2021-03-02 | 2021-03-02 | 一种适用于电力施工场景下违章行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228501.5A CN112883889A (zh) | 2021-03-02 | 2021-03-02 | 一种适用于电力施工场景下违章行为检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112883889A true CN112883889A (zh) | 2021-06-01 |
Family
ID=76055117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110228501.5A Pending CN112883889A (zh) | 2021-03-02 | 2021-03-02 | 一种适用于电力施工场景下违章行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883889A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524240A (zh) * | 2023-03-30 | 2023-08-01 | 国网智能电网研究院有限公司 | 电力作业场景违章行为识别模型、方法、装置及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458160A (zh) * | 2019-07-09 | 2019-11-15 | 北京理工大学 | 一种基于深度压缩神经网络的无人艇水面目标识别算法 |
-
2021
- 2021-03-02 CN CN202110228501.5A patent/CN112883889A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458160A (zh) * | 2019-07-09 | 2019-11-15 | 北京理工大学 | 一种基于深度压缩神经网络的无人艇水面目标识别算法 |
Non-Patent Citations (1)
Title |
---|
梁伟 等: "电力施工场景下安全帽穿戴状态检测算法研究", 《第十四届全国信号和智能信息处理与应用学术会议论文集》, pages 499 - 503 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524240A (zh) * | 2023-03-30 | 2023-08-01 | 国网智能电网研究院有限公司 | 电力作业场景违章行为识别模型、方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11789545B2 (en) | Information processing device and method, program and recording medium for identifying a gesture of a person from captured image data | |
CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
CN109145708B (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN101389004B (zh) | 一种基于在线学习的运动目标分类方法 | |
CN103927762B (zh) | 一种目标车辆自动跟踪方法及装置 | |
CN112861635B (zh) | 一种基于深度学习的火灾及烟雾实时检测方法 | |
CN105654508B (zh) | 基于自适应背景分割的监控视频移动目标跟踪方法及系统 | |
CN105469105A (zh) | 一种基于视频监控的香烟烟雾检测方法 | |
CN112070043B (zh) | 基于特征融合的安全帽佩戴卷积网络、训练及检测方法 | |
CN109389185B (zh) | 使用三维卷积神经网络的视频烟雾识别方法 | |
CN106210634A (zh) | 一种智慧金睛识别人员倒地报警方法和装置 | |
CN107909027A (zh) | 一种具有遮挡处理的快速人体目标检测方法 | |
CN112434669B (zh) | 一种多信息融合的人体行为检测方法及系统 | |
CN112149512A (zh) | 一种基于两阶段深度学习的安全帽佩戴识别方法 | |
CN104346802A (zh) | 一种人员离岗监控方法及设备 | |
CN106548131A (zh) | 一种基于行人检测的施工人员安全帽实时检测方法 | |
CN111079518A (zh) | 一种基于执法办案区场景下的倒地异常行为识别方法 | |
CN111091057A (zh) | 一种信息处理方法、装置及计算机可读存储介质 | |
CN107358154A (zh) | 一种头部运动检测方法和装置及活体识别方法和系统 | |
CN111860143A (zh) | 一种面向巡检机器人的火焰实时检测方法 | |
CN111191531A (zh) | 一种快速行人检测方法及系统 | |
Chen et al. | Fresh tea sprouts detection via image enhancement and fusion SSD | |
CN112883889A (zh) | 一种适用于电力施工场景下违章行为检测方法 | |
CN105844671B (zh) | 一种变光照条件下的快速背景减除法 |
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 |