CN113033289A - 一种基于dssd算法的安全帽佩戴检查方法、装置与系统 - Google Patents

一种基于dssd算法的安全帽佩戴检查方法、装置与系统 Download PDF

Info

Publication number
CN113033289A
CN113033289A CN202110128663.1A CN202110128663A CN113033289A CN 113033289 A CN113033289 A CN 113033289A CN 202110128663 A CN202110128663 A CN 202110128663A CN 113033289 A CN113033289 A CN 113033289A
Authority
CN
China
Prior art keywords
safety helmet
image
training
wearing
network
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
CN202110128663.1A
Other languages
English (en)
Inventor
贾向博
余晓明
钟平
原来钰
黎华灿
蒋亦凡
李辉
郝后堂
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.)
NARI Group Corp
State Grid Electric Power Research Institute
Original Assignee
NARI Group Corp
State Grid Electric Power Research Institute
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 NARI Group Corp, State Grid Electric Power Research Institute filed Critical NARI Group Corp
Priority to CN202110128663.1A priority Critical patent/CN113033289A/zh
Publication of CN113033289A publication Critical patent/CN113033289A/zh
Pending legal-status Critical Current

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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • 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
    • 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)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于DSSD算法的安全帽佩戴检查方法、装置与系统，方法包括：获取从施工环境中采集的图像；对获取到的图像进行预处理；将预处理得到的图像输入预先训练的安全帽佩戴检查模型；根据所述安全帽佩戴检查模型的输出，得到图像中人员的安全帽佩戴结果信息；所述预先训练的安全帽佩戴检查模型采用DSSD算法模型，训练样本包括公共数据集以及自定义样本集，所述自定义样本集包括已标注的人员佩戴安全帽的图像样本以及人员未佩戴安全帽的图像样本。本发明能够根据采集到的图像，对电力施工环境中人员佩戴安全帽的情况进行检查，提升安全检查效率，且结果较可靠。

Description

一种基于DSSD算法的安全帽佩戴检查方法、装置与系统
技术领域
本发明涉及图像识别技术领域，特别是一种基于DSSD算法的安全帽佩戴检查方法、装置与系统。
背景技术
在电力施工现场，安全帽在施工人员安全防护中起到重要的作用，是头部防护的必备物件。然而，由于施工人员一时疏忽或安全意识不足，经常在施工现场存在不佩戴安全帽的现象，使得产生了一定的安全隐患。因此，要求管理人员如何对进行施工中的人员安全帽佩戴情况进行检查。但是由于电力施工的环境复杂，人工检查效率低且容易出现遗漏，安全帽检测的准确性较低。随着基于深度学习的图像识别等人工智能技术的飞速发展，采用智能图像识别技术进行安全帽检查，具有相对高效和高准确率，使得其替代人工检查成为可能。
名词解释
DSSD（Deconvolutional Single Shot Detector）算法，借鉴了FPN的思路，将ResNet101 作为特征提取网络，是对SSD算法的优化改进。
发明内容
本发明的目的是提供一种基于DSSD算法的安全帽佩戴检查方法、装置与系统，能够根据采集到的图像，对电力施工环境中人员佩戴安全帽的情况进行检查，提升安全检查效率，且结果较可靠。本发明采用的技术方案如下。
一方面，本发明提供一种安全帽佩戴检查方法，包括：
获取从施工环境中采集的图像；
对获取到的图像进行预处理；
将预处理得到的图像输入预先训练的安全帽佩戴检查模型；
根据所述安全帽佩戴检查模型的输出，得到图像中人员的安全帽佩戴结果信息；
所述预先训练的安全帽佩戴检查模型采用DSSD算法模型，训练样本包括公共数据集以及自定义样本集，所述自定义样本集包括已标注的人员佩戴安全帽的图像样本以及人员未佩戴安全帽的图像样本。
可选的，所述公共数据集采用VOC2007的trainval数据集，自定义样本集包括归一化处理后的数量比例为1： 1的人员佩戴安全帽的图像样本和人员未佩戴安全帽的图像样本，图像样本的分辨率为512x512；
所述对获取到的图像进行预处理包括对图像进行归一化处理，得到分辨率为512x512的图像。
可选的，DSSD算法模型包括基础网络、反卷积网络和预测网络；
所述安全帽佩戴检查模型的训练方法包括：
采用ResNet101作为基础网络；
从公共数据集中选择训练样本集及测试样本集，对基础网络进行训练；
冻结ResNet101网络在初步训练后的网络参数，加载反卷积网络；
利用从公共数据集中选择的训练样本集及测试样本集，对反卷积网络进行训练；
解冻基础网络参数，加载预测网络；
利用从公共数据集中选择的训练样本集及测试样本集，对当前全部网络进行训练；
从自定义样本集中选择训练样本集及测试样本集，对经公共数据集训练后的全部网络再次进行训练，得到所述安全帽佩戴检查模型。
可选的，对基础网络进行训练的过程中共迭代7万次，前4万次采用1e-3的学习率，中间2万次采用1e-3的学习率，最后1万次采用1e-5的学习率。
可选的，对反卷积网络进行训练的过程中共迭代3万次，前2万次和后一万次的学习率分别为1e-3、1e-4。
可选的，利用公共数据集对完整网络进行训练的过程中共迭代4万次，前2万次和后两万次的学习率分别设置为1e-3、1e-4。
可选的，利用自定义样本集进行训练的过程中共迭代4万次，前2万次和后两万次的学习率分别设置为1e-3、1e-4。
第二方面，本发明提供一种安全帽佩戴检查装置，包括：
图像获取模块，被配置用于获取从施工环境中采集的图像；
图像预处理模块，被配置用于对获取到的图像进行预处理；
图像识别模块，被配置用于将预处理得到的图像输入预先训练的安全帽佩戴检查模型，检查图像中的人员是否佩戴安全帽；
以及，检查结果输出模块，被配置用于根据所述安全帽佩戴检查模型的输出，得到图像中人员的安全帽佩戴检查结果信息；
其中所述预先训练的安全帽佩戴检查模型采用DSSD算法模型，其训练样本包括公共数据集以及自定义样本集，所述自定义样本集包括已标注的人员佩戴安全帽的图像样本以及人员未佩戴安全帽的图像样本。
可选的，所述检查结果输出模块包括：
实时展示单元，用于实时展示人员佩戴及未佩戴安全帽的图像；
实时告警单元，用于实时输出人员未佩戴安全帽的告警信息；
信息统计单元，用于统计人员佩戴以及未佩戴安全帽的信息；
以及数据存储单元，用于存储人员佩戴以及未佩戴安全帽的图像及信息统计单元得到的统计信息。
第三方面，本发明提供一种安全帽佩戴检查系统，包括在施工现场多点设置的图像采集设备和安全帽佩戴检查设备；
图像采集设备采集安装点对应位置处的施工人员图像，传输至所述安全帽佩戴检查设备；
安全帽佩戴检查设备将获取到的施工人员图像作为待检查图像，执行第一方面所述的安全帽佩戴检查方法，输出安全帽佩戴检查结果信息。
有益效果
本发明通过采用DSSD算法进行安全帽检查测试，避免了在施工环境中安置检查专员的人力投入。而且实验证明，在相同的软硬件条件下，采用DSSD算法的检测识别精度比采用SSD算法提高约2.2%，比采用Faster R-CNN算法提高约0.9%，而检测速度与SSD算法相当，比Faster R-CNN算法提高了约9倍。因此，本发明在电力施工人员安全帽检测领域具有较高的技术应用价值。
附图说明
图1所示为DSSD算法模型整体网络构架图；
图2所示为DSSD算法模型中反卷积网络结构图；
图3所示为DSSD算法模型中预测网络结构图；
图4所示为安全帽佩戴检查系统的一种实施例示意图。
具体实施方式
以下结合附图和具体实施例进一步描述。
实施例1
本实施例介绍一种安全帽佩戴检查方法，参考图4，方法包括：
获取从施工环境中采集的图像；
对获取到的图像进行预处理；
将预处理得到的图像输入预先训练的安全帽佩戴检查模型；
根据所述安全帽佩戴检查模型的输出，得到图像中人员的安全帽佩戴结果信息；
所述预先训练的安全帽佩戴检查模型采用DSSD算法模型，训练样本包括公共数据集以及自定义样本集，所述自定义样本集包括已标注的人员佩戴安全帽的图像样本以及人员未佩戴安全帽的图像样本。
本实施例方法的具体实现涉及以下内容。
一、安全帽佩戴检查模型的构建
编程实现DSSD算法网络：参考图1，将SSD的基础网络由VGG网络构架换成Residual-101网络构架。对最深一层特征图层连续做5次反卷积操作，每次反卷积操作后的特征图层尺寸都与不同深度的特征图像尺度对应相同，再采用跳步连接反卷积特征图引入，使之与相同尺寸的特征图层采用图2的网络架构，融合在一起，得到的新的特征图层，形成多尺度检测框架，用来做预测。采用3个卷积层与矩阵点积运算层构成预测网络，实现目标预测和逻辑回归，如图3所示。本实施例将默认的预测锚框长宽比例为1、1.6、2和3。
二、安全帽佩戴检查模型的训练
2.1构建训练数据集
在对DSSD模型进行训练时，可首先采用公共数据集作为训练数据集，公共数据集可采用VOC2007的trainval数据集。
DSSD算法模型的迁移学习利用自定义样本集实现。可通过拍照和视频剪辑的方式，收集在电力施工现场佩戴安全帽和未佩戴的安全帽的人像。对图像进行归一化统一分辨率为512x512，并对人像进行分类标注，制作标签为两类，分别带安全帽人像与不带安全帽人像。按照标签比例1:1，构建自定义样本集。
2.2 模型训练过程
首先采用ResNet101作为基础网络，采用VOC2007的trainval数据集和测试集分别作为模型训练数据集和测试集。训练时一共迭代7万次，前4万次采用1e-3的学习率，中间2万次采用1e-3的学习率，最后1万次采用1e-5的学习率。
然后，冻结基础网络的网络参数，增加反卷积网络(不添加预测网络)，仍采用VOC2007的trainval数据集和测试集作为模型训练数据集和测试集，在基础网络参数冻结的条件下将只训练反卷积网络。训练过程设置学习率为1e-3、1e-4分别进行2万次和1万次的迭代训练。
接着，解冻基础网络的网络参数，并添加预测网络，设置学习率为1e-3、1e-4再分别都进行2万次的迭代训练。完成在VOC2007数据集上的模型训练。
最后，迁移学习。基于自定义数据集，按照95：5比例构建训练集和测试集，在VOC2007训练好的模型基础上，设置学习率为1e-3、1e-4再分别都进行2万次的迭代训练，最终得到基于DSSD算法安全帽佩戴检查算法模型文件。
三、安全帽佩戴检查应用
在进行施工环境安全帽佩戴检查时，可通过图像采集设备采集施工环境中的人员图像，然后对图像进行预处理，如去噪、归一化等常规处理。再将预处理后的图像输入至训练好的DSSD算法模型中，即可得到安全帽佩戴检查结果。
本实施例经训练得到的DSSD算法模型为端到端模型，输入图像后可输出带安全帽和不带安全帽的人员统计信息，以及图像上的人员框图及标签信息。
可将本发明的安全帽佩戴检查方法集成至电力施工在线监控系统中，丰富电力施工在线监控系统的监控功能，保障施工现场安全。
实施例2
本实施例介绍一种安全帽佩戴检查装置，包括：
图像获取模块，被配置用于获取从施工环境中采集的图像；
图像预处理模块，被配置用于对获取到的图像进行预处理；
图像识别模块，被配置用于将预处理得到的图像输入预先训练的安全帽佩戴检查模型，检查图像中的人员是否佩戴安全帽；
以及，检查结果输出模块，被配置用于根据所述安全帽佩戴检查模型的输出，得到图像中人员的安全帽佩戴检查结果信息；
其中所述预先训练的安全帽佩戴检查模型采用DSSD算法模型，其训练样本包括公共数据集以及自定义样本集，所述自定义样本集包括已标注的人员佩戴安全帽的图像样本以及人员未佩戴安全帽的图像样本。
以上各模块的具体功能实现可参考实施例1方法中的相关介绍。
进一步的，本实施例检查结果输出模块包括：
实时展示单元，用于实时展示人员佩戴及未佩戴安全帽的图像；
实时告警单元，用于实时输出人员未佩戴安全帽的告警信息；
信息统计单元，用于统计人员佩戴以及未佩戴安全帽的信息；
以及数据存储单元，用于存储人员佩戴以及未佩戴安全帽的图像及信息统计单元得到的统计信息。由此可实现施工现场更多方位的人机交互，进一步提升施工安全性，并方便信息的后期追溯。
实施例3
参考图4，本实施例介绍一种安全帽佩戴检查系统，包括在施工现场多点设置的图像采集设备和安全帽佩戴检查设备；
图像采集设备采集安装点对应位置处的施工人员图像，传输至所述安全帽佩戴检查设备；
安全帽佩戴检查设备将获取到的施工人员图像作为待检查图像，执行第一方面所述的安全帽佩戴检查方法，输出安全帽佩戴检查结果信息。
输出的检查结果信息可以是图像信息、报警信息等，方便监控人员的监控，提升施工安全性。
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。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种安全帽佩戴检查方法，其特征是，包括：
获取从施工环境中采集的图像；
对获取到的图像进行预处理；
将预处理得到的图像输入预先训练的安全帽佩戴检查模型；
根据所述安全帽佩戴检查模型的输出，得到图像中人员的安全帽佩戴结果信息；
所述预先训练的安全帽佩戴检查模型采用DSSD算法模型，训练样本包括公共数据集以及自定义样本集，所述自定义样本集包括已标注的人员佩戴安全帽的图像样本以及人员未佩戴安全帽的图像样本。
2. 根据权利要求1所述的方法，其特征是，所述公共数据集采用VOC2007的trainval数据集，自定义样本集包括归一化处理后的数量比例为1： 1的人员佩戴安全帽的图像样本和人员未佩戴安全帽的图像样本，图像样本的分辨率为512x512；
所述对获取到的图像进行预处理包括：对图像进行归一化处理，得到分辨率为512x512的图像。
3.根据权利要求1或2所述的方法，其特征是，DSSD算法模型包括基础网络、反卷积网络和预测网络；
所述安全帽佩戴检查模型的训练方法包括：
采用ResNet101作为基础网络；
从公共数据集中选择训练样本集及测试样本集，对基础网络进行训练；
冻结ResNet101网络在初步训练后的网络参数，加载反卷积网络；
利用从公共数据集中选择的训练样本集及测试样本集，对反卷积网络进行训练；
解冻基础网络参数，加载预测网络；
利用从公共数据集中选择的训练样本集及测试样本集，对当前全部网络进行训练；
从自定义样本集中选择训练样本集及测试样本集，对经公共数据集训练后的全部网络再次进行训练，得到所述安全帽佩戴检查模型。
4.根据权利要求3所述的方法，其特征是，对基础网络进行训练的过程中共迭代7万次，前4万次采用1e-3的学习率，中间2万次采用1e-3的学习率，最后1万次采用1e-5的学习率。
5.根据权利要求3所述的方法，其特征是，对反卷积网络进行训练的过程中共迭代3万次，前2万次和后一万次的学习率分别为1e-3、1e-4。
6.根据权利要求3所述的方法，其特征是，利用公共数据集对完整网络进行训练的过程中共迭代4万次，前2万次和后两万次的学习率分别设置为1e-3、1e-4。
7.根据权利要求1所述的方法，其特征是，利用自定义样本集进行训练的过程中共迭代4万次，前2万次和后两万次的学习率分别设置为1e-3、1e-4。
8.一种安全帽佩戴检查装置，其特征是，包括：
图像获取模块，被配置用于获取从施工环境中采集的图像；
图像预处理模块，被配置用于对获取到的图像进行预处理；
图像识别模块，被配置用于将预处理得到的图像输入预先训练的安全帽佩戴检查模型，检查图像中的人员是否佩戴安全帽；
以及，检查结果输出模块，被配置用于根据所述安全帽佩戴检查模型的输出，得到图像中人员的安全帽佩戴检查结果信息；
其中所述预先训练的安全帽佩戴检查模型采用DSSD算法模型，其训练样本包括公共数据集以及自定义样本集，所述自定义样本集包括已标注的人员佩戴安全帽的图像样本以及人员未佩戴安全帽的图像样本。
9.根据权利要求8所述的安全帽佩戴检查装置，其特征是，所述检查结果输出模块包括：
实时展示单元，用于实时展示人员佩戴及未佩戴安全帽的图像；
实时告警单元，用于实时输出人员未佩戴安全帽的告警信息；
信息统计单元，用于统计人员佩戴以及未佩戴安全帽的信息；
以及数据存储单元，用于存储人员佩戴以及未佩戴安全帽的图像及信息统计单元得到的统计信息。
10.一种安全帽佩戴检查系统，其特征是，包括在施工现场多点设置的图像采集设备和安全帽佩戴检查设备；
图像采集设备采集安装点对应位置处的施工人员图像，传输至所述安全帽佩戴检查设备；
安全帽佩戴检查设备将获取到的施工人员图像作为待检查图像，执行权利要求1-7任一项所述的安全帽佩戴检查方法，输出安全帽佩戴检查结果信息。
CN202110128663.1A 2021-01-29 2021-01-29 一种基于dssd算法的安全帽佩戴检查方法、装置与系统 Pending CN113033289A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110128663.1A CN113033289A (zh) 2021-01-29 2021-01-29 一种基于dssd算法的安全帽佩戴检查方法、装置与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110128663.1A CN113033289A (zh) 2021-01-29 2021-01-29 一种基于dssd算法的安全帽佩戴检查方法、装置与系统

Publications (1)

Publication Number Publication Date
CN113033289A true CN113033289A (zh) 2021-06-25

Family

ID=76459986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110128663.1A Pending CN113033289A (zh) 2021-01-29 2021-01-29 一种基于dssd算法的安全帽佩戴检查方法、装置与系统

Country Status (1)

Country Link
CN (1) CN113033289A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688709A (zh) * 2021-08-17 2021-11-23 长江大学 一种安全帽佩戴智能检测方法、系统、终端及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447078A (zh) * 2018-10-23 2019-03-08 四川大学 一种自然场景图像敏感文字的检测识别方法
CN110399905A (zh) * 2019-07-03 2019-11-01 常州大学 施工场景中安全帽佩戴情况的检测及描述方法
CN110765900A (zh) * 2019-10-10 2020-02-07 安徽磐众信息科技有限公司 一种基于dssd的自动检测违章建筑方法及系统
CN110956126A (zh) * 2019-11-27 2020-04-03 云南电网有限责任公司电力科学研究院 一种联合超分辨率重建的小目标检测方法
AU2020100711A4 (en) * 2020-05-05 2020-06-11 Chang, Cheng Mr The retrieval system of wearing safety helmet based on deep learning
AU2020100705A4 (en) * 2020-05-05 2020-06-18 Chang, Jiaying Miss A helmet detection method with lightweight backbone based on yolov3 network
CN111815577A (zh) * 2020-06-23 2020-10-23 深圳供电局有限公司 安全帽佩戴检测模型处理方法、装置、设备和存储介质
CN112084838A (zh) * 2020-07-20 2020-12-15 河海大学 一种车间安全帽检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447078A (zh) * 2018-10-23 2019-03-08 四川大学 一种自然场景图像敏感文字的检测识别方法
CN110399905A (zh) * 2019-07-03 2019-11-01 常州大学 施工场景中安全帽佩戴情况的检测及描述方法
CN110765900A (zh) * 2019-10-10 2020-02-07 安徽磐众信息科技有限公司 一种基于dssd的自动检测违章建筑方法及系统
CN110956126A (zh) * 2019-11-27 2020-04-03 云南电网有限责任公司电力科学研究院 一种联合超分辨率重建的小目标检测方法
AU2020100711A4 (en) * 2020-05-05 2020-06-11 Chang, Cheng Mr The retrieval system of wearing safety helmet based on deep learning
AU2020100705A4 (en) * 2020-05-05 2020-06-18 Chang, Jiaying Miss A helmet detection method with lightweight backbone based on yolov3 network
CN111815577A (zh) * 2020-06-23 2020-10-23 深圳供电局有限公司 安全帽佩戴检测模型处理方法、装置、设备和存储介质
CN112084838A (zh) * 2020-07-20 2020-12-15 河海大学 一种车间安全帽检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
蒋磊: "输电线路带电作业机器人上下线平台的研究与设计", 《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》, pages 25 *
顾文涛;俞兴伟;李毅;邱臻;卓一;董毅;: "基于深度学习的安全帽检测监控研究", 电力设备管理, no. 05 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688709A (zh) * 2021-08-17 2021-11-23 长江大学 一种安全帽佩戴智能检测方法、系统、终端及介质
CN113688709B (zh) * 2021-08-17 2023-12-05 广东海洋大学 一种安全帽佩戴智能检测方法、系统、终端及介质

Similar Documents

Publication Publication Date Title
CN111598040B (zh) 一种建筑工人身份识别及安全帽佩戴检测方法及系统
Xie et al. A convolutional neural network based approach towards real-time hard hat detection
CN111626243B (zh) 口罩遮挡人脸的身份识别方法、装置及存储介质
CN110827505A (zh) 一种基于深度学习的烟雾分割方法
CN111914778A (zh) 一种基于弱监督学习的视频行为定位方法
CN112541393A (zh) 一种基于深度学习的变电站人员检测方法及装置
CN113128412B (zh) 一种基于深度学习及火灾监控视频的火灾趋势预测方法
CN110569843A (zh) 一种矿井目标智能检测与识别方法
CN111652046A (zh) 基于深度学习的安全穿戴检测方法、设备及系统
US20230186634A1 (en) Vision-based monitoring of site safety compliance based on worker re-identification and personal protective equipment classification
CN109753985A (zh) 视频分类方法及装置
CN109635717A (zh) 一种基于深度学习的矿用行人检测方法
CN117132763A (zh) 电力图像异常检测方法、装置、计算机设备和存储介质
CN117422695A (zh) 一种基于CR-Deeplab的异常检测方法
CN113033289A (zh) 一种基于dssd算法的安全帽佩戴检查方法、装置与系统
US9311518B2 (en) Systems and methods for efficient comparative non-spatial image data analysis
CN116189063B (zh) 一种用于智能视频监控的关键帧优化方法及装置
CN116977904A (zh) 一种基于YOLOv5的快速识别大场景多人工衣检测方法
CN112990350B (zh) 目标检测网络训练方法及基于目标检测网络煤矸识别方法
CN113516179B (zh) 一种地下基础设施渗漏水性态辨识方法及系统
CN115273009A (zh) 基于深度学习的道路裂纹检测方法及系统
CN115438945A (zh) 基于电力设备巡检的风险识别方法、装置、设备及介质
CN114241354A (zh) 仓库人员行为识别方法、装置、计算机设备、存储介质
Vasudevan et al. Automatic Person Detection in Search and Rescue Operations Using Deep Based MultiModel CNN Detectors
CN116630752B (zh) 基于ai算法的施工现场目标对象识别方法及装置

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