CN113158888A - 一种电梯异常视频识别方法 - Google Patents
一种电梯异常视频识别方法 Download PDFInfo
- Publication number
- CN113158888A CN113158888A CN202110421583.5A CN202110421583A CN113158888A CN 113158888 A CN113158888 A CN 113158888A CN 202110421583 A CN202110421583 A CN 202110421583A CN 113158888 A CN113158888 A CN 113158888A
- Authority
- CN
- China
- Prior art keywords
- elevator
- car
- video
- softmax
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000001537 neural effect Effects 0.000 claims abstract description 12
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000009191 jumping Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
本发明公开了一种电梯异常视频识别方法,其特征在于,该方法的处理步骤如下:S1、启动摄像头,并初始化参数;S2、摄像头获取视频数据,并实时对电梯侨厢进行监控;利用系统设备间隔相同时间从摄像头截取视频图像,并进行分析,该系统中包含对神经模型网络和Softmax Regression模型的构建,并用于结合视频识别和处理方式,对电梯侨厢内存在异常行为进行分析;S3、根据Softmax Regression模型获取的图像类别分类,发送图像类别消息,并进入到状态处理阶段;其技术要点为,通过人工智能技术,以电梯轿厢内安装的视频摄像头获取的视频数据为基础,通过实时视频分析,识别电梯停电、错位、超时开门等异常行为,确保电梯得到安全服务和及时救援。
Description
技术领域
本发明属于智能物联网领域,具体是一种电梯异常视频识别方法。
背景技术
电梯运行安全越来越受到政府、小区业主、物管的关注,尤其是电梯困人问题,带来了诸多的安全隐患。为解决电梯困人应急处理问题,电梯企业和维保企业提出了很多解决方案;比如应急电话、应急按钮、设备间监控等,但都没有达到满意的效果;尤其是当前电梯安全监管更加严格,对电梯线路改造或加装设备的要求越来越高,缺少通用方案解决这一问题;
现有技术中,电梯困人主要通过安保人员通过安防摄像头监看、被困电梯中人员电话报警等方式发现,整个过程存在信息滞后、安全可靠性差、无法及时响应等缺陷,且对于无物管保安的单体楼电梯尤为不利
因此,如何采用高科技手段,将被动通知改为主动识别并告警,成为电梯困人告警设备的重点研究和应用方向。
发明内容
本发明的目的在于克服现有技术的缺陷,提供一种电梯异常视频识别方法。
为实现上述目的,本发明采用了如下技术方案:
一种电梯异常视频识别方法,该方法的处理步骤如下:
S1、启动摄像头,并初始化参数;
S2、摄像头获取视频数据,并实时对电梯侨厢进行监控;
利用系统设备间隔相同时间从摄像头截取视频图像,并进行分析,该系统中包含对神经模型网络和Softmax Regression模型的构建,并用于结合视频识别和处理方式,对电梯侨厢内存在异常行为进行分析;
S3、根据Softmax Regression模型获取的图像类别分类,发送图像类别消息,并进入到状态处理阶段;
S4、整个系统复位后,继续进行S2中监听图像的工作。
优选的,所述Softmax Regression模型中对电梯视频识别,可将视频图像分为四个分类状态问题,
其主要分类有:轿厢内无人、轿厢内有人且门开、轿厢内有人且门关闭以及轿厢内有人且处于应急灯模式。
优选的,所述Softmax Regression模型中使用模型分配概率,
具体为:该模型推测某个视频图像轿厢内有人且正常运行的概率是87%,是轿厢内有人且超时未开门的概率是10%,然后给予它代表其他三个状态的概率值。
优选的,在所述Softmax Regression模型中,为计算某视频图像的分类证据;
首先对该图像进行加权求和,同时加入一个干扰量b,公式如下:
然后,使用Softmax函数,把evidencex证据转换为概率y,公式如下:
y=softmax(evidencex)
通过上述公式,对于每一个视频图像,它对于个四个分类状态的吻合度可以被Softmax函数转换为一个概率,Softmax函数定义如下:
softmax(x)=normalize(exp(x))
展开之后,得结果如下:
优选的,对于所述神经模型网络的实现,具体步骤为:
首先,搭建一个浅层神经网络;
然后用Softmax回归模型处理神经网络的输出;其中,网络的输入数据是[None,512]的张量,None表示此张量的一维可以是任何长度,512表示视频图像的特征数量;
最后前向算法对视频图像进行加权求和,同时加入偏移量,网络的输出则通过Softmax处理得到四维特征值。
优选的,在所述浅层神经网络中设有输入层、原始输出层和最终输出层,
在输入层和原始输出层之间增加一个节点数量为500的隐藏层,该隐藏层是用RELU激活函数,用于实现神经网络的去线性化;
在原始输出层与最终输出层之间设有Softmax层。
优选的,为得到神经模型网络实现后的TensorFlow计算图,可使用TensorBoard可视化工具,
在训练阶段,使用交叉熵作为代价函数,每次随机抽取来自侨厢图像的100张图片作为训练数据,采用梯度下降算法以0.01的学习速率训练模型,经过50000轮训练迭代后,得到权重文件;
迭代训练结束后的准确率为:100%。
优选的,在所述S3的状态处理阶段,该状态处理的算法如下:
Step1:初始化变量isopen=false;
Step2:读取图像类别消息,如果类别为“轿厢内无人”,则跳转到Step6结束;
Step3:如果类别为“轿厢内有人且门开”,isopen=true,计时器清零,然后跳转到Step6结束;
Step4:如果类别为“轿厢内有人且门关闭”,则
Step4.1:如果isopen=true,则isopen=false,计时器开始计时,跳转到Step4.3;
Step4.2:如果isopen=false,跳转到Step4.3;
Step4.3:如果计时器为120秒,计时器清零,报警;否则,跳转到Step6结束;
Step5:如果类别为“轿厢内有人且应急灯模式”,计时器清零,报警;
Step6:结束。
与现有技术相比,本发明提供了一种电梯异常视频识别方法,具有如下有益效果:
本发明通过人工智能技术,以电梯轿厢内安装的视频摄像头获取的视频数据为基础,通过实时视频分析,识别电梯停电、错位、超时开门等异常行为,确保电梯得到安全服务和及时救援;
本发明在标准的浅层神经网络的原始输入和原始输出层之间,增加了一个节点数量为500的隐藏层;该隐藏层是用RELU激活函数,实现神经网络的去线性化,避免单纯线性变化情况下增加网络深度无法提升模型表达能力的局限性问题。
附图说明
图1是本发明的方法步骤流程图;
图2是本发明中神经模型的基本结构图;
图3是本发明中神经模型的网络结构图;
图4是本发明中图3模型结构的TensorFlow计算图;
图5是本发明中迭代训练结束后的运算准确率结果图。
具体实施方式
以下结合附图1,进一步说明本发明一种电梯异常视频识别方法的具体实施方式。本发明一种电梯异常视频识别方法不限于以下实施例的描述。
本实施例给出一种电梯异常视频识别方法的具体结构,如图1所示,一种电梯异常视频识别方法,该方法的处理步骤如下:
S1、启动摄像头,并初始化参数;
S2、摄像头获取视频数据,并实时对电梯侨厢进行监控;
利用系统设备间隔相同时间从摄像头截取视频图像,并进行分析,该系统中包含对神经模型网络和Softmax Regression模型的构建,并用于结合视频识别和处理方式,对电梯侨厢内存在异常行为进行分析;
S3、根据Softmax Regression模型获取的图像类别分类,发送图像类别消息,并进入到状态处理阶段;
S4、整个系统复位后,继续进行S2中监听图像的工作。
所述Softmax Regression模型中对电梯视频识别,可将视频图像分为四个分类状态问题,
其主要分类有:轿厢内无人、轿厢内有人且门开、轿厢内有人且门关闭以及轿厢内有人且处于应急灯模式。
所述Softmax Regression模型中使用模型分配概率,
具体为:该模型推测某个视频图像轿厢内有人且正常运行的概率是87%,是轿厢内有人且超时未开门的概率是10%,然后给予它代表其他三个状态的概率值。
在所述Softmax Regression模型中,为计算某视频图像的分类证据;
首先对该图像进行加权求和,同时加入一个干扰量b,公式如下:
然后,使用Softmax函数,把evidencex证据转换为概率y,公式如下:
y=softmax(evidencex)
通过上述公式,对于每一个视频图像,它对于个四个分类状态的吻合度可以被Softmax函数转换为一个概率,Softmax函数定义如下:
softmax(x)=normalize(exp(x))
展开之后,得结果如下:
如图2所示,该附图主要强调右侧的Softmax及最后得到的四维特征;
对于所述神经模型网络的实现,具体步骤为:
首先,搭建一个浅层神经网络;
然后用Softmax回归模型处理神经网络的输出;其中,网络的输入数据是[None,512]的张量,None表示此张量的一维可以是任何长度,512表示视频图像的特征数量;
最后前向算法对视频图像进行加权求和,同时加入偏移量,网络的输出则通过Softmax处理得到四维特征值。
如图3所示,该附图为简化后的网络结构,重点为隐藏层;
在所述浅层神经网络中设有输入层、原始输出层和最终输出层,
在输入层和原始输出层之间增加一个节点数量为500的隐藏层,该隐藏层是用RELU激活函数,用于实现神经网络的去线性化;
在原始输出层与最终输出层之间设有Softmax层。
本发明在标准的浅层神经网络的原始输入和原始输出层之间,增加了一个节点数量为500的隐藏层。该隐藏层是用RELU激活函数,实现神经网络的去线性化,避免单纯线性变化情况下增加网络深度无法提升模型表达能力的局限性问题。
如图3和4所示,为得到神经模型网络实现后的TensorFlow计算图,可使用TensorBoard可视化工具,
在训练阶段,使用交叉熵作为代价函数,每次随机抽取来自侨厢图像的100张图片作为训练数据,采用梯度下降算法以0.01的学习速率训练模型,经过50000轮训练迭代后,得到权重文件;
迭代训练结束后的准确率为:100%。
在所述S3的状态处理阶段,该状态处理的算法如下:
Step1:初始化变量isopen=false;
Step2:读取图像类别消息,如果类别为“轿厢内无人”,则跳转到Step6结束;
Step3:如果类别为“轿厢内有人且门开”,isopen=true,计时器清零,然后跳转到Step6结束;
Step4:如果类别为“轿厢内有人且门关闭”,则
Step4.1:如果isopen=true,则isopen=false,计时器开始计时,跳转到Step4.3;
Step4.2:如果isopen=false,跳转到Step4.3;
Step4.3:如果计时器为120秒,计时器清零,报警;否则,跳转到Step6结束;
Step5:如果类别为“轿厢内有人且应急灯模式”,计时器清零,报警;
Step6:结束。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种电梯异常视频识别方法,其特征在于,该方法的处理步骤如下:
S1、启动摄像头,并初始化参数;
S2、摄像头获取视频数据,并实时对电梯侨厢进行监控;
利用系统设备间隔相同时间从摄像头截取视频图像,并进行分析,该系统中包含对神经模型网络和Softmax Regression模型的构建,并用于结合视频识别和处理方式,对电梯侨厢内存在异常行为进行分析;
S3、根据Softmax Regression模型获取的图像类别分类,发送图像类别消息,并进入到状态处理阶段;
S4、整个系统复位后,继续进行S2中监听图像的工作。
2.如权利要求1所述的一种电梯异常视频识别方法,其特征在于:所述SoftmaxRegression模型中对电梯视频识别,可将视频图像分为四个分类状态问题,
其主要分类有:轿厢内无人、轿厢内有人且门开、轿厢内有人且门关闭以及轿厢内有人且处于应急灯模式。
3.如权利要求1所述的一种电梯异常视频识别方法,其特征在于:所述SoftmaxRegression模型中使用模型分配概率,
具体为:该模型推测某个视频图像轿厢内有人且正常运行的概率是87%,是轿厢内有人且超时未开门的概率是10%,然后给予它代表其他三个状态的概率值。
5.如权利要求1所述的一种电梯异常视频识别方法,其特征在于:对于所述神经模型网络的实现,具体步骤为:
首先,搭建一个浅层神经网络;
然后用Softmax回归模型处理神经网络的输出;其中,网络的输入数据是[None,512]的张量,None表示此张量的一维可以是任何长度,512表示视频图像的特征数量;
最后前向算法对视频图像进行加权求和,同时加入偏移量,网络的输出则通过Softmax处理得到四维特征值。
6.如权利要求5所述的一种电梯异常视频识别方法,其特征在于:在所述浅层神经网络中设有输入层、原始输出层和最终输出层,
在输入层和原始输出层之间增加一个节点数量为500的隐藏层,该隐藏层是用RELU激活函数,用于实现神经网络的去线性化;
在原始输出层与最终输出层之间设有Softmax层。
7.如权利要求5所述的一种电梯异常视频识别方法,其特征在于:为得到神经模型网络实现后的TensorFlow计算图,可使用TensorBoard可视化工具,
在训练阶段,使用交叉熵作为代价函数,每次随机抽取来自侨厢图像的100张图片作为训练数据,采用梯度下降算法以0.01的学习速率训练模型,经过50000轮训练迭代后,得到权重文件;
迭代训练结束后的准确率为:100%。
8.如权利要求1所述的一种电梯异常视频识别方法,其特征在于:在所述S3的状态处理阶段,该状态处理的算法如下:
Step1:初始化变量isopen=false;
Step2:读取图像类别消息,如果类别为“轿厢内无人”,则跳转到Step6结束;
Step3:如果类别为“轿厢内有人且门开”,isopen=true,计时器清零,然后跳转到Step6结束;
Step4:如果类别为“轿厢内有人且门关闭”,则
Step4.1:如果isopen=true,则isopen=false,计时器开始计时,跳转到Step4.3;
Step4.2:如果isopen=false,跳转到Step4.3;
Step4.3:如果计时器为120秒,计时器清零,报警;否则,跳转到Step6结束;
Step5:如果类别为“轿厢内有人且应急灯模式”,计时器清零,报警;
Step6:结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110421583.5A CN113158888A (zh) | 2021-04-19 | 2021-04-19 | 一种电梯异常视频识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110421583.5A CN113158888A (zh) | 2021-04-19 | 2021-04-19 | 一种电梯异常视频识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113158888A true CN113158888A (zh) | 2021-07-23 |
Family
ID=76869208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110421583.5A Pending CN113158888A (zh) | 2021-04-19 | 2021-04-19 | 一种电梯异常视频识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158888A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429616A (zh) * | 2022-01-26 | 2022-05-03 | 中煤科工集团重庆智慧城市科技研究院有限公司 | 基于计算机视觉的箱体异常状态识别方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3075697A1 (en) * | 2015-04-03 | 2016-10-05 | Otis Elevator Company | System and method for passenger conveyance control and security via recognized user operations |
CN107633255A (zh) * | 2017-08-11 | 2018-01-26 | 天津大学 | 一种深度学习模式下的岩石岩性自动识别分类方法 |
CN109886164A (zh) * | 2019-01-30 | 2019-06-14 | 济南大学 | 一种异常手势的识别与处理方法 |
CN109977854A (zh) * | 2019-03-25 | 2019-07-05 | 浙江新再灵科技股份有限公司 | 一种电梯监控环境下异常行为检测分析系统 |
CN110298265A (zh) * | 2019-06-10 | 2019-10-01 | 东南大学 | 一种基于yolo神经网络的电梯中特定目标检测方法 |
CN110790101A (zh) * | 2019-10-12 | 2020-02-14 | 虏克电梯有限公司 | 基于大数据分析的电梯困人误报识别方法 |
CN111401144A (zh) * | 2020-02-26 | 2020-07-10 | 华南理工大学 | 一种基于视频监控的手扶电梯乘客行为识别方法 |
CN111898430A (zh) * | 2020-06-25 | 2020-11-06 | 北京电通慧梯物联网科技有限公司 | 基于深度学习的电梯轿厢人员智能识别方法 |
CN112163477A (zh) * | 2020-09-16 | 2021-01-01 | 厦门市特种设备检验检测院 | 一种基于FasterR-CNN的扶梯行人位姿目标检测方法及系统 |
CN112573316A (zh) * | 2020-12-08 | 2021-03-30 | 成都睿瞳科技有限责任公司 | 一种基于计算机视觉的电梯困人检测方法 |
CN214569905U (zh) * | 2021-04-16 | 2021-11-02 | 广州咔隆安防科技有限公司 | 一种电梯困人告警系统 |
-
2021
- 2021-04-19 CN CN202110421583.5A patent/CN113158888A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3075697A1 (en) * | 2015-04-03 | 2016-10-05 | Otis Elevator Company | System and method for passenger conveyance control and security via recognized user operations |
CN107633255A (zh) * | 2017-08-11 | 2018-01-26 | 天津大学 | 一种深度学习模式下的岩石岩性自动识别分类方法 |
CN109886164A (zh) * | 2019-01-30 | 2019-06-14 | 济南大学 | 一种异常手势的识别与处理方法 |
CN109977854A (zh) * | 2019-03-25 | 2019-07-05 | 浙江新再灵科技股份有限公司 | 一种电梯监控环境下异常行为检测分析系统 |
CN110298265A (zh) * | 2019-06-10 | 2019-10-01 | 东南大学 | 一种基于yolo神经网络的电梯中特定目标检测方法 |
CN110790101A (zh) * | 2019-10-12 | 2020-02-14 | 虏克电梯有限公司 | 基于大数据分析的电梯困人误报识别方法 |
CN111401144A (zh) * | 2020-02-26 | 2020-07-10 | 华南理工大学 | 一种基于视频监控的手扶电梯乘客行为识别方法 |
CN111898430A (zh) * | 2020-06-25 | 2020-11-06 | 北京电通慧梯物联网科技有限公司 | 基于深度学习的电梯轿厢人员智能识别方法 |
CN112163477A (zh) * | 2020-09-16 | 2021-01-01 | 厦门市特种设备检验检测院 | 一种基于FasterR-CNN的扶梯行人位姿目标检测方法及系统 |
CN112573316A (zh) * | 2020-12-08 | 2021-03-30 | 成都睿瞳科技有限责任公司 | 一种基于计算机视觉的电梯困人检测方法 |
CN214569905U (zh) * | 2021-04-16 | 2021-11-02 | 广州咔隆安防科技有限公司 | 一种电梯困人告警系统 |
Non-Patent Citations (3)
Title |
---|
ALEX KRIZHEVSKY等: "ImageNet classification with deep convolutional neural networks", 《COMMUNICATIONS OF THE ACM》, vol. 60, no. 6, 24 May 2017 (2017-05-24), pages 84 - 90, XP055591516, DOI: 10.1145/3065386 * |
孙浩翔 等: "电梯轿厢内乘客异常行为检测探究", 《起重运输机械》, no. 06, 25 March 2021 (2021-03-25), pages 46 - 52 * |
江小北: "TensorFlow学习第三天(Softmax回归介绍)", pages 1 - 3, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/52053124> * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429616A (zh) * | 2022-01-26 | 2022-05-03 | 中煤科工集团重庆智慧城市科技研究院有限公司 | 基于计算机视觉的箱体异常状态识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428522B (zh) | 一种智慧新城的智能安防系统 | |
JP6905850B2 (ja) | 画像処理システム、撮像装置、学習モデル作成方法、情報処理装置 | |
CN108052925B (zh) | 一种小区人员档案智能管理方法 | |
CN106241533B (zh) | 基于机器视觉的电梯乘员综合安全智能监控方法 | |
CN106412501B (zh) | 一种视频的施工安全行为智能监控系统及其监控方法 | |
CN110334563B (zh) | 一种基于大数据的社区安全管理方法和系统 | |
CN112233300A (zh) | 一种基于人工智能的社区通行防疫监控联防系统及其方法 | |
WO2022011828A1 (zh) | 出入电梯物件检测系统及方法、物件检测系统、电梯光幕以及电梯设备 | |
CN112132045B (zh) | 一种基于计算机视觉的小区人员异常行为监控方案 | |
CN111653023A (zh) | 一种智能工厂监管方法 | |
CN108805008A (zh) | 一种基于深度学习的社区车辆安保系统 | |
KR20200017594A (ko) | 딥 러닝과 멀티 에이전트를 활용한 대규모 개체 식별 및 추적 방법 | |
CN111800617A (zh) | 一种基于物联网的智能安防系统 | |
CN116308960A (zh) | 基于数据分析的智慧园区物业防控管理系统及其实现方法 | |
CN110188617A (zh) | 一种机房智能监控方法及系统 | |
CN115620471A (zh) | 一种基于大数据筛查的图像识别安防系统 | |
CN113158888A (zh) | 一种电梯异常视频识别方法 | |
CN117197713A (zh) | 一种基于数字视频监控系统的提取方法 | |
CN116246416A (zh) | 一种用于安防的智能分析预警平台及方法 | |
CN111784060B (zh) | 一种城市社区社会安全链式耦合风险演化情景推测方法 | |
CN111553264B (zh) | 一种适用于中小学生的校园非安全行为检测及预警方法 | |
CN1737857A (zh) | 学生公寓住宿信息管理系统 | |
US20230334966A1 (en) | Intelligent security camera system | |
CN116013031A (zh) | 一种服务于老年人的智慧看护系统 | |
CN114429677A (zh) | 一种煤矿场景作业行为安全识别考核方法及系统 |
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 |