CN113221825A - 一种基于机器学习的电力安全管控人脸识别方法 - Google Patents
一种基于机器学习的电力安全管控人脸识别方法 Download PDFInfo
- Publication number
- CN113221825A CN113221825A CN202110600067.9A CN202110600067A CN113221825A CN 113221825 A CN113221825 A CN 113221825A CN 202110600067 A CN202110600067 A CN 202110600067A CN 113221825 A CN113221825 A CN 113221825A
- Authority
- CN
- China
- Prior art keywords
- face
- personnel
- electric power
- cnn
- model
- 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
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
Abstract
一种基于机器学习的电力安全管控人脸识别方法。其包括获取参与电力安全管控人员信息;构成人脸数据库,进行实时人脸图像采集;获得人脸灰度图像并输入CNN中,提取出有效人脸特征;进行CNN‑SVC模型和CNN‑RF模型训练;得到待识别作业现场人员在各类别中概率;得到CNN‑SVC‑RF融合模型,获得人脸识别结果;实现电力安全管控功能等步骤。本发明效果:充分发挥CNN强大的特征提取优势来充分学习不同人脸的特征,并将其分别与SVC和RF结合,并利用模型融合技术,可进一步提高人脸识别的准确率。结合摄像头对现场人员进行人脸采集,便可基于所搭建模型进行人脸识别,从而实现电力作业现场的科学智能安全监管。
Description
技术领域
本发明属于人脸识别及电力安全管控技术领域,特别是涉及一种基于机器学习的电力安全管控人脸识别方法。
背景技术
随着时代的发展,人们的安全意识越来越高。人工智能等科学信息技术的飞速发展也为保障各方面的安全提供了越来越强的技术支撑。其中,人脸识别技术就在司法、金融和监控等方面得到了广泛的推广和应用。对于环境复杂的电力作业现场,其安全管控则尤为重要。如何搭建更高识别准确率的人脸识别模型、如何应用人脸识别技术在电力作业现场中提高其安全管控能力,这些问题都受到了越来越多学者的关注和研究。
在人脸识别方面,机器学习方法得到了广泛应用,特别是卷积神经网络(convolutional neural network,CNN),其被公认为是最强大、最有效的特征提取机制。此外,随机森林(random forest,RF)是一种优秀的Boosting算法,已被广泛应用于各类图像分类、汽车保险欺诈识别、声音事件识别等方面。同时,支持向量分类器(support vectorclassifier,SVC)已被多项研究证实其具有良好的分类效果,并被广泛应用于各类识别任务。此外,模型融合技术也在人脸识别领域大放异彩。但目前尚未发现基于CNN、RF和支持向量分类器的融合技术在人脸识别领域应用的相关报道。
发明内容
为了解决上述问题,本发明的目的在于提供了一种基于机器学习的电力安全管控人脸识别方法。
为了达到上述目的,本发明提供的基于机器学习的电力安全管控人脸识别方法包括按顺序进行的下列步骤:
1)通过身份证的识别,从人资权威源获取所有参与电力安全管控人员的包括姓名、岗位和现场特种作业人员资质在内的信息;
2)获取所有参与电力安全管控人员的人脸照片而构成人脸数据库,并通过安装在作业现场不同位置的多个摄像头对作业现场人员进行实时人脸图像采集;
3)将步骤2)得到的所有人脸照片及人脸图像进行预处理,获得人脸灰度图像;
4)将步骤3)获得的人脸灰度图像输入CNN中进行训练,由此提取出有效人脸特征;
5)以参与电力安全管控人员中的每一个体作为一个类别,将步骤4)提取出的所有参与电力安全管控人员的有效人脸特征分别输入到SVC模型和RF模型中进行训练,即分别进行CNN-SVC模型和CNN-RF模型训练;
6)将步骤4)提取出的作业现场人员的有效人脸特征分别输入到步骤5)中已训练好的CNN-SVC模型和CNN-RF模型中,得到待识别作业现场人员在各类别中的概率P_classes1和P_classes2;
7)利用CNN-SVC模型和CNN-RF模型的权重α1和α2对上述概率P_classes1和P_classes2进行加权从而得到最终概率P_classes,由此实现CNN-SVC模型和CNN-RF模型的融合,得到CNN-SVC-RF融合模型,并选择最终概率P_classes中概率最大的类别作为待识别作业现场人员的人脸识别结果;
8)最后,根据上述人脸识别结果,结合步骤1)获得的参与电力安全管控人员的信息,实现包括非工作人员识别、特种作业人员资质识别、作业人员轨迹追踪及到岗到位人员打卡在内的电力安全管控功能。
在步骤3)中,所述的将步骤2)得到的所有人脸照片及人脸图像进行预处理,获得人脸灰度图像的方法是:
利用OpenCV的人脸检测分类器Haar对人脸数据库中的所有人脸照片及采集的作业现场人员人脸图像进行人脸自动检测,并将检测出的人脸图像自动修剪为同一尺寸;将所有修剪的人脸图像进行灰度化处理,获得人脸灰度图像。
在步骤4)中,所述的CNN由输入层、2个卷积层、2个池化层、2个Dropout层、1个Flatten层、2个全连接层和1个softmax输出层组成;每层的卷积核数量分别为5和10,其大小均为3×3;池化核大小均为2×2,Dropout值均为0.2,激活函数均为relu。
在步骤5)中,所述的SVC模型中设置核函数为rbf、正则化参数为1,核函数rbf的核系数gamma的数值使用'scale'方式设置;RF模型中设置决策树数目为100、并行工作个数为1。
在步骤8)中,所述的根据上述人脸识别结果,结合步骤1)获得的参与电力安全管控人员的信息,实现包括非工作人员识别、特种作业人员资质识别、作业人员轨迹追踪及到岗到位人员打卡在内的电力安全管控功能的方法是:
非工作人员识别:若人脸识别结果是待识别作业现场人员不属于任何参与电力安全管控人员,则立即触发声光报警器,从而及时通知相关负责人将待识别作业现场人员请离作业现场,以杜绝安全隐患;
特种作业人员资质识别:若人脸识别结果是待识别作业现场人员没有所在作业现场的特种作业人员资质,则立即触发声光报警器,并将相关信息上传至安全管控中心,从而保障作业现场的安全;
作业人员轨迹追踪:若人脸识别结果是待识别作业现场人员属于参与电力安全管控人员,能够通过安装在作业现场不同位置的多个摄像头采集的该人员不同时间和地点的人脸图像的人脸识别结果,将其不同时间的活动地点进行记录,从而实现该人员的轨迹追踪;
到岗到位人员打卡:若人脸识别结果是待识别作业现场人员属于参与电力安全管控人员,将该人员的信息上传并记录,从而实现到岗到位人员打卡,同时减少擅自随意离岗的现象。
本发明提供的基于机器学习的电力安全管控人脸识别方法具有如下有益效果:本发明充分发挥CNN强大的特征提取优势来充分学习不同人脸的特征,并将其分别与SVC和RF结合,并利用模型融合技术,可进一步提高人脸识别的准确率。结合摄像头对现场人员进行人脸采集,便可基于所搭建模型进行人脸识别,从而实现电力作业现场的科学智能安全监管,解决非工作人员识别、特种作业人员资质识别、作业人员轨迹追踪和到岗到位人员打卡问题。
附图说明
图1为本发明提供的基于机器学习的电力安全管控人脸识别方法流程图。
图2为本发明中GT人脸数据库部分人脸灰度图像示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1所示,本发明提供的基于机器学习的电力安全管控人脸识别方法包括按顺序进行的下列步骤:
1)通过身份证的识别,从人资权威源获取所有参与电力安全管控人员的包括姓名、岗位和现场特种作业人员资质在内的信息;
2)获取所有参与电力安全管控人员的人脸照片而构成人脸数据库,并通过安装在作业现场不同位置的多个摄像头对作业现场人员进行实时人脸图像采集;
3)将步骤2)得到的所有人脸照片及人脸图像进行预处理,获得人脸灰度图像;
利用OpenCV的人脸检测分类器Haar对人脸数据库中的所有人脸照片及采集的作业现场人员人脸图像进行人脸自动检测,并将检测出的人脸图像自动修剪为同一尺寸;此外,为使人脸图像的细节更加清楚并减弱光照的影响,将所有修剪的人脸图像进行灰度化处理,获得人脸灰度图像。
4)将步骤3)获得的人脸灰度图像输入CNN中进行训练,由此提取出有效人脸特征;
所述的CNN由输入层、2个卷积层、2个池化层、2个Dropout层、1个Flatten层、2个全连接层和1个softmax输出层组成;每层的卷积核数量分别为5和10,其大小均为3×3;池化核大小均为2×2,Dropout值均为0.2,激活函数均为relu。
5)以参与电力安全管控人员中的每一个体作为一个类别,将步骤4)提取出的所有参与电力安全管控人员的有效人脸特征分别输入到SVC模型和RF模型中进行训练,即分别进行CNN-SVC模型和CNN-RF模型训练;
SVC模型中设置核函数为rbf、正则化参数为1,核函数rbf的核系数gamma的数值使用'scale'方式设置;RF模型中设置决策树数目为100、并行工作个数为1。
6)将步骤4)提取出的作业现场人员的有效人脸特征分别输入到步骤5)中已训练好的CNN-SVC模型和CNN-RF模型中,得到待识别作业现场人员在各类别中的概率P_classes1和P_classes2;
7)利用CNN-SVC模型和CNN-RF模型的权重α1和α2对上述概率P_classes1和P_classes2进行加权从而得到最终概率P_classes,由此实现CNN-SVC模型和CNN-RF模型的融合,得到CNN-SVC-RF融合模型,并选择最终概率P_classes中概率最大的类别作为待识别作业现场人员的人脸识别结果;
8)最后,根据上述人脸识别结果,结合步骤1)获得的参与电力安全管控人员的信息,实现包括非工作人员识别、特种作业人员资质识别、作业人员轨迹追踪及到岗到位人员打卡在内的电力安全管控功能;
非工作人员识别:若人脸识别结果是待识别作业现场人员不属于任何参与电力安全管控人员,则立即触发声光报警器,从而及时通知相关负责人将待识别作业现场人员请离作业现场,以杜绝安全隐患;
特种作业人员资质识别:若人脸识别结果是待识别作业现场人员没有所在作业现场的特种作业人员资质,则立即触发声光报警器,并将相关信息上传至安全管控中心,从而保障作业现场的安全;
作业人员轨迹追踪:若人脸识别结果是待识别作业现场人员属于参与电力安全管控人员,能够通过安装在作业现场不同位置的多个摄像头采集的该人员不同时间和地点的人脸图像的人脸识别结果,将其不同时间的活动地点进行记录,从而实现该人员的轨迹追踪;
到岗到位人员打卡:若人脸识别结果是待识别作业现场人员属于参与电力安全管控人员,将该人员的信息上传并记录,从而实现到岗到位人员打卡,同时减少擅自随意离岗的现象。
本发明人以Georgia Tech(GT)这一公开的人脸数据库进一步说明本发明。GT人脸数据库包含50个人每人15张的彩色照片,每张照片的像素为640×480。每个人的照片均分2次或3次拍摄而成,人脸呈正面或侧面,面部表情和光照也各不相同,且背景杂乱。
由于GT人脸数据库包含杂乱的背景且人脸占比过小,因此要对这些照片进行预处理。利用OpenCV的人脸检测分类器Haar对GT人脸数据库的所有照片进行人脸的自动检测,并将检测出的人脸图像自动修剪为47×57的尺寸。为使人脸图像的细节更加清楚并减弱光照的影响,对所有修剪的人脸图像进行灰度化处理,获得人脸灰度图像。部分人脸灰度图像如图2所示。
通过多次实验,本实施例中最终确定的CNN由输入层、2个卷积层、2个池化层、2个Dropout层、1个Flatten层、2个全连接层和1个softmax输出层组成;每层的卷积核数量分别为5和10,其大小均为3×3;池化核大小均为2×2,Dropout值均为0.2,激活函数均为relu。SVC模型中设置核函数为rbf、核函数rbf的核系数gamma的数值使用'scale'方式设置、正则化参数为1;RF模型中设置决策树数目为100、并行工作个数为1。
本实施例中,CNN-SVC模型和CNN-RF模型的权重α1和α2分别设置为0.45和0.55。
为验证本发明方法的优越性,利用GT人脸数据库,将本发明方法采用的CNN-SVC-RF融合模型与CNN模型、SVC模型、RF模型、CNN-SVC和CNN-RF模型进行对比。上述不同人脸识别模型的识别准确率分别如表1所示。
表1、GT人脸数据库下不同人脸识别模型的识别准确率
模型 | 识别准确率 |
CNN | 82.67% |
SVC | 82.00% |
RF | 84.00% |
CNN-SVC | 86.00% |
CNN-RF | 88.67% |
CNN-SVC-RF融合模型 | 90.00% |
由表1可以看出,CNN-SVC模型和CNN-RF模型分别比SVC模型和RF模型的识别准确率高,这说明CNN具有更好的特征提取能力,能够进一步提升SVC模型和RF模型的人脸识别性能。
此外,本发明方法采用的CNN-SVC-RF融合模型,其在GT人脸数据库下达到了90.00%的识别准确率,均大于CNN-SVC模型和CNN-RF模型这两个基于机器学习的模型识别准确率。实验结果表明,本发明提供的基于机器学习的电力安全管控人脸识别模型具有较好的人脸识别性能,能明显提高人脸的识别准确率,证明了本发明方法的优越性。本发明方法能够根据人脸识别结果实现工作人员识别、特种作业人员资质识别、作业人员轨迹追踪、到岗到位人员打卡等电力安全管控功能。
Claims (5)
1.一种基于机器学习的电力安全管控人脸识别方法,其特征在于:所述的基于机器学习的电力安全管控人脸识别方法包括按顺序进行的下列步骤:
1)通过身份证的识别,从人资权威源获取所有参与电力安全管控人员的包括姓名、岗位和现场特种作业人员资质在内的信息;
2)获取所有参与电力安全管控人员的人脸照片而构成人脸数据库,并通过安装在作业现场不同位置的多个摄像头对作业现场人员进行实时人脸图像采集;
3)将步骤2)得到的所有人脸照片及人脸图像进行预处理,获得人脸灰度图像;
4)将步骤3)获得的人脸灰度图像输入CNN中进行训练,由此提取出有效人脸特征;
5)以参与电力安全管控人员中的每一个体作为一个类别,将步骤4)提取出的所有参与电力安全管控人员的有效人脸特征分别输入到SVC模型和RF模型中进行训练,即分别进行CNN-SVC模型和CNN-RF模型训练;
6)将步骤4)提取出的作业现场人员的有效人脸特征分别输入到步骤5)中已训练好的CNN-SVC模型和CNN-RF模型中,得到待识别作业现场人员在各类别中的概率P_classes1和P_classes2;
7)利用CNN-SVC模型和CNN-RF模型的权重α1和α2对上述概率P_classes1和P_classes2进行加权从而得到最终概率P_classes,由此实现CNN-SVC模型和CNN-RF模型的融合,得到CNN-SVC-RF融合模型,并选择最终概率P_classes中概率最大的类别作为待识别作业现场人员的人脸识别结果;
8)最后,根据上述人脸识别结果,结合步骤1)获得的参与电力安全管控人员的信息,实现包括非工作人员识别、特种作业人员资质识别、作业人员轨迹追踪及到岗到位人员打卡在内的电力安全管控功能。
2.根据权利要求1所述基于机器学习的电力安全管控人脸识别方法,其特征在于:在步骤3)中,所述的将步骤2)得到的所有人脸照片及人脸图像进行预处理,获得人脸灰度图像的方法是:
利用OpenCV的人脸检测分类器Haar对人脸数据库中的所有人脸照片及采集的作业现场人员人脸图像进行人脸自动检测,并将检测出的人脸图像自动修剪为同一尺寸;将所有修剪的人脸图像进行灰度化处理,获得人脸灰度图像。
3.根据权利要求1所述基于机器学习的电力安全管控人脸识别方法,其特征在于:在步骤4)中,所述的CNN由输入层、2个卷积层、2个池化层、2个Dropout层、1个Flatten层、2个全连接层和1个softmax输出层组成;每层的卷积核数量分别为5和10,其大小均为3×3;池化核大小均为2×2,Dropout值均为0.2,激活函数均为relu。
4.根据权利要求1所述基于机器学习的电力安全管控人脸识别方法,其特征在于:在步骤5)中,所述的SVC模型中设置核函数为rbf、正则化参数为1,核函数rbf的核系数gamma的数值使用'scale'方式设置;RF模型中设置决策树数目为100、并行工作个数为1。
5.根据权利要求1所述基于机器学习的电力安全管控人脸识别方法,其特征在于:在步骤8)中,所述的根据上述人脸识别结果,结合步骤1)获得的参与电力安全管控人员的信息,实现包括非工作人员识别、特种作业人员资质识别、作业人员轨迹追踪及到岗到位人员打卡在内的电力安全管控功能的方法是:
非工作人员识别:若人脸识别结果是待识别作业现场人员不属于任何参与电力安全管控人员,则立即触发声光报警器,从而及时通知相关负责人将待识别作业现场人员请离作业现场,以杜绝安全隐患;
特种作业人员资质识别:若人脸识别结果是待识别作业现场人员没有所在作业现场的特种作业人员资质,则立即触发声光报警器,并将相关信息上传至安全管控中心,从而保障作业现场的安全;
作业人员轨迹追踪:若人脸识别结果是待识别作业现场人员属于参与电力安全管控人员,能够通过安装在作业现场不同位置的多个摄像头采集的该人员不同时间和地点的人脸图像的人脸识别结果,将其不同时间的活动地点进行记录,从而实现该人员的轨迹追踪;
到岗到位人员打卡:若人脸识别结果是待识别作业现场人员属于参与电力安全管控人员,将该人员的信息上传并记录,从而实现到岗到位人员打卡,同时减少擅自随意离岗的现象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110600067.9A CN113221825B (zh) | 2021-05-31 | 2021-05-31 | 一种基于机器学习的电力安全管控人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110600067.9A CN113221825B (zh) | 2021-05-31 | 2021-05-31 | 一种基于机器学习的电力安全管控人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221825A true CN113221825A (zh) | 2021-08-06 |
CN113221825B CN113221825B (zh) | 2022-03-18 |
Family
ID=77082013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110600067.9A Active CN113221825B (zh) | 2021-05-31 | 2021-05-31 | 一种基于机器学习的电力安全管控人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221825B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115188091A (zh) * | 2022-07-13 | 2022-10-14 | 国网江苏省电力有限公司泰州供电分公司 | 一种融合电力输变配设备的无人机网格化巡检系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376333A (zh) * | 2014-09-25 | 2015-02-25 | 电子科技大学 | 基于随机森林的人脸表情识别方法 |
CN109934047A (zh) * | 2017-12-15 | 2019-06-25 | 浙江舜宇智能光学技术有限公司 | 基于深度学习的人脸识别系统及其人脸识别方法 |
CN109978050A (zh) * | 2019-03-25 | 2019-07-05 | 北京理工大学 | 基于svm-rf的决策规则提取及约简方法 |
-
2021
- 2021-05-31 CN CN202110600067.9A patent/CN113221825B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376333A (zh) * | 2014-09-25 | 2015-02-25 | 电子科技大学 | 基于随机森林的人脸表情识别方法 |
CN109934047A (zh) * | 2017-12-15 | 2019-06-25 | 浙江舜宇智能光学技术有限公司 | 基于深度学习的人脸识别系统及其人脸识别方法 |
CN109978050A (zh) * | 2019-03-25 | 2019-07-05 | 北京理工大学 | 基于svm-rf的决策规则提取及约简方法 |
Non-Patent Citations (2)
Title |
---|
MASAKAZU MATSUGU 等: "Face Recognition Using SVM Combined with CNN for Face Detection", 《INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING》 * |
胡红萍 等: "基于卷积神经网络与随机森林的合成孔径雷达目标识别", 《数学的实践与认知》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115188091A (zh) * | 2022-07-13 | 2022-10-14 | 国网江苏省电力有限公司泰州供电分公司 | 一种融合电力输变配设备的无人机网格化巡检系统及方法 |
CN115188091B (zh) * | 2022-07-13 | 2023-10-13 | 国网江苏省电力有限公司泰州供电分公司 | 一种融合电力输变配设备的无人机网格化巡检系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113221825B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rahmad et al. | Comparison of Viola-Jones Haar Cascade classifier and histogram of oriented gradients (HOG) for face detection | |
CN110287805B (zh) | 基于三流卷积神经网络的微表情识别方法及系统 | |
Bartlett et al. | Recognizing facial expression: machine learning and application to spontaneous behavior | |
Patil et al. | Implementation of classroom attendance system based on face recognition in class | |
CN111563417B (zh) | 一种基于金字塔结构卷积神经网络的人脸表情识别方法 | |
CN106650693A (zh) | 一种用于人脸比对的多特征融合识别算法 | |
CN106778609A (zh) | 一种电力施工现场人员制服穿着识别方法 | |
Mady et al. | Face recognition and detection using Random forest and combination of LBP and HOG features | |
CN107085715A (zh) | 一种电视智能检测用户睡眠状态的系统及方法 | |
CN106529578A (zh) | 一种基于深度学习的车辆品牌型号精细识别方法与系统 | |
CN103400122A (zh) | 一种活体人脸的快速识别方法 | |
CN107145893A (zh) | 一种基于卷积深度网络的图像识别算法及系统 | |
Benkaddour et al. | Human age and gender classification using convolutional neural network | |
CN111382727B (zh) | 一种基于深度学习的犬脸识别方法 | |
CN113221825B (zh) | 一种基于机器学习的电力安全管控人脸识别方法 | |
Kushal et al. | Id card detection with facial recognition using tensorflow and opencv | |
Diyasa et al. | Multi-face Recognition for the Detection of Prisoners in Jail using a Modified Cascade Classifier and CNN | |
Byeon et al. | A surveillance system using CNN for face recognition with object, human and face detection | |
CN115527271A (zh) | 电梯轿厢乘客异常行为检测系统及方法 | |
Bhatia et al. | Face detection using fuzzy logic and skin color segmentation in images | |
Putro et al. | Fast face-CPU: a real-time fast face detector on CPU using deep learning | |
Priya et al. | Face-Recognition Based Attendance System using One-Shot Learning | |
Xu | An efficient crowd estimation method using convolutional neural network with thermal images | |
Kujani et al. | Ensembled Transfer Learning Models for Real Time Face Recognition | |
Sharma et al. | Face Mask Detection using MobileNetV2 |
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 |