CN113536847A - 一种基于深度学习的工业场景视频分析系统及其方法 - Google Patents
一种基于深度学习的工业场景视频分析系统及其方法 Download PDFInfo
- Publication number
- CN113536847A CN113536847A CN202010306648.7A CN202010306648A CN113536847A CN 113536847 A CN113536847 A CN 113536847A CN 202010306648 A CN202010306648 A CN 202010306648A CN 113536847 A CN113536847 A CN 113536847A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- learning model
- pictures
- sample
- training
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 51
- 238000013136 deep learning model Methods 0.000 claims description 50
- 238000012795 verification Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims 1
- 238000002372 labelling Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (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)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习的工业场景视频分析系统及其方法，所述分析系统通过网络公开数据集和人工采集标注的方法构建样本大数据集合，利用YOLOV3模型进行类别标签训练和识别，客户可以把该模型部署到嵌入式系统上，从而获取相关识别结果，解决了人工监控效率低下的问题，客户可基于识别信息，做出记录或报警等有效决策。
Description
技术领域
本发明涉及视频处理技术领域，特别是涉及一种基于深度学习的工业场景视频分析系统及其方法。
背景技术
在工业领域，视频监控需要识别视频中人的行为特征，进而进行相关决策。在工厂中，每个作业区域在不同时间段的人数应服从一定规律，否则为异常情况，比如在工作时间段旷工，没有按规定巡查，在危险区域停留等，视频可实时记录工人在相应区域的工作是否符合规范，出勤和工作效率情况，进而进行有效整改和优化。然而现在记录这些信息，需要人工识别并记录，需要耗费大量的人力和物力，效率低下。
发明内容
本发明的目的是针对现有技术中存在的识别工业场景中识别工人工作状态耗时耗力的问题，而提供一种基于深度学习的工业场景视频分析系统。
本发明的另一方面，是提供所述基于深度学习的工业场景视频分析系统的分析方法。
为实现本发明的目的所采用的技术方案是：
一种基于深度学习的工业场景视频分析系统，包括大数据样本采集模块、数据预处理模块、深度学习模型训练模块和视频识别与处理模块，
所述大数据样本采集模块用于构建数据集，所述数据预处理模块用于对所述数据集中的图片进行过滤和标准化，所述深度学习模型训练模块通过预处理后的图片对深度学习模型进行训练，所述视频识别与处理模块用于采集图像，并利用训练后的所述深度学习模型进行识别，得到识别结果。
在上述技术方案中，基于深度学习模型训练模块得到的深度学习模型对相关信息进行识别和处理，部署于云端或部署于本地；
所述大数据样本采集模块包括真实样本采集模块和公开数据集采集模块；
所述深度学习模型训练模块中的深度学习模型采用YOLOV3模型；
所述视频识别与处理模块本地使用或部署于云端。
本发明的另一方面，所述基于深度学习的工业场景视频分析系统在工厂人员监控中的应用。
本发明的另一方面，一种基于深度学习的工业场景视频分析系统的分析方法，包括以下步骤：
步骤1，大数据样本采集模块采集构建数据集C，所述数据集C包括50％的训练集合A和50％的训练集合B，其中：训练集合A是对公开数据集进行标注后得到的预训练样本集合，训练集合B是对摄像头采集真实环境图片样本进行标注后得到的预训练样本集合，训练集合A和训练集合B标注时，“有人”的训练样本中记录有人在的区域像素矩形区域坐标，无人则不标注；
步骤2，数据预处理模块对步骤1得到的所述数据集中C的样本图片进行过滤和标准化，并分为训练集和验证集；
步骤3，首先利用训练集合A训练所述深度学习模型，然后利用数据集C的训练集训练所述深度学习模型，再利用数据集C的验证集验证所述深度学习模型，保存在数据集C的验证集上效果最优的深度学习模型，得到最优深度学习模型并将其部署于云端服务器或本地嵌入式系统；
步骤4，在摄像头采集的视频流中抽取图片，并记录对应的时间点，对抽取图片进行标准化，得到标准化图片；
步骤5，将步骤4得到的标准化图片输入到最优深度学习模型中，最优深度学习模型输出多个区域中识别为人的概率、对应分值、以及识别为人的区域的矩形坐标。
在上述技术方案中，所述步骤2中过滤时，将宽度小于200像素的样本图片过滤掉，标准化时对样本图片进行重采样和黑色填充，处理成416*416像素的图片，所述步骤4中的标准化也是将抽取图片进行重采样和黑色填充，处理成416*416像素的图片。
在上述技术方案中，所述步骤2中，训练集和验证集两者样本图片的数量比例为4:1。
在上述技术方案中，所述步骤2中，对样本图片进行过滤和标准化，再利用样本增强方法增加样本图片数量，样本增强方法为平移随机像素、旋转随机角度或左右镜像；
更为优选的，平移时，可对样本图片随机向上下左右平移1-50像素，旋转随机角度-20度-20度。
在上述技术方案中，所述步骤4中，利用opencv工具在摄像头采集的视频流中抽取图片；
所述步骤4中，每间隔1-5s抽取一次图片，最为预选的，每间隔2s抽取一次图片。
在上述技术方案中，所述步骤5中，对应分值在0-1之间，如果对应分值在阈值a以上，且模型输出的矩形框的长宽比大于1.5，则认为该区域包含人，更为优选的，a的选取值为0.5。
本发明的另一方面，还包括所述分析方法在工厂人员监控中的应用。
与现有技术相比，本发明的有益效果是：
1.本发明可以通过基于深度学习的YOLOV3图像检测技术进行工厂场景的监控视频分析，提升视频分析和处理的效率。可以有效监控各区域人员密度，和时间序列规律。加强危险或机密区域人员管理，自动监控每个区域人员工作情况，实现异常情况报警，提升了整体工作效率。
2.通过网络公开数据集和人工采集标注的方法构建样本大数据集合，可优化学习模型的预测效果。
附图说明
图1所示为工厂场景人员检测效果。
具体实施方式
以下结合具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
一种基于深度学习的工业场景视频分析系统，包括大数据样本采集模块、数据预处理模块、深度学习模型训练模块和视频识别与处理模块，
所述大数据样本采集模块用于构建数据集，所述数据预处理模块用于对所述数据集中的图片进行过滤和标准化，所述深度学习模型训练模块通过预处理后的图片对深度学习模型进行训练，所述视频识别与处理模块用于采集图像，并利用训练后的所述深度学习模型进行识别，得到识别结果。
基于深度学习模型训练模块得到的深度学习模型，对相关信息进行识别和处理，可部署于云端，获得网络请求并返回相应结果，也可以部署于本地。
所述大数据样本采集模块包括真实样本采集模块和公开数据集采集模块，真实样本采集模块包括嵌入式linux系统及对应硬件系统和通用无畸变的摄像头，如果所述系统的计算在云端进行，则硬件系统可选用树莓派等以CPU计算为主的模块，如果所述系统的计算在本地进行，则硬件系统可选用英伟达jetson nano等以GPU计算为主的模块。公开数据集采集模块可利用COCO公开数据集。
所述深度学习模型训练模块中的深度学习模型采用YOLOV3模型，使用经过预训练的标准初始权重，初始权重为COCO数据集训练得到的，YOLOV3采用Darknet-53的网络结构，含有53个卷积层，借鉴残差网络的做法，在一些层之间设置快捷链路，方便信息的传输。YOLOV3模型采用3个不同尺度(三个尺度为13，26，53)的特征图来进行对象检测，实现图像细粒度的检测。比如检测网络采用了32倍的下采样，由于下采样倍数高，这里特征图的感受野比较大，适合检测图像中尺寸比较大的对象。根据样本特点，设置模型六个先验框大小如下：(15x40)，(20x60)，(30x90)，(40x120)，(50x150)，(60x180)，单位为像素。具体参数可基于实际样本特点进行优化调整。
视频识别与处理模块可本地使用也可部署于云端，如本地部署需要较高算力，部署于云端的流程如下：首先，利用python flask框架进行服务器后端部署，搭建http服务。云端系统可以选用阿里云。然后，服务器端开放某一端口如8080，处理互联网传输的请求。互联网的请求通过http协议完成。
实施例2
如实施例1所述的基于深度学习的工业场景视频分析系统的分析方法，包括以下步骤：
步骤1，大数据样本采集模块采集构建数据集C，所述数据集C包括50％的训练集合A和50％的训练集合B，其中：训练集合A是对公开数据集进行标注后得到的预训练样本集合，训练集合B是对摄像头采集真实环境图片样本进行标注后得到的预训练样本集合，训练集合A和训练集合B标注时，“有人”的训练样本中记录有人在的区域像素矩形区域坐标，无人则不标注；
步骤2，数据预处理模块对步骤1得到的所述数据集中C的样本图片进行过滤和标准化，并分为训练集和验证集(划分训练集和验证集时，随机分配)；
步骤3，首先利用训练集合A训练所述深度学习模型，然后利用数据集C的训练集训练所述深度学习模型，再利用数据集C的验证集验证所述深度学习模型，保存在数据集C的验证集上效果最优的深度学习模型，得到最优深度学习模型并将其部署于云端服务器或本地嵌入式系统；
步骤4，在摄像头采集的视频流中抽取图片(关键帧)，并记录对应的时间点，对抽取图片进行标准化，得到标准化图片；
步骤5，将步骤4得到的标准化图片输入到最优深度学习模型中，最优深度学习模型输出多个区域中识别为人的概率、对应分值、以及识别为人的区域的矩形坐标。
为了将得到的训练样本中的图片归一化，所述步骤2中过滤时，将宽度小于200像素的样本图片过滤掉，标准化时对样本图片进行重采样和黑色填充，处理成416*416像素的图片，所述步骤4中的标准化也是将抽取图片进行重采样和黑色填充，处理成416*416像素的图片。
为了得到最优深度学习模型，所述步骤2中，训练集和验证集两者样本图片的数量比例为4:1。
作为优选的，为了提升深度学习模型的泛化能力，所述步骤2中，对样本图片进行过滤和标准化，再利用样本增强方法增加样本图片数量，样本增强方法为平移随机像素、旋转随机角度或左右镜像。如此对所有图片进行增强，一个图片通过不同增强方法得到多个图片，这些图片都作为训练样本。
更为具体的，平移时，可对样本图片随机向上下左右平移1-50像素，旋转随机角度-20度-20度。
作为优选的，所述步骤4中，利用opencv工具在摄像头采集的视频流中抽取图片。
更为优选的，所述步骤4中，每间隔1-5s抽取一次图片，最为预选的，每间隔2s抽取一次图片。
作为优选的，所述步骤5中，对应分值在0-1之间，如果对应分值在阈值a以上，且模型输出的矩形框的长宽比大于1.5，则认为该区域包含人。更为优选的，a的选取值为0.5。
实施例3
本实施例对实施例1的分析系统和实施例2的分析方法的应用场景进行举例说明。
实施例1的分析系统和实施例2的分析方法可应用于工厂危险或机密区域人员监控，如果模型检测到该区域有人员进入则触发报警装置。
实施例1的分析系统和实施例2的分析方法可应用于人员出勤情况监控，监控每个人在工位停留时间规律，计算每日的有效工作时间，并进行汇总，辅助工厂管理人员的管理。
实施例1的分析系统和实施例2的分析方法可应用于工厂各区域人员密度监控，优化设备布局，提升效率。
图1是利用发明的分析系统和分析方法得到的人体检测效果图。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于深度学习的工业场景视频分析系统，其特征在于，包括大数据样本采集模块、数据预处理模块、深度学习模型训练模块和视频识别与处理模块，
所述大数据样本采集模块用于构建数据集，所述数据预处理模块用于对所述数据集中的图片进行过滤和标准化，所述深度学习模型训练模块通过预处理后的图片对深度学习模型进行训练，所述视频识别与处理模块用于采集图像，并利用训练后的所述深度学习模型进行识别，得到识别结果。
2.如权利要求1所述的基于深度学习的工业场景视频分析系统，其特征在于，基于深度学习模型训练模块得到的深度学习模型对相关信息进行识别和处理，部署于云端或部署于本地；
所述大数据样本采集模块包括真实样本采集模块和公开数据集采集模块；
所述深度学习模型训练模块中的深度学习模型采用YOLOV3模型；
所述视频识别与处理模块本地使用或部署于云端。
3.如权利要求1或2所述基于深度学习的工业场景视频分析系统在工厂人员监控中的应用。
4.一种基于深度学习的工业场景视频分析系统的分析方法，其特征在于，包括以下步骤：
步骤1，大数据样本采集模块采集构建数据集C，所述数据集C包括50％的训练集合A和50％的训练集合B，其中：训练集合A是对公开数据集进行标注后得到的预训练样本集合，训练集合B是对摄像头采集真实环境图片样本进行标注后得到的预训练样本集合，训练集合A和训练集合B标注时，“有人”的训练样本中记录有人在的区域像素矩形区域坐标，无人则不标注；
步骤2，数据预处理模块对步骤1得到的所述数据集中C的样本图片进行过滤和标准化，并分为训练集和验证集；
步骤3，首先利用训练集合A训练所述深度学习模型，然后利用数据集C的训练集训练所述深度学习模型，再利用数据集C的验证集验证所述深度学习模型，保存在数据集C的验证集上效果最优的深度学习模型，得到最优深度学习模型并将其部署于云端服务器或本地嵌入式系统；
步骤4，在摄像头采集的视频流中抽取图片，并记录对应的时间点，对抽取图片进行标准化，得到标准化图片；
步骤5，将步骤4得到的标准化图片输入到最优深度学习模型中，最优深度学习模型输出多个区域中识别为人的概率、对应分值、以及识别为人的区域的矩形坐标。
5.如权利要求4所述的分析方法，其特征在于，所述步骤2中过滤时，将宽度小于200像素的样本图片过滤掉，标准化时对样本图片进行重采样和黑色填充，处理成416*416像素的图片，所述步骤4中的标准化也是将抽取图片进行重采样和黑色填充，处理成416*416像素的图片。
6.如权利要求4所述的分析方法，其特征在于，所述步骤2中，训练集和验证集两者样本图片的数量比例为4:1。
7.如权利要求4所述的分析方法，其特征在于，所述步骤2中，对样本图片进行过滤和标准化，再利用样本增强方法增加样本图片数量，样本增强方法为平移随机像素、旋转随机角度或左右镜像；
更为优选的，平移时，可对样本图片随机向上下左右平移1-50像素，旋转随机角度-20度-20度。
8.如权利要求4所述的分析方法，其特征在于，所述步骤4中，利用opencv工具在摄像头采集的视频流中抽取图片；
所述步骤4中，每间隔1-5s抽取一次图片，最为预选的，每间隔2s抽取一次图片。
9.如权利要求4所述的分析方法，其特征在于，所述步骤5中，对应分值在0-1之间，如果对应分值在阈值a以上，且模型输出的矩形框的长宽比大于1.5，则认为该区域包含人，更为优选的，a的选取值为0.5。
10.如权利要求4-9中任一项所述分析方法在工厂人员监控中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010306648.7A CN113536847A (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度学习的工业场景视频分析系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010306648.7A CN113536847A (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度学习的工业场景视频分析系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113536847A true CN113536847A (zh) | 2021-10-22 |
Family
ID=78093510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010306648.7A Pending CN113536847A (zh) | 2020-04-17 | 2020-04-17 | 一种基于深度学习的工业场景视频分析系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113536847A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114152191A (zh) * | 2021-12-01 | 2022-03-08 | 上海上实龙创智能科技股份有限公司 | 一种基于MapReduce的图像测量装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106095532A (zh) * | 2016-06-12 | 2016-11-09 | 北京大学 | 一种云环境中虚拟机负载均衡安全调度方法 |
| CN108830152A (zh) * | 2018-05-07 | 2018-11-16 | 北京红云智胜科技有限公司 | 深度学习网络和人工特征相联合的行人检测方法及系统 |
| CN109002761A (zh) * | 2018-06-13 | 2018-12-14 | 中山大学新华学院 | 一种基于深度卷积神经网络的行人重识别监控系统 |
| CN109033947A (zh) * | 2018-06-11 | 2018-12-18 | 北京航空航天大学 | 基于深度学习的路面遗撒识别方法 |
| CN109977773A (zh) * | 2019-02-18 | 2019-07-05 | 华南理工大学 | 基于多目标检测3d cnn的人体行为识别方法及系统 |
| CN110059674A (zh) * | 2019-05-24 | 2019-07-26 | 天津科技大学 | 基于深度学习的标准着装检测方法 |
| CN110516685A (zh) * | 2019-05-31 | 2019-11-29 | 沈阳工业大学 | 基于卷积神经网络的晶状体浑浊程度检测方法 |
-
2020
- 2020-04-17 CN CN202010306648.7A patent/CN113536847A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106095532A (zh) * | 2016-06-12 | 2016-11-09 | 北京大学 | 一种云环境中虚拟机负载均衡安全调度方法 |
| CN108830152A (zh) * | 2018-05-07 | 2018-11-16 | 北京红云智胜科技有限公司 | 深度学习网络和人工特征相联合的行人检测方法及系统 |
| CN109033947A (zh) * | 2018-06-11 | 2018-12-18 | 北京航空航天大学 | 基于深度学习的路面遗撒识别方法 |
| CN109002761A (zh) * | 2018-06-13 | 2018-12-14 | 中山大学新华学院 | 一种基于深度卷积神经网络的行人重识别监控系统 |
| CN109977773A (zh) * | 2019-02-18 | 2019-07-05 | 华南理工大学 | 基于多目标检测3d cnn的人体行为识别方法及系统 |
| CN110059674A (zh) * | 2019-05-24 | 2019-07-26 | 天津科技大学 | 基于深度学习的标准着装检测方法 |
| CN110516685A (zh) * | 2019-05-31 | 2019-11-29 | 沈阳工业大学 | 基于卷积神经网络的晶状体浑浊程度检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114152191A (zh) * | 2021-12-01 | 2022-03-08 | 上海上实龙创智能科技股份有限公司 | 一种基于MapReduce的图像测量装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101942808B1 (ko) | 객체 이미지 인식 dcnn 기반 cctv 영상분석장치 | |
| CN108022235B (zh) | 高压输电铁塔关键部件缺陷识别方法 | |
| CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
| CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
| CN111680609B (zh) | 基于图像配准和目标检测的异物识别系统及其方法 | |
| CN110969213A (zh) | 一种基于Faster RCNN的船只检测方法、装置及电子设备 | |
| CN112287823A (zh) | 一种基于视频监控的面部口罩识别方法 | |
| CN111091110A (zh) | 一种基于人工智能的反光背心穿戴识别方法 | |
| CN111523362A (zh) | 一种基于电子围网的数据分析方法、装置及电子设备 | |
| CN112183219A (zh) | 一种基于人脸识别的公共安全视频监测方法及系统 | |
| CN114241370A (zh) | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 | |
| CN112949439A (zh) | 一种油罐车重点区域人员入侵监测方法和系统 | |
| CN114155472A (zh) | 厂区场景临空面防护设备异常状态检测方法、装置和设备 | |
| CN115620471A (zh) | 一种基于大数据筛查的图像识别安防系统 | |
| CN112598865B (zh) | 一种电缆线路防外力破坏的监控方法及系统 | |
| CN113536847A (zh) | 一种基于深度学习的工业场景视频分析系统及其方法 | |
| CN114067396A (zh) | 基于视觉学习的居配工程现场试验数字化管理系统及方法 | |
| CN116310922A (zh) | 石化厂区监控视频风险识别方法、系统、电子设备及存储介质 | |
| CN113627321A (zh) | 基于人工智能的图像识别方法、装置及计算机设备 | |
| CN109873990A (zh) | 一种基于计算机视觉的矿山非法开采预警方法 | |
| CN114764895A (zh) | 异常行为检测装置和方法 | |
| Dominguez et al. | A GPU-accelerated LPR algorithm on broad vision survillance cameras | |
| CN114495015A (zh) | 人体姿态检测方法和装置 | |
| CN114390260A (zh) | 应用于智慧城市的危险区域和重要场所监控平台 | |
| CN112699745A (zh) | 一种用于火灾现场的被困人员定位方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211022 |