CN113780342A - 一种基于自监督预训练的智能检测方法、装置及机器人 - Google Patents
一种基于自监督预训练的智能检测方法、装置及机器人 Download PDFInfo
- Publication number
- CN113780342A CN113780342A CN202110892260.4A CN202110892260A CN113780342A CN 113780342 A CN113780342 A CN 113780342A CN 202110892260 A CN202110892260 A CN 202110892260A CN 113780342 A CN113780342 A CN 113780342A
- Authority
- CN
- China
- Prior art keywords
- training
- self
- model
- supervision
- target detection
- 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
- 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
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于自监督预训练的智能检测方法、装置及机器人,该方法包括如下步骤:获取大量相似场景无标签图片;采集任务需要的少量指定场景图片,通过标注工具对每个指定场景图片中特定检测对象进行标注,标签为两类:正常数据和非正常数据;通过自监督预训练算法对收集到的大量相似场景无标签图片进行训练,得到特征提取模型;使用自监督预训练得到的特征提取模型作为有监督目标检测算法模型的主干网络,然后在标注后得到的少量指定场景图片上训练所述目标检测算法模型;训练完成后,通过mAP值对模型进行精度检测。本发明可以在海量无标签数据和少量无标签数据场景相似的前提下,有效的提升模型的精度和泛化性能。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于自监督预训练的智能检测方法、装置及机器人。
背景技术
智能机器人技术是当前一个十分前沿和热门的技术,随着大数据、云计算、人工智能等技术的发展,机器人的智能化程度越来越高,已经在工业、商业、医疗、能源、交通、教育等多个领域得到应用,其中尤其在是在交通工程建设下的智能巡检任务得到广泛的应用。机器人智能巡检是指机器人在交通工程建设下按照规划好的巡检路线自主运行,在运行过程中通过传感器采集环境中的数据,然后通过智能算法分析数据,检测出异常情况。在智能巡检中最常用的方式是通过摄像头获取环境的图像数据,然后用基于深度学习的图像分类、目标检测、语义分割等算法进行各类识别和检测任务,如漏液检测、安全帽检测、指示灯检测等。
但由于基于深度学习类的智能识别和检测算法通常需要大量(十几万/几十万张图片)带有标签的数据进行模型训练,通常情况下,数据越多算法模型的精度越高、泛化性能越好,相应的如果数据不足,将严重降低算法的精度和泛化性能,导致无法达到相应的要求。然而采集和标注大量的数据,需要花费较大的人力物力等成本,对于很多中小型公司来说代价太高,而且有些情况下受场景和隐私等限制,即使我们有人力物力也很难采集到足够的数据。这种在特定场景限制下,难以采集到足够的数据是很多基于深度学习的识别和检测算法落地应用时面临的一个广泛且十分有挑战的问题,解决该问题具有十分重要的应用价值。当前主流的解决方法是基于迁移学习,即先在一个公开的大型数据集上训练模型,然后再在特定场景的小型数据集上微调模型的方法,这种方法具有一定的效果,但整体系统较复杂而且精度不高,尤其是在公开的大型数据集和特定场景的小数据场景差异过大的情况下,会导致模型的精度和泛化均严重下降,无法满足需求。
发明内容
为了解决上述技术问题,本发明提出一种基于自监督预训练的智能检测方法、装置及机器人。本方法、装置及机器人可以在海量无标签数据和少量无标签数据场景相似的前提下,有效的提升模型的精度和泛化性能。
为了达到上述目的,本发明的技术方案如下:
一种基于自监督预训练的智能检测方法,包括如下步骤:
步骤S1:获取大量相似场景无标签图片;
步骤S2:采集任务需要的少量指定场景图片,通过标注工具对每个指定场景图片中特定检测对象进行标注,标签为两类:正常数据和非正常数据;
步骤S3:通过自监督预训练算法对收集到的大量相似场景无标签图片进行训练,得到特征提取模型;
步骤S4:使用自监督预训练得到的特征提取模型作为有监督目标检测算法模型的主干网络,然后在标注后得到的少量指定场景图片上训练所述目标检测算法模型;
步骤S5:将测试集输入到步骤S4训练完成后的目标检测算法模型中,计算模型的mAP值,若mAP值大于预设阈值,则停止训练,保存模型;若mAP值小于预设阈值,则转至步骤3继续训练或对步骤4重新进行超参数设置。
优选地,还包括步骤S6:实时将待检测的现场图片输入到步骤S5中保存的目标检测算法模型中进行推断,若判定待检测的现场图片为非正常数据,则待检测的现场图片中特定检测对象存在非正常行为,立即对相关人员发出告警信息。
优选地,所述步骤S1中,相似场景无标签图片是通过现场采集和/或互联网搜索收集得到,并对原数据进行预处理。
优选地,所述预处理包括筛选和清洗。
优选地,所述自监督视觉预训练算法包括MoCo、BYOL。
优选地,所述目标检测算法包括YOLOv4、FCOS。
一种基于自监督预训练的智能检测装置,包括:
收集单元,用于获取大量相似场景无标签图片;
采集单元,用于采集任务需要的少量指定场景图片,通过标注工具对每个指定场景图片中特定检测对象进行标注,标签为两类:正常数据和非正常数据;
自监督预训练单元,用于通过自监督预训练算法对收集到的大量相似场景无标签图片进行训练,得到特征提取模型;
目标检测单元,用于使用自监督预训练单元得到的特征提取模型作为有监督目标检测算法模型的主干网络,然后在标注后得到的少量指定场景图片上训练所述目标检测算法模型;
检测单元,用于将测试集输入到目标检测单元训练完成后的目标检测算法模型中,计算模型的mAP值,若mAP值大于预设阈值,则停止训练,保存模型;若mAP值小于预设阈值,则自监督预训练单元或目标检测单元继续进行训练。
优选地,还包括:
判断单元,用于实时将待检测的现场图片输入到检测单元中保存的目标检测算法模型中进行推断,若判定待检测的现场图片为非正常数据,则待检测的现场图片中特定检测对象存在非正常行为;
所述提醒单元,用于根据判断单元的判断结果,对相关人员发出告警信息。
优选地,所述自监督视觉预训练算法包括MoCo、BYOL;所述目标检测算法包括YOLOv4、FCOS。
一种机器人,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一项所述一种基于自监督预训练的智能检测方法的步骤。
基于上述技术方案,本发明的有益效果是:本发明结合自监督视觉预训练算法和目标检测算法,先通过自监督视觉预训练算法在大型无标签数据集上进行训练得到一个优异的特征提取模型,然后将模型作为目标检测的主干网络,在小型标注数据集上进行微调,最终得到一个完整的目标检测模型。通过在大量相似场景的无标签数据集上进行自监督预训练,可以在只需少量标注数据的条件下,提升模型在指定场景下的精度和泛化性能。而其理论依据是在海量无标签数据和少量无标签数据场景相似的前提下,自监督预训练得到的模型具有该场景下强大的特征提取能力,在迁移到相似场景的目标检测任务上后,可以有效的提升模型的精度和泛化性能。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1:一个实施例中一种基于自监督预训练的智能检测方法流程图;
图2:一个实施例中一种基于自监督预训练的智能检测方法算法原理框图。
具体实施方式
下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述。
特定工业场景下的基于深度学习的目标检测如漏液检测、安全帽检测、指示灯检测等是智能机器人的一项重要应用,具有巨大的商业价值,然而通常面临着采集和标注大量数据成本较高或无法采集到大量训练数据的问题,严重限制了其应用前景。常见的基于迁移学习的目标检测算法虽然能在一定程度上缓解数据不足的问题,但其系统过于复杂,精度也不理想,尤其是数据集差异过大时基本无法使用。针对上述问题,本发明在自监督预训练的基础上改进了基于常规迁移学习的目标检测遇到的问题,为基于深度学习的目标检测算法在特定工业场景下的应用落地提供了技术保障。其算法原理如下图2所示,本发明结合自监督视觉预训练算法如MoCo、BYOL等和目标检测算法如YOLOv4、FCOS等,先通过自监督视觉预训练算法在大型无标签数据集上进行训练得到一个优异的特征提取模型,然后将模型作为目标检测的主干网络,在小型标注数据集上进行微调,最终得到一个完整的目标检测模型。本发明的核心思想是通过在大量相似场景的无标签数据集上进行自监督预训练,可以在只需少量标注数据的条件下,提升模型在指定场景下的精度和泛化性能。而其理论依据是在海量无标签数据和少量无标签数据场景相似的前提下,自监督预训练得到的模型具有该场景下强大的特征提取能力,在迁移到相似场景的目标检测任务上后,可以有效的提升模型的精度和泛化性能。
实施例一
如附图1所示,本发明提供一种基于自监督预训练的智能检测方法,其中大量相似场景无标签图片与少量指定场景图片间的分配比例按不小于30:1设置,下面以安全帽检测为例进行具体说明,但不仅限于此,采用本发明还可以完成如漏液检测、指示灯检测等各类检测任务。以安全帽检测为例,具体操作步骤如下所示:
步骤一:收集大量相似场景无标签图片
首先确定任务场景为工厂环境,通过搜索引擎从互联网上下载大量类似场景的图片,并进行一定的清理和筛选,去除掉错误的和重复的图片,最终得到有效图片约30万张。从任务场景中通过摄像机随机拍摄约10万张图片,合并两部分图片,最终得到约40万张无标签图片。
步骤二:采集少量指定场景图片并标注
在指定场景采集约1万张图片,要求图片中包含戴安全帽和不戴安全帽的人,对该部分图片进行目标检测标注,要求使用标注工具框出图片中戴安全帽和不戴安全帽的人头,并打上类别标签,类别标签共有两种:正常数据(戴安全帽)、非正常数据(未戴安全帽)。
步骤三:自监督视觉预训练
1.修改自监督预训练算法BYOL的backbone,将其替换为和YOLOv4使用的backbone一样,并将输入分辨率同步修改为和YOLOv4一致。
2.基于修改后的BYOL在40万张无标签数据集上进行训练,默认训练300epochs,通过loss是否收敛判断训练是否成功。
3.训练成功后保存backbone模型权重。
步骤四:训练安全帽检测算法模型
1.基于YOLOv4进行测试,修改YOLOv4的模型加载方式,将步骤三中保存的backbone模型权重加载并复制到YOLOv4的backbone中,同时将backbone部分的参数学习率设置为较小的值如0.001,使其在目标检测训练阶段只进行小幅度微调。
2.通过遗传算法进行超参数搜索,搜索出一组在当前数据集和backbone设置下,最优的超参数。
3.基于预训练的backbone和搜索到的超参数训练安全帽检测模型,训练结束后保存模型。
步骤五:评估安全帽检测模型
在测试数据集上测试安全帽检测模型,通过mAP值判断模型是否满足要求,若满足要求则结束,保存模型;若不满足要求根据分析重复步骤三或步骤四的训练直到满足要求。
步骤六:判断
实时将待检测的现场图片输入到步骤五中保存的目标检测算法模型中进行推断,若判定待检测的现场图片为非正常数据,则待检测的现场图片中人员未戴安全帽,立即对相关人员发出告警信息。
实施例二
本实施例中提供一种基于自监督预训练的智能检测装置,包括:
收集单元,用于获取大量相似场景无标签图片;
采集单元,用于采集任务需要的少量指定场景图片,通过标注工具对每个指定场景图片中特定检测对象进行标注,标签为两类:正常数据和非正常数据;
自监督预训练单元,用于通过自监督预训练算法对收集到的大量相似场景无标签图片进行训练,得到特征提取模型;
目标检测单元,用于使用自监督预训练单元得到的特征提取模型作为有监督目标检测算法模型的主干网络,然后在标注后得到的少量指定场景图片上训练所述目标检测算法模型;
检测单元,用于将测试集输入到目标检测单元训练完成后的目标检测算法模型中,计算模型的mAP值,若mAP值大于预设阈值,则停止训练,保存模型;若mAP值小于预设阈值,则自监督预训练单元或目标检测单元继续进行训练。
本实施例中,相似场景无标签图片是通过现场采集和互联网搜索收集得到,并对原数据进行筛选和清洗。
进一步,还包括:判断单元,用于实时将待检测的现场图片输入到检测单元中保存的目标检测算法模型中进行推断,若判定待检测的现场图片为非正常数据,则待检测的现场图片中特定检测对象存在非正常行为;所述提醒单元,用于根据判断单元的判断结果,对相关人员发出告警信息。
进一步,本实施例中自监督视觉预训练算法采用BYOL,但不仅限于此,还可以根据实际需求采用MoCo等其他算法;本实施例中目标检测算法采用YOLOv4,但不仅限于此,还可以根据实际需求采用FCOS等其他算法。
上述实施例阐明的装置或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
实施例三
本实施例中提供一种机器人,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
步骤S1:获取大量相似场景无标签图片;
步骤S2:采集任务需要的少量指定场景图片,通过标注工具对每个指定场景图片中特定检测对象进行标注,标签为两类:正常数据和非正常数据;
步骤S3:通过自监督预训练算法对收集到的大量相似场景无标签图片进行训练,得到特征提取模型;
步骤S4:使用自监督预训练得到的特征提取模型作为有监督目标检测算法模型的主干网络,然后在标注后得到的少量指定场景图片上训练所述目标检测算法模型;
步骤S5:训练完成后,将测试集输入到步骤S4中的目标检测算法模型,计算模型的mAP值,若mAP值大于预设阈值,则停止训练,保存模型;若mAP值小于预设阈值,则转至步骤3继续训练或对步骤4重新进行超参数设置。
以上所述仅为本发明所公开的一种基于自监督预训练的智能检测方法、装置及机器人的优选实施方式,并非用于限定本说明书实施例的保护范围。凡在本说明书实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的保护范围之内。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书实施例中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种基于自监督预训练的智能检测方法,其特征在于,包括如下步骤:
步骤S1:获取大量相似场景无标签图片;
步骤S2:采集任务需要的少量指定场景图片,通过标注工具对每个指定场景图片中特定检测对象进行标注,标签为两类:正常数据和非正常数据;
步骤S3:通过自监督预训练算法对收集到的大量相似场景无标签图片进行训练,得到特征提取模型;
步骤S4:使用自监督预训练得到的特征提取模型作为有监督目标检测算法模型的主干网络,然后在标注后得到的少量指定场景图片上训练所述目标检测算法模型;
步骤S5:将测试集输入到步骤S4训练完成后的目标检测算法模型中,计算模型的mAP值,若mAP值大于预设阈值,则停止训练,保存模型;若mAP值小于预设阈值,则转至步骤3继续训练或对步骤4重新进行超参数设置。
2.根据权利要求1所述的一种基于自监督预训练的智能检测方法,其特征在于,还包括步骤S6:实时将待检测的现场图片输入到步骤S5中保存的目标检测算法模型中进行推断,若判定待检测的现场图片为非正常数据,则待检测的现场图片中特定检测对象存在非正常行为,立即对相关人员发出告警信息。
3.根据权利要求1所述的一种基于自监督预训练的智能检测方法,其特征在于,所述步骤S1中,相似场景无标签图片是通过现场采集和/或互联网搜索收集得到,并对原数据进行预处理。
4.根据权利要求3所述的一种基于自监督预训练的智能检测方法,其特征在于,所述预处理包括筛选和清洗。
5.根据权利要求1所述的一种基于自监督预训练的智能检测方法,其特征在于,所述自监督视觉预训练算法包括MoCo、BYOL。
6.根据权利要求1所述的一种基于自监督预训练的智能检测方法,其特征在于,所述目标检测算法包括YOLOv4、FCOS。
7.一种基于自监督预训练的智能检测装置,其特征在于,包括:
收集单元,用于获取大量相似场景无标签图片;
采集单元,用于采集任务需要的少量指定场景图片,通过标注工具对每个指定场景图片中特定检测对象进行标注,标签为两类:正常数据和非正常数据;
自监督预训练单元,用于通过自监督预训练算法对收集到的大量相似场景无标签图片进行训练,得到特征提取模型;
目标检测单元,用于使用自监督预训练单元得到的特征提取模型作为有监督目标检测算法模型的主干网络,然后在标注后得到的少量指定场景图片上训练所述目标检测算法模型;
检测单元,用于将测试集输入到目标检测单元训练完成后的目标检测算法模型中,计算模型的mAP值,若mAP值大于预设阈值,则停止训练,保存模型;若mAP值小于预设阈值,则自监督预训练单元或目标检测单元继续进行训练。
8.根据权利要求7所述的一种基于自监督预训练的智能检测装置,其特征在于,还包括:
判断单元,用于实时将待检测的现场图片输入到检测单元中保存的目标检测算法模型中进行推断,若判定待检测的现场图片为非正常数据,则待检测的现场图片中特定检测对象存在非正常行为;
所述提醒单元,用于根据判断单元的判断结果,对相关人员发出告警信息。
9.根据权利要求7所述的一种基于自监督预训练的智能检测装置,其特征在于,所述自监督视觉预训练算法包括MoCo、BYOL;所述目标检测算法包括YOLOv4、FCOS。
10.一种机器人,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述一种基于自监督预训练的智能检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110892260.4A CN113780342A (zh) | 2021-08-04 | 2021-08-04 | 一种基于自监督预训练的智能检测方法、装置及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110892260.4A CN113780342A (zh) | 2021-08-04 | 2021-08-04 | 一种基于自监督预训练的智能检测方法、装置及机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780342A true CN113780342A (zh) | 2021-12-10 |
Family
ID=78836876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110892260.4A Pending CN113780342A (zh) | 2021-08-04 | 2021-08-04 | 一种基于自监督预训练的智能检测方法、装置及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780342A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067928A (zh) * | 2022-01-10 | 2022-02-18 | 北京晶泰科技有限公司 | 分子属性预测方法及系统、装置、存储介质和处理器 |
CN114565811A (zh) * | 2022-03-02 | 2022-05-31 | 腾讯科技(深圳)有限公司 | 视频处理方法、装置、设备、存储介质及程序产品 |
CN114565576A (zh) * | 2022-02-25 | 2022-05-31 | 联合汽车电子有限公司 | 一种dmtl表面缺陷检测方法、装置及终端 |
CN115359341A (zh) * | 2022-08-19 | 2022-11-18 | 无锡物联网创新中心有限公司 | 一种模型更新方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191732A (zh) * | 2020-01-03 | 2020-05-22 | 天津大学 | 一种基于全自动学习的目标检测方法 |
CN111275207A (zh) * | 2020-02-10 | 2020-06-12 | 深圳前海微众银行股份有限公司 | 基于半监督的横向联邦学习优化方法、设备及存储介质 |
CN111563557A (zh) * | 2020-05-12 | 2020-08-21 | 山东科华电力技术有限公司 | 一种电力电缆隧道内目标检测的方法 |
CN111881730A (zh) * | 2020-06-16 | 2020-11-03 | 北京华电天仁电力控制技术有限公司 | 一种火电厂现场安全帽佩戴检测方法 |
CN112101313A (zh) * | 2020-11-17 | 2020-12-18 | 北京蒙帕信创科技有限公司 | 一种机房机器人巡检方法及系统 |
CN113139476A (zh) * | 2021-04-27 | 2021-07-20 | 山东英信计算机技术有限公司 | 一种面向数据中心的人体行为属性实时检测方法和系统 |
-
2021
- 2021-08-04 CN CN202110892260.4A patent/CN113780342A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191732A (zh) * | 2020-01-03 | 2020-05-22 | 天津大学 | 一种基于全自动学习的目标检测方法 |
CN111275207A (zh) * | 2020-02-10 | 2020-06-12 | 深圳前海微众银行股份有限公司 | 基于半监督的横向联邦学习优化方法、设备及存储介质 |
CN111563557A (zh) * | 2020-05-12 | 2020-08-21 | 山东科华电力技术有限公司 | 一种电力电缆隧道内目标检测的方法 |
CN111881730A (zh) * | 2020-06-16 | 2020-11-03 | 北京华电天仁电力控制技术有限公司 | 一种火电厂现场安全帽佩戴检测方法 |
CN112101313A (zh) * | 2020-11-17 | 2020-12-18 | 北京蒙帕信创科技有限公司 | 一种机房机器人巡检方法及系统 |
CN113139476A (zh) * | 2021-04-27 | 2021-07-20 | 山东英信计算机技术有限公司 | 一种面向数据中心的人体行为属性实时检测方法和系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067928A (zh) * | 2022-01-10 | 2022-02-18 | 北京晶泰科技有限公司 | 分子属性预测方法及系统、装置、存储介质和处理器 |
CN114565576A (zh) * | 2022-02-25 | 2022-05-31 | 联合汽车电子有限公司 | 一种dmtl表面缺陷检测方法、装置及终端 |
CN114565811A (zh) * | 2022-03-02 | 2022-05-31 | 腾讯科技(深圳)有限公司 | 视频处理方法、装置、设备、存储介质及程序产品 |
CN115359341A (zh) * | 2022-08-19 | 2022-11-18 | 无锡物联网创新中心有限公司 | 一种模型更新方法、装置、设备及介质 |
CN115359341B (zh) * | 2022-08-19 | 2023-11-17 | 无锡物联网创新中心有限公司 | 一种模型更新方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113780342A (zh) | 一种基于自监督预训练的智能检测方法、装置及机器人 | |
CN111726586A (zh) | 一种生产体系操作规范监测提醒系统 | |
CN109936582A (zh) | 构建基于pu学习的恶意流量检测模型的方法及装置 | |
CN112926405A (zh) | 一种安全帽佩戴检测方法、系统、设备及存储介质 | |
CN112163469B (zh) | 一种吸烟行为识别方法、系统、设备及可读存储介质 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
Ajagbe et al. | Investigating the efficiency of deep learning models in bioinspired object detection | |
CN109857878B (zh) | 物品标注方法及装置、电子设备及存储介质 | |
Hussain et al. | A Simple and Efficient Deep Learning‐Based Framework for Automatic Fruit Recognition | |
CN111199238A (zh) | 一种基于双流卷积神经网络的行为识别方法及设备 | |
US20230186634A1 (en) | Vision-based monitoring of site safety compliance based on worker re-identification and personal protective equipment classification | |
CN116580350A (zh) | 一种实验室安全监测预警方法及系统 | |
Craye et al. | Exploration strategies for incremental learning of object-based visual saliency | |
CN110889338A (zh) | 无监督式的铁路道床异物检测、样本构造方法及装置 | |
CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
CN111931748B (zh) | 一种适用于蓄电池生产车间的工人疲劳度检测方法 | |
CN108717522A (zh) | 一种基于深度学习和相关滤波的人体目标跟踪方法 | |
Katsamenis et al. | Evaluating YOLO transferability limitation for road infrastructures monitoring | |
Ouyang et al. | An anchor-free detector with channel-based prior and bottom-enhancement for underwater object detection | |
CN112347889B (zh) | 一种变电站作业行为辨识方法及装置 | |
Agarwal et al. | Ordered atomic activity for fine-grained interactive traffic scenario understanding | |
CN113158995A (zh) | 一种多目标跟踪检测方法、系统、设备及存储介质 | |
Prinz et al. | Human-Centered Artificial Intelligence Application: Recognition of Manual Assembly Movements for Skill-Based Enhancements | |
CN114022698A (zh) | 一种基于二叉树结构的多标签行为识别方法及装置 | |
CN113192108A (zh) | 一种针对视觉跟踪模型的人在回路训练方法及相关装置 |
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 |