CN113920547A - 一种基于神经网络的手套检测方法及其系统 - Google Patents
一种基于神经网络的手套检测方法及其系统 Download PDFInfo
- Publication number
- CN113920547A CN113920547A CN202111523807.XA CN202111523807A CN113920547A CN 113920547 A CN113920547 A CN 113920547A CN 202111523807 A CN202111523807 A CN 202111523807A CN 113920547 A CN113920547 A CN 113920547A
- Authority
- CN
- China
- Prior art keywords
- detection frame
- glove
- hand
- credible
- neural 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
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
本发明公开了一种基于神经网络的手套检测方法及其系统,包括:获取检测图像;获取预训练的神经网络模型,将所述检测图像输入所述神经网络模型生成多类别的检测框,所述检测框的类别包括:人体检测框、手部检测框和手套检测框;对所述人体检测框与所述手部检测框进行重叠度判断,获取与所述人体检测框重叠度高于第一阈值的所述手部检测框作为可信手部检测框;对所述手套检测框与所述可信手部检测框进行重叠度判断,获取与所述可信手部检测框重叠度高于第二阈值的所述手套检测框作为可信手套检测框;基于所述可信手套检测框生成手套检测结果。
Description
技术领域
本发明涉及图像检测技术领域,具体涉及一种基于神经网络的手套检测方法及其系统。
背景技术
在生产车间时,由于作业安全性问题,需要工人佩戴手套,但是人工监督工人是否按规定佩戴手套需要耗费较高的人力,存在效率不高等问题。传统的手套检测方法通常采用预训练的神经网络直接对采集图像进行手套检测,但是由于手套属于小目标物体,通常在采集的图像中占比较低,因此导致传统的手套检测方法输出的检测结果误判较多,准确率较低。
综上所述,现有的基于神经网络的手套检测方法存在准确率低的问题。
发明内容
有鉴于此,本发明提供一种基于神经网络的手套检测方法及其系统,通过改进神经网络输出的检测结果的后端数据处理方法,解决了传统的基于神经网络的手套检测方法存在的准确率低的问题。
为解决以上问题,本发明的技术方案为采用一种基于神经网络的手套检测方法,包括:获取检测图像;获取预训练的神经网络模型,将所述检测图像输入所述神经网络模型生成多类别的检测框,所述检测框的类别包括:人体检测框、手部检测框和手套检测框;对所述人体检测框与所述手部检测框进行重叠度判断,获取与所述人体检测框重叠度高于第一阈值的所述手部检测框作为可信手部检测框;对所述手套检测框与所述可信手部检测框进行重叠度判断,获取与所述可信手部检测框重叠度高于第二阈值的所述手套检测框作为可信手套检测框;基于所述可信手套检测框生成手套检测结果。
可选地,所述手套检测方法还包括:在对所述人体检测框与所述手部检测框进行重叠度判断之前,对所述人体检测框、所述手部检测框和所述手套检测框进行置信度判断,剔除置信度低于第三阈值的所述人体检测框、所述手部检测框和所述手套检测框。
可选地,对所述人体检测框与所述手部检测框进行重叠度判断包括;提取所述神经网络模型输出的所述人体检测框的(x,y,w,h)坐标作为人体检测框区域坐标;提取所述神经网络模型输出的所述手部检测框的(x,y,w,h)坐标作为手部检测框区域坐标;基于所述人体检测框区域坐标与所述手部检测框区域坐标计算所述手部检测框与所述人体检测框的所述重叠度。
可选地,对所述手套检测框与所述可信手部检测框进行重叠度判断,包括:提取所述神经网络模型输出的所述手套检测框的(x,y,w,h)坐标作为手套检测框区域坐标;提取所述神经网络模型输出的所述可信手部检测框的(x,y,w,h)坐标作为可信手部检测框坐标;基于所述手套检测框区域坐标与所述可信手部检测框坐标计算所述手套检测框与所述可信手部检测框的所述重叠度。
可选地,训练所述神经网络模型,包括:构建初始化网络模型,其中,网络模型包括语义分割模型;获取包含多类别标记的图像样本构成的训练数据集和测试数据集,其中,标记类别包括人体、手部和手套;基于所述训练数据集和所述测试数据集训练并测试所述神经网络模型。
相应地,本发明提供,一种基于神经网络的手套检测系统,包括:摄像单元,用于采集检测图像;数据处理单元,用于获取预训练的神经网络模型,将所述检测图像输入所述神经网络模型生成多类别的检测框,所述检测框的类别包括:人体检测框、手部检测框和手套检测框,并对所述人体检测框与所述手部检测框进行重叠度判断,获取与所述人体检测框重叠度高于第一阈值的所述手部检测框作为可信手部检测框的同时,对所述手套检测框与所述可信手部检测框进行重叠度判断,获取与所述可信手部检测框重叠度高于第二阈值的所述手套检测框作为可信手套检测框后,基于所述可信手套检测框生成手套检测结果。
可选地,所述数据处理单元包括:第一过滤模块,用于剔除置信度低于第三阈值的所述人体检测框、所述手部检测框和所述手套检测框;第二过滤模块,用于提取与所述人体检测框重叠度高于第一阈值的所述手部检测框作为可信手部检测框;第三过滤模快,用于提取与所述可信手部检测框重叠度高于第二阈值的所述手套检测框作为可信手套检测框。
可选地,所述数据处理单元还包括缓存模块,用于存储所述检测图像、多类别的检测框数据和所述手套检测结果。
本发明的首要改进之处为提供的基于神经网络的手套检测方法,利用检测图像中提取的手部检测框应当归属于人体检测框区域范围内、手套检测框应当归属于手部检测框区域范围内的特性,通过预训练能够检测人体、手部、手套的神经网络模型,建立人体检测框、手部检测框、手套检测框之间的关联关系,通过提取与所述人体检测框重叠度高于第一阈值的所述手部检测框作为可信手部检测框,获取与所述可信手部检测框重叠度高于第二阈值的所述手套检测框作为可信手套检测框,在不明显增加后端数据处理单元的算力负荷的情况下,有效滤除神经网络误判生成的手套检测框,生成可靠的手套检测结果,解决了传统的基于神经网络的手套检测方法存在的准确率低的问题。
附图说明
图1是本发明的基于神经网络的手套检测方法的简化流程图;
图2是本发明的基于神经网络的手套检测系统的简化单元连接图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示,一种基于神经网络的手套检测方法,包括:获取检测图像;获取预训练的神经网络模型,将所述检测图像输入所述神经网络模型生成多类别的检测框,所述检测框的类别包括:人体检测框、手部检测框和手套检测框;对所述人体检测框与所述手部检测框进行重叠度判断,获取与所述人体检测框重叠度高于第一阈值的所述手部检测框作为可信手部检测框;对所述手套检测框与所述可信手部检测框进行重叠度判断,获取与所述可信手部检测框重叠度高于第二阈值的所述手套检测框作为可信手套检测框;基于所述可信手套检测框生成手套检测结果。
进一步的,所述手套检测方法还包括:在对所述人体检测框与所述手部检测框进行重叠度判断之前,对所述人体检测框、所述手部检测框和所述手套检测框进行置信度判断,剔除置信度低于第三阈值的所述人体检测框、所述手部检测框和所述手套检测框。本发明通过剔除置信度低于第三阈值的所述人体检测框、所述手部检测框和所述手套检测框,有效去除神经网络明显误判生成的检测框对于最终手套检测结果的干扰。其中,第一阈值、第二阈值和第三阈值可由用户根据摄像头检测精度、实际监测要求自行定义,本申请不对其数值做具体限定。
进一步的,对所述人体检测框与所述手部检测框进行重叠度判断包括;提取所述神经网络模型输出的所述人体检测框的(x,y,w,h)坐标作为人体检测框区域坐标;提取所述神经网络模型输出的所述手部检测框的(x,y,w,h)坐标作为手部检测框区域坐标;基于所述人体检测框区域坐标与所述手部检测框区域坐标计算所述手部检测框与所述人体检测框的所述重叠度。本发明通过获取与所述人体检测框重叠度高于第一阈值的所述手部检测框作为可信手部检测框,有效去除神经网络误判生成的手部检测框对于最终手套检测结果的干扰。
进一步的,对所述手套检测框与所述可信手部检测框进行重叠度判断,包括:提取所述神经网络模型输出的所述手套检测框的(x,y,w,h)坐标作为手套检测框区域坐标;提取所述神经网络模型输出的所述可信手部检测框的(x,y,w,h)坐标作为可信手部检测框坐标;基于所述手套检测框区域坐标与所述可信手部检测框坐标计算所述手套检测框与所述可信手部检测框的所述重叠度。本发明通过获取与所述可信手部检测框重叠度高于第二阈值的所述手套检测框作为可信手套检测框,有效去除神经网络误判生成的手套检测框对于最终手套检测结果的干扰。
进一步的,训练所述神经网络模型,包括:构建初始化网络模型,其中,网络模型包括语义分割模型;获取包含多类别标记的图像样本构成的训练数据集和测试数据集,其中,标记类别包括人体、手部和手套;基于所述训练数据集和所述测试数据集训练并测试所述神经网络模型。应说明的是,本申请所使用的神经网络模型为本领域常规现有技术,不涉及对模型架构的进一步改进,因此不对神经网络模型的类型、架构做具体限定。其中,神经网络模型的类型可以是YOLO-V3,FASTER RCNN等。
为便于理解本申请的工作原理,现以采集单张所述检测图像进行说明:
将所述检测图像输入所述神经网络模型生成多类别的检测框,所述检测框的类别包括:人体检测框、手部检测框和手套检测框。其中,所述神经网络模型输出的检测框均包括(x,y,w,h,i),(x,y)为所述检测框的左上角坐标,w为所述检测框的宽,h为所述检测框的高,i为所述检测框的置信度;
对所述人体检测框、所述手部检测框和所述手套检测框进行置信度i判断,剔除置信度低于第三阈值的所述人体检测框、所述手部检测框和所述手套检测框后;
提取所述神经网络模型输出的所述人体检测框的(x,y,w,h)坐标作为人体检测框区域坐标,提取所述神经网络模型输出的所述手部检测框的(x,y,w,h)坐标作为手部检测框区域坐标后,基于所述人体检测框区域坐标与所述手部检测框区域坐标计算所述手部检测框所处的区域与所述人体检测框所处的区域的所述重叠度,获取与所述人体检测框重叠度高于第一阈值的所述手部检测框作为可信手部检测框;
提取所述神经网络模型输出的所述手套检测框的(x,y,w,h)坐标作为手套检测框区域坐标,提取所述神经网络模型输出的所述可信手部检测框的(x,y,w,h)坐标作为可信手部检测框坐标后,基于所述手套检测框区域坐标与所述可信手部检测框坐标计算所述手套检测框所处的区域与所述可信手部检测框所处的区域的所述重叠度,获取与所述可信手部检测框重叠度高于第二阈值的所述手套检测框作为可信手套检测框;
基于所述可信手套检测框生成最终真实可信的手套检测结果。
本发明利用检测图像中提取的手部检测框应当归属于人体检测框区域范围内、手套检测框应当归属于手部检测框区域范围内的特性,通过预训练能够检测人体、手部、手套的神经网络模型,建立人体检测框、手部检测框、手套检测框之间的关联关系,通过提取与所述人体检测框重叠度高于第一阈值的所述手部检测框作为可信手部检测框,获取与所述可信手部检测框重叠度高于第二阈值的所述手套检测框作为可信手套检测框,在不明显增加后端数据处理单元的算力负荷的情况下,有效滤除神经网络误判生成的手套检测框,生成可靠的手套检测结果,解决了传统的基于神经网络的手套检测方法存在的准确率低的问题。
相应的,如图2所示,本发明提供,一种基于神经网络的手套检测系统,包括:摄像单元,用于采集检测图像;数据处理单元,用于获取预训练的神经网络模型,将所述检测图像输入所述神经网络模型生成多类别的检测框,所述检测框的类别包括:人体检测框、手部检测框和手套检测框,并对所述人体检测框与所述手部检测框进行重叠度判断,获取与所述人体检测框重叠度高于第一阈值的所述手部检测框作为可信手部检测框的同时,对所述手套检测框与所述可信手部检测框进行重叠度判断,获取与所述可信手部检测框重叠度高于第二阈值的所述手套检测框作为可信手套检测框后,基于所述可信手套检测框生成手套检测结果。
进一步的,所述数据处理单元包括:第一过滤模块,用于剔除置信度低于第三阈值的所述人体检测框、所述手部检测框和所述手套检测框;第二过滤模块,用于提取与所述人体检测框重叠度高于第一阈值的所述手部检测框作为可信手部检测框;第三过滤模快,用于提取与所述可信手部检测框重叠度高于第二阈值的所述手套检测框作为可信手套检测框。
进一步的,所述数据处理单元还包括缓存模块,用于存储所述检测图像、多类别的检测框数据和所述手套检测结果。
以上对本发明实施例所提供的一种基于神经网络的手套检测方法及其系统进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,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,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (8)
1.一种基于神经网络的手套检测方法,其特征在于,包括:
获取检测图像;
获取预训练的神经网络模型,将所述检测图像输入所述神经网络模型生成多类别的检测框,所述检测框的类别包括:人体检测框、手部检测框和手套检测框;
对所述人体检测框与所述手部检测框进行重叠度判断,获取与所述人体检测框重叠度高于第一阈值的所述手部检测框作为可信手部检测框;
对所述手套检测框与所述可信手部检测框进行重叠度判断,获取与所述可信手部检测框重叠度高于第二阈值的所述手套检测框作为可信手套检测框;
基于所述可信手套检测框生成手套检测结果。
2.根据权利要求1所述的手套检测方法,其特征在于,所述手套检测方法还包括:
在对所述人体检测框与所述手部检测框进行重叠度判断之前,对所述人体检测框、所述手部检测框和所述手套检测框进行置信度判断,剔除置信度低于第三阈值的所述人体检测框、所述手部检测框和所述手套检测框。
3.根据权利要求2所述的手套检测方法,其特征在于,对所述人体检测框与所述手部检测框进行重叠度判断包括;
提取所述神经网络模型输出的所述人体检测框的(x,y,w,h)坐标作为人体检测框区域坐标,其中,(x,y)为所述检测框的左上角坐标,w为所述检测框的宽,h为所述检测框的高;
提取所述神经网络模型输出的所述手部检测框的(x,y,w,h)坐标作为手部检测框区域坐标;
基于所述人体检测框区域坐标与所述手部检测框区域坐标计算所述手部检测框与所述人体检测框的所述重叠度。
4.根据权利要求3所述的手套检测方法,其特征在于,对所述手套检测框与所述可信手部检测框进行重叠度判断,包括:
提取所述神经网络模型输出的所述手套检测框的(x,y,w,h)坐标作为手套检测框区域坐标;
提取所述神经网络模型输出的所述可信手部检测框的(x,y,w,h)坐标作为可信手部检测框坐标;
基于所述手套检测框区域坐标与所述可信手部检测框坐标计算所述手套检测框与所述可信手部检测框的所述重叠度。
5.根据权利要求1所述的手套检测方法,其特征在于,训练所述神经网络模型,包括:
构建初始化网络模型,其中,网络模型包括语义分割模型;
获取包含多类别标记的图像样本构成的训练数据集和测试数据集,其中,标记类别包括人体、手部和手套;
基于所述训练数据集和所述测试数据集训练并测试所述神经网络模型。
6.一种基于神经网络的手套检测系统,其特征在于,包括:
摄像单元,用于采集检测图像;
数据处理单元,用于获取预训练的神经网络模型,将所述检测图像输入所述神经网络模型生成多类别的检测框,所述检测框的类别包括:人体检测框、手部检测框和手套检测框,并对所述人体检测框与所述手部检测框进行重叠度判断,获取与所述人体检测框重叠度高于第一阈值的所述手部检测框作为可信手部检测框的同时,对所述手套检测框与所述可信手部检测框进行重叠度判断,获取与所述可信手部检测框重叠度高于第二阈值的所述手套检测框作为可信手套检测框后,基于所述可信手套检测框生成手套检测结果。
7.根据权利要求6所述的手套检测系统,其特征在于,所述数据处理单元包括:
第一过滤模块,用于剔除置信度低于第三阈值的所述人体检测框、所述手部检测框和所述手套检测框;
第二过滤模块,用于提取与所述人体检测框重叠度高于第一阈值的所述手部检测框作为可信手部检测框;
第三过滤模快,用于提取与所述可信手部检测框重叠度高于第二阈值的所述手套检测框作为可信手套检测框。
8.根据权利要求7所述的手套检测系统,其特征在于,所述数据处理单元还包括缓存模块,用于存储所述检测图像、多类别的检测框数据和所述手套检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111523807.XA CN113920547A (zh) | 2021-12-14 | 2021-12-14 | 一种基于神经网络的手套检测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111523807.XA CN113920547A (zh) | 2021-12-14 | 2021-12-14 | 一种基于神经网络的手套检测方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113920547A true CN113920547A (zh) | 2022-01-11 |
Family
ID=79249175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111523807.XA Pending CN113920547A (zh) | 2021-12-14 | 2021-12-14 | 一种基于神经网络的手套检测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920547A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130392A (zh) * | 2022-08-30 | 2022-09-30 | 张家港大裕橡胶制品有限公司 | 一种橡胶手套一体成型厚度检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090174652A1 (en) * | 2004-01-06 | 2009-07-09 | Masami Yamamoto | Information processing system, entertainment system, and information processing system input accepting method |
CN104573612A (zh) * | 2013-10-16 | 2015-04-29 | 北京三星通信技术研究有限公司 | 估计深度图像中重叠的多个人体对象的姿态的设备和方法 |
CN110072046A (zh) * | 2018-08-24 | 2019-07-30 | 北京微播视界科技有限公司 | 图像合成方法和装置 |
CN110298318A (zh) * | 2019-07-01 | 2019-10-01 | 北京中星微电子有限公司 | 人头人体联合检测方法、装置和电子设备 |
CN111160440A (zh) * | 2019-12-24 | 2020-05-15 | 广东省智能制造研究所 | 一种基于深度学习的安全帽佩戴检测方法及装置 |
CN112132780A (zh) * | 2020-08-17 | 2020-12-25 | 珠海市卓轩科技有限公司 | 基于深度神经网络的钢筋数量检测方法及系统 |
CN112613441A (zh) * | 2020-12-29 | 2021-04-06 | 新疆爱华盈通信息技术有限公司 | 异常驾驶行为的识别和预警方法、电子设备 |
CN113283296A (zh) * | 2021-04-20 | 2021-08-20 | 晋城鸿智纳米光机电研究院有限公司 | 安全帽佩戴检测方法、电子装置及存储介质 |
CN113688759A (zh) * | 2021-08-31 | 2021-11-23 | 重庆科技学院 | 一种基于深度学习的安全帽识别方法 |
-
2021
- 2021-12-14 CN CN202111523807.XA patent/CN113920547A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090174652A1 (en) * | 2004-01-06 | 2009-07-09 | Masami Yamamoto | Information processing system, entertainment system, and information processing system input accepting method |
CN104573612A (zh) * | 2013-10-16 | 2015-04-29 | 北京三星通信技术研究有限公司 | 估计深度图像中重叠的多个人体对象的姿态的设备和方法 |
CN110072046A (zh) * | 2018-08-24 | 2019-07-30 | 北京微播视界科技有限公司 | 图像合成方法和装置 |
CN110298318A (zh) * | 2019-07-01 | 2019-10-01 | 北京中星微电子有限公司 | 人头人体联合检测方法、装置和电子设备 |
CN111160440A (zh) * | 2019-12-24 | 2020-05-15 | 广东省智能制造研究所 | 一种基于深度学习的安全帽佩戴检测方法及装置 |
CN112132780A (zh) * | 2020-08-17 | 2020-12-25 | 珠海市卓轩科技有限公司 | 基于深度神经网络的钢筋数量检测方法及系统 |
CN112613441A (zh) * | 2020-12-29 | 2021-04-06 | 新疆爱华盈通信息技术有限公司 | 异常驾驶行为的识别和预警方法、电子设备 |
CN113283296A (zh) * | 2021-04-20 | 2021-08-20 | 晋城鸿智纳米光机电研究院有限公司 | 安全帽佩戴检测方法、电子装置及存储介质 |
CN113688759A (zh) * | 2021-08-31 | 2021-11-23 | 重庆科技学院 | 一种基于深度学习的安全帽识别方法 |
Non-Patent Citations (3)
Title |
---|
ZHIJUN MAI等: "MetaMixUp: Learning Adaptive Interpolation Policy of MixUp With Metalearning", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS ( EARLY ACCESS )》 * |
沈复民等: "AI城市大脑助推智慧城市建设", 《人工智能》 * |
韩锟等: "施工场景下基于YOLOv3的安全帽佩戴状态检测", 《铁道科学与工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130392A (zh) * | 2022-08-30 | 2022-09-30 | 张家港大裕橡胶制品有限公司 | 一种橡胶手套一体成型厚度检测方法及系统 |
CN115130392B (zh) * | 2022-08-30 | 2022-12-02 | 张家港大裕橡胶制品有限公司 | 一种橡胶手套一体成型厚度检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103065134B (zh) | 一种具有提示信息的指纹识别装置和方法 | |
CN110598851A (zh) | 一种融合lstm和gan的时间序列数据异常检测方法 | |
CN105469105A (zh) | 一种基于视频监控的香烟烟雾检测方法 | |
CN109165538A (zh) | 基于深度神经网络的条形码检测方法及装置 | |
CN106846362A (zh) | 一种目标检测跟踪方法和装置 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN110689555B (zh) | 基于前景检测的kcf跟踪目标丢失检测方法及系统 | |
CN111914665A (zh) | 一种人脸遮挡检测方法、装置、设备及存储介质 | |
CN109816051B (zh) | 一种危化品货物特征点匹配方法及系统 | |
CN103606221A (zh) | 清分机故障自动诊断方法以及装置 | |
CN112417955A (zh) | 巡检视频流处理方法及装置 | |
CN110458144A (zh) | 物体区域入侵检测方法、系统、装置及可读存储介质 | |
CN113920547A (zh) | 一种基于神经网络的手套检测方法及其系统 | |
CN115330799A (zh) | 一种仪表自动化故障诊断方法 | |
CN110808995A (zh) | 安全防护方法和装置 | |
CN111639555B (zh) | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 | |
CN111881929B (zh) | 基于混沌图像像素识别的Duffing系统大周期状态检测方法及装置 | |
CN117421692A (zh) | 垃圾投放站的垃圾违规投放识别方法、装置、设备 | |
CN106251364A (zh) | 目标跟踪方法及装置 | |
CN115937217A (zh) | 一种利用3d卷积和相关性算子来自动检测腐蚀坑的方法 | |
Bennamoun | Edge detection: Problems and solutions | |
CN112419304B (zh) | 一种面向一维数据的多阶段目标检测方法及装置 | |
CN116434197A (zh) | 异常动作检测闭环迭代优化方法、系统、介质及设备 | |
CN114495244A (zh) | 电像计算数据异常检测方法、装置、设备及存储介质 | |
CN114359550A (zh) | 姿态识别方法、装置、处理器及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220111 |