CN113971762A - 一种旋转机械作业安全风险智能识别方法及系统 - Google Patents
一种旋转机械作业安全风险智能识别方法及系统 Download PDFInfo
- Publication number
- CN113971762A CN113971762A CN202111463530.6A CN202111463530A CN113971762A CN 113971762 A CN113971762 A CN 113971762A CN 202111463530 A CN202111463530 A CN 202111463530A CN 113971762 A CN113971762 A CN 113971762A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- preset
- information
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种旋转机械作业安全风险智能识别方法及系统,其中,该方法包括:通过图像采集设备获得第一图像信息,第一图像信息包括目标区域;获得预设算法识别模型;将第一图像信息输入预设算法识别模型,获得第一识别结果,第一识别结果为针对第一目标进行的识别结果;判断第一识别结果是否包含第一目标;当包含时,根据第一识别结果,获得第一标记信息,第一标记信息用于按照预设尺寸对第一目标进行标记,第一标记信息包括第一标记图像;获得行人检测模型;根据行人检测模型对第一标记图像进行计算,获得第二识别结果;判断第二识别结果是否包含第二目标;当包含时,获得第一报警信息。
Description
技术领域
本发明涉及管道作业管控相关技术领域,具体涉及一种旋转机械作业安全风险智能识别方法及系统。
背景技术
在油气管道的建设作业过程中,经常采用旋转机械作业设备,旋转机械作业过程中,存在较大的作业区域,而旋转机械作业人员在设备上存在一定的视野盲区,当人员出现在视野盲区内时,可能会导致事故的发生。
现有技术中为避免此类事故的发生,采用的主要监管措施为现场人员人工监管,通过监管人员的巡视和换班等监管方法,确保旋转机械作业区域内没有人员进入,从而避免事故发生。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中由于现场人员监管在长时间工作后易产生疲劳,换班过程中存在着时间盲区,不能实现全时段的监管,且监管效果受现场人员的主管因素影响,无法实现标准化、全时段的有效监管,存在着监管不及、有可能导致事故发生的技术问题。
发明内容
本申请实施例通过提供了一种旋转机械作业安全风险智能识别方法及系统,用于针对解决现有技术中由于现场人员监管在长时间工作后易产生疲劳,换班过程中存在着时间盲区,不能实现全时段的监管,且监管效果受现场人员的主管因素影响,无法实现标准化、全时段的有效监管,存在着监管不及、有可能导致事故发生的技术问题。
鉴于上述问题,本申请实施例提供了一种旋转机械作业安全风险智能识别方法及系统。
本申请实施例的第一个方面,提供了一种旋转机械作业安全风险智能识别方法,所述方法应用于智能识别分析设备,所述智能识别分析设备包括图像采集设备,所述方法包括:通过所述图像采集设备获得第一图像信息,所述第一图像信息包括目标区域;获得预设算法识别模型;将所述第一图像信息输入所述预设算法识别模型,获得第一识别结果,所述第一识别结果为针对第一目标进行的识别结果;判断所述第一识别结果是否包含所述第一目标;当包含时,根据所述第一识别结果,获得第一标记信息,所述第一标记信息用于按照预设尺寸对所述第一目标进行标记,所述第一标记信息包括第一标记图像;获得行人检测模型;根据所述行人检测模型对所述第一标记图像进行计算,获得第二识别结果;判断所述第二识别结果是否包含第二目标;当包含时,获得第一报警信息。
本申请实施例的第二个方面,提供了一种旋转机械作业安全风险智能识别系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于通过图像采集设备获得第一图像信息,所述第一图像信息包括目标区域;第二获得单元,所述第二获得单元用于获得预设算法识别模型;第一处理单元,所述第一处理单元用于将所述第一图像信息输入所述预设算法识别模型,获得第一识别结果,所述第一识别结果为针对第一目标进行的识别结果;第一判断单元,所述第一判断单元用于判断所述第一识别结果是否包含所述第一目标;第二处理单元,所述第二处理单元用于当包含时,根据所述第一识别结果,获得第一标记信息,所述第一标记信息用于按照预设尺寸对所述第一目标进行标记,所述第一标记信息包括第一标记图像;第三获得单元,所述第三获得单元用于获得行人检测模型;第三处理单元,所述第三处理单元用于根据所述行人检测模型对所述第一标记图像进行计算,获得第二识别结果;第二判断单元,所述第二判断单元用于判断所述第二识别结果是否包含第二目标;第四处理单元,所述第四处理单元用于当包含时,获得第一报警信息。
本申请实施例的第三个方面,提供了一种旋转机械作业安全风险智能识别系统,包括:处理器,处理器与存储器耦合,存储器用于存储程序,当程序被处理器执行时,使系统以执行如第一方面方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种旋转机械作业安全风险智能识别方法及系统,通过图像采集设备采集旋转机械作业现场的图像信息,构建预设的算法识别模型,根据该模型对图像信息进行识别,识别出该图像信息内是否存在第一目标,得到第一识别结果,若包含,对第一识别结果内的第一目标进行标记,得到第一标记图像,根据行人检测模型对第一标记图像进行计算,判断第一标记图像内是否包含第二目标,得到第二识别结果,若包含,则进行报警。本申请实施例通过构建预设算法识别模型,在旋转作业过程中,通过图像识别的手段确认现场图像内是否存在旋转作业设备,若存在,对该旋转作业设备的作业范围进行标记获得标记图像,进一步判断该标记图像内是否存在行人,进行报警,通过该方法辅助旋转机械作业时的安全监管,能够实现全时段、标准化的旋转机械作业安全监管,避免由于人工监管产生监管不全面或不及时的问题发生,进而避免旋转机械作业导致事故发生,达到了提升监管有效性、有效避免事故发生的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供的一种旋转机械作业安全风险智能识别方法流程示意图;
图2为本申请实施例提供的一种旋转机械作业安全风险智能识别方法的逻辑框图;
图3为本申请实施例提供的一种旋转机械作业安全风险智能识别方法中目标检测算法模型的模型结构示意图;
图4为本申请实施例提供的一种旋转机械作业安全风险智能识别方法中余弦学习率的示意图;
图5为本申请实施例提供的一种旋转机械作业安全风险智能识别方法在实际应用中的示意图;
图6为本申请实施例提供了一种旋转机械作业安全风险智能识别系统结构示意图;
图7为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一处理单元13,第一判断单元14,第二处理单元15,第三获得单元16,第三处理单元17,第二判断单元18,第四处理单元19,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供了一种旋转机械作业安全风险智能识别方法及系统,用于针对解决现有技术中由于现场人员监管在长时间工作后易产生疲劳,换班过程中存在着时间盲区,不能实现全时段的监管,且监管效果受现场人员的主管因素影响,无法实现标准化、全时段的有效监管,存在着监管不及、有可能导致事故发生的技术问题。
本申请实施例提供的一种旋转机械作业安全风险智能识别方法及系统,通过图像采集设备采集旋转机械作业现场的图像信息,构建预设的算法识别模型,根据该模型对图像信息进行识别,识别出该图像信息内是否存在第一目标,得到第一识别结果,若包含,对第一识别结果内的第一目标进行标记,得到第一标记图像,根据行人检测模型对第一标记图像进行计算,判断第一标记图像内是否包含第二目标,得到第二识别结果,若包含,则进行报警。本申请实施例通过构建预设算法识别模型,在旋转作业过程中,通过图像识别的手段确认现场图像内是否存在旋转作业设备,若存在,对该旋转作业设备的作业范围进行标记获得标记图像,进一步判断该标记图像内是否存在行人,进行报警,通过该方法辅助旋转机械作业时的安全监管,能够实现全时段、标准化的旋转机械作业安全监管,避免由于人工监管产生监管不全面或不及时的问题发生,进而避免旋转机械作业导致事故发生,达到了提升监管有效性、有效避免事故发生的技术效果。
申请概述
在油气管道的建设作业过程中,经常采用旋转机械作业设备,旋转机械作业过程中,存在较大的作业区域,而旋转机械作业人员在设备上存在一定的视野盲区,当人员出现在视野盲区内时,可能会导致事故的发生。现有技术中为避免此类事故的发生,采用的主要监管措施为现场人员人工监管,通过监管人员的巡视和换班等监管方法,确保旋转机械作业区域内没有人员进入,从而避免事故发生。现有技术中由于现场人员监管在长时间工作后易产生疲劳,换班过程中存在着时间盲区,不能实现全时段的监管,且监管效果受现场人员的主管因素影响,无法实现标准化、全时段的有效监管,存在着监管不及、有可能导致事故发生的技术问题。随着人工智能技术的不断发展,基于图像的智能识别技术得到快速发展,并在各行各业得到了较为广泛的应用。基于图像的智能识别技术可以实现工作人员的劳保穿戴、非法入侵等事件。因此,结合目前对旋转机械作业安全风险的监管现状,以及人工智能技术的发展,设计一种基于图像智能识别技术的旋转机械作业安全风险智能识别方法,降低发生事故的风险,实现安全风险监管的可视化和智能化。
针对上述技术问题,本申请提供的技术方案总体思路如下:
通过图像采集设备获得第一图像信息,所述第一图像信息包括目标区域;获得预设算法识别模型;将所述第一图像信息输入所述预设算法识别模型,获得第一识别结果,所述第一识别结果为针对第一目标进行的识别结果;判断所述第一识别结果是否包含所述第一目标;当包含时,根据所述第一识别结果,获得第一标记信息,所述第一标记信息用于按照预设尺寸对所述第一目标进行标记,所述第一标记信息包括第一标记图像;获得行人检测模型;根据所述行人检测模型对所述第一标记图像进行计算,获得第二识别结果;判断所述第二识别结果是否包含第二目标;当包含时,获得第一报警信息。
在介绍了本申请基本原理后,下面,将参考附图对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
实施例一
如图1所示,本申请实施例提供了一种旋转机械作业安全风险智能识别方法,所述方法应用于智能识别分析设备,所述智能识别分析设备包括图像采集设备,所述方法包括:
S100:通过所述图像采集设备获得第一图像信息,所述第一图像信息包括目标区域;
具体而言,图像采集设备为现有技术中用于摄像或拍照获取图像信息的装置或多个装置的结合,优化为多个摄像机,多个摄像机设置在需要进行安全风险监管区域的目标区域的多个位置,能够获取目标区域所有位置的全角度图像信息。在需要进行旋转机械作业安全风险智能识别前,采用图像采集设备获取所要进行安全风险监管区域的第一图像信息,以为后续的图像识别提供图像数据基础。
S200:获得预设算法识别模型;
具体而言,预设算法识别模型用以对第一图像信息进行智能识别分析,其用于识别出第一图像信息内的旋转机械作业设备、旋转机械作业设备的作业范围以及行人,进而确认行人是否位于旋转机械作业设备的作业范围内,进行预警。其中,旋转机械作业设备即为第一目标,行人为第二目标。
预设算法识别模型可设置于前端分析设备内,能自动判断第一、二关键目标之间的距离关系。并将识别分析的结果通过网络的形式将报警信息发送至相关管理人员。预设算法识别模型也可设置于后端的智能识别分析服务器,服务器实时获取目标区域的图像和视频,作为第一图像信息,开展目标图像内的第一、二目标的识别分析和判断。
S300:将所述第一图像信息输入所述预设算法识别模型,获得第一识别结果,所述第一识别结果为针对第一目标进行的识别结果;
具体而言,将目标区域的第一图像信息输入预设算法识别模型,预设算法模型对其进行智能识别分析,得到第一识别结果,第一识别结果为针对第一目标进行的识别结果,其中,第一目标即为目标区域内的旋转机械作业设备,示例性地,第一目标为挖掘机、吊车等设备。
S400:判断所述第一识别结果是否包含所述第一目标;
S500:当包含时,根据所述第一识别结果,获得第一标记信息,所述第一标记信息用于按照预设尺寸对所述第一目标进行标记,所述第一标记信息包括第一标记图像;
具体而言,当第一识别结果内包含第一目标时,则对应目标区域内存在旋转机械作业设备。然后,预设算法识别模型对该第一目标进行标记,获得第一标记信息,第一标记信息按照预设尺寸对第一目标进行标记。示例性地,目标区域内含有旋转机械作业设备时,第一标记信息对该旋转机械作业设备按照旋转作业半径区域的预设尺寸进行标记,在第一图像信息内获得一圆形标记区域,或者,对该旋转机械作业设备按照旋转作业半径区域对应外切的矩形的预设尺寸进行标记,在第一图像信息内获得一矩形标记区域,即为第一标记图像。
S600:获得行人检测模型;
S700:根据所述行人检测模型对所述第一标记图像进行计算,获得第二识别结果;
具体而言,行人检测模型用于在图像内检测是否有行人出现。在本申请实施例中,在获得第一标记图像之后,行人检测模型内的算法对第一标记图像内进行分析计算,通过判断第二识别结果内否存在行人,获得第二识别结果,进而获知目标区域内旋转机械作业设备的旋转作业范围内是否有行人出现。
S800:判断所述第二识别结果是否包含第二目标;
S900:当包含时,获得第一报警信息。
具体而言,第二目标即为行人,包括施工人员和路人等。判断第二识别结果内是否包含第二目标,若包含,则第一标识图像信息内存在第二目标,即旋转机械作业设备的旋转作业区域内存在行人,此时,发出第一报警信息进行报警,以通知第二目标处于危险环境内,需进行注意或离开第一标记图像内的区域。
第一报警信息可以是通过邮件、短信、手机APP等形式进行推送,推送至现场人员,也可在现场设置灯光或警笛进行灯光和语音报警,以向第二目标和其他人员报警。
图2示出了本申请实施例提供的方法的一种可能的逻辑流程图,本申请实施例提供的方法通过构建预设算法识别模型,在旋转作业过程中,通过图像识别的手段确认现场图像内是否存在旋转作业设备,若存在,对该旋转作业设备的作业范围进行标记获得标记图像,进一步判断该标记图像内是否存在行人,进行报警,通过该方法辅助旋转机械作业时的安全监管,能够实现全时段、标准化的旋转机械作业安全监管,避免由于人工监管产生监管不全面或不及时的问题发生,进而避免旋转机械作业导致事故发生,达到了提升监管有效性、有效避免事故发生的技术效果。
本申请实施例提供的方法中的步骤S200包括:
S210:获得检测数据集;
S220:获得第一目标特征;
S230:基于所述第一目标特征对所述检测数据集进行标注,获得标注数据集;
S240:构建目标检测算法模型,所述目标检测算法模型基于yolov5;
S250:利用所述标注数据集对所述目标检测算法模型进行训练,获得所述预设算法识别模型,所述预设算法识别模型为通过对所述标注数据集进行迭代训练收敛而获得。
具体而言,检测数据集包括第一目标和第二目标的数据集合,示例性地,第一目标为吊车或挖掘机等,第二目标为行人,则第一目标特征即为检测数据集内吊车或挖掘机、行人的特征。根据第一目标特征对检测数据集内的第一目标和第二目标进行标记,获得标注数据集。
现有技术中基于计算机视觉的目标检测算法主要分为以下三大类:
1.二阶段目标检测算法:以Faster RCNN系列等为代表,精度最高,速度一般比较慢;
2.一阶段目标检测算法:以YOLO系列、SSD系列等为代表,精度适中,速度比较快;
3.无锚点目标检测算法:以CornerNet/CenterNet等为代表,精度适中,速度比较快。
而在本申请实施例中,需要检测旋转作业区域内行人的出现进行警告,需要综合考虑算法的速度和算法的精度,并需要处理行人等小目标检测、以及目标遮挡等问题。因而目标检测算法模型以yolov5为基础,并调整训练数据分布、进行数据增强、修改模型结构、调整训练策略等,得到了在准确率和速度上都比较合适的模型。
如图3所示,图3示出了本申请实施例提供的方法中目标检测算法模型一种可能的模型结构示意图。yolov5的易于配置环境,模型训练速度较快,并且批处理推理产生实时结果,能够直接对单个图像,批处理图像,视频甚至网络摄像头端口输入进行有效推理,识别图像的速度可达140FPS,在本申请实施例中,非常有利于实时识别行人等小目标,达到提升预警及时性的目的。
本申请实施例中,检测数据集分为第一目标检测数据集合第二目标检测数据集,对应的标注数据集也分为第一目标标注数据集和第二目标检测数据集,第一目标标注数据集标注了其中的吊车和挖掘机车辆,用来训练预设算法识别模型中的第一目标算法识别模型。第二目标检测数据集用来训练第二目标算法识别模型。
本申请实施例通过基于yolov5,采用标注数据集对目标检测算法模型进行训练,并采用迭代训练至收敛,提升目标检测算法模型的性能,能够得到准确率和速度上都比较合适的模型,进而快速、准确而有效识别出第一图像信息中的第一目标和第二目标,达到了提升目标检测算法模型识别性能的技术效果。
本申请实施例中的步骤S250包括:
S251:获得预设学习批尺寸;
S252:基于所述预设学习批尺寸,通过随机梯度下降对所述标注数据集进行优化训练,获得优化结果;
S253:对所述优化结果进行代价函数计算,获得代价函数值;
S254:当所述代价函数值达到第一预设条件时,利用余弦函数对所述标注数据集优化训练的学习率进行降低,获得余弦学习率;
S255:基于所述余弦学习率持续通过随机梯度下降对所述标注数据集进行优化训练,更新优化结果,直到获得的优化结果的代价函数值满足第二预设条件时为止,获得所述预设算法识别模型。
具体而言,本申请实施例中采用随机梯度下降(stochastic gradient descent,SGD)对目标检测算法模型进行迭代更新,在进行迭代优化之前,预先设置预设学习批尺寸(batch size),采用较大的预设学习批尺寸能让预设算法识别模型在一次的SGD的过程中看到更丰富的学习信息,有利于模型的朝正确的方向快速收敛。优化地,预设学习批尺寸为32。
随机梯度下降是通过标注数据集内的每个样本来迭代更新一次,如果标注数据集的样本量很大,那么可采用其中部分的样本,即可迭代到最优解。对比批量梯度下降,迭代一次需要用到十几万训练样本,一次迭代不可能最优,如果迭代10次的话就需要遍历训练样本10次。缺点是SGD的噪音较BGD要多,使得SGD并不是每次迭代都向着整体最优化方向。所以虽然训练速度快,但是准确度下降,并不是全局最优。虽然包含一定的随机性,但是从期望上来看,它是等于正确的导数的。在采用SGD对标注数据集迭代优化训练后,可得到一优化结果,对该优化结果进行代价函数计算,获得其代价函数值。
在采用梯度下降算法来优化目标函数的时候,当越来越接近Loss值的全局最小值时,当接近至一定范围时,即优化结果的代价函数值达到第一预设条件。此时学习率应该变得更小来使得模型尽可能接近全局最小值,而余弦退火(Cosine annealing)可以通过余弦函数来降低学习率,获得余弦学习率,图4示出了本申请实施例中余弦学习率的示意图。余弦函数中随着x的增加余弦值首先缓慢下降,然后加速下降,再次缓慢下降。这种下降模式能和学习率配合,以一种十分有效的计算方式来产生很好的效果。
基于余弦学习率持续通过随机梯度下降对标注数据集进行优化训练,当训练至收敛时,则此时的优化结果的代价函数值满足第二预设条件,预设算法识别模型训练完毕,可进行使用。
本申请实施例通过采用随机梯度下降和余弦退火对预设算法识别模型进行优化,虽然随机梯度下降得到的优化结果并非是全局最优,但其期望是正确的,且优化计算的代价比较小,能够提升模型训练速率。本申请实施例结合了多种模型训练策略,达到了提升模型性能的技术效果。
本申请实施例提供的方法中的步骤S200之前,还包括:
获得业务处理要求;
根据所述业务处理要求,获得匹配骨干网络;
根据所述匹配骨干网络对所述预设算法识别模型进行设置,获得所述预设算法识别模型。
具体而言,业务处理要求为当前旋转机械作业的业务处理要求,例如需要快速获得预设算法识别模型,并提升模型识别速度,提升项目安全性、项目进展速度,则该业务处理要求的计算速度要求较高。根据不同的计算速度要求,选择不同的深度骨干网络(Backbone)。示例性地,深度的骨干网络可选择AlexNet、VGG-16/19、GoogLeNet/Inception等骨干网络,具体根据不同的业务处理要求进行选择匹配。
本申请实施例通过根据业务处理需求匹配不同的骨干网络,能够基于不同的业务计算速度要求,采用不同的骨干网络构建模型并进行计算,达到了提升方法的普适性和应用场景的广泛性的技术效果。
本申请实施例提供的方法中的步骤S230包括:
S231:获得预设缩放规则,所述预设缩放规则包括多种缩放尺寸;
S232:从所述标注数据集中随机抽取训练样本,并根据所述预设缩放规则对所述随机抽取训练样本进行尺寸调整,获得调整样本信息;
S233:将所述调整样本信息存储于所述标注数据集中,对所述标注数据集进行更新。
具体而言,在实际的目标区域内,由于图像采集设备的位置和角度以及旋转机械作业位置的复杂性,第一图像信息内的第一目标和第二目标的大小尺度是复杂多变不均一的,仅采用第一目标特征进行标注,在第一目标或第二目标图像大小变化时,模型可能无法进行识别。
因此,需要在模型的训练过程中获得预设缩放规则,对标注数据集中的训练样本进行尺寸调整。预设缩放规则包括多种缩放尺寸示例性地,预设缩放规则包括三种缩放尺寸,通过预设缩放规则将某一第一图像信息缩放为大、中、小以及原图尺寸等四个尺寸,获得对应的调整样本信息。将调整后的调整样本信息存储于标注数据集中,对标注数据集进行更新,采用更新后的标注数据集进行训练。
本申请实施例通过对图像信息按照预设缩放规则进行缩放调整,从而模拟不同大小的人、挖掘机等第一、第二目标,让模型看到更多种多样的目标,提高模型的泛化性,减少模型在训练过程中的过拟合情况。
本申请实施例提供的方法中的步骤S600包括:
S610:获得第二目标特征;
S620:基于所述第二目标特征对所述检测数据集进行标注,获得行人检测数据集;
S630:对所述行人检测数据集进行数据增强策略处理,获得行人训练图像集;
S640:基于所述预设学习批尺寸,通过随机梯度下降对所述行人训练图像集进行优化训练,获得行人训练优化结果;
S650:对所述行人训练优化结果进行代价函数计算;
S660:当所述代价函数值达到所述第一预设条件时,利用所述余弦函数对所述行人训练图像集优化训练的学习率进行降低,获得行人训练余弦学习率;
S670:基于所述行人训练余弦学习率持续通过随机梯度下降对所述行人训练图像集进行优化训练,更新行人训练优化结果,直到获得的所述行人训练优化结果的代价函数值满足所述第二预设条件时为止,获得所述行人检测模型。
具体而言,对于行人检测模型的训练,需要按照第二目标内行人特征对检测数据集进行标注,获得行人检测数据集,然后基于上述的预设学习批尺寸,采用随机梯度下降、余弦函数对行人检测数据集进行迭代优化,至模型训练至收敛为止,其训练优化过程如上述的预设算法识别模型的训练优化过程相同,在此不再赘述。
本申请实施例提供的方法中的步骤S630包括:
S631:从所述行人检测数据集中读取预设数量的检测图像信息;
S632:基于读取检测图像信息,获得图像处理指令,所述图像处理指令用于对所述读取检测图像信息进行预设操作后按照预设方向位置进行摆放,其中,所述预设操作包括翻转、缩放、色域变化;
S633:执行所述图像处理指令后,获得图像处理信息;
S634:根据所述图像处理信息,获得图像组合信息,所述图像组合信息为对所述图像处理信息按照所述预设方向位置进行图片组合,并将所述图像处理信息中标注行人框进行组合;
S635:利用所述图像组合信息对所述行人检测数据集进行更新,获得所述行人训练图像集。
具体而言,由于行人的第二目标在第一图像信息内较小,针对图像内小目标的检测任务,采用Mosaic数据增强进行增强。具体地,从行人检测数据集中读取预设数量的检测图像信息,示例性地,每次课读取4张检测图像信息,然后获得图像处理指令,对预设数量的检测图像信息进行图像处理。
该图像处理包括预设操作和摆放,预设操作包括对预设数量的检测图像信息进行翻转、缩放、色域变化等处理,摆放包括对预设操作后的图像信息按照预设方向位置进行摆放,预设方向具体为四个方向,示例性地,四个方向分别为原图像信息的逆时针旋转90°、顺时针旋转90°和顺时针旋转180°的四个方向。
执行图像处理指令后,获得图像处理信息,对图像处理信息进行组合和行人框的组合,得到图像组合信息,采用该图像组合信息对行人检测数据集进行更新,获得行人训练图像集,然后对模型进行训练。
本申请实施例通过采用Mosaic数据增强,大大丰富了检测数据集,特别对于第二目标内的行人,随机缩放增加了很多小目标,让网络的鲁棒性更好,提高了小目标的检出率。
图5示出了本申请实施例在实际检测中,可有效准确检测出吊机/挖掘机作业设备和作业区域,并检测作业区域内是否有行人进入,进行标注,根据检测结果得到预警信息进行提示。
综上所述,本申请实施例通过构建预设算法识别模型,在旋转作业过程中,通过图像识别的手段确认现场图像内是否存在旋转作业设备,若存在,对该旋转作业设备的作业范围进行标记获得标记图像,进一步判断该标记图像内是否存在行人,进行报警。预设算法识别模型的构建过程中采用随机梯度下降、余弦学习率和Mosaic数据增强等方法,提升模型的性能,可有效识别小目标,并且可实现实时图像识别和报警,提升模型鲁棒性,该方法辅助旋转机械作业时的安全监管,能够实现全时段、标准化的旋转机械作业安全监管,避免由于人工监管产生监管不全面或不及时的问题发生,进而避免旋转机械作业导致事故发生,达到了提升监管有效性、有效避免事故发生的技术效果。
实施例二
基于与前述实施例中一种旋转机械作业安全风险智能识别方法相同的发明构思,如图6所示,本申请实施例提供了一种旋转机械作业安全风险智能识别系统,其中,所述系统包括:
第一获得单元11,所述第一获得单元11用于通过图像采集设备获得第一图像信息,所述第一图像信息包括目标区域;
第二获得单元12,所述第二获得单元12用于获得预设算法识别模型;
第一处理单元13,所述第一处理单元13用于将所述第一图像信息输入所述预设算法识别模型,获得第一识别结果,所述第一识别结果为针对第一目标进行的识别结果;
第一判断单元14,所述第一判断单元14用于判断所述第一识别结果是否包含所述第一目标;
第二处理单元15,所述第二处理单元15用于当包含时,根据所述第一识别结果,获得第一标记信息,所述第一标记信息用于按照预设尺寸对所述第一目标进行标记,所述第一标记信息包括第一标记图像;
第三获得单元16,所述第三获得单元16用于获得行人检测模型;
第三处理单元17,所述第三处理单元17用于根据所述行人检测模型对所述第一标记图像进行计算,获得第二识别结果;
第二判断单元18,所述第二判断单元18用于判断所述第二识别结果是否包含第二目标;
第四处理单元19,所述第四处理单元19用于当包含时,获得第一报警信息。
进一步的,所述系统还包括:
第四获得单元,所述第四获得单元用于获得检测数据集;
第五获得单元,所述第五获得单元用于获得第一目标特征;
第五处理单元,所述第五处理单元用于基于所述第一目标特征对所述检测数据集进行标注,获得标注数据集;
第一构建单元,所述第一构建单元用于构建目标检测算法模型,所述目标检测算法模型基于yolov5;
第六处理单元,所述第六处理单元用于利用所述标注数据集对所述目标检测算法模型进行训练,获得所述预设算法识别模型,所述预设算法识别模型为通过对所述标注数据集进行迭代训练收敛而获得。
进一步的,所述系统还包括:
第六获得单元,所述第六获得单元用于获得预设学习批尺寸;
第七处理单元,所述第七处理单元用于基于所述预设学习批尺寸,通过随机梯度下降对所述标注数据集进行优化训练,获得优化结果;
第八处理单元,所述第八处理单元用于对所述优化结果进行代价函数计算,获得代价函数值;
第九处理单元,所述第九处理单元用于当所述代价函数值达到第一预设条件时,利用余弦函数对所述标注数据集优化训练的学习率进行降低,获得余弦学习率;
第十处理单元,所述第十处理单元用于基于所述余弦学习率持续通过随机梯度下降对所述标注数据集进行优化训练,更新优化结果,直到获得的优化结果的代价函数值满足第二预设条件时为止,获得所述预设算法识别模型。
进一步的,所述系统还包括:
第七获得单元,所述第七获得单元用于获得业务处理要求;
第八获得单元,所述第八获得单元用于根据所述业务处理要求,获得匹配骨干网络;
第十一处理单元,所述第十一处理单元用于根据所述匹配骨干网络对所述预设算法识别模型进行设置,获得所述预设算法识别模型。
进一步的,所述系统还包括:
第九获得单元,所述第九获得单元用于获得预设缩放规则,所述预设缩放规则包括多种缩放尺寸;
第十二处理单元,所述第十二处理单元用于从所述标注数据集中随机抽取训练样本,并根据所述预设缩放规则对所述随机抽取训练样本进行尺寸调整,获得调整样本信息;
第十三处理单元,所述第十三处理单元用于将所述调整样本信息存储于所述标注数据集中,对所述标注数据集进行更新。
进一步的,所述系统还包括:
第十获得单元,所述第十获得单元用于获得第二目标特征;
第十四处理单元,所述第十四处理单元用于基于所述第二目标特征对所述检测数据集进行标注,获得行人检测数据集;
第十五处理单元,所述第十五处理单元用于对所述行人检测数据集进行数据增强策略处理,获得行人训练图像集;
第十六处理单元,所述第十六处理单元用于基于所述预设学习批尺寸,通过随机梯度下降对所述行人训练图像集进行优化训练,获得行人训练优化结果;
第十七处理单元,所述第十七处理单元用于对所述行人训练优化结果进行代价函数计算;
第十八处理单元,所述第十八处理单元用于当所述代价函数值达到所述第一预设条件时,利用所述余弦函数对所述行人训练图像集优化训练的学习率进行降低,获得行人训练余弦学习率;
第十九处理单元,所述第十九处理单元用于基于所述行人训练余弦学习率持续通过随机梯度下降对所述行人训练图像集进行优化训练,更新行人训练优化结果,直到获得的所述行人训练优化结果的代价函数值满足所述第二预设条件时为止,获得所述行人检测模型。
进一步的,所述系统还包括:
第二十处理单元,所述第二十处理单元用于从所述行人检测数据集中读取预设数量的检测图像信息;
第二十一处理单元,所述第二十一处理单元用于基于读取检测图像信息,获得图像处理指令,所述图像处理指令用于对所述读取检测图像信息进行预设操作后按照预设方向位置进行摆放,其中,所述预设操作包括翻转、缩放、色域变化;
第二十二处理单元,所述第二十二处理单元用于执行所述图像处理指令后,获得图像处理信息;
第二十三处理单元,所述第二十三处理单元用于根据所述图像处理信息,获得图像组合信息,所述图像组合信息为对所述图像处理信息按照所述预设方向位置进行图片组合,并将所述图像处理信息中标注行人框进行组合;
第二十四处理单元,所述第二十四处理单元用于利用所述图像组合信息对所述行人检测数据集进行更新,获得所述行人训练图像集。
示例性电子设备
下面参考图7来描述本申请实施例的电子设备,
基于与前述实施例中一种旋转机械作业安全风险智能识别方法相同的发明构思,本申请实施例还提供了一种旋转机械作业安全风险智能识别系统,包括:处理器,处理器与存储器耦合,存储器用于存储程序,当程序被处理器执行时,使得系统以执行实施例一方法的步骤。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheralcomponentinterconnect,简称PCI)总线或扩展工业标准结构(extendedindustryStandardarchitecture,简称EISA)总线等。总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的系统,用于与其他设备或通信网络通信,如以太网,无线接入网(radioaccessnetwork,RAN),无线局域网(wirelesslocalareanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasableProgrammableread-onlymemory,EEPROM)、只读光盘(compactdisc
read-onlymemory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种旋转机械作业安全风险智能识别方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例通过构建预设算法识别模型,在旋转作业过程中,通过图像识别的手段确认现场图像内是否存在旋转作业设备,若存在,对该旋转作业设备的作业范围进行标记获得标记图像,进一步判断该标记图像内是否存在行人,进行报警。预设算法识别模型的构建过程中采用随机梯度下降、余弦学习率和Mosaic数据增强等方法,提升模型的性能,可有效识别小目标,并且可实现实时图像识别和报警,提升模型鲁棒性,该方法辅助旋转机械作业时的安全监管,能够实现全时段、标准化的旋转机械作业安全监管,避免由于人工监管产生监管不全面或不及时的问题发生,进而避免旋转机械作业导致事故发生,达到了提升监管有效性、有效避免事故发生的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(SolidStateDisk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种旋转机械作业安全风险智能识别方法,其中,所述方法应用于智能识别分析设备,所述智能识别分析设备包括图像采集设备,所述方法包括:
通过所述图像采集设备获得第一图像信息,所述第一图像信息包括目标区域;
获得预设算法识别模型;
将所述第一图像信息输入所述预设算法识别模型,获得第一识别结果,所述第一识别结果为针对第一目标进行的识别结果;
判断所述第一识别结果是否包含所述第一目标;
当包含时,根据所述第一识别结果,获得第一标记信息,所述第一标记信息用于按照预设尺寸对所述第一目标进行标记,所述第一标记信息包括第一标记图像;
获得行人检测模型;
根据所述行人检测模型对所述第一标记图像进行计算,获得第二识别结果;
判断所述第二识别结果是否包含第二目标;
当包含时,获得第一报警信息。
2.如权利要求1所述的方法,其中,所述获得预设算法识别模型,包括:
获得检测数据集;
获得第一目标特征;
基于所述第一目标特征对所述检测数据集进行标注,获得标注数据集;
构建目标检测算法模型,所述目标检测算法模型基于yolov5;
利用所述标注数据集对所述目标检测算法模型进行训练,获得所述预设算法识别模型,所述预设算法识别模型为通过对所述标注数据集进行迭代训练收敛而获得。
3.如权利要求2所述的方法,其中,所述利用所述标注数据集对所述目标检测算法模型进行训练,获得所述预设算法识别模型,包括:
获得预设学习批尺寸;
基于所述预设学习批尺寸,通过随机梯度下降对所述标注数据集进行优化训练,获得优化结果;
对所述优化结果进行代价函数计算,获得代价函数值;
当所述代价函数值达到第一预设条件时,利用余弦函数对所述标注数据集优化训练的学习率进行降低,获得余弦学习率;
基于所述余弦学习率持续通过随机梯度下降对所述标注数据集进行优化训练,更新优化结果,直到获得的优化结果的代价函数值满足第二预设条件时为止,获得所述预设算法识别模型。
4.如权利要求3所述的方法,其中,所述获得所述预设算法识别模型之前,所述方法还包括:
获得业务处理要求;
根据所述业务处理要求,获得匹配骨干网络;
根据所述匹配骨干网络对所述预设算法识别模型进行设置,获得所述预设算法识别模型。
5.如权利要求3所述的方法,其中,所述通过随机梯度下降对所述标注数据集进行优化训练之前,所述方法还包括:
获得预设缩放规则,所述预设缩放规则包括多种缩放尺寸;
从所述标注数据集中随机抽取训练样本,并根据所述预设缩放规则对所述随机抽取训练样本进行尺寸调整,获得调整样本信息;
将所述调整样本信息存储于所述标注数据集中,对所述标注数据集进行更新。
6.如权利要求3所述的方法,其中,所述获得行人检测模型包括:
获得第二目标特征;
基于所述第二目标特征对所述检测数据集进行标注,获得行人检测数据集;
对所述行人检测数据集进行数据增强策略处理,获得行人训练图像集;
基于所述预设学习批尺寸,通过随机梯度下降对所述行人训练图像集进行优化训练,获得行人训练优化结果;
对所述行人训练优化结果进行代价函数计算;
当所述代价函数值达到所述第一预设条件时,利用所述余弦函数对所述行人训练图像集优化训练的学习率进行降低,获得行人训练余弦学习率;
基于所述行人训练余弦学习率持续通过随机梯度下降对所述行人训练图像集进行优化训练,更新行人训练优化结果,直到获得的所述行人训练优化结果的代价函数值满足所述第二预设条件时为止,获得所述行人检测模型。
7.如权利要求6所述的方法,其中,所述对所述行人检测数据集进行数据增强策略处理,获得行人训练图像集,包括:
从所述行人检测数据集中读取预设数量的检测图像信息;
基于读取检测图像信息,获得图像处理指令,所述图像处理指令用于对所述读取检测图像信息进行预设操作后按照预设方向位置进行摆放,其中,所述预设操作包括翻转、缩放、色域变化;
执行所述图像处理指令后,获得图像处理信息;
根据所述图像处理信息,获得图像组合信息,所述图像组合信息为对所述图像处理信息按照所述预设方向位置进行图片组合,并将所述图像处理信息中标注行人框进行组合;
利用所述图像组合信息对所述行人检测数据集进行更新,获得所述行人训练图像集。
8.如权利要求3或6所述的方法,其中,所述预设学习批尺寸为32。
9.一种旋转机械作业安全风险智能识别系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于通过图像采集设备获得第一图像信息,所述第一图像信息包括目标区域;
第二获得单元,所述第二获得单元用于获得预设算法识别模型;
第一处理单元,所述第一处理单元用于将所述第一图像信息输入所述预设算法识别模型,获得第一识别结果,所述第一识别结果为针对第一目标进行的识别结果;
第一判断单元,所述第一判断单元用于判断所述第一识别结果是否包含所述第一目标;
第二处理单元,所述第二处理单元用于当包含时,根据所述第一识别结果,获得第一标记信息,所述第一标记信息用于按照预设尺寸对所述第一目标进行标记,所述第一标记信息包括第一标记图像;
第三获得单元,所述第三获得单元用于获得行人检测模型;
第三处理单元,所述第三处理单元用于根据所述行人检测模型对所述第一标记图像进行计算,获得第二识别结果;
第二判断单元,所述第二判断单元用于判断所述第二识别结果是否包含第二目标;
第四处理单元,所述第四处理单元用于当包含时,获得第一报警信息。
10.一种旋转机械作业安全风险智能识别系统,包括:处理器,处理器与存储器耦合,存储器用于存储程序,当程序被处理器执行时,使系统以执行如权利要求1至8任一项方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111463530.6A CN113971762A (zh) | 2021-12-02 | 2021-12-02 | 一种旋转机械作业安全风险智能识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111463530.6A CN113971762A (zh) | 2021-12-02 | 2021-12-02 | 一种旋转机械作业安全风险智能识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113971762A true CN113971762A (zh) | 2022-01-25 |
Family
ID=79590546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111463530.6A Pending CN113971762A (zh) | 2021-12-02 | 2021-12-02 | 一种旋转机械作业安全风险智能识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971762A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542674A (zh) * | 2023-07-06 | 2023-08-04 | 鲁担(山东)数据科技有限公司 | 一种基于大数据的风险分析评估方法及系统 |
-
2021
- 2021-12-02 CN CN202111463530.6A patent/CN113971762A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542674A (zh) * | 2023-07-06 | 2023-08-04 | 鲁担(山东)数据科技有限公司 | 一种基于大数据的风险分析评估方法及系统 |
CN116542674B (zh) * | 2023-07-06 | 2023-09-26 | 鲁担(山东)数据科技有限公司 | 一种基于大数据的风险分析评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528878B (zh) | 检测车道线的方法、装置、终端设备及可读存储介质 | |
CN108734105B (zh) | 车道线检测方法、装置、存储介质和电子设备 | |
KR102206834B1 (ko) | 도로정보 변화 감지 방법 및 시스템 | |
WO2020107326A1 (zh) | 车道线检测方法、设备、计算机可读存储介质 | |
CN109461133B (zh) | 桥梁螺栓脱落检测方法及终端设备 | |
CN111553302B (zh) | 关键帧选取方法、装置、设备及计算机可读存储介质 | |
CN112001378B (zh) | 基于特征空间的车道线处理方法、装置、车载终端和介质 | |
CN112784724A (zh) | 一种车辆变道检测方法、装置、设备及存储介质 | |
CN113971762A (zh) | 一种旋转机械作业安全风险智能识别方法及系统 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN111401143A (zh) | 一种行人跟踪系统及方法 | |
CN117218622A (zh) | 路况检测方法、电子设备及存储介质 | |
CN114332781A (zh) | 一种基于深度学习的智能车牌识别方法及系统 | |
CN112966687A (zh) | 图像分割模型训练方法、装置及通信设备 | |
CN112580565A (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN112528944A (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN109993695B (zh) | 一种不规则图形标注的图像碎片拼接方法及系统 | |
CN111178181A (zh) | 交通场景分割方法及相关装置 | |
CN116912517A (zh) | 相机视野边界的检测方法及装置 | |
CN114359859A (zh) | 一种含遮挡的目标物处理方法、装置及存储介质 | |
CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
WO2023044656A1 (zh) | 车辆通行提醒方法、装置及车载终端 | |
CN111746521B (zh) | 泊车路线的规划方法、装置、设备及存储介质 | |
CN113435350A (zh) | 一种交通标线检测方法、装置、设备和介质 | |
CN112381034A (zh) | 一种车道线检测方法、装置、设备及存储介质 |
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 |