CN114332770A - 一种作业人员安全防护合规识别方法、装置及终端 - Google Patents
一种作业人员安全防护合规识别方法、装置及终端 Download PDFInfo
- Publication number
- CN114332770A CN114332770A CN202111665665.0A CN202111665665A CN114332770A CN 114332770 A CN114332770 A CN 114332770A CN 202111665665 A CN202111665665 A CN 202111665665A CN 114332770 A CN114332770 A CN 114332770A
- Authority
- CN
- China
- Prior art keywords
- image
- safety protection
- operator
- historical
- compliance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000009432 framing Methods 0.000 claims abstract description 128
- 238000001514 detection method Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims description 54
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000000605 extraction Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明适用于安全防护合规识别技术领域,提供了一种作业人员安全防护合规识别方法、装置、及终端。该方法包括:获取目标作业区域的作业图像;基于预设的目标检测模型检测所述作业图像中的作业人员以及作业人员佩戴的安全防护用具,得到框选出作业人员的第一框选图像、以及框选出作业人员佩戴的安全防护用具的第二框选图像;最后将第一框选图像和第二框选图像输入至预设的多任务识别模型中,以判断目标作业区域内各个作业人员的安全防护用具的佩戴是否合规。本发明能够提高作业人员安全防护合规识别的效率。
Description
技术领域
本发明涉及安全防护合规识别技术领域,尤其涉及一种作业人员安全防护合规识别方法、装置及终端。
背景技术
随着经济的发展和人民生活水平的提高,用户对供电可靠性的要求越来越高,而不停电作业是提高供电可靠最直接有效的方式。但是,不停电作业人员需要在电压高达10kV的工作环境下进行作业,所以他们需要穿戴各类安全防护用具,目前,识别不停电作业人员的安全防护是否合规的问题已经受到越来越多人的关注。
由于安全防护用具种类和数量众多,因此安全防护是否合规的视觉检测任务也众多,现有技术通常为每个视觉检测任务设置单独的算法,此种设计方法导致安全防护识别的识别步骤繁杂,降低了对作业人员安全防护识别的效率。
发明内容
本发明提供了一种作业人员安全防护合规识别方法、装置及终端,以解决现有技术在识别安全防护是否合规时步骤复杂,识别效率低的问题。
第一方面,本发明实施例提供了一种作业人员安全防护合规识别方法,包括:
获取目标作业区域的作业图像;
基于预设的目标检测模型检测所述作业图像中的作业人员以及作业人员佩戴的安全防护用具,得到框选出作业人员的第一框选图像、以及框选出作业人员佩戴的安全防护用具的第二框选图像;
将所述第一框选图像和第二框选图像输入至预设的多任务识别模型中,以判断目标作业区域内各个作业人员的安全防护用具的佩戴是否合规。
在一种可能的实现方式中,所述安全防护合规识别方法还包括目标检测模型的训练方法;
所述目标检测模型的训练方法包括:
获取目标作业区域的历史作业图像以及历史作业图像对应的第一标注信息;其中,所述第一标注信息用于框选历史作业图像中的作业人员、框选历史作业图像中作业人员佩戴的安全防护用具;
将所述历史作业图像以及所述第一标注信息输入至预设的CenterNet网络结构中,训练得到目标检测模型。
在一种可能的实现方式中,所述安全防护合规识别方法还包括目标检测模型的训练方法以及多任务识别模型的训练方法;
所述多任务识别模型的训练方法包括:
获取目标作业区域内框选出作业人员的第一历史框选图像、框选出作业人员佩戴的安全防护用具的第二历史框选图像、以及作业人员对应的第二标注信息;其中,所述第二标注信息用于标识作业人员佩戴的安全防护用具是否合规;
将所述第一历史框选图像、所述第二历史框选图像以及所述第二标注信息输入至预设的神经网络结构中,训练得到多任务识别模型。
在一种可能的实现方式中,所述安全防护合规识别方法还包括目标检测模型的训练方法以及多任务识别模型的训练方法;
所述目标检测模型的训练方法以及多任务识别模型的训练方法,包括:
获取目标作业区域的历史作业图像以及历史作业图像对应的第三标注信息;其中,所述第三标注信息用于框选历史作业图像中的作业人员、框选历史作业图像中作业人员佩戴的安全防护用具、标识作业人员佩戴的安全防护用具是否合规;
将所述历史作业图像输入至预设的CenterNet网络结构中,得到框选出作业人员的第一历史框选图像、以及框选出作业人员佩戴的安全防护用具的第二历史框选图像;
将所述第一历史框选图像、所述第二历史框选图像输入至预设的神经网络结构中,得到作业人员佩戴的安全防护用具的合规识别结果;
基于所述第一历史框选图像、所述第二历史框选图像、所述合规识别结果以及所述第三标注信息确定目标检测模型以及多任务识别模型的联合误差;
若所述联合误差大于预设误差值,则按照预设规则优化所述CenterNet网络结构的权重系数和所述神经网络结构的权重系数,并返回执行将所述历史作业图像输入至预设的CenterNet网络结构中的步骤;
若所述联合误差不大于预设误差值,则将当前的CenterNet网络作为目标检测模型,将当前的神经网络作为多任务识别模型;
其中,当前的CenterNet网络包含所述CenterNet网络结构以及所述CenterNet网络结构当前对应的权重系数,当前的神经网络包含所述神经网络结构以及所述神经网络结构当前对应的权重系数。
在一种可能的实现方式中,所述基于所述第一历史框选图像、所述第二历史框选图像、所述合规识别结果以及所述第三标注信息确定目标检测模型以及多任务识别模型的联合误差,包括:
将所述第一历史框选图像、所述第二历史框选图像、所述合规识别结果与所述第三标注信息进行比较,确定目标检测模型以及多任务识别模型的联合误差为:
L=λ1l1+λ2l2+λ3l3;
其中,l1为所述第一历史框选图像与所述第三标注信息比较得到的误差、l2为所述第二历史框选图像与所述第三标注信息比较得到的误差、l3为所述合规识别结果与所述第三标注信息比较得到的误差,λ1、λ2、λ3分别为l1、l2、l3各自的误差因子。
在一种可能的实现方式中,所述将所述第一框选图像和所述第二框选图像输入至预设的多任务识别模型中,以判断目标作业区域内各个作业人员的安全防护用具的佩戴是否合规,包括:
将所述第一框选图像和所述第二框选图像输入至预设的多任务识别模型中,得到多任务识别结果;
累计预设时长的多任务识别结果;
若预设时长内的多任务识别结果显示某个作业人员在该预设时长内安全防护用具佩戴不合规的时长超过预设阈值,则判定该作业人员的安全防护用具佩戴不合规;
若预设时长内的多任务识别结果显示某个作业人员在该预设时长内安全防护用具佩戴不合规的时长不超过预设阈值,则判定该作业人员的安全防护用具佩戴合规。
在一种可能的实现方式中,所述作业人员安全防护合规识别方法还包括:
若判定某作业人员的安全防护用具佩戴不合规,则控制发出提示信号;所述提示信号用于提示该作业人员其存在不合规佩戴行为。
本发明的第二方面提供了一种作业人员安全防护合规识别装置,包括:
图像获取单元,用于获取目标作业区域的作业图像;
图像检测单元,用于基于预设的目标检测模型检测所述作业图像中的作业人员以及作业人员佩戴的安全防护用具得到框选出作业人员的第一框选图像、以及框选出作业人员佩戴的安全防护用具的第二框选图像;
判断单元,用于将所述第一框选图像和第二框选图像输入至预设的多任务识别模型中,以判断目标作业区域内各个作业人员的安全防护用具的佩戴是否合规。
本发明实施例的第三方面提供了一种终端,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作业人员安全防护合规识别方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述作业人员安全防护合规识别方法的步骤。
本发明与现有技术相比存在的有益效果是:
本发明通过获取目标作业区域的作业图像,并通过预设的目标检测模型获得框选出作业人员的第一框选图像以及框选出作业人员佩戴的安全防护用具的第二框选图像,再将第一框选图像和第二框选图像输入至预设的多任务识别模型中进行合规识别。也就是说,本发明先对作业图像中的作业人员和作业人员佩戴的安全防护用具进行了框选以及分类,再对已框选的作业人员进行多任务识别,仅训练两个模型即可完成作业人员所有安全防护用具的合规检测,因此提高了作业人员安全防护合规识别的效率。在此基础上,区别于现有技术的识别过程中由一个深度学习模型综合完成图像定位及识别的方案,本发明将图像的框选以及安全防护用具的识别划分成了两个步骤,既能够降低网络模型的空间复杂度,进一步提高安全合规识别效率,又可以提高安全合规检测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的作业人员安全防护合规识别方法的实现流程图;
图2是本发明实施例提供的作业人员安全防护合规识别装置的结构示意图;
图3是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
不停电作业人员在作业区域进行作业时,工作环境为10KV的高压环境,所以他们需要佩戴各种不同种类的安全防护用具来对其进行保护。在获得不停电作业人员在目标作业区域的作业图像后发现,很多情况下一张作业图像中存在多个作业人员,并且每个作业人员佩戴的安全防护用具的种类也很多,例如包括绝缘衣或绝缘披肩、绝缘安全帽、绝缘手套、绝缘安全带,如果要对每一个作业人员佩戴的这些安全防护用具进行逐一识别,并判断其是否合规,这是一个很大的任务量,并且由于任务量大,对每一个安全防护用具的识别以及合规的判断准确性也会下降。
参见图1,其示出了本发明实施例提供的作业人员安全防护合规识别方法的实现流程图,详述如下:
在步骤101中、获取目标作业区域的作业图像。
在本发明实施例中,目标作业区域是指不停电作业人员在作业时所处的工作场景,目标作业区域的作业图像中必须要包含不停电作业人员。具体的获取目标作业区域的作业图像的方式多种多样,可以通过搭载有摄像模块的设备直接捕获目标作业区域的作业图像,也可以通过从包含作业图像的存储设备中直接获取等等。本实施例对目标作业区域的作业图像的获取方式不作限制。
在本发明实施例中,可以理解的,在获取到目标作业区域的作业图像后,可以包括对获取到的作业图像进行预处理,其中,对作业图像的预处理包括但不限于图像增强、图像复原以及将所有的作业图像裁剪为同一大小等操作。
在步骤102中、基于预设的目标检测模型检测作业图像中的作业人员以及作业人员佩戴的安全防护用具,得到框选出作业人员的第一框选图像、以及框选出作业人员佩戴的安全防护用具的第二框选图像。
在本发明实施例中,预设的目标检测模型为预设的CenterNet网络结构,它将作业图像中的每一个目标当作一个点来检测,也就是用目标框的中心点来表示一个目标。该预设的CenterNet网络结构包括一个可以对输入的作业图像进行特征提取的主网络以及三个分支预测网络,其中,三个分支预测网络分别为热力图分支预测网络、宽高分支预测网络、目标中心点偏移量分支预测网络。
在本发明实施例中,预设的CenterNet网络结构中用于特征提取的主网络为ResNet50神经网络,ResNet50神经网络包括1个卷积池化层、12个Identity Block模块、4个Conv Block模块、1个全连接层,其中,Conv Block模块是一个包含3个卷积层的用于改变输入与输出维度的模块,其第一部分包括用于改变输入与输出维度的1×1卷积层,第二部分包括用于特征提取的3×3卷积层,第三部分包括用于改变输入与输出维度的1×1卷积层,第四部分包括用于改变输入与输出维度,并连接到输出的1×1卷积层;Identity Block模块是一个包含3层卷积层的用于连续串联网络的模块,其第一部分包括用于改变输入与输出维度的1×1卷积层,第二部分包括用于特征提取的3×3卷积层,第三部分包括用于改变输出维度的1×1卷积层,第四部分是输入的图像跳跃连接到输出部分。ResNet50神经网络可以对输入的作业图像进行下采样,并得到下采样32倍的特征图,相较于一般的ResNet18神经网络,提高了网络进行特征提取的能力和检测精度,并且由于Conv Block模块和Identity Block模块对输入的图像先进行降低维度的操作,再利用卷积层进行特征提取,与ResNet18不进行降低维度直接进行特征提取的操作相比减少了网络的参数量,提升了网络的训练速度。
在本发明实施例中,热力图分支预测网络可以输出作业图像的热力图,热力图表示的是类别信息,图像中的每一个类别都会有一张热力图,可以通过对热力图进行峰值检测来预测目标中心点的位置,在每一张热力图上,若某个坐标处有目标的中心点,则在该坐标处产生一个高斯圆;宽高分支预测网络可以用于预测目标的宽高信息并生成预测的目标框;中心点偏移量分支预测网络用于预测目标中心点的偏移量。
在本发明实施例中,作业图像中包含的目标包括但不限于作业人员、作业人员佩戴的安全防护用具,但在本发明实施例中只考虑作业人员以及作业人员佩戴的安全防护用具,其中,作业人员佩戴的安全防护用具包括绝缘衣或绝缘披肩、绝缘安全帽、绝缘手套、绝缘安全带。相应的,第一框选图像为将作业图像输入到预设的CenterNet网络结构中,输出将作业图像中的作业人员框选出的图像;第二框选图像为将作业图像输入到预设的CenterNet网络结构中,输出将作业图像中的作业人员佩戴的安全防护用具框选出的图像。
在步骤103中、将第一框选图像和第二框选图像输入至预设的多任务识别模型中,以判断目标作业区域内各个作业人员的安全防护用具的佩戴是否合规。
在本发明实施例中,预设的多任务识别模型用于判断安全防护用具的佩戴是否合规。预设的多任务识别模型的识别模块包括:绝缘衣或绝缘披肩识别模块、绝缘安全帽识别模块、绝缘手套识别模块、绝缘安全带识别模块,不同的识别模块对应不同的识别任务,其中,不同的识别任务可以同时进行,例如确定了输入的框选图像的特征之后,可以同时完成多个识别任务,若识别到相应的信息,例如识别到佩戴有绝缘安全帽,则在绝缘安全帽识别模块的输出显示出作业人员佩戴有绝缘安全帽的信息。
在本发明实施例中,可以先将第一框选图像输入到预设的多任务识别模型中进行特征提取,此步骤用于识别第一框选图像中的作业人员是否可以进行识别,在获取到的作业图像中可能存在以下情况:图像中不存在作业人员、作业人员需要识别的部位不完整,这些作业图像不能用来多任务识别。若将第一框选图像输入到预设的多任务网络模型后,识别到第一框选图像不能进行多任务识别,则所有的任务识别模块输出一相同的信息,再将该作业图像对应的第一框选图像和第二框选图像筛选出去。将经筛选后剩余的第二框选图像进行裁剪,裁剪的步骤为根据剩余的第一框选图像中作业人员的目标框,将与其对应的第二框选图像中的作业人员按照第一框选图像中的目标框进行裁剪,裁剪的目的是使多任务网络模型在进行任务识别时可以针对一个作业人员佩戴的安全防护用具进行识别,防止图像中存在其他作业人员佩戴的安全防护用具的干扰。最后再将裁剪后的第二框选图像进行归一化、统一尺寸。
可选的,在一个实施例中,上述步骤103可以包括:
将第一框选图像和第二框选图像输入至预设的多任务识别模型中,得到多任务识别结果。
累计预设时长的多任务识别结果。
若预设时长内的多任务识别结果显示某个作业人员在该预设时长内安全防护用具佩戴不合规的时长超过预设阈值,则判定该作业人员的安全防护用具佩戴不合规。
若预设时长内的多任务识别结果显示某个作业人员在该预设时长内安全防护用具佩戴不合规的时长不超过预设阈值,则判定该作业人员的安全防护用具佩戴合规。
上面已经提到将第一框选图像和第二框选图像输入到预设的多任务识别模型中进行识别,由于不停电作业人员在作业时需要在作业环境中停留一段时间,如果要识别某个作业人员佩戴的安全防护用具是否合规,需要识别其在一定时间内所佩戴的安全防护用具是否合规,如果只识别某个作业人员在一张作业图像中佩戴的安全防护用具是否合规,则可能导致该作业人员在该时刻佩戴的安全防护用具合规,在下一时刻佩戴的安全防护用具不合规,多任务识别模型却根据该时刻的判断结果认为其佩戴的安全防护用工具合规,导致出现安全事故。
在本实施例中,通过累计一定时长的多任务识别结果,并从该时长中提取某个作业人员佩戴的安全防护用具不合规的时长,将这个不合规的时长与指定的阈值进行比较,若高于指定阈值,则认为某个作业人员佩戴的安全防护用具不合规,若低于指定阈值,则认为某个作业人员佩戴的安全防护用具合规。通过累计这一手段,也可以提升多任务识别模型的识别精度。
可选的,在一个实施例中,上述步骤103之后还可以包括:
若判定某作业人员的安全防护用具佩戴不合规,则控制发出提示信号;提示信号用于提示该作业人员其存在不合规佩戴行为。
在本实施例中,若经过识别判断,发现作业人员佩戴的安全防护用具不合规,可以向目标作业区域的作业人员发出提示信号,以使作业人员调整其佩戴不合规的安全防护用具,其中,相目标作业区域的作业人员发出的提示信号可以有多种表现形式,在此不作限定。
一些实施例中,该方法还包括目标检测模型的训练方法;
目标检测模型的训练方法包括:
获取目标作业区域的历史作业图像以及历史作业图像对应的第一标注信息;其中,第一标注信息用于框选历史作业图像中的作业人员、框选历史作业图像中作业人员佩戴的安全防护用具。
将历史作业图像以及第一标注信息输入至预设的CenterNet网络结构中,训练得到目标检测模型。
在本发明实施例中,在对CenterNet网络结构进行训练之前,需要先获取目标作业区域大量的历史作业图像,并对历史作业图像中的作业人员以及作业人员佩戴的安全防护用具进行框选得到第一标注信息。这样历史作业图像和标注信息将被作为输入,训练目标检测模型。在应用目标检测模型的过程中,不需要对作业图像进行框选,只需要将作业图像输入到目标检测模型中就可以输出框选出作业人员的第一框选图像以及框选出作业人员佩戴的安全防护用具的第二框选图像。
在本发明实施例中,在对CenterNet网络结构进行训练前,先确定该CenterNet网络结构的损失函数,该损失函数包括热力图损失、宽高预测损失、中心点偏移量损失,各种损失包括它们的损失值以及其对应的权重系数。将历史作业图像输入到预设的CenterNet网络结构中得到第一历史框选图像、第二历史框选图像,具体的获取方式与步骤102是实施例的记载相同,在此不做赘述。再将第一历史框选图像、第二历史框选图像与第一标注信息按照损失函数一一比较,通过反复前传和反传减小它们之间的差异。最后当预设的CenterNet网络结构输出结果与第一标注信息之间的差异小到可以忽略的程度,则此时预设的CenterNet网络结构的权重系数即为最终的权重系数,此时预设的CenterNet网络结构即为训练得到的目标检测模型。
一些实施例中,该方法还包括多任务识别模型的训练方法;
多任务识别模型的训练方法包括:
获取目标作业区域内框选出作业人员的第一历史框选图像、框选出作业人员佩戴的安全防护用具的第二历史框选图像、以及作业人员对应的第二标注信息;其中,第二标注信息用于标识作业人员佩戴的安全防护用具是否合规。
将第一历史框选图像、第二历史框选图像以及第二标注信息输入至预设的神经网络结构中,训练得到多任务识别模型。
在本发明实施例中,在对多任务识别模型进行训练前,先将目标作业区域的历史作业图像输入至训练后的目标检测模型中,得到第一历史框选图像和第二历史框选图像,再根据作业人员实际佩戴的绝缘衣或绝缘披肩、绝缘安全帽、绝缘手套、绝缘安全带是否合规来对第一历史框选图像和第二历史框选图像进行标注得到第二标注信息。这样第一历史框选图像、第二历史框选图像、第二标注信息将被作为输入,训练模型。在应用训练好的多任务识别模型的过程中不需要标注信息,只需要第一框选图像和第二框选图像即可输出作业人员实际佩戴的绝缘衣或绝缘披肩、绝缘安全帽、绝缘手套、绝缘安全带是否合规的判断结果。
在本发明实施例中,在对预设的神经网络结构进行训练前,先确定该预设的神经网络结构的损失函数,将历史作业图像输入到预设的神经网络结构中得到作业人员佩戴的安全防护用具是否合规的判断结果,具体获得判断的结果与步骤103实施例的记载相同,在此不作赘述。再将判断结果与第二标注信息按照损失函数一一比较,通过反复前传和反传减小它们之间的差异。最后当预设的神经网络结构输出结果与第二标注信息之间的差异小到可以忽略的程度,则此时预设的神经网络结构的权重系数即为最终的权重系数,此时预设的神经网络结构即为训练得到的多任务识别模型。
一些实施例中,该方法还包括目标检测模型的训练方法以及多任务识别模型的训练方法;
目标检测模型的训练方法以及多任务识别模型的训练方法,包括:
获取目标作业区域的历史作业图像以及历史作业图像对应的第三标注信息;其中,第三标注信息用于框选历史作业图像中的作业人员、框选历史作业图像中作业人员佩戴的安全防护用具、标识作业人员佩戴的安全防护用具是否合规。
将历史作业图像输入至预设的CenterNet网络结构中,得到框选出作业人员的第一历史框选图像、以及框选出作业人员佩戴的安全防护用具的第二历史框选图像。
将第一历史框选图像、第二历史框选图像输入至预设的神经网络结构中,得到作业人员佩戴的安全防护用具的合规识别结果。
基于第一历史框选图像、第二历史框选图像、合规识别结果以及第三标注信息确定目标检测模型以及多任务识别模型的联合误差。
若联合误差大于预设误差值,则按照预设规则优化CenterNet网络结构的权重系数和神经网络结构的权重系数,并返回执行将历史作业图像输入至预设的CenterNet网络结构中的步骤。
若联合误差不大于预设误差值,则将当前的CenterNet网络作为目标检测模型,将当前的神经网络作为多任务识别模型。
其中,当前的CenterNet网络包含CenterNet网络结构以及CenterNet网络结构当前对应的权重系数,当前的神经网络包含神经网络结构以及神经网络结构当前对应的权重系数。
在本发明实施例中,在对目标检测模型以及多任务网络模型进行训练前,先获取目标作业区域大量的历史作业图像,并在历史作业图像中框选出其中的作业人员、作业人员佩戴的安全防护用具、并标识作业人员佩戴的安全防护用具是否合规,从而获得第三标注信息;将历史作业图像输入到预设的CenterNet网络结构获得第一历史框选图像以及第二历史框选图像,具体的获取方式与步骤102实施例中的记载相同,在此不做赘述;将第一历史框选图像和第二历史框选图像输入到预设的神经网络结构中,判断作业人员佩戴的安全防护用具是否合规,具体的判断方法与步骤103实施例中的记载相同,在此不做赘述;比较第一历史框选图像、第二历史框选图像、合规识别的结果与第三标注信息间的差异,确定一个联合误差,联合误差为第一历史框选图像的误差、第二历史框选图像的误差、合规识别结果的误差加权求和。
在本发明实施例中,若联合误差大于预设误差值,说明本发明中预设的CenterNet网络结构以及预设的神经网络结构的检测与识别过程不够准确,则将第一历史框选图像、第二历史框选图像、合规识别结果与第三标注信息按照损失函数一一比较,通过反复前传和反传减小它们之间的差异,最后当预设的CenterNet网络结构以及预设的神经网络结构的输出结果与第三标注信息之间的差异小到可以忽略的程度,则此时预设的CenterNet网络结构的权重系数和预设的神经网络结构的权重系数即为最终的权重系数。
在本发明实施例中,将CenterNet网络结构与神经网络结构联合在一起进行训练,与常规的对两个模型进行单独训练的方法相比,可以提高两个模型的适配度,提高作业人员安全防护合规识别的准确性。例如在对两个模型进行单独训练的过程中,预设的CenterNet网络结构在输入历史作业图像后,得到的第一历史框选图像、第二历史框选图像与第一标注信息之间的差异已经小到可以忽略了,说明此时CenterNet网络结构已经训练完成,可以用于目标检测,但是此时将第一历史框选图像、第二历史框选图像输入到预设的神经网络结构中得到的合规识别结果与第二标注信息之间的差异很大,说明此时预设的神经网络结构还不能用于识别作业人员安全防护用具是否合规,总体来说,单独训练的方法中,可能会由于其中一个模型训练完成后的精度不高,导致最终识别结果的准确性降低。而如果将两个模型进行联合训练,在训练过程中只设置一个损失函数对两个模型进行联合训练,可以使两个模型相互匹配,不会因为其中一个模型的训练程度而影响整体识别结果的准确性,提高了最终识别结果的准确性。
可选的,上述基于第一历史框选图像、第二历史框选图像、合规识别结果以及第三标注信息确定目标检测模型以及多任务识别模型的联合误差可以包括:
将第一历史框选图像、第二历史框选图像、合规识别结果与第三标注信息进行比较,确定目标检测模型以及多任务识别模型的联合误差为:
L=λ1l1+λ2l2+λ3l3;
其中,l1为第一历史框选图像与第三标注信息比较得到的误差、l2为第二历史框选图像与第三标注信息比较得到的误差、l3为合规识别结果与第三标注信息比较得到的误差,λ1、λ2、λ3分别为l1、l2、l3各自的误差因子。
由上可知,本发明通过获取目标作业区域的作业图像,并通过预设的目标检测模型获得框选出作业人员的第一框选图像以及框选出作业人员佩戴的安全防护用具的第二框选图像,再将第一框选图像和第二框选图像输入至预设的多任务识别模型中进行合规识别。由于先对作业图像中的作业人员和作业人员佩戴的安全防护用具进行了框选以及分类,再对已框选的作业人员进行多任务识别,将原有的识别方法分割成了更加精确的两个步骤,并且在多任务识别过程中使用了多任务网络模型,提高了作业人员安全防护合规识别的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的作业人员安全防护合规识别装置的结构示意图,详述如下:
如图2所示,作业人员安全防护合规识别装置2可以包括:图像获取单元21、图像检测单元22、判断单元23。
图像获取单元21,用于获取目标作业区域的作业图像;
图像检测单元22,用于基于预设的目标检测模型检测作业图像中的作业人员以及作业人员佩戴的安全防护用具得到框选出作业人员的第一框选图像、以及框选出作业人员佩戴的安全防护用具的第二框选图像;
判断单元23,用于将第一框选图像和第二框选图像输入至预设的多任务识别模型中,以判断目标作业区域内各个作业人员的安全防护用具的佩戴是否合规。
在一种可能的实现方式中,作业人员安全防护合规识别装置2还可以包括:
模型训练单元24,用于执行以下步骤:
获取目标作业区域的历史作业图像以及历史作业图像对应的第一标注信息;其中,第一标注信息用于框选历史作业图像中的作业人员、框选历史作业图像中作业人员佩戴的安全防护用具。
将历史作业图像以及第一标注信息输入至预设的CenterNet网络结构中,训练得到目标检测模型。
模型训练单元24,还用于执行以下步骤:
获取目标作业区域内框选出作业人员的第一历史框选图像、框选出作业人员佩戴的安全防护用具的第二历史框选图像、以及作业人员对应的第二标注信息;其中,第二标注信息用于标识作业人员佩戴的安全防护用具是否合规。
将第一历史框选图像、第二历史框选图像以及第二标注信息输入至预设的神经网络结构中,训练得到多任务识别模型。
模型训练单元24,还用于执行以下步骤:
获取目标作业区域的历史作业图像以及历史作业图像对应的第三标注信息;其中,第三标注信息用于框选历史作业图像中的作业人员、框选历史作业图像中作业人员佩戴的安全防护用具、标识作业人员佩戴的安全防护用具是否合规。
将历史作业图像输入至预设的CenterNet网络结构中,得到框选出作业人员的第一历史框选图像、以及框选出作业人员佩戴的安全防护用具的第二历史框选图像。
将第一历史框选图像、第二历史框选图像输入至预设的神经网络结构中,得到作业人员佩戴的安全防护用具的合规识别结果。
基于第一历史框选图像、第二历史框选图像、合规识别结果以及第三标注信息确定目标检测模型以及多任务识别模型的联合误差。
若联合误差大于预设误差值,则按照预设规则优化所述CenterNet网络结构的权重系数和所述神经网络结构的权重系数,并返回执行将所述历史作业图像输入至预设的CenterNet网络结构中的步骤。
若联合误差不大于预设误差值,则将当前的CenterNet网络作为目标检测模型,将当前的神经网络作为多任务识别模型;其中,当前的CenterNet网络包含CenterNet网络结构以及CenterNet网络结构当前对应的权重系数,当前的神经网络包含神经网络结构以及神经网络结构当前对应的权重系数。
相应的,模型训练单元24具体用于,将第一历史框选图像、第二历史框选图像、合规识别结果与第三标注信息进行比较,确定目标检测模型以及多任务识别模型的联合误差为:L=λ1l1+λ2l2+λ3l3;其中,l1为第一历史框选图像与第三标注信息比较得到的误差、l2为第二历史框选图像与第三标注信息比较得到的误差、l3为合规识别结果与第三标注信息比较得到的误差,λ1、λ2、λ3分别为l1、l2、l3各自的误差因子。
相应的,判断单元23具体用于,将第一框选图像和第二框选图像输入至预设的多任务识别模型中,得到多任务识别结果。
累计预设时长的多任务识别结果。
若预设时长内的多任务识别结果显示某个作业人员在该预设时长内安全防护用具佩戴不合规的时长超过预设阈值,则判定该作业人员的安全防护用具佩戴不合规;若预设时长内的多任务识别结果显示某个作业人员在该预设时长内安全防护用具佩戴不合规的时长不超过预设阈值,则判定该作业人员的安全防护用具佩戴合规。
相应的,判断单元23还可以用于在判定某作业人员的安全防护用具佩戴不合规时,控制发出提示信号;提示信号用于提示该作业人员其存在不合规佩戴行为。
上述装置可执行本申请实施例提供的方法,具备执行方法相应的功能单元和有益效果。
图3是本发明一实施例提供的终端的示意图。如图3所示,该实施例的车载终端3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个作业人员安全防护合规识别方法实施例中的步骤,例如图1所示的步骤101至104。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各单元的功能,例如图2所示单元21至24的功能。
示例性的,所述计算机程序32可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器31中,并由所述处理器30执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序32在所述终端3中的执行过程。例如,所述计算机程序32可以被分割成图像获取单元、图像检测单元、判断单元、模型训练单元。
所述终端可以是无人机,其可以包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是终端3的示例,并不构成对终端3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端3的内部存储单元,例如终端3的硬盘或内存。所述存储器31也可以是所述终端3的外部存储设备,例如所述终端3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述终端3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。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。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种作业人员安全防护合规识别方法,其特征在于,包括:
获取目标作业区域的作业图像;
基于预设的目标检测模型检测所述作业图像中的作业人员以及作业人员佩戴的安全防护用具,得到框选出作业人员的第一框选图像、以及框选出作业人员佩戴的安全防护用具的第二框选图像;
将所述第一框选图像和第二框选图像输入至预设的多任务识别模型中,以判断目标作业区域内各个作业人员的安全防护用具的佩戴是否合规。
2.根据权利要求1所述的作业人员安全防护合规识别方法,其特征在于,所述安全防护合规识别方法还包括目标检测模型的训练方法;
所述目标检测模型的训练方法包括:
获取目标作业区域的历史作业图像以及历史作业图像对应的第一标注信息;其中,所述第一标注信息用于框选历史作业图像中的作业人员、框选历史作业图像中作业人员佩戴的安全防护用具;
将所述历史作业图像以及所述第一标注信息输入至预设的CenterNet网络结构中,训练得到目标检测模型。
3.根据权利要求1所述的作业人员安全防护合规识别方法,其特征在于,所述安全防护合规识别方法还包括多任务识别模型的训练方法;
所述多任务识别模型的训练方法包括:
获取目标作业区域内框选出作业人员的第一历史框选图像、框选出作业人员佩戴的安全防护用具的第二历史框选图像、以及作业人员对应的第二标注信息;其中,所述第二标注信息用于标识作业人员佩戴的安全防护用具是否合规;
将所述第一历史框选图像、所述第二历史框选图像以及所述第二标注信息输入至预设的神经网络结构中,训练得到多任务识别模型。
4.根据权利要求1所述的作业人员安全防护合规识别方法,其特征在于,所述安全防护合规识别方法还包括目标检测模型的训练方法以及多任务识别模型的训练方法;
所述目标检测模型的训练方法以及多任务识别模型的训练方法,包括:
获取目标作业区域的历史作业图像以及历史作业图像对应的第三标注信息;其中,所述第三标注信息用于框选历史作业图像中的作业人员、框选历史作业图像中作业人员佩戴的安全防护用具、标识作业人员佩戴的安全防护用具是否合规;
将所述历史作业图像输入至预设的CenterNet网络结构中,得到框选出作业人员的第一历史框选图像、以及框选出作业人员佩戴的安全防护用具的第二历史框选图像;
将所述第一历史框选图像、所述第二历史框选图像输入至预设的神经网络结构中,得到作业人员佩戴的安全防护用具的合规识别结果;
基于所述第一历史框选图像、所述第二历史框选图像、所述合规识别结果以及所述第三标注信息确定目标检测模型以及多任务识别模型的联合误差;
若所述联合误差大于预设误差值,则按照预设规则优化所述CenterNet网络结构的权重系数和所述神经网络结构的权重系数,并返回执行将所述历史作业图像输入至预设的CenterNet网络结构中的步骤;
若所述联合误差不大于预设误差值,则将当前的CenterNet网络作为目标检测模型,将当前的神经网络作为多任务识别模型;
其中,当前的CenterNet网络包含所述CenterNet网络结构以及所述CenterNet网络结构当前对应的权重系数,当前的神经网络包含所述神经网络结构以及所述神经网络结构当前对应的权重系数。
5.根据权利要求4所述的作业人员安全防护合规识别方法,其特征在于,所述基于所述第一历史框选图像、所述第二历史框选图像、所述合规识别结果以及所述第三标注信息确定目标检测模型以及多任务识别模型的联合误差,包括:
将所述第一历史框选图像、所述第二历史框选图像、所述合规识别结果与所述第三标注信息进行比较,确定目标检测模型以及多任务识别模型的联合误差为:
L=λ1l1+λ2l2+λ3l3;
其中,l1为所述第一历史框选图像与所述第三标注信息比较得到的误差、l2为所述第二历史框选图像与所述第三标注信息比较得到的误差、l3为所述合规识别结果与所述第三标注信息比较得到的误差,λ1、λ2、λ3分别为l1、l2、l3各自的误差因子。
6.根据权利要求1至5任一项所述的作业人员安全防护合规识别方法,其特征在于,所述将所述第一框选图像和所述第二框选图像输入至预设的多任务识别模型中,以判断目标作业区域内各个作业人员的安全防护用具的佩戴是否合规,包括:
将所述第一框选图像和所述第二框选图像输入至预设的多任务识别模型中,得到多任务识别结果;
累计预设时长的多任务识别结果;
若预设时长内的多任务识别结果显示某个作业人员在该预设时长内安全防护用具佩戴不合规的时长超过预设阈值,则判定该作业人员的安全防护用具佩戴不合规;
若预设时长内的多任务识别结果显示某个作业人员在该预设时长内安全防护用具佩戴不合规的时长不超过预设阈值,则判定该作业人员的安全防护用具佩戴合规。
7.根据权利要求1至5任一项所述的作业人员安全防护合规识别方法,其特征在于,所述作业人员安全防护合规识别方法还包括:
若判定某作业人员的安全防护用具佩戴不合规,则控制发出提示信号;所述提示信号用于提示该作业人员其存在不合规佩戴行为。
8.一种作业人员安全防护合规识别装置,其特征在于,包括:
图像获取单元,用于获取目标作业区域的作业图像;
图像检测单元,用于基于预设的目标检测模型检测所述作业图像中的作业人员以及作业人员佩戴的安全防护用具得到框选出作业人员的第一框选图像、以及框选出作业人员佩戴的安全防护用具的第二框选图像;
判断单元,用于将所述第一框选图像和第二框选图像输入至预设的多任务识别模型中,以判断目标作业区域内各个作业人员的安全防护用具的佩戴是否合规。
9.一种终端,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上的权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111665665.0A CN114332770A (zh) | 2021-12-30 | 2021-12-30 | 一种作业人员安全防护合规识别方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111665665.0A CN114332770A (zh) | 2021-12-30 | 2021-12-30 | 一种作业人员安全防护合规识别方法、装置及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114332770A true CN114332770A (zh) | 2022-04-12 |
Family
ID=81021612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111665665.0A Pending CN114332770A (zh) | 2021-12-30 | 2021-12-30 | 一种作业人员安全防护合规识别方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332770A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690165A (zh) * | 2024-02-02 | 2024-03-12 | 四川泓宝润业工程技术有限公司 | 一种钻杆与液压钳间人员穿行检测方法及装置 |
-
2021
- 2021-12-30 CN CN202111665665.0A patent/CN114332770A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690165A (zh) * | 2024-02-02 | 2024-03-12 | 四川泓宝润业工程技术有限公司 | 一种钻杆与液压钳间人员穿行检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463888B (zh) | 基于多任务学习与深度学习的人脸情绪分析方法及系统 | |
CN112418360B (zh) | 卷积神经网络的训练方法、行人属性识别方法及相关设备 | |
US20230334893A1 (en) | Method for optimizing human body posture recognition model, device and computer-readable storage medium | |
CN111382808A (zh) | 一种车辆检测处理方法及装置 | |
CN112949437A (zh) | 一种手势识别方法、手势识别装置及智能设备 | |
CN108960145A (zh) | 人脸图像检测方法、装置、存储介质和电子设备 | |
CN112487913A (zh) | 一种基于神经网络的标注方法、装置及电子设备 | |
CN115302411B (zh) | 基于图像识别的表面清理系统及其控制方法 | |
CN114332770A (zh) | 一种作业人员安全防护合规识别方法、装置及终端 | |
CN112561859A (zh) | 基于单目视觉的锚护用钢带钻孔与锚网识别方法及装置 | |
CN115797336A (zh) | 光伏组件的故障检测方法、装置、电子设备和存储介质 | |
CN116758493B (zh) | 基于图像处理的隧道施工监测方法、装置及可读存储介质 | |
CN109656810A (zh) | 一种图像算法的调试方法、调试系统及终端设备 | |
CN106228179A (zh) | 车辆比对的方法和系统 | |
CN112580778A (zh) | 基于YOLOv5和Pose-estimation的工地工人手机使用检测方法 | |
CN110110631B (zh) | 一种识别打电话的方法及设备 | |
CN112950443A (zh) | 基于图像贴纸的自适应隐私保护方法、系统、设备及介质 | |
CN113591885A (zh) | 目标检测模型训练方法、设备及计算机存储介质 | |
CN115375965A (zh) | 一种目标场景识别的预处理方法、目标场景识别方法 | |
CN112183284B (zh) | 一种安全信息验证、代驾接单控制方法和装置 | |
CN114495015A (zh) | 人体姿态检测方法和装置 | |
CN114155598A (zh) | 一种图像处理模型的训练方法、装置及电子设备 | |
CN114038045A (zh) | 一种跨模态人脸识别模型构建方法、装置及电子设备 | |
CN114255476A (zh) | 行人识别方法、装置、智能机器人及存储介质 | |
CN114582012A (zh) | 一种骨架人体行为识别方法、装置及设备 |
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 |