CN114360201A - 基于ai技术的建筑临边危险区域越界识别方法和系统 - Google Patents
基于ai技术的建筑临边危险区域越界识别方法和系统 Download PDFInfo
- Publication number
- CN114360201A CN114360201A CN202111548311.8A CN202111548311A CN114360201A CN 114360201 A CN114360201 A CN 114360201A CN 202111548311 A CN202111548311 A CN 202111548311A CN 114360201 A CN114360201 A CN 114360201A
- Authority
- CN
- China
- Prior art keywords
- preset
- dangerous area
- human
- boundary
- distance
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
- G08B21/0205—Specific application combined with child monitoring using a transmitter-receiver system
- G08B21/0208—Combination with audio or video communication, e.g. combination with "baby phone" function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
- G08B21/0261—System arrangements wherein the object is to detect trespassing over a fixed physical boundary, e.g. the end of a garden
Abstract
本发明提供了基于AI技术的建筑临边危险区域越界识别方法和系统,属于危险区域越界识别技术领域,该基于AI技术的建筑临边危险区域越界识别方法包括:确定预设危险区域内是否存在移动对象;识别所述移动对象是否为人形特征;确定所述人形特征的实时位置信息;根据所述实时位置信息计算所述人形特征与所述预设危险区域的边界的实际距离;判断所述实际距离是否大于第一预设距离;其中,若所述实际距离大于第一预设距离,则执行下一步骤;判断所述实际距离是否大于第二预设距离;在基于预设危险区域边界提前设置两道警戒区,利用提示和警示两种方式对施工人员起到防范的作用,有效的保证了施工人员的安全。
Description
技术领域
本发明属于危险区域越界识别技术领域,具体而言,涉及基于AI技术的建筑临边危险区域越界识别方法和系统。
背景技术
目前,越来越多的大型建筑企业聚焦工程施工现场,综合运用BIM技术、物联网、云计算、大数据、移动和智能设备等软硬件信息化技术,提高工地现场的生产效率、管理效率和决策能力等,实现工地的数字化、精细化和智慧化管理。其中,智能视频分析技术已发展的比较成熟,在建筑工地也开始逐步得到应用,例如工地的人员管理,安全帽佩戴检测,工地的防火防盗等。但是这些大多基于已有的基础算法,经过AI算法训练后应用于相对简单的场景,距离代替人工检查还有相当长的路要走。
然而,工程施工现场灵活多变,且危险区域较多,如何避免施工人员越界是目前工程施工现场亟待解决的问题。
发明内容
本发明实施例提供了基于AI技术的建筑临边危险区域越界识别方法和系统,其目的在于解决现有的工程施工现场施工人员越界的问题。
鉴于上述问题,本发明提出的技术方案是:
第一方面,基于AI技术的建筑临边危险区域越界识别方法,包括:
确定预设危险区域内是否存在移动对象;
识别所述移动对象是否为人形特征;
确定所述人形特征的实时位置信息;
根据所述实时位置信息计算所述人形特征与所述预设危险区域的边界的实际距离;
判断所述实际距离是否大于第一预设距离;其中,若所述实际距离大于第一预设距离,则执行下一步骤;
判断所述实际距离是否大于第二预设距离;其中,若所述实际距离大于第二预设距离,则输出警报。
作为本发明的一种优选技术方案,所述确定预设危险区域内是否存在移动对象之前,还包括:
通过监控采集装置获取目标区域的监控视频图像;
将所述监控视频图像的拆分成多张单帧图片;
根据多张所述单帧图片提取黄线警戒区域的像素点;
依据所述像素点的坐标值确定所述黄线警戒区域的端点值;
基于所述端点值确定预设危险区域。
作为本发明的一种优选技术方案,所述确定预设危险区域内是否存在移动对象,具体包括:
对多张所述单帧图片进行扫描得到多个目标对象图片,并根据多个所述目标对象图片计算多个目标对象的位移量;
根据多个所述目标对象的位移量确定所述预设危险区域内是否存在移动对象。
作为本发明的一种优选技术方案,所述识别所述移动对象是否为人形特征,具体包括:
依据所述移动对象的图片进行轮廓检测得到轮廓边缘图片;
对所述轮廓边缘图片进行肢体姿态关键点识别得到肢体姿态关键图片;
提取所述肢体姿态关键图片与预设肢体姿态模型匹配近似度;
判断所述近似度是否大于预设阀值;其中,若所述近似度大于所述预设阀值,则确定所述移动对象为所述人形特征。
作为本发明的一种优选技术方案,所述确定所述人形特征的实时位置信息,具体包括:
对所述人形特征进行标记并提取其位置坐标值;
根据所述位置坐标值确定所述人形特征的实时位置信息。
作为本发明的一种优选技术方案,所述根据所述实时位置信息计算所述人形特征与所述预设危险区域的边界的实际距离,具体包括:
提取所述人形特征距离所述预设危险区域最近边界的所述像素点的坐标值;
计算所述预设危险区域最近边界的所述像素点的坐标值与所述实时位置信息之间的差值得到所述实际距离。
作为本发明的一种优选技术方案,所述第一预设距离为距离所述预设危险区域边界的范围为0.5m~1m。
作为本发明的一种优选技术方案,所述第二预设距离为距离所述预设危险区域边界的范围为0.1m~0.49m。
第二方面,本发明实施例还提供了基于AI技术的建筑临边危险区域越界识别系统,包括:
第一确定模块,用于确定预设危险区域内是否存在移动对象;
识别模块,用于识别所述移动对象是否为人形特征;
第二确定模块,用于确定所述人形特征的实时位置信息;
计算模块,用于根据所述实时位置信息计算所述人形特征与所述预设危险区域的实际距离;
第一判断模块,用于判断所述实际距离是否大于第一预设距离;其中,若所述实际距离大于第一预设距离,则执行下一步骤;
第二判断模块,用于判断所述实际距离是否大于第二预设距离;其中,若所述实际距离大于第二预设距离,则输出警报。
本发明实施例提供的上述技术方案的有益效果至少包括:
(1)通过确定预设危险区域内是否存在移动对象,有效的对静态和动态物体进行筛分,并去除静态物体,能够对静态的物体进行过滤,避免检测任务过于繁重,从而保证了处理的流畅性。
(2)通过识别所述移动对象是否为人形特征,通过对移动对象的检测得到轮廓边缘图片,并识别肢体姿态关键图片,能够有效的去除与人形特征无关的动态物体,从而避免重复处理。
(3)通过判断所述实际距离是否大于第一预设距离以及判断所述实际距离是否大于第二预设距离,在基于预设危险区域边界提前设置两道警戒区,利用提示和警示两种方式对施工人员起到防范的作用,有效的保证了施工人员的安全。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
图1是本发明所公开的基于AI技术的建筑临边危险区域越界识别方法的流程图;
图2是本发明所公开的基于AI技术的建筑临边危险区域越界识别系统的结构示意图。
附图标记说明:100、第一确定模块;200、识别模块;300、第二确定模块;400、计算模块;500、第一判断模块;600、第二判断模块。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
实施例一
参照附图1所示,本发明提供一种技术方案:基于AI技术的建筑临边危险区域越界识别方法,包括以下步骤:
S1,确定预设危险区域内是否存在移动对象。
具体地,所述确定预设危险区域内是否存在移动对象,具体包括:
S11,对多张所述单帧图片进行扫描得到多个目标对象图片,并根据多个所述目标对象图片计算多个目标对象的位移量;
S12,根据多个所述目标对象的位移量确定所述预设危险区域内是否存在移动对象。
该实施例中,通过对目标对象的筛选,能够对静态的物体进行过滤,避免检测任务过于繁重,从而保证了处理的流畅性。
S2,识别所述移动对象是否为人形特征。
具体地,所述识别所述移动对象是否为人形特征,具体包括:
S21,依据所述移动对象的图片进行轮廓检测得到轮廓边缘图片;
S22,对所述轮廓边缘图片进行肢体姿态关键点识别得到肢体姿态关键图片;
S23,提取所述肢体姿态关键图片与预设肢体姿态模型匹配近似度;
S24,判断所述近似度是否大于预设阀值;其中,若所述近似度大于所述预设阀值,则确定所述移动对象为所述人形特征。
该实施例中,通过对移动对象的检测得到轮廓边缘图片,并识别肢体姿态关键图片,能够有效的去除与人形特征无关的动态物体,例如,翻斗车等动态物体;而近似度与预设阀值进行对比时,预设阀值优选为95%。
值得注意的是,预设肢体姿态图片包含了人的多种肢体动作,并采用SVM的人形检测算法得到的训练模型。
S3,确定所述人形特征的实时位置信息。
具体地,所述确定所述人形特征的实时位置信息,具体包括:
S31,对所述人形特征进行标记并提取其位置坐标值;
S32,根据所述位置坐标值确定所述人形特征的实时位置信息。
该实施例中,位置坐标值的值也就是实时位置信息的值,且位置坐标值以及实时位置信息以直角平面坐标系进行表述。
S4,根据所述实时位置信息计算所述人形特征与所述预设危险区域的边界的实际距离。
具体地,所述根据所述实时位置信息计算所述人形特征与所述预设危险区域的实际距离,具体包括:
S41,提取所述人形特征距离所述预设危险区域最近边界的所述像素点的坐标值;
S42,计算所述预设危险区域最近边界的所述像素点的坐标值与所述实时位置信息之间的差值得到所述实际距离。
该实施例中,在获得实际距离之后,通过计算差值的方式得到人形特征与边界之间的距离,从而方便对其起到提示或警示作用。
S5,判断所述实际距离是否大于第一预设距离;其中,若所述第一实际距离大于第一预设距离,则执行下一步骤。
该实施例中,在执行下一步骤的同时,应该通过广播对其进行提示,避免其进一步向预设危险区域的边界移动。
进一步的,所述第一预设距离为距离所述预设危险区域边界的范围为0.5m~1m。
S6,判断所述实际距离是否大于第二预设距离;其中,若所述实际距离大于第二预设距离,则输出警报。
该实施例中,通过广播输出警报,使周围的施工人员引起注意,确认其是否安全,并采取有效的处理措施,从而有效的起到了防范的作用。
进一步的,所述第二预设距离为距离所述预设危险区域边界的范围为0.1m~0.49m。
在本发明较佳的实施例中,所述确定预设危险区域内是否存在移动对象之前,还包括:
通过监控采集装置获取目标区域的监控视频图像;
将所述监控视频图像的拆分成多张单帧图片;
根据多张所述单帧图片提取黄线警戒区域的像素点;
依据所述像素点的坐标值确定所述黄线警戒区域的端点值;
基于所述端点值确定预设危险区域。
该实施例中,为了使工作人员的安全得到有效的保障,在距离施工区域边界1m处设置警戒线构成黄线警戒区域,且使用目前市场上通用的黄色警戒线,因此方便在获取监控视频图像提取黄线警戒区域的像素点;值得注意的是,黄线警戒区域可以是一个不规则的矩形,因此提取完成后依据像素点的坐标值寻找黄线警戒区域的多个端点,即端点值,通过确定的多个端点值进行线性连接构成预设危险区域。
实施例二
参照附图2所示,本发明实施例还公开了基于AI技术的建筑临边危险区域越界识别系统,包括:
第一确定模块100,用于确定预设危险区域内是否存在移动对象;
识别模块200,用于识别所述移动对象是否为人形特征;
第二确定模块300,用于确定所述人形特征的实时位置信息;
计算模块400,用于根据所述实时位置信息计算所述人形特征与所述预设危险区域的边界的实际距离;
第一判断模块500,用于判断所述实际距离是否大于第一预设距离;其中,若所述实际距离大于第一预设距离,则执行下一步骤;
第二判断模块600,用于判断所述实际距离是否大于第二预设距离;其中,若所述实际距离大于第二预设距离,则输出警报。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于 RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于 ASIC中。该ASIC可以位于用户终端中。当然,处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现,本申请中描述的技术可用执行本申请所述功能的模块(例如,过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内,也可以实现在处理器外,在后一种情况下,它经由各种手段以通信方式耦合到处理器,这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (9)
1.基于AI技术的建筑临边危险区域越界识别方法,其特征在于,包括:
确定预设危险区域内是否存在移动对象;
识别所述移动对象是否为人形特征;
确定所述人形特征的实时位置信息;
根据所述实时位置信息计算所述人形特征与所述预设危险区域的边界的实际距离;
判断所述实际距离是否大于第一预设距离;其中,若所述实际距离大于第一预设距离,则执行下一步骤;
判断所述实际距离是否大于第二预设距离;其中,若所述实际距离大于第二预设距离,则输出警报。
2.根据权利要求1所述的基于AI技术的建筑临边危险区域越界识别方法,其特征在于,所述确定预设危险区域内是否存在移动对象之前,还包括:
通过监控采集装置获取目标区域的监控视频图像;
将所述监控视频图像的拆分成多张单帧图片;
根据多张所述单帧图片提取黄线警戒区域的像素点;
依据所述像素点的坐标值确定所述黄线警戒区域的端点值;
基于所述端点值确定预设危险区域。
3.根据权利要求2所述的基于AI技术的建筑临边危险区域越界识别方法,其特征在于,所述确定预设危险区域内是否存在移动对象,具体包括:
对多张所述单帧图片进行扫描得到多个目标对象图片,并根据多个所述目标对象图片计算多个目标对象的位移量;
根据多个所述目标对象的位移量确定所述预设危险区域内是否存在移动对象。
4.根据权利要求1所述的基于AI技术的建筑临边危险区域越界识别方法,其特征在于,所述识别所述移动对象是否为人形特征,具体包括:
依据所述移动对象的图片进行轮廓检测得到轮廓边缘图片;
对所述轮廓边缘图片进行肢体姿态关键点识别得到肢体姿态关键图片;
提取所述肢体姿态关键图片与预设肢体姿态模型匹配近似度;
判断所述近似度是否大于预设阀值;其中,若所述近似度大于所述预设阀值,则确定所述移动对象为所述人形特征。
5.根据权利要求1所述的基于AI技术的建筑临边危险区域越界识别方法,其特征在于,所述确定所述人形特征的实时位置信息,具体包括:
对所述人形特征进行标记并提取其位置坐标值;
根据所述位置坐标值确定所述人形特征的实时位置信息。
6.根据权利要求2所述的基于AI技术的建筑临边危险区域越界识别方法,其特征在于,所述根据所述实时位置信息计算所述人形特征与所述预设危险区域的边界的实际距离,具体包括:
提取所述人形特征距离所述预设危险区域最近边界的所述像素点的坐标值;
计算所述预设危险区域最近边界的所述像素点的坐标值与所述实时位置信息之间的差值得到所述实际距离。
7.根据权利要求1所述的基于AI技术的建筑临边危险区域越界识别方法,其特征在于,所述第一预设距离为距离所述预设危险区域边界的范围为0.5m~1m。
8.根据权利要求1所述的基于AI技术的建筑临边危险区域越界识别方法,其特征在于,所述第二预设距离为距离所述预设危险区域边界的范围为0.1m~0.49m。
9.基于AI技术的建筑临边危险区域越界识别系统,应用于权利要求1~8任一项所述的基于AI技术的建筑临边危险区域越界识别方法,包括:
第一确定模块,用于确定预设危险区域内是否存在移动对象;
识别模块,用于识别所述移动对象是否为人形特征;
第二确定模块,用于确定所述人形特征的实时位置信息;
计算模块,用于根据所述实时位置信息计算所述人形特征与所述预设危险区域的实际距离;
第一判断模块,用于判断所述实际距离是否大于第一预设距离;其中,若所述实际距离大于第一预设距离,则执行下一步骤;
第二判断模块,用于判断所述实际距离是否大于第二预设距离;其中,若所述实际距离大于第二预设距离,则输出警报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111548311.8A CN114360201A (zh) | 2021-12-17 | 2021-12-17 | 基于ai技术的建筑临边危险区域越界识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111548311.8A CN114360201A (zh) | 2021-12-17 | 2021-12-17 | 基于ai技术的建筑临边危险区域越界识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114360201A true CN114360201A (zh) | 2022-04-15 |
Family
ID=81100044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111548311.8A Pending CN114360201A (zh) | 2021-12-17 | 2021-12-17 | 基于ai技术的建筑临边危险区域越界识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114360201A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281839A (zh) * | 2014-09-26 | 2015-01-14 | 深圳市同洲电子股份有限公司 | 一种人体姿势识别方法和装置 |
CN105260719A (zh) * | 2015-10-16 | 2016-01-20 | 南京工程学院 | 铁路站台越线检测方法 |
CN111080963A (zh) * | 2019-12-18 | 2020-04-28 | 广州穗能通能源科技有限责任公司 | 施工现场告警方法、装置、计算机设备和存储介质 |
WO2020199480A1 (zh) * | 2019-04-03 | 2020-10-08 | 平安科技(深圳)有限公司 | 一种人体动作的识别方法及设备 |
CN112070815A (zh) * | 2020-09-07 | 2020-12-11 | 哈尔滨工业大学(威海) | 一种基于人体外轮廓变形的自动瘦身方法 |
CN112597895A (zh) * | 2020-12-22 | 2021-04-02 | 北京百度网讯科技有限公司 | 基于偏移量检测的置信度确定方法、路侧设备及云控平台 |
EP3809317A1 (en) * | 2019-10-16 | 2021-04-21 | Tsinghua University | Information identification system and method |
CN113255509A (zh) * | 2021-05-20 | 2021-08-13 | 福州大学 | 一种基于Yolov3和OpenPose的工地危险行为监控方法 |
CN113627405A (zh) * | 2021-10-12 | 2021-11-09 | 环球数科集团有限公司 | 景区危险监控方法、装置和计算机设备 |
US20210365696A1 (en) * | 2019-02-28 | 2021-11-25 | Shenzhen Sensetime Technology Co., Ltd. | Vehicle Intelligent Driving Control Method and Device and Storage Medium |
-
2021
- 2021-12-17 CN CN202111548311.8A patent/CN114360201A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281839A (zh) * | 2014-09-26 | 2015-01-14 | 深圳市同洲电子股份有限公司 | 一种人体姿势识别方法和装置 |
CN105260719A (zh) * | 2015-10-16 | 2016-01-20 | 南京工程学院 | 铁路站台越线检测方法 |
US20210365696A1 (en) * | 2019-02-28 | 2021-11-25 | Shenzhen Sensetime Technology Co., Ltd. | Vehicle Intelligent Driving Control Method and Device and Storage Medium |
WO2020199480A1 (zh) * | 2019-04-03 | 2020-10-08 | 平安科技(深圳)有限公司 | 一种人体动作的识别方法及设备 |
EP3809317A1 (en) * | 2019-10-16 | 2021-04-21 | Tsinghua University | Information identification system and method |
CN111080963A (zh) * | 2019-12-18 | 2020-04-28 | 广州穗能通能源科技有限责任公司 | 施工现场告警方法、装置、计算机设备和存储介质 |
CN112070815A (zh) * | 2020-09-07 | 2020-12-11 | 哈尔滨工业大学(威海) | 一种基于人体外轮廓变形的自动瘦身方法 |
CN112597895A (zh) * | 2020-12-22 | 2021-04-02 | 北京百度网讯科技有限公司 | 基于偏移量检测的置信度确定方法、路侧设备及云控平台 |
CN113255509A (zh) * | 2021-05-20 | 2021-08-13 | 福州大学 | 一种基于Yolov3和OpenPose的工地危险行为监控方法 |
CN113627405A (zh) * | 2021-10-12 | 2021-11-09 | 环球数科集团有限公司 | 景区危险监控方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062349B (zh) | 基于视频结构化数据及深度学习的视频监控方法和系统 | |
CN110745704B (zh) | 一种塔吊预警方法及装置 | |
WO2010084902A1 (ja) | 侵入警報ビデオ処理装置 | |
CN104866827B (zh) | 基于视频监控平台的人员翻越行为的检测方法 | |
WO2018056355A1 (ja) | 監視装置 | |
Katyal et al. | Safe driving by detecting lane discipline and driver drowsiness | |
Hechri et al. | Robust road lanes and traffic signs recognition for driver assistance system | |
CN112819068A (zh) | 一种基于深度学习的船舶作业违章行为实时侦测方法 | |
CN104077594A (zh) | 一种图像识别方法和装置 | |
CN112149649B (zh) | 一种道路抛洒物检测方法、计算机设备及存储介质 | |
CN109377694B (zh) | 社区车辆的监控方法及系统 | |
CN112464951A (zh) | 一种基于物联网的渔业安全应急处置系统及方法 | |
CN114529880A (zh) | 一种城市轨道异物侵限检测方法、装置、系统及存储介质 | |
CN105335688A (zh) | 一种基于视觉图像的飞机机型识别方法 | |
CN114155470A (zh) | 一种河道区域入侵检测方法、系统及存储介质 | |
CN111325937B (zh) | 翻越行为检测方法、装置和电子系统 | |
CN114360201A (zh) | 基于ai技术的建筑临边危险区域越界识别方法和系统 | |
CN113179389A (zh) | 一种输电线路危险车辆吊车扬臂识别系统及识别方法 | |
KR20160067631A (ko) | 차량번호판 인식방법 | |
CN114821978B (zh) | 一种误报警的消除方法、装置以及介质 | |
JP2008152586A (ja) | エリア警戒自動識別監視システム | |
Lu et al. | Monocular multi-kernel based lane marking detection | |
CN111339970B (zh) | 一种适用于公共环境下的吸烟行为检测方法 | |
CN114170572A (zh) | 一种基于ai识别技术的建筑吊篮合规性判断方法和系统 | |
CN113420631A (zh) | 一种基于图像识别的安全报警方法及装置 |
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 |