CN114882442A - 一种基于电力作业现场的人员装备态势识别方法 - Google Patents
一种基于电力作业现场的人员装备态势识别方法 Download PDFInfo
- Publication number
- CN114882442A CN114882442A CN202210611470.6A CN202210611470A CN114882442A CN 114882442 A CN114882442 A CN 114882442A CN 202210611470 A CN202210611470 A CN 202210611470A CN 114882442 A CN114882442 A CN 114882442A
- Authority
- CN
- China
- Prior art keywords
- image
- personnel
- training
- electric power
- power operation
- 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 32
- 238000012549 training Methods 0.000 claims abstract description 30
- 239000000463 material Substances 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000001681 protective effect Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 230000007547 defect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种基于电力作业现场的人员装备态势识别方法，具体涉及图像识别技术领域，包括图像搜集模块、数据库格式化模块、特征提取模块、训练验证模块，具体的流程如下：步骤S1、采集图像，得到图像素材库；步骤S2、将采集图像数据制作成tfrecord格式，通过建立队列系统，列会自动实现数据随机或有序地进出栈，并且队列系统和模型训练是独立进行的，加速了一种基于电力作业现场的人员装备态势识别方法模型的读取和训练；步骤S3、基于图像特征提取算法对所述tfrecord格式图像进行特征提取，获取图像中电力作业人员的安全穿戴特征，通过判断多个安全穿戴特征是否符合预设值，确定所述人员的安全穿戴状况；步骤S4、对算法模型进行训练和验证，获得最佳模型。
Description
技术领域
本发明涉及图像识别技术领域，更具体地涉及一种基于电力作业现场的人员装备态势识别方法。
背景技术
算法指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制，是解决实际问题的一系列方法。
在电力作业中，由于场景环境较为复杂，存在着威胁人身安全的各种因素，每年都会发生因为防护装备不全，佩戴不规范而导致的安全事故，因此检测识别在电力作业现场的工作人员是否按照要求佩戴安全防护装置，如，安全帽或安全服、手套、安全绳等非常重要，在实际作业中，往往需要人眼识别检测作业人员装备是否符合规定，既浪费人力，又容易存在疏忽。
智能化检测作业人员装备是否完整、妥当，对于施工现场的安全防护管理以及智能信息化管理具有重要意义。如能有效提高监管人员对防护用具穿戴情况的现场管理效率，大幅度减少了人工巡视劳动成本，同时也能对作业人员提供安全保障，一定程度上减少安全事故的发生，然而现有技术图像识别技术在目标检测中应用时容易存在误检及漏检情况。
因此，针对现有技术不足，提供基于电力作业现场的人员装备态势识别算法以解决现有智能化检测作业人员装备的不足。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种基于电力作业现场的人员装备态势识别方法，在卷积神经网络(Convolutional Neural Network,CNN)的基础上，通过提高工作人员的安全穿戴特征的识别准确率，并可对安全穿戴特征进行扩增、删减、优化。在系统中设定需要检测的装备列表，电力作业人员在进行作业前，人员装备态势识别算法对作业人员装备态势进行检查，检查合格后，系统发出指令，方可进行作业，从而提高电力作业人员安全穿戴检测效率，降低电力作业事故发生率，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如图一所示的一种基于电力作业现场的人员装备态势识别方法，包括：图像搜集模块、图像格式化模块、特征提取模块、验证模块，具体的流程如下：
步骤S1、采集图像，通过图像采集设备收集一定数目的电力作业人员装备态势图像，得到图像素材库；
步骤S2、将采集图像数据制作成tfrecord格式，得到tfrecord格式的素材库，通过建立队列系统，可以预先将tfrecord格式的数据加载进队列，队列会自动实现数据随机或有序地进出栈，并且队列系统和模型训练是独立进行的，加速了一种基于电力作业现场的人员装备态势识别算法方法模型的读取和训练；
步骤S3、基于图像特征提取算法对所述tfrecord格式图像进行特征提取，获取图像中电力作业人员的安全穿戴特征，通过判断多个安全穿戴特征是否符合预设值，确定所述人员的安全穿戴状况；
步骤S4、对算法模型进行验证，获得最佳模型。
在一个优选地实施方式中，所述步骤S1中图像采集设备为能够上传实时数据的照相机，图像采集设备根据红外线感应到人体位置，准确获得扫描范围，采集得到高清晰度的图像，图像采集设备为监控摄像头，通过提取获取的摄像中的关键帧图像完成图像采集工作，并将关键帧图像发送给安全穿戴检测设备。
在一个优选地实施方式中，所述步骤S2中将采集图像数据制作成tfrecord格式，具体步骤为：首先导入本发明图像素材库，获得了两组resize成224*224大小的商标图像集，然后定义一些路径和参数，包括定义tfrecord文件保存路径、每个tfrecord存放图片个数参数为1000、第几个TFRecord文件、tfrecords格式文件名，再定义tf.python_io.TFRecordWriter，方便后面写入存储数据；制作tfrecord格式时，实际上是将图像和标签一起存储在tf.train.Example中，它包含了一个字典，键是一个字符串，值的类型可以是BytesList，FloatList和Int64List，图像读取以后转化成了二进制格式；最后通过writer写入数据到tfrecord中，最终生成一个tfrecord文件。
在一个优选地实施方式中，所述步骤S3中电力作业人员的安全穿戴特征包括：安全帽、防护面罩、手环、绝缘手套、绝缘靴、安全绳、操作服中的一种或多种，穿戴防护工具种类在系统中设定，增加或者删除。
在一个优选地实施方式中，所述步骤S3中，所述图像特征提取算法为卷积神经网络中的resnet网络模型执行图像特征提取，ResNet网络通过短路机制加入了残差单元，变化主要体现在ResNet直接使用stride＝2的卷积做下采样，并且用global average pool层替换了全连接层，当feature map大小降低一半时，feature map的数量增加一倍，这保持了网络层的复杂度，ResNet相比普通网络每两层间增加了短路机制，这就形成了残差学习，使用了skip connection的残差结构。
在一个优选地实施方式中，所述步骤S4中，算法模型训练和验证的具体步骤如下：
步骤A1、首先是读取tfrecord格式素材库，通过分类标注功能，用户在图像数据上对检测的特征做分类标注，导入必要的库，一种基于电力作业现场的人员装备态势识别方法在本发明中使用ResNet_50，即50层的网络训练；
步骤A2、搭建网络环境进行训练，一种基于电力作业现场的人员装备态势识别方法继续定义损失函数和优化器，损失函数选择sigmoid交叉熵，优化器选择Adam，定义准确率函数，tf.argmax函数返回最大值所在位置，最后构建Session，让网络跑起来，读取的预处理数据集进行分割，分为训练集、验证集和测试集；
步骤A3、验证训练模型，使用tfrecord格式的素材库对训练模型进行验证，首先通过tf.TFRecordReader读取里面的数据，并且还原数据类型，最后我们对图像矩阵进行归一化，到这里就完成了tfrecord输出，然后调用apply_dl_classifier_batchwise方法将已经训练的分类器应用到测试集中，再调用evaluate_dl_classifier方法对测试集中的分类结果进行评估，预测类别与真实标签的匹配程度。
本发明的技术效果和优点：
1、该基于电力作业现场的人员装备态势识别算法，通过将采集图像数据制作成tfrecord格式，预先将tfrecord格式的数据加载进队列，队列会自动实现数据随机或有序地进出栈，并且队列系统和模型训练是独立进行的，这就加速了我们模型的读取和训练；
2、该基于电力作业现场的人员装备态势识别算法，通过resnet网络模型能够增加短路机制，这就形成了残差学习，使用了skip connection的残差结构，使得网络达到很深的层次，同时提升了性能；
3、该基于电力作业现场的人员装备态势识别算法，通过卷积神经网络深度学习算法，提高工作人员的安全穿戴特征的识别准确率，并可对安全穿戴特征进行扩展。在系统中设定需要检测的装备列表，工作人员在进入施工区域前，系统进行自动化检查，当人员按照检测列表正确穿戴指定的装备后，系统可以正确识别出。
附图说明
图1为本发明的整体结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明实施例提供了一种基于电力作业现场的人员装备态势识别方法，在卷积神经网络(Convolutional Neural Network,CNN)的基础上，通过提高工作人员的安全穿戴特征的识别准确率，并可对安全穿戴特征进行扩增、删减、优化。在系统中设定需要检测的装备列表，电力作业人员在进行作业前，人员装备态势识别算法对作业人员装备态势进行检查，检查合格后，系统发出指令，方可进行作业，从而提高电力作业人员安全穿戴检测效率，降低电力作业事故发生率。
实施例
本发明提供了如图1所示的一种基于电力作业现场的人员装备态势识别方法，包括图像搜集模块、图像格式化模块、特征提取模块、训练和验证模块，具体的流程如下：
步骤S1、采集图像，通过图像采集设备收集一定数目的电力作业人员装备态势图像，得到图像素材库；
步骤S2、将采集图像数据制作成tfrecord格式，得到tfrecord格式的素材库，通过建立队列系统，可以预先将tfrecord格式的数据加载进队列，队列会自动实现数据随机或有序地进出栈，并且队列系统和模型训练是独立进行的，加速了一种基于电力作业现场的人员装备态势识别方法模型的读取和训练；
步骤S3、基于图像特征提取算法对所述tfrecord格式图像进行特征提取，获取所述图像中电力作业人员的安全穿戴特征，通过判断所述多个安全穿戴特征是否符合预设值，确定所述人员的安全穿戴状况；
步骤S4、对算法模型进行训练和验证，获得最佳模型。
所述步骤S1中，图像采集设备为能够上传实时数据的照相机，图像采集设备根据红外线感应到人体位置，准确获得扫描范围，采集得到高清晰度的图像，图像采集设备为监控摄像头，通过提取获取的摄像中的关键帧图像完成图像采集工作，并将关键帧图像发送给安全穿戴检测设备。
所述步骤S2中，将采集图像数据制作成tfrecord格式，具体步骤为：首先导入本图像素材库，获得了两组resize成224*224大小的商标图像集，然后定义路径和参数，包括定义tfrecord文件保存路径、每个tfrecord存放图片个数参数为1000、第几个TFRecord文件、tfrecord格式文件名，再定义tf.python_io.TFRecordWriter，方便后面写入存储数据；制作tfrecord格式时，实际上是将图像和标签一起存储在tf.train.Example中，它包含了一个字典，键是一个字符串，值的类型可以是BytesList，FloatList和Int64List，图像读取以后转化成了二进制格式；最后通过writer写入数据到tfrecord中；最终生成一个tfrecord文件。
所述步骤S3中，电力作业人员的安全穿戴特征包括：安全帽、防护面罩、手环、绝缘手套、绝缘靴、安全绳、操作服中的一种或多种，穿戴防护工具种类在系统中设定，增加或者删除。
所述步骤S3中，设定安全穿戴特征的种类是安全帽、绝缘手套、绝缘橡胶鞋，根据所述安全穿戴特征的种类，获取所述图像中人员的多个安全穿戴特征。
所述步骤S3中，所述图像特征提取算法为卷积神经网络中的resnet模型执行图像特征提取，ResNet网络通过短路机制加入了残差单元，变化主要体现在ResNet直接使用stride＝2的卷积做下采样，并且用global average pool层替换了全连接层。当featuremap大小降低一半时，feature map的数量增加一倍，这保持了网络层的复杂度，ResNet相比普通网络每两层间增加了短路机制，这就形成了残差学习，使用了skip connection的残差结构。
所述步骤S4中，算法模型训练和验证的具体步骤如下：
步骤A1、首先是读取tfrecord格式素材库，通过分类标注功能，用户在图像数据上对检测的特征做分类标注。导入必要的库，一种基于电力作业现场的人员装备态势识别方法在本发明中使用ResNet_50，即50层的网络训练；
步骤A2、搭建网络进行训练，一种基于电力作业现场的人员装备态势识别方法继续定义损失函数和优化器，损失函数选择sigmoid交叉熵，优化器选择Adam，定义准确率函数，tf.argmax函数返回最大值所在位置，最后构建Session，让网络高速运转，读取的预处理数据集进行分割，分为训练集、验证集和测试集；
步骤A3、验证训练模型，使用tfrecord格式的素材库对训练模型进行验证，首先通过tf.TFRecordReader读取里面的数据，并且还原数据类型，最后我们对图像矩阵进行归一化，到这里就完成了tfrecord输出，然后调用apply_dl_classifier_batchwise方法将已经训练的分类器应用到测试集中，再调用evaluate_dl_classifier方法对测试集中的分类结果进行评估。预测类别与真实标签的匹配程度。
在本发明的一些优选的实施例中，所述通过判断所述多个安全穿戴特征是否符合预设值，确定所述人员的安全穿戴状况，包括：若所述多个安全穿戴特征未符合预设值，则通过深度学习模型获取所述图像中人员的人脸特征信息；将所述人脸特征信息与数据库中的人脸数据进行匹配，确定所述图像中人员的身份。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于电力作业现场的人员装备态势识别方法，其特征在于，包括具体流程如下：
步骤S1、采集图像，通过图像采集设备收集一定数目的电力作业人员装备态势图像，得到图像素材库；
步骤S2、将采集图像数据制作成tfrecord格式，得到tfrecord格式的素材库，通过建立队列系统，可以预先将tfrecord格式的数据加载进队列，队列会自动实现数据随机或有序地进出栈，并且队列系统和模型训练是独立进行的，加速了一种基于电力作业现场的人员装备态势识别方法模型的读取和训练；
步骤S3、基于图像特征提取算法对所述tfrecord格式图像进行特征提取，获取图像中电力作业人员的安全穿戴特征，通过判断多个安全穿戴特征是否符合预设值，确定所述人员的安全穿戴状况；
步骤S4、对算法模型进行训练和验证，获得最佳模型。
2.根据权利要求1所述的一种基于电力作业现场的人员装备态势识别方法，其特征在于：所述步骤S1中图像采集设备为能够上传实时数据的照相机，图像采集设备根据红外线感应到人体位置，准确获得扫描范围，采集得到高清晰度的图像，图像采集设备为监控摄像头，通过提取获取的摄像中的关键帧图像完成图像采集工作，并将关键帧图像发送给安全穿戴检测设备。
3.根据权利要求1所述的一种基于电力作业现场的人员装备态势识别方法，其特征在于：所述步骤S2中将采集图像数据制作成tfrecord格式，具体步骤为：将关键帧图像导入本发明图像素材库，获得了两组resize成224*224大小的商标图像集；定义tfrecord文件保存路径、tfrecord格式文件名，Tf.python_io.TFRecordWriter存储数据；将图像和标签一起存储在tf.train.Example中制作tfrecord格式，图像经过读取以后转化成二进制格式,通过writer写入数据到tfrecord中，生成一个tfrecord文件。
4.根据权利要求1所述的一种基于电力作业现场的人员装备态势识别方法，其特征在于：所述步骤S3中电力作业人员的安全穿戴特征包括：安全帽、防护面罩、手环、绝缘手套、绝缘靴、安全绳、操作服中的一种或多种，在系统中设定需要识别的穿戴防护工具的种类，如，设定识别面罩、绝缘手套、以及操作服。
5.根据权利要求1所述的一种基于电力作业现场的人员装备态势识别方法，其特征在于：所述步骤S3中，图像特征提取算法为卷积神经网络中的ResNet模型执行图像特征提取，ResNet网络通过短路机制加入了残差单元，变化主要体现在ResNet直接使用stride＝2的卷积做下采样，并且用global average pool层替换了全连接层。
6.根据权利要求1所述的一种基于电力作业现场的人员装备态势识别方法，其特征在于，所述步骤S4中，算法模型训练和验证的具体步骤如下：
步骤A1、步骤A1、首先是读取tfrecord格式图像数据，通过分类标注功能，用户在图像数据上对检测的特征做分类标注，然后导入对比数据库中；
步骤A2、搭建网络环境进行训练，使用ResNet_50，即50层的网络训练，定义损失函数和优化器，损失函数选择sigmoid交叉熵，优化器选择Adam，定义准确率函数，tf.argmax函数返回最大值所在位置，最后构建Session，让网络高速运转，读取的预处理数据集并进行分割，分为训练集、验证集和测试集；
步骤A3、验证训练模型，使用tfrecord格式的素材库对训练模型进行验证，首先通过tf.TFRecordReader读取里面的数据，并且还原数据类型，对图像矩阵进行归一化处理，完成tfrecord输出，再调用apply_dl_classifier_batchwise方法，将已经训练的分类器应用到测试集中，并调用evaluate_dl_classifier方法对测试集中的分类结果进行评估，预测类别与真实标签的匹配程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210611470.6A CN114882442A (zh) | 2022-05-31 | 2022-05-31 | 一种基于电力作业现场的人员装备态势识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210611470.6A CN114882442A (zh) | 2022-05-31 | 2022-05-31 | 一种基于电力作业现场的人员装备态势识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114882442A true CN114882442A (zh) | 2022-08-09 |
Family
ID=82679991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210611470.6A Pending CN114882442A (zh) | 2022-05-31 | 2022-05-31 | 一种基于电力作业现场的人员装备态势识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114882442A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115471874A (zh) * | 2022-10-28 | 2022-12-13 | 山东新众通信息科技有限公司 | 基于监控视频的施工现场危险行为识别方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210419A (zh) * | 2019-06-05 | 2019-09-06 | 中国科学院长春光学精密机械与物理研究所 | 高分辨率遥感图像的场景识别系统及模型生成方法 |
| CN111553837A (zh) * | 2020-04-28 | 2020-08-18 | 武汉理工大学 | 一种基于神经风格迁移的艺术文本图像生成方法 |
| CN111652046A (zh) * | 2020-04-17 | 2020-09-11 | 济南浪潮高新科技投资发展有限公司 | 基于深度学习的安全穿戴检测方法、设备及系统 |
| CN111712186A (zh) * | 2017-12-20 | 2020-09-25 | 医鲸股份有限公司 | 用于辅助心血管疾病的诊断的方法和装置 |
| CN111784031A (zh) * | 2020-06-15 | 2020-10-16 | 上海东普信息科技有限公司 | 物流车辆分类预测方法、装置、设备及存储介质 |
| CN112379869A (zh) * | 2020-11-13 | 2021-02-19 | 广东电科院能源技术有限责任公司 | 一种标准化开发训练平台 |
| CN113051983A (zh) * | 2019-12-28 | 2021-06-29 | 中移(成都)信息通信科技有限公司 | 训练大田作物病害识别模型及大田作物病害识别的方法 |
| CN113408682A (zh) * | 2021-06-29 | 2021-09-17 | 中航航空服务保障(天津)有限公司 | 一种基于ResNet网络的工具识别方法 |
| CN114548355A (zh) * | 2020-11-26 | 2022-05-27 | 中兴通讯股份有限公司 | Cnn训练方法、电子设备和计算机可读存储介质 |
-
2022
- 2022-05-31 CN CN202210611470.6A patent/CN114882442A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111712186A (zh) * | 2017-12-20 | 2020-09-25 | 医鲸股份有限公司 | 用于辅助心血管疾病的诊断的方法和装置 |
| CN110210419A (zh) * | 2019-06-05 | 2019-09-06 | 中国科学院长春光学精密机械与物理研究所 | 高分辨率遥感图像的场景识别系统及模型生成方法 |
| CN113051983A (zh) * | 2019-12-28 | 2021-06-29 | 中移(成都)信息通信科技有限公司 | 训练大田作物病害识别模型及大田作物病害识别的方法 |
| CN111652046A (zh) * | 2020-04-17 | 2020-09-11 | 济南浪潮高新科技投资发展有限公司 | 基于深度学习的安全穿戴检测方法、设备及系统 |
| CN111553837A (zh) * | 2020-04-28 | 2020-08-18 | 武汉理工大学 | 一种基于神经风格迁移的艺术文本图像生成方法 |
| CN111784031A (zh) * | 2020-06-15 | 2020-10-16 | 上海东普信息科技有限公司 | 物流车辆分类预测方法、装置、设备及存储介质 |
| CN112379869A (zh) * | 2020-11-13 | 2021-02-19 | 广东电科院能源技术有限责任公司 | 一种标准化开发训练平台 |
| CN114548355A (zh) * | 2020-11-26 | 2022-05-27 | 中兴通讯股份有限公司 | Cnn训练方法、电子设备和计算机可读存储介质 |
| CN113408682A (zh) * | 2021-06-29 | 2021-09-17 | 中航航空服务保障(天津)有限公司 | 一种基于ResNet网络的工具识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115471874A (zh) * | 2022-10-28 | 2022-12-13 | 山东新众通信息科技有限公司 | 基于监控视频的施工现场危险行为识别方法 |
| CN115471874B (zh) * | 2022-10-28 | 2023-02-07 | 山东新众通信息科技有限公司 | 基于监控视频的施工现场危险行为识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113011319B (zh) | 多尺度火灾目标识别方法及系统 | |
| CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
| CN111460962B (zh) | 一种口罩人脸识别方法及系统 | |
| CN113516076B (zh) | 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法 | |
| CN102682309A (zh) | 一种基于模板学习的人脸注册方法及装置 | |
| CN112434827B (zh) | 一种5t运维中安全防护识别单元 | |
| CN112434828B (zh) | 一种5t运维中安全防护智能识别方法 | |
| CN110688980B (zh) | 基于计算机视觉的人体姿态分类方法 | |
| CN110728252A (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
| CN110458794B (zh) | 用于轨道列车的配件质量检测方法及装置 | |
| CN111652046A (zh) | 基于深度学习的安全穿戴检测方法、设备及系统 | |
| CN113743256A (zh) | 一种工地安全智能预警方法与装置 | |
| CN113807240A (zh) | 基于非配合式人脸识别的变电站人员着装智能监控方法 | |
| CN111382727B (zh) | 一种基于深度学习的犬脸识别方法 | |
| CN114882442A (zh) | 一种基于电力作业现场的人员装备态势识别方法 | |
| CN112686180A (zh) | 一种封闭空间人员数量计算方法 | |
| CN113191273A (zh) | 基于神经网络的油田井场视频目标检测与识别方法及系统 | |
| CN111897993A (zh) | 一种基于行人再识别的高效目标人物轨迹生成方法 | |
| Calefati et al. | Reading meter numbers in the wild | |
| CN113221825B (zh) | 一种基于机器学习的电力安全管控人脸识别方法 | |
| Mokshin et al. | Using convolutional neural networks to monitor security at an industrial facility | |
| Thanh-Du et al. | An attendance checking system on mobile devices using transfer learning | |
| CN117152826B (zh) | 基于目标跟踪和异常检测的实时跨镜追踪方法 | |
| CN117392613B (zh) | 一种基于轻量化网络的电力作业安全监测方法 | |
| CN116579609B (zh) | 一种基于巡检过程中的违规操作分析方法 |
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: 20220809 |