CN114926778A - 一种生产环境下的安全帽与人员身份识别系统 - Google Patents
一种生产环境下的安全帽与人员身份识别系统 Download PDFInfo
- Publication number
- CN114926778A CN114926778A CN202210392435.XA CN202210392435A CN114926778A CN 114926778 A CN114926778 A CN 114926778A CN 202210392435 A CN202210392435 A CN 202210392435A CN 114926778 A CN114926778 A CN 114926778A
- Authority
- CN
- China
- Prior art keywords
- safety helmet
- human body
- production environment
- recognition model
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种生产环境下的安全帽与人员身份识别系统。它是由多个监控摄像机、后台分析服务器、监控终端组成,其特征在于,监控摄像机能全覆盖生产环境下的所有生产作业人员,监控摄像机将采集的画面通过有线网络传输至后台分析服务器,后台分析服务器配置有安全帽智能识别算法与人脸识别算法,后台分析服务器对监控摄像机采集的画面进行分析处理后,将未佩戴安全帽的人员身份通过监控终端告警提示。与传统监控模式相比,本申请引入作业人员安全帽与人脸身份智能识别功能,大大降低了管理人员长期观看监控画面导致的大量人力耗费和时间投入,尤其适合多个监控场景下的作业人员智能分析。
Description
技术领域
本发明涉及一种生产环境下的安全帽与人员身份识别系统,主要适用于生产环境下的未佩戴安全帽的人员身份识别。
背景技术
在大型部件装配过程中,在生产现场的作业人员佩戴安全帽能有效降低坠物降落对人体头部的伤害,对保障作业人员的人身安全和财产安全具有重要意义。监控摄像机对生产作业人员进行实时监控,一旦发现未佩戴安全帽的人员时,后台监控人员立刻实施管控。因此,安全帽与人员识别系统将很大程度保证作业人员的安全,提高了后台监控人员安全管控效率,为企业生产安全提供有效保障。
通常作业车间会安装多个安全生产监控摄像头,大量的摄像机实时画面传到后台监控室后需要管理人员观看,这种传统的人工监控模式需要耗费大量的人力和时间投入,并且长时间的肉眼观察容易产生视觉疲劳,造成监控空档存在可靠性较低和管理成本较大的问题。
近年来,随着人工智能技术的发展,监控模式由传统的被动防御模式逐渐升级为主动识别和告警的智慧型模式。目前,公开号为CN 113392707A的专利申请公开了“佩戴安全帽识别系统”,根据所述检测方法将人头区域检测裁剪出来后,再输入至分类模型判断佩戴安全帽和不佩戴安全帽两种情况,这种直接检测人体头部区域的方式对距离摄像机较近的目标具有较好效果,但是对于在生产作业场景下目标距离较远、安全帽尺度较小的情况,安全帽的识别精度有待提高,并且该方法缺乏对人员身份信息的识别。
发明内容
为了克服生产环境下传统监控模式的弊端,本发明提供了一种生产环境下的安全帽与人员身份识别系统,解决了人工监控的低效和遗漏问题,实现了在生产环境下未佩戴安全帽的人员身份识别功能。
本申请解决其技术问题所采用的技术方案是:
一种生产环境下的安全帽与人员身份识别系统,包含多个监控摄像机、后台分析服务器、监控终端,监控摄像机能全覆盖生产环境下的所有生产作业人员,监控摄像机将采集的画面通过有线网络传输至后台分析服务器,后台分析服务器配置有安全帽智能识别算法与人脸识别算法,具体步骤如下:
S1:在生产环境现场,利用监控摄像机对生产环境现场的实况进行视频流采集并切成图片,获得生产环境现场的图像数据库;
S2:对生产环境现场的图像数据库的图片进行人工标注,将每幅图片中人员的人体和安全帽分别进行标注,形成图像训练数据库;
S3:搭建人体识别模型与安全帽识别模型,利用图像训练数据库,采用数据增强的方式,对人体识别模型与安全帽识别模型进行训练,提升人体识别模型与安全帽识别模型的鲁棒性;
S4:采用神经网络结构化稀疏训练与剪枝技术对人体识别模型与安全帽识别模型进行压缩;
S5:利用压缩后的人体识别模型对生产环境现场的实时图像进行分析,识别包含有人体的实时图像,并将图像中的人体区域裁剪形成人体区域图像。
S6:利用压缩后的安全帽识别模型对人体区域图像进行分析,识别人体是否佩戴安全帽,对未佩戴安全帽的人体区域图像裁剪出人体头部区域图像;
S7:将未佩戴安全帽的人体头部区域图像输入人脸识别算法,通过人脸识别算法识别出未佩戴安全帽的人员身份信息。
S8:将未佩戴安全帽的人员身份信息通过监控终端告警提示。
进一步的,步骤S1中,建立生产环境现场的图像数据库时,采集到的图像不限于人员目标尺度、光照和颜色;
进一步的,步骤S2中,首先将每幅图片中人员的人体区域进行标注,再在人体区域的基础上对佩戴安全帽的人体头部及安全帽进行一类标注,对未佩戴安全帽的人体头部进行二类标注。
进一步的,步骤S3中,人体识别模型与安全帽识别模型采用基于目标识别算法YOLOv5架构,利用一类标注和二类标注的图片在训练人体识别模型与安全帽识别模型时,采用的数据增强方式包括马赛克增强、HSV空间增强、图像翻转。
进一步的,步骤S4中,根据预定的压缩率,对人体识别模型与安全帽识别模型进行压缩时,利用基于特征图L1范数的结构化稀疏训练与剪枝技术,在训练损失函数上添加各层特征图范数正则项,能够在网络训练中获取稀疏特征,并增强保留特征的显著性,计算每层每个卷积核输出的特征图L1范数,将特征图L1范数值较小的对应卷积核剔除,施加结构特征稀疏惩罚项的多任务训练优化目标表示为:
式中,W为卷积神经网络CNN中的训练权重,(x,y)表示神经网络输入和真实目标标签,为网络常规训练的损失值,一般采用交叉熵损失函数,R代表施加在卷积层上的结构特征稀疏正则项,即l1范数,λ是平衡这两项的控制参数;
进一步的,步骤S7中,人脸识别算法利用人脸识别模型FaceNet对未佩戴安全帽的人体头部区域图像进行人脸识别,通过在人脸特征库中进行人脸比对,获得人脸身份信息;
所述的安全帽智能识别算法中包含数据增强模块、模型压缩模块和二次检测模块,数据增强模块用于提升识别模型鲁棒性;模型压缩模块用于网络稀疏训练,并对预训练模型进行结构化剪枝,提升检测速度并降低模型硬件资源占用量;使用二次检测模块完成上述S5和S6步骤内容,用于在人体识别的局部区域中,通过区域尺度放大对安全帽目标进行识别,实现更高精度的安全帽小目标识别。
所述的人脸识别算法含有身份核验模块:用于对未佩戴安全帽的人体头部区域图像进行人脸身份识别。
本发明具有如下有益效果:1)安全帽与人员身份识别的实时性好,识别模型占用硬件资源少,适宜同时分析多个监控摄像机传输的实时图像;2)二次检测模块对生产现场作业人员是否佩戴安全帽的小目标识别精度高;3)身份核验模块对未佩戴安全的人员进行人脸识别,提升生产现场安全管理效率。
附图说明
下面结合附图和实施例对本结构进一步说明
图1为本发明的安全帽与人员身份识别系统结构图;
图2为本发明的安全帽智能识别算法与人脸识别算法模块流程图;
图3为本发明的安全帽智能识别算法与人脸识别算法的二次检测模块流程图;
具体实施方式
应当理解,此处所描述的具体实例仅仅用以解释本发明,并不用于限定本发明。本发明经过了算法和现场技术验证,生产环境下的安全帽与人员身份识别系统包括多个监控摄像机、后台分析服务器、监控终端。
实施方式:监控摄像机用于拍摄生产作业现场,在生产作业现场布置足够数量的监控摄像机,监控摄像机可以对生产现场的所有工作现场进行监控,监控拍摄画面通过有线网络设备和实时串流协议RTSP传输至后台分析服务器,后台分析服务器配置有安全帽智能识别算法与人脸识别算法,后台分析服务器对监控摄像机采集的画面进行分析处理后,将未佩戴安全帽的人员身份通过监控终端告警提示,如图1所示。
参见图2,安全帽智能识别算法与人脸识别算法,包括:
S1:在生产环境现场,利用监控摄像机对生产环境现场的实况进行视频流采集并切成图片,获得生产环境现场的图像数据库,建立生产环境现场的图像数据库时,采集到的图像不限于人员目标尺度、光照和颜色;
S2:对生产环境现场的图像数据库的图片进行人工标注,首先将每幅图片中人员的人体区域进行标注,再在人体区域的基础上对佩戴安全帽的人体头部及安全帽进行一类标注,对未佩戴安全帽的人体头部进行二类标注;
S3:搭建人体识别模型与安全帽识别模型,人体识别模型与安全帽识别模型采用基于目标识别算法YOLOv5架构,利用一类标注和二类标注的图片训练人体识别模型与安全帽识别模型,采用数据增强方式包括马赛克增强、HSV空间增强、图像翻转,对人体识别模型与安全帽识别模型进行训练,提升人体识别模型与安全帽识别模型的鲁棒性;
S4:采用神经网络结构化稀疏训练与剪枝技术对人体识别模型与安全帽识别模型进行压缩。根据预定的压缩率,对人体识别模型与安全帽识别模型进行压缩时,利用基于特征图L1范数的结构化稀疏训练与剪枝技术,在训练损失函数上添加各层特征图范数正则项,能够在网络训练中获取稀疏特征,并增强保留特征的显著性,计算每层每个卷积核输出的特征图L1范数,将特征图L1范数值较小的对应卷积核剪枝,施加结构特征稀疏惩罚项的多任务训练优化目标表示为:
式中,W为卷积神经网络CNN中的训练权重,(x,y)表示神经网络输入和真实目标标签,为网络常规训练的损失值,一般采用交叉熵损失函数,R代表施加在卷积层上的结构特征稀疏正则项,即l1范数,λ是平衡这两项的控制参数;
S5:利用压缩后的人体识别模型对生产环境现场的实时图像进行分析,识别包含有人体的实时图像,并将图像中的人体区域裁剪形成人体区域图像;
S6:利用压缩后的安全帽识别模型对人体区域图像进行分析,识别人体是否佩戴安全帽,对未佩戴安全帽的人体区域图像裁剪出人体头部区域图像,如图3所示;
S7:将未佩戴安全帽的人体头部区域图像输入人脸识别算法,人脸识别算法利用人脸识别模型FaceNet对未佩戴安全帽的人体头部区域图像进行人脸识别,通过在人脸特征库中进行人脸比对,获得人脸身份信息。
S8:将未佩戴安全帽的人员身份信息通过监控终端告警提示。
本发明提供了一种生产环境下的安全帽与人员身份识别系统的通用框架,不限于具体的检测方法。该框架的优势是,所述的安全帽智能识别算法中包含数据增强模块、模型压缩模块和二次检测模块,数据增强模块用于提升识别模型鲁棒性;模型压缩模块用于网络稀疏训练,并对预训练模型进行结构化剪枝,提升检测速度并降低模型硬件资源占用量;使用二次检测模块完成上述S5和S6步骤内容,用于在人体识别的局部区域中,通过区域尺度放大对安全帽目标进行识别,实现更高精度的安全帽小目标识别;
所述的人脸识别算法含有身份核验模块:用于对未佩戴安全帽的人体头部区域图像进行人脸身份识别。
最后说明的是,本领域的普通技术人员应当理解以上实施例仅用以说明本发明的技术方案而非限制,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种生产环境下的安全帽与人员身份识别系统,包含多个监控摄像机、后台分析服务器、监控终端,其特征在于,所述的监控摄像机能全覆盖生产环境下的所有生产作业人员,监控摄像机将采集的画面通过有线网络传输至后台分析服务器,后台分析服务器配置有安全帽智能识别算法与人脸识别算法,后台分析服务器对监控摄像机采集的画面进行分析处理后,将未佩戴安全帽的人员身份通过监控终端告警提示,具体步骤如下:
S1:在生产环境现场,利用监控摄像机对生产环境现场的实况进行视频流采集并切成图片,获得生产环境现场的图像数据库;
S2:对生产环境现场的图像数据库的图片进行人工标注,将每幅图片中人员的人体和安全帽分别进行标注,形成图像训练数据库;
S3:搭建人体识别模型与安全帽识别模型,利用图像训练数据库,采用数据增强的方式,对人体识别模型与安全帽识别模型进行训练,提升人体识别模型与安全帽识别模型的鲁棒性;
S4:采用神经网络结构化稀疏训练与剪枝技术对人体识别模型与安全帽识别模型进行压缩;
S5:利用压缩后的人体识别模型对生产环境现场的实时图像进行分析,识别包含有人体的实时图像,并将图像中的人体区域裁剪形成人体区域图像。
S6:利用压缩后的安全帽识别模型对人体区域图像进行分析,识别人体是否佩戴安全帽,对未佩戴安全帽的人体区域图像裁剪出人体头部区域图像;
S7:将未佩戴安全帽的人体头部区域图像输入人脸识别算法,通过人脸识别算法识别出未佩戴安全帽的人员身份信息。
S8:将未佩戴安全帽的人员身份信息通过监控终端告警提示。
2.根据权利要求1所述的生产环境下的安全帽与人员身份识别系统,其特征在于:所述的安全帽智能识别算法中包含数据增强模块、模型压缩模块和二次检测模块,数据增强模块用于提升识别模型鲁棒性;模型压缩模块用于网络稀疏训练,并对预训练模型进行结构化剪枝,提升检测速度并降低模型硬件资源占用量;使用二次检测模块完成上述S5和S6步骤内容,用于在人体识别的局部区域中,通过区域尺度放大对安全帽目标进行识别,实现更高精度的安全帽小目标识别。
3.根据权利要求1所述的生产环境下的安全帽与人员身份识别系统,其特征在于:所述的人脸识别算法含有身份核验模块:用于对未佩戴安全帽的人体头部区域图像进行人脸身份识别。
4.根据权利要求1所述的生产环境下的安全帽与人员身份识别系统,其特征在于:步骤S4中,根据预定的压缩率,对人体识别模型与安全帽识别模型进行压缩时,利用基于特征图L1范数的结构化稀疏训练与剪枝技术,在训练损失函数上添加各层特征图范数正则项,能够在网络训练中获取稀疏特征,并增强保留特征的显著性,计算每层每个卷积核输出的特征图L1范数,将特征图L1范数值较小的对应卷积核剔除,施加结构特征稀疏惩罚项的多任务训练优化目标表示为:
5.根据权利要求1或2或3或4所述的生产环境下的安全帽与人员身份识别系统,其特征在于:步骤S2中,首先将每幅图片中人员的人体区域进行标注,再在人体区域的基础上对佩戴安全帽的人体头部及安全帽进行一类标注,对未佩戴安全帽的人体头部进行二类标注。
6.根据权利要求1或2或3或4所述的生产环境下的安全帽与人员身份识别系统,其特征在于:步骤S3中,人体识别模型与安全帽识别模型采用基于目标识别算法YOLOv5架构,利用一类标注和二类标注的图片在训练人体识别模型与安全帽识别模型时,采用的数据增强方式包括马赛克增强、HSV空间增强、图像翻转。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210392435.XA CN114926778A (zh) | 2022-04-18 | 2022-04-18 | 一种生产环境下的安全帽与人员身份识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210392435.XA CN114926778A (zh) | 2022-04-18 | 2022-04-18 | 一种生产环境下的安全帽与人员身份识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926778A true CN114926778A (zh) | 2022-08-19 |
Family
ID=82807483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210392435.XA Pending CN114926778A (zh) | 2022-04-18 | 2022-04-18 | 一种生产环境下的安全帽与人员身份识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926778A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170927A (zh) * | 2022-09-02 | 2022-10-11 | 常州海图信息科技股份有限公司 | 一种煤矿井下多场景监测系统 |
CN116628815A (zh) * | 2023-05-30 | 2023-08-22 | 中铁八局集团第一工程有限公司 | 基于vr的梁场工作体验系统及方法 |
-
2022
- 2022-04-18 CN CN202210392435.XA patent/CN114926778A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170927A (zh) * | 2022-09-02 | 2022-10-11 | 常州海图信息科技股份有限公司 | 一种煤矿井下多场景监测系统 |
CN116628815A (zh) * | 2023-05-30 | 2023-08-22 | 中铁八局集团第一工程有限公司 | 基于vr的梁场工作体验系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898514B (zh) | 一种基于目标检测与动作识别的多目标视觉监管方法 | |
CN109271554B (zh) | 一种智能视频识别系统及其应用 | |
CN111191586B (zh) | 一种施工现场人员安全帽佩戴情况巡检方法及系统 | |
CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN110738127A (zh) | 基于无监督深度学习神经网络算法的安全帽识别方法 | |
CN111047818A (zh) | 一种基于视频图像的森林火灾预警系统 | |
CN114926778A (zh) | 一种生产环境下的安全帽与人员身份识别系统 | |
CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
CN112084963B (zh) | 一种监控预警方法、系统及存储介质 | |
CN213938165U (zh) | 一种仓库安全帽检测报警系统 | |
CN113411542A (zh) | 一种智能化的工作状况监测设备 | |
CN112036327A (zh) | 一种基于ssd的轻量化安全帽检测方法 | |
CN115035088A (zh) | 一种基于yolov5和姿态估计的安全帽佩戴检测方法 | |
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 | |
CN111401310B (zh) | 基于人工智能的厨房卫生安全监督管理方法 | |
CN113283369A (zh) | 一种港口码头作业人员安全防护措施监控系统及方法 | |
CN113111771A (zh) | 一种发电厂工作人员不安全行为的识别方法 | |
CN114460080A (zh) | 一种水稻病虫智能监控系统 | |
CN111860187A (zh) | 一种高精度的佩戴口罩识别方法及系统 | |
CN105095891A (zh) | 一种人脸捕捉的方法,装置及系统 | |
CN116977909B (zh) | 一种基于多模态数据的深度学习火灾强度识别方法及系统 | |
CN115190277B (zh) | 施工区域的安全监控方法、装置、设备及存储介质 | |
CN111723725A (zh) | 一种基于视频ai多维分析系统 | |
CN115393900A (zh) | 一种基于物联网的智慧工地安全监管方法及系统 | |
CN115829324A (zh) | 一种人员安全风险静默监视方法 |
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 |