CN115035088A - 一种基于yolov5和姿态估计的安全帽佩戴检测方法 - Google Patents

一种基于yolov5和姿态估计的安全帽佩戴检测方法 Download PDF

Info

Publication number
CN115035088A
CN115035088A CN202210741951.9A CN202210741951A CN115035088A CN 115035088 A CN115035088 A CN 115035088A CN 202210741951 A CN202210741951 A CN 202210741951A CN 115035088 A CN115035088 A CN 115035088A
Authority
CN
China
Prior art keywords
yolov5
head
safety helmet
safety
detection
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
Application number
CN202210741951.9A
Other languages
English (en)
Inventor
陈璐
张千
梁鸿
马子镇
任洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202210741951.9A priority Critical patent/CN115035088A/zh
Publication of CN115035088A publication Critical patent/CN115035088A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Helmets And Other Head Coverings (AREA)

Abstract

本发明公开了一种基于yolov5和姿态估计的安全帽佩戴检测方法，该方法将目标检测模型与姿态估计的关键点以及hsv空间的色域分割技术相结合，对油田及钻井复杂作业现场下的人员是否佩戴安全帽进行检测。包括：将作业现场的视频分帧得到的图片进行预处理，输入改进后的yolov5模型对人员进行检测，分割出人体区域；通过姿态估计网络进行姿态估计，得到人体关键点坐标；根据鼻子、左耳、右耳、左肩、右肩五个关键点来定位头部区域；在头部区域取像素块，根据像素块内hsv色域占比来判断作业人员是否佩戴安全帽，并对未戴安全帽的人员信息进行记录和报警。该安全帽佩戴检测方法，提高了人员是否未戴安全帽的检测准确率，为复杂作业现场的生产安全提供保证。

Description

一种基于yolov5和姿态估计的安全帽佩戴检测方法
技术领域
本发明属于深度学习计算机视觉领域，尤其涉及一种基于yolov5和姿态估计的安全帽佩戴检测方法。
背景技术
石油工业是国家经济发展的命脉，而石油开采又是一个风险性极高的行业，为了采油钻井工作的稳定运行，经常会有大量人员在生产现场进行工作，而作业现场环境复杂，设备众多，因此，工作人员规范佩戴安全帽对安全生产是十分重要的。目前对工人是否佩戴安全帽的监管大多是通过摄像头进行人工盯审，而作业现场摄像头众多、场景众多，人工监管会浪费大量的人力，且无法实现全天候准确分析并预警，制约着石油领域的安全生产。
目前，随着数字化、信息化时代的到来，深度学习计算机视觉、图像处理等计算机技术发展越来越成熟，人工智能技术已经广泛应用于社会生产、生活中。将目标检测、姿态估计等深度学习算法应用于作业现场视频智能分析中，实现工人是否佩戴安全帽的高效准确检测并预警，节省大量人力，极大地提高盯审效率，为石油领域复杂作业现场安全生产提高保障。
发明内容
本发明的目的在于提高油田钻井等复杂作业现场，人员是否佩戴安全帽的检测准确率，提供了一种基于yolov5和姿态估计的安全帽佩戴检测方法，准确定位头部区域，智能分析是否佩戴安全帽，降低人力物力成本。
为了实现上述目的，本发明拟采用以下技术方案。
(1)在石油钻井复杂作业场景下，拍摄多角度、多场景的视频，将视频进行分帧，形成多样性图片；
(2)将原始图片进行数据清洗，并对图像进行低照度增强等预处理操作；
(3)将处理后的图片使用标注工具进行标注，并把标注好的图片，以固定比例随机划分为训练集、验证集和测试集；
(4)使用训练集样本对加入注意力机制和使用解耦头的改进yolov5目标检测模型进行训练和优化；
(5)将待检测的测试集图片输入训练好的yolov5模型中进行人体区域检测；
(6)将检测到的人体区域送入姿态估计网络进行姿态估计，得到人体18个关键点坐标；
(7)根据鼻子、左耳、右耳、左肩、右肩五个关键点来定位头部区域；
(8)在头部区域取n×n大小的像素块，求像素块中hsv色彩空间下的头部颜色占比，根据颜色占比是否大于阈值，判断人员是否佩戴安全帽，并存储记录检测及判定信息。
本发明的技术方案的特征和改进为：
步骤(1)的具体实现为：
为了提取更加丰富的特征信息，对采油钻井的现场的多个场景进行视频采集，采集的视频包含多角度、多场景、多光照条件的图片，将视频进行分帧处理，以形成复杂多样的图片数据集。
步骤(2)的具体实现为：
(201)将采集到的原始图片进行初步筛选，删除变形、严重模糊、严重噪声等脏图片；
(202)对清洗后的图片中可能存在低照度或过曝光的图片，使用图像处理技术Gamma变换；
(203)对非均匀低照度图像使用Retinex低照度增强进行预处理。
本发明的进一步改进在于，步骤202)中Gamma变换是用来处理曝光不足或过度曝光图片的一种简单有效的方法，通过设置合适的gamma值，减少或增强颜色深度，使颜色分布更加均匀和丰富，图片效果得到明显改善。
本发明的进一步改进在于，步骤203)中非均匀低照度图像会影响目标检测的效果，为了增强非均匀低照度图像，使用一种基于Retinex理论的自适应亮度层图像增强算法：首先将图像HSI模型中I层图像分离出来；然后通过Retinex理论和多尺度引导滤波器获得I层的入射分量，根据输入图像的均值自动获取调整参数k，对入射分量的亮度进行自适应调整；最后通过主成分分析法PCA提取两个图像中的细节特征并进行融合；该算法能有效提升非均匀低照度图像的整体亮度和细节信息，同时减少非均匀照度的影响。
步骤(3)的具体实现为：
将预处理过的视频分帧图片使用LabelImg的目标检测标注工具进行标注，标注的类包括人(person)、安全帽(SafeHat)、未戴安全帽(No_SafeHat)三类，其中，安全帽标注区域包括脖子以上的头部及安全帽，未戴安全帽包括脖子以上的头部，标注完成后，将图像及标签文件，构建成voc格式的数据集，并以8：1：1的比例划分训练集、验证集和测试集。
步骤(4)的具体实现为：
(401)对原始的yolov5网络结构进行改进，在特征提取部分加入CBAM的注意力模块，将yolov5的原始耦合头部改为解耦头。
(402)设置网络的初始参数，对改进的yolov5进行训练和优化。
本发明的进一步改进在于，步骤401)中CBAM模块包括两个部分，首先是通道注意力模块，通过对输入特征图按通道进行全局最大池化和平均池化，进行通道注意力计算；之后将特征图输入空间注意力模块，生成空间注意力矩阵；经过CBAM模块处理，模型可以提取和关注图像中重要的特征信息，降低背景干扰。将yolov5的原始耦合头部改为解耦头，即将目标检测的分类任务和回归任务分割开，形成两个分支，各自获得分类预测结果和回归预测结果，以避免两个任务的相互干扰，提高检测准确率。
本发明的进一步改进在于，步骤402)中将自制数据集输入改进的yolov5网络模型中进行训练，设置改进yolov5的初始参数，使用yolov5m.pt的预训练权重，训练迭代轮数为150世代，初试学习率设置为0.01，采用余弦退火的方法对学习率进行优化，保存最优的权重参数文件best.pt。
步骤(5)的具体实现为：
设置改进的yolov5网络模型的权重为best.pt，对采油或钻井复杂作业现场的图片进行检测，提取并保存人体区域位置信息，并对置信度大于0.2的未戴安全帽的类进行检测，在初步检测结果的基础上，进行下一步的更精细的未戴安全帽检测。
步骤(7)的具体实现为：
使用经过姿态估计网络后得到的五个主要的人体关键点坐标对头部进行定位。由于图像中的人员朝向不定，包括正面、背面和侧面的情况，针对不同朝向的关键点检测情况特点，选择不同的关键点对头部进行定位；正面使用鼻子或双耳的中点向上取一定距离定位，背面使用双耳中点或双肩中点向上进行定位，左侧面使用左耳向上定位，右侧面使用右耳向上定位，通过不同的关键点全面地完成各种情况下头部的准确定位。
步骤(8)的具体实现为：
在关键点定位的头部位置处，选取n×n大小的像素块，将像素块区域对应的图像转换到hsv色彩空间，计算选定色块下，黑色和灰色的颜色占比，若占比大于设定的阈值T，则判定为未戴安全帽，将未戴安全帽的人员信息及可视化结果进行存储并报警。
本发明的有益效果为：
(1)改进yolov5网络结构，加入注意力模块，使用解耦头，提高人员、安全帽等目标检测的准确率；
(2)使用多模型融合的方法，在目标检测的基础上加入人体姿态估计模型，提高头部定位的准确率。
(3)巧妙利用安全帽、头部的颜色特征，使用hsv色彩空间下头部像素块的颜色占比来判断是否未戴安全帽，提高未戴安全帽的识别准确率。
(4)本发明使用深度学习计算机技术，智能识别油田钻井等复杂作业现场人员是否未戴安全帽情况，无需增加硬件设备，使用作业现场摄像头和服务器，安装本软件即可实现人员是否佩戴安全帽的智能准确检测并报警，大大降低了人力物力成本，为生产安全提供保障。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于yolov5和姿态估计的安全帽佩戴检测方法流程图。
图2为本发明实施例的一种基于yolov5和姿态估计的安全帽佩戴检测方法的未戴安全帽判别流程图。
图3为本发明实施例的一种基于yolov5和姿态估计的安全帽佩戴检测方法的改进yolov5解耦头结构图。
具体实施方式
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
如图1所示，本发明提供一种基于yolov5和姿态估计的安全帽佩戴检测方法的实施流程，包括以下步骤：
(1)在石油钻井复杂作业场景下，采集多角度、多场景的视频，将视频进行分帧，形成多样性图片；
(2)将原始图片进行数据清洗，并对图像进行Retinex低照度增强等预处理操作；
(3)将处理后的图片使用标注工具进行标注，并把标注好的图片，以固定比例8:1:1随机划分为训练集、验证集和测试集；
(4)使用训练集样本对加入注意力机制和使用解耦头的改进yolov5目标检测模型进行训练和优化；
(5)将待检测的测试集图片输入训练好的yolov5模型中进行人体区域检测；
(6)将检测到的人体区域送入姿态估计网络进行姿态估计，得到人体18个关键点坐标；
(7)根据鼻子、左耳、右耳、左肩、右肩五个关键点来定位头部区域；
(8)在头部区域取n×n大小的像素块，求像素块中hsv色彩空间下的头部颜色占比，根据颜色占比是否大于阈值，判断人员是否佩戴安全帽，并存储记录检测及判定信息。
图2为本实施例的未戴安全帽检测流程，包括以下步骤：
(1)将测试视频或图片输入训练好的yolov5网络中，检测人和置信度大于0.2的未戴安全帽目标；
(2)使用姿态估计网络对人员进行关键点估计，得到关键点坐标；
(3)根据人员的正面、背面、侧面的关键点存在情况，使用不同的关键点对头部进行定位，在正面鼻子关键点存在时，使用鼻子的纵坐标根据标准脸部比例乘以0.4来定位头部，在背面双耳或双肩的关键点存在时，使用双耳或双肩的中点纵坐标向上定位头部，在左侧面左耳存在或右侧面右耳存在时，使用存在的耳朵纵坐标向上乘以0.7定位头部。
(4)在头部区域选取n×n大小像素块，n可以取3、5、7；
(5)将像素块区域内的图像转换到hsv色彩空间下，根据各颜色对应的h、s、v三通道阈值，求各颜色的像素点个数；
(6)计算hsv空间下头顶颜色的黑色和灰色在像素块内的占比；
(7)判断占比是否大于阈值T，本实施例设置为0.25；
(8)将大于阈值的人员判断为未戴安全帽，并对未戴安全帽的信息进行可视化存储和预警。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (9)

1.一种基于yolov5和姿态估计的安全帽佩戴检测方法，其特征在于，包括：
(1)在石油钻井复杂作业场景下，拍摄多角度、多场景的视频，将视频进行分帧，形成多样性图片；
(2)将原始图片进行数据清洗，并对图像进行低照度增强等预处理操作；
(3)将处理后的图片使用标注工具进行标注，并把标注好的图片，以固定比例随机划分为训练集、验证集和测试集；
(4)使用训练集样本对加入注意力机制和使用解耦头的改进yolov5目标检测模型进行训练和优化；
(5)将待检测的测试集图片输入训练好的yolov5模型中进行人体区域检测；
(6)将检测到的人体区域送入姿态估计网络进行姿态估计，得到人体18个关键点坐标；
(7)根据鼻子、左耳、右耳、左肩、右肩五个关键点来定位头部区域；
(8)在头部区域取n×n大小的像素块，求像素块中hsv色彩空间下的头部颜色占比，根据颜色占比是否大于阈值，判断人员是否佩戴安全帽，并存储记录检测及判定信息。
2.根据权利要求1所述的一种基于yolov5和姿态估计的安全帽佩戴检测方法，其特征在于，所述拍摄视频数据包括：
对采油钻井的现场的多个场景进行视频采集，采集的视频包含多角度、多场景、多光照条件的图片，将视频进行分帧处理，以形成复杂多样的、丰富的图片数据集。
3.根据权利要求2所述的一种基于yolov5和姿态估计的安全帽佩戴检测方法，其特征在于，所述图像预处理包括：
首先，对分帧后的原始图片进行数据清洗，即对严重变形，模糊的图片进行删除，对清洗后的图片中可能存在低照度或过曝光的图片，使用图像处理技术gamma变换、retinex低照度增强进行预处理。
4.根据权利要求3所述的一种基于yolov5和姿态估计的安全帽佩戴检测方法，其特征在于，所述制作数据集包括：
将预处理过的视频分帧图片使用LabelImg的标注工具进行标注，标注的类包括人、安全帽、未戴安全帽三类，其中，安全帽标注区域包括脖子以上的头部及安全帽，未戴安全帽包括脖子以上的头部，标注完成后，将图像及标签文件，以8：1：1的比例划分训练集、验证集和测试集。
5.根据权利要求4所述的一种基于yolov5和姿态估计的安全帽佩戴检测方法，其特征在于，所述改进的yolov5包括：
在yolov5主干网络中加入CBAM的空间注意力模块，提高空间特征提取能力，检测头使用解耦头，将分类和回归任务分割开，以更准确地检测并回归人体区域。
6.根据权利要求4所述的一种基于yolov5和姿态估计的安全帽佩戴检测方法，其特征在于，所述对改进yolov5进行训练并优化包括：
设置改进yolov5的初始参数，使用yolov5m.pt的预训练权重，训练迭代轮数为150世代，初试学习率设置为0.01，采用余弦退火的方法对学习率进行优化，保存最优的权重参数文件best.pt。
7.根据权利要求5所述的一种基于yolov5和姿态估计的安全帽佩戴检测方法，其特征在于，所述对图片进行检测包括：
将采油或钻井复杂作业现场的图片，输入训练好的改进yolov5网络模型中，对人体区域进行检测，提取并保存其位置信息，并对置信度大于0.2的未戴安全帽的类进行检测，在初步检测结果的基础上，进行下一步的更精细的未戴安全帽检测。
8.根据权利要求7所述的一种基于yolov5和姿态估计的安全帽佩戴检测方法，其特征在于，所述根据五个关键点对头部进行定位包括：
由于图像中的人员朝向不定，包括正面、背面和侧面的情况，根据不同的朝向，关键点的检测情况不同；针对不同朝向的关键点检测情况特点，选择不同的关键点对头部进行定位；正面使用鼻子或双耳的中点向上取一定距离定位，背面使用双耳中点或双肩中点向上进行定位，左侧面使用左耳向上定位，右侧面使用右耳向上定位，通过不同的关键点全面地完成各种情况下头部的准确定位。
9.根据权利要求8所述的一种基于yolov5和姿态估计的安全帽佩戴检测方法，其特征在于，所述使用像素块颜色占比判断是否未戴安全帽包括：
在关键点定位的头部位置处，选取n×n大小的像素块，在像素块的区域内计算hsv色彩空间下，黑色和灰色的占比，若占比大于设定的阈值T，则判定为未戴安全帽，将未戴安全帽的人员信息及可视化结果进行存储并报警。
CN202210741951.9A 2022-06-28 2022-06-28 一种基于yolov5和姿态估计的安全帽佩戴检测方法 Pending CN115035088A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210741951.9A CN115035088A (zh) 2022-06-28 2022-06-28 一种基于yolov5和姿态估计的安全帽佩戴检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210741951.9A CN115035088A (zh) 2022-06-28 2022-06-28 一种基于yolov5和姿态估计的安全帽佩戴检测方法

Publications (1)

Publication Number Publication Date
CN115035088A true CN115035088A (zh) 2022-09-09

Family

ID=83127637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210741951.9A Pending CN115035088A (zh) 2022-06-28 2022-06-28 一种基于yolov5和姿态估计的安全帽佩戴检测方法

Country Status (1)

Country Link
CN (1) CN115035088A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393905A (zh) * 2022-11-01 2022-11-25 合肥中科类脑智能技术有限公司 一种基于姿态校正的安全帽佩戴检测方法
CN115460502A (zh) * 2022-11-11 2022-12-09 成都智元汇信息技术股份有限公司 一种基于缩小目标区域的戴耳机识别方法及系统
CN116206255A (zh) * 2023-01-06 2023-06-02 广州纬纶信息科技有限公司 基于机器视觉的危险区域人员监控方法与装置
CN117197787A (zh) * 2023-08-09 2023-12-08 海南大学 基于改进YOLOv5的智能安检方法、装置、设备及介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115393905A (zh) * 2022-11-01 2022-11-25 合肥中科类脑智能技术有限公司 一种基于姿态校正的安全帽佩戴检测方法
CN115460502A (zh) * 2022-11-11 2022-12-09 成都智元汇信息技术股份有限公司 一种基于缩小目标区域的戴耳机识别方法及系统
CN115460502B (zh) * 2022-11-11 2023-02-14 成都智元汇信息技术股份有限公司 一种基于缩小目标区域的戴耳机识别方法及系统
CN116206255A (zh) * 2023-01-06 2023-06-02 广州纬纶信息科技有限公司 基于机器视觉的危险区域人员监控方法与装置
CN116206255B (zh) * 2023-01-06 2024-02-20 广州纬纶信息科技有限公司 基于机器视觉的危险区域人员监控方法与装置
CN117197787A (zh) * 2023-08-09 2023-12-08 海南大学 基于改进YOLOv5的智能安检方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN110070033B (zh) 一种电力领域危险工作区域内安全帽佩戴状态检测方法
CN111126325B (zh) 一种基于视频的智能人员安防识别统计方法
CN115035088A (zh) 一种基于yolov5和姿态估计的安全帽佩戴检测方法
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
CN112396658B (zh) 一种基于视频的室内人员定位方法及定位系统
CN108564052A (zh) 基于mtcnn的多摄像头动态人脸识别系统与方法
CN113553979B (zh) 一种基于改进yolo v5的安全服检测方法和系统
CN106446926A (zh) 一种基于视频分析的变电站工人安全帽佩戴检测方法
WO2019114145A1 (zh) 监控视频中人数检测方法及装置
CN104915655A (zh) 一种多路监控视频的管理方法与设备
CN112434828B (zh) 一种5t运维中安全防护智能识别方法
CN112183313A (zh) 一种基于SlowFast的电力作业现场动作识别方法
CN112434827B (zh) 一种5t运维中安全防护识别单元
CN110096945B (zh) 基于机器学习的室内监控视频关键帧实时提取方法
CN111401310B (zh) 基于人工智能的厨房卫生安全监督管理方法
US20220122360A1 (en) Identification of suspicious individuals during night in public areas using a video brightening network system
CN112287823A (zh) 一种基于视频监控的面部口罩识别方法
CN114926778A (zh) 一种生产环境下的安全帽与人员身份识别系统
CN112084986A (zh) 一种基于图像特征提取的实时安全帽检测方法
CN118351487A (zh) 基于ai的员工违章行为辨识方法
CN117197746A (zh) 基于深度学习的安全监测系统及方法
CN114997279A (zh) 一种基于改进Yolov5模型的建筑工人危险区域入侵检测方法
CN117423157A (zh) 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法
CN116311499A (zh) 一种安全设备穿戴检测方法及装置
CN114677667A (zh) 一种基于深度学习的变电站电气设备红外故障识别方法

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