CN115063921A - 一种工地智能闸机系统及搭建方法 - Google Patents
一种工地智能闸机系统及搭建方法 Download PDFInfo
- Publication number
- CN115063921A CN115063921A CN202210623445.XA CN202210623445A CN115063921A CN 115063921 A CN115063921 A CN 115063921A CN 202210623445 A CN202210623445 A CN 202210623445A CN 115063921 A CN115063921 A CN 115063921A
- Authority
- CN
- China
- Prior art keywords
- model
- gate system
- picture
- construction site
- electric control
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000011161 development Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 238000003825 pressing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000007635 classification algorithm Methods 0.000 abstract description 2
- 230000006835 compression Effects 0.000 abstract description 2
- 238000007906 compression Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/38—Individual registration on entry or exit not involving the use of a pass with central registration
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
Abstract
本发明公开了一种工地智能闸机系统及搭建方法，系统包括服务器、K210‑Draco开发板、GC0308摄像头、LCD屏幕、继电器控制的电控锁和用户终端，用于智能识别的模型和程序代码写入K210‑Draco开发板中，摄像头实时将拍摄的画面实时显示在LCD屏幕上，并传输至服务器，用户终端安装有微信小程序；画面的通行结果显示在LCD屏幕上。本发明所述系统凭借轻型的分类算法和人工辅助学习环境，实现了对当前画面特征的精准识别和成本的压缩，能高准确率、低成本地实现防止工人未穿戴反光服进入工地，解决了人工智能落地到工地反光服检测中高昂的成本问题，且能降低了工人未穿反光服发生事故的风险。
Description
技术领域
本发明涉及工地安全防护技术领域，具体为一种工地智能闸机系统及搭建方法。
背景技术
机械事故(包括工地交通事故)通常由受害者未穿戴带有警示作用的防护服与操作者的粗心共同导致，实际上，工地穿戴安全帽、反光服通常是公司的明文规定，但由于监管不严，部分工人出于各种原因并未穿戴反光服进入工地直接开始作业，留下了极大的安全隐患。
申请号为202111214918.2，发明名称为基于深度学习的工地安全穿戴检测方法，提出用EfficientDet检测网络实现反光服检测的方案，AP指标约为50％，说明该方案检测率低；韩泽佳等.基于改进SSD安全头盔反光衣检测算法[J].自动化与仪表表,2021,36(09):63-68.DOI:10.19557/j.cnki.1001-9944.2021.09.014一文中，提出用改进的SSD目标检测网络检测反光衣的方案，mAP指标约为80％，说明该方案检测率低。上述两个方案均未实际导入至嵌入式设备中，实际上，低价的嵌入式AI设备难以满足SSD或EfficientDet等参数量较大的网络模型，在实际目标检测任务中帧率可能会难以满足需求。这些方案因需要满足目标检测网络的庞大计算量，需采用数据传输到服务器或使用本地AI工控机的方案，服务器的租用成本和AI工控机以及多个分布式高清摄像头硬件成本极高，造价昂贵，性价比较低，且由于采用的是目标检测网络，受到目标检测网络对小目标检测率低的通病限制，无法达到令人满意的准确度，且目标检测系统受到光线因素的影响大，处于工地上方的摄像头，在阴天或者黑夜的检测难度会升高。在现实中也可以看到，基于目标检测的AI摄像头安全防控方案的采用率较低。因此，开创一个具有高性价比、高准确率的方案来保证工人穿好反光服作业是十分必要的。
发明内容
为解决现有技术模型太大，无法导入至嵌入式AI设备中，目标检测网络对小目标检测率低的技术问题，而提供一种工地智能闸机系统及搭建方法。
本发明采集三类图像数据，分别是“未穿着反光服的行人”、“穿着反光服的行人”和“背景”。训练好挑选过的模型后用RT-AK工具将模型转为代码导入到新建的RT-Thread代码工程当中，编写代码，使得用户可以用微信小程序切换智能闸机系统的工作模式，在系统的适配模式下，用户可以决定当前画面是否准许通行选择不同的按键，一号按键告知系统当前画面不予通过，二号按键告知系统当前画面应该准许通过，辅助系统学习当前情景下，一般只需学习几组画面即可，大大增加了系统的泛用性以及准确率。切换到闸机模式时，系统会根据摄像头的数据自动判断准许通行还是禁止通行，准确率达96％，整个过程中，AI大小仅800kb，用于执行计算的AI芯片价格不足一百元，无需大量昂贵的分布式设备，大大提高了准确性并压缩了解决问题的成本。
本发明采用如下的技术方案：
一种工地智能闸机系统，包括服务器、K210-Draco开发板、GC0308摄像头、LCD屏幕、继电器控制的电控锁和用户终端，用于智能识别的模型和程序代码写入K210-Draco开发板中，摄像头实时将拍摄的画面实时显示在LCD屏幕上，并传输至服务器，用户终端安装有微信小程序；通过小程序连接服务器能够查看摄像头实时将拍摄的画面，用户能通过小程序切换智能闸机系统的工作模式，在系统的适配模式下，用户能够决定当前画面是否准许通行选择不同的按键，一号按键告知系统当前画面不予通过，二号按键告知系统当前画面应该准许通过；切换到闸机模式时，系统会根据摄像头的数据自动判断准许通行还是禁止通行，画面的通行结果显示在LCD屏幕上，允许通过时，K210-Draco控制引脚电平升高控制继电器产生电压与电流，使电控锁打开，计数3s后，断电使得电控锁关闭。
一种工地智能闸机系统的搭建方法，包括如下步骤：
步骤1：对AI摄像头所需要区分的类别进行图片采集；
步骤2：选取合适的轻量级网络进行训练，并在PC端验证模型；
步骤3：将步骤2得到的训练好的模型使用软件工具进行转化和量化并导入到工程中；
步骤4：用KNN算法实现人工辅助学习，实现AI运行逻辑及其他硬件控制；
步骤5：搭建服务器，实现网络通信部分以及微信小程序部分；
步骤6：实现对闸机电控锁代替的控制逻辑；
步骤7：硬件连接与运行。
进一步的，步骤1所述需要区分的类别包括：采集未穿戴反光服的行人图像，穿戴反光服的行人图像，无人的背景图片。
进一步的，所述步骤2具体包括：根据RT-AK对算子的支持以及模型本身的大小等多个因素对分类网络模型进行挑选，最终选择MoblienetV1模型，将步骤1中数据集分为训练集与验证集，用于分类网络的训练和验证。训练至模型收敛后，在PC端用准备好的几张有典型特征的图片测试模型效果。发现其分类效果较为优秀，对不同场景输出的三个概率值具有明显差距。
进一步的，所述步骤3具体包括：先用tensorflow库提供的API将训练得到的pb格式模型转为tflite模型。预先准备好用于量化的具有典型特征的图片文件夹，然后进入RT-AK包，输入cmd指令将float16格式的tflite模型量化为int8格式并转化成C语言代码导入到创建好的工程文件中。
进一步的，所述步骤4具体包括：在适配模式下，通过按下K210-Draco开发板上的两个按键，可以对AI输出的三个数据人为地附上标签“0”或“1”，此时四个数据一同被存储到内存中，记为一组数据，重复几次，即可建立KNN算法所需的小型数据库，实现对具体环境的适应。在闸机模式下，AI需要先运行出结果得到3个类别的概率，然后输入到KNN算法处理函数中，寻找最接近的一个类别，得到标签后根据标签值选择执行后续开锁、网络上传通过人数的操作。
进一步的，所述步骤4其他硬件控制为：wifi模块初始化，电控锁控制引脚的初始化，按键功能的初始化，LCD屏幕初始化以及GC0308摄像头的初始化。
进一步的，所述步骤5具体包括：在云主机中使用python程序搭建MQTT环境，用以闸机系统与微信小程序之间的通信，在微信开发者平台中编写小程序代码，实现远程查看、管理闸机系统。
进一步的，所述步骤6具体包括：电控锁在开锁后不再进行检测与人数计数，电控锁因为需要较大的工作电流，因此需用继电器控制，判定当前行人穿着反光服时，K210-Draco控制引脚电平升高控制继电器产生电压与电流，使电控锁打开，计数3s后，断电使得电控锁关闭。
进一步的，所述步骤7具体包括：连接好摄像头以及继电器、电控锁，在完善好各部分的代码后，将程序烧录至K210-Draco中，经过适配模式调整后，在闸机模式实测其准确率达96％，帧率达1.74fps，在关闭显示后达2fps，可满足闸机的工作场景的需求。
本发明的有益效果在于：
本发明所述系统凭借轻型的分类算法和人工辅助学习环境，实现了对当前画面特征的精准识别和成本的压缩，能高准确率、低成本地实现防止工人未穿戴反光服进入工地，解决了人工智能落地到工地反光服检测中高昂的成本问题，且能降低了工人未穿反光服发生事故的风险；用户能用微信小程序观测通过人数，切换模式的需求；同时不必担心场景不适用于预训练好的AI模型，即不必担心场景的更换，具有更好的可迁移性。
附图说明
图1为智能闸机系统的搭建流程图；
图2为未穿戴反光服的行人图像部分截图；
图3为穿戴反光服的行人图像部分截图；
图4为无人的背景图片部分截图；
图5为在PC端测试模型效果的验证集图片之一；
图6为在PC端测试模型效果的验证集图片之一；
图7为图5的测试效果；
图8为图6的测试效果；
图9为开发的微信小程序界面(合并图)。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白，下面结合说明书附图和实施例，对本发明作进一步详细说明。
实施例1
如图1所示，一种工地智能闸机系统的搭建方法为：
步骤1：对AI所需要区分的类别进行图片采集，具体为：
采集未穿戴反光服的行人图像共5000张，部分截图如图2，穿戴反光服的行人图像共4000张，部分截图如图3，无人的背景图片共3000张，部分截图如图4，其中，未穿戴反光服的行人图像有4500张在Karggle数据集开源网站上采集，500张在经过他人允许下通过个人拍摄采集。一张采集的图像中人体应占据超过40％的比例，这样符合闸机实际的工作场景以及有利于分类网络提取特征，实现较为准确的分类。穿戴反光服的行人图像有1000张在Karggle网站上采集，1000张在网络上采集，2000张在经过他人允许下通过个人拍摄采集。一张采集的图像中人体应占据超过40％的比例，反光服应占据超过20％的比例。无人的背景图像有1500张在Karggle网站上采集，1500张在网络上采集。无人背景图应注意图像中不可出现人物，且工地环境、街道环境的图片数量所占比例应高于40％。
步骤2：选取合适的轻量级网络进行训练，并在PC端验证模型，具体为：根据RT-AK对算子的支持以及模型本身的大小等多个因素对分类网络模型进行挑选，若RT-AK对该算子不支持，则该模型需要被修改或者弃用，若模型太大，则会使得计算的帧率变慢，嵌入式系统卡顿。最终选择MoblienetV1模型，该模型训练好后的模型大小仅800kb，K210-Draco推理一次所需的时间为500ms，算子均在支持范围内，多为深度卷积与卷积层。将12000张数据集按照9：1的比例分为训练集与测试集，用于分类网络的训练和验证。不同类型的图片放入不同的文件夹中用来代表分类的标签。训练至模型收敛后，如图5、6，在PC端用验证集图片测试模型效果。发现其对不同类型图片输出的三个概率值具有明显差别，如图7、8，分类效果较为优秀。
步骤3：将步骤2得到的训练好的模型使用软件工具进行转化和量化并导入到工程中，具体为：先用tensorflow库提供的API将训练得到的pb格式模型转为tflite模型。预先准备好用于量化的具有典型特征的图片文件夹，典型特征图从步骤1中准备好的数据集中随机选取。然后进入RT-AK包，打开命令行输入模型转化量化指令将float16格式的tflite模型量化为int8格式，并转化成C语言代码，自动导入到新创建好的RT-Thread工程代码文件中。
步骤4：用KNN算法实现人工辅助学习，实现AI运行逻辑及其他硬件控制，具体为：在适配模式下，通过按下K210-Draco开发板上的两个按键，分别可以触发不同的两个中断程序，中断程序在AI当前画面输出的三个数据(即“未穿戴反光服的行人”概率、“背景”概率和“穿戴了反光服的行人”概率)附上标签“0”或“1”，分别代表着“不予通行”和“准许通过”。此时标签值、AI模型输出的三个概率值共四个数据一同被存储到内存中，记为一组，重复几次，即可在内存中以结构体数组的形式建立KNN算法所需的小型数据库，小型数据库包含三种情况的数据：穿着反光服的人的图像输出的三个概率以及代表准许通过的标签“1”；未穿反光服的人的图像输出的三个概率以及代表不予通行的“0”；无人的背景图像输出的三个概率以及代表不予通行的“0”。每种情况有两张以上的图像预测的结果数据，共六组以上的图像预测的结果数据，实现对具体环境的学习与适应。在闸机模式下，AI需要先运行出结果得到3个概率值，然后输入到KNN算法处理函数中，寻找欧式距离最接近的一组数据，得到这组数据的标签值，根据标签值判断是否执行开锁或是通过网络上传通过闸机的人数。其他硬件控制为：wifi模块初始化，让wifi模块可以自动连接至指定服务器；电控锁控制引脚的初始化，电控锁控制引脚设置为输出模式，默认低电平；按键功能的初始化，配置相应的按键中断优先级和中断所需执行的操作——将当前画面AI的输出的三个概率值和用户按键选择的标签值(1或0)共同存入内存中，形成小型数据库；LCD屏幕初始化以及GC0308摄像头的初始化，LCD从指定区域读取数据，同时，LCD承担屏幕交互的功能，当允许通行时屏幕左上角显示绿色的“Go through”，反之显示红色提醒“Please wear reflective clothes”。GC0308输出图像数据设定为320X240，数据存放至LCD的读取位置。
步骤5：搭建服务器，实现网络通信部分以及微信小程序部分，具体为：在阿里云中取得公网IP与SSL证书，远程编写python程序，搭建MQTT环境，设置MQTT通信如Topic、Port、用户认证等参数，同时，python程序中有监控客户端活动的功能。在微信开发者平台中编写小程序代码，实现小程序人数监测、切换闸机系统模式，即可以远程切换闸机系统工作模式、检测人数，小程序界面如图9所示。
步骤6：实现对闸机(电控锁代替)的控制逻辑，具体为：电控锁在开锁后不再进行检测与人数计数，防止重复计数，等到电控锁闭合时才重新检测，这也是闸机的工作逻辑。同时电控锁因为需要较大的工作电流，因此需用继电器控制。判定当前行人穿着反光服时，K210-Draco控制引脚电平升高控制继电器产生电压与电流，使电控锁打开，通过计时器计数3s后，引脚电平下降使得电控锁关闭。
步骤7：硬件连接与运行，具体为：将GC0308摄像头连接到开发板预留的摄像头接口，连接继电器与电控锁，保证对应正极相接，对应负极相接，连接继电器到步骤4初始化好的控制引脚。在完善好各部分的代码后，将程序烧录至K210-Draco中，先用微信小程序切换到适配模式，采集当前环境的数据并对不同情况打上人工标签，辅助机器学习。经过适配模式调整后，用微信小程序切换至闸机模式，实测50次，其准确率达96％，帧率达1.74fps，在关闭LCD显示后达2fps，可满足闸机的工作场景的需求，微信端实时显示通行人数数量。闸机在准许通行和禁止通行的状态，准许通行时，LCD屏幕显示“go through”，且电子门锁打开，不予通行时，LCD屏幕显示“please wear your reflective vest”，电子门锁不打开。
应当理解的是，本发明书未详细阐述的部分均属于现有技术。
以上结合附图所示，仅为本发明的具体实施方法及流程，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员应当理解，此仅为举例说明，可以对此实施方法做出多种变化和替代，而不背离本发明的实质内容。本发明的范围仅有所附权利要求书限定。
Claims (9)
1.一种工地智能闸机系统，其特征在于，包括服务器、K210-Draco开发板、GC0308摄像头、LCD屏幕、继电器控制的电控锁和用户终端，用于智能识别的模型和程序代码写入K210-Draco开发板中，摄像头实时将拍摄的画面实时显示在LCD屏幕上，并传输至服务器，用户终端安装有微信小程序；通过小程序连接服务器能够查看摄像头实时将拍摄的画面，用户能通过小程序切换智能闸机系统的工作模式，在系统的适配模式下，用户能够决定当前画面是否准许通行选择不同的按键，一号按键告知系统当前画面不予通过，二号按键告知系统当前画面应该准许通过；切换到闸机模式时，系统会根据摄像头的数据自动判断准许通行还是禁止通行，画面的通行结果显示在LCD屏幕上，允许通过时，K210-Draco控制引脚电平升高控制继电器产生电压与电流，使电控锁打开，计数3s后，断电使得电控锁关闭。
2.一种工地智能闸机系统的搭建方法，其特征在于，包括以下步骤：
步骤1：对系统所需要区分的类别进行图片采集；
步骤2：选取合适的轻量级网络进行训练，并在PC端验证模型；
步骤3：将步骤2得到的训练好的模型，使用软件工具进行转化和量化并导入到工程中；
步骤4：用KNN算法实现人工辅助学习，实现AI运行逻辑及其他硬件控制；
步骤5：搭建服务器，实现网络通信部分以及微信小程序部分；
步骤6：实现对闸机电控锁代替的控制逻辑；
步骤7：硬件连接与运行。
3.根据权利要求2所述的一种工地智能闸机系统的搭建方法，其特征在于，步骤1所述需要区分的类别包括：未穿戴反光服的行人图像、穿戴反光服的行人图像和无人的背景图片。
4.根据权利要求3所述的一种工地智能闸机系统的搭建方法，其特征在于，步骤2中所述轻量级网络为MoblienetV1模型，将步骤1得到的数据集分为训练集与验证集，用于分类网络的训练和验证；训练至模型收敛后，在PC端用准备好的几张有典型特征的图片测试模型效果。
5.根据权利要求4所述的一种工地智能闸机系统的搭建方法，其特征在于，所述步骤3具体包括：先用tensorflow库提供的API将训练得到的pb格式模型转为tflite模型；预先准备好用于量化的具有典型特征的图片文件夹，然后进入RT-AK包，输入cmd指令将float16格式的tflite模型量化为int8格式并转化成C语言代码导入到创建好的工程文件中。
6.根据权利要求5所述的一种工地智能闸机系统的搭建方法，其特征在于，所述步骤4具体包括：在适配模式下，通过按下K210-Draco开发板上的两个按键，可以对AI输出的三个数据人为地附上标签“0”或“1”，此时四个数据一同被存储到内存中，记为一组数据，重复几次，即可建立KNN算法所需的小型数据库，实现对具体环境的适应；在闸机模式下，AI需要先运行出结果得到3个类别的概率，然后输入到KNN算法处理函数中，寻找最接近的一个类别，得到标签后根据标签值选择执行后续开锁、网络上传通过人数的操作。
7.根据权利要求6所述的一种工地智能闸机系统的搭建方法，其特征在于，所述步骤4中其他硬件控制包括：wifi模块初始化、电控锁控制引脚的初始化、按键功能的初始化、LCD屏幕初始化以及GC0308摄像头的初始化。
8.根据权利要求7所述的一种工地智能闸机系统的搭建方法，其特征在于，所述步骤5具体包括：在云主机中使用python程序搭建MQTT环境，用以闸机系统与微信小程序之间的通信，在微信开发者平台中编写小程序代码，实现远程查看、管理闸机系统。
9.根据权利要求8所述的一种工地智能闸机系统的搭建方法，其特征在于，所述步骤7具体包括：连接好摄像头以及继电器、电控锁，在完善好各部分的代码后，将程序烧录至K210-Draco中，通过适配模式调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210623445.XA CN115063921B (zh) | 2022-06-01 | 2022-06-01 | 一种工地智能闸机系统及搭建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210623445.XA CN115063921B (zh) | 2022-06-01 | 2022-06-01 | 一种工地智能闸机系统及搭建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115063921A true CN115063921A (zh) | 2022-09-16 |
| CN115063921B CN115063921B (zh) | 2023-10-24 |
Family
ID=83198280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210623445.XA Active CN115063921B (zh) | 2022-06-01 | 2022-06-01 | 一种工地智能闸机系统及搭建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115063921B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546837A (zh) * | 2022-10-16 | 2022-12-30 | 三峡大学 | 变电站进出综合管理系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103390255A (zh) * | 2013-07-30 | 2013-11-13 | 上海城建市政工程（集团）有限公司 | 一种工地数字化管理系统及其应用方法 |
| CN105100052A (zh) * | 2015-05-29 | 2015-11-25 | 北京奇虎科技有限公司 | 服务器、手机终端及其帐号与设备绑定执行、控制方法 |
| CN107426894A (zh) * | 2017-06-20 | 2017-12-01 | 上海大学 | 基于智能视频识别的教室灯光自动检测控制系统及其方法 |
| CN107977802A (zh) * | 2017-12-29 | 2018-05-01 | 天河智慧产业科技（北京）有限公司 | 一种具有人证对比功能的智慧工地人员管理系统 |
| CN109686050A (zh) * | 2019-01-18 | 2019-04-26 | 桂林电子科技大学 | 基于云服务与深度神经网络的车内环境监测预警方法 |
| CN110166745A (zh) * | 2019-04-30 | 2019-08-23 | 安徽大学 | 一种健身房智能引导监测系统 |
| CN110995812A (zh) * | 2019-11-26 | 2020-04-10 | 杜霄鹤 | 一种跨平台人工智能助理系统应用方案 |
| CN111091110A (zh) * | 2019-12-24 | 2020-05-01 | 山东仁功智能科技有限公司 | 一种基于人工智能的反光背心穿戴识别方法 |
-
2022
- 2022-06-01 CN CN202210623445.XA patent/CN115063921B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103390255A (zh) * | 2013-07-30 | 2013-11-13 | 上海城建市政工程（集团）有限公司 | 一种工地数字化管理系统及其应用方法 |
| CN105100052A (zh) * | 2015-05-29 | 2015-11-25 | 北京奇虎科技有限公司 | 服务器、手机终端及其帐号与设备绑定执行、控制方法 |
| CN107426894A (zh) * | 2017-06-20 | 2017-12-01 | 上海大学 | 基于智能视频识别的教室灯光自动检测控制系统及其方法 |
| CN107977802A (zh) * | 2017-12-29 | 2018-05-01 | 天河智慧产业科技（北京）有限公司 | 一种具有人证对比功能的智慧工地人员管理系统 |
| CN109686050A (zh) * | 2019-01-18 | 2019-04-26 | 桂林电子科技大学 | 基于云服务与深度神经网络的车内环境监测预警方法 |
| CN110166745A (zh) * | 2019-04-30 | 2019-08-23 | 安徽大学 | 一种健身房智能引导监测系统 |
| CN110995812A (zh) * | 2019-11-26 | 2020-04-10 | 杜霄鹤 | 一种跨平台人工智能助理系统应用方案 |
| CN111091110A (zh) * | 2019-12-24 | 2020-05-01 | 山东仁功智能科技有限公司 | 一种基于人工智能的反光背心穿戴识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张典,汪海涛,姜瑛,陈星: "基于轻量级网络的实时人脸识别算法研究", 计算机科学与探索, no. 2020 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546837A (zh) * | 2022-10-16 | 2022-12-30 | 三峡大学 | 变电站进出综合管理系统 |
| CN115546837B (zh) * | 2022-10-16 | 2023-06-23 | 三峡大学 | 变电站进出综合管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115063921B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109980781B (zh) | 一种变电站智能监控系统 | |
| CN109242439B (zh) | 基于变电站设备相关联数据的特征提取识别方法 | |
| CN110263686A (zh) | 一种基于深度学习的施工工地图像安全帽检测方法 | |
| CN111080260A (zh) | 一种智慧工地管理平台 | |
| CN111783663A (zh) | 一种用于人证核验设备性能检测的算法测评系统及检测方法 | |
| CN109815904A (zh) | 一种基于卷积神经网络的火灾识别方法 | |
| CN109308670A (zh) | 基于行为预测的变电站安全管控方法 | |
| CN110458794B (zh) | 用于轨道列车的配件质量检测方法及装置 | |
| CN115248873B (zh) | 一种基于数据融合的电缆隧道安全监测方法及系统 | |
| CN110379036A (zh) | 变电站智能巡检识别方法、系统、装置及存储介质 | |
| CN110930577A (zh) | 一种基于门禁数据分析未登记但实际入住人员的方法 | |
| 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 | |
| CN113177614A (zh) | 一种城市轨道交通供电开关柜图像识别系统及方法 | |
| CN115063921B (zh) | 一种工地智能闸机系统及搭建方法 | |
| CN109166293A (zh) | 基于变电站立体检测的远程辅助预警方法 | |
| CN115663999A (zh) | 基于大数据和深度学习的变电站在线智能巡视系统及方法 | |
| CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测系统 | |
| CN113361686A (zh) | 一种多层异构多模态卷积神经网络集成式机器人巡检方法 | |
| CN112907876A (zh) | 一种自识别和安全码的消防预警系统 | |
| CN115860979A (zh) | 一种用于电力电网现场作业的人工智能管理系统 | |
| CN116363397A (zh) | 设备故障排查方法、装置及巡检系统 | |
| CN114429677A (zh) | 一种煤矿场景作业行为安全识别考核方法及系统 | |
| CN113779125A (zh) | 一种施工安全信息管理方法及系统 | |
| CN113780224B (zh) | 一种变电站无人化巡视方法及系统 | |
| KR102635926B1 (ko) | 시설물의 균열 계측 시스템 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |