CN115410137B - 基于时空特征的双流工人劳动状态识别方法 - Google Patents
基于时空特征的双流工人劳动状态识别方法 Download PDFInfo
- Publication number
- CN115410137B CN115410137B CN202211353123.4A CN202211353123A CN115410137B CN 115410137 B CN115410137 B CN 115410137B CN 202211353123 A CN202211353123 A CN 202211353123A CN 115410137 B CN115410137 B CN 115410137B
- Authority
- CN
- China
- Prior art keywords
- model
- joint
- human body
- time
- image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000009826 distribution Methods 0.000 claims abstract description 49
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013145 classification model Methods 0.000 claims description 51
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 16
- 125000006850 spacer group Chemical group 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 4
- 230000000694 effects Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 description 40
- 238000005516 engineering process Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 210000003127 knee Anatomy 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 231100001267 hazard identification Toxicity 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 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
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及信息技术领域，具体涉及基于时空特征的双流工人劳动状态识别方法，包括以下步骤：获取劳动图像样本，建立人体关节识别模型；工人劳动视频输入人体关节识别模型；建立关节点数据和骨骼数据；建立第一时空特征模型和第二时空特征模型；将关节点数据输入第一时空特征模型训练；将骨骼数据输入第二时空特征模型训练；截取实时帧组；获得人体关节位置；建立关节点数据和骨骼数据；分别输入第一时空特征模型和第二时空特征模型；输出的劳动状态概率分布加权求和。本发明的有益技术效果包括：通过将关节点数据和骨骼数据分别输入第一时空特征模型和第二时空特征模型，将获得的劳动状态概率分布加权求和，提高了劳动状态的识别准确度。
Description
技术领域
本发明涉及信息技术领域，具体涉及基于时空特征的双流工人劳动状态识别方法。
背景技术
为了规范施工现场作业，使工程项目建设更加工业化和智能化，业内提出了智慧工地管理平台的方案。智慧工地管理平台围绕施工现场的人、机、料、法、环、安全和质量等环节进行集中管理，以可控化、数据化以及可视化的智能系统对项目管理进行全方位立体化的实时监管。如工程形象进度管理，应用无人机拍摄工程项目现场照片，然后通过无人机拍摄的现场照片结合训练得到的人工智能模型判断工程形象进度，保证施工进度；劳工智慧管理，运用行为识别模型对施工人员劳动状态的识别，保证劳工的生命安全和工作效率；物资管理，通过边界目标检测技术实现对物资转移与人员的匹配，精准掌握物资转移使用情况，保证物资安全、降低生产成本。其中对施工人员劳动状态的识别技术的研究，具有重要的意义，能够有效的提高智慧工地管理平台对现场施工人员的管控程度。对提升施工效率，保障施工质量和人员安全具有显著的促进作用。但目前尚缺乏识别准确率符合要求的施工人员劳动状态识别方案。
中国专利CN110119707A，公开日为2019年8月13日，公开了一种人体动作识别方法，提取动作样本每个骨骼关节点在相邻帧之间的运动作为该动作样本的动态特征；对动态特征进行空间多尺度划分，得到各个子特征集；对于每个子特征集，将同一帧所有骨骼关节点的运动特征组成向量；提取所有训练样本的该子特征集的帧特征向量，进行聚类，得到聚类中心；将动作样本所有帧的特征向量输入至各个子特征集构建的概率分布神经元，累加每个概率分布神经元上的所有输出，得到直方图表达；对该子特征集进行时间多尺度划分，得到时间多尺度直方图；组成时空多尺度软量化直方图；构成时空多尺度软量化网络；训练时空多尺度软量化网络，将测试样本输入至训练好的网络模型中，实现动作识别。其技术方案借助多个子特征集和运动特征组成向量等，需要进行大量的数据处理，同时还需要执行聚类、时间多尺度划分等操作，需要消耗大量的算力。同时仅通过分类和软量化网络进行动作识别，识别准确度不高。
中国专利CN113196289A，公开日为2021年7月30日，公开了一种人体动作识别方法、人体动作识别系统、设备，所述人体动作识别方法，包括：获取包含人体动作行为的视频，对视频帧进行重采样和预处理；提取视频帧的图像特征；基于人体骨骼信息获得视频帧对应人体关节点序列；将所述图像特征与所述人体关节点序列输入图卷积神经网络，获取动作类别。通过将包含有环境信息的图像特征和人体关节点序列构建模型，对环境变化鲁棒且能充分利用环境信息进行人体动作识别。但仅利用图卷积网络抽取的特征更关注空间信息而较少关注长时依赖信息，且其仅依靠关节点数据进行动作识别，忽略了骨架信息对最终决策的辅助，因此仍然难以解决工地上施工人员施工状态准确率低的问题。
发明内容
本发明所要解决的技术问题：目前对施工人员劳动状态识别准确度低的技术问题。提出了一种基于时空特征的双流工人劳动状态识别方法，通过提取关节点信息和骨架信息的空间特征和时间特征，同时关注空间维度和时间维度的变化，提升识别准确率。此外，将视频数据采用低帧率和高帧率双分支输入，低帧率输入用于捕捉细节语义信息，高帧率输入用于响应快速变化。
解决上述技术问题，本发明采用如下技术方案：基于时空特征的双流工人劳动状态识别方法，包括以下步骤：
预设若干个劳动状态，获取若干个劳动图像样本，建立人体关节识别模型；
获取工人劳动视频，将视频的图像帧输入人体关节识别模型，获得人体关节位置；
根据人体关节位置建立关节点数据和骨骼数据，人工将关节点数据和骨骼数据标注劳动状态作为样本数据；
建立第一时空特征模型和第二时空特征模型；
将关节点数据输入第一时空特征模型进行训练及测试，获得训练后的第一时空特征模型；
将骨骼数据输入第二时空特征模型进行训练及测试，获得训练后的第二时空特征模型；
获取工人劳动的实时视频，截取实时视频预设长度的图像帧，记为实时帧组；
将所述实时帧组输入人体关节识别模型，获得人体关节位置；
根据实时帧组对应的人体关节位置建立关节点数据和骨骼数据；
将实时帧组对应的关节点数据和骨骼数据分别输入第一时空特征模型和第二时空特征模型；
将第一时空特征模型和第二时空特征模型输出的劳动状态概率分布加权求和，获得最终的劳动状态概率分布，概率最大的劳动状态为最终工人劳动状态识别结果。
作为优选，建立关节点数据的方法包括以下步骤：
制定人体关节类型排序，将人体关节位置依照人体关节类型排序排列；
将人体关节位置数据按照排序添加间隔符拼接作为关节点数据。
作为优选，建立骨骼数据的方法包括以下步骤：
制定人体关节类型排序，将人体关节位置依照人体关节类型排序排列；
制定人体骨骼排序，以人体骨骼两端的人体关节位置作为人体骨骼位置数据；
将人体关节位置数据按照排序添加间隔符拼接作为关节点数据；
将人体骨骼位置数据按照排序添加间隔符拼接在关节点数据之后，作为骨骼数据。
作为优选，所述第一时空特征模型和第二时空特征模型均包括多组图卷积网络模型和时域残差网络模型，所述第一时空特征模型的第一组的图卷积网络模型的输入为关节点数据，所述第二时空特征模型的第一组的图卷积网络模型的输入为骨骼数据，所述第一时空特征模型和第二时空特征模型的最后一组的时域残差网络模型输出劳动状态分布概率。
作为优选，所述第一时空特征模型和第二时空特征模型均包括低频组和高频组，所述低频组及高频组分别包括多组图卷积网络模型和时域残差网络模型，所述低频组的图卷积网络模型以预设间隔跳过关节点数据或者骨骼数据，所述低频组和高频组的最后一组的时域残差网络模型均输出劳动状态分布概率，计算低频组和高频组输出劳动状态分布概率的加权和，最终的劳动状态分布概率。
作为优选，将第一时空特征模型和第二时空特征模型输出的劳动状态概率分布加权求和的方法包括：
分别计算第一时空特征模型和第二时空特征模型输出的劳动状态概率分布的最高值，记为最高概率值；
筛选第一时空特征模型和第二时空特征模型输出的劳动状态概率分布中，高于预设概率阈值的劳动状态作为筛选集合，计算筛选集合中劳动状态的分布概率的均值，记为筛选概率值；
分别计算第一时空特征模型和第二时空特征模型的最高概率值与筛选概率值的商，分别作为第一时空特征模型和第二时空特征模型输出的劳动状态概率分布加权求和的权重。
作为优选，建立人体关节识别模型的方法包括以下步骤：
设置人体关节类型集合，设置人体关节类型集合中每个人体关节类型的图像模板；
从人体关节类型集合中选择若干个人体关节类型纳入易识别集合；
建立每个类型的人体关节与易识别集合中每个类型的人体关节的相对位置区域，记为相对区域；
读取带有人体关节类型及位置标注的样本图像；
建立图像分类模型，所述图像分类模型的输入为图像区域，输出为图像区域内出现的人体关节类型及位置；
建立调度模型，所述调度模型将待识别图像输入所述图像分类模型，获得图像分类模型识别出的人体关节类型及位置；
所述调度模型根据图像分类模型识别出的人体关节类型、位置及相对区域，获得未识别出的人体关节相对已识别出的人体关节的相对位置区域；
将相对位置区域内的图像输入所述图像分类模型，识别全部人体关节及其位置；
所述图像分类模型及调度模型构成人体关节识别模型。
作为优选，选择纳入易识别集合的人体关节类型的方法包括：
建立图像预分类模型，所述图像预分类模型的输入为带有任意人体关节的图像，所述图像预分类模型的输出为图像中出现的人体关节类型及位置；
将多个带有人体关节类型及位置标注的样本图像划分为训练集和测试集；
使用训练集训练所述图像预分类模型；
使用测试集测试所述图像预分类模型，获得测试集下，每个人体关节类型的分类准确率；
将分类准确率高于预设阈值的人体关节类型纳入易识别集合。
作为优选，所述易识别集合中的人体关节类型按照分类准确率降序排列；
所述调度模型将待识别图像输入所述图像分类模型后，读取图像分类模型识别出的若干个人体关节类型及位置；
获得分类准确率最高的人体关节类型及位置，作为参照关节；
根据参照关节和相对区域，获得未识别出的人体关节与参照关节的相对位置区域。
作为优选，建立相对区域的方法包括：
读取多个样本图像，以易识别集合中的人体关节类型为参照关节，获得其他类型的人体关节与参照关节的相对位置集合；
构建人体关节与参照关节的相对位置集合的外接矩形，作为对应人体关节类型与参照关节的相对区域。
作为优选，截取实时帧组的方法包括：
从获得的工人劳动的实时视频中截取多个预设长度的图像帧，获得多个实时帧组；
从实时帧组中随机选择预设数量个图像帧，将图像帧输入图像分类模型，获得图像分类模型的输出结果；
统计每个实时帧组中选择的图像帧中识别出的人体关节数量的总和，将总和最高的实时帧组作为实时视频中截取的实时帧组。
本发明的有益技术效果包括：1）通过从视频包含的图像帧中提取关节点数据，生成骨骼数据，将关节点数据和骨骼数据分别输入第一时空特征模型和第二时空特征模型，将获得的劳动状态概率分布加权求和，实现最终劳动状态的识别，通过两组数据提高了劳动状态的识别准确度；
2）使用多组串联连接的图卷积网络模型和时域残差网络模型分别提取空间图形信息和时域上的动作信息，实现两个维度的劳动状态特征提取，通过增加特征维度提高劳动状态识别准确度；
3）通过建立两组图卷积网络模型和时域残差网络模型，分别作为低频组和高频组，针对高频动作特征和低频形态特征进行分别提取和融合，既提高了劳动状态识别的准确度，同时提高了鲁棒性。
本发明的其他特点和优点将会在下面的具体实施方式、附图中详细的揭露。
附图说明
下面结合附图对本发明做进一步的说明：
图1为本发明实施例双流工人劳动状态识别方法流程示意图。
图2为本发明实施例建立骨骼数据方法流程示意图。
图3为本发明实施例双流工人劳动状态识别模型示意图。
图4为本发明实施例劳动状态概率分布加权求和方法流程示意图。
图5为本发明实施例建立人体关节识别模型方法流程示意图。
图6为本发明实施例纳入易识别集合方法流程示意图。
图7为本发明实施例获得相对位置区域方法流程示意图。
图8为本发明实施例建立相对区域方法流程示意图。
图9为本发明实施例截取实时帧组方法流程示意图。
其中：101、视频，102、人体关节识别模型，103、人体关节位置，104、关节点数据，105、骨骼数据，201、低频组，202、高频组，301、图卷积网络模型，302、时域残差网络模型，401、第一时空特征模型，402、第二时空特征模型，501、劳动状态概率分布。
具体实施方式
下面结合本发明实施例的附图对本发明实施例的技术方案进行解释和说明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。
在下文描述中，出现诸如术语“内”、“外”、“上”、“下”、“左”、“右”等指示方位或者位置关系仅是为了方便描述实施例和简化描述，而不是指示或暗示所指的装置或者元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在介绍本实施例技术方案之前，对本实施例应用的场景及相关技术做介绍。
名词解释：图卷积神经网络（GCN，Graph Convolutional Network）。
建筑行业属于高危行业，建筑施工现场存在的诸多安全风险因素导致安全事故时有发生，这不仅威胁着工人的生命安全，还会给企业和社会造成重大损失。虽然业内已经发展出了一些对施工现场进行监控和进行安全管控的方案。但多以人员身份识别、人员位置区域管控、危险源识别及环境监控等方式进行，这些方案对人员的安全管控精细度不足，不能识别施工人员当前进行的施工活动，难以及时发现施工人员在施工中的违规或者危险操作及行为。如施工人员操作设备时，动作不符合规范，容易导致出现危险时，现有的安全管控技术将无法有效识别施工人员的具体动作，进而无法识别安全隐患。
随着精细化管理的推进和计算机技术的发展，使用自动化的管理软件，对施工质量进行精细化的管控成为目前业内的发展趋势。通过对施工质量的精细化管理，提高建筑施工质量，能够减少建筑质量引起的纠纷。不仅能够降低建筑运营企业的管理成本，同时具有良好的社会效益。当前对质量进行监控的系统也仅能够管理人员身份、物料种类及数量和施工设备方面进行管控，管控精细化程度仍然存在不足之处。比如不能确定施工人员是否正确严格的按照施工规划进行施工及设备操作。
随着深度学习在计算机视觉以及自然语言处理两个领域取得了巨大的成功。图像识别神经网络模型不仅能够对图像进行分类，还逐渐发展出了识别图像中人物活动类型的分类功能。如图卷积神经网络（GCN，Graph Convolutional Network）是近几年发展出来的，能自动化地同时学到图的特征信息与结构信息。是一种能对图数据进行深度学习的方法。
对于神经网络模型而言，提高识别准确度的方法之一是增加神经网络的深度。但随着神经网络深度的增加，一般会伴随以下问题：计算资源的消耗、模型容易过拟合、梯度消失/梯度爆炸问题。随着网络层数的增加，神经网络会发生退化现象。即随着网络层数的增多，训练集损失逐渐下降，然后趋于饱和。而后再增加网络深度的话，训练集损失反而会增大。当网络退化时，浅层网络能够达到比深层网络更好的训练效果。如果把低深度层的特征直接传到高深度层，会增强高深度层的准确度，能够起到抑制模型退化的作用。为此残差网络应运而生。残差网络是由一系列残差块组成的，残差块分成两部分直接映射部分和残差部分。残差部分一般由两个或者三个卷积操作构成。
工人劳动状态的识别是一种动态的识别，不仅要识别工人的静态形态，还需要对动态的动作进行分类，目前的神经网络模型尚不能实现劳动状态的分类识别。如施工人员在施工现场的指定区域内，但并没有进行施工，而是在进行与施工无关的活动，甚至是与他人发生肢体冲突等危险行为。目前仍然缺乏能够有效识别这些危险情况的技术。因此有必要研究新的针对施工人员行为的施工操作安全监控技术。
本实施例提供了一种基于时空特征的双流工人劳动状态识别方法，请参阅附图1，包括以下步骤：
步骤A01）预设若干个劳动状态，获取若干个劳动图像样本，建立人体关节识别模型102；
步骤A02）获取工人劳动视频101，将视频101的图像帧输入人体关节识别模型102，获得人体关节位置103；
步骤A03）根据人体关节位置103建立关节点数据104和骨骼数据105，人工将关节点数据104和骨骼数据105标注劳动状态作为样本数据；
步骤A04）建立第一时空特征模型401和第二时空特征模型402；
步骤A05）将关节点数据104输入第一时空特征模型401进行训练及测试，获得训练后的第一时空特征模型401；
步骤A06）将骨骼数据105输入第二时空特征模型402进行训练及测试，获得训练后的第二时空特征模型402；
步骤A07）获取工人劳动的实时视频101，截取实时视频101预设长度的图像帧，记为实时帧组；
步骤A08）将实时帧组输入人体关节识别模型102，获得人体关节位置103；
步骤A09）根据实时帧组对应的人体关节位置103建立关节点数据104和骨骼数据105；
步骤A10）将实时帧组对应的关节点数据104和骨骼数据105分别输入第一时空特征模型401和第二时空特征模型402；
步骤A11）将第一时空特征模型401和第二时空特征模型402输出的劳动状态概率分布501加权求和，获得最终的劳动状态概率分布501，概率最大的劳动状态为最终工人劳动状态识别结果。
首先建立施工现场的不同劳动工种和劳动行为的动作状态类型，包括“扛运”、“铲砂”、“休息”、“摔倒”及“打架”动作。通过摄像头实时采集工人劳动区域内的场景视频信息并上传至服务器或者边缘计算设备。通过人体关节识别模型102定位视频帧中人体的13个关节点和骨架，用于后续的特征提取。13个关节点分别为头部、左肩、右肩、左肘、右肘、左手、右手、左腰、右腰、左膝、右膝、左足和右足。
第一时空特征模型401和第二时空特征模型402均为图像识别神经网络模型，如图卷积神经网络模型、递归神经网络、深信度网络、深度自动编码器及生成对抗网络。即第一时空特征模型401和第二时空特征模型402为上述任意一种或两种神经网络模型。第一时空特征模型401和第二时空特征模型402经过样本数据的训练将具有对工人动作，即对工人劳动状态分类的能力。其中第一时空特征模型401使用关节点数据104进行训练，具有更高的准确度。第二时空特征模型402结合了骨骼两端的关节点具有的约束关系，具有更好的鲁棒性。第一时空特征模型401和第二时空特征模型402分别进行分类后，将分类结果进行加权求和，获得最终的劳动状态分布概率，能够有效提高劳动状态识别的准确度，并具有较高的鲁棒性。
其中，建立关节点数据104的方法包括以下步骤：制定人体关节类型排序，将人体关节位置103依照人体关节类型排序排列；将人体关节位置103数据按照排序添加间隔符拼接作为关节点数据104。
请参阅附图2，建立骨骼数据105的方法包括以下步骤：
步骤B01）制定人体关节类型排序，将人体关节位置103依照人体关节类型排序排列；
步骤B02）制定人体骨骼排序，以人体骨骼两端的人体关节位置103作为人体骨骼位置数据；
步骤B03）将人体关节位置103数据按照排序添加间隔符拼接作为关节点数据104；
步骤B04）将人体骨骼位置数据按照排序添加间隔符拼接在关节点数据104之后，作为骨骼数据105。
13个关节点中，具有骨骼约束关系的有：（头部，左肩）、（头部，右肩）、（左肩，右肩）、（左肩，左肘）、（左肘，左手）、（右肩，右肘）、（右肘，右手）、（头部，左腰）、（头部，右腰）、（左腰，左膝）、（左膝，左足）、（右腰，右膝）以及（右膝，右足）。共形成13个骨骼。如头部的像素位置为（1020,302），左肩的像素位置为（853,432）。则骨骼（头部，左肩）表示为（1020,302，853,432）。
在其他实施例中，省略上述的几个骨骼，如忽略（左肩，右肩）、（头部，左腰）及（头部，右腰）这三个骨骼。在其他实施例中，还可以进一步忽略（头部，左肩）和（头部，右肩）两个骨骼，使骨骼的数量下降到8个，减少数据量，提高训练的效率，同时对识别准确度的影响也较小。
请参阅附图3，第一时空特征模型401和第二时空特征模型402均包括多组图卷积网络模型301和时域残差网络模型302，第一时空特征模型401的第一组的图卷积网络模型301的输入为关节点数据104，第二时空特征模型402的第一组的图卷积网络模型301的输入为骨骼数据105，第一时空特征模型401和第二时空特征模型402的最后一组的时域残差网络模型302输出劳动状态分布概率。残差网络不仅用于抑制模型退化，还能够提取连续帧之间的，在时域上的分布信息，从而能够实现提取工人动作的动态信息。
第一时空特征模型401和第二时空特征模型402均包括低频组201和高频组202，低频组201及高频组202分别包括多组图卷积网络模型301和时域残差网络模型302，低频组201的图卷积网络模型301以预设间隔跳过关节点数据104或者骨骼数据105，低频组201和高频组202的最后一组的时域残差网络模型302均输出劳动状态分布概率，计算低频组201和高频组202输出劳动状态分布概率的加权和，最终的劳动状态分布概率。
本实施例考虑到在同一个时间帧中通常包含变化较大的动作区域和相对静态的背景区域。本实施例采用双分支的学习模型，同时对高帧和低帧进行特征提取及融合，以便能够更好地获取人体行为动作的空间语义和捕捉精细时间分辨的动作。其中，低频组201具有较少的时间帧数和较多的通道数，重于提取丰富的空间语义信息。高频组202较多的时间帧数和较少的通道数，则在保证学习网络轻量化的前提下有效捕捉人体行为的快速变化。
请再次参阅附图3，从现场获取到工人劳动区域的视频101后，将视频101中的图像帧输入到人体关节识别模型102，获得人体关节的位置。根据人体关节的位置分别建立人体关节点数据104和骨骼数据105。将人体关节点数据104输入到第一时空特征模型401，将骨骼数据105输入到第二时空特征模型402。具体的，将视频101中图像帧中提取的关节点数据104全部输入高频组202，但间隔若干帧输入低频组201。同样的，将视频101中图像帧中提取的骨骼数据105全部输入第二时空特征模型402的高频组202，但间隔若干帧输入第二时空特征模型402的低频组201。经过若干组串联的图卷积网络模型301和时域残差网络模型302后，在最后一个时域残差网络模型302的最后一层，作为输出成，使用softmax函数输出劳动状态分布概率。将第一时空特征模型401和第二时空特征模型402输出的劳动状态概率分布501加权求和，获得最终的劳动状态概率分布501，即完成工人劳动状态的识别。
请参阅附图4，将第一时空特征模型401和第二时空特征模型402输出的劳动状态概率分布501加权求和的方法包括：
步骤C01）分别计算第一时空特征模型401和第二时空特征模型402输出的劳动状态概率分布501的最高值，记为最高概率值；
步骤C02）筛选第一时空特征模型401和第二时空特征模型402输出的劳动状态概率分布501中，高于预设概率阈值的劳动状态作为筛选集合，计算筛选集合中劳动状态的分布概率的均值，记为筛选概率值；
步骤C03）分别计算第一时空特征模型401和第二时空特征模型402的最高概率值与筛选概率值的商，分别作为第一时空特征模型401和第二时空特征模型402输出的劳动状态概率分布501加权求和的权重。
经关节点数据104和骨骼数据105分别训练的第一时空特征模型401和第二时空特征模型402具有不同的识别特性。若第一时空特征模型401识别出工人当前进行铲砂的概率相对其他劳动状态显著高出，而第二时空特征模型402识别出工人当前进行铲砂和抗运的概率相当。即第一时空特征模型401识别结果较为明确，而第二时空特征模型402识别结果较为犹豫，则提高第一时空特征模型401识别的权重。相应的，若第一时空特征模型401识别结果较为犹豫，而第二时空特征模型402识别结果较为明确，则提高第二时空特征模型402识别的权重。通过计算第一时空特征模型401和第二时空特征模型402输出的劳动状态概率分布501中，高于预设概率阈值的劳动状态作为筛选集合，计算筛选集合中劳动状态的分布概率的均值，作为筛选概率值。使用筛选概率值表征识别结果明确度，实现第一时空特征模型401和第二时空特征模型402权重设置的依据。
请参阅附图5，建立人体关节识别模型102的方法包括以下步骤：
步骤D01）设置人体关节类型集合，设置人体关节类型集合中每个人体关节类型的图像模板；
步骤D02）从人体关节类型集合中选择若干个人体关节类型纳入易识别集合；
步骤D03）建立每个类型的人体关节与易识别集合中每个类型的人体关节的相对位置区域，记为相对区域；
步骤D04）读取带有人体关节类型及位置标注的样本图像；
步骤D05）建立图像分类模型，图像分类模型的输入为图像区域，输出为图像区域内出现的人体关节类型及位置；
步骤D06）建立调度模型，调度模型将待识别图像输入图像分类模型，获得图像分类模型识别出的人体关节类型及位置；
步骤D07）调度模型根据图像分类模型识别出的人体关节类型、位置及相对区域，获得未识别出的人体关节相对已识别出的人体关节的相对位置区域；
步骤D08）将相对位置区域内的图像输入图像分类模型，识别全部人体关节及其位置；
步骤D09）图像分类模型及调度模型构成人体关节识别模型102。
通过带有人体关节类型及位置标注的样本图像，建立并训练图像分类模型，结合易识别集合能够提高人体关节识别的效率。13个关节点中头部、左肩、右肩、左足和右足为易识别关节点。头部为最易识别关节点。识别头部通过识别安全帽或者头发区域进行识别。若通过头发区域识别出头部，并进而根据头部位置推测出其他人体关节点位置，并识别成功，则发出未佩戴安全帽报警。
通过本实施例提供的调度模型，能够多次调用图像分类模型，使图像分类模型前次识别出的人体关节，帮助对更难识别的人体关节进行识别，能够提高人体关节识别的识出率和准确度。
本实施例还提供了选择纳入易识别集合的人体关节类型的方法，请参阅附图6，选择纳入易识别集合的人体关节类型方法包括：
步骤E01）建立图像预分类模型，图像预分类模型的输入为带有任意人体关节的图像，图像预分类模型的输出为图像中出现的人体关节类型及位置；
步骤E02）将多个带有人体关节类型及位置标注的样本图像划分为训练集和测试集；
步骤E03）使用训练集训练图像预分类模型；
步骤E04）使用测试集测试图像预分类模型，获得测试集下，每个人体关节类型的分类准确率；
步骤E05）将分类准确率高于预设阈值的人体关节类型纳入易识别集合。
通过建立图像预分类模型，由模型选择出易识别的人体关节，具有更高的准确度。
本实施例提供了获得参照关节及其他人体关节与参照关节相对位置的方法，请参阅附图7，包括以下步骤：
步骤F01）易识别集合中的人体关节类型按照分类准确率降序排列；
步骤F02）调度模型将待识别图像输入图像分类模型后，读取图像分类模型识别出的若干个人体关节类型及位置；
步骤F03）获得分类准确率最高的人体关节类型及位置，作为参照关节；
步骤F04）根据参照关节和相对区域，获得未识别出的人体关节与参照关节的相对位置区域。
通常工人均佩戴安全帽，且安全帽的颜色已知，通过识别安全帽的颜色，即可粗略定位安全帽位置，再结合安全帽形状和/或安全帽上的预制图案，既可以识别到头部位置，进而推测出左肩、右肩、左腰和右腰的位置。以及手臂和腿部的可能区域。从而加快人体姿态的识别效率。
请参阅附图8，建立相对区域的方法包括：
步骤G01）读取多个样本图像，以易识别集合中的人体关节类型为参照关节，获得其他类型的人体关节与参照关节的相对位置集合；
步骤G02）构建人体关节与参照关节的相对位置集合的外接矩形，作为对应人体关节类型与参照关节的相对区域。通过外接矩形划分出其他人体关节的分布区域，能够提高人体关节识别的效率。
请参阅附图9，截取实时帧组的方法包括：
步骤H01）从获得的工人劳动的实时视频101中截取多个预设长度的图像帧，获得多个实时帧组；
步骤H02）从实时帧组中随机选择预设数量个图像帧，将图像帧输入图像分类模型，获得图像分类模型的输出结果；
步骤H03）统计每个实时帧组中选择的图像帧中识别出的人体关节数量的总和，将总和最高的实时帧组作为实时视频101中截取的实时帧组。
本实施例提供截取实时帧组的方法，通过对实时帧组进行识别，计算识别出的人体关节数量的总和，将总和最高的实时帧组作为实时视频101中截取的实时帧组，能够筛选出最有利于劳动状态识别的实时帧组，将最优的实时帧组提供给第一时空特征模型401和第二时空特征模型402，能够进一步提高劳动状态识别的准确度。
本实施例的有益技术效果包括：通过从视频包含的图像帧中提取关节点数据104，生成骨骼数据105，将关节点数据104和骨骼数据105分别输入第一时空特征模型401和第二时空特征模型402，将获得的劳动状态概率分布501加权求和，实现最终劳动状态的识别，通过两组数据提高了劳动状态的识别准确度。
使用多组串联连接的图卷积网络模型301和时域残差网络模型302分别提取空间图形信息和时域上的动作信息，实现两个维度的劳动状态特征提取，通过增加特征维度提高劳动状态识别准确度。
通过建立两组图卷积网络模型301和时域残差网络模型302，分别作为低频组201和高频组202，针对高频动作特征和低频形态特征进行分别提取和融合，既提高了劳动状态识别的准确度，同时提高了鲁棒性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (8)
1.基于时空特征的双流工人劳动状态识别方法，其特征在于，
包括以下步骤：
预设若干个劳动状态，获取若干个劳动图像样本，建立人体关节识别模型；
获取工人劳动视频，将视频的图像帧输入人体关节识别模型，获得人体关节位置；
根据人体关节位置建立关节点数据和骨骼数据，人工将关节点数据和骨骼数据标注劳动状态作为样本数据；
建立第一时空特征模型和第二时空特征模型；
将关节点数据输入第一时空特征模型进行训练及测试，获得训练后的第一时空特征模型；
将骨骼数据输入第二时空特征模型进行训练及测试，获得训练后的第二时空特征模型；
获取工人劳动的实时视频，截取实时视频预设长度的图像帧，记为实时帧组；
将所述实时帧组输入人体关节识别模型，获得人体关节位置；
根据实时帧组对应的人体关节位置建立关节点数据和骨骼数据；
将实时帧组对应的关节点数据和骨骼数据分别输入第一时空特征模型和第二时空特征模型；
将第一时空特征模型和第二时空特征模型输出的劳动状态概率分布加权求和，获得最终的劳动状态概率分布，概率最大的劳动状态为最终工人劳动状态识别结果；
建立人体关节识别模型的方法包括以下步骤：
设置人体关节类型集合，设置人体关节类型集合中每个人体关节类型的图像模板；
从人体关节类型集合中选择若干个人体关节类型纳入易识别集合；
建立每个类型的人体关节与易识别集合中每个类型的人体关节的相对位置区域，记为相对区域；
读取带有人体关节类型及位置标注的样本图像；
建立图像分类模型，所述图像分类模型的输入为图像区域，输出为图像区域内出现的人体关节类型及位置；
建立调度模型，所述调度模型将待识别图像输入所述图像分类模型，获得图像分类模型识别出的人体关节类型及位置；
所述调度模型根据图像分类模型识别出的人体关节类型、位置及相对区域，获得未识别出的人体关节相对已识别出的人体关节的相对位置区域；
将相对位置区域内的图像输入所述图像分类模型，识别全部人体关节及其位置；
所述图像分类模型及调度模型构成人体关节识别模型；
选择纳入易识别集合的人体关节类型的方法包括：
建立图像预分类模型，所述图像预分类模型的输入为带有任意人体关节的图像，所述图像预分类模型的输出为图像中出现的人体关节类型及位置；
将多个带有人体关节类型及位置标注的样本图像划分为训练集和测试集；
使用训练集训练所述图像预分类模型；
使用测试集测试所述图像预分类模型，获得测试集下，每个人体关节类型的分类准确率；
将分类准确率高于预设阈值的人体关节类型纳入易识别集合。
2.根据权利要求1所述的基于时空特征的双流工人劳动状态识别方法，其特征在于，
建立关节点数据的方法包括以下步骤：
制定人体关节类型排序，将人体关节位置依照人体关节类型排序排列；
将人体关节位置数据按照排序添加间隔符拼接作为关节点数据。
3.根据权利要求1或2所述的基于时空特征的双流工人劳动状态识别方法，其特征在于，
建立骨骼数据的方法包括以下步骤：
制定人体关节类型排序，将人体关节位置依照人体关节类型排序排列；
将人体骨骼位置数据按照排序添加间隔符拼接在关节点数据之后，作为骨骼数据。
4.根据权利要求1或2所述的基于时空特征的双流工人劳动状态识别方法，其特征在于，
所述第一时空特征模型和第二时空特征模型均包括多组图卷积网络模型和时域残差网络模型，所述第一时空特征模型的第一组的图卷积网络模型的输入为关节点数据，所述第二时空特征模型的第一组的图卷积网络模型的输入为骨骼数据，所述第一时空特征模型和第二时空特征模型的最后一组的时域残差网络模型输出劳动状态分布概率。
5.根据权利要求4所述的基于时空特征的双流工人劳动状态识别方法，其特征在于，
所述第一时空特征模型和第二时空特征模型均包括低频组和高频组，所述低频组及高频组分别包括多组图卷积网络模型和时域残差网络模型，所述低频组的图卷积网络模型以预设间隔跳过关节点数据或者骨骼数据，所述低频组和高频组的最后一组的时域残差网络模型均输出劳动状态分布概率，计算低频组和高频组输出劳动状态分布概率的加权和，最终的劳动状态分布概率。
6.根据权利要求1或2所述的基于时空特征的双流工人劳动状态识别方法，其特征在于，
将第一时空特征模型和第二时空特征模型输出的劳动状态概率分布加权求和的方法包括：
分别计算第一时空特征模型和第二时空特征模型输出的劳动状态概率分布的最高值，记为最高概率值；
筛选第一时空特征模型和第二时空特征模型输出的劳动状态概率分布中，高于预设概率阈值的劳动状态作为筛选集合，计算筛选集合中劳动状态的分布概率的均值，记为筛选概率值；
分别计算第一时空特征模型和第二时空特征模型的最高概率值与筛选概率值的商，分别作为第一时空特征模型和第二时空特征模型输出的劳动状态概率分布加权求和的权重。
7.根据权利要求1所述的基于时空特征的双流工人劳动状态识别方法，其特征在于，
所述易识别集合中的人体关节类型按照分类准确率降序排列；
所述调度模型将待识别图像输入所述图像分类模型后，读取图像分类模型识别出的若干个人体关节类型及位置；
获得分类准确率最高的人体关节类型及位置，作为参照关节；
根据参照关节和相对区域，获得未识别出的人体关节与参照关节的相对位置区域。
8.根据权利要求1所述的基于时空特征的双流工人劳动状态识别方法，其特征在于，
建立相对区域的方法包括：
读取多个样本图像，以易识别集合中的人体关节类型为参照关节，获得其他类型的人体关节与参照关节的相对位置集合；
构建人体关节与参照关节的相对位置集合的外接矩形，作为对应人体关节类型与参照关节的相对区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211353123.4A CN115410137B (zh) | 2022-11-01 | 2022-11-01 | 基于时空特征的双流工人劳动状态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211353123.4A CN115410137B (zh) | 2022-11-01 | 2022-11-01 | 基于时空特征的双流工人劳动状态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115410137A CN115410137A (zh) | 2022-11-29 |
| CN115410137B true CN115410137B (zh) | 2023-04-14 |
Family
ID=84167925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211353123.4A Active CN115410137B (zh) | 2022-11-01 | 2022-11-01 | 基于时空特征的双流工人劳动状态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115410137B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3605394A1 (en) * | 2018-08-03 | 2020-02-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for recognizing body movement |
| CN112348106A (zh) * | 2020-11-18 | 2021-02-09 | 电子科技大学 | 一种基于关键点学习的乳腺超声影像分类方法 |
| WO2021217937A1 (zh) * | 2020-04-27 | 2021-11-04 | 平安国际智慧城市科技股份有限公司 | 姿态识别模型的训练方法及设备、姿态识别方法及其设备 |
| WO2022000420A1 (zh) * | 2020-07-02 | 2022-01-06 | 浙江大学 | 人体动作识别方法、人体动作识别系统及设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451568A (zh) * | 2017-08-03 | 2017-12-08 | 重庆邮电大学 | 使用深度卷积神经网络的姿态检测方法及设备 |
| CN111860128B (zh) * | 2020-06-05 | 2022-07-29 | 南京邮电大学 | 一种基于多流快慢图卷积网络的人体骨骼行为识别方法 |
| CN115147339A (zh) * | 2021-03-31 | 2022-10-04 | 华为技术有限公司 | 人体关键点检测方法及相关装置 |
| CN113591560B (zh) * | 2021-06-23 | 2024-11-08 | 西北工业大学 | 人体行为识别方法 |
| CN114882595A (zh) * | 2022-06-08 | 2022-08-09 | 中国兵器工业计算机应用技术研究所 | 一种武装人员行为识别方法和系统 |
-
2022
- 2022-11-01 CN CN202211353123.4A patent/CN115410137B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3605394A1 (en) * | 2018-08-03 | 2020-02-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for recognizing body movement |
| WO2021217937A1 (zh) * | 2020-04-27 | 2021-11-04 | 平安国际智慧城市科技股份有限公司 | 姿态识别模型的训练方法及设备、姿态识别方法及其设备 |
| WO2022000420A1 (zh) * | 2020-07-02 | 2022-01-06 | 浙江大学 | 人体动作识别方法、人体动作识别系统及设备 |
| CN112348106A (zh) * | 2020-11-18 | 2021-02-09 | 电子科技大学 | 一种基于关键点学习的乳腺超声影像分类方法 |
Non-Patent Citations (4)
| Title |
|---|
| Space-Time Pose Representation for 3D Human Action Recognition;Maxime Devanne et al;《ICIAP 2013》;20131231;全文 * |
| 利用深度视频中的关节运动信息研究人体行为识别;刘智等;《计算机应用与软件》;20170215(第02期);全文 * |
| 基于关节空时特征融合的人体行为识别;吕洁等;《计算机工程与设计》;20200116(第01期);全文 * |
| 基于骨骼关节点投影特征的人体行为识别方法;黄潇逸;《现代计算机》;20191225(第36期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115410137A (zh) | 2022-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112288706B (zh) | 一种自动化的染色体核型分析以及异常检测方法 | |
| 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 | |
| CN111339883A (zh) | 复杂场景下基于人工智能的变电站内异常行为识别与检测方法 | |
| CN106778609A (zh) | 一种电力施工现场人员制服穿着识别方法 | |
| Zhuang et al. | Human-computer interaction based health diagnostics using ResNet34 for tongue image classification | |
| CN103237201A (zh) | 一种基于社会化标注的案件视频研判方法 | |
| CN118135460B (zh) | 基于机器学习的智慧工地安全监控方法及装置 | |
| CN113707323B (zh) | 基于机器学习的疾病预测方法、装置、设备及介质 | |
| CN110379036A (zh) | 变电站智能巡检识别方法、系统、装置及存储介质 | |
| CN112036327A (zh) | 一种基于ssd的轻量化安全帽检测方法 | |
| CN117854008A (zh) | 基于数字孪生的智慧运动场馆管理系统 | |
| Reyes et al. | Safety gear compliance detection using data augmentation-assisted transfer learning in construction work environment | |
| CN113723093B (zh) | 人员管理策略推荐方法、装置、计算机设备及存储介质 | |
| CN115410137B (zh) | 基于时空特征的双流工人劳动状态识别方法 | |
| CN112580616A (zh) | 人群数量确定方法、装置、设备及存储介质 | |
| CN116311082A (zh) | 基于关键部位与图像匹配的穿戴检测方法及系统 | |
| Zhang et al. | An Automated Detection Approach of Protective Equipment Donning for Medical Staff under COVID-19 Using Deep Learning. | |
| CN117011937A (zh) | 一种基于注意力机制人物交互感知的风险行为识别方法 | |
| CN117253627A (zh) | 基于大数据的智能诊疗决策支持系统及方法 | |
| CN115829324A (zh) | 一种人员安全风险静默监视方法 | |
| CN113947798A (zh) | 应用程序的背景更换方法、装置、设备及存储介质 | |
| Juanatas et al. | Convolution Neural Network Approach for Facial Mask Detection | |
| Liu | Application Research of Artificial Intelligence in Swimming | |
| CN112101266B (zh) | 基于多arm的动作识别模型分布式推理方法 | |
| Li et al. | Research on digitalized management for telecommunication on-site maintenance |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230328 Address after: 310000 room 428, building 1, Caizhi Shunfeng innovation center, No. 99, housheng street, Gongshu District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou new China and the big Polytron Technologies Inc. Applicant after: ZHEJIANG University Address before: 310000 room 428, building 1, Caizhi Shunfeng innovation center, No. 99, housheng street, Gongshu District, Hangzhou City, Zhejiang Province Applicant before: Hangzhou new China and the big Polytron Technologies Inc. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20221129 Assignee: Hangzhou Haolian Intelligent Technology Co.,Ltd. Assignor: Hangzhou new China and the big Polytron Technologies Inc. Contract record no.: X2024980042943 Denomination of invention: A method for recognizing the labor status of dual stream workers based on spatiotemporal features Granted publication date: 20230414 License type: Common License Record date: 20241231 |
|
| EE01 | Entry into force of recordation of patent licensing contract |