CN115797874A - 基于ai的人员乘坐皮带监管方法、系统、设备及介质 - Google Patents
基于ai的人员乘坐皮带监管方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115797874A CN115797874A CN202310071386.4A CN202310071386A CN115797874A CN 115797874 A CN115797874 A CN 115797874A CN 202310071386 A CN202310071386 A CN 202310071386A CN 115797874 A CN115797874 A CN 115797874A
- Authority
- CN
- China
- Prior art keywords
- personnel
- belt
- monitoring image
- image
- monitoring
- 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 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000926 separation method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Landscapes
- Alarm Systems (AREA)
Abstract
本申请实施例提供的一种基于AI的人员乘坐皮带监管方法、系统、设备及介质，属于图像识别技术领域。该方法包括动态实时采集监控区域中的监控图像，对所述监控图像中乘坐皮带的人员的人员数量进行判定，在人员数量大于第一阈值时，计算人员间距是否大于第二阈值；若所述人员间距小于所述第二阈值，确定人员乘坐间距违规，记录所述监控图像并语音提醒乘坐人员，从而通过对图像的处理及智能分析，实现了人员乘坐皮带自动化监管，自动对人员违规行为做出告警，有效克服了人工监管所带来的弊端。
Description
技术领域
本申请涉及图像识别技术领域，具体而言，涉及一种基于AI的人员乘坐皮带监管方法、系统、设备及介质。
背景技术
目前在煤矿中，部分煤矿准许煤矿工人乘坐皮带，但是对与皮带的乘坐有严格要求，比如人员坐姿以及乘坐皮带的间隔距离等。以往对于人员的行为监管是在皮带对应位置上安装监控，人工观察人员的行为并做出告警或者是在意外发生后查看视频录像进行分析。
但是，人工监管会有疲劳或者疏漏导致不能及时发现安全隐患并做出告警。另外，很难通过监控画面用肉眼判断人员与人员之间的距离，并且长久的人力成本高，人工监管费时费力，枯燥乏味。
因此，如何解决上述问题是目前亟需解决的问题。
发明内容
本申请提供一种基于AI的人员乘坐皮带监管方法、系统、设备及介质，旨在改善上述问题。
第一方面，本申请提供的一种基于AI的人员乘坐皮带监管方法，所述方法包括：
动态实时采集监控区域中的监控图像，所述监控图像中携带有人员乘坐皮带的信息；
确定所述监控图像中乘坐皮带的人员的人员数量是否大于第一阈值；
若大于所述第一阈值，计算人员间距是否大于第二阈值；
若所述人员间距小于所述第二阈值，确定人员乘坐间距违规，记录所述监控图像并语音提醒乘坐人员。
在一可能的实施例中，所述计算人员间距是否大于第二阈值，包括：
确定所述监控图像中每位人员的中心点；
确定相邻两个所述中心点的差值；
根据所述差值以及所述监控图像的像素宽度，得到人员间距；
确定所述人员间距是否大于第二阈值。
在一可能的实施例中，所述根据所述差值以及所述监控图像的像素宽度，得到人员间距，包括：
获取所述差值与所述监控图像的像素宽度之间的商值；
根据所述商值与所述皮带的实际长度，得到人员间距。
在一可能的实施例中，所述人员间距满足：
其中，l为所述人员间距，
为相邻两个所述中心点的一个，
为相邻两个所述中心点的另一个；x为所述监控图像的像素宽度，
为所述皮带的实际长度。
在一可能的实施例中，所述确定所述监控图像中每位人员的中心点，包括：
以所述监控图像的宽度为横轴，分别识别所述监控图像中的每位人员的中心点；其中，所述中心点作为横坐标。
在一可能的实施例中，所述第一阈值为1。
第二方面，本申请提供的一种基于AI的人员乘坐皮带监管系统，所述系统包括：AI设备和图像采集装置；
其中，所述图像采集装置用于动态实时采集监控区域中的监控图像，并将所述监控图像上传至所述AI设备，其中，所述监控图像中携带有人员乘坐皮带的信息；
所述AI设备，用于执行以下步骤：
确定所述监控图像中乘坐皮带的人员的人员数量是否大于第一阈值；
若大于所述第一阈值，计算人员间距是否大于第二阈值；
若所述人员间距小于所述第二阈值，确定人员乘坐间距违规，记录所述监控图像并语音提醒乘坐人员。
在一可能的实施例中，所述图像采集装置悬挂于能够监控皮带的位置；在所述皮带工作时，所述图像采集装置将所述监控图像上传至所述AI设备。
第三方面，本申请还提供一种电子设备，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现如第一方面任一项所述的基于AI的人员乘坐皮带监管方法。
第四方面，本申请还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理设备运行时执行如第一方面的任一项所述的基于AI的人员乘坐皮带监管方法的步骤。
上述本申请提供的一种基于AI的人员乘坐皮带监管方法、系统、设备及介质，本申请通过动态实时采集监控区域中的监控图像，对所述监控图像中乘坐皮带的人员的人员数量进行判定，在人员数量大于第一阈值时，计算人员间距是否大于第二阈值；若所述人员间距小于所述第二阈值，确定人员乘坐间距违规，记录所述监控图像并语音提醒乘坐人员，从而通过对图像的处理及智能分析，实现了人员乘坐皮带自动化监管，自动对人员违规行为做出告警，有效克服了人工监管所带来的弊端。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请第一实施例提供的一种电子设备的结构示意图；
图2为本申请第二实施例提供的一种基于AI的人员乘坐皮带监管方法的流程图；
图3为本申请第三实施例提供的一种基于AI的人员乘坐皮带监管系统的功能模块示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
第一实施例：
图1为本申请实施例提供的一种电子设备的结构示意图，在本申请中可以通过图1所示的示意图来描述用于实现本申请实施例的基于AI的人员乘坐皮带监管方法的示例的电子设备100。
如图1所示的一种电子设备的结构示意图，电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106、输出装置108，这些组件通过总线系统和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备可以具有图1示出的部分组件，也可以具有图1未示出的其他组件和结构。
所述处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制所述电子设备100中的其它组件以执行期望的功能。
应理解，在本申请实施例中的处理器102可以是中央处理单元（centralprocessing unit，CPU），该处理器还可以是其他通用处理器、数字信号处理器（digitalsignal processor，DSP）、专用集成电路（application specific integrated circuit，ASIC）、现成可编程门阵列（field programmable gate array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储装置104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质。
应理解，本申请实施例中的存储装置104可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read-only memory，ROM）、可编程只读存储器（programmable ROM，PROM）、可擦除可编程只读存储器（erasable PROM，EPROM）、电可擦除可编程只读存储器（electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（random access memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（random accessmemory，RAM）可用，例如静态随机存取存储器（static RAM，SRAM）、动态随机存取存储器（DRAM）、同步动态随机存取存储器（synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（double data rate SDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（direct rambus RAM，DR RAM）。
其中，在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行所述程序指令，以实现下文所述的本申请实施例中由AI设备所执行的步骤。
可选地，该电子设备100为AI设备。
第二实施例：
参照图2所示的一种基于AI的人员乘坐皮带监管方法的流程图，该方法具体包括如下步骤：
步骤S201，动态实时采集监控区域中的监控图像。
其中，所述监控图像中携带有人员乘坐皮带的信息。
其中，监控区域是指皮带的工作区域，在皮带的工作区域，人员进行乘坐皮带。
步骤S202，确定所述监控图像中乘坐皮带的人员的人员数量是否大于第一阈值。
可选地，第一阈值为1。也就是说，当人数超过1时，就会进行人员间距的计算，以避免出现违规乘坐。而在小于或等于1个人员乘坐时，就无需进行人员间距计算，可以有效节约资源开销。
作为一种实施方式，本申请使用基于yolov5的深度学习目标检测框识别乘坐皮带人员数量。
应理解，yolov5的深度学习目标检测模型的训练为预先训练，在此，不作具体限定。
步骤S203，若大于所述第一阈值，计算人员间距是否大于第二阈值。
作为一种实施方式，步骤S203，包括：确定所述监控图像中每位人员的中心点；确定相邻两个所述中心点的差值；根据所述差值以及所述监控图像的像素宽度，得到人员间距；确定所述人员间距是否大于第二阈值。
可选地，确定所述监控图像中每位人员的中心点，包括：以所述监控图像的宽度为横轴，分别识别所述监控图像中的每位人员的中心点；其中，所述中心点作为横坐标。
应理解，每位人员的中心点即该人员的中心在监控图像上的点。
可选地，所述根据所述差值以及所述监控图像的像素宽度，得到人员间距，包括：获取所述差值与所述监控图像的像素宽度之间的商值；根据所述商值与所述皮带的实际长度，得到人员间距。
可选地，所述人员间距满足：
其中，l为所述人员间距，
为相邻两个所述中心点的一个，
为相邻两个所述中心点的另一个；x为所述监控图像的像素宽度，
为所述皮带的实际长度。
举例来说，以监控图像的宽为x轴，通过识别第一个人的中心得到横坐标为x1，识别第二个人的横坐标为x2，监控图像的像素宽为x，皮带的实际长度为length。人员间距为：
。
可以理解的是，基于上述计算方式，可以提高人员间距的计算准确率，降低误判率，以降低违规乘坐皮带所带来的风险，提高工作的安全性。
步骤S204，若所述人员间距小于所述第二阈值，确定人员乘坐间距违规，记录所述监控图像并语音提醒乘坐人员。
其中，第二阈值的具体设定在此，不作具体限定。例如，第二阈值可以根据皮带的宽度以及乘坐人员来进行设置。
可以理解的是，本实施例提供的人员乘坐皮带监管方法通过动态实时采集监控区域中的监控图像，对所述监控图像中乘坐皮带的人员的人员数量进行判定，在人员数量大于第一阈值时，计算人员间距是否大于第二阈值；若所述人员间距小于所述第二阈值，确定人员乘坐间距违规，记录所述监控图像并语音提醒乘坐人员，从而通过对图像的处理及智能分析，实现了人员乘坐皮带自动化监管，自动对人员违规行为做出告警，有效克服了人工监管所带来的弊端。
第三实施例：
参见图3所示的一种基于AI的人员乘坐皮带监管系统，该基于AI的人员乘坐皮带监管系统400包括：AI设备410和图像采集装置420。
其中，所述图像采集装置420用于动态实时采集监控区域中的监控图像，并将所述监控图像上传至所述AI设备410，其中，所述监控图像中携带有人员乘坐皮带的信息。
可选地，图像采集装置420为摄像头。
可选地，所述AI设备410，用于执行以下步骤：
确定所述监控图像中乘坐皮带的人员的人员数量是否大于第一阈值；
若大于所述第一阈值，计算人员间距是否大于第二阈值；
若所述人员间距小于所述第二阈值，确定人员乘坐间距违规，记录所述监控图像并语音提醒乘坐人员。
可选地，所述AI设备410，具体用于执行以下步骤：
确定所述监控图像中乘坐皮带的人员的人员数量是否大于第一阈值；
若大于所述第一阈值，确定所述监控图像中每位人员的中心点；
确定相邻两个所述中心点的差值；
根据所述差值以及所述监控图像的像素宽度，得到人员间距；
确定所述人员间距是否大于第二阈值；
若所述人员间距小于所述第二阈值，确定人员乘坐间距违规，记录所述监控图像并语音提醒乘坐人员。
可选地，所述AI设备410，具体用于执行以下步骤：
确定所述监控图像中乘坐皮带的人员的人员数量是否大于第一阈值；
若大于所述第一阈值，确定所述监控图像中每位人员的中心点；
确定相邻两个所述中心点的差值；
获取所述差值与所述监控图像的像素宽度之间的商值；
根据所述商值与所述皮带的实际长度，得到人员间距；
确定所述人员间距是否大于第二阈值；
若所述人员间距小于所述第二阈值，确定人员乘坐间距违规，记录所述监控图像并语音提醒乘坐人员。
可选地，所述人员间距满足：
其中，l为所述人员间距，
为相邻两个所述中心点的一个，
为相邻两个所述中心点的另一个；x为所述监控图像的像素宽度，
为所述皮带的实际长度。
在一可能的实施例中，可选地，所述AI设备410，具体用于执行以下步骤：
确定所述监控图像中乘坐皮带的人员的人员数量是否大于第一阈值；
若大于所述第一阈值，以所述监控图像的宽度为横轴，分别识别所述监控图像中的每位人员的中心点；其中，所述中心点作为横坐标；
确定相邻两个所述中心点的差值；
获取所述差值与所述监控图像的像素宽度之间的商值；
根据所述商值与所述皮带的实际长度，得到人员间距；
确定所述人员间距是否大于第二阈值；
若所述人员间距小于所述第二阈值，确定人员乘坐间距违规，记录所述监控图像并语音提醒乘坐人员。
在一可能的实施例中，基于AI的人员乘坐皮带监管系统400还包括补光灯430和AI客户端440。
其中，补光灯430灯悬挂于能够监控皮带的位置，用于对图像采集装置420进行补光。
其中，AI客户端440用于显示AI设备410所分析的监控图像的画面。
进一步，本实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理设备运行时执行上述实施例二提供的任一项基于AI的人员乘坐皮带监管方法的步骤。
本申请实施例所提供的一种基于AI的人员乘坐皮带监管方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
需要说明的是，上述实施例，可以全部或部分地通过软件、硬件（如电路）、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b,或c中的至少一项（个），可以表示：a, b, c, a-b, a-c, b-c, 或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
Claims (10)
1.一种基于AI的人员乘坐皮带监管方法，其特征在于，所述方法包括：
动态实时采集监控区域中的监控图像，所述监控图像中携带有人员乘坐皮带的信息；
确定所述监控图像中乘坐皮带的人员的人员数量是否大于第一阈值；
若大于所述第一阈值，计算人员间距是否大于第二阈值；
若所述人员间距小于所述第二阈值，确定人员乘坐间距违规，记录所述监控图像并语音提醒乘坐人员。
2.根据权利要求1所述的方法，其特征在于，所述计算人员间距是否大于第二阈值，包括：
确定所述监控图像中每位人员的中心点；
确定相邻两个所述中心点的差值；
根据所述差值以及所述监控图像的像素宽度，得到人员间距；
确定所述人员间距是否大于第二阈值。
3.根据权利要求2所述的方法，其特征在于，所述根据所述差值以及所述监控图像的像素宽度，得到人员间距，包括：
获取所述差值与所述监控图像的像素宽度之间的商值；
根据所述商值与所述皮带的实际长度，得到人员间距。
4.根据权利要求3所述的方法，其特征在于，所述人员间距满足：
其中，l为所述人员间距，
为相邻两个所述中心点的一个，
为相邻两个所述中心点的另一个；x为所述监控图像的像素宽度，
为所述皮带的实际长度。
5.根据权利要求2所述的方法，其特征在于，所述确定所述监控图像中每位人员的中心点，包括：
以所述监控图像的宽度为横轴，分别识别所述监控图像中的每位人员的中心点；其中，所述中心点作为横坐标。
6.根据权利要求1所述的方法，其特征在于，所述第一阈值为1。
7.一种基于AI的人员乘坐皮带监管系统，其特征在于，所述系统包括：AI设备和图像采集装置；
其中，所述图像采集装置用于动态实时采集监控区域中的监控图像，并将所述监控图像上传至所述AI设备，其中，所述监控图像中携带有人员乘坐皮带的信息；
所述AI设备，用于执行以下步骤：
确定所述监控图像中乘坐皮带的人员的人员数量是否大于第一阈值；
若大于所述第一阈值，计算人员间距是否大于第二阈值；
若所述人员间距小于所述第二阈值，确定人员乘坐间距违规，记录所述监控图像并语音提醒乘坐人员。
8.根据权利要求7所述的系统，其特征在于，所述图像采集装置悬挂于能够监控皮带的位置；在所述皮带工作时，所述图像采集装置将所述监控图像上传至所述AI设备。
9.一种电子设备，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现如权利要求1至6任一项所述的基于AI的人员乘坐皮带监管方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理设备运行时执行如权利要求1-6的任一项所述的基于AI的人员乘坐皮带监管方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310071386.4A CN115797874A (zh) | 2023-02-07 | 2023-02-07 | 基于ai的人员乘坐皮带监管方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310071386.4A CN115797874A (zh) | 2023-02-07 | 2023-02-07 | 基于ai的人员乘坐皮带监管方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115797874A true CN115797874A (zh) | 2023-03-14 |
Family
ID=85430172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310071386.4A Pending CN115797874A (zh) | 2023-02-07 | 2023-02-07 | 基于ai的人员乘坐皮带监管方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115797874A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102364944A (zh) * | 2011-11-22 | 2012-02-29 | 电子科技大学 | 一种预防人员聚集的视频监控方法 |
| CN102795227A (zh) * | 2012-08-24 | 2012-11-28 | 湘潭市恒欣实业有限公司 | 矿用索道乘人间距有序控制装置 |
| CN102910177A (zh) * | 2012-10-22 | 2013-02-06 | 新汶矿业集团有限责任公司孙村煤矿 | 架空乘人装置乘人间距控制器及其工作方法 |
| CN107662869A (zh) * | 2016-07-29 | 2018-02-06 | 奥的斯电梯公司 | 用于乘客运送装置的大数据分析处理系统和方法 |
| CN110425005A (zh) * | 2019-06-21 | 2019-11-08 | 中国矿业大学 | 矿井下皮带运输人员人机交互行为安全监控与预警方法 |
| CN113283408A (zh) * | 2021-07-22 | 2021-08-20 | 中国人民解放军国防科技大学 | 基于监控视频的社交距离监测方法、装置、设备和介质 |
| CN115223249A (zh) * | 2022-05-25 | 2022-10-21 | 华北科技学院 | 一种基于机器视觉的井下人员不安全行为快速分析与识别方法 |
-
2023
- 2023-02-07 CN CN202310071386.4A patent/CN115797874A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102364944A (zh) * | 2011-11-22 | 2012-02-29 | 电子科技大学 | 一种预防人员聚集的视频监控方法 |
| CN102795227A (zh) * | 2012-08-24 | 2012-11-28 | 湘潭市恒欣实业有限公司 | 矿用索道乘人间距有序控制装置 |
| CN102910177A (zh) * | 2012-10-22 | 2013-02-06 | 新汶矿业集团有限责任公司孙村煤矿 | 架空乘人装置乘人间距控制器及其工作方法 |
| CN107662869A (zh) * | 2016-07-29 | 2018-02-06 | 奥的斯电梯公司 | 用于乘客运送装置的大数据分析处理系统和方法 |
| CN110425005A (zh) * | 2019-06-21 | 2019-11-08 | 中国矿业大学 | 矿井下皮带运输人员人机交互行为安全监控与预警方法 |
| CN113283408A (zh) * | 2021-07-22 | 2021-08-20 | 中国人民解放军国防科技大学 | 基于监控视频的社交距离监测方法、装置、设备和介质 |
| CN115223249A (zh) * | 2022-05-25 | 2022-10-21 | 华北科技学院 | 一种基于机器视觉的井下人员不安全行为快速分析与识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508688B (zh) | 基于骨架的行为检测方法、终端设备及计算机存储介质 | |
| US11373408B2 (en) | Image processing apparatus, monitoring system, image processing method, and program | |
| JP2018101317A (ja) | 異常監視システム | |
| CN109460787B (zh) | 入侵检测模型建立方法、装置及数据处理设备 | |
| EP2919153A1 (en) | Event detection apparatus and event detection method | |
| US20180324392A1 (en) | Cctv automatic selection monitoring system, and cctv automatic selection monitoring management server and management method | |
| KR102260123B1 (ko) | 지역내 이벤트감지장치 및 그 장치의 구동방법 | |
| KR20200077554A (ko) | 어린이의 상태 분석 방법 및 장치, 차량, 전자 기기, 저장 매체 | |
| CN107730841B (zh) | 报警处理方法及相关产品 | |
| CN111783665A (zh) | 一种动作识别方法、装置、存储介质和电子设备 | |
| US12032467B2 (en) | Monitoring system, monitoring method, and computer program product | |
| CN116092198A (zh) | 一种矿用安全帽识别检测方法、装置、设备及介质 | |
| US12046078B2 (en) | Accident detection device and accident detection method | |
| CN111723767B (zh) | 一种图像处理方法、装置及计算机存储介质 | |
| KR101357721B1 (ko) | 영상 데이터를 이용하여 독거 노인에 대한 비정상 상황 발생을 감지하는 장치 및 방법 | |
| CN115797874A (zh) | 基于ai的人员乘坐皮带监管方法、系统、设备及介质 | |
| CN112633262A (zh) | 通道监测方法、装置、电子设备及介质 | |
| US10810856B2 (en) | Dangerous situation detection method and apparatus using time series analysis of user behaviors | |
| CN116863288A (zh) | 基于深度学习的目标检测和报警方法、装置及设备 | |
| US20170337696A1 (en) | Video fingerprint system and method thereof | |
| CN114241354A (zh) | 仓库人员行为识别方法、装置、计算机设备、存储介质 | |
| CN113421431A (zh) | 应急通道监测方法及装置 | |
| WO2024157719A1 (ja) | 異常検出装置、異常検出方法、及びプログラム | |
| JP7485449B2 (ja) | 監視装置、監視方法、及びプログラム | |
| US20230058114A1 (en) | Operation control apparatus, operation control method, and non-transitorycomputer readable medium |
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: 20230314 |