CN116311088A - 一种基于建筑工地的施工安全监测方法 - Google Patents
一种基于建筑工地的施工安全监测方法 Download PDFInfo
- Publication number
- CN116311088A CN116311088A CN202310586590.XA CN202310586590A CN116311088A CN 116311088 A CN116311088 A CN 116311088A CN 202310586590 A CN202310586590 A CN 202310586590A CN 116311088 A CN116311088 A CN 116311088A
- Authority
- CN
- China
- Prior art keywords
- image
- weather
- construction site
- sparse
- value
- 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 286
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 239000000203 mixture Substances 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 106
- 238000001228 spectrum Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000003014 reinforcing effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 6
- 108091006146 Channels Proteins 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 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
- G06V20/50—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及图像处理领域,具体涉及一种基于建筑工地的施工安全监测方法,所述方法包括:获取施工现场图像,根据施工现场图像得到多个天气类别,获取每个天气类别的各图像特征的高斯混合模型,根据所述高斯混合模型得到各图像特征的天气相关性,根据所述天气相关性天气相关特征;计算各天气类别的晴天可能性,根据晴天可能性得到晴天天气类别,根据晴天天气类别和所述天气相关性对施工现场图像进行增强处理得到增强后施工现场图像;通过对增强后施工现场图像分析处理实现施工安全监测。从而实现通过提高施工现场图像的质量来提高施工安全监测的准确性。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种基于建筑工地的施工安全监测方法。
背景技术
在建筑施工过程中,常出现安全事故。为了防止安全事故的发生,一般会利用智能手段对建筑工地的施工安全进行实时监控;在进行施工安全实时监控时,常利用相机采集施工现场视频,然后通过对施工现场视频进行分析处理来判断施工现场是否存在安全隐患,根据安全隐患结论对施工现场实施不同的管理方法。但是建筑工地施工现场一般是户外场景,因而采集得到的视频受天气等因素影响较大,例如雨天、雾天等采集到的视频的图像质量较差,此时如果直接利用该图像进行分析,会导致分析结果准确性较差,因而需对视频中质量较差的图像进行增强处理来提高图像画质。
传统的图像增强方法,一般通过直方图进行分析来实现图像增强处理,这种增强方法是通过灰度拉伸的方式来提高图像的对比度, 但是这种会将图像中天气影响因素产生的纹理信息也会增强处理,导致图像中出现一些天气相关的干扰信息使得施工安全监测的准确性降低。而视频图像中,一些天气特征信息影响图像的清晰度,而有些天气特征信息会是图像的清晰度较高,例如雾天的大雾特征信息会降低图像的清晰度,而晴天的天气特征信息会提高图像的清晰度,而进行建筑工地的施工安全监测,一般更多的关注施工现场相关信息,不太关注天气相关信息,因而天气特征的变化对施工安全监测分析影响较小,因而可以通过将图像中大雾天气特征信息调整成晴天特征可以较好的提高图像清晰度。
发明内容
为了解决上述技术问题,本发明提供一种基于建筑工地的施工安全监测方法,所述方法包括:
获取施工现场图像;
根据施工现场图像的频率分布特征得到多个天气类别,获取施工现场图像的所有图像特征以及每个图像特征的稀疏值,根据天气类别和各图像特征的稀疏值得到每个天气类别中各图像特征的高斯混合模型,根据每个天气类别中各图像特征的高斯混合模型得到各图像特征在同天气类别下的相似性,根据每个天气类别中各图像特征的高斯混合模型得到各图像特征在不同天气类别下的差异性,根据所述相似性与差异性获得各图像特征的天气相关性,将天气相关性大于天气相关性分割阈值的图像特征作为天气相关特征;
获取各天气类别的纹理丰富度和颜色丰富程度,根据所述纹理丰富度与颜色丰富度获得各天气类别的晴天可能性,将晴天可能性最大的天气类别作为晴天天气类别;根据晴天天气类别中天气相关特征的稀疏值的取值对其他天气类别的各施工现场图像进行增强处理得到增强后施工现场图像;
通过对增强后施工现场图像分析处理实现施工安全监测。
优选的,所述根据施工现场图像的频率分布特征得到多个天气类别,包括的具体步骤为:
对每张施工现场图像进行傅里叶变换得到每张施工现场图像的频谱图像,基于频谱图像利用密度聚类算法对所有施工现场图像进行聚类处理得到多个天气类别。
优选的,所述获取施工现场图像的所有图像特征以及每个图像特征的稀疏值,包括的具体步骤为:
将每张施工现场图像展开成一个向量称为施工现场向量,利用K-SVD算法对所有施工现场向量学习训练得到一个字典矩阵多个稀疏向量,其中一个施工现场向量对应一个稀疏向量;
字典矩阵的每列为一个字典向量,将每个字典向量称为一种图像特征,字典矩阵中包含的列数等于图像特征的个数;
将一个稀疏向量中的各元素称为稀疏值,一个图像特征在每个稀疏向量中对应一个稀疏值,将各图像特征对应的稀疏值称为各图像特征的稀疏值,每个图像特征在每稀疏向量中均对应一个稀疏值,每个图像特征在多个稀疏向量中对应多个稀疏值。
优选的,所述根据天气类别和各图像特征的稀疏值得到每个天气类别中各图像特征的高斯混合模型,包括的具体步骤为:
获取各天气类别中所有施工现场向量对应的稀疏向量得到各天气类别的稀疏向量集合,在所述稀疏向量集合的所有稀疏向量中获取同一位置的所有稀疏值得到各天气类别的各图像特征的稀疏值集合,对所述稀疏值集合中各稀疏值进行统计得到稀疏值统计直方图,拟合出稀疏值统计直方图的高斯混合模型记为各天气类别中各图像特征的高斯混合模型。
优选的,所述根据每个天气类别中各图像特征的高斯混合模型得到各图像特征在同天气类别下的相似性,包括的具体步骤为:
获取所述高斯混合模型中各单高斯模型的均值和方差,根据所述高斯混合模型中各单高斯模型的均值和方差得到各图像特征在各天气类别下的相似性为:
其中,表示第i种天气类别中第j个图像特征的高斯混合模型中的第k个单高斯模型的均值,/>表示第i种天气类别第j个图像特征的高斯混合模型中的第k个单高斯模型的方差,/>表示第i种天气类别第j个图像特征的高斯混合模型中包含单高斯模型的个数,表示第j个图像特征在第i种天气类别下的相似性;
将每个图像特征在所有天气类别下的相似性求均值得到每个图像特征在同种天气类别下的相似性。
优选的,所述根据每个天气类别中各图像特征的高斯混合模型得到各图像特征在不同天气类别下的差异性,包括的具体步骤为:
将所述高斯混合模型的各单高斯模型的均值和方差构成的二维向量作为单高斯模型的描述向量,将所述高斯混合模型中所有单高斯模型的描述向量按均值从小到大的顺序排列得到高斯混合模型的描述序列;
每个图像特征的每个天气类别对应一个高斯混合模型,每个图像特征的多个天气类别对应多个高斯混合模型,将每个图像特征对应的多个高斯混合模型中的任意两个高斯混合模型随机组合得到每个图像特征的多个高斯混合模型对,将所述每个高斯混合模型对中的两高斯混合模型的描述序列的余弦相似度作为每个图像特征的每个高斯混合模型对的分布相似性,将每个图像特征的所有高斯混合模型对的分布相似性倒数的均值作为每个图像特征在不同天气类别下的差异性。
优选的,所述获取各天气类别的纹理丰富度和颜色丰富程度,包括的具体步骤为:
获取每个施工现场图像的频谱图像将每个施工现场图像的频谱图像的信息熵作为每个施工现场图像的纹理丰富度,将每个天气类别中所有施工现场图像的纹理丰富度的均值作为每个天气类别的纹理丰富度;
将施工现场图像从RGB颜色空间转化为HSV颜色空间,获取H通道的色度图像和S通道的饱和度图像,将色度图像的各灰度值进行统计得到色度直方图,利用密度聚类对色度直方图进行聚类处理得到色度直方图的多个类别,将色度直方图的类别个数作为各施工现场图像的颜色层次数;获取饱和度图像的所有像素的灰度值均值作为各施工现场图像的饱和度值;
根据施工现场图像的颜色层次数与饱和度值得到各施工现场图像的颜色丰富度,将每种天气类别中所有施工现场图像的颜色丰富度的均值作为每种天气类别的颜色丰富度。
优选的,所述根据晴天天气类别中天气相关特征的稀疏值的取值对其他天气类别的各施工现场图像进行增强处理得到增强后施工现场图像,包括的具体步骤为:
将晴天天气类别中所有施工现场向量对应的稀疏向量集合记为晴天天气类别的稀疏向量集合,在所述集合的各稀疏向量中获取天气相关特征的稀疏值,将在晴天天气类别的所有稀疏向量中获取到的各天气相关特征的所有稀疏值构成的集合称为各天气相关特征的稀疏值集合,将各天气相关特征的稀疏值集合中所有稀疏值的均值作为各天气相关特征的基准稀疏值;
将其他天气类别中的各天气相关特征的稀疏值利用基准稀疏值替换,对其他天气类别中所有天气相关特征的稀疏值进行替换处理得到替换后施工现场向量;
基于K-SVD算法,根据各替换后施工现场向量得到各增强后施工现场向量,将增强后施工现场向量恢复成各增强后施工现场图像。
优选的,所述通过对增强后施工现场图像分析处理实现施工安全监测,包括的具体步骤为:
对各增强后施工现场图像进行标注处理得到带标签的增强后施工现场图像,将所有带标签的增强后施工现场图像构成数据集;
构建网络,并利用数据集完成网络训练得到训练完成的网络,获取采集得到的新的施工现场图像的新的增强后施工现场图像,将新的增强后施工现场图像输入到训练完成的网络中得到安全隐患结论。
本发明实施例至少具有如下有益效果:施工现场图像中的与天气相关的特征是影响施工现场图像质量的关键,因而可通过调整施工现场图像中的与天气相关的信息来实现图像增强,对施工现场图像中的天气相关特征信息进行调整前需先获取施工现场图像中天气相关特征;要获取天气相关特征需分析施工现场图像各图像特征与天气的相关性,而各图像特征与天气相关性可通过分析同天气类别下各图像特征的相似性和不同天气类别下各图像特征的差异性来反映,因而基于此得到各图像特征的相关性,根据图像的相关性得到天气相关特征。
由于晴天时施工现场图像的质量较高,因而可以将晴天时施工现场图像中的天气相关特征的信息作为基准信息,利用该基准信息对其他天气类别的施工现场图像中的天气相关特征信息进行调整从而实现图像增强;增强后的施工现场图像质量较高,为实现准确施工安全监测提供基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为本发明提供的一种基于建筑工地的施工安全监测方法的流程图;
图2为本发明提供的一种K-SVD算法的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于建筑工地的施工安全监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于建筑工地的施工安全监测方法的具体方案。
请参阅图1,其示出了本发明的一个实施例提供的一种基于建筑工地的施工安全监测方法的步骤流程图,该方法包括以下步骤:
步骤S001,获取建筑工地的施工现场视频。
要实现建筑工地的施工安全监测,需对建筑工地的施工视频进行分析,因而需先获取建筑工地的施工现场视频。
获取施工现场视频:在施工现场布置相机实时采集施工现场视频,获取一个月内的相机采集到的建筑工地的施工现场视频,为了便于描述将施工现场视频中的每帧图像称为施工现场图像。
步骤S002,根据施工现场视频得到多种天气类别,根据每种天气类别得到天气相关特征。
由于不同的天气下得到的施工现场图像清晰度不同,其中有些天气下的施工现场图像的清晰度较高,例如晴天时,而有些天气下的施工现场图像清晰度较低,例如雾天时,因而图片中的天气特征会影响图像的质量;为了提高图像质量,需对施工现场图像进行分析获取施工现场图像中每种图像特征的天气相关性,进而描述天气的特征信息。
为了分析每种图像特征的天气相关性,需将不同施工图像按照天气情况划分类别;在对施工图像划分类别时,考虑到同一种天气下的施工现场图像的频率分布应该相似,例如大雾天气下施工现场图像的清晰度较低,其相较于晴天天气下的施工现场图像的低频信息较多,因而需根据频率分析情况来对施工现场视中的施工现场图像进行分类处理得到多种天气类别。
1、获取得到频谱图像:
对每张施工现场图像进行傅里叶变换得到每张施工现场图像的频谱图像。
2、根据频谱图像得到多个天气类别:
施工现场视频中包含N张施工现场图像,基于频谱图像利用密度聚类算法对N张施工现场图像进行聚类处理得到M个天气类别,其中第一个天气类别中包含张施工现场图像,第二个天气类别中包含/>张施工现场图像,…,第M个天气类别中包含/>张施工现场图像,每个天气类别中的施工现场图像为同一天气下的施工现场图像。
3、获取所有的图像特征:
将每张施工现场图像展开成一个向量称为施工现场向量,具体展开方法为:施工现场图像是RGB图像,按照从左到右从上到下且按照R、G、B三个通道顺序将施工现场图像的像素点灰度值进行排列成一个序列,记为施工现场向量,N张施工现场图像对应N个施工现场向量。
利用K-SVD算法对N张施工现场向量学习训练得到一个字典矩阵和N个稀疏向量,其中一个施工现场向量对应一个稀疏向量,每个施工现场向量与每个稀疏向量满足如下关系/>,其中/>表示第i个施工现场向量,/>表示第i个施工现场向量对应的稀疏向量,表示字典矩阵。
字典矩阵的每列为一个字典向量,每个字典向量对应一种特征信息,将每个字典向量称为一种图像特征,字典矩阵中包含的列数等于图像特征的个数。
4、获取每张施工现场图像中每种图像特征的稀疏值:
将一个稀疏向量中的各元素称为稀疏值,一个图像特征在每个稀疏向量中对应一个稀疏值,每个图像特征对应的稀疏值称为各图像特征的稀疏值,各图像特征的稀疏值反映了施工图像中包含该图像特征的含量,需要说明的一个图像特征在每个稀疏向量中均对应一个稀疏值,一个图像特征在多个稀疏向量中对应多个稀疏值,图2展示了各图像特征与稀疏值的对应关系示意图,图中表示第i个施工现场向量,/>表示第i个施工现场向量对应的稀疏向量,该稀疏向量中包含9个稀疏值,分别为/>,图中分别表示字典矩阵中的8个字典向量,其中稀疏值/>与字典向量/>对应,稀疏值/>与字典向量/>对应,稀疏值/>与字典向量/>对应,稀疏值/>与字典向量/>对应,稀疏值/>与字典向量/>对应,稀疏值/>与字典向量/>对应,稀疏值/>与字典向量/>对应,稀疏值/>与字典向量/>对应,稀疏值/>与字典向量/>对应。
5、分析每种图像特征的天气相关性:
上述过程中得到了所有的图像特征,但是有些图像特征中描述的天气相关的特征,有些图像特征中描述了施工现场中的施工信息,因而需分析每种图像特征与天气的关联关系得到每种图像特征的天气相关性,根据天气相关性来获取描述天气的图像特征。
要分析每种图像特征的天气相关性,需分析每种图像特征对应的稀疏值的取值分布与天气的相关性,因而需先获取每种图像特征对应的稀疏值在同一天气类别下的取值分布情况,然后根据每种图像特征在同一天气类别下的稀疏值取值分布情况与天气类别的关联性来得到每种图像特征的天气相关性。
(1)获取每种天气类别的各特征的高斯混合模型:
获取每种天气类别中所有施工现场向量对应的稀疏向量得到各天气类别的稀疏向量集合,在该集合的所有稀疏向量中获取同一位置的所有稀疏值得到各天气类别的各图像特征的稀疏值集合。对所述稀疏值集合中各稀疏值进行统计得到稀疏值统计直方图,拟合稀疏值统计直方图的高斯混合模型记为各天气类别中各图像特征的高斯混合模型,因而一个图像特征在一个天气类别中对应一个高斯混合模型,各高斯混合模型反映了一个天气类别中的一个图像特征对应稀疏值的取值分布情况,稀疏值统计直方图的高斯混合模型包含K个单高斯模型,本实施例中K取5,其他实施例中实施者可根据实际设置。
(2)确定每个图像特征的天气相关性:
分析每个图像特征的天气相关性时,需分析每个图像特征对应的稀疏值取值分布与天气的相关性,当在同一天气类别下每个图像特征对应的稀疏值取值相似性较大,同时在不同天气类别下每个图像特征对应的稀疏值取值差异性较大,说明该图像特征与天气的相关性较大,反之,说明图像特征的天气相关性较小。因而基于此来确定每个图像特征的天气相关性。
要分析每种图像特征的天气相关性,需先分析每个图像特征的稀疏值在同天气类别中的相似性和在不同天气类别中的差异性,当每个图像特征的稀疏值在同天气类别中的相似性较大,同时在不同天气类别中的差异性越大,说明每个图像特征与天气存在较大的相关性,因而首先获取每种图像特征在同天气类别下的相似性,具体如下:
a.获取每个图像特征在同天气类别下的相似性:
获取第i个天气类别的第j个图像特征的高斯混合模型的第k单高斯模型/>的均值/>和方差/>,当第j个图像特征在第i个天气类别中的稀疏值取值相似性较大时,说明第i个天气类别的第j个图像特征的稀疏值取值集中性较大,因而其对应的高斯混合模型/>中各单高斯模型的均值差异较差,同时各单高斯模型的方差较小,因而基于此来得到第j种图像特征在第i种天气类别下的相似性为:
其中,表示第i种天气类别中第j个图像特征的高斯混合模型的第k个单高斯模型的均值,/>表示第i种天气类别中第j个图像特征的高斯混合模型的第k个单高斯模型的方差,/>表示第i种天气类别第j个图像特征的高斯混合模型中包含单高斯模型的个数,/>表示第j个图像特征在第i种天气类别下的相似性,/>反映了第i种天气类别第j个图像特征的高斯混合模型中所有单高斯模型的方差的均值,该值越小说明第i种天气类别第j种图像特征对应的稀疏值的取值相似性越大,/>反映了第i种天气类别第j个图像特征的高斯模型中所有单高斯模型的均值的差异性,该值越小说明第i种天气类别第j个图像特征对应的稀疏值的取值相似性越大。同理得到第j个图像特征在每种天气类别的相似性。
b.获取每个图像特征在不同天气类别下的差异性:
获取第i个天气类别中第j个图像特征的高斯混合模型的第k单高斯模型/>的均值/>和方差/>,将均值/>和方差/>构成的二维向量作为单高斯模型/>的描述向量,将高斯混合模型/>中所有单高斯模型的描述向量按均值从小到大的顺序排列得到高斯混合模型的描述序列。
第j个图像特征的每个天气类别对应一个高斯混合模型,因而第j个图像特征的多个天气类别对应多个高斯混合模型,将第j个图像特征对应的多个高斯混合模型中的任意两个高斯混合模型随机组合得到第j个图像特征的多个高斯混合模型对,将第j个图像特征的每个高斯混合模型对中的两高斯混合模型的描述序列的余弦相似度作为第j个图像特征的每个高斯混合模型对的分布相似性,将第j个图像特征的所有高斯混合模型对的分布相似性倒数的均值作为第j个图像特征在不同天气类别下的差异性。同理得到每个图像特征在不同天气类别中的差异性。
c.获取每个图像特征的天气相关性:
将每个图像特征在同天气类别中的相似性与在不同天气类别中的差异性的乘积作为每个图像特征的天气相关性。
6、获取天气相关特征:
对所有图像特征的天气相关性进行统计得到天气相关性直方图,利用Ostu算法对天气相关直方图进行处理得到天气相关性分割阈值,将天气相关性大于天气相关性分割阈值的图像特征作为天气相关特征。
至此,得到天气相关特征,在获取天气相关特征时,首先获取每种图像特征的天气相关性,然后将天气相关性大的图像特征作为天气相关特征;在分析图像特征的天气相关性时,首先需要将施工现场图像划分划分天气类别,然后分析每种天气类别下施工现场图像中各图像特征信息与天气类别的关联关系得到每种图像特征的天气相关性。
步骤S003,根据每种天气类别中图像信息得到晴天天气类别,根据晴天天气类别和天气相关特征对每张施工现场图像进行增强处理得到增强后施工现场图像。
通过上述过程得到了天气相关特征,由于晴天天气下施工现场图像的清晰度较高,因而下面需要获取晴天天气类别中各天气相关特征的稀疏值取值,然后根据晴天类别中各天气相关性的稀疏值取值对其他天气类别中各天气相关特征的稀疏值取值进行调整。
1、获取晴天天气类别:
由于当前还无法判断哪个天气类别为晴天天气类别,但是已知晴天天气类别中纹理的丰富度和颜色丰富度较高,因而可根据此来获得晴天天气类别,具体过程如下:
(1)计算每个天气类别的纹理丰富度:
当施工现场图像受天气影响时,施工现场图像中会丢失一些频率信息,特别是高频信息,这将导致施工现场图像的纹理丰富度降低,因而可以根据每个天气类别中施工现场图像的频率分布信息来确定每个天气类别的纹理丰富度,具体如下:
将各施工现场图像的频谱图的信息熵作为每个施工现场图像的纹理丰富度,将每个天气类别中所有施工现场图像的纹理丰富度的均值作为每个天气类别的纹理丰富度。
(2)计算每个天气类别的颜色丰富度:
当施工现场图像受天气影响时,施工现场图像中会丢失一些颜色信息,这将导致施工现场图像的颜色层次不丰富,因而可以根据每个天气类别中施工现场图像的颜色分布信息来确定每个天气类别的颜色丰富度,具体如下:
将施工现场图像从RGB颜色空间转化为HSV颜色空间,获取H通道的色度图像和S通道的饱和度图像,将色度图像的各灰度值进行统计得到色度直方图,利用密度聚类对色度直方图进行聚类处理得到色度直方图的多个类别,一个类别反映一种色度值的集中分布,一种色度值的集中分布反映了色度图像中存在一种相近的颜色层次,色度直方图的类别个数越多说明色度直方图中存在的颜色层次越多,将色度直方图的类别个数作为各施工现场图像的颜色层次数,施工现场图像的颜色层次数越多说明施工现场图像的颜色丰富度越大。
获取饱和度图像的所有像素的灰度值均值作为各施工现场图像的饱和度值,该值越大说明施工现场的颜色丰富度越大。
将施工现场图像的颜色层次数与饱和度值的乘积作为各施工现场图像的颜色丰富度。
将每种天气类别中所有施工现场图像的颜色丰富度的均值作为每种天气类别的颜色丰富度。
(3)计算各天气类别的晴天可能性:
将每个天气类别的颜色丰富度与纹理丰富度的乘积作为每个天气类别的晴天可能性。
(4)获取晴天天气类别:
将晴天可能性最大的天气类别作为晴天天气类别。
2、根据晴天天气类别和天气相关特征对各施工现场图像进行增强处理:
由于天气相关特征稀疏值取值对施工现场图像的清晰度影响较大,因而需对施工现场图像的天气相关特征的稀疏值取值进行调整,同时晴天时施工现场图像的清晰度较高,即晴天类别中施工现场图像的天气相关特征的稀疏值取值较好,因而可以基于晴天天气类别中施工现场图像的天气相关特征的稀疏值对其他天气类别中施工现场图像的天气相关特征进行调整,具体如下:
将晴天天气类别中所有施工现场向量对应的稀疏向量构成的集合称为晴天天气类别的稀疏向量集合,将该稀疏向量集合中所有稀疏向量中获取第z个天气相关特征的稀疏值得到第z个天气相关特征的稀疏值集合,将第z个天气相关特征的稀疏值集合中所有稀疏值的均值作为第z个天气相关特征的基准稀疏值,该值反映了晴天天气类别中多数施工现场向量中第z个天气相关特征的稀疏值取值,即当第z个天气相关特征的稀疏值取该值时,施工现场图像的质量较高。
将其他天气类别的各稀疏向量中的第z个天气相关特征的稀疏值利用基准稀疏值替换,同理完成其他天气类别的各稀疏向量中各天气相关特征的稀疏值的替换处理得到替换后施工现场向量,将其他天气类别中第s个替换后施工现场向量记为。
利用公式计算得到第s个施工现场向量的增强后施工现场向量,式中表示第s个替换后施工现场向量,/>表示字典矩阵,/>表示第s个增强后施工现场向量,按照将各施工现场图像展开成施工现场向量的逆向处理方法将第s个增强后施工现场向量恢复成第z个增强后施工现场图像。
同理完成各施工现场图像的增强处理得到各增强后的施工现场图像。
至此,完成各施工现场图像的增强处理得到增强后施工现场图像,在对施工现场图像增强处理时是以晴天类别中各施工现场图像的天气相关特征的稀疏值取值情况为基准,对其他天气类别中各施工现场图像的天气相关特征的稀疏值取值进行调整。
步骤S004,根据增强后的施工现场图像实现施工安全监测。
通过上述过程完成各施工现场图像的增强处理,下面通过对增强后的施工现场图像进行分析来实现施工安全监测。
通过人为读取增强后的施工现场图像的信息来得到该施工现场图像中是否存在安全隐患,当增强后施工现场图像中存在安全隐患时,将该增强后的施工现场图像的标签标注为[1,0],当增强后施工现场图像中不存在安全隐患时,将该增强后的施工现场图像的标签标注为[0,1],通过该方式完成所有增强后施工现场图像的标注处理,将所有带标签的增强后施工现场图像构成数据集。
构建一个Encoder-FC网络,本实施例中使用的Encoder-FC网络为现有的InceptionV3网络。该网络的输入为数据集中各增强后施工现场图像,输出为各增强后施工现场图像的安全隐患预测向量,该网络的损失函数为交叉熵损失函数。
将数据集中各数据依次输入到网络中完成网络训练得到训练完成的网络,将新采集的新的施工现场图像按照中所述方法进行中增强处理得到新的增强后施工现场图像,将新的增强后施工现场图像输入到训练完成的网络中得到安全隐患结论。
综上所述,本发明实施例提供了一种高一种基于建筑工地的施工安全监测方法,施工现场图像中的与天气相关的特征是影响施工现场图像质量的关键,因而可通过调整施工现场图像中的与天气相关的信息来实现图像增强,对施工现场图像中的天气相关特征信息进行调整前需先获取施工现场图像中天气相关特征;要获取天气相关特征需分析施工现场图像各图像特征与天气的相关性,而各图像特征与天气相关性可通过分析同天气类别下各图像特征的相似性和不同天气类别下各图像特征的差异性来反映,因而基于此得到各图像特征的相关性,根据图像的相关性得到天气相关特征。
由于晴天时施工现场图像的质量较高,因而可以将晴天时施工现场图像中的天气相关特征的信息作为基准信息,利用该基准信息对其他天气类别的施工现场图像中的天气相关特征信息进行调整从而实现图像增强;增强后的施工现场图像质量较高,为实现准确施工安全监测提供基础。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于建筑工地的施工安全监测方法,其特征在于,所述方法包括:
获取施工现场图像;
根据施工现场图像的频率分布特征得到多个天气类别,获取施工现场图像的所有图像特征以及每个图像特征的稀疏值,根据天气类别和各图像特征的稀疏值得到每个天气类别中各图像特征的高斯混合模型,根据每个天气类别中各图像特征的高斯混合模型得到各图像特征在同天气类别下的相似性,根据每个天气类别中各图像特征的高斯混合模型得到各图像特征在不同天气类别下的差异性,根据所述相似性与差异性获得各图像特征的天气相关性,将天气相关性大于天气相关性分割阈值的图像特征作为天气相关特征;
获取各天气类别的纹理丰富度和颜色丰富程度,根据所述纹理丰富度与颜色丰富度获得各天气类别的晴天可能性,将晴天可能性最大的天气类别作为晴天天气类别;根据晴天天气类别中天气相关特征的稀疏值的取值对其他天气类别的各施工现场图像进行增强处理得到增强后施工现场图像;
通过对增强后施工现场图像分析处理实现施工安全监测。
2.如权利要求1所述的一种基于建筑工地的施工安全监测方法,其特征在于,所述根据施工现场图像的频率分布特征得到多个天气类别,包括的具体步骤为:
对每张施工现场图像进行傅里叶变换得到每张施工现场图像的频谱图像,基于频谱图像利用密度聚类算法对所有施工现场图像进行聚类处理得到多个天气类别。
3.如权利要求1所述的一种基于建筑工地的施工安全监测方法,其特征在于,所述获取施工现场图像的所有图像特征以及每个图像特征的稀疏值,包括的具体步骤为:
将每张施工现场图像展开成一个向量称为施工现场向量,利用K-SVD算法对所有施工现场向量学习训练得到一个字典矩阵多个稀疏向量,其中一个施工现场向量对应一个稀疏向量;
字典矩阵的每列为一个字典向量,将每个字典向量称为一种图像特征,字典矩阵中包含的列数等于图像特征的个数;
将一个稀疏向量中的各元素称为稀疏值,一个图像特征在每个稀疏向量中对应一个稀疏值,将各图像特征对应的稀疏值称为各图像特征的稀疏值,每个图像特征在每稀疏向量中均对应一个稀疏值,每个图像特征在多个稀疏向量中对应多个稀疏值。
4.如权利要求1所述的一种基于建筑工地的施工安全监测方法,其特征在于,所述根据天气类别和各图像特征的稀疏值得到每个天气类别中各图像特征的高斯混合模型,包括的具体步骤为:
获取各天气类别中所有施工现场向量对应的稀疏向量得到各天气类别的稀疏向量集合,在所述稀疏向量集合的所有稀疏向量中获取同一位置的所有稀疏值得到各天气类别的各图像特征的稀疏值集合,对所述稀疏值集合中各稀疏值进行统计得到稀疏值统计直方图,拟合出稀疏值统计直方图的高斯混合模型记为各天气类别中各图像特征的高斯混合模型。
5.如权利要求1所述的一种基于建筑工地的施工安全监测方法,其特征在于,所述根据每个天气类别中各图像特征的高斯混合模型得到各图像特征在同天气类别下的相似性,包括的具体步骤为:
获取所述高斯混合模型中各单高斯模型的均值和方差,根据所述高斯混合模型中各单高斯模型的均值和方差得到各图像特征在各天气类别下的相似性为:
其中,表示第i种天气类别中第j个图像特征的高斯混合模型中的第k个单高斯模型的均值,/>表示第i种天气类别第j个图像特征的高斯混合模型中的第k个单高斯模型的方差,/>表示第i种天气类别第j个图像特征的高斯混合模型中包含单高斯模型的个数,/>表示第j个图像特征在第i种天气类别下的相似性;
将每个图像特征在所有天气类别下的相似性求均值得到每个图像特征在同种天气类别下的相似性。
6.如权利要求5所述的一种基于建筑工地的施工安全监测方法,其特征在于,所述根据每个天气类别中各图像特征的高斯混合模型得到各图像特征在不同天气类别下的差异性,包括的具体步骤为:
将所述高斯混合模型的各单高斯模型的均值和方差构成的二维向量作为单高斯模型的描述向量,将所述高斯混合模型中所有单高斯模型的描述向量按均值从小到大的顺序排列得到高斯混合模型的描述序列;
每个图像特征的每个天气类别对应一个高斯混合模型,每个图像特征的多个天气类别对应多个高斯混合模型,将每个图像特征对应的多个高斯混合模型中的任意两个高斯混合模型随机组合得到每个图像特征的多个高斯混合模型对,将所述每个高斯混合模型对中的两高斯混合模型的描述序列的余弦相似度作为每个图像特征的每个高斯混合模型对的分布相似性,将每个图像特征的所有高斯混合模型对的分布相似性倒数的均值作为每个图像特征在不同天气类别下的差异性。
7.如权利要求1所述的一种基于建筑工地的施工安全监测方法,其特征在于,所述获取各天气类别的纹理丰富度和颜色丰富程度,包括的具体步骤为:
获取每个施工现场图像的频谱图像将每个施工现场图像的频谱图像的信息熵作为每个施工现场图像的纹理丰富度,将每个天气类别中所有施工现场图像的纹理丰富度的均值作为每个天气类别的纹理丰富度;
将施工现场图像从RGB颜色空间转化为HSV颜色空间,获取H通道的色度图像和S通道的饱和度图像,将色度图像的各灰度值进行统计得到色度直方图,利用密度聚类对色度直方图进行聚类处理得到色度直方图的多个类别,将色度直方图的类别个数作为各施工现场图像的颜色层次数;获取饱和度图像的所有像素的灰度值均值作为各施工现场图像的饱和度值;
根据施工现场图像的颜色层次数与饱和度值得到各施工现场图像的颜色丰富度,将每种天气类别中所有施工现场图像的颜色丰富度的均值作为每种天气类别的颜色丰富度。
8.如权利要求1所述的一种基于建筑工地的施工安全监测方法,其特征在于,所述根据晴天天气类别中天气相关特征的稀疏值的取值对其他天气类别的各施工现场图像进行增强处理得到增强后施工现场图像,包括的具体步骤为:
将晴天天气类别中所有施工现场向量对应的稀疏向量集合记为晴天天气类别的稀疏向量集合,在所述集合的各稀疏向量中获取天气相关特征的稀疏值,将在晴天天气类别的所有稀疏向量中获取到的各天气相关特征的所有稀疏值构成的集合称为各天气相关特征的稀疏值集合,将各天气相关特征的稀疏值集合中所有稀疏值的均值作为各天气相关特征的基准稀疏值;
将其他天气类别中的各天气相关特征的稀疏值利用基准稀疏值替换,对其他天气类别中所有天气相关特征的稀疏值进行替换处理得到替换后施工现场向量;
基于K-SVD算法,根据各替换后施工现场向量得到各增强后施工现场向量,将增强后施工现场向量恢复成各增强后施工现场图像。
9.如权利要求1所述的一种基于建筑工地的施工安全监测方法,其特征在于,所述通过对增强后施工现场图像分析处理实现施工安全监测,包括的具体步骤为:
对各增强后施工现场图像进行标注处理得到带标签的增强后施工现场图像,将所有带标签的增强后施工现场图像构成数据集;
构建网络,并利用数据集完成网络训练得到训练完成的网络,获取采集得到的新的施工现场图像的新的增强后施工现场图像,将新的增强后施工现场图像输入到训练完成的网络中得到安全隐患结论。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310586590.XA CN116311088B (zh) | 2023-05-24 | 2023-05-24 | 一种基于建筑工地的施工安全监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310586590.XA CN116311088B (zh) | 2023-05-24 | 2023-05-24 | 一种基于建筑工地的施工安全监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116311088A true CN116311088A (zh) | 2023-06-23 |
CN116311088B CN116311088B (zh) | 2023-08-04 |
Family
ID=86785490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310586590.XA Active CN116311088B (zh) | 2023-05-24 | 2023-05-24 | 一种基于建筑工地的施工安全监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311088B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030147558A1 (en) * | 2002-02-07 | 2003-08-07 | Loui Alexander C. | Method for image region classification using unsupervised and supervised learning |
KR20110049296A (ko) * | 2009-11-05 | 2011-05-12 | 이용학 | 건설 현장 관리 시스템 및 방법 |
KR20180093151A (ko) * | 2017-02-09 | 2018-08-21 | 공주대학교 산학협력단 | 가우시안 혼합 모델을 이용한 컬러 영역의 검출 장치 및 그 방법 |
KR101907964B1 (ko) * | 2017-11-20 | 2018-10-12 | (주)오픈웍스 | 공사 현장 안전관리 모니터링 시스템 및 방법 |
US10460169B1 (en) * | 2019-01-14 | 2019-10-29 | Sourcewater, Inc. | Image processing of aerial imagery for energy infrastructure analysis using joint image identification |
CN112200043A (zh) * | 2020-09-30 | 2021-01-08 | 中邮通建设咨询有限公司 | 面向室外施工现场的危险源智能识别系统及方法 |
CN112489387A (zh) * | 2020-12-04 | 2021-03-12 | 广东电网有限责任公司江门供电局 | 一种基于天气监测的配电施工现场安全预警方法 |
CN112749654A (zh) * | 2020-12-31 | 2021-05-04 | 南京恩瑞特实业有限公司 | 一种用于视频大雾监测的深度神经网络模型构建方法、系统及装置 |
KR20210062789A (ko) * | 2019-11-21 | 2021-06-01 | 현대건설주식회사 | 배경소음을 고려한 공사장의 공사일정 조정방법 |
CN113592171A (zh) * | 2021-07-26 | 2021-11-02 | 深圳市天健(集团)股份有限公司 | 一种基于增强现实技术的建筑模板支撑系统安全预测方法、介质、装置和计算设备 |
CN113762171A (zh) * | 2021-09-09 | 2021-12-07 | 赛思沃德(武汉)科技有限公司 | 铁路施工现场安全监测的方法及装置 |
WO2022059868A1 (ko) * | 2020-09-21 | 2022-03-24 | 주식회사 나눔건설사업관리 | 기상 예측에 기반한 공사 공정 관리 방법 |
CN114511718A (zh) * | 2022-04-19 | 2022-05-17 | 山东诚祥建设集团股份有限公司 | 一种建筑施工用物料智能管理方法及系统 |
CN114567074A (zh) * | 2022-03-01 | 2022-05-31 | 青岛巨源建工集团有限公司 | 一种电力隧道安全监测施工系统及方法 |
KR102411676B1 (ko) * | 2021-12-14 | 2022-06-22 | 주식회사 제이케이윈드엔지니어링 | 건설현장 안전확보를 위한 기상 관측 예보시스템 |
CN115423446A (zh) * | 2022-09-20 | 2022-12-02 | 广西莲城建设集团有限公司 | 一种基于大数据的建筑工程施工作业环境智能监测系统 |
CN115601712A (zh) * | 2022-12-15 | 2023-01-13 | 南京电力自动化设备三厂有限公司(Cn) | 适用于现场安全措施的图像数据处理方法及系统 |
CN115841486A (zh) * | 2023-02-20 | 2023-03-24 | 深圳市特安电子有限公司 | 一种气体感知红外图像处理方法 |
-
2023
- 2023-05-24 CN CN202310586590.XA patent/CN116311088B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030147558A1 (en) * | 2002-02-07 | 2003-08-07 | Loui Alexander C. | Method for image region classification using unsupervised and supervised learning |
KR20110049296A (ko) * | 2009-11-05 | 2011-05-12 | 이용학 | 건설 현장 관리 시스템 및 방법 |
KR20180093151A (ko) * | 2017-02-09 | 2018-08-21 | 공주대학교 산학협력단 | 가우시안 혼합 모델을 이용한 컬러 영역의 검출 장치 및 그 방법 |
KR101907964B1 (ko) * | 2017-11-20 | 2018-10-12 | (주)오픈웍스 | 공사 현장 안전관리 모니터링 시스템 및 방법 |
US10460169B1 (en) * | 2019-01-14 | 2019-10-29 | Sourcewater, Inc. | Image processing of aerial imagery for energy infrastructure analysis using joint image identification |
KR20210062789A (ko) * | 2019-11-21 | 2021-06-01 | 현대건설주식회사 | 배경소음을 고려한 공사장의 공사일정 조정방법 |
WO2022059868A1 (ko) * | 2020-09-21 | 2022-03-24 | 주식회사 나눔건설사업관리 | 기상 예측에 기반한 공사 공정 관리 방법 |
CN112200043A (zh) * | 2020-09-30 | 2021-01-08 | 中邮通建设咨询有限公司 | 面向室外施工现场的危险源智能识别系统及方法 |
CN112489387A (zh) * | 2020-12-04 | 2021-03-12 | 广东电网有限责任公司江门供电局 | 一种基于天气监测的配电施工现场安全预警方法 |
CN112749654A (zh) * | 2020-12-31 | 2021-05-04 | 南京恩瑞特实业有限公司 | 一种用于视频大雾监测的深度神经网络模型构建方法、系统及装置 |
CN113592171A (zh) * | 2021-07-26 | 2021-11-02 | 深圳市天健(集团)股份有限公司 | 一种基于增强现实技术的建筑模板支撑系统安全预测方法、介质、装置和计算设备 |
CN113762171A (zh) * | 2021-09-09 | 2021-12-07 | 赛思沃德(武汉)科技有限公司 | 铁路施工现场安全监测的方法及装置 |
KR102411676B1 (ko) * | 2021-12-14 | 2022-06-22 | 주식회사 제이케이윈드엔지니어링 | 건설현장 안전확보를 위한 기상 관측 예보시스템 |
CN114567074A (zh) * | 2022-03-01 | 2022-05-31 | 青岛巨源建工集团有限公司 | 一种电力隧道安全监测施工系统及方法 |
CN114511718A (zh) * | 2022-04-19 | 2022-05-17 | 山东诚祥建设集团股份有限公司 | 一种建筑施工用物料智能管理方法及系统 |
CN115423446A (zh) * | 2022-09-20 | 2022-12-02 | 广西莲城建设集团有限公司 | 一种基于大数据的建筑工程施工作业环境智能监测系统 |
CN115601712A (zh) * | 2022-12-15 | 2023-01-13 | 南京电力自动化设备三厂有限公司(Cn) | 适用于现场安全措施的图像数据处理方法及系统 |
CN115841486A (zh) * | 2023-02-20 | 2023-03-24 | 深圳市特安电子有限公司 | 一种气体感知红外图像处理方法 |
Non-Patent Citations (4)
Title |
---|
丁毅;: "施工现场安全存在的主要问题及对策", 建筑安全, no. 10 * |
史静;朱虹;韩勇;: "户外天气状况分类识别", 计算机系统应用, no. 04 * |
李哲学;: "改进高斯混合模型的遥感图像增强方法", 激光杂志, no. 07 * |
郭玉明;: "风沙天气下建筑施工的扬尘监测系统设计研究", 环境科学与管理, no. 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN116311088B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109151501B (zh) | 一种视频关键帧提取方法、装置、终端设备及存储介质 | |
CN108090902B (zh) | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 | |
CN102622420B (zh) | 基于颜色特征和形状上下文的商标图像检索方法 | |
CN110458077B (zh) | 一种车辆颜色识别方法及系统 | |
CN111340123A (zh) | 一种基于深度卷积神经网络的图像分数标签预测方法 | |
CN106126585B (zh) | 基于质量分级与感知哈希特征组合的无人机图像检索方法 | |
CN104268590B (zh) | 基于互补性组合特征与多相回归的盲图像质量评价方法 | |
CN107622229A (zh) | 一种基于融合特征的视频车辆重识别方法与系统 | |
CN106960176B (zh) | 一种基于超限学习机和颜色特征融合的行人性别识别方法 | |
CN106096547A (zh) | 一种面向识别的低分辨率人脸图像特征超分辨率重建方法 | |
CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN111401374A (zh) | 基于多任务的模型训练方法、字符识别方法及装置 | |
CN110991434B (zh) | 自助终端证件识别方法及装置 | |
Tang et al. | Training-free referenceless camera image blur assessment via hypercomplex singular value decomposition | |
CN115546187A (zh) | 基于YOLO v5的农业病虫害检测方法及装置 | |
CN115272225A (zh) | 一种基于对抗学习网络的带钢表面缺陷检测方法及系统 | |
Yuan et al. | Locally and multiply distorted image quality assessment via multi-stage CNNs | |
CN116311088B (zh) | 一种基于建筑工地的施工安全监测方法 | |
CN117611830A (zh) | 一种基于少样本标注的任意类别目标定位与计数方法 | |
CN101344928B (zh) | 用于确定图像区域和对图像进行分类的方法和设备 | |
Yang et al. | EHNQ: Subjective and objective quality evaluation of enhanced night-time images | |
CN103871084B (zh) | 蓝印花布图案识别方法 | |
Li et al. | Human motion quality assessment toward sophisticated sports scenes based on deeply-learned 3D CNN model | |
CN111754459B (zh) | 基于统计深度特征的染色伪造图像检测方法及电子装置 | |
CN110147824B (zh) | 一种图像的自动分类方法及装置 |
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 |