CN117152211A - 一种面向施工人机安全的动态入侵检测方法和系统 - Google Patents
一种面向施工人机安全的动态入侵检测方法和系统 Download PDFInfo
- Publication number
- CN117152211A CN117152211A CN202311247170.5A CN202311247170A CN117152211A CN 117152211 A CN117152211 A CN 117152211A CN 202311247170 A CN202311247170 A CN 202311247170A CN 117152211 A CN117152211 A CN 117152211A
- Authority
- CN
- China
- Prior art keywords
- intrusion detection
- track
- constructors
- machine
- construction
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000010276 construction Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000009471 action Effects 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Human Computer Interaction (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种面向施工人机安全的动态入侵检测方法和系统,该方法包括以下步骤:实时获取施工现场图像数据,所述施工现场图像数据中包括施工人员和每种工程机械;将所述施工现场图像数据输入至预先构建好的目标检测模型中,识别出施工人员和每种工程机械;采用追踪算法对所述施工人员和每种工程机械进行轨迹跟踪,并实时划分每种工程机械的危险区域;将施工人员的跟踪轨迹数据输入至预先构建好的施工人员轨迹预测模型中,预测施工人员的行动轨迹;基于预测的施工人员行动轨迹和所述危险区域,进行分析对比,获得入侵检测结果。与现有技术相比,本发明具有显著提高施工作业安全性等优点。
Description
技术领域
本发明涉及人工智能领域,尤其是涉及一种面向施工人机安全的动态入侵检测方法和系统。
背景技术
随着人工智能快速发展,GPU等硬件不断迭代,算力逐渐增强,人工智能技术在工程中地各个领域应用都日趋广泛。在土木工程施工中也有大量人工智能算法应用,例如卷积神经网络、循环神经网络等等。
施工人员的生命安全一直是施工管理中非常重要的一环,通过识别施工人员是否在工程机械的危险区域,可以及时预警并减少人机碰撞产生的伤亡问题。
现有的施工组织管理技术中,通常由施工现场安全员进行管控,但由于安全员人员数量和精力有限,难免出现纰漏。因此需要一种自动化、24小时的识别方式,来及时预警施工人员已经入施工机械的危险区域,从而避免伤亡。
发明内容
本发明的目的就是为了提供一种显著提高安全性的面向施工人机安全的动态入侵检测方法和系统。
本发明的目的可以通过以下技术方案来实现:
一种面向施工人机安全的动态入侵检测方法,包括以下步骤:
实时获取施工现场图像数据,所述施工现场图像数据中包括施工人员和每种工程机械;
将所述施工现场图像数据输入至预先构建好的目标检测模型中,识别出施工人员和每种工程机械;
采用追踪算法对所述施工人员和每种工程机械进行轨迹跟踪,并实时划分每种工程机械的危险区域;
将施工人员的跟踪轨迹数据输入至预先构建好的施工人员轨迹预测模型中,预测施工人员的行动轨迹;
基于预测的施工人员行动轨迹和所述危险区域,进行分析对比,获得入侵检测结果。
进一步地,所述目标检测模型采用YOLO进行训练。
进一步地,还包括采用透视变换将识别出的施工人员和每种工程机械的位置变换为真实坐标系下,并在所述真实坐标系下进行轨迹追踪。
进一步地,所述透视变换的表达式为:
HX=X′
式中,H为变换矩阵,X为摄像头坐标系中的坐标,X′为在真实坐标系中坐标。
进一步地,所述追踪算法为DeepSort算法。
进一步地,所述施工人员轨迹预测模型采用LSTM网络模型进行训练。
进一步地,所述获得入侵检测结果的具体步骤包括:
对所述危险区域进行几何近似处理,将危险区域转化为多边形区域,并记录多边形每一个点的坐标,形成有序的待检测区域;
将所述预测的施工人员行动轨迹进行离散化处理,获得待测轨迹点;
判断所述待测轨迹点是否在待检测区域内,获得入侵检测结果。
进一步地,采用射线法判断所述待测轨迹点是否在待检测区域内。
进一步地,还包括基于所述入侵检测结果,判断施工人员是否会在危险区域内,若是,则发出预警,若否,则不发出预警。
本发明还提供一种基于上述所述的面向施工人机安全的动态入侵检测方法的检测系统,包括:
数据获取模块:用于实时获取施工现场图像数据,所述施工现场图像数据包括施工人员和每种工程机械图像数据;
识别模块:用于将所述施工现场图像数据输入至预先构建好的目标检测模型中,识别出施工人员和每种工程机械;
追踪模块:用于采用追踪算法对所述施工人员和每种工程机械进行轨迹跟踪,并实时划分每种工程机械的危险区域;
轨迹预测模块:用于将施工人员的跟踪轨迹数据输入至预先构建好的施工人员轨迹预测模型中,预测施工人员的行动轨迹;
入侵检测模块:用于基于预测的施工人员行动轨迹和所述危险区域,进行分析对比,获得入侵检测结果。
与现有技术相比,本发明具有以下有益效果:
(1)本发明利用目标检测模型识别出施工现场的动态的施工人员和每种工程机械,对动态机械目标的危险区域进行自动划分,解决了动态情况下人与机械碰撞检测问题;通过轨迹追踪和预测,对人员轨迹进行短时预测,实现了碰撞的提前预测,为避险提供更多缓冲时间,从而显著提高了施工现场的安全性。
(2)本发明能够根据判断发出预警提醒施工人员注意安全,进一步提升了施工作业的安全性。
(3)本发明不需要像传统的人工识别模式,采用自动化的识别方式,具有全天候、24小时、识别精度不会降低等优势。
附图说明
图1为本发明方法流程示意图;
图2为本发明工程机械危险区域判定范围示意图;
图3为本发明检测系统结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明提供一种面向施工人机安全的动态入侵检测方法,如图1所示,该检测方法包括以下步骤:
步骤1、实时获取施工现场图像数据,所述施工现场图像数据中包括施工人员和每种工程机械。
通过固定摄像头实时采集施工现场图像,本实施例中摄像头高度高于所检测平面3-8m,摄像头俯仰角应在±45°之间,固定好后开始采集施工现场图像数据。
步骤2、将所述施工人员和每种工程机械图像输入至预先构建的目标检测模型中,检测图像中的施工人员和工程机械。
在构建目标检测模型过程中,本实施例将施工人员3000张图片,以及每种工程机械各1000张图片(包括挖掘机、卡车、布料机、叉车、塔吊)使用LabelImg进行数据标注,对于施工人员,使用矩形框标出施工人员即可;为了更加精准地识别出各类关键工程机械的主体部分位置,识别锚框应确定在工程机械主体部分,其中对于挖掘机,锚框应确定于挖掘机驾驶室和履带区域,不包括挖掘机机械臂;对于卡车,锚框应确定于卡车驾驶室和载货车厢;对于布料机,锚框应确定于布料机驾驶室和履带区域,不包括挖布料机机械臂;对于叉车,锚框应确定于叉车驾驶室,不包括叉车的工作装置;对于塔吊,锚框应确定于塔吊的驾驶室,不包括塔吊的悬臂。接着将标注好的图像,采用YOLOv5网络模型进行训练,获得最终的目标检测模型。本实施例中将上步骤中获得的施工现场图像数据输入该模型中,模型能够识别图像中的人员和机械。
步骤3、采用追踪算法对所述施工人员和每种工程机械进行轨迹跟踪,并实时划分每种工程机械的危险区域。
透视变换:将识别出的工程机械和施工人员,通过透视变换转化到真实坐标系中。对于透视变换的中心点,对于施工人员采用锚框底边中点作为人物的位置点;对于工程机械,采用机械主体部分锚框底边中点作为机械的位置点。透视变换具体过程如下,其中变换矩阵为HH,在摄像头坐标系中的坐标为X,在真实坐标系中坐标为X′,变换过程如下:
HX=X′
DeepSort追踪:采用DeepSort算法对人物行进轨迹追踪,从而获得人物运动轨迹。优选地,人物运动轨迹采用人物锚框的底边中点在视频各帧中的轨迹表式。
确定工程机械危险区域:根据工程机械中心位置点确定真实坐标系中其对应的危险区域。如图2所示,其中,工程机械的危险区域按照下述方法确定:对于挖掘机,其危险区域为以机械臂支点为圆心,机械臂作业长度为半径的圆形;对于卡车,其危险区域为卡车的视野盲区;对于布料机,其危险区域为以机械臂支点为圆心,机械臂作业长度为半径的圆形;对于叉车,其危险区域为以叉车前轮为圆心,工作装置长度为半径,左右各60°的扇形和后方的矩形;对于塔吊,其危险区域为以锚框中心点为圆心,悬臂长度为半径的圆形。
步骤4、将施工人员的跟踪轨迹数据输入至预先构建好的施工人员轨迹预测模型中,预测施工人员的行动轨迹。
该步骤构建施工人员轨迹预测模型的具体步为:
数据采集:拍摄施工人员现场行走视频,其中摄像头拍摄要求同步骤1中的要求。其中,每段拍摄视频应大于10s,不少于100段视频。
数据预处理:轨迹数据处理步骤包括透视变换,连续段截取,序列长度筛选,标准化,滚动切分。以行人锚框底边中点作为行人轨迹,将轨迹通过透视变换变换到真实坐标系下,形成若干个行人轨迹序列。进一步,用于训练的位置序列长度最小为16,对于每一条轨迹数据,其采用极大极小值方法进行归一化处理。进一步,以15作为输入序列长度,1作为输出序列长度,对原数据集进行滚动切分,划分训练集和测试集。
模型训练:采用LSTM网络架构,采用处理后的数据进行训练。
训练完成后构建好施工人员轨迹预测模型,
根据上述预测模型和迭代使用轨迹预测网络,对施工人员未来1-2s内的轨迹进行预测。
步骤5、基于预测的施工人员行动轨迹和所述危险区域,进行分析对比,获得入侵检测结果。
区域近似:首先,在真实坐标系中,若施工机械的危险区域是圆、椭圆等曲线围成的区域,则先对该区域进行离散化,将其边缘近似为多边形。若危险区域为矩形、正方形等多边形区域,则不采取措施。进一步,记录多边形的每一个点的坐标,采用有序点集的方式记录,作为待检测区域。
人员轨迹离散化:根据检测人员当前位置,以及轨迹预测模块中得到的未来1-2s的轨迹,从中等距提取10个轨迹点,作为待检测点。
入侵检测:对于每一个待检测点和待检测区域,采用射线法的方式判断点是否在待检测区域内,并且进行预警。
实施例2
本实施例提供与一种面向施工人机安全的动态入侵检测系统,如图3所示,该系统包括:
数据获取模块:用于实时获取施工现场图像数据,所述施工现场图像数据包括施工人员和每种工程机械图像数据;
识别模块:用于将所述施工现场图像数据输入至预先构建好的目标检测模型中,识别出施工人员和每种工程机械;
追踪模块:用于采用追踪算法对所述施工人员和每种工程机械进行轨迹跟踪,并实时划分每种工程机械的危险区域;
轨迹预测模块:用于将施工人员的跟踪轨迹数据输入至预先构建好的施工人员轨迹预测模型中,预测施工人员的行动轨迹;
入侵检测模块:用于基于预测的施工人员行动轨迹和所述危险区域,进行分析对比,获得入侵检测结果。
其余如实施例1所示。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种面向施工人机安全的动态入侵检测方法,其特征在于,包括以下步骤:
实时获取施工现场图像数据,所述施工现场图像数据中包括施工人员和每种工程机械;
将所述施工现场图像数据输入至预先构建好的目标检测模型中,识别出施工人员和每种工程机械;
采用追踪算法对所述施工人员和每种工程机械进行轨迹跟踪,并实时划分每种工程机械的危险区域;
将施工人员的跟踪轨迹数据输入至预先构建好的施工人员轨迹预测模型中,预测施工人员的行动轨迹;
基于预测的施工人员行动轨迹和所述危险区域,进行分析对比,获得入侵检测结果。
2.根据权利要求1所述的一种面向施工人机安全的动态入侵检测方法,其特征在于,所述目标检测模型采用YOLO进行训练。
3.根据权利要求1所述的一种面向施工人机安全的动态入侵检测方法,其特征在于,还包括采用透视变换将识别出的施工人员和每种工程机械的位置变换为真实坐标系下,并在所述真实坐标系下进行轨迹追踪。
4.根据权利要求3所述的一种面向施工人机安全的动态入侵检测方法,其特征在于,所述透视变换的表达式为:
HX=X′
式中,H为变换矩阵,X为摄像头坐标系中的坐标,X′为在真实坐标系中坐标。
5.根据权利要求1所述的一种面向施工人机安全的动态入侵检测方法,其特征在于,所述追踪算法为DeepSort算法。
6.根据权利要求1所述的一种面向施工人机安全的动态入侵检测方法,其特征在于,所述施工人员轨迹预测模型采用LSTM网络模型进行训练。
7.根据权利要求1所述的一种面向施工人机安全的动态入侵检测方法,其特征在于,所述获得入侵检测结果的具体步骤包括:
对所述危险区域进行几何近似处理,将危险区域转化为多边形区域,并记录多边形每一个点的坐标,形成有序的待检测区域;
将所述预测的施工人员行动轨迹进行离散化处理,获得待测轨迹点;
判断所述待测轨迹点是否在待检测区域内,获得入侵检测结果。
8.根据权利要求7所述的一种面向施工人机安全的动态入侵检测方法,其特征在于,采用射线法判断所述待测轨迹点是否在待检测区域内。
9.根据权利要求1所述的一种面向施工人机安全的动态入侵检测方法,其特征在于,还包括基于所述入侵检测结果,判断施工人员是否会在危险区域内,若是,则发出预警,若否,则不发出预警。
10.一种基于权利要求1-9任一所述的面向施工人机安全的动态入侵检测方法的检测系统,其特征在于,包括:
数据获取模块:用于实时获取施工现场图像数据,所述施工现场图像数据包括施工人员和每种工程机械图像数据;
识别模块:用于将所述施工现场图像数据输入至预先构建好的目标检测模型中,识别出施工人员和每种工程机械;
追踪模块:用于采用追踪算法对所述施工人员和每种工程机械进行轨迹跟踪,并实时划分每种工程机械的危险区域;
轨迹预测模块:用于将施工人员的跟踪轨迹数据输入至预先构建好的施工人员轨迹预测模型中,预测施工人员的行动轨迹;
入侵检测模块:用于基于预测的施工人员行动轨迹和所述危险区域,进行分析对比,获得入侵检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311247170.5A CN117152211A (zh) | 2023-09-25 | 2023-09-25 | 一种面向施工人机安全的动态入侵检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311247170.5A CN117152211A (zh) | 2023-09-25 | 2023-09-25 | 一种面向施工人机安全的动态入侵检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117152211A true CN117152211A (zh) | 2023-12-01 |
Family
ID=88886868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311247170.5A Pending CN117152211A (zh) | 2023-09-25 | 2023-09-25 | 一种面向施工人机安全的动态入侵检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152211A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372427A (zh) * | 2023-12-06 | 2024-01-09 | 南昌中展数智科技有限公司 | 基于视频分析的工程施工监管方法及系统 |
-
2023
- 2023-09-25 CN CN202311247170.5A patent/CN117152211A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372427A (zh) * | 2023-12-06 | 2024-01-09 | 南昌中展数智科技有限公司 | 基于视频分析的工程施工监管方法及系统 |
CN117372427B (zh) * | 2023-12-06 | 2024-03-22 | 南昌中展数智科技有限公司 | 基于视频分析的工程施工监管方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Full body pose estimation of construction equipment using computer vision and deep learning techniques | |
Xiao et al. | A target detection model based on improved tiny-yolov3 under the environment of mining truck | |
CN111392619B (zh) | 一种塔吊预警方法、装置、系统及存储介质 | |
CN112288770A (zh) | 基于深度学习的视频实时多目标检测与跟踪方法和装置 | |
CN117152211A (zh) | 一种面向施工人机安全的动态入侵检测方法和系统 | |
Xiao et al. | A vision-based method for automatic tracking of construction machines at nighttime based on deep learning illumination enhancement | |
Kavitha et al. | Pothole and object detection for an autonomous vehicle using yolo | |
Zhou et al. | Leveraging deep convolutional neural networks pre-trained on autonomous driving data for vehicle detection from roadside LiDAR data | |
CN104168444A (zh) | 一种跟踪球机的目标跟踪方法及跟踪球机 | |
Dong et al. | Intelligent segmentation and measurement model for asphalt road cracks based on modified mask R-CNN algorithm | |
Wang et al. | Pedestrian abnormal event detection based on multi-feature fusion in traffic video | |
CN115082849B (zh) | 基于深度学习的模板支架安全智能监测方法 | |
CN115311617A (zh) | 城轨车站区域客流信息获取方法及系统 | |
Joseph et al. | Systematic advancement of YOLO object detector for real-time detection of objects | |
CN116311081B (zh) | 一种基于图像识别的医学实验室监控图像分析方法和系统 | |
Lincy et al. | Road Pothole Detection System | |
CN114495421B (zh) | 智能化开放式道路施工作业监测预警方法及系统 | |
CN113807224B (zh) | 一种工厂违规行为检测跟踪方法 | |
Kim et al. | Small object detection (SOD) system for comprehensive construction site safety monitoring | |
Mu et al. | Small scale dog face detection using improved Faster RCNN | |
Xu et al. | Vision-IMU based obstacle detection method | |
Denman et al. | Multi-view intelligent vehicle surveillance system | |
Sun et al. | A novel method of symbolic representation in diving data mining: A case study of highways in China | |
CN116977920B (zh) | 一种多区域类型多推理预警机制的临界防护方法 | |
Jia et al. | TBM tunnel surrounding rock debris detection based on improved YOLO v8 |
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 |