CN117636472A - 一种安全帽及安全服穿戴行为智能检测方法 - Google Patents
一种安全帽及安全服穿戴行为智能检测方法 Download PDFInfo
- Publication number
- CN117636472A CN117636472A CN202311664063.2A CN202311664063A CN117636472A CN 117636472 A CN117636472 A CN 117636472A CN 202311664063 A CN202311664063 A CN 202311664063A CN 117636472 A CN117636472 A CN 117636472A
- Authority
- CN
- China
- Prior art keywords
- safety
- wearing
- box
- equal
- condition data
- 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 69
- 230000006399 behavior Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 20
- 101100518501 Mus musculus Spp1 gene Proteins 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Landscapes
- Helmets And Other Head Coverings (AREA)
Abstract
本发明公开了一种安全帽及安全服穿戴行为智能检测方法,涉及视觉识别技术领域,包括S1、采集正确穿戴安全穿戴物的待标注图片数据集;S2、对待标注图片进行施工人员及其穿戴标注,得到已标注图片集;S3、导入已标注图片集通过YOLOv5算法进行训练获取穿戴分析模型;S4、将分析模型部署到服务器中作为最优参数模型;S5、设立图像检测面域,建立人体识别检测摄像装置,创建固定检测区域和显示设备;S6、将检测区域内的视频流数据进行解析,将多帧图像输入最优参数模型中;S7、根据长短记忆算法得到时间段内对像的穿戴判断结果;S8、穿戴物未安全穿戴时显示设备报警并将该图像视频信息上传至云平台,能够及时发现未安全穿戴行为的施工人员并进行告警。
Description
技术领域
本发明涉及视觉识别技术领域,具体为一种安全帽及安全服穿戴行为智能检测方法。
背景技术
随着人们安全意识的不断提高,由于在建筑工地、电厂、化工工作现场等地作业时,场景环境较为复杂,存在着威胁人身安全的各种因素,因此上述场合中工作人员均要求佩戴安全帽以及穿着安全服。
然而总是存在某些施工人员在工作时忘记穿戴安全装备,增加施工过程中的安全隐患。为减少安全事故的发生,施工现场常装有监控设备,安排工作人员对现场施工人员进行实时监控,这种方式经常是人力监控多个画面,个人精力的衰减、疏忽往往会忽略潜在危险,这种方法并不能有效避免安全事故的发生,同时还占用了大量的人力物力,所以如何对工作现场中未正确安全穿戴安全装备的人员进行检测并报警提示,降低施工过程中的安全隐患,同时降低误检及漏检的情况甚为必要。
因此,针对现有技术的不足,提出了一种安全帽及安全服穿戴行为智能检测方法,以便于解决上述中提出的问题。
发明内容
本发明的目的在于提供一种安全帽及安全服穿戴行为智能检测方法,以解决上述背景技术提出的问题。
为实现上述目的,本发明提供如下技术方案:一种安全帽及安全服穿戴行为智能检测方法,包括以下步骤:
S1、采集正确穿戴安全穿戴物的待标注图片数据集;
S2、对采集到的待标注图片进行施工人员及其穿戴标注,得到多个标准穿戴物区域框信息已标注图片集;
S3、导入多个标准穿戴物区域框信息图片通过YOLOv5算法进行训练获取穿戴分析模型;
S4、将所述分析模型部署到服务器中,由服务器加载作为最优参数模型;
S5、设立图像检测面域,建立人体识别检测摄像装置,创建固定检测区域和显示设备;
S6、将检测区域内的视频流数据进行解析,得到多帧图像,分别将多帧图像依次输入最优参数模型中得到穿戴物边框信息和对象框信息,两者自动进行对比识别,得到穿戴行为情况数据;
S7、根据长短记忆算法统计S6中的穿戴行为情况数据的时长,得到时间段内对像的穿戴判断结果;
所述标准穿戴物区域框信息包括标准穿戴物区域框的中心点坐标、框高和框宽,所述长短记忆算法包括有长记忆结构和短记忆结构,所述长记忆结构用于记录T1时间段内的安全穿戴情况数据,所述短记忆结构用于记录T2时间段内的安全穿戴情况数据,存在T1>T2>0;
S8、穿戴物安全穿戴时显示设备正常显示,穿戴物未安全穿戴时显示设备报警并将该图像视频信息上传至云平台。
优选的,所述S5中图像检测面域为初始设定区域值,指定施工场地施工人员的所在区域,区域面值设置为15㎡-30㎡与人体识别检测摄像装置设定的可活动拍摄区域相匹配。
优选的,所述S5中显示设备由显示器、蜂鸣器或警报灯组成。
优选的,所述穿戴物为安全服和安全帽;所述S6包括有:
S601、将检测区域内的视频流数据进行解析,得到多帧图像;
S602、分别将多帧图像依次输入最优参数模型中得到对应的安全服、安全帽及对象分别对应的class、score和box,其中class为类别信息,score为识别目标的置信度,box为识别目标的边框信息(x,y,w,h)其中x为边框中心点的x轴坐标,y为边框中心点的y轴坐标,w为边框的宽,h为边框的高;
S603、分别将score与置信阈值θ对比,当score<θ时则判定为误检目标,并删除对应的box;当score≥θ时则判定为检测目标,并进入S604中,其中0.5≤θ≤0.8;
S604、将检测目标的安全服的box与对像的box进行匹配得到安全服的安全穿戴情况数据,将检测目标的安全帽的box与对像的box进行匹配得到安全帽的安全穿戴情况数据。
优选的,所述将检测目标的安全服的box与对像的box进行匹配得到安全服的安全穿戴情况数据具体为,将安全服的box与对像的box交集面积S(box_p)∩(box_c)和面积阈值η1与安全服的box的乘积η1*Sbox_c进行对比,当S(box_p)∩(box_c)≥η1*Sbox_c时,则判定为存在安全服穿戴情况数据,当S(box_p)∩(box_c)<η1*Sbox_c则判定为不存在安全服穿戴情况数据,其中0.5≤η1≤0.8。
优选的,所述将检测目标的安全帽的box与对像的box进行匹配得到安全帽的安全穿戴情况数据具体为,将对像的box的边框高向y轴正方向拓展λ倍得到拓展后对像的box,将安全帽的box与拓展后对像的box交集面积S(box_p)∩(box_h)和面积阈值η2与安全帽的box的乘积η2*Sbox_h进行对比,当S(box_p)∩(box_h)≥η2*Sbox_h时,则判定为存在安全帽穿戴情况数据,当S(box_p)∩(box_h)<η2*Sbox_h则判定为不存在安全帽穿戴情况数据,其中0.5≤η2≤0.8,0.2≤λ≤0.5。
优选的,所述S7具体是根据长短记忆算法记录T时间段内S6的安全穿戴情况数据的累计时长t,当t≥αT时,则判断存在安全穿戴物;当t<αT时则判断不存在安全穿戴物,其中α为时间阀值,且0.1<α<0.9,且T≥t>0。
优选的,当视频流数据的时长小于T1时,记录T2时间段内S6的安全穿戴情况数据的累计时长t,当t≥αT2时判断结果为对像穿戴有安全穿戴物;当t<αT2时判断结果为对像没有穿戴安全穿戴物并发出告警;当视频流数据存在对像框信息的时长小于T1时,记录T2时间段内S6的安全穿戴情况数据的累计时长t,当t≥αT2时判断结果为对像穿戴有安全穿戴物;当t<αT2时判断结果为对像没有穿戴安全穿戴物并发出告警;当视频流数据的时长大于或者等于T1时,记录T1时间段内S6的安全穿戴情况数据的累计时长t,当t≥αT1时判断结果为对像穿戴有安全穿戴物;当t<αT1时判断结果为对像没有穿戴安全穿戴物并发出告警。
优选的,所述θ为0.65,T1为10秒,T2为5秒,α为0.5,所述η1和η2都为0.6,所述λ为0.3。
与现有技术相比,本发明的有益效果是:
本发明通过人体识别检测摄像装置对施工人员进行人体识别并实时监控,将采集到的视频流数据得以时间段内对像的穿戴判断结果,通过长短记忆算法,根据一段时间内的对像的穿戴情况对应启动长记忆算法结构或短记忆算法结构,避免因目标变形、突然运动、背景杂波、遮挡、视频丢帧等引起的误检、漏检安全服及安全帽,大大降低了误检、漏检安全服及安全帽产生的告警数量,合理输出告警信息,具有判断准确的特点,并将告警数据及所引起告警数据的图像信息上传至云平台,作为后续管理依据。
附图说明
图1为本发明一种安全帽及安全服穿戴行为智能检测方法流程图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例1:如图1所示,本发明所述安全帽及安全服穿戴行为智能检测方法,包括如下步骤:S1、采集正确穿戴安全穿戴物的待标注图片数据集;
S2、对采集到的待标注图片进行施工人员及其穿戴标注,得到多个标准穿戴物区域框信息已标注图片集;
S3、导入多个标准穿戴物区域框信息图片通过YOLOv5算法进行训练获取穿戴分析模型;
S4、将所述分析模型部署到服务器中,由服务器加载作为最优参数模型;
S5、设立图像检测面域,建立人体识别检测摄像装置,创建固定检测区域和显示设备;
S6、将检测区域内的视频流数据进行解析,得到多帧图像,分别将多帧图像依次输入最优参数模型中得到穿戴物边框信息和对象框信息,两者自动进行对比识别,得到穿戴行为情况数据;
S7、根据长短记忆算法统计S6中的穿戴行为情况数据的时长,得到时间段内对像的穿戴判断结果;
所述标准穿戴物区域框信息包括标准穿戴物区域框的中心点坐标、框高和框宽,所述长短记忆算法包括有长记忆结构和短记忆结构,所述长记忆结构用于记录T1时间段内的安全穿戴情况数据,所述短记忆结构用于记录T2时间段内的安全穿戴情况数据,存在T1>T2>0;
S8、穿戴物安全穿戴时显示设备正常显示,穿戴物未安全穿戴时显示设备报警并将该图像视频信息上传至云平台。
其中,S5中图像检测面域为初始设定区域值,指定施工场地施工人员的所在区域,区域面值设置为15㎡-30㎡与人体识别检测摄像装置设定的可活动拍摄区域相匹配,显示设备由显示器、蜂鸣器或警报灯组成,穿戴物为安全服和安全帽。
其中,S601、将检测区域内的视频流数据进行解析,得到多帧图像;
S602、分别将多帧图像依次输入最优参数模型中得到对应的安全服、安全帽及对象分别对应的class、score和box,其中class为类别信息,score为识别目标的置信度,box为识别目标的边框信息(x,y,w,h)其中x为边框中心点的x轴坐标,y为边框中心点的y轴坐标,w为边框的宽,h为边框的高;
S603、分别将score与置信阈值θ对比,当score<θ时则判定为误检目标,并删除对应的box;当score≥θ时则判定为检测目标,并进入S604中,其中0.5≤θ≤0.8;其中置信阈值θ具体为0.65,当score小于0.65,则判定为误检目标。
S604、将检测目标的安全服的box与对像的box进行匹配得到安全服的安全穿戴情况数据,将检测目标的安全帽的box与对像的box进行匹配得到安全帽的安全穿戴情况数据。
其中,将检测目标的安全服的box与对像的box进行匹配得到安全服的安全穿戴情况数据具体为,将安全服的box与对像的box交集面积S(box_p)∩(box_c)和面积阈值η1与安全服的box的乘积η1*Sbox_c进行对比,当S(box_p)∩(box_c)≥η1*Sbox_c时,则判定为存在安全服穿戴情况数据,当S(box_p)∩(box_c)<η1*Sbox_c则判定为不存在安全服穿戴情况数据,其中0.5≤η1≤0.8。
其中,将检测目标的安全帽的box与对像的box进行匹配得到安全帽的安全穿戴情况数据具体为,将对像的box的边框高向y轴正方向拓展λ倍得到拓展后对像的box,将安全帽的box与拓展后对像的box交集面积S(box_p)∩(box_h)和面积阈值η2与安全帽的box的乘积η2*Sbox_h进行对比,当S(box_p)∩(box_h)≥η2*Sbox_h时,则判定为存在安全帽穿戴情况数据,当S(box_p)∩(box_h)<η2*Sbox_h则判定为不存在安全帽穿戴情况数据,其中0.5≤η2≤0.8,0.2≤λ≤0.5,其中η1和η2都具体为0.6,λ为0.3。
本发明穿戴物为安全服和安全帽,待标注图片数据集包括有对像穿戴有安全服图像和对像穿戴有安全帽图像,然后分别对每张待标注图片标注出图像中对像、安全服和安全帽的区域框信息,视频流数据采集通过固定到固定位置的人体识别摄像设备,先对该区域内施工人员进行人体识别,然后将视频流数据将采集到的图像信息与服务器中最优模型进行对比计算,计算得到安全帽的box和安全服的box与对像的box的交集面积,判定穿戴行为情况数据,能较准确地反映真实的穿戴情况。
实施例2:其他特征与实施例1相同,进一步的,S7具体是根据长短记忆算法记录T时间段内S6的安全穿戴情况数据的累计时长t,当t≥αT时,则判断存在安全穿戴物;当t<αT时则判断不存在安全穿戴物,其中α为时间阀值,且0.1<α<0.9,且T≥t>0。
进一步的,当视频流数据的时长小于T1时,记录T2时间段内S6的安全穿戴情况数据的累计时长t,当t≥αT2时判断结果为对像穿戴有安全穿戴物;当t<αT2时判断结果为对像没有穿戴安全穿戴物并发出告警;当视频流数据存在对像框信息的时长小于T1时,记录T2时间段内S6的安全穿戴情况数据的累计时长t,当t≥αT2时判断结果为对像穿戴有安全穿戴物;当t<αT2时判断结果为对像没有穿戴安全穿戴物并发出告警;当视频流数据的时长大于或者等于T1时,记录T1时间段内S6的安全穿戴情况数据的累计时长t,当t≥αT1时判断结果为对像穿戴有安全穿戴物;当t<αT1时判断结果为对像没有穿戴安全穿戴物并发出告警。
其中,T1为10秒,T2为5秒,α为0.5。
当视频流数据的时长小于10秒时,记录5秒时间段内S6的安全穿戴情况数据的累计时长t,当t≥2.5秒时判断结果为对像穿戴有安全穿戴物;当t<2.5秒判断结果为对像没有穿戴安全穿戴物并发出告警并将该图像信息上传至云平台作为后续管理依据,也就是说,记录人员在5秒内戴安全服及安全帽情况,当人员5s内累计超过一半时间未穿戴安全服及安全帽即产生告警,作为后续管理依据;当视频流数据存在对像框信息的时长小于10秒时,记录5秒时间段内S6的安全穿戴情况数据的累计时长t,当t≥2.5秒时判断结果为对像穿戴有安全穿戴物;当t<2.5秒时判断结果为对像没有穿戴安全穿戴物并发出告警并将该图像信息上传至云平台作为后续管理依据,也就是说,当视频分析连续10秒内未检测到人,当人员重新出现时,记忆人员5秒内穿戴安全服及安全帽情况,当人员5秒内累计超过一半时间未穿戴安全服及安全帽即产生告警并将该图像信息上传至云平台作为后续管理依据;当视频流数据的时长大于或者等于10秒时,记录10秒时间段内S6的安全穿戴情况数据的累计时长t,当t≥5秒时判断结果为对像穿戴有安全穿戴物;当t<5秒时判断结果为对像没有穿戴安全穿戴物并发出告警并将该图像信息上传至云平台作为后续管理依据。当视频分析时长大于10秒时,记忆人员10秒内穿戴安全服及安全帽情况,当人员10秒内累计超过一半时间未穿戴安全服及安全帽即产生告警并将该图像信息上传至云平台作为后续管理依据,该安全帽及安全服穿戴行为检测方法能有效避免因目标变形、突然运动、背景杂波、遮挡、视频丢帧等引起的误检或者漏检安全穿戴物的情况,具有判断准确的优点,整体实现对施工区域内优先进行施工人员人体识别后,然后对施工人员的安全帽以及安全服穿戴区域进行识别其是否有安全正确穿戴,如无,则显示设备发出告警情况并将该施工人员图像信息上传至云平台,作为后续管理依据,同时在识别过程中采用长短记忆算法,使识别过程能够更加准确。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种安全帽及安全服穿戴行为智能检测方法,其特征在于:包括以下步骤:
S1、采集正确穿戴安全穿戴物的待标注图片数据集;
S2、对采集到的待标注图片进行施工人员及其穿戴标注,得到多个标准穿戴物区域框信息已标注图片集;
S3、导入多个标准穿戴物区域框信息图片通过YOLOv5算法进行训练获取穿戴分析模型;
S4、将所述分析模型部署到服务器中,由服务器加载作为最优参数模型;
S5、设立图像检测面域,建立人体识别检测摄像装置,创建固定检测区域和显示设备;
S6、将检测区域内的视频流数据进行解析,得到多帧图像,分别将多帧图像依次输入最优参数模型中得到穿戴物边框信息和对象框信息,两者自动进行对比识别,得到穿戴行为情况数据;
S7、根据长短记忆算法统计S6中的穿戴行为情况数据的时长,得到时间段内对像的穿戴判断结果;
所述标准穿戴物区域框信息包括标准穿戴物区域框的中心点坐标、框高和框宽,所述长短记忆算法包括有长记忆结构和短记忆结构,所述长记忆结构用于记录T1时间段内的安全穿戴情况数据,所述短记忆结构用于记录T2时间段内的安全穿戴情况数据,存在T1>T2>0;
S8、穿戴物安全穿戴时显示设备正常显示,穿戴物未安全穿戴时显示设备报警并将该图像视频信息上传至云平台。
2.根据权利要求1所述的安全帽及安全服穿戴行为智能检测方法,其特征在于:所述S5中图像检测面域为初始设定区域值,指定施工场地施工人员的所在区域,区域面值设置为15㎡-30㎡与人体识别检测摄像装置设定的可活动拍摄区域相匹配。
3.根据权利要求3所述的安全帽及安全服穿戴行为智能检测方法,其特征在于:所述S5中显示设备由显示器、蜂鸣器或警报灯组成。
4.根据权利要求1所述的安全帽及安全服穿戴行为智能检测方法,其特征在于:所述穿戴物为安全服和安全帽;所述S6包括有:
S601、将检测区域内的视频流数据进行解析,得到多帧图像;
S602、分别将多帧图像依次输入最优参数模型中得到对应的安全服、安全帽及对象分别对应的class、score和box,其中class为类别信息,score为识别目标的置信度,box为识别目标的边框信息(x,y,w,h)其中x为边框中心点的x轴坐标,y为边框中心点的y轴坐标,w为边框的宽,h为边框的高;
S603、分别将score与置信阈值θ对比,当score<θ时则判定为误检目标,并删除对应的box;当score≥θ时则判定为检测目标,并进入S604中,其中0.5≤θ≤0.8;
S604、将检测目标的安全服的box与对像的box进行匹配得到安全服的安全穿戴情况数据,将检测目标的安全帽的box与对像的box进行匹配得到安全帽的安全穿戴情况数据。
5.根据权利要求4所述的安全帽及安全服穿戴行为智能检测方法,其特征在于:所述将检测目标的安全服的box与对像的box进行匹配得到安全服的安全穿戴情况数据具体为,将安全服的box与对像的box交集面积S(box_p)∩(box_c)和面积阈值η1与安全服的box的乘积η1*Sbox_c进行对比,当S(box_p)∩(box_c)≥η1*Sbox_c时,则判定为存在安全服穿戴情况数据,当S(box_p)∩(box_c)<η1*Sbox_c则判定为不存在安全服穿戴情况数据,其中0.5≤η1≤0.8。
6.根据权利要求5所述的安全帽及安全服穿戴行为智能检测方法,其特征在于:所述将检测目标的安全帽的box与对像的box进行匹配得到安全帽的安全穿戴情况数据具体为,将对像的box的边框高向y轴正方向拓展λ倍得到拓展后对像的box,将安全帽的box与拓展后对像的box交集面积S(box_p)∩(box_h)和面积阈值η2与安全帽的box的乘积η2*Sbox_h进行对比,当S(box_p)∩(box_h)≥η2*Sbox_h时,则判定为存在安全帽穿戴情况数据,当S(box_p)∩(box_h)<η2*Sbox_h则判定为不存在安全帽穿戴情况数据,其中0.5≤η2≤0.8,0.2≤λ≤0.5。
7.根据权利要求1所述的安全帽及安全服穿戴行为智能检测方法,其特征在于:所述S7具体是根据长短记忆算法记录T时间段内S6的安全穿戴情况数据的累计时长t,当t≥αT时,则判断存在安全穿戴物;当t<αT时则判断不存在安全穿戴物,其中α为时间阀值,且0.1<α<0.9,且T≥t>0。
8.根据权利要求7所述的安全帽及安全服穿戴行为智能检测方法,其特征在于:当视频流数据的时长小于T1时,记录T2时间段内S6的安全穿戴情况数据的累计时长t,当t≥αT2时判断结果为对像穿戴有安全穿戴物;当t<αT2时判断结果为对像没有穿戴安全穿戴物并发出告警;当视频流数据存在对像框信息的时长小于T1时,记录T2时间段内S6的安全穿戴情况数据的累计时长t,当t≥αT2时判断结果为对像穿戴有安全穿戴物;当t<αT2时判断结果为对像没有穿戴安全穿戴物并发出告警;当视频流数据的时长大于或者等于T1时,记录T1时间段内S6的安全穿戴情况数据的累计时长t,当t≥αT1时判断结果为对像穿戴有安全穿戴物;当t<αT1时判断结果为对像没有穿戴安全穿戴物并发出告警。
9.根据权利要求4-8任一所述的安全帽及安全服穿戴行为智能检测方法,其特征在于:所述θ为0.65,T1为10秒,T2为5秒,α为0.5,所述η1和η2都为0.6,所述λ为0.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311664063.2A CN117636472A (zh) | 2023-12-06 | 2023-12-06 | 一种安全帽及安全服穿戴行为智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311664063.2A CN117636472A (zh) | 2023-12-06 | 2023-12-06 | 一种安全帽及安全服穿戴行为智能检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117636472A true CN117636472A (zh) | 2024-03-01 |
Family
ID=90024997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311664063.2A Pending CN117636472A (zh) | 2023-12-06 | 2023-12-06 | 一种安全帽及安全服穿戴行为智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117636472A (zh) |
-
2023
- 2023-12-06 CN CN202311664063.2A patent/CN117636472A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545224B (zh) | 变电站人员行为识别的方法及装置 | |
CN111144263A (zh) | 一种建筑工人高坠事故预警方法及装置 | |
CN110263686A (zh) | 一种基于深度学习的施工工地图像安全帽检测方法 | |
CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
CN209543514U (zh) | 基于人脸识别的监控与报警系统 | |
CN112488483A (zh) | 一种基于ai技术的ehs透明管理系统及管理方法 | |
CN111062303A (zh) | 图像处理方法、系统及计算机存储介质 | |
CN110867046A (zh) | 一种基于云计算的智能洗车机视频监控预警系统 | |
CN111126217A (zh) | 基于智能识别的输电线路智能运维管理系统 | |
CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及系统 | |
CN112800901A (zh) | 一种基于视觉感知的矿山人员安全检测方法 | |
CN111277748A (zh) | 一种基于视频智能分析的工地动火管理系统及其实施方法 | |
CN113206978A (zh) | 油气管道站场安防智能监控预警系统及方法 | |
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 | |
CN111259855A (zh) | 基于深度学习的移动式安全帽佩戴检测方法 | |
CN113506416A (zh) | 一种基于智能视觉分析的工程异常预警方法及系统 | |
CN111325119A (zh) | 一种安全生产的视频监控方法及系统 | |
CN116862244B (zh) | 一种工业现场视觉ai分析与安全预警系统和方法 | |
CN113314230A (zh) | 基于大数据的智能防疫方法、装置、设备及存储介质 | |
CN115376268B (zh) | 一种基于图像识别的监控报警消防联动系统 | |
CN117636472A (zh) | 一种安全帽及安全服穿戴行为智能检测方法 | |
CN116823529A (zh) | 一种基于行为大数据分析的安防智能管理系统 | |
CN115841730A (zh) | 视频监控系统、异常事件检测方法 | |
KR20230097854A (ko) | 발전소내 작업자의 위험행동 인지방법 및 시스템 | |
CN113256934A (zh) | 一种高空作业人员安全检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |