CN108038424A - 一种适用于高空作业的视觉自动化检测方法 - Google Patents

一种适用于高空作业的视觉自动化检测方法 Download PDF

Info

Publication number
CN108038424A
CN108038424A CN201711207164.1A CN201711207164A CN108038424A CN 108038424 A CN108038424 A CN 108038424A CN 201711207164 A CN201711207164 A CN 201711207164A CN 108038424 A CN108038424 A CN 108038424A
Authority
CN
China
Prior art keywords
working
height
steeplejack
detection method
automated detection
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
Application number
CN201711207164.1A
Other languages
English (en)
Other versions
CN108038424B (zh
Inventor
丁烈云
方伟立
刘伊
骆汉宾
钟波涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201711207164.1A priority Critical patent/CN108038424B/zh
Publication of CN108038424A publication Critical patent/CN108038424A/zh
Application granted granted Critical
Publication of CN108038424B publication Critical patent/CN108038424B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于建筑工程信息化相关技术领域，其公开了适用于高空作业的视觉自动化检测方法，该方法包括以下步骤：(1)通过工地的视频监控来采集高空作业工人的图像数据以形成高空作业数据集；(2)对所述高空作业数据集内的图像数据进行标注，以用于高空作业工人的识别；(3)采用标注后的所述图像数据对高空作业的Faster R‑CNN模型进行训练，以得到能检测到高空作业工人的Faster R‑CNN模型；(4)将所述Faster R‑CNN模型与深度神经网络相结合来分类及识别高空作业人员是否佩戴安全带。本发明降低了成本，灵活性较高，适用性较强，且具有较高的自动化程度。

Description

一种适用于高空作业的视觉自动化检测方法
技术领域
本发明属于建筑工程信息化相关技术领域，更具体地，涉及一种适用于高空作业的视觉自动化检测方法。
背景技术
由于施工环境的动态性及复杂性，保障建筑工人在施工作业中的安全是一个普遍而富有挑战的问题。尽管有法律法规的不断完善，监管力度的持续加大，行业工作人员的不懈努力来改善这一问题，建筑过程中的事故和死亡人数仍旧居高不下。所有施工事故中高处坠落是占48％的严重伤害事故和30％多的死亡事故的原因。为了预防高处坠落，中国的基本安全规则之一是：工人在超过2米的高度应使用防坠落设备工作。但是，在建筑工地高处坠落仍屡见不鲜，因为工人鲜少使用安全带。可见，检测及提醒工人在建筑工地高处使用安全带是至关重要的。
最初检查工人正确佩戴安全带是基于现场检查，由于完全依赖于人工，存在耗时、耗费人力、具有主观性等缺陷。目前，本领域相关技术人员基于机器视觉的施工方法进行了研究，使现场检测自动化，包括工人跟踪、进度监控、产能分析、施工安全等。其中，许多学者应用传感技术(如RFID，UWB，GPS)定位和跟踪检测对象，但需要在每个检测对象上安装检测设备，一定程度上会影响工人的正常作业；并且设备数量多，不利于维护管理。相应地，本领域存在发展一种成本较低的适用于高空作业的视觉自动化检测方法的技术需求。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种适用于高空作业的视觉自动化检测方法，其基于现有的检测高空作业工人是否佩戴安全带的特点，研究及设计了一种成本较低且不影响高空作业工人工作的适用于高空作业的视觉自动化检测方法。该视觉自动化检测方法通过工地的视频监控来采集高空作业工人的图像数据以形成高空作业数据集，由于建筑工地视频监控的广泛使用，数据采集基于大量工程视频而极大地降低了成本。此外，基于视频的图像数据为特征识别，能实现施工中连续地不安全行为的捕捉，Faster R-CNN模型基于数据集可以自动提取来自视频中的高空作业工人安全带的佩戴特征。
为实现上述目的，本发明提供了一种适用于高空作业的视觉自动化检测方法，所述视觉自动化检测方法包括以下步骤：
(1)通过工地的视频监控来采集高空作业工人的图像数据以形成高空作业工人数据集；
(2)对所述高空作业数据集内的图像数据进行标注，以用于高空作业工人的识别；
(3)采用标注后的所述图像数据对高空作业的Faster R-CNN模型进行训练，以得到能检测到高空作业工人的Faster R-CNN模型；
(4)将所述Faster R-CNN模型与深度神经网络相结合来分类及识别高空作业人员是否佩戴安全带。
进一步地，手动对所述高空作业数据集内的图像数据进行标注。
进一步地，步骤(2)中，首先，依据有无高空作业人员对所述图像数据采用类0-1进行标注；接着，利用labellme程序对高空作业工人进行手动数据标注；之后，将矩形框的坐标及对应的标签保存到XML文件内，以供使用。
进一步地，步骤(3)中，所述Faster R-CNN的核心模块RPN采用n×n个空间窗口，提取到标注后的图像数据的最后一个卷积层的特征图，以生成对象边界框；接着，将所述对象边界框映射到256维矢量，以生成分类层及回归层，即作为两个全连接层的输入；当所述对象边界框到达卷积特征矩阵的末端时，所述分类层输出RPN引入的锚点属于前景或者背景的概率的2k评分，所述回归层输出对象边界框的4k坐标，由此获得存在高空作业工人的候选区域框，以便进行回归预测。
进一步地，所述分类层用于提供检测对象分类，所述回归层用于提供检测对象选定框的判断。
进一步地，所述RPN中引入了所述锚点，所述锚点设置在每个对象边界框的中心，以处理不同尺度和长宽比的对象。
进一步地，所述深度神经网络由五个卷积层、三个全连接层和一个分级层组成。
进一步地，在分类及识别高空作业人员是否佩戴安全带的过程中使用的Softmax函数表示为概率函数。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的适用于高空作业的视觉自动化检测方法主要具有以下有益效果：
1.通过工地的视频监控来采集高空作业工人的图像数据以形成高空作业数据集，由于建筑工地视频监控的广泛使用，数据采集基于大量工程视频而极大地降低了成本；
2.基于视频的图像数据为特征识别，能实现施工中连续地不安全行为的捕捉，Faster R-CNN模型基于数据集可以自动提取来自视频中的高空作业工人安全带的佩戴特征；
3.深度神经网络自动识别工人行为，使用方便，为该方法的广泛应用提供了基础，同时由于该方法不依赖专家经验和人为判断，具有一定的客观性；
4.监督安全行为的同时，不影响高空作业工人的活动，且节省了时间和经费，实现了自动化现场安全管理。
附图说明
图1是本发明较佳实施方式提供的适用于高空作业的视觉自动化检测方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1，本发明较佳实施方式提供的适用于高空作业的视觉自动化检测方法，所述视觉自动化检测方法结合了Faster R-CNN及深度神经网络，基于视频图像来对高空作业工人是否佩戴安全带进行检测。其中，由于建筑工地视频监控的广泛使用，使得图像数据的采集成本较低，且不会影响高空作业工人的工作，灵活性较高。
所述的适用于高空作业的视觉自动化检测方法主要包括以下步骤：
步骤一，通过工地的视频监控来采集高空作业工人的图像数据以形成高空作业数据集。
具体地，所述图像数据是通过工地视频监控获得的，即图像数据的采集是基于大量工程视频的，无需设置特别的图像数据获取设备，降低了成本。所述图像数据包括佩戴有安全带的高空作业工人的图像及没有佩戴安全带的高空作业工人的图像。
本实施方式中，建立所述高空作业数据集时收集了770张高空作业工人图像，还收集了在不同高度工作的从事焊接钢梁和钢筋的工人录像，同时考虑了不同的视图、尺度、遮挡和光照；693个随机选择的佩戴安全带的工人图像和5000多个没有佩戴安全带的工人图像被用来提取和概括在训练阶段的图像特征，并随机选取77幅包含不同尺度、遮挡、光照等特征的图像作业测试数据。
步骤二，对所述高空作业数据集内的图像数据进行标注，以用于高空作业工人的识别。
具体地，首先，手动依据有无高空作业人员对所述图像数据采用类0-1进行标注；接着，利用labellme程序对高空作业工人进行手动数据标注；之后，将矩形框的坐标及对应的标签保存到XML文件内，以供使用。
步骤三，采用标注后的所述图像数据对高空作业的Faster R-CNN模型进行训练，以得到能检测到高空作业工人的Faster R-CNN模型。
具体地，RPN是Faster R-CNN的核心模块，RPN采用n×n个空间窗口，提取到标注后的图像数据的最后一个卷积(Conv)层的特征图，以生成对象边界框；接着，将所述对象边界框映射到256维矢量，以生成分类(cls)层及回归(cls)层，即作为两个全连接(fc)层的输入。其中，所述分类层提供检测对象/非检测对象的概率，所述回归层提供检测对象边界框(Bbox)的坐标；之后，当所述对象边界框到达卷积特征矩阵的末端时，所述分类层输出RPN引入的锚点属于前景或者背景的概率的2k评分，所述回归层输出对象边界框的4k坐标，由此获得存在高空作业工人的候选区域框，以便进行回归预测。
本实施方式中，为了处理不同尺度和长宽比的对象，在RPN中引入锚点，在映射的每个滑动位置处，将锚点定在每个对象边界框的中心，其中设置三个不同的尺度(1282，2562，5122)和纵横比(1：1，1：2，2：1)，并且在每个位置放置了k＝9个锚点，每个对象边界框都被参数化以对应于锚点。如果最后一个卷积层中的特征映射的大小是H×W，那么特征映射中可能的提议的数量将是H×W×k。
步骤四，将所述Faster R-CNN模型与深度神经网络相结合来分类及识别高空作业人员是否佩戴安全带。
具体地，采用深度神经网络可以学习通过正向传播及梯度以及其他过程对所述候选区域框内的工人是否佩戴安全带进行分类及识别，以检测出高空作业工人是否佩戴安全带。
对高空作业工人是否佩戴安全带的识别过程中，在检测到高空作业工人后，可以通过所述XML文件获得该高空作业工人所在的候选区域框的坐标，Faster R-CNN的输出为OF：[[p,x1,y1,x2,y2]1[p,x1,y1,x2,y2]2…[p,x1,y1,x2,y2]n]；
当i在范围(长度(OF))内：D[i]＝I[x1 (i):x2 (i),y1 (i):y2 (i),:]；
其中，p是分类结果的置信度；(x1，y1)是矩形的左上坐标；(x2，y2)是矩形的右下坐标；n是检测到的人数；I是原始图像三维矩阵(长，宽，RGB)；D是输出检测人体图像矩阵的汇编。
候选区域框的像素可以作为输入用crop方法输入到深度神经网络中，图像中的安全带可以手动识别为正训练样本，当深度神经网络接受输入图像的原始像素时，输出识别结果。
以所述深度学习网络的第一卷积层为例，其输入尺寸为227×227×3的图像，使用96个尺寸为11×11的滤波器，总共96个尺寸为55×55可以使用卷积方程(1)来获得，然后输出第一卷积层的结果，在第一个池化层下，其输入是96个大小为55×55的特征图，在以3×3的池化向量进行降维之后，获得96个尺寸为27×27的特征向量。一维向量的输出通过全连接的方式，连接一个Softmax层。
所述深度神经网络由五个卷积层、三个全连接层和一个Softmax分级层组成，在分类过程中使用的Softmax函数表示为概率函数。所述深度神经网络的每个层的处理和输出尺寸不同，其接受输入图像的原始像素，并最终以概率向量的形式产生输出。
其中，P代表m个训练样本中的第i个训练示例，n个类中的第j个类，以及权重W代表Softmax分级层的输入。
在特征提取过程中，网络卷积层和池化层的实现起着至关重要的作用。卷积层是用于通过设置滤波器或卷积核来形成特征向量的提取。对于每一层，正向传播阶段上一层输出后的卷积运算和激活的函数形式为：
其中，f是激活函数，bk是该特征映射的偏差值，Wk是连接到第k个特征映射的内核的值。
池化层的输入通常是从以前的卷积层的输出中导出的，它的主要功能是保持平移不变(如旋转，平移和展开)，减少参数的数量以防止过度拟合。
本发明较佳实施方式提供的适用于高空作业的视觉自动化检测方法，所述视觉自动化检测方法通过工地的视频监控来采集高空作业工人的图像数据以形成高空作业数据集，由于建筑工地视频监控的广泛使用，数据采集基于大量工程视频而极大地降低了成本。此外，基于视频的图像数据为特征识别，能实现施工中连续地不安全行为的捕捉，FasterR-CNN模型基于数据集可以自动提取来自视频中的高空作业工人安全带的佩戴特征。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种适用于高空作业的视觉自动化检测方法，其用于自动化检测高空作业工人是否佩戴安全带，其特征在于，该方法包括以下步骤：
(1)通过工地的视频监控来采集高空作业工人的图像数据以形成高空作业数据集；
(2)对所述高空作业数据集内的图像数据进行标注，以用于高空作业工人的识别；
(3)采用标注后的所述图像数据对高空作业的Faster R-CNN模型进行训练，以得到能检测到高空作业工人的Faster R-CNN模型；
(4)将所述Faster R-CNN模型与深度神经网络相结合来分类及识别高空作业人员是否佩戴安全带。
2.如权利要求1所述的适用于高空作业的视觉自动化检测方法，其特征在于：手动对所述高空作业数据集内的图像数据进行标注。
3.如权利要求1-2任一项所述的适用于高空作业的视觉自动化检测方法，其特征在于：步骤(2)中，首先，依据有无高空作业人员对所述图像数据采用类0-1进行标注；接着，利用labellme程序对高空作业工人进行手动数据标注；之后，将矩形框的坐标及对应的标签保存到XML文件内，以供使用。
4.如权利要求1-2任一项所述的适用于高空作业的视觉自动化检测方法，其特征在于：步骤(3)中，所述Faster R-CNN的核心模块RPN采用n×n个空间窗口，提取到标注后的图像数据的最后一个卷积层的特征图，以生成对象边界框；接着，将所述对象边界框映射到256维矢量，以生成分类层及回归层，即作为两个全连接层的输入；当所述对象边界框到达卷积特征矩阵的末端时，所述分类层输出RPN引入的锚点属于前景或者背景的概率的2k评分，所述回归层输出对象边界框的4k坐标，由此获得存在高空作业工人的候选区域框，以便进行回归预测。
5.如权利要求4所述的适用于高空作业的视觉自动化检测方法，其特征在于：所述分类层用于提供对检测对象分类，所述回归层用于提供对检测对象选定框的判断。
6.如权利要求4所述的适用于高空作业的视觉自动化检测方法，其特征在于：所述RPN中引入了所述锚点，所述锚点设置在每个对象边界框的中心，以处理不同尺度和长宽比的对象。
7.如权利要求1-2任一项所述的适用于高空作业的视觉自动化检测方法，其特征在于：所述深度神经网络由五个卷积层、三个全连接层和一个分级层组成。
8.如权利要求1-2任一项所述的适用于高空作业的视觉自动化检测方法，其特征在于：在分类及识别高空作业人员是否佩戴安全带的过程中使用的Softmax函数表示为概率函数。
CN201711207164.1A 2017-11-27 2017-11-27 一种适用于高空作业的视觉自动化检测方法 Active CN108038424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711207164.1A CN108038424B (zh) 2017-11-27 2017-11-27 一种适用于高空作业的视觉自动化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711207164.1A CN108038424B (zh) 2017-11-27 2017-11-27 一种适用于高空作业的视觉自动化检测方法

Publications (2)

Publication Number Publication Date
CN108038424A true CN108038424A (zh) 2018-05-15
CN108038424B CN108038424B (zh) 2020-12-18

Family

ID=62093815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711207164.1A Active CN108038424B (zh) 2017-11-27 2017-11-27 一种适用于高空作业的视觉自动化检测方法

Country Status (1)

Country Link
CN (1) CN108038424B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447176A (zh) * 2018-11-09 2019-03-08 广东工业大学 ***作业人员检测方法、装置、***、介质及服务器
CN110232320A (zh) * 2019-05-08 2019-09-13 华中科技大学 实时检测工地现场工人危险靠近施工机械的方法及***
CN110404202A (zh) * 2019-06-28 2019-11-05 北京市政建设集团有限责任公司 高空作业安全带的检测方法及装置、高空作业安全带
CN110533076A (zh) * 2019-08-01 2019-12-03 江苏濠汉信息技术有限公司 基于视觉分析的施工人员安全带佩戴的检测方法及装置
CN111178212A (zh) * 2019-12-23 2020-05-19 深圳供电局有限公司 图像识别方法、装置、计算机设备和存储介质
CN111368726A (zh) * 2020-03-04 2020-07-03 西安咏圣达电子科技有限公司 建筑工地作业面人数统计方法、***、存储介质及装置
CN111669548A (zh) * 2020-06-04 2020-09-15 赛特斯信息科技股份有限公司 针对配电网爬杆作业实现***处理的方法
CN112241694A (zh) * 2020-09-25 2021-01-19 上海荷福人工智能科技（集团）有限公司 基于CenterNet实现的未佩戴安全带识别方法
CN112633308A (zh) * 2020-09-15 2021-04-09 北京华电天仁电力控制技术有限公司 一种电厂作业人员是否佩戴安全带的检测方法及检测***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780612A (zh) * 2016-12-29 2017-05-31 浙江大华技术股份有限公司 一种图像中的物体检测方法及装置
CN107368845A (zh) * 2017-06-15 2017-11-21 华南理工大学 一种基于优化候选区域的Faster R‑CNN目标检测方法
CN107666594A (zh) * 2017-09-18 2018-02-06 广东电网有限责任公司东莞供电局 一种视频监控实时监测违章作业的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780612A (zh) * 2016-12-29 2017-05-31 浙江大华技术股份有限公司 一种图像中的物体检测方法及装置
CN107368845A (zh) * 2017-06-15 2017-11-21 华南理工大学 一种基于优化候选区域的Faster R‑CNN目标检测方法
CN107666594A (zh) * 2017-09-18 2018-02-06 广东电网有限责任公司东莞供电局 一种视频监控实时监测违章作业的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
QI FANG ET AL.: "Detecting non-hardhat-use by a deep learning method from far-field surveillance videos", 《AUTOMATION IN CONSTRUCTION》 *
YOUNG-JIN CHA ET AL.: "Deep Learning‐Based Crack Damage Detection Using Convolutional Neural Networks", 《COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING》 *
任少卿: "基于特征共享的高效物体检测", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447176A (zh) * 2018-11-09 2019-03-08 广东工业大学 ***作业人员检测方法、装置、***、介质及服务器
CN110232320A (zh) * 2019-05-08 2019-09-13 华中科技大学 实时检测工地现场工人危险靠近施工机械的方法及***
CN110232320B (zh) * 2019-05-08 2021-07-02 华中科技大学 实时检测工地现场工人危险靠近施工机械的方法及***
CN110404202A (zh) * 2019-06-28 2019-11-05 北京市政建设集团有限责任公司 高空作业安全带的检测方法及装置、高空作业安全带
CN110533076A (zh) * 2019-08-01 2019-12-03 江苏濠汉信息技术有限公司 基于视觉分析的施工人员安全带佩戴的检测方法及装置
CN111178212A (zh) * 2019-12-23 2020-05-19 深圳供电局有限公司 图像识别方法、装置、计算机设备和存储介质
CN111368726A (zh) * 2020-03-04 2020-07-03 西安咏圣达电子科技有限公司 建筑工地作业面人数统计方法、***、存储介质及装置
CN111368726B (zh) * 2020-03-04 2023-11-10 西安咏圣达电子科技有限公司 建筑工地作业面人数统计方法、***、存储介质及装置
CN111669548A (zh) * 2020-06-04 2020-09-15 赛特斯信息科技股份有限公司 针对配电网爬杆作业实现***处理的方法
CN111669548B (zh) * 2020-06-04 2021-11-26 赛特斯信息科技股份有限公司 针对配电网爬杆作业实现***处理的方法
CN112633308A (zh) * 2020-09-15 2021-04-09 北京华电天仁电力控制技术有限公司 一种电厂作业人员是否佩戴安全带的检测方法及检测***
CN112241694A (zh) * 2020-09-25 2021-01-19 上海荷福人工智能科技（集团）有限公司 基于CenterNet实现的未佩戴安全带识别方法

Also Published As

Publication number Publication date
CN108038424B (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN108038424A (zh) 一种适用于高空作业的视觉自动化检测方法
CN110018524B (zh) 一种基于视觉-属性的x射线安检违禁品识别方法
CN108037770B (zh) 基于人工智能的无人机输电线路巡检***和方法
CN104881865B (zh) 基于无人机图像分析的森林病虫害监测预警方法及其***
CN109635875A (zh) 一种基于深度学习的端到端网口检测方法
CN109858367B (zh) 工人通过支撑不安全行为的视觉自动化检测方法及***
CN109166094A (zh) 一种基于深度学习的绝缘子故障定位识别方法
CN108830188A (zh) 基于深度学习的车辆检测方法
CN109767427A (zh) 列车轨道扣件缺陷的检测方法
CN108303748A (zh) 检查设备和检测行李物品中的***的方法
CN108537154A (zh) 基于hog特征和机器学习的输电线路鸟巢识别方法
CN110070530A (zh) 一种基于深度神经网络的输电线路覆冰检测方法
CN106548182A (zh) 基于深度学习和主成因分析的路面裂纹检测方法及装置
CN106951889A (zh) 井下高危区域动目标监测和管理***
CN106156765A (zh) 基于计算机视觉的安全检测方法
CN110728252B (zh) 一种应用于区域人员运动轨迹监控的人脸检测方法
CN108711148A (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN109506628A (zh) 一种基于深度学习的卡车环境下目标物测距方法
CN104463168B (zh) 一种基于遥感影像的空废宅基地信息自动提取方法
CN110348437A (zh) 一种基于弱监督学习与遮挡感知的目标检测方法
CN103914707B (zh) 基于支持向量机的绿色通道产品辅助判别方法
CN112183438B (zh) 基于小样本学习神经网络的违规行为的图像识别方法
CN109911550A (zh) 基于红外热成像与可见光视频分析的刮板运输机保护装置
CN112613454A (zh) 一种电力基建施工现场违章识别方法及***
CN107818303A (zh) 无人机油气管线影像自动对比分析方法、***及软件存储器

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