CN110533076A - 基于视觉分析的施工人员安全带佩戴的检测方法及装置 - Google Patents
基于视觉分析的施工人员安全带佩戴的检测方法及装置 Download PDFInfo
- Publication number
- CN110533076A CN110533076A CN201910708229.3A CN201910708229A CN110533076A CN 110533076 A CN110533076 A CN 110533076A CN 201910708229 A CN201910708229 A CN 201910708229A CN 110533076 A CN110533076 A CN 110533076A
- Authority
- CN
- China
- Prior art keywords
- construction personnel
- seatbelt wearing
- human body
- torso area
- safety belt
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 84
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 15
- 238000013526 transfer learning Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视觉分析的施工人员安全带佩戴的检测方法及装置,方法包括:采集施工人员的图像样本,构成样本集,截取施工人员的躯干区域图像,将躯干区域图像划分为佩戴安全带和不佩戴安全带;在样本集上,利用VGG训练分类模型,得到安全带佩戴分类模型;采集施工现场监控摄像头的实时视频流,提取得到关键帧图像;利用OpenPose人体姿态估计算法分析所述关键帧图像,判断是否检测到人体关键点,如是,定位人体的躯干区域;调用安全带佩戴分类模型对躯干区域行分类识别,判断施工人员是否佩戴安全带。本发明能实现24小时全天候的施工人员不规范行为检测,从而实现施工现场的***,提高施工效率和安全性。
Description
技术领域
本发明涉及安全施工领域,特别涉及一种基于视觉分析的施工人员安全带佩戴的检测方法及装置。
背景技术
安全施工是电力施工中的头等大事,做好现场施工安全措施非常重要。施工人员的不规范行为是产生施工安全风险的主要因素之一,例如:施工人员未佩戴安全带的不规范行为等,都是产生施工安全风险的因素。现有电力施工的安全管理主要还是依靠人力监督,容易造成监管漏洞,影响施工效率,且存在安全性问题。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种能实现24小时全天候的施工人员不规范行为检测,从而实现施工现场的***,提高施工效率和安全性的基于视觉分析的施工人员安全带佩戴的检测方法及装置。
本发明解决其技术问题所采用的技术方案是:构造一种基于视觉分析的施工人员安全带佩戴的检测方法,包括如下步骤:
A)采集施工人员的图像样本,构成样本集,从所述图像样本中截取施工人员的躯干区域图像,将所述躯干区域图像划分为佩戴安全带和不佩戴安全带;
B)在所述样本集上,利用VGG训练分类模型,得到安全带佩戴分类模型;
C)采集施工现场监控摄像头的实时视频流,提取得到关键帧图像;
D)利用OpenPose人体姿态估计算法分析所述关键帧图像,判断是否检测到人体关键点,如是,执行步骤E);否则,执行步骤G);
E)定位人体的躯干区域;
F)调用所述安全带佩戴分类模型对所述躯干区域进行分类识别,判断所述施工人员是否佩戴安全带;
G)结束本次检测。
在本发明所述的基于视觉分析的施工人员安全带佩戴的检测方法中,所述步骤B)进一步包括:
B1)将所述样本集中的图像样本进行预处理,所述预处理至少包括随机旋转、横移、缩放和翻转;
B2)构建设定层的VGG Net,并下载MSCOCO数据集上的预训练模型;
B3)采用迁移学习方法在所述预训练模型上加载所述图像样本,每隔设定步输出准确率,直到达到最优结果,保存所述安全带佩戴分类模型。
在本发明所述的基于视觉分析的施工人员安全带佩戴的检测方法中,所述设定层为19层。
在本发明所述的基于视觉分析的施工人员安全带佩戴的检测方法中,所述设定步为50步。
本发明还涉及一种实现上述基于视觉分析的施工人员安全带佩戴的检测方法的装置,包括:
图像样本采集单元:用于采集施工人员的图像样本,构成样本集,从所述图像样本中截取施工人员的躯干区域图像,将所述躯干区域图像划分为佩戴安全带和不佩戴安全带;
安全带佩戴分类模型获取单元:用于在所述样本集上,利用VGG训练分类模型,得到安全带佩戴分类模型;
关键帧图像获取单元:用于采集施工现场监控摄像头的实时视频流,提取得到关键帧图像;
人体关键点判断单元:用于利用OpenPose人体姿态估计算法分析所述关键帧图像,判断是否检测到人体关键点;
躯干区域定位单元:用于定位人体的躯干区域;
佩戴安全带判断单元:用于调用所述安全带佩戴分类模型对所述躯干区域进行分类识别,判断所述施工人员是否佩戴安全带;
结束单元:用于结束本次检测。
在本发明所述的装置中,所述安全带佩戴分类模型获取单元进一步包括:
图像样本预处理模块:用于将所述样本集中的图像样本进行预处理,所述预处理至少包括随机旋转、横移、缩放和翻转;
模型下载模块:用于构建设定层的VGG Net,并下载MSCOCO数据集上的预训练模型;
图像样本加载模块:用于采用迁移学习方法在所述预训练模型上加载所述图像样本,每隔设定步输出准确率,直到达到最优结果,保存所述安全带佩戴分类模型。
在本发明所述的装置中,所述设定层为19层。
在本发明所述的装置中,所述设定步为50步。
实施本发明的基于视觉分析的施工人员安全带佩戴的检测方法及装置,具有以下有益效果:由于将施工人员的躯干区域图像划分为佩戴安全带和不佩戴安全带,利用VGG训练分类模型,得到安全带佩戴分类模型;从采集的实时视频流中提取得到关键帧图像,利用OpenPose人体姿态估计算法分析关键帧图像,定位人体关键点,定位人体的躯干区域;安全带佩戴分类模型对躯干区域进行分类识别,判断施工人员是否佩戴安全带;本发明能实现24小时全天候的施工人员不规范行为检测,从而实现施工现场的***,提高施工效率和安全性。
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,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地介绍,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他的附图。
图1为本发明基于视觉分析的施工人员安全带佩戴的检测方法及装置一个实施例中方法的流程图;
图2为所述实施例中在样本集上,利用VGG训练分类模型,得到安全带佩戴分类模型的具体流程图;
图3为所述实施例中装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。
在本发明基于视觉分析的施工人员安全带佩戴的检测方法及装置实施例中,其基于视觉分析的施工人员安全带佩戴的检测方法的流程图如图1所示。图1中,该基于视觉分析的施工人员安全带佩戴的检测方法包括如下步骤:
步骤S01采集施工人员的图像样本,构成样本集,从图像样本中截取施工人员的躯干区域图像,将躯干区域图像划分为佩戴安全带和不佩戴安全带:本步骤中,采集施工人员的图像样本,这些图像样本构成样本集,从图像样本中截取施工人员的躯干区域图像(也就是从施工人员的图像样本中截图有关躯干区域的局部图像),将该躯干区域图像划分为两类,其中一类是佩戴安全带,另一类是不佩戴安全带。
步骤S02在样本集上,利用VGG训练分类模型,得到安全带佩戴分类模型:本步骤中,在步骤S01所采集的样本集上,利用VGG训练分类模型,得到安全带佩戴分类模型Mh。
步骤S03采集施工现场监控摄像头的实时视频流,提取得到关键帧图像:本步骤中,采集布置在施工现场的监控摄像头的实时视频流,从中提取关键帧图像I。
步骤S04利用OpenPose人体姿态估计算法分析关键帧图像,判断是否检测到人体关键点:本步骤中,利用OpenPose人体姿态估计算法分析步骤S03中所得到的关键帧图像I,定位人体关键点,判断是否检测到人体关键点,如果判断的结果为是,则执行步骤S05;否则,执行步骤S07。
步骤S05定位人体的躯干区域:本步骤中,定位人体关键点,得到人体的躯干区域,也就对人体的躯干区域进行定位。
步骤S06调用安全带佩戴分类模型对躯干区域进行分类识别,判断施工人员是否佩戴安全带:本步骤中,调用步骤S02中训练得到的安全带佩戴分类模型Mh对步骤S05中得到的躯干区域进行分类识别,判断该施工人员是否佩戴安全带。
步骤S07结束本次检测:本步骤中,结束本次检测。
本发明的基于视觉分析的施工人员安全带佩戴的检测方法解放了监管人员的双眼,能实现了24小时全天候的施工人员不规范行为检测,从而实现施工现场的***,提高施工效率和安全性。
对于本实施例而言,上述步骤S02还可进一步细化,其细化后的流程图如图2所示。图2中,上述步骤S02进一步包括如下步骤:
步骤S21将样本集中的图像样本进行预处理,预处理至少包括随机旋转、横移、缩放和翻转:本步骤中,将样本集中的图像样本进行预处理,预处理至少包括随机旋转、横移、缩放和翻转等,这样采用随机旋转、横移、缩放、翻转等方法进行数据增强,扩充图像样本量
步骤S22构建设定层的VGG Net,并下载MSCOCO数据集上的预训练模型:本步骤中,构建设定层的VGG Net,并下载MSCOCO数据集上的预训练模型。本实施例中,该设定层为19层,当然,在实际应用中,该设定层的层数还可以根据具体需求进行相应增加或减小。
步骤S23采用迁移学习方法在预训练模型上加载图像样本,每隔设定步输出准确率,直到达到最优结果,保存安全带佩戴分类模型:本步骤中,采用迁移学习方法在预训练模型上加载图像样本,每隔设定步输出准确率,直到达到最优结果,保存安全带佩戴分类模型Mh。本实施例中,该设定步为50步,当然,在实际应用中,该设定步的大小可以根据具体需求进行相应增加或减小。
本实施例还涉及一种实现上述基于视觉分析的施工人员安全带佩戴的检测方法的装置,该装置结构示意图如图3所示。图3中,该装置包括图像样本采集单元1、安全带佩戴分类模型获取单元2、关键帧图像获取单元3、人体关键点判断单元4、躯干区域定位单元5、佩戴安全带判断单元6和结束单元7。其中,图像样本采集单元1用于采集施工人员的图像样本,这些图像样本构成样本集,从图像样本中截取施工人员的躯干区域图像,将躯干区域图像划分为佩戴安全带和不佩戴安全带。安全带佩戴分类模型获取单元2用于在样本集上,利用VGG训练分类模型,得到安全带佩戴分类模型Mh;关键帧图像获取单元3用于采集施工现场监控摄像头的实时视频流,提取得到关键帧图像I;人体关键点判断单元4用于利用OpenPose人体姿态估计算法分析关键帧图像I,判断是否检测到人体关键点;躯干区域定位单元5用于定位人体的躯干区域;佩戴安全带判断单元6用于调用安全带佩戴分类模型Mh对施工人员扥躯干区域进行分类识别,判断施工人员是否佩戴安全带;结束单元7用于结束本次检测。
本发明的装置解放了监管人员的双眼,能实现了24小时全天候的施工人员不规范行为检测,从而实现施工现场的***,提高施工效率和安全性。
本实施例中,安全带佩戴分类模型获取单元2进一步包括图像样本预处理模块21、模型下载模块22和图像样本加载模块23;其中,图像样本预处理模块21用于将样本集中的图像样本进行预处理,预处理至少包括随机旋转、横移、缩放和翻转。
模型下载模块22用于构建设定层的VGG Net,并下载MSCOCO数据集上的预训练模型。本实施例中,该设定层为19层,当然,在实际应用中,该设定层的层数还可以根据具体需求进行相应增加或减小。
图像样本加载模块23用于采用迁移学习方法在预训练模型上加载图像样本,每隔设定步输出准确率,直到达到最优结果,保存安全带佩戴分类模型。本实施例中,该设定步为50步,当然,在实际应用中,该设定步的大小可以根据具体需求进行相应增加或减小。
总之,本发明针对施工人员未佩戴安全带的不规范行为,提出了基于智能视觉分析技术的检测方法,解放了监管人员的双眼,能实现24小时全天候的施工人员不规范行为检测,从而实现施工现场的***,提高施工效率和安全性。
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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于视觉分析的施工人员安全带佩戴的检测方法,其特征在于,包括如下步骤:
A)采集施工人员的图像样本,构成样本集,从所述图像样本中截取施工人员的躯干区域图像,将所述躯干区域图像划分为佩戴安全带和不佩戴安全带;
B)在所述样本集上,利用VGG训练分类模型,得到安全带佩戴分类模型;
C)采集施工现场监控摄像头的实时视频流,提取得到关键帧图像;
D)利用OpenPose人体姿态估计算法分析所述关键帧图像,判断是否检测到人体关键点,如是,执行步骤E);否则,执行步骤G);
E)定位人体的躯干区域;
F)调用所述安全带佩戴分类模型对所述躯干区域进行分类识别,判断所述施工人员是否佩戴安全带;
G)结束本次检测。
2.根据权利要求1所述的基于视觉分析的施工人员安全带佩戴的检测方法,其特征在于,所述步骤B)进一步包括:
B1)将所述样本集中的图像样本进行预处理,所述预处理至少包括随机旋转、横移、缩放和翻转;
B2)构建设定层的VGG Net,并下载MSCOCO数据集上的预训练模型;
B3)采用迁移学习方法在所述预训练模型上加载所述图像样本,每隔设定步输出准确率,直到达到最优结果,保存所述安全带佩戴分类模型。
3.根据权利要求2所述的基于视觉分析的施工人员安全带佩戴的检测方法,其特征在于,所述设定层为19层。
4.根据权利要求2所述的基于视觉分析的施工人员安全带佩戴的检测方法,其特征在于,所述设定步为50步。
5.一种实现如权利要求1所述的基于视觉分析的施工人员安全带佩戴的检测方法的装置,其特征在于,包括:
图像样本采集单元:用于采集施工人员的图像样本,构成样本集,从所述图像样本中截取施工人员的躯干区域图像,将所述躯干区域图像划分为佩戴安全带和不佩戴安全带;
安全带佩戴分类模型获取单元:用于在所述样本集上,利用VGG训练分类模型,得到安全带佩戴分类模型;
关键帧图像获取单元:用于采集施工现场监控摄像头的实时视频流,提取得到关键帧图像;
人体关键点判断单元:用于利用OpenPose人体姿态估计算法分析所述关键帧图像,判断是否检测到人体关键点;
躯干区域定位单元:用于定位人体的躯干区域;
佩戴安全带判断单元:用于调用所述安全带佩戴分类模型对所述躯干区域进行分类识别,判断所述施工人员是否佩戴安全带;
结束单元:用于结束本次检测。
6.根据权利要求5所述的装置,其特征在于,所述安全带佩戴分类模型获取单元进一步包括:
图像样本预处理模块:用于将所述样本集中的图像样本进行预处理,所述预处理至少包括随机旋转、横移、缩放和翻转;
模型下载模块:用于构建设定层的VGG Net,并下载MSCOCO数据集上的预训练模型;
图像样本加载模块:用于采用迁移学习方法在所述预训练模型上加载所述图像样本,每隔设定步输出准确率,直到达到最优结果,保存所述安全带佩戴分类模型。
7.根据权利要求6所述的装置,其特征在于,所述设定层为19层。
8.根据权利要求6所述的装置,其特征在于,所述设定步为50步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910708229.3A CN110533076A (zh) | 2019-08-01 | 2019-08-01 | 基于视觉分析的施工人员安全带佩戴的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910708229.3A CN110533076A (zh) | 2019-08-01 | 2019-08-01 | 基于视觉分析的施工人员安全带佩戴的检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533076A true CN110533076A (zh) | 2019-12-03 |
Family
ID=68661980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910708229.3A Pending CN110533076A (zh) | 2019-08-01 | 2019-08-01 | 基于视觉分析的施工人员安全带佩戴的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533076A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191705A (zh) * | 2019-12-24 | 2020-05-22 | 上海眼控科技股份有限公司 | 检测人体的安全装备的方法、设备和计算机可读存储介质 |
CN112215138A (zh) * | 2020-10-12 | 2021-01-12 | 中国石油大学(华东) | 一种基于深度学习的安全带低挂高用违规检测方法 |
CN112257580A (zh) * | 2020-10-21 | 2021-01-22 | 中国石油大学(华东) | 一种基于深度学习的人体关键点定位检测方法 |
CN112766070A (zh) * | 2020-12-31 | 2021-05-07 | 上海电机学院 | 电气检修人员劳保防护用品穿戴的智能检测方法及*** |
CN113255509A (zh) * | 2021-05-20 | 2021-08-13 | 福州大学 | 一种基于Yolov3和OpenPose的工地危险行为监控方法 |
CN113823180A (zh) * | 2021-09-29 | 2021-12-21 | 国网山东省电力公司临朐县供电公司 | 一种标识牌悬挂装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038424A (zh) * | 2017-11-27 | 2018-05-15 | 华中科技大学 | 一种适用于高空作业的视觉自动化检测方法 |
CN108596138A (zh) * | 2018-05-03 | 2018-09-28 | 南京大学 | 一种基于迁移层次网络的人脸识别方法 |
CN109255312A (zh) * | 2018-08-30 | 2019-01-22 | 罗普特(厦门)科技集团有限公司 | 一种基于表观特征的异常着装检测方法以及装置 |
-
2019
- 2019-08-01 CN CN201910708229.3A patent/CN110533076A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038424A (zh) * | 2017-11-27 | 2018-05-15 | 华中科技大学 | 一种适用于高空作业的视觉自动化检测方法 |
CN108596138A (zh) * | 2018-05-03 | 2018-09-28 | 南京大学 | 一种基于迁移层次网络的人脸识别方法 |
CN109255312A (zh) * | 2018-08-30 | 2019-01-22 | 罗普特(厦门)科技集团有限公司 | 一种基于表观特征的异常着装检测方法以及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191705A (zh) * | 2019-12-24 | 2020-05-22 | 上海眼控科技股份有限公司 | 检测人体的安全装备的方法、设备和计算机可读存储介质 |
CN112215138A (zh) * | 2020-10-12 | 2021-01-12 | 中国石油大学(华东) | 一种基于深度学习的安全带低挂高用违规检测方法 |
CN112257580A (zh) * | 2020-10-21 | 2021-01-22 | 中国石油大学(华东) | 一种基于深度学习的人体关键点定位检测方法 |
CN112766070A (zh) * | 2020-12-31 | 2021-05-07 | 上海电机学院 | 电气检修人员劳保防护用品穿戴的智能检测方法及*** |
CN113255509A (zh) * | 2021-05-20 | 2021-08-13 | 福州大学 | 一种基于Yolov3和OpenPose的工地危险行为监控方法 |
CN113823180A (zh) * | 2021-09-29 | 2021-12-21 | 国网山东省电力公司临朐县供电公司 | 一种标识牌悬挂装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533076A (zh) | 基于视觉分析的施工人员安全带佩戴的检测方法及装置 | |
CN111144263B (zh) | 一种建筑工人高坠事故预警方法及装置 | |
CN105310696B (zh) | 一种跌倒检测模型构建方法及相应的跌倒检测方法和装置 | |
CN112085010B (zh) | 一种基于图像识别的口罩检测和部署***及方法 | |
CN108960056A (zh) | 一种基于姿态分析和支持向量数据描述的跌倒检测方法 | |
CN109711297A (zh) | 基于面部图片的风险识别方法、装置、计算机设备及存储介质 | |
CN106919921B (zh) | 结合子空间学习与张量神经网络的步态识别方法及*** | |
CN107007257B (zh) | 面部不自然度的自动评级方法和装置 | |
CN108683724A (zh) | 一种智能儿童安全及步态健康监护*** | |
CN111062303A (zh) | 图像处理方法、***及计算机存储介质 | |
CN110569722A (zh) | 基于视觉分析的施工人员着装规范检测方法及装置 | |
CN109241842A (zh) | 疲劳驾驶检测方法、装置、计算机设备及存储介质 | |
CN109034134A (zh) | 基于多任务深度卷积神经网络的异常驾驶行为检测方法 | |
CN110096983A (zh) | 一种基于神经网络的图像中施工工人安全服饰检测方法 | |
CN110414400A (zh) | 一种施工现场安全帽穿戴自动检测方法及*** | |
CN109766785A (zh) | 一种人脸的活体检测方法及装置 | |
CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
CN103942539A (zh) | 一种人头部椭圆精确高效提取及遮蔽人脸检测方法 | |
CN113050478A (zh) | 一种变电站施工人员作业状态监测及预警的方法 | |
CN109697716A (zh) | 青光眼图像识别方法、设备和筛查*** | |
CN111259855A (zh) | 基于深度学习的移动式安全帽佩戴检测方法 | |
CN102457705A (zh) | 打架行为检测监控方法与*** | |
CN204926116U (zh) | 一种包含视频分析的安检判图*** | |
Keatsamarn et al. | Footprint identification using deep learning | |
CN111177468A (zh) | 一种基于机器视觉的实验室人员不安全行为安全检查方法 |
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: 20191203 |