CN111222420A - 一种基于ftp协议的低带宽要求的安全帽识别方法 - Google Patents

一种基于ftp协议的低带宽要求的安全帽识别方法 Download PDF

Info

Publication number
CN111222420A
CN111222420A CN201911351890.XA CN201911351890A CN111222420A CN 111222420 A CN111222420 A CN 111222420A CN 201911351890 A CN201911351890 A CN 201911351890A CN 111222420 A CN111222420 A CN 111222420A
Authority
CN
China
Prior art keywords
head
safety helmet
ftp protocol
helmet
human body
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
Application number
CN201911351890.XA
Other languages
English (en)
Inventor
孙琴
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.)
Chongqing Communication Industry Services Co ltd
Original Assignee
Chongqing Communication Industry Services Co ltd
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 Chongqing Communication Industry Services Co ltd filed Critical Chongqing Communication Industry Services Co ltd
Priority to CN201911351890.XA priority Critical patent/CN111222420A/zh
Publication of CN111222420A publication Critical patent/CN111222420A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于FTP协议的低带宽要求的安全帽识别方法，包括如下步骤：步骤S1：图像获取装置上传图片至服务器；步骤S2：检测人体、人头和安全帽位置，进行第一次计算；步骤S3：所述步骤S2中如果检测到人头，将安全帽和人头分配到具体的人体，如果人体没有分配到安全帽，但分配到了人头，则认为没有戴安全帽，计结果为1；如果既没有分配到安全帽，也没有分配到人头，则忽略；步骤S4：对步骤S3中的结果进行过滤，将过滤结果送入超分辨率模块。本发明通过FTP协议将图片数据传输到云端平台进行识别，对带宽要求低，服务器处理速度更快；对小目标识别时，引入超分辨率模块，得到更加清晰和精细的目标之后再识别，大大提升了准确率。

Description

一种基于FTP协议的低带宽要求的安全帽识别方法
技术领域
本发明涉及一种图像识别方法，特别涉及一种基于FTP协议的低带宽要求的安全帽识别方法。
背景技术
在建筑工地、矿井等高危现场，工作人员佩戴安全帽是必要的安全措施。目前，大多数生产现场以人工值守和视频监控的方式对工人进行监管，容易出现信息滞后、疏漏等情况，耗费人力物力，却得不到良好的监管效果。而借助于计算机视觉的方法，可以实现及时预警，减轻值守工人的负担，也让问题溯源更容易。
目标检测是计算机视觉中最常见的问题之一，随着深度学习的发展，基于卷积神经网络的模型已经被广泛应用于安防、教育、自动驾驶等领域。
针对安全帽检测的问题，现有方法大多采用区域定位和分类的思路。传统方法有基于HOG特征、Haar-Like特征的Adaboost级联分类器，由于采用了单一特征，对目标的表征能力不足，导致模型环境适应性较差，准确率低。基于深度学习的目标检测方法分为两阶段、单阶段和Anchor-Free，分别以Faster RCNN，SSD/Yolo，CenterNet为代表，在准确率上极大的超越了传统算法，让复杂环境下的目标检测成为现实。
但施工现场通常安装球机以监控更多的区域，工人在整个画面中尺寸较小，导致目前大多数算法难以准确判断工人是否佩戴安全帽。现有技术缺点包括：
1)当目标(头部区域)在画面中尺寸较小，低于50＊50像素时，算法准确率急剧下降
2)基于视频的实时智能分析对硬件和带宽要求高
3)现有技术大多采用自上而下的方式来进行识别，算法耗时与人数成正比。
现有的一些技术也存在一些其他的缺陷，如申请号为201910350959.0中国发明专利申请，采用AlphaPose得到人体关键点，但是AlphaPose运算量较大，达不到实时的效果，且AlphaPose是一种自上而下的方法，耗时与人数成正比，同样也存在距离较远精度下降的问题；再比如申请号为201910064486.8的中国发明专利申请，基于机器视觉算法，先检测人体，然后逐个检测人是否戴了安全帽，耗时与人数成正比，当距离稍远时，准确率下降明显。
发明内容
本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于FTP协议的低带宽要求的安全帽识别方法。
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明一种基于FTP协议的低带宽要求的安全帽识别方法，包括如下步骤：
步骤S1：图像获取装置上传图片至服务器；
步骤S2：检测人体、人头和安全帽位置，进行第一次计算；
步骤S3：所述步骤S2中如果检测到人头，将安全帽和人头分配到具体的人体，如果人体没有分配到安全帽，但分配到了人头，则认为没有戴安全帽，计结果为1；
如果既没有分配到安全帽，也没有分配到人头，则忽略；这种情况说明人头被遮挡了。
步骤S4：对所述步骤S3中的结果进行过滤，将过滤结果送入超分辨率模块；
步骤S5：对所述步骤S4中进入超分辨率模块的区域进行再次检测。
作为本发明的一种优选技术方案，所述步骤S5之后，还包括，
步骤S6：若所述步骤S5中再次检测未检测到安全帽，则认为没有戴安全帽，否则将该区域从结果1中剔除，得到结果2。
作为本发明的一种优选技术方案，所述步骤S1中，图像获取装置通过FTP协议上传图片至服务器。
作为本发明的一种优选技术方案，所述步骤S2中，第一次计算采用Centernet算法。
作为本发明的一种优选技术方案，所述步骤S3中，采用匈牙利算法将安全帽和人头分配到具体的人体。
作为本发明的一种优选技术方案，所述步骤S4中过滤规则为将人头区域短边小于30个像素送入超分辨率模块。
作为本发明的一种优选技术方案，所述步骤S5中，求取人头和人体的并集区域，多个区域组成一张图片，送入超分辨率网络进行细节放大。
本发明所达到的有益效果是：本发明利用摄像头端移动侦测抓拍图片，再通过FTP协议将图片数据传输到云端平台进行识别，同等摄像头数量下，与实时监控相比，对带宽要求低，且省去了多通道视频解码环节，服务器处理速度会更快；同时，对小目标识别时，引入超分辨率模块，得到更加清晰和精细的目标之后再识别，大大提升了准确率。最后，本发明采用自下而上的方式，借助Centernet算法，同时检测人体、人头和安全帽，再通过匈牙利算法，根据算法检测出的人头位置(模型训练了3个类别，人体、人头、安全帽)和安全帽位置的IOU进行匹配，最终确定未佩戴安全帽的人的位置。与自上而下的方式相比，耗时较短，且随人数变化，时间波动不大；而超分辨率技术可以将摄像头捕捉到的模糊影像放大，形成更为精细、清晰的图像，极大提升算法的准确率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明中FSRCNN超分网络的示意图；
图2是本发明中CenterNet网络的示意图；
图3是本发明中超分辨率网络模型的示意图；
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例
如图1-3所示，本发明提供一种基于FTP协议的低带宽要求的安全帽识别方法，基于CenterNet网络和超分辨率网络，包括如下步骤：
步骤S1：图像获取装置上传图片至服务器；
步骤S2：检测人体、人头和安全帽位置，进行第一次计算；
步骤S3：所述步骤S2中如果检测到人头，将安全帽和人头分配到具体的人体，如果人体没有分配到安全帽，但分配到了人头，则认为没有戴安全帽，计结果为1；
如果既没有分配到安全帽，也没有分配到人头，则忽略，此种情况说明人头被遮挡了；
步骤S4：对所述步骤S3中的结果进行过滤，将过滤结果送入超分辨率模块，求取人头和人体的并集区域，多个区域组成一张图片，送入超分辨率网络进行细节放大。以减少单个区域处理的很耗时；
步骤S5：对步骤S4中进入超分辨率模块的区域进行再次检测。
步骤S5之后，还包括，
步骤S6：若步骤S5中再次检测未检测到安全帽，则认为没有戴安全帽，否则将该区域从结果1中剔除，得到结果2。
步骤S1中，图像获取装置通过FTP协议上传图片至服务器。
步骤S2中，第一次计算采用Centernet算法，在本发明的另一个较佳的实施例中，采用删减后的Centernet算法，在该实施例中，由于检测目标只有三类，因此在原始网络的基础上进行了剪裁，将模型体积从77.16M压缩到了8M。
步骤S3中，采用匈牙利算法将安全帽和人头分配到具体的人体。
步骤S4中过滤规则为将人头区域短边小于30个像素送入超分辨率模块，FSRCNN超分网络的输入为低分辨率图像，整个网络包含特征提取、非线性映射、重建三部分，结构如图1所示。
具体的，步骤一、人体、人头、安全帽训练：
1)对施工现场视频进行抽帧得到图片集合，记为P，P的数量记为N；将图像集合P中的安全帽、人头、人体进行人工位置标注，目标位置记为
Figure BDA0002334843220000051
其中
Figure BDA0002334843220000052
分别记为第k张图像中第j个目标的中心坐标，
Figure BDA0002334843220000053
分别记为第k张图像中第j个目标的宽和高，T为第k张图像中目标的数量。将图片集合P按照r1∶r2的比例随机划分为训练集和测试集，分别记为Ωr1和Ωr2。
2)构建和初始化CenterNet网络模型，记为Wc，其中Wc由特征提取网络及中心点预测分支、尺寸预测分支、中心点偏移预测分支构成。特征提取网络记为WFeature，中心点预测分支记为WCenter，中心点偏移预测分支记为WOffset，尺寸预测分支记为WSize。WFeature采用DLA-34全卷积语义分割网络，WOffset，WSize分别由2个卷积层构成，其中第一个卷积层的尺寸为3＊3，输出通道数为256，第二个卷积层尺寸为1＊1，输出通道数为2。WCenter由2个卷积层和一个尺寸为3＊3的max pooling层组成，卷积层参数配置与WOffset相同。
3)将训练集Ωr1和测试集Ωr2转换成coco数据集格式，并按照官方标准训练方法进行训练，得到人体、人头、安全帽检测模型。
网络模型结构示意图如图2所示。
步骤二、FSRCNN超分辨率网络模型训练
1)使用广泛使用的91图像数据集及General-100数据集作为训练集，BSD200作为测试集。
2)构建和初始化FSRCNN模型，记为Wf，其中Wf由7个卷积层及1个转置卷积层构成。按照官方标准训练方法进行训练，得到超分辨率网络模型。
网络模型结构示意图如图3所示。
步骤三、构建未佩戴安全帽检测***
在具体实施过程中，现场高清摄像头采集图像数据，并通过FTP协议传输至分析服务器。检测过程如下：将图像缩放至512＊512尺寸送入检测模型中，经过特征提取网络得到128＊128尺寸的热力图，然后将热力图分别送入中心点预测分支、尺寸预测分支和中心点偏移预测分支，据网络预测的中心点，加上回归的中心点偏移量，结合回归的目标边框大小得到最终的检测结果。1)若检测结果中不存在人头，则结束判断。2)若检测结果中存在人头，则根据匈牙利算法把所有安全帽边框、人头边框分别分配到各个人体边框上。根据匹配结果，将人头边框按尺寸进行分类，大于30＊30分为类别1，小于等于30＊30分为类别2，未匹配到人体的分为类别3。对于类别3，认为此结果是误检测，放弃处理；对于类别1，确认对应的人没有佩戴安全帽，***产生预警；对于类别2，将里面的人头区域排列在一张图片上，并将该图片送入超分辨率网络，放大三倍，进行细节重建，得到相对高清的图像HR，再将HR送入检测网络，若未检测到安全帽，则认为没有佩戴安全帽，***产生预警。
本发明利用摄像头端移动侦测抓拍图片，再通过FTP协议将图片数据传输到云端平台进行识别，同等摄像头数量下，与实时监控相比，对带宽要求低，且省去了多通道视频解码环节，服务器处理速度会更快；同时，对小目标识别时，引入超分辨率模块，得到更加清晰和精细的目标之后再识别，大大提升了准确率。最后，本发明采用自下而上的方式，借助Centernet算法，同时检测人体、人头和安全帽，再通过匈牙利算法，根据算法检测出的人头位置(模型训练了3个类别，人体、人头、安全帽)和安全帽位置的IOU进行匹配，最终确定未佩戴安全帽的人的位置。与自上而下的方式相比，耗时较短，且随人数变化，时间波动不大；而超分辨率技术可以将摄像头捕捉到的模糊影像放大，形成更为精细、清晰的图像，极大提升算法的准确率。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，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 (7)

1.一种基于FTP协议的低带宽要求的安全帽识别方法，其特征在于，包括如下步骤：
步骤S1：图像获取装置上传图片至服务器；
步骤S2：检测人体、人头位置和安全帽位置，进行第一次计算；
步骤S3：所述步骤S2中如果检测到人头，将安全帽和人头分配到具体的人体，如果人体没有分配到安全帽，但分配到了人头，则认为没有戴安全帽，计结果为1；
如果既没有分配到安全帽，也没有分配到人头，则忽略；
步骤S4：对所述步骤S3中的结果进行过滤，将过滤结果送入超分辨率模块；
步骤S5：对所述步骤S4中进入超分辨率模块的区域进行再次检测。
2.根据权利要求1所述的一种基于FTP协议的低带宽要求的安全帽识别方法，其特征在于，所述步骤S5之后，还包括，
步骤S6：若所述步骤S5中再次检测未检测到安全帽，则认为没有戴安全帽，否则将该区域从结果1中剔除，得到结果2。
3.根据权利要求1或2所述的一种基于FTP协议的低带宽要求的安全帽识别方法，其特征在于，所述步骤S1中，图像获取装置通过FTP协议上传图片至服务器。
4.根据权利要求1或2所述的一种基于FTP协议的低带宽要求的安全帽识别方法，其特征在于，所述步骤S2中，第一次计算采用Centernet算法。
5.根据权利要求1或2所述的一种基于FTP协议的低带宽要求的安全帽识别方法，其特征在于，所述步骤S3中，采用匈牙利算法将安全帽和人头分配到具体的人体。
6.根据权利要求1或2所述的一种基于FTP协议的低带宽要求的安全帽识别方法，其特征在于，所述步骤S4中过滤规则为将人头区域短边小于30个像素送入超分辨率模块。
7.根据权利要求1或2所述的一种基于FTP协议的低带宽要求的安全帽识别方法，其特征在于，所述步骤S5中，求取人头和人体的并集区域，多个区域组成一张图片，送入超分辨率网络进行细节放大。
CN201911351890.XA 2019-12-24 2019-12-24 一种基于ftp协议的低带宽要求的安全帽识别方法 Pending CN111222420A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911351890.XA CN111222420A (zh) 2019-12-24 2019-12-24 一种基于ftp协议的低带宽要求的安全帽识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911351890.XA CN111222420A (zh) 2019-12-24 2019-12-24 一种基于ftp协议的低带宽要求的安全帽识别方法

Publications (1)

Publication Number Publication Date
CN111222420A true CN111222420A (zh) 2020-06-02

Family

ID=70827896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911351890.XA Pending CN111222420A (zh) 2019-12-24 2019-12-24 一种基于ftp协议的低带宽要求的安全帽识别方法

Country Status (1)

Country Link
CN (1) CN111222420A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906533A (zh) * 2021-02-07 2021-06-04 成都睿码科技有限责任公司 一种基于自适应检测区域的安全帽佩戴检测方法
CN113052140A (zh) * 2021-04-25 2021-06-29 合肥中科类脑智能技术有限公司 一种基于视频的变电站人员车辆违规检测方法及***
CN113553963A (zh) * 2021-07-27 2021-10-26 广联达科技股份有限公司 安全帽的检测方法、装置、电子设备及可读存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372662A (zh) * 2016-08-30 2017-02-01 腾讯科技（深圳）有限公司 安全帽佩戴的检测方法和装置、摄像头、服务器
CN106600536A (zh) * 2016-12-14 2017-04-26 同观科技（深圳）有限公司 一种视频图像超分辨率重建方法及装置
CN107481188A (zh) * 2017-06-23 2017-12-15 珠海经济特区远宏科技有限公司 一种图像超分辨率重构方法
US20180189590A1 (en) * 2015-07-14 2018-07-05 Panasonic Intellectual Property Management Co., Ltd. Identification medium recognition device and identification medium recognition method
US20190042860A1 (en) * 2017-08-04 2019-02-07 Samsung Electronics Co., Ltd. Method and apparatus of detecting object of interest
CN110119686A (zh) * 2019-04-17 2019-08-13 电子科技大学 一种基于卷积神经网络的安全帽实时检测方法
CN110189255A (zh) * 2019-05-29 2019-08-30 电子科技大学 基于两级检测的人脸检测方法
CN110188807A (zh) * 2019-05-21 2019-08-30 重庆大学 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法
CN110210274A (zh) * 2018-02-28 2019-09-06 杭州海康威视数字技术股份有限公司 安全帽检测方法、装置及计算机可读存储介质
CN110263686A (zh) * 2019-06-06 2019-09-20 温州大学 一种基于深度学习的施工工地图像安全帽检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180189590A1 (en) * 2015-07-14 2018-07-05 Panasonic Intellectual Property Management Co., Ltd. Identification medium recognition device and identification medium recognition method
CN106372662A (zh) * 2016-08-30 2017-02-01 腾讯科技（深圳）有限公司 安全帽佩戴的检测方法和装置、摄像头、服务器
CN106600536A (zh) * 2016-12-14 2017-04-26 同观科技（深圳）有限公司 一种视频图像超分辨率重建方法及装置
CN107481188A (zh) * 2017-06-23 2017-12-15 珠海经济特区远宏科技有限公司 一种图像超分辨率重构方法
US20190042860A1 (en) * 2017-08-04 2019-02-07 Samsung Electronics Co., Ltd. Method and apparatus of detecting object of interest
CN110210274A (zh) * 2018-02-28 2019-09-06 杭州海康威视数字技术股份有限公司 安全帽检测方法、装置及计算机可读存储介质
CN110119686A (zh) * 2019-04-17 2019-08-13 电子科技大学 一种基于卷积神经网络的安全帽实时检测方法
CN110188807A (zh) * 2019-05-21 2019-08-30 重庆大学 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法
CN110189255A (zh) * 2019-05-29 2019-08-30 电子科技大学 基于两级检测的人脸检测方法
CN110263686A (zh) * 2019-06-06 2019-09-20 温州大学 一种基于深度学习的施工工地图像安全帽检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHAO DONG 等: "Accelerating the Super-Resolution Convolutional Neural Network", 《ARXIV:1608.00367》 *
朱富云 等: "基于视频监控的变电站内安全帽检测算法研究", 《电网与清洁能源》 *
黄斯茜: "智能视频分析算法在变电所中的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906533A (zh) * 2021-02-07 2021-06-04 成都睿码科技有限责任公司 一种基于自适应检测区域的安全帽佩戴检测方法
CN113052140A (zh) * 2021-04-25 2021-06-29 合肥中科类脑智能技术有限公司 一种基于视频的变电站人员车辆违规检测方法及***
CN113553963A (zh) * 2021-07-27 2021-10-26 广联达科技股份有限公司 安全帽的检测方法、装置、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN110738127B (zh) 基于无监督深度学习神经网络算法的安全帽识别方法
CN108062349B (zh) 基于视频结构化数据及深度学习的视频监控方法和***
CN112396658B (zh) 一种基于视频的室内人员定位方法及定位***
CN111191586B (zh) 一种施工现场人员安全帽佩戴情况巡检方法及***
CN111222420A (zh) 一种基于ftp协议的低带宽要求的安全帽识别方法
CN110188724A (zh) 基于深度学习的安全帽定位与颜色识别的方法及***
CN108053427A (zh) 一种基于KCF与Kalman的改进型多目标跟踪方法、***及装置
CN108009473A (zh) 基于目标行为属性视频结构化处理方法、***及存储装置
CN103902970B (zh) 自动指纹姿态估计方法及***
CN105208325B (zh) 基于图像定点抓拍及比对分析的国土资源监控预警方法
CN104951773A (zh) 一种实时人脸识别监视***
CN106951889A (zh) 井下高危区域动目标监测和管理***
CN112149513A (zh) 基于深度学习的工业制造现场安全帽佩戴识别***和方法
CN103425967A (zh) 一种基于行人检测和跟踪的人流监控方法
CN112487891B (zh) 一种应用于电力作业现场的视觉智能动态识别模型构建方法
CN107241572A (zh) 学员实训视频追踪评价***
CN111126219A (zh) 一种基于人工智能的变电站人员的身份识别***和方法
CN105844245A (zh) 一种伪装人脸检测方法及***
CN112184773A (zh) 一种基于深度学习的安全帽佩戴检测方法及***
CN110096945B (zh) 基于机器学习的室内监控视频关键帧实时提取方法
CN113705372A (zh) 一种应用于配网作业现场违章的ai识别***
CN104077568A (zh) 一种高精度的驾驶员行为识别与监控方法及***
CN115035088A (zh) 一种基于yolov5和姿态估计的安全帽佩戴检测方法
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
CN112149551A (zh) 一种基于嵌入式设备和深度学习的安全帽识别方法

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

Application publication date: 20200602

RJ01 Rejection of invention patent application after publication