CN111582073A - 一种基于ResNet101特征金字塔的变电站违规行为识别方法 - Google Patents
一种基于ResNet101特征金字塔的变电站违规行为识别方法 Download PDFInfo
- Publication number
- CN111582073A CN111582073A CN202010326629.0A CN202010326629A CN111582073A CN 111582073 A CN111582073 A CN 111582073A CN 202010326629 A CN202010326629 A CN 202010326629A CN 111582073 A CN111582073 A CN 111582073A
- Authority
- CN
- China
- Prior art keywords
- convolution
- feature map
- wearing
- feature
- layer
- 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
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
- 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
- G06F18/24—Classification techniques
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)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于ResNet101特征金字塔的变电站违规行为识别方法。采集包含变电站工作人员各类违规行为样本图片;并标记类别获得原始训练集;尺度缩放处理,获得缩放后的训练集;采用已知数据集输入ResNet101特征金字塔模型进行预训练,再将缩放后的训练集输入预训练模型进行针对训练迭代得到变电站违规行为识别模型;待测图像同样尺度缩放,再输入变电站违规行为识别模型中计算分类置信度和定位框坐标,根据分类置信度结果获得识别结果。本发明能够实现变电站违规行为的识别,具有较高的准确率,并且具有稳定性好,抗干扰能力强,通用性高等优点,具有良好的鲁棒性,能够应用于机器人巡检***或者是变电站智能视频监控***。
Description
技术领域
本发明涉及了一种识别变电站违规行为的方法,尤其是涉及了一种基于ResNet101特征金字塔的变电站违规行为识别方法。
背景技术
安全是工业生产的主旋律,工作人员的规范行为是保障安全生产的重要前提。据统计,未穿安全帽、工作服、安全马甲等违规行为,是导致安全生产事故的重要原因之一。随着视频监控***的普及,针对现场工作人员违规行为的实时监管成为可能。然而,目前大多数监管依赖于人工过滤监控画面,存在人力成本大、容易误判、缺乏客观性等缺点。因此,如果能够在变电站中实现违规行为自动识别,对于增强变电站的安全管控,保障人身和财产安全具有重要意义。近年来,借助于图像处理技术对人员违规行为进行识别得到快速发展,但也存在诸多难题,如适用场景较简单,鲁棒性差等。
发明内容
为了解决背景技术中的问题,本发明提出了一种基于ResNet101特征金字塔的变电站违规行为识别方法,能高效识别违规行为并具有良好稳定性。
本发明的技术方案包括以下步骤:
1)通过巡检机器人摄像头或固定监控摄像机采集包含变电站工作人员各类违规行为的样本图片,样本图片包含佩戴和未佩戴安全帽的人,穿工作服和未穿工作服的人,穿安全马甲和未穿安全马甲的人;
2)遍历1)中所述图像集中所有的样本图片,对每张样本图像用矩形框包围戴安全帽人员的头部区域并标记类别为“佩戴安全帽”,包围未戴安全帽人员的头部区域并标记类别为“未佩戴安全帽”;包围未穿工作服人员的整个人体区域并标记类别为“未穿工作服”,包围穿着工作服人员的整个人体区域并标记类别为“穿工作服”;包围未穿安全马甲人员的上半身区域并标记类别为“未穿安全马甲”,包围穿安全马甲人员的上半身区域并标记类别为“穿安全马甲”;由此获得标注好六个类别的原始训练集;
3)将步骤2)获得的原始训练集样本图片进行尺度缩放处理,获得缩放后的训练集;
具体是先将每张样本图片的较长边变换到预设目标尺寸,再根据较长边的缩放尺度将较短边进行相同比例的缩放,获得缩放后的训练集。
4)采用COCO2017数据集输入ResNet101特征金字塔模型进行预训练,迭代得到预训练模型,将步骤3)中所述的缩放后的训练集输入预训练模型进行针对训练迭代得到变电站违规行为识别模型;
5)实时采集变电站环境下人员操作行为的待测图像,按照步骤3)中相同方式进行尺度缩放,再输入至步骤4)中得到的变电站违规行为识别模型中计算违规行为分类置信度和定位框坐标,将大于50%的分类置信度结果作为待测图像的识别结果。
所述的违规行为样本图片是指以变电站工作人员作为目标物,拍摄范围为正对目标物的左右偏差0~30°视角之间的范围以及俯视偏差为50°~70°视角、仰视偏差为50°~70°视角之间的范围内采集获得图片。
所述的训练集中的包围框为长方形框,包围框内变电站违规行为的目标物的区域面积占包围框面积的比例大于80%。
所述的ResNet101特征金字塔模型由101个卷积层构成,采用残差块的跳跃连接结构,采用6个不同大小的特征图进行特征提取。
所述步骤4)中预训练后采用以下过程建立ResNet101特征金字塔模型:
4.1)以包含变电站人员违规行为的样本图像为输入,通过卷积、池化、非线性激活和上采样等操作,提取图像的语义特征,得到多个尺度的特征图;
4.2)对ResNet101特征金字塔模型中的第2至6卷积模块的特征图用两个不同卷积核的卷积层进行卷积,一个卷积层输出变电站违规行为分类置信度,另一个卷积层输出变电站违规行为的定位信息;
输出分类置信度时,每个定位框生成六个类别各自的置信度;
输出定位信息时,每个定位框生成四个坐标值(x,y,w,h);
4.3)将第2至6层特征图输出的所有分类置信度结果和定位信息合并,通过非极大值抑制处理得到最终的识别结果。
所述步骤4.2)中按下述方法处理:
4.2.1.1)ResNet101特征金字塔模型具有五大卷积模块,五个卷积模块均有各自的最后一层卷积层,即Conv1层以及Conv2_x~Conv5_x层的共五个卷积层,将ResNet101网络中五个卷积模块的最后一个卷积层Conv2_x~Conv5_x输出的特征图依次为{C2,C3,C4,C5},四个特征图大小分别对应为原图的1/4、1/8、1/16和1/32,对Conv5_x层输出的特征图C5进行一次1x1卷积核的卷积得到stage5特征图;
4.2.1.2)对stage5特征图进行步长为2的池化操作得到stage6特征图,stage6特征图的尺寸为原图的1/64,对stage6特征图进行一次3x3卷积核的卷积得到用于分类和定位任务的P6特征图;
4.2.1.3)对stage5特征图再进行一次3x3卷积核的卷积得到P5特征图,尺寸为原图的1/32;
4.2.1.4)对stage5特征图进行步长为2的上采样操作后的结果以及对Conv4_x层输出的特征图C4进行1x1卷积核的卷积操作后的结果进行逐像素相加,得到stage4特征图,后对stage4特征图进行一次3x3卷积核的卷积得到P4特征图,P4特征图的尺寸为原图的1/16;
4.2.1.5)对stage4特征图进行步长为2的上采样操作的结果以及对Conv3_x层输出的特征图C3进行1x1卷积核的卷积操作后的结果进行逐像素相加,得到stage3特征图,后对stage3特征图进行一次3x3卷积核的卷积得到P3特征图,P3特征图的尺寸为原图的1/8;
4.2.1.6)对stage3特征图进行步长为2的上采样操作的结果以及对Conv2_x层输出的特征图C2进行1x1卷积核的卷积操作后的结果进行逐像素相加,得到stage2特征图,后对stage2特征图进行一次3x3卷积核的卷积得到P2特征图,P2特征图的尺寸为原图的1/4;
步骤2:
对P2特征图分为64x64个单元,每个单元上使用四个锚框,每个锚框采用不同数量的卷积核进行卷积操作分别进行分类和定位回归预测,分类回归预测的输出框内目标分别属于“穿安全帽”、“未穿安全帽”、“穿工作服”、“未穿工作服”、“穿安全马甲”、“未穿安全马甲”的置信度分数;定位回归预测输出定位框的四个值,分别对应定位框左上角点的横坐标x1和纵坐标y1以及定位框的右下角点的横坐标x2和纵坐标y2;
之后会求取定位框和包围框之间的损失,以及目标分类和真实标签之间的损失。
步骤3:
对P3~P6特征图均进行类似步骤2的操作,其中各层特征图的划分依次为32x32、16x16、8x8、4x4大小的单元,使用的锚框数量依次为6、6、6、4。
所述步骤4)中,各个卷积层分别为:
所述的第一个卷积模块最后卷积层Conv1,使用步长为2、7x7卷积核大小的64个卷积滤波器,在原始图像上卷积得到1/2原图大小,通道数为64的特征图,然后使用批归一化层和ReLu函数进行归一化和非线性激活;
所述的第二个卷积模块最后卷积层Conv2_x层,先使用步长为2、3x3卷积核大小的最大池化层,在Conv1层输出的特征图上池化得到1/4原图大小,通道数为64的特征图;接着依次输入连续三个相同的残差块得到1/4原图大小,通道数为256的特征图;所述残差块的结构由64个1x1卷积核且后接批归一化层和ReLU函数的卷积、64个3x3卷积核且后接批归一化层和ReLU函数的的卷积和256个1x1卷积组成,再经三次卷积后输出再接ReLU函数,得到最终残差块的输出;
所述的第三个卷积模块最后卷积层Conv3_x层,采用和Conv2_x层相同的结构,其中包含三组卷积的数量分别为128、128和512的共四个残差块,,最终得到1/8原图大小,通道数为512的特征图;
所述的第四个卷积模块最后卷积层Conv4_x层,采用和Conv2_x层相同的结构,其中残差块包含的三组卷积数量分别为256,256,1024,共23个残差块,69个卷积层,在Conv3_x输出的特征图上卷积,最终得到1/16原图大小,通道数为1024的特征图;
所述的第五个卷积模块最后卷积层Conv5_x层,采用和Conv2_x层相同的结构,其中残差块包含的三组卷积数量分别为512,512,2048,共3个残差块,9个卷积层,在Conv5_x输出的特征图上卷积,最终得到1/32原图大小,通道数为2048的特征图。
本发明首先利用将监控图像以固定尺寸输入到ResNet101基础网络,经过多层卷积、池化等操作提取图像特征;其次加入特征金字塔,通过自顶向下通道和横向连接在ResNet101基础上提取多尺度的特征;最后根据得到的特征图,进行违规行为分类和定位的边界框回归,实现违规行为的识别与定位。
本发明具有的有益的效果是:
相比于以往的违规行为识别方法,本发明方法准确率高,鲁棒性好,且对不同场景下的违规行为识别具有通用性;
根据目标物体在图片中像素占比小的特点,本发明选择了特征提取能力更强的ResNet101基础网络,此外,通过特征金字塔融合低层特征图的位置信息和高层特征图的语义信息,实现小物体的检测和识别,并在违规行为识别任务上取得了不错的准确率;
本发明具有卷积神经网络的优点,能够适应不同人体姿态、不同场景、光照条件等多因素的干扰,具有较强的抗干扰能力。
综合来说,本发明能够实现变电站违规行为的自动识别,具有较高的准确率,并且具有稳定性好,抗干扰能力强,通用性高等优点,具有良好的鲁棒性,能够应用于机器人巡检***或者是变电站智能视频监控***。
附图说明
图1为所述ResNet101特征金字塔结构示意图。
图2为实施例训练样本图片。
图3为实施例本方法不同场景、人体姿态下违规行为识别结果图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
按照本发明发明内容完整方法实施的实施过程如下:
实验图片共有3000张,其中用于训练的图片有2400张,未佩戴安全帽的标签2334个,佩戴安全帽的标签2010个,未穿工作服的标签3030个,穿工作服的标签1085个,未穿安全马甲的标签2668个,穿安全马甲的标签1629个。训练时,先将每张样本图片的较长边变换到1200像素大小,再根据较长边的缩放尺度将较短边进行相同比例的缩放。训练迭代次数为30000,基础学习率为0.025,在15000和25000时,学习率衰减为原来的0.1。将验证集的600张图片依次输入训练好的变电站违规识别模型,得到验证结果如表1所示:
表1 验证集结果
类别 | 准确率 |
佩戴安全帽 | 0.897 |
未佩戴安全帽 | 0.893 |
穿工作服 | 0.903 |
未穿工作服 | 0.896 |
穿安全马甲 | 0.903 |
未穿安全马甲 | 0.898 |
平均 | 0.898 |
从表1中可以看出,本发明设计的模型对各类违规行为都能取得不错的识别准确率,平均在90%左右。
结合结果示例图2、图3,可以充分证明,本发明能够实现变电站多种违规行为识别,具有较高的准确率,并且具有稳定性好,抗干扰能力强,通用性高等优点,对不同的人体姿态、不同场景和拍摄视角也具有鲁棒性,能够应用于机器人巡检***或者是变电站智能视频监控***。
上述具体实施方式用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (6)
1.一种基于ResNet101特征金字塔的变电站违规行为识别方法,包括以下步骤:
1)通过巡检机器人摄像头或固定监控摄像机采集包含变电站工作人员各类违规行为的样本图片,样本图片包含佩戴和未佩戴安全帽的人,穿工作服和未穿工作服的人,穿安全马甲和未穿安全马甲的人;
2)遍历1)中所述图像集中所有的样本图片,对每张样本图像用矩形框包围戴安全帽人员的头部区域并标记类别为“佩戴安全帽”,包围未戴安全帽人员的头部区域并标记类别为“未佩戴安全帽”;包围未穿工作服人员的整个人体区域并标记类别为“未穿工作服”,包围穿着工作服人员的整个人体区域并标记类别为“穿工作服”;包围未穿安全马甲人员的上半身区域并标记类别为“未穿安全马甲”,包围穿安全马甲人员的上半身区域并标记类别为“穿安全马甲”;由此获得标注好六个类别的原始训练集;
3)将步骤2)获得的原始训练集样本图片进行尺度缩放处理,获得缩放后的训练集;
4)采用COCO2017数据集输入ResNet101特征金字塔模型进行预训练,迭代得到预训练模型,将步骤3)中所述的缩放后的训练集输入预训练模型进行针对训练迭代得到变电站违规行为识别模型;
5)实时采集变电站环境下人员操作行为的待测图像,按照步骤3)中相同方式进行尺度缩放,再输入至步骤4)中得到的变电站违规行为识别模型中计算违规行为分类置信度和定位框坐标,将大于50%的分类置信度结果作为待测图像的识别结果。
2.根据权利要求1所述的一种基于ResNet101特征金字塔的变电站违规行为识别方法,其特征在于:所述的违规行为样本图片是指以变电站工作人员作为目标物,拍摄范围为正对目标物的左右偏差0~30°视角之间的范围以及俯视偏差为50°~70°视角、仰视偏差为50°~70°视角之间的范围内采集获得图片。
3.根据权利要求1所述的一种基于ResNet101特征金字塔的变电站违规行为识别方法,其特征在于:所述的训练集中的包围框为长方形框,包围框内目标物的区域面积占包围框面积的比例大于80%。
4.根据权利要求1所述的一种基于ResNet101特征金字塔的变电站违规行为识别方法,其特征在于:所述步骤4)中预训练后采用以下过程建立ResNet101特征金字塔模型:
4.1)以包含变电站人员违规行为的样本图像为输入,通过卷积、池化、非线性激活和上采样等操作,提取图像的语义特征,得到多个尺度的特征图;
4.2)对ResNet101特征金字塔模型中的第2至6卷积模块的特征图用两个不同卷积核的卷积层进行卷积,一个卷积层输出变电站违规行为分类置信度,另一个卷积层输出变电站违规行为的定位信息;输出分类置信度时,每个定位框生成六个类别各自的置信度;输出定位信息时,每个定位框生成四个坐标值(x,y,w,h);
4.3)将第2至6层特征图输出的所有分类置信度结果和定位信息合并,通过非极大值抑制处理得到最终的识别结果。
5.根据权利要求4所述的一种基于ResNet101特征金字塔的变电站违规行为识别方法,其特征在于:所述步骤4.2)中按下述方法处理:
4.2.1)
4.2.1.1)将ResNet101网络中五个卷积模块的最后一个卷积层Conv2_x~Conv5_x输出的特征图依次为{C2,C3,C4,C5},四个特征图大小分别对应为原图的1/4、1/8、1/16和1/32,对Conv5_x层输出的特征图C5进行一次1x1卷积核的卷积得到stage5特征图;
4.2.1.2)对stage5特征图进行步长为2的池化操作得到stage6特征图,stage6特征图的尺寸为原图的1/64,对stage6特征图进行一次3x3卷积核的卷积得到用于分类和定位任务的P6特征图;
4.2.1.3)对stage5特征图再进行一次3x3卷积核的卷积得到P5特征图,尺寸为原图的1/32;
4.2.1.4)对stage5特征图进行步长为2的上采样操作后的结果以及对Conv4_x层输出的特征图C4进行1x1卷积核的卷积操作后的结果进行逐像素相加,得到stage4特征图,后对stage4特征图进行一次3x3卷积核的卷积得到P4特征图,P4特征图的尺寸为原图的1/16;
4.2.1.5)对stage4特征图进行步长为2的上采样操作的结果以及对Conv3_x层输出的特征图C3进行1x1卷积核的卷积操作后的结果进行逐像素相加,得到stage3特征图,后对stage3特征图进行一次3x3卷积核的卷积得到P3特征图,P3特征图的尺寸为原图的1/8;
4.2.1.6)对stage3特征图进行步长为2的上采样操作的结果以及对Conv2_x层输出的特征图C2进行1x1卷积核的卷积操作后的结果进行逐像素相加,得到stage2特征图,后对stage2特征图进行一次3x3卷积核的卷积得到P2特征图,P2特征图的尺寸为原图的1/4;
4.2.2)对P2特征图分为64x64个单元,每个单元上使用四个锚框,每个锚框采用不同数量的卷积核进行卷积操作分别进行分类和定位回归预测,分类回归预测的输出框内目标分别属于“穿安全帽”、“未穿安全帽”、“穿工作服”、“未穿工作服”、“穿安全马甲”、“未穿安全马甲”的置信度分数;定位回归预测输出定位框的四个值,分别对应定位框左上角点的横坐标x1和纵坐标y1以及定位框的右下角点的横坐标x2和纵坐标y2;
4.2.3)对P3~P6特征图均进行类似步骤2的操作,其中各层特征图的划分依次为32x32、16x16、8x8、4x4大小的单元,使用的锚框数量依次为6、6、6、4。
6.根据权利要求5所述的一种基于ResNet101特征金字塔的变电站违规行为识别方法,其特征在于:所述步骤4)中,各个卷积层分别为:
所述的第一个卷积模块最后卷积层Conv1,使用步长为2、7x7卷积核大小的64个卷积滤波器,在原始图像上卷积得到1/2原图大小,通道数为64的特征图,然后使用批归一化层和ReLu函数进行归一化和非线性激活;
所述的第二个卷积模块最后卷积层Conv2_x层,先使用步长为2、3x3卷积核大小的最大池化层,在Conv1层输出的特征图上池化得到1/4原图大小,通道数为64的特征图;接着依次输入连续三个相同的残差块得到1/4原图大小,通道数为256的特征图;所述残差块的结构由64个1x1卷积核且后接批归一化层和ReLU函数的卷积、64个3x3卷积核且后接批归一化层和ReLU函数的的卷积和256个1x1卷积组成,再经三次卷积后输出再接ReLU函数,得到最终残差块的输出;
所述的第三个卷积模块最后卷积层Conv3_x层,采用和Conv2_x层相同的结构,其中包含三组卷积的数量分别为128、128和512的共四个残差块,,最终得到1/8原图大小,通道数为512的特征图;
所述的第四个卷积模块最后卷积层Conv4_x层,采用和Conv2_x层相同的结构,其中残差块包含的三组卷积数量分别为256,256,1024,共23个残差块,69个卷积层,在Conv3_x输出的特征图上卷积,最终得到1/16原图大小,通道数为1024的特征图;
所述的第五个卷积模块最后卷积层Conv5_x层,采用和Conv2_x层相同的结构,其中残差块包含的三组卷积数量分别为512,512,2048,共3个残差块,9个卷积层,在Conv5_x输出的特征图上卷积,最终得到1/32原图大小,通道数为2048的特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010326629.0A CN111582073A (zh) | 2020-04-23 | 2020-04-23 | 一种基于ResNet101特征金字塔的变电站违规行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010326629.0A CN111582073A (zh) | 2020-04-23 | 2020-04-23 | 一种基于ResNet101特征金字塔的变电站违规行为识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582073A true CN111582073A (zh) | 2020-08-25 |
Family
ID=72116668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010326629.0A Pending CN111582073A (zh) | 2020-04-23 | 2020-04-23 | 一种基于ResNet101特征金字塔的变电站违规行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582073A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036744A (zh) * | 2020-08-28 | 2020-12-04 | 深圳前海微众银行股份有限公司 | 一种确定工作状况的方法及装置 |
CN112101157A (zh) * | 2020-09-03 | 2020-12-18 | 江苏自然数智能科技有限公司 | 一种未戴安全帽检测方法、***、设备及存储介质 |
CN112183472A (zh) * | 2020-10-28 | 2021-01-05 | 西安交通大学 | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 |
CN112257545A (zh) * | 2020-10-19 | 2021-01-22 | 安徽领云物联科技有限公司 | 一种违规行为实时监控分析方法、装置及存储介质 |
CN113033393A (zh) * | 2021-03-24 | 2021-06-25 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 基于机器视觉的火电站人员操作安全监控***及方法 |
CN113822277A (zh) * | 2021-11-19 | 2021-12-21 | 万商云集(成都)科技股份有限公司 | 基于深度学习目标检测的违规广告图片检测方法及*** |
CN114157829A (zh) * | 2020-09-08 | 2022-03-08 | 顺丰科技有限公司 | 模型训练优化方法、装置、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009515A (zh) * | 2017-12-14 | 2018-05-08 | 杭州远鉴信息科技有限公司 | 一种基于fcn的无人机航拍图像的输电线定位识别方法 |
CN108171117A (zh) * | 2017-12-05 | 2018-06-15 | 南京南瑞信息通信科技有限公司 | 基于多核异构并行计算的电力人工智能视觉分析*** |
CN108694401A (zh) * | 2018-05-09 | 2018-10-23 | 北京旷视科技有限公司 | 目标检测方法、装置及*** |
CN108875521A (zh) * | 2017-12-20 | 2018-11-23 | 北京旷视科技有限公司 | 人脸检测方法、装置、***和存储介质 |
CN110120036A (zh) * | 2019-04-17 | 2019-08-13 | 杭州数据点金科技有限公司 | 一种多尺度的轮胎x光病疵检测方法 |
CN110390691A (zh) * | 2019-06-12 | 2019-10-29 | 合肥合工安驰智能科技有限公司 | 一种基于深度学习的矿石尺度测量方法及应用*** |
CN111027491A (zh) * | 2019-12-12 | 2020-04-17 | 江西洪都航空工业集团有限责任公司 | 一种基于无锚点机制的火焰检测方法及装置 |
-
2020
- 2020-04-23 CN CN202010326629.0A patent/CN111582073A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171117A (zh) * | 2017-12-05 | 2018-06-15 | 南京南瑞信息通信科技有限公司 | 基于多核异构并行计算的电力人工智能视觉分析*** |
CN108009515A (zh) * | 2017-12-14 | 2018-05-08 | 杭州远鉴信息科技有限公司 | 一种基于fcn的无人机航拍图像的输电线定位识别方法 |
CN108875521A (zh) * | 2017-12-20 | 2018-11-23 | 北京旷视科技有限公司 | 人脸检测方法、装置、***和存储介质 |
CN108694401A (zh) * | 2018-05-09 | 2018-10-23 | 北京旷视科技有限公司 | 目标检测方法、装置及*** |
CN110120036A (zh) * | 2019-04-17 | 2019-08-13 | 杭州数据点金科技有限公司 | 一种多尺度的轮胎x光病疵检测方法 |
CN110390691A (zh) * | 2019-06-12 | 2019-10-29 | 合肥合工安驰智能科技有限公司 | 一种基于深度学习的矿石尺度测量方法及应用*** |
CN111027491A (zh) * | 2019-12-12 | 2020-04-17 | 江西洪都航空工业集团有限责任公司 | 一种基于无锚点机制的火焰检测方法及装置 |
Non-Patent Citations (4)
Title |
---|
TAO FENG ET AL.: "A Double-Branch Surface Detection System for Armatures in Vibration Motors with Miniature Volume Based on ResNet-101 and FPN", 《SENSORS》 * |
吴冬梅等: "基于改进Faster RCNN的安全帽检测及身份识别", 《信息技术与信息化》 * |
孔英会等: "基于改进Mask R-CNN模型的电力场景目标检测方法", 《科学技术与工程》 * |
江洋等: "基于RetinaNet深度学习模型的火焰检测研究", 《海南大学学报(自然科学版)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036744A (zh) * | 2020-08-28 | 2020-12-04 | 深圳前海微众银行股份有限公司 | 一种确定工作状况的方法及装置 |
CN112101157A (zh) * | 2020-09-03 | 2020-12-18 | 江苏自然数智能科技有限公司 | 一种未戴安全帽检测方法、***、设备及存储介质 |
CN114157829A (zh) * | 2020-09-08 | 2022-03-08 | 顺丰科技有限公司 | 模型训练优化方法、装置、计算机设备及存储介质 |
CN112257545A (zh) * | 2020-10-19 | 2021-01-22 | 安徽领云物联科技有限公司 | 一种违规行为实时监控分析方法、装置及存储介质 |
CN112183472A (zh) * | 2020-10-28 | 2021-01-05 | 西安交通大学 | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 |
CN113033393A (zh) * | 2021-03-24 | 2021-06-25 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 基于机器视觉的火电站人员操作安全监控***及方法 |
CN113033393B (zh) * | 2021-03-24 | 2022-09-30 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 基于机器视觉的火电站人员操作安全监控***及方法 |
CN113822277A (zh) * | 2021-11-19 | 2021-12-21 | 万商云集(成都)科技股份有限公司 | 基于深度学习目标检测的违规广告图片检测方法及*** |
CN113822277B (zh) * | 2021-11-19 | 2022-02-18 | 万商云集(成都)科技股份有限公司 | 基于深度学习目标检测的违规广告图片检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582073A (zh) | 一种基于ResNet101特征金字塔的变电站违规行为识别方法 | |
CN110348376B (zh) | 一种基于神经网络的行人实时检测方法 | |
WO2021042682A1 (zh) | 变电站异物识别方法、装置、***、电子设备和存储介质 | |
CN108009515B (zh) | 一种基于fcn的无人机航拍图像的输电线定位识别方法 | |
CN112950667A (zh) | 一种视频标注方法、装置、设备及计算机可读存储介质 | |
CN104850857B (zh) | 基于视觉空间显著性约束的跨摄像机行人目标匹配方法 | |
CN108010025A (zh) | 基于rcnn的屏柜的开关与指示灯定位和状态识别方法 | |
CN111079518A (zh) | 一种基于执法办案区场景下的倒地异常行为识别方法 | |
CN111091110A (zh) | 一种基于人工智能的反光背心穿戴识别方法 | |
CN110557628A (zh) | 一种检测摄像头遮挡的方法、装置及电子设备 | |
CN111428664A (zh) | 一种基于人工智能深度学习技术的计算机视觉的实时多人姿态估计方法 | |
CN110969110A (zh) | 一种基于深度学习的人脸跟踪方法及*** | |
CN113177941B (zh) | 一种钢卷边裂识别方法、***、介质和终端 | |
CN114170686A (zh) | 一种基于人体关键点的屈肘行为检测方法 | |
CN112613359B (zh) | 用于人员异常行为检测的神经网络的构建方法 | |
CN112580778A (zh) | 基于YOLOv5和Pose-estimation的工地工人手机使用检测方法 | |
CN111241891B (zh) | 一种人脸图像切图方法、装置及计算机可读存储介质 | |
CN117274852A (zh) | 一种轻量化的违规投递垃圾行为识别方法 | |
CN116229502A (zh) | 基于图像的摔倒行为识别方法及设备 | |
CN115994953A (zh) | 电力现场安监追踪方法及*** | |
CN112435240B (zh) | 一种面向工人违规使用手机的深度视觉手机检测*** | |
CN115346169A (zh) | 一种睡岗行为检测方法及*** | |
CN114120444A (zh) | 基于人体骨架特征的3d卷积神经网络不安全行为检测*** | |
CN108197579B (zh) | 防护舱中人数的检测方法 | |
CN112861711A (zh) | 区域入侵检测方法、装置、电子设备及存储介质 |
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: 20200825 |