CN112184773A - 一种基于深度学习的安全帽佩戴检测方法及*** - Google Patents
一种基于深度学习的安全帽佩戴检测方法及*** Download PDFInfo
- Publication number
- CN112184773A CN112184773A CN202011064308.4A CN202011064308A CN112184773A CN 112184773 A CN112184773 A CN 112184773A CN 202011064308 A CN202011064308 A CN 202011064308A CN 112184773 A CN112184773 A CN 112184773A
- Authority
- CN
- China
- Prior art keywords
- safety helmet
- detection
- headgear
- wearing
- moving
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20228—Disparity calculation for image-based rendering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的安全帽佩戴检测方法及***,属于安防监控领域,包括以下步骤:S1、在服务器端,对现场所有摄像头视频进行运动物体检测,并将摄像头视频中的各运动目标提取出来,得到运动目标图像;S2、将运动目标图像输入到预训练好的安全帽检测模型中,对安全帽的佩戴情况进行检测;其中,安全帽检测模型为深度学习模型;用于训练所述安全帽检测模型的数据集包括标注有工人是否佩戴安全帽的图像。本发明充分利用了现场工人的人体信息和大量摄像头的视频数据,通过提取摄像头视频中的运动目标,对摄像头视频中的无效信息进行过滤,然后基于深度学习模型对运动目标图像进行检测,得到安全帽的佩戴情况,精确度较高,速度较快。
Description
技术领域
本发明属于安防监控领域,更具体地,涉及一种基于深度学习的安全帽佩戴检测方法及***。
背景技术
建筑施工作业过程中,存在着较多安全隐患,使得事故的发生率高居不下。在实践过程中,我们发现,在开展施工作业之前,对建筑工人的行为能力和安全设施的佩戴进行检查,能够有效的减少事故发生的几率。因此,在日常施工作业工程中,监督工人的安全帽等安全设施是否佩戴显得尤为重要。但是目前大部分工地上,采用的都是人为监测,很依赖于现场经验丰富的管理人员,需要他们实时的进行观察和检查,又费时又费力,存在着自动化水平较低,工作量较大,检查项目有限的情况,极容易出现漏检等情况,造成安全隐患。
为了解决以上问题,在现有技术中,一种方法是通过采用Viola-Jones检测器对安全帽的佩戴情况进行检测,采用边缘特征中的两矩形特征来表述安全帽,当在背景较为复杂或者存在遮挡的场景下,检测结果不是很稳健,准确度较低。还有一种方法是将安全帽与传感芯片、定位标识芯片和语音芯片连为一体,且在施工工地场所中架设Zigbee网络,安全帽与中心控制室间采用Zigbee无线网络传输信号,安全帽内的传感芯片可以即时检测监控生产现场的环境情况,并将检测到的信息转化成信号通过Zigbee无线网络传输给中心控制室并处理分析。该方法依赖硬件芯片,成本较高,且对场景下的要求较高。而且在部署中使用RGB颜色空间表示,对于光照的变化极度敏感,并不能通过相对稳定的阈值反映出安全帽的颜色,使得准确率降低。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于深度学习的安全帽佩戴检测方法及***,其目的在于解决现有技术精确度不高的技术问题。
为实现上述目的,第一方面,本发明提供了一种基于深度学习的安全帽佩戴检测方法,包括以下步骤:
S1、在服务器端,对现场所有摄像头视频进行运动物体检测,并将摄像头视频中的各运动目标提取出来,得到运动目标图像;
S2、将运动目标图像输入到预训练好的安全帽检测模型中,对安全帽的佩戴情况进行检测;
其中,安全帽检测模型为深度学习模型;用于训练安全帽检测模型的数据集包括标注有工人是否佩戴安全帽的图像。
进一步优选地,上述S1包括以下步骤:
S11、采用背景差分法获取摄像头视频中当前帧的前景目标图;
S12、分别对当前帧、当前帧的前一帧和后一帧进行边缘检测;将当前帧及其前一帧的边缘检测图像进行差分操作,得到差分图;将当前帧及其后一帧的边缘检测图像进行异或操作,得到异或图;
S13、将所得异或图与当前帧的前景目标图进行或操作后,将所得结果与所得差分图进行与运算;
S14、将所得与运算结果进行形态学处理和连续性分析后,得到运动目标的二值模板,基于所得二值模板将当前帧中的各运动目标提取出来,得到运动目标图像;
S15、重复步骤S11-S14进行迭代,直至完成摄像头视频中所有图像的运动目标提取。
进一步优选地,安全帽检测模型为Yolov5模型。
进一步优选地,若检测到未佩戴安全帽,则发出警示。
第二方面,本发明提供了一种基于深度学习的安全帽佩戴检测***,包括:运动目标图像提取模块和安全帽佩戴情况检测模块;
运动目标图像提取模块用于对现场所有摄像头视频进行运动物体检测,将摄像头视频中的各运动目标提取出来,得到运动目标图像,并输入到安全帽佩戴情况检测模块中;
安全帽佩戴情况检测模块用于将运动物体图像输入到预训练好的安全帽检测模型中,对安全帽的佩戴情况进行检测;
其中,安全帽检测模型为深度学习模型;用于训练安全帽检测模型的数据集包括标注有工人是否佩戴安全帽的图像。
进一步优选地,本发明第二方面所提供的基于深度学习的安全帽佩戴检测***,还包括:警告模块,用于当检测到未佩戴安全帽时,发出警示。
进一步优选地,本发明第二方面所提供的基于深度学习的安全帽佩戴检测***,部署在服务器上。
第三方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第一方面所提供的一种基于深度学习的安全帽佩戴检测方法。
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,能够取得下列有益效果:
1、本发明提出了一种基于深度学习的安全帽佩戴检测方法,充分利用了现场工人的人体信息和大量摄像头的视频数据,通过提取摄像头视频中的运动目标,对摄像头视频中的无效信息进行过滤,然后基于深度学习模型对运动目标图像进行检测,得到安全帽的佩戴情况,精确度较高,速度较快。
2、本发明所提出的一种基于深度学习的安全帽佩戴检测方法,其中,安全帽检测模型为Yolov5模型,其具有密集连接网络,可以实现多层特征的融合,使各层特征被充分的利用;且该模型引入了移动网策略,将标准的卷积切分为深度可分卷积和1×1卷积,能够显著减小计算量和模型大小;另外,在模型的训练过程中,自适应计算锚框,精确度较高。
3、本发明所提出的一种基于深度学习的安全帽佩戴检测方法,通过对工地上所有摄像头的视频数据进行分析处理,从而可以在工人进入工地时对工人是否佩戴安全帽进行检测,自动得出结果并反馈给工地管理人员,同时还能对未佩戴安全帽的施工人员作出提醒,给工地管理提供了方便,极大地减轻了安保人员的工作量,减少因为人工疏忽而带来隐患的可能,给工地提供更安全的施工环境;而且本发明充分利用了工地上的摄像头视频数据,在硬件上只需要部署一台服务器,无需额外配备大量的硬件设施,成本较低。
附图说明
图1是本发明实施例1所提供的基于深度学习的安全帽佩戴检测方法流程图。
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。
实施例1、
一种基于深度学习的安全帽佩戴检测方法,如图1所示,包括以下步骤:
S1、在服务器端,对现场所有摄像头视频进行运动物体检测,并将摄像头视频中的各运动目标提取出来,得到运动目标图像;
本实施例中,获取现场工地出入口摄像头的视频数据,传输至服务器后,在服务器端,对现场所有的摄像头视频进行运动物体检测,具体的,包括以下步骤:
S11、采用背景差分法获取摄像头视频中当前帧的前景目标图;
S12、分别对当前帧、当前帧的前一帧和后一帧进行边缘检测;将当前帧及其前一帧的边缘检测图像进行差分操作,得到差分图;将当前帧及其后一帧的边缘检测图像进行异或操作,得到异或图;具体的,采用Canny算法分别对当前帧、当前帧的前一帧和后一帧进行边缘检测;
S13、将所得异或图与当前帧的前景目标图进行或操作后,将所得结果与所得差分图进行与运算;
S14、将所得与运算结果进行形态学处理和连续性分析后,得到运动目标的二值模板,基于所得二值模板将当前帧中的各运动目标提取出来,得到运动目标图像。需要说明的是,在运动目标的二值模板中,运动目标所在的位置取值为1,其余位置取值为0;
S15、重复步骤S11-S14进行迭代,直至完成摄像头视频中所有图像的运动目标提取。
该方法实现较为简单,不受光线和动态场景变化的影响,避免出现虚假边缘,空洞等现象,鲁棒性较好,同时更新相较于其他方法更新较快,适应能力强,满足了实时性的要求。
S2、将运动目标图像输入到预训练好的安全帽检测模型中,对安全帽的佩戴情况进行检测,若检测到未佩戴安全帽,则发出警示;其中,安全帽检测模型为深度学习模型;
本实施例中,安全帽检测模型为Yolov5模型。Yolov5模型为密集连接网络,其最大的特点就是每一层的输入与前面所有层的输出都相连接,这样可以实现多层特征的融合,充分利用各层的特征。且通过引入移动网策略,将标准的卷积切分为深度可分卷积和1×1卷积,能够显著减小计算量和模型大小。具体的,Yolov5模型的卷积神经网络将输入的图片分割成大小为S×S的网格,然后每个单元格负责去检测那些中心点落在该单元格的目标。每个单元格会预测B个边界框以及边界框的置信度。所谓置信度其实包含两个方面,一是这个边界框含有目标的可能性大小,二是这个边界框的准确度。前者记为Pr(object),当该边界框是背景(即不包含目标)时,Pr(object)=0;而当该边界框包含目标时Pr(object)=1。边界框的准确度可以用预测框与实际框的交并比(intersection over union,IOU)来表征,记为进而置信度为边界框的大小与位置可以用4个值来表征:(x,y,w,h),其中(x,y)是边界框的中心坐标,而w和h是边界框的宽与高。还有一点要注意,中心坐标的预测值(x,y)是相对于每个单元格左上角坐标点的偏移值,并且单位是相对于单元格大小的,边界框的w和h预测值是相对于整个图片的宽与高的比例,这样理论上4个元素的大小应该在[0,1]范围。故每个边界框的预测值实际上包含5个元素:(x,y,w,h,c),其中前4个表征边界框的大小与位置,而最后一个值是置信度。
进一步地,用于训练安全帽检测模型的数据集包括标注有工人是否佩戴安全帽的图像,其中,工人佩戴安全帽的图像为正样本,其他图像为负样本。本实施例中采用安全帽佩戴检测数据集(SafetyHelmetWearing-Dataset,SHWD)对Yolov5模型进行训练,该数据集中共有7581张图像,包含9044个佩戴安全帽的边界框(正类),以及111514个未佩戴安全帽的边界框(负类),所有的图像均被标注出其目标区域及类别。需要说明的是,Yolov5模型在训练过程中,引入自适应锚框计算过程,根据目标的相关统计特征自动进行正负样本的选择。对于每个实际框,首先在每个特征层找到中心点最近的k个候选锚框(非预测结果),计算候选锚框与实际框间的交并比,计算交并比的均值mg和标准差vg,得到交并比阈值tg=mg+vg,最后选择阈值大于tg的候选锚框作为最后的输出。如果候选锚框对应多个实际框,则选择交并比最大的实际框。
通过上述方法,在工人进入工地时对工人是否佩戴安全帽进行精确检测,自动得出结果并反馈给工地管理人员,给工地管理提供了方便,极大地减轻了安保人员的工作量。
实施例2、
一种基于深度学习的安全帽佩戴检测***,部署在服务器上,包括:运动目标图像提取模块和安全帽佩戴情况检测模块;
运动目标图像提取模块用于对现场所有摄像头视频进行运动物体检测,并将摄像头视频中的各运动目标提取出来,得到运动目标图像,并输入到安全帽佩戴情况检测模块中;
安全帽佩戴情况检测模块用于将运动物体图像输入到预训练好的安全帽检测模型中,对安全帽的佩戴情况进行检测;
其中,安全帽检测模型为深度学习模型;用于训练安全帽检测模型的数据集包括标注有工人是否佩戴安全帽的图像。
相关技术方案同实施例1,在此不再赘述。
实施例3、
一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第一方面所提供的一种基于深度学习的安全帽佩戴检测方法。相关技术方案同实施例1,在此不再赘述。
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)
1.一种基于深度学习的安全帽佩戴检测方法,其特征在于,包括以下步骤:
S1、在服务器端,对现场所有摄像头视频进行运动物体检测,并将摄像头视频中的各运动目标提取出来,得到运动目标图像;
S2、将运动目标图像输入到预训练好的安全帽检测模型中,对安全帽的佩戴情况进行检测;
其中,安全帽检测模型为深度学习模型;用于训练所述安全帽检测模型的数据集包括标注有工人是否佩戴安全帽的图像。
2.根据权利要求1所述的安全帽佩戴检测方法,其特征在于,所述S1包括以下步骤:
S11、采用背景差分法获取摄像头视频中当前帧的前景目标图;
S12、分别对当前帧、当前帧的前一帧和后一帧进行边缘检测;将当前帧及其前一帧的边缘检测图像进行差分操作,得到差分图;将当前帧及其后一帧的边缘检测图像进行异或操作,得到异或图;
S13、将所述异或图与所述当前帧的前景目标图进行或操作后,将所得结果与所述差分图进行与运算;
S14、将所述S13的与运算结果进行形态学处理和连续性分析后,得到运动目标的二值模板,基于所述二值模板将当前帧中的各运动目标提取出来,得到运动目标图像;
S15、重复步骤S11-S14进行迭代,直至完成摄像头视频所有图像中运动目标的提取。
3.根据权利要求1所述的安全帽佩戴检测方法,其特征在于,所述安全帽检测模型为Yolov5模型。
4.根据权利要求1-3任意一项所述的安全帽佩戴检测方法,其特征在于,若检测到未佩戴安全帽,则发出警示。
5.一种基于深度学习的安全帽佩戴检测***,其特征在于,包括:运动目标图像提取模块和安全帽佩戴情况检测模块;
所述运动目标图像提取模块用于对现场所有摄像头视频进行运动物体检测,将摄像头视频中的各运动目标提取出来,得到运动目标图像,并输入到安全帽佩戴情况检测模块中;
所述安全帽佩戴情况检测模块用于将运动物体图像输入到预训练好的安全帽检测模型中,对安全帽的佩戴情况进行检测;
其中,安全帽检测模型为深度学习模型;用于训练所述安全帽检测模型的数据集包括标注有工人是否佩戴安全帽的图像。
6.根据权利要求5所述的安全帽佩戴检测***,其特征在于,还包括警告模块,用于当检测到未佩戴安全帽时,发出警示。
7.根据权利要求5或6所述的安全帽佩戴检测***,其特征在于,部署在服务器上。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1-4任意一项所述的安全帽佩戴检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011064308.4A CN112184773A (zh) | 2020-09-30 | 2020-09-30 | 一种基于深度学习的安全帽佩戴检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011064308.4A CN112184773A (zh) | 2020-09-30 | 2020-09-30 | 一种基于深度学习的安全帽佩戴检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112184773A true CN112184773A (zh) | 2021-01-05 |
Family
ID=73947703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011064308.4A Pending CN112184773A (zh) | 2020-09-30 | 2020-09-30 | 一种基于深度学习的安全帽佩戴检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184773A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784821A (zh) * | 2021-03-06 | 2021-05-11 | 深圳市安比智慧科技有限公司 | 基于YOLOv5的工地行为安全检测识别方法及*** |
CN112966618A (zh) * | 2021-03-11 | 2021-06-15 | 京东数科海益信息科技有限公司 | 着装识别方法、装置、设备及计算机可读介质 |
CN113408365A (zh) * | 2021-05-26 | 2021-09-17 | 广东能源集团科学技术研究院有限公司 | 一种复杂场景下的安全帽识别方法及装置 |
CN113838094A (zh) * | 2021-09-28 | 2021-12-24 | 贵州乌江水电开发有限责任公司 | 一种基于智能视频识别的安全预警方法 |
CN116959028A (zh) * | 2023-07-20 | 2023-10-27 | 山东产研鲲云人工智能研究院有限公司 | 监管高空作业安全的方法和巡检设备及计算设备 |
CN117095273A (zh) * | 2023-10-13 | 2023-11-21 | 中山大学深圳研究院 | 一种在线协同的工业视觉检测方法及终端设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024146A (zh) * | 2010-12-08 | 2011-04-20 | 江苏大学 | 猪舍监控视频中前景提取方法 |
US20150334398A1 (en) * | 2014-05-15 | 2015-11-19 | Daniel Socek | Content adaptive background foreground segmentation for video coding |
JP2018025914A (ja) * | 2016-08-09 | 2018-02-15 | 大日本印刷株式会社 | 撮影画像内の個体の検出装置 |
CN108319926A (zh) * | 2018-02-12 | 2018-07-24 | 安徽金禾软件股份有限公司 | 一种工地现场的安全帽佩戴检测***及检测方法 |
CN108921878A (zh) * | 2018-04-30 | 2018-11-30 | 武汉工程大学 | 动目标低对比度下的危险气体泄漏红外视频检测方法 |
CN109377515A (zh) * | 2018-08-03 | 2019-02-22 | 佛山市顺德区中山大学研究院 | 一种基于改进ViBe算法的运动目标检测方法及*** |
CN110188724A (zh) * | 2019-06-05 | 2019-08-30 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的安全帽定位与颜色识别的方法及*** |
-
2020
- 2020-09-30 CN CN202011064308.4A patent/CN112184773A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024146A (zh) * | 2010-12-08 | 2011-04-20 | 江苏大学 | 猪舍监控视频中前景提取方法 |
US20150334398A1 (en) * | 2014-05-15 | 2015-11-19 | Daniel Socek | Content adaptive background foreground segmentation for video coding |
JP2018025914A (ja) * | 2016-08-09 | 2018-02-15 | 大日本印刷株式会社 | 撮影画像内の個体の検出装置 |
CN108319926A (zh) * | 2018-02-12 | 2018-07-24 | 安徽金禾软件股份有限公司 | 一种工地现场的安全帽佩戴检测***及检测方法 |
CN108921878A (zh) * | 2018-04-30 | 2018-11-30 | 武汉工程大学 | 动目标低对比度下的危险气体泄漏红外视频检测方法 |
CN109377515A (zh) * | 2018-08-03 | 2019-02-22 | 佛山市顺德区中山大学研究院 | 一种基于改进ViBe算法的运动目标检测方法及*** |
CN110188724A (zh) * | 2019-06-05 | 2019-08-30 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的安全帽定位与颜色识别的方法及*** |
Non-Patent Citations (3)
Title |
---|
LUO YANLI ET AL.: "Adaptive moving vehicle detection algorithm based on hybrid background subtraction and frame difference", 《TRANS TECH PUBLICATIONS》 * |
WILLIAM: "一文读懂yolov5与yolov4", 《HTTP://ZHUANLAN.ZHIHU.COM/P/161083602》 * |
郑茂凯: "运动目标识别与跟踪方法的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784821A (zh) * | 2021-03-06 | 2021-05-11 | 深圳市安比智慧科技有限公司 | 基于YOLOv5的工地行为安全检测识别方法及*** |
CN112966618A (zh) * | 2021-03-11 | 2021-06-15 | 京东数科海益信息科技有限公司 | 着装识别方法、装置、设备及计算机可读介质 |
CN112966618B (zh) * | 2021-03-11 | 2024-02-09 | 京东科技信息技术有限公司 | 着装识别方法、装置、设备及计算机可读介质 |
CN113408365A (zh) * | 2021-05-26 | 2021-09-17 | 广东能源集团科学技术研究院有限公司 | 一种复杂场景下的安全帽识别方法及装置 |
CN113408365B (zh) * | 2021-05-26 | 2023-09-08 | 广东能源集团科学技术研究院有限公司 | 一种复杂场景下的安全帽识别方法及装置 |
CN113838094A (zh) * | 2021-09-28 | 2021-12-24 | 贵州乌江水电开发有限责任公司 | 一种基于智能视频识别的安全预警方法 |
CN113838094B (zh) * | 2021-09-28 | 2024-03-05 | 贵州乌江水电开发有限责任公司 | 一种基于智能视频识别的安全预警方法 |
CN116959028A (zh) * | 2023-07-20 | 2023-10-27 | 山东产研鲲云人工智能研究院有限公司 | 监管高空作业安全的方法和巡检设备及计算设备 |
CN116959028B (zh) * | 2023-07-20 | 2024-03-01 | 山东产研鲲云人工智能研究院有限公司 | 监管高空作业安全的方法和巡检设备及计算设备 |
CN117095273A (zh) * | 2023-10-13 | 2023-11-21 | 中山大学深圳研究院 | 一种在线协同的工业视觉检测方法及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及*** | |
CN111898514B (zh) | 一种基于目标检测与动作识别的多目标视觉监管方法 | |
CN111881730A (zh) | 一种火电厂现场安全帽佩戴检测方法 | |
US9412025B2 (en) | Systems and methods to classify moving airplanes in airports | |
CN111241959A (zh) | 一种通过工地视频流检测未佩戴安全帽人员的方法 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN102509075A (zh) | 一种遗留物检测方法及装置 | |
CN114241298A (zh) | 一种激光雷达和图像融合的塔吊环境目标检测方法及*** | |
CN111062303A (zh) | 图像处理方法、***及计算机存储介质 | |
KR20190046351A (ko) | 침입 탐지방법 및 그 장치 | |
CN112784821A (zh) | 基于YOLOv5的工地行为安全检测识别方法及*** | |
CN104680145B (zh) | 一种门的开关状态变化检测方法及装置 | |
CN112819068A (zh) | 一种基于深度学习的船舶作业违章行为实时侦测方法 | |
CN112183472A (zh) | 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 | |
CN112287823A (zh) | 一种基于视频监控的面部口罩识别方法 | |
CN113723300A (zh) | 基于人工智能的火情监测方法、装置及存储介质 | |
CN112532927A (zh) | 一种施工现场智能安全管控*** | |
CN115995097A (zh) | 一种基于深度学习的安全头盔佩戴标准判断方法 | |
CN114169404A (zh) | 一种基于图像智能获取边坡病害量化信息方法 | |
CN114979567B (zh) | 一种应用于视频智能监控的物体与区域交互方法及*** | |
CN114783000B (zh) | 一种明厨亮灶场景下工作人员着装规范检测方法及装置 | |
CN115578827B (zh) | 基于ai视频的危化品领用容器跟踪方法及*** | |
CN114022685B (zh) | 一种安全员位置检测方法及*** | |
CN118015330A (zh) | 输煤机运行时人员闯入识别的方法和设备及计算装置 | |
Kachnov et al. | Technology for creation and use of predictional status forecasting systems on ships with multi-criteria information processing algorithms |
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: 20210105 |
|
RJ01 | Rejection of invention patent application after publication |