CN112560627A - 基于神经网的工地人员异常行为实时检测方法 - Google Patents
基于神经网的工地人员异常行为实时检测方法 Download PDFInfo
- Publication number
- CN112560627A CN112560627A CN202011427696.8A CN202011427696A CN112560627A CN 112560627 A CN112560627 A CN 112560627A CN 202011427696 A CN202011427696 A CN 202011427696A CN 112560627 A CN112560627 A CN 112560627A
- Authority
- CN
- China
- Prior art keywords
- neural network
- abnormal
- construction site
- real
- target
- 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 23
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000011897 real-time detection Methods 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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]
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
一种基于神经网的工地人员异常行为实时检测方法,步骤包括:1)在工地现场部署摄像机,用于采集人员图像信息;获取工地现场摄像机视频信流,并截取单帧图片;2)按照预先设定的输入图像的尺寸要求,改变输入图像大小;3)采用编码器‑解码器架构神经网络对经过步骤2)处理的图像进行处理,生成不同的尺度下的特征映射图;4)基于不同尺度下的特征映射图,获取不同尺寸目标的位置区域;5)过滤虚警检测;6)根据感兴趣目标的存在状态,推断异常行为是否发生;7)输出异常行为实时检测结果。本发明采用物联网、机器学习及区块链技术达到提升工地管理智能化、透明化程度的效果,解决工地管理难度大的问题。
Description
技术领域
本技术方案是计算机技术在安监场景中的应用技术,具体是一种人员异常行为的实时检测方法,具体是该方法在工地场景的应用,本实时检测方法采用编码器-解码器架构神经网络。
背景技术
传统工地管理面临建筑工地环境复杂、从业人员管理难、事故多发且调查取证难、项目安全管理难等问题。
随着手机使用的普及,工地工人进行作业时使用手机,会增加安全事故发生的可能性。而依靠人员监督难以起到实时的监督作用,如果采用事后监控视频进行检查,也需要大量的人力和时间成本,而且对预防安全事故来说,其效果远不如即时发现、即时处理。
发明内容
为了解决上述技术问题,发明提出一种基于神经网的工地人员异常行为实时检测方法,步骤包括:
1)在工地现场部署摄像机,用于采集人员图像信息;获取工地现场摄像机视频信流,并截取单帧图片;
2)按照预先设定的输入图像的尺寸要求,改变输入图像大小(采用resize函数,常见的插值算法有:最近邻、双线性、双三次、基于像素区域关系以及兰索斯插值算法);其特征是步骤还包括:
3)采用编码器-解码器架构神经网络对经过步骤2)处理的图像进行处理,生成不同的尺度下的特征映射图;
所述编码器-解码器架构神经网络的构建方法为:
首先基于多分支卷积模块,生成不同的尺度下的特征映射图;
然后构建一个卷积神经网络,为编码器-解码器架构;其中编码器提取语义和细节信息,解码器恢复特征图尺寸,获得最终分割结果;
最后对不同分支上的特征进行融合,获得准确的目标分割结果;
4)基于不同尺度下的特征映射图,获取不同尺寸目标的位置区域;不同尺寸目标分别为:人体、人脸、手机、安全帽;
5)过滤虚警检测;
6)根据感兴趣目标的存在状态,推断异常行为是否发生;
目标的状态与异常行为之间的对应关系为:
若手机位置与人脸位置很接近,则判断为打电话,为异常;反之正常;
若安全帽位置与人***置接近,则判断为异常;
若安全帽位置与人脸位置很接近,则判断为正常;反之异常;
7)输出异常行为实时检测结果。
所述步骤3)中,步骤2)得到的图像送入FPN特征网络(特征图金字塔网络)中,不同尺度的ROI使用不同特征层作为ROI pooling层的输入;
对于输入图像中的不同尺寸目标的不同特征,利用浅层的特征将简单的目标的区分开,利用深层的特征将复杂的目标区分开;
增加两个1024维的轻量级全连接层,跟上分类器和边框回归;对检测到的各个目标形成一个边界框即Boundingbox,返回检测到目标的位置信息,位置信息包括边界框四个顶点的坐标信息;
所述步骤5)中,过滤虚警检测的方法为:采用基于不同目标的相对位置约束惩罚函数,筛选最优分布组合:
设安全帽、安全服、手机的位置中心点分别表示为:M(x,y),F(x,y),J(x,y)最优分布算法为:
F={(x,y)|(x,y)∈R}
其中,F中的任何一个元素为可行解,(x,y)*为最优解。
建立相对位置约束惩罚函数的方法为:
约束优化问题的一般形式可表达如下:
min(f(x,y)),(x,y)=[(x1,y1),...,(xn,yn)]T
yM>yF,y>0
其中,(x,y)=[(x1,y1),...,(xn,yn)]T为决策变量,f((x,y))为目标函数。
应用场景中,规定安全服与安全帽的位置为:安全帽在安全服之上是正常;手机在安全帽附近是异常;
所述决策变量是安全帽安全服与手机的位置坐标(x,y);
空间位置约束模型参考图2,M、F、J分别代表安全帽、安全服、手机的位置。
所述步骤2)中,确定输入图像的尺寸的步骤为:
2.1)统计感兴趣目标在图像中的分布尺寸,确定输入图像的尺寸;(感兴趣的目标即为人员以及附属物,附属物是手机、安全帽、安全服等)
2.2)统计感兴趣目标位置分布规律,用来统计安全帽安全服及手机之间的相对位置关系,确定异常事件分类。
采用公开数据集预训练好的深度学习目标检测网络,根据部署场景微调训练后,得到部署后目标检测网络,再进行实时人员、各个物体检测。根据部署场景微调训练,方法为:现场场景与实验时会存在误检测和漏检测的情况,则根据实际场景数据进行调参处理。
检测到的人员和各个物体形成一个边界框即Boundingbox,返回检测到的人员、各个物体的位置信息,位置信息包括边界框四个顶点的坐标信息;
采用微小目标检测网络即特征金字塔网络FPN,进行实时人员、各个物体检测;返回检测到的人员、各个物体的位置信息。
所述步骤3)中的网络构建方法具体可以为:
3.1、把低分辨率、高语义信息的高层特征和高分辨率、低语义信息的低层特征进行自上而下的侧边连接,使得所有尺度下的特征都有丰富的语义信息;
3.2、采用FPN特征金字塔网络进行多尺度目标检测;不同尺度的ROI,使用不同特征层作为ROI pooling层的输入;
图像中不同尺寸的目标的不同特征,利用浅层的特征将简单的目标的区分开;利用深层的特征将复杂的目标区分开;
增加两个1024维的轻量级全连接层,跟上分类器和边框回归;对检测到的各个目标形成一个边界框即Boundingbox,返回检测到目标的位置信息,位置信息包括边界框四个顶点的坐标信息;
3.3、解码器输出的特征图经过Softmax函数,得到目标区域的分布概率图,在通过交叉熵函数与分割真值图比较计算损失;损失在网络中反向传播,得到网络中参数的梯度,再根据梯度下降法来调整参数,使损失值减小;网络达到最佳;交叉熵损失函数计算如下:
其中,W和H分别为分割真值图宽和高,yij代表像素(i,j)的真实类别,pij代表像素(i,j)的目标概率。
过滤虚警检测的方法为:采用基于不同目标的相对位置约束惩罚函数,筛选最优分布组合:
设安全帽、安全服、手机的位置中心点分别表示为:Z1(x1,y1),Z2(x2,y2),Z3(x3,y3)
最优分布算法为:
F={(x,y)|(x,y)∈R}
其中,F中的任何一个元素为可行解,(x,y)*为最优解。
建立相对位置约束惩罚函数的方法为:约束优化问题的一般形式可表达如下:
min(f(x,y)),(x,y)=[(x1,y1),...,(xn,yn)]T
yM>yF,y>0
其中,(x,y)=[(x1,y1),...,(xn,yn)]T为决策变量,f((x,y))为目标函数。
本发明采用物联网、机器学习及区块链技术达到提升工地管理智能化、透明化程度的效果,解决工地管理难度大的问题。
附图说明
图1为应用于智慧工地场景的人员异常行为实时检测方法流程图。
图2是空间位置约束模型示意图,其中,Z1,Z2,Z3代表目标相对位置。
具体实施方式
参考图1对技术方案进一步说明:
针对不同目标尺寸的差异,通过在不同尺度上的目标检测、不同目标相对位置约束惩罚等处理,实现对安全帽、安全服、手机等不同尺寸特定目标的一体化检测,从而判断是否存在异常行为。
具体地,智慧工地人员异常行为实时检测方法的步骤为:
步骤S1:获取摄像机视频信流,并截取单帧图片;
步骤S2:统计感兴趣目标在图像中的分布尺寸,确定输入图像的尺寸;
步骤S3:统计感兴趣目标位置分布规律;
采用公开数据集预训练好的深度学习目标检测网络模型,根据部署场景微调训练后,得到部署后目标检测网络,再进行实时人员、各个物体检测;
检测到的人员和各个物体形成一个边界框即Boundingbox,返回检测到的人员、各个物体的位置信息,位置信息包括边界框四个顶点的坐标信息;
进一步优选的,采用微小目标检测网络进行实时人员、各个物体检测,返回检测到的人员、各个物体的位置信息。
步骤S4:按照步骤2)中确定的尺寸要求,resize输入图像;
步骤S5:基于多分支卷积模块,生成不同的尺度下的特征映射图;
构建一个卷积神经网络,为编码器-解码器架构,其中编码器提取语义和细节信息,解码器恢复特征图尺寸,获得最终分割结果;最后对不同分支上的特征进行融合,获得准确的目标分割结果;
解码器输出的特征图经过Softmax函数,得到目标区域的分布概率图,在通过交叉熵函数与分割真值图比较计算损失;损失在网络中反向传播,得到网络中参数的梯度,再根据梯度下降法来调整参数,使损失值减小。网络达到最佳;交叉熵损失函数计算如下:
其中,W和H分别为分割真值图宽和高,yij代表像素(i,j)的真实类别,pij代表像素(i,j)的目标概率。
步骤S6:建立相对位置约束惩罚函数;
约束优化问题的一般形式可表达如下:
minf(x),x=[x1,...,xn]T
其满足以下m个约束条件:
gj(x)≤0,j=1,...,q
hj(x)=0,j=q+1,...,m
其中,x=[x1,...,xn]T为决策变量,f(x)为目标函数,q为不等式约束条件个数,m-q为等式约束条件个数。如果在候选解x处gj(x)=0,则约束条件gj(x)≤0称为候选解的积极约束条件。
步骤S7:基于不同尺度下的特征映射图,获取不同尺寸目标的位置区域;
步骤S8:基于步骤4)中建立的不同目标的相对位置约束惩罚函数,筛选最优分布组合,过滤虚警检测;最优分布算法如下:
F={x|x∈D,g(x)≥0}
f(x*)=min{f(x)|x∈F}
其中,F中的任何一个元素为可行解,x*为最优解。
步骤S9:根据感兴趣目标的存在状态,推断异常行为是否发生;
步骤S10:输出异常行为实时检测结果。
Claims (4)
1.一种基于神经网的工地人员异常行为实时检测方法,步骤包括:
1)在工地现场部署摄像机,用于采集人员图像信息;获取工地现场摄像机视频信流,并截取单帧图片;
2)按照预先设定的输入图像的尺寸要求,改变输入图像大小;
其特征是步骤还包括:
3)采用编码器-解码器架构神经网络对经过步骤2)处理的图像进行处理,生成不同的尺度下的特征映射图;
所述编码器-解码器架构神经网络的构建方法为:
首先基于多分支卷积模块,生成不同的尺度下的特征映射图;
然后构建一个卷积神经网络,为编码器-解码器架构;其中编码器提取语义和细节信息,解码器恢复特征图尺寸,获得最终分割结果;
最后对不同分支上的特征进行融合,获得准确的目标分割结果;
4)基于不同尺度下的特征映射图,获取不同尺寸目标的位置区域;不同尺寸目标分别为:人体、人脸、手机、安全帽;
5)过滤虚警检测;
6)根据感兴趣目标的存在状态,推断异常行为是否发生;
目标的状态与异常行为之间的对应关系为:
若手机位置与人脸位置很接近,则判断为打电话,为异常;反之正常;
若安全帽位置与人***置接近,则判断为异常;
若安全帽位置与人脸位置很接近,则判断为正常;反之异常;
7)输出异常行为实时检测结果。
2.根据权利要求1所述的基于神经网的工地人员异常行为实时检测方法,其特征是所述步骤3)中,步骤2)得到的图像送入FPN特征网络中,不同尺度的ROI使用不同特征层作为ROIpooling层的输入;
对于输入图像中的不同尺寸目标的不同特征,利用浅层的特征将简单的目标的区分开,利用深层的特征将复杂的目标区分开;
增加两个1024维的轻量级全连接层,跟上分类器和边框回归;对检测到的各个目标形成一个边界框即Boundingbox,返回检测到目标的位置信息,位置信息包括边界框四个顶点的坐标信息。
3.根据权利要求1所述的基于神经网的工地人员异常行为实时检测方法,其特征是所述步骤5)中,过滤虚警检测的方法为:采用基于不同目标的相对位置约束惩罚函数,筛选最优分布组合。
4.根据权利要求1所述的基于神经网的工地人员异常行为实时检测方法,其特征是所述步骤2)中,确定输入图像的尺寸的步骤为:
2.1)统计感兴趣目标在图像中的分布尺寸,确定输入图像的尺寸;感兴趣的目标即为人员以及附属物,附属物是手机、安全帽、安全服;
2.2)统计感兴趣目标位置分布规律,用来统计安全帽安全服及手机之间的相对位置关系,确定异常事件分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011427696.8A CN112560627A (zh) | 2020-12-09 | 2020-12-09 | 基于神经网的工地人员异常行为实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011427696.8A CN112560627A (zh) | 2020-12-09 | 2020-12-09 | 基于神经网的工地人员异常行为实时检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112560627A true CN112560627A (zh) | 2021-03-26 |
Family
ID=75060867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011427696.8A Pending CN112560627A (zh) | 2020-12-09 | 2020-12-09 | 基于神经网的工地人员异常行为实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560627A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486857A (zh) * | 2021-08-03 | 2021-10-08 | 云南大学 | 一种基于YOLOv4的登高安全检测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563281A (zh) * | 2017-07-24 | 2018-01-09 | 南京邮电大学 | 一种基于深度学习的建筑工地人员安全隐患监测方法 |
CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN111064935A (zh) * | 2019-12-30 | 2020-04-24 | 中祖建设安装工程有限公司 | 一种智慧工地人员姿态检测方法及*** |
WO2020132082A1 (en) * | 2018-12-21 | 2020-06-25 | Waymo Llc | Object classification using extra-regional context |
CN111523434A (zh) * | 2020-04-18 | 2020-08-11 | 李亚茹 | 基于区块链与bim的工地人员异常聚集检测*** |
CN111753705A (zh) * | 2020-06-19 | 2020-10-09 | 神思电子技术股份有限公司 | 一种基于视频分析的智慧工地安全作业的检测方法 |
-
2020
- 2020-12-09 CN CN202011427696.8A patent/CN112560627A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563281A (zh) * | 2017-07-24 | 2018-01-09 | 南京邮电大学 | 一种基于深度学习的建筑工地人员安全隐患监测方法 |
CN108564097A (zh) * | 2017-12-05 | 2018-09-21 | 华南理工大学 | 一种基于深度卷积神经网络的多尺度目标检测方法 |
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
WO2020132082A1 (en) * | 2018-12-21 | 2020-06-25 | Waymo Llc | Object classification using extra-regional context |
CN111064935A (zh) * | 2019-12-30 | 2020-04-24 | 中祖建设安装工程有限公司 | 一种智慧工地人员姿态检测方法及*** |
CN111523434A (zh) * | 2020-04-18 | 2020-08-11 | 李亚茹 | 基于区块链与bim的工地人员异常聚集检测*** |
CN111753705A (zh) * | 2020-06-19 | 2020-10-09 | 神思电子技术股份有限公司 | 一种基于视频分析的智慧工地安全作业的检测方法 |
Non-Patent Citations (1)
Title |
---|
孔英会;王维维;张珂;戚银城;: "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, no. 08, 18 March 2020 (2020-03-18), pages 191 - 199 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486857A (zh) * | 2021-08-03 | 2021-10-08 | 云南大学 | 一种基于YOLOv4的登高安全检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112216049B (zh) | 一种基于图像识别的施工警戒区监测预警***及方法 | |
CN110135269B (zh) | 一种基于混合颜色模型与神经网络的火灾图像检测方法 | |
US9104914B1 (en) | Object detection with false positive filtering | |
US20190012547A1 (en) | Congestion-state-monitoring system | |
CN101406390B (zh) | 检测人体部位和人的方法和设备以及对象检测方法和设备 | |
CN101635835A (zh) | 智能视频监控方法及*** | |
CN106373146B (zh) | 一种基于模糊学习的目标跟踪方法 | |
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 | |
CN109816745A (zh) | 人体热力图展示方法及相关产品 | |
CN111738336A (zh) | 基于多尺度特征融合的图像检测方法 | |
CN112613359B (zh) | 用于人员异常行为检测的神经网络的构建方法 | |
CN111582074A (zh) | 一种基于场景深度信息感知的监控视频树叶遮挡检测方法 | |
CN107483894A (zh) | 基于场景判断实现客运管理的高铁车站视频监控*** | |
CN107103266A (zh) | 二维人脸欺诈检测分类器的训练及人脸欺诈检测方法 | |
CN116343077A (zh) | 一种基于注意力机制与多尺度特征的火灾检测预警方法 | |
CN112270381A (zh) | 基于深度学习的人流量检测方法 | |
CN111639668A (zh) | 一种基于深度学习的人群密度检测方法 | |
CN114399734A (zh) | 一种基于视觉信息的森林火灾预警方法 | |
CN114332739A (zh) | 一种基于运动目标检测和深度学习技术的烟雾检测方法 | |
CN112560627A (zh) | 基于神经网的工地人员异常行为实时检测方法 | |
CN113052139A (zh) | 一种基于深度学习双流网络的攀爬行为检测方法及*** | |
KR20080079443A (ko) | 영상으로부터의 객체 검출 방법 및 장치 | |
CN112580449B (zh) | 智慧工地现场的人员异常行为判别方法 | |
CN102682291A (zh) | 一种场景人数统计方法、装置和*** | |
US20220392225A1 (en) | Concept for Detecting an Anomaly in Input Data |
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 |