CN112580449B - 智慧工地现场的人员异常行为判别方法 - Google Patents
智慧工地现场的人员异常行为判别方法 Download PDFInfo
- Publication number
- CN112580449B CN112580449B CN202011410764.XA CN202011410764A CN112580449B CN 112580449 B CN112580449 B CN 112580449B CN 202011410764 A CN202011410764 A CN 202011410764A CN 112580449 B CN112580449 B CN 112580449B
- Authority
- CN
- China
- Prior art keywords
- target
- network
- level network
- human body
- area
- 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.)
- Active
Links
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
- G06N20/00—Machine learning
-
- 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
- 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
- G06V40/10—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
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
一种工地现场的人员异常行为判别方法,本方法基于目标检测网络,对工地现场采集到的人员图像信息进行判别处理,并得到异常行为的检测结果;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;获取摄像机视频信流,并截取单帧图片;2)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;3)按照步骤2)中确定的尺寸,改变输入图像大小,得到标准数据;标准数据中包含有标注各行人的人脸的与人体的位置的位置框信息;4)在目标检测网络中处理,推断异常行为是否发生;最终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,具体是一种智慧工地人员异常行为精准判别及***。
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,本技术方案提出一种智慧工地人员异常行为精准判别方法,可以用于监测工地人员异常行为。
一种工地现场的人员异常行为判别方法,本方法基于目标检测网络,对工地现场采集到的人员图像信息进行判别处理,并得到异常行为的检测结果;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;获取摄像机视频信流,并截取单帧图片;
2)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;
3)按照步骤2)中确定的尺寸,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)得到标准数据;标准数据中包含有标注各行人的人脸的与人体的位置的位置框信息;
4)建立目标检测网络,包括:第一级网络:在不同的分支上分别实现对人脸和人***置的精准检测;第二级网络:在第一级网络的基础上,基于人体区域进行特定目标的精准检测;第三级网络:对人脸区域、人体区域与目标区域的相对位置的拓扑关系建模得到拓扑关系模型,用以来精准判别人员异常行为;
采用第一级网络对待识别视频中图像进行人脸与人体的共同检测,获取准确的人脸位置与人***置;第一级网络输入视频图像,经过第一级网络的检测,输出人脸与人体目标的位置信息;
基于人脸区域,由第二级网络获取安全帽、手机等目标的精准位置;第二级网络输入第一级网络检测出的人脸位置信息,经过第二级网络对人脸区域进行安全帽、手机目标的检测,输出目标信息;
基于人体区域,由第二级网络获取安全服、手机等目标的精准位置;第二级网络的输入第一级网络检测出的人***置信息,经过第二级网络对人体区域进行安全帽、手机目标的检测,输出目标信息;
5)基于拓扑关系模型,筛选最优目标分布组合,过滤不合理的目标分布;
6)由第三级网络采用空间金字塔模型,根据目标分布组合及上下文语义,在不同分辨率下将图像划分成多个子区域,并将这些区域进行局部链接构成视觉直方图表征图像;
第二级网络输出的目标信息,输入至第三级网络中;第三级网络根据目标分布组合及上下文语义,在不同分辨率下将图像划分成多个子区域,并将这些区域进行局部链接构成视觉直方图表征图像;
层次化的上下文融合隐式的引入空间信息;
推断异常行为是否发生,判断标准为:若人脸与手机有相交则异常,人脸与安全帽相交则正常;人体与手机、安全服相交正常,与安全帽相交异常;
7)输出异常行为实时检测结果。
所述目标检测网络是神经网络,这里优选为多等级多分支目标检测网络,它是由三级网络构成,分别为:
第一级网络:在不同的分支上分别实现对人脸和人***置的精准检测;
第二级网络:在第一级网络的基础上,基于人体区域进行特定目标的精准检测;
第三级网络:对人脸区域、人体区域与目标区域的相对位置的拓扑关系建模得到拓扑关系模型,用以来精准判别人员异常行为;
所述目标检测网络的构建步骤包括:
步骤4.1、搭建Tensorflow深度学习框架,其中第一级检测网络模型的配置利用Faster R-CNN算法完成,用于检测人脸及人体目标;
步骤4.2、第二级检测网络模型采用AlexNet网络进行特征提取;AlexNet网络包括5个卷积层和3个全连接层,分别基于人脸和人体进行多目标检测;
步骤4.3、第三级网络采用空间金字塔池化层;构建拓扑关系模型,根据目标分布组合及上下文语义,在不同分辨率下将图像划分为多个scales的bins,然后计算落入每个bins中属于不同分类的个数,并将这些区域进行局部链接构成视觉直方图表征图像;
步骤4.4、采用随机梯度下降法对目标检测网络进行训练;
步骤4.5、利用softmax损失函数对目标检测网络进行优化;
步骤4.6、对目标检测网络进行训练,得到检测模型。
具体来说,所述步骤5)中的拓扑关系模型为:对人脸、人体与相应目标区域的相对位置的拓扑关系建模:
将二维空间划分为九个部分,以目标对象与各方向区域的相交情况为元素构成方向关系矩阵来描述对象空间的方向关系,使空间方向符号化;关系矩阵分为:
a、粗略方向关系矩阵,元素值是0或1,表示参考对象的各方向区域是否与目标对象相交,相交为1,否则为0;
b、精确方向关系矩阵,元素值是各方向区域与目标对象的相交面积的百分比;
精确方向关系矩阵采用面积比例作为描述信息,从数量上对定性方向关系作进一步区分;在相同方向区域内,无论目标对象所占空间范围和位置有何差异,只要面积比例相同均被认为空间方向关系相同。
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为智慧工地人员异常行为实时检测方法流程图;
图2是方向关系矩阵模型图(拓扑关系模型);
具体实施方式
下面结合附图与具体实施例对本技术方案进一步说明:
本智慧工地人员异常行为实时检测方法的步骤如图1所示。
在实施监测之前,首先建立监测网络,本发明的多等级多分支目标检测网络主要由三级网络组成;
第一级网络在不同的分支上分别实现对人脸和人***置的精准检测;
在第一级网络的基础上,第二级网络基于人脸区域进行安全帽、手机等目标的精准检测,基于人体区域进行安全服、手机等特定目标的精准检测;
第三级网络对人脸区域、人体区域与目标区域的相对位置的拓扑关系建模,实现对正确穿戴安全帽/安全服、是否打手机等异常行为的精准判别。
所述多等级多分支目标检测网络的构建步骤包括:
步骤1、搭建Tensorflow深度学习框架,其中第一级检测网络模型的配置利用Faster R-CNN算法完成,用于检测人脸及人体目标;
步骤2、第二级检测网络模型采用AlexNet网络进行特征提取;所述AlexNet网络包括5个卷积层和3个全连接层;分别基于人脸和人体进行多目标检测;
步骤3、第三级网络即空间金字塔,构建拓扑模型,根据目标分布组合及上下文语义,在不同分辨率下将图像划分为多个scales的bins,然后计算落入每个bins中属于不同分类的个数,并将这些区域进行局部链接构成视觉直方图表征图像。
步骤4、采用随机梯度下降法对所述多等级多分支网络进行训练;
步骤5、利用softmax损失函数对所述多等级多分支网络进行优化;
步骤6、对所述多等级多分支网络进行训练,得到检测模型。
参考图1,本例的智慧工地人员异常行为实时检测方法,是基于上述目标检测网络,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:对人脸、人体与特定目标等区域的相对位置的拓扑关系建模(如图2);
将二维空间划分为九个部分,以目标对象与各方向区域的相交情况为元素构成方向关系矩阵来描述对象空间的方向关系,使空间方向符号化。关系矩阵分为:
a、粗略方向关系矩阵,元素值是0或1,表示参考对象的各方向区域是否与目标对象相交(相交为1,否则为0),如公式(3-1)所示;
b、精确方向关系矩阵,元素值是各方向区域与目标对象的相交面积的百分比,如公式(3-2)所示。精确方向关系矩阵采用面积比例作为描述信息,可以从数量上对定性方向关系作进一步区分;在相同方向区域内,无论目标对象所占空间范围和位置有何差异,只要面积比例相同均被认为空间方向关系相同。
通过人脸/人体与相对区域目标的方向关系与角度关系,判断该位置信息与相交关系。
以人脸为例:设OA内目标为人脸,若安全帽在人脸上方30°~150°范围并与人脸部分相交,则为佩戴安全帽,判为正常;
手机若在OA内的人脸左右出现,并与人脸相交,则为打电话行为,判为异常;
安全帽在安全服之上;
式中,A与B表示为检测的目标分布组合。
步骤S4:按照步骤2)中确定的尺寸要求,resize输入图像;标准数据中包含有标注各行人的人脸的与人体的位置的位置框信息。
步骤S5:由第一级网络即基于共同识别模型对待识别视频中图像进行人脸与人体的共同检测,以输出实时的结构化信息;获取准确的人脸位置与人***置;
步骤S6:基于人脸区域,由第二级目标检测网络获取安全帽、手机等目标的精准位置;
步骤S7:基于人体区域,由第二级目标检测网络获取安全服、手机等目标的精准位置;
步骤S8:基于步骤3)中建立的拓扑关系模型,由第三级网络即空间金字塔模型,根据目标分布组合及上下文语义,在不同分辨率下将图像划分成多个子区域,并将这些区域进行局部链接构成视觉直方图表征图像。层次化的上下文融合隐式的引入空间信息。精准的推断异常行为是否发生;
若人脸与手机有相交则异常,人脸与安全帽相交则正常;
人体与手机、安全服相交正常,与安全帽相交异常。
步骤S9:输出异常行为实时检测结果。
Claims (3)
1.一种智慧工地现场的人员异常行为判别方法,其特征是基于目标检测网络,对工地现场采集到的人员图像信息进行判别处理,并得到异常行为的检测结果;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;获取摄像机视频信流,并截取单帧图片;
2)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;
3)按照步骤2)中确定的尺寸,改变输入图像大小得到标准数据;标准数据中包含有标注各行人的人脸的与人体的位置框信息;
4)建立目标检测网络,包括:第一级网络:在不同的分支上分别实现对人脸和人***置的精准检测;第二级网络:在第一级网络的基础上,基于人体区域进行目标的精准检测;第三级网络:对人脸区域、人体区域与目标区域的位置的拓扑关系建模得到拓扑关系模型,用以来精准判别人员异常行为;
采用第一级网络对待识别视频中图像进行人脸与人体的共同检测,获取准确的人脸位置与人***置;第一级网络输入视频图像,经过第一级网络的检测,输出人脸与人体目标的位置信息;
基于人脸区域,由第二级网络获取安全帽、手机目标的精准位置;第二级网络输入第一级网络检测出的人脸位置信息,经过第二级网络对人脸区域进行安全帽、手机目标的检测,输出目标信息;
基于人体区域,由第二级网络获取安全服、手机目标的精准位置;第二级网络入输入第一级网络检测出的人***置信息,经过第二级网络对人体区域进行安全帽、手机目标的检测,输出目标信息;
5)基于拓扑关系模型,筛选最优目标分布组合,过滤不合理的目标分布;
6)由第三级网络采用空间金字塔模型,根据目标分布组合及上下文语义,在不同分辨率下将图像划分成多个子区域,并将这些区域进行局部链接构成视觉直方图表征图像;
第二级网络输出的目标信息,输入至第三级网络中;第三级网络根据目标分布组合及上下文语义,在不同分辨率下将图像划分成多个子区域,并将这些区域进行局部链接构成视觉直方图表征图像;
层次化的上下文融合隐式的引入空间信息;
推断异常行为是否发生,判断标准为:若人脸与手机有相交则异常,人脸与安全帽相交则正常;人体与手机、安全服相交正常,与安全帽相交异常;
7)输出异常行为实时检测结果。
2.根据权利要求1所述的智慧工地现场的人员异常行为判别方法,其特征是所述目标检测网络是多等级多分支目标检测网络,它是由三级网络构成,分别为:
第一级网络:在不同的分支上分别实现对人脸和人***置的精准检测;
第二级网络:在第一级网络的基础上,基于人体区域进行目标的精准检测;
第三级网络:对人脸区域、人体区域与目标区域的位置的拓扑关系建模得到拓扑关系模型,用以来精准判别人员异常行为;
所述目标检测网络的构建步骤包括:
步骤4.1、搭建Tensorflow深度学习框架,其中第一级检测网络模型的配置利用FasterR-CNN算法完成,用于检测人脸及人体目标;
步骤4.2、第二级检测网络模型采用AlexNet网络进行特征提取;AlexNet网络包括5个卷积层和3个全连接层,分别基于人脸和人体进行多目标检测;
步骤4.3、第三级网络采用空间金字塔池化层;构建拓扑关系模型,根据目标分布组合及上下文语义,在不同分辨率下将图像划分为多个scales的bins,然后计算落入每个bins中属于不同分类的个数,并将这些区域进行局部链接构成视觉直方图表征图像;
步骤4.4、采用随机梯度下降法对目标检测网络进行训练;
步骤4.5、利用softmax损失函数对目标检测网络进行优化;
步骤4.6、对目标检测网络进行训练,得到检测模型。
3.根据权利要求1所述的智慧工地现场的人员异常行为判别方法,其特征是所述步骤5)中,所述拓扑关系模型为:对人脸、人体与相应目标区域的位置的拓扑关系建模:
将二维空间划分为九个部分,以目标对象与各方向区域的相交情况为元素构成方向关系矩阵来描述对象空间的方向关系,使空间方向符号化;关系矩阵分为:
a、粗略方向关系矩阵,元素值是0或1,表示参考对象的各方向区域是否与目标对象相交,相交为1,否则为0;
b、精确方向关系矩阵,元素值是各方向区域与目标对象的相交面积的百分比;
精确方向关系矩阵采用面积比例作为描述信息,从数量上对定性方向关系作进一步区分;在相同方向区域内,无论目标对象所占空间范围和位置有何差异,只要面积比例相同均被认为空间方向关系相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410764.XA CN112580449B (zh) | 2020-12-06 | 2020-12-06 | 智慧工地现场的人员异常行为判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410764.XA CN112580449B (zh) | 2020-12-06 | 2020-12-06 | 智慧工地现场的人员异常行为判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580449A CN112580449A (zh) | 2021-03-30 |
CN112580449B true CN112580449B (zh) | 2022-10-21 |
Family
ID=75127322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011410764.XA Active CN112580449B (zh) | 2020-12-06 | 2020-12-06 | 智慧工地现场的人员异常行为判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580449B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529865A (zh) * | 2022-01-07 | 2022-05-24 | 南方电网深圳数字电网研究院有限公司 | 施工作业的自动监管方法及装置 |
CN115810218A (zh) * | 2022-12-20 | 2023-03-17 | 山东交通学院 | 基于机器视觉和目标检测的人员异常行为检测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711320A (zh) * | 2018-12-24 | 2019-05-03 | 兴唐通信科技有限公司 | 一种值班人员违规行为检测方法及*** |
CN110852179A (zh) * | 2019-10-17 | 2020-02-28 | 天津大学 | 基于视频监控平台的可疑人员入侵的检测方法 |
Family Cites Families (4)
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 |
CN108171196B (zh) * | 2018-01-09 | 2021-10-26 | 北京智芯原动科技有限公司 | 一种人脸检测方法及装置 |
CN110738127B (zh) * | 2019-09-19 | 2023-04-18 | 福建技术师范学院 | 基于无监督深度学习神经网络算法的安全帽识别方法 |
CN110826538B (zh) * | 2019-12-06 | 2023-05-02 | 合肥科大智能机器人技术有限公司 | 一种用于电力营业厅的异常离岗识别*** |
-
2020
- 2020-12-06 CN CN202011410764.XA patent/CN112580449B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711320A (zh) * | 2018-12-24 | 2019-05-03 | 兴唐通信科技有限公司 | 一种值班人员违规行为检测方法及*** |
CN110852179A (zh) * | 2019-10-17 | 2020-02-28 | 天津大学 | 基于视频监控平台的可疑人员入侵的检测方法 |
Non-Patent Citations (2)
Title |
---|
基于视觉和人工地标的机器人自定位方法;谢煌生等;《机床与液压》;20151130;第43卷(第21期);全文 * |
新型人工地标的设计 、识别 、定位及应用;姜海涛等;《山东大学学报》;20110430;第41卷(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112580449A (zh) | 2021-03-30 |
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 | |
Jiang et al. | A deep learning approach for fast detection and classification of concrete damage | |
CN111274916B (zh) | 人脸识别方法和人脸识别装置 | |
CN110135243B (zh) | 一种基于两级注意力机制的行人检测方法及*** | |
CN112288043B (zh) | 窑炉表面缺陷检测方法、***和介质 | |
CN110188807A (zh) | 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 | |
CN111738336B (zh) | 基于多尺度特征融合的图像检测方法 | |
CN112580449B (zh) | 智慧工地现场的人员异常行为判别方法 | |
CN112861635B (zh) | 一种基于深度学习的火灾及烟雾实时检测方法 | |
CN112613359B (zh) | 用于人员异常行为检测的神经网络的构建方法 | |
CN108986075A (zh) | 一种优选图像的判断方法及装置 | |
CN109711322A (zh) | 一种基于rfcn的人车分离方法 | |
CN105426820A (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
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 | |
CN112163572A (zh) | 识别对象的方法和装置 | |
Zeng et al. | The equipment detection and localization of large-scale construction jobsite by far-field construction surveillance video based on improving YOLOv3 and grey wolf optimizer improving extreme learning machine | |
CN111639668A (zh) | 一种基于深度学习的人群密度检测方法 | |
CN116363748A (zh) | 基于红外-可见光图像融合的电网现场作业一体管控方法 | |
CN114708566A (zh) | 一种基于改进YOLOv4的自动驾驶目标检测方法 | |
CN117115727A (zh) | 一种变电站缺陷判别方法及*** | |
CN116993970A (zh) | 基于yolov5的油气管道挖掘机占压检测方法及*** | |
CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN113408550B (zh) | 基于图像处理的智能称重管理*** | |
CN112686111B (zh) | 基于注意力机制多视角自适应网络的交警手势识别方法 | |
CN116310922A (zh) | 石化厂区监控视频风险识别方法、***、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |