CN113179389A - 一种输电线路危险车辆吊车扬臂识别***及识别方法 - Google Patents
一种输电线路危险车辆吊车扬臂识别***及识别方法 Download PDFInfo
- Publication number
- CN113179389A CN113179389A CN202110404887.0A CN202110404887A CN113179389A CN 113179389 A CN113179389 A CN 113179389A CN 202110404887 A CN202110404887 A CN 202110404887A CN 113179389 A CN113179389 A CN 113179389A
- Authority
- CN
- China
- Prior art keywords
- crane
- transmission line
- identification model
- power transmission
- module
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- 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
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉技术领域,具体涉及一种输电线路危险车辆吊车识别***及识别方法。包括与控制模块相连的图像采集模块、吊车识别模型以及报警模块;图像采集模块,用于采集输电线路危险源范围内的视频图像,并输出至所述控制模块;吊车识别模型,经控制模块处理的所述视频图像输出至吊车识别模型,吊车识别模型用于识别所述输电线路危险源范围内是否有吊车进入;报警模块,当吊车识别模型识别出有吊车进入所述输电线路危险源范围内时,控制模块启动报警模块报警;其中,使用危险源范围内若干个预先收集的含有吊车的图片训练卷积神经网络获得吊车识别模型。可以快速的识别危险源范围内吊车并报警,提醒用户及时处理,避免安全事故的产生。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种输电线路危险车辆吊车扬臂识别***及识别方法。
背景技术
建设坚强智能电网、打造安全可控的新一代电力***是电网发展的固本之要,当前随着经济发展,线路通道内高电压等级线路越来越多,对输电线路通道的危险源隐患防范提出了更高要求。实际施工过程中,由于违章操作、安全意识薄弱、现场监管措施不力等,吊车扬臂触碰输电线路导致人员伤亡的安全事故时有发生,给城市电网的稳定运行造成一定损失。因此,在输电线路关键区域实施基于视觉的吊车扬臂识别技术至关重要。
首先,基于人工监控的传统信息化管理方式需要耗费大量成本。此外一些主观因素的存在,极易造成监管人员对输电线路吊车作业视频分析的误漏判。为避免偶发因素造成的事故损失,一些基于架空输电线路下吊车作业识别方法相继提出。最初的识别算法如边缘检测、背景差分等需对获取的输电线路危险源内吊车扬臂图像进行边缘特征提取,对于背景复杂的图像还需进行去噪等预处理环节;并且人工设计的吊车扬臂特征以像素级为主,尺度、光照、纹理等变化不具备较强的鲁棒性与稳健性。随着计算机视觉领域的发展,基于深度学习的目标检测可实现图像特征的快速精准提取,并以矩形框可视化的形式对目标实时定位。然而,施工现场的吊车扬臂形状及其动作是不规则的,矩形框检测方法无法给出扬臂的制高点信息,从而无法有效判断扬臂高点和输电线路导线的相对位置,进而判定杨臂预警的危险级别。危险源无实质性帮助。因此,本发明提出一种输电线路危险车辆吊车扬臂识别***及识别方法,所设计的卷积神经网络模型不仅能对吊车视频图像的深度特征进行端到端学习,克服目标在复杂输电线路施工场景中发生的多尺度、形变等难题,并且能够对吊车扬臂动作进行实例分割,在精准检测的基础上获取扬臂的像素轮廓,辨识制高点信息。本发明基于该识别***对吊车扬臂实时监控并预警决策,相比普通AI目标识别算法,可更为精确定位吊车杨臂的最高点,从而更有效判断杨臂预警的危险级别,保证输电线路吊车施工的安全运行,实现智能化、精益化的电网运维。
发明内容
为了解决上述问题,本发明提供一种输电线路危险车辆吊车识别***及识别方法,使用卷积神经网络可以快速的识别危险源范围内吊车并报警,提醒用户及时处理,避免安全事故的产生,防止非预期的停电对企业和老百姓的正常生产和生活秩序的影响。
为了实现以上目的,本发明采取的一种技术方案是:
一种输电线路危险车辆吊车识别***,包括与控制模块相连的图像采集模块、吊车识别模型以及报警模块;所述图像采集模块,用于采集输电线路危险源范围内的视频图像,并输出至所述控制模块;所述吊车识别模型,经所述控制模块处理的所述视频图像输出至所述吊车识别模型,所述吊车识别模型用于识别所述输电线路危险源范围内是否有吊车进入;所述报警模块,当所述吊车识别模型识别出有吊车进入所述输电线路危险源范围内时,所述控制模块启动报警模块报警;其中,使用危险源范围内若干个预先收集的含有吊车的图片训练卷积神经网络获得所述吊车识别模型。
进一步地,所述图像采集模块为单目摄像头,所述单目摄像头设置在所述危险源范围区。
进一步地,所述报警模块为声音报警模块。
本发明还提供了一种基于以上输电线路危险车辆吊车识别***的输电线路危险车辆吊车识别方法,包括如下步骤:步骤1、图片采集,通过单目摄像头采集输电线路危险源范围内的实时视频数据;步骤2、吊车识别模型训练,人工收集若干个危险源范围内含有吊车及不含有吊车的的图片作为训练图片,采用训练图片训练神经网络模型获得吊车识别模型;步骤3、将所述实时视频数据经控制模块处理后输出至所述吊车识别模型,使用所述吊车识别模型识别所述实时视频数据是否含有危险源吊车,并将识别结果输出至控制模块;步骤4、当所述控制模块获得的所述吊车识别模型的识别结果为实时视频数据中包含吊车的图片时,所述控制模块控制报警模块报警。
进一步地,所述步骤2包括如下步骤:步骤2.1、人工收集若干个危险源范围内含有吊车及不含有吊车的图片作为训练图片,得到样本集S;步骤2.2、对样本集S中含有吊车的的图片进行样本扩充处理,所述扩充处理包括随机旋转顺时针和逆时针旋转1°至10°,增加高斯随机噪声,得到扩充后的样本集S1;步骤2.3、构建卷积模块WBlock;步骤2.4、构成残差模块RBlock,模块输入为x,则输出为F(F(x))+x,其中weight layer为步骤2.3中的WBlock;步骤2.5、构建网络模型,采用交叉熵损失函数和梯度下降算法进行模型训练,得到吊车识别模型。
进一步地,所述步骤2.5中的吊车识别模型还进行剪枝算法;所述剪枝算法包括如下步骤:步骤a、剪掉权重约等于0,让两个神经元之间失去连接;步骤b、删除神经元输出接近于零的神经元;步骤c、在修剪完整个网络之后,利用训练集训练一次,更新当前神经网络的参数。
进一步地,所述步骤3包括如下步骤:步骤3.1、通过图像采集模块实时采集所述危险源范围内的视频数据并输出至所述控制模块;步骤3.2、假设t时刻读到的视频图像为ft,其中单个像素点为xt=(rt,gt,bt),服从混合高斯分布概率密度函数:
步骤3.3、对t+1时刻的每个像素xt+1与同当前K个模型按下式进行比较,直接找到匹配新像素值的分布模型,即同该模型的均值偏差在2.5σ内,即:
|xt+1-μi,t|≤2.5σi,t
当所匹配的模式符合背景要求,则该像素属于背景,否则属于前景;如前景像素数量超过阈值th,则执行步骤3.4,否则继续返回步骤3.1;步骤3.4、所述控制模块将经步骤S3.3处理后的视频图片的输入所述吊车识别模型进行识别,并获得识别结果。
本发明的上述技术方案相比现有技术具有以下优点:
(1)本发明提出的一种输电线路危险车辆吊车识别***及识别方法,用户使用卷积神经网络可以快速的识别危险源范围内吊车并报警,提醒用户及时处理,避免安全事故的产生,防止非预期的停电对企业和老百姓的正常生产和生活秩序的影响。
(2)本发明专利通过建立高斯模型对图像进行快速的前后景粗分类,之后采用剪枝后的神经网络进行细分类,提高了识别效率。本发明所设计的神经网络,结合了残差网络,并增加了网络宽度,提高了网络对尺度的适应性。
(3)本发明可以大幅减少输电线路维护人员的压力,通过智能算法对输电线路区域进行实时监控,及时发现危险源目标,防止其破坏输电线路。
附图说明
图1所示为本发明一实施例的输电线路危险车辆吊车识别***结构图;
图2所示为本发明一实施例的输电线路危险车辆吊车识别方法流程图;
图3所示为本发明一实施例的卷积模块的结构图;
图4所示为本发明一实施例的残差网络模块的结构图;
图5所示为本发明一实施例的卷积神经网络的结构图;
图6所示为本发明一实施例的剪枝算法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例提供了一种输电线路危险车辆吊车识别***,包括与控制模块相连的图像采集模块、吊车识别模型以及报警模块;所述图像采集模块,用于采集输电线路危险源范围内的视频图像,并输出至所述控制模块;所述吊车识别模型,经所述控制模块处理的所述视频图像输出至所述吊车识别模型,所述吊车识别模型用于识别所述输电线路危险源范围内是否有吊车进入;所述报警模块,当所述吊车识别模型识别出有吊车进入所述输电线路危险源范围内时,所述控制模块启动报警模块报警;其中,使用危险源范围内若干个预先收集的含有吊车的图片训练卷积神经网络获得所述吊车识别模型。
所述图像采集模块为单目摄像头,所述单目摄像头设置在所述危险源范围区。所述报警模块为声音报警模块。
如图2所示,一种基于以上输电线路危险车辆吊车识别***的输电线路危险车辆吊车识别方法,包括如下步骤:步骤1、图片采集,通过单目摄像头采集输电线路危险源范围内的实时视频数据;步骤2、吊车识别模型训练,人工收集若干个危险源范围内含有吊车及不含有吊车的的图片作为训练图片,采用训练图片训练神经网络模型获得吊车识别模型;步骤3、将所述实时视频数据经控制模块处理后输出至所述吊车识别模型,使用所述吊车识别模型识别所述实时视频数据是否含有危险源吊车,并将识别结果输出至控制模块;步骤4、当所述控制模块获得的所述吊车识别模型的识别结果为实时视频数据中包含吊车的图片时,所述控制模块控制报警模块报警。
如图3至5所示,所述步骤2包括如下步骤:步骤2.1、人工收集若干个危险源范围内含有吊车及不含有吊车的图片作为训练图片,得到样本集S;步骤2.2、对样本集S中含有吊车的的图片进行样本扩充处理,所述扩充处理包括随机旋转顺时针和逆时针旋转1°至10°,增加高斯随机噪声,得到扩充后的样本集S1;步骤2.3、构建卷积模块WBlock;步骤2.4、构成残差模块RBlock,模块输入为x,则输出为F(F(x))+x,其中weight layer为步骤2.3中的WBlock;步骤2.5、构建网络模型,采用交叉熵损失函数和梯度下降算法进行模型训练,得到吊车识别模型。
如图6所示,步骤2.5中的吊车识别模型还进行剪枝算法;所述剪枝算法包括如下步骤:步骤a、剪掉权重约等于0,让两个神经元之间失去连接;步骤b、删除神经元输出接近于零的神经元;步骤c、在修剪完整个网络之后,利用训练集训练一次,更新当前神经网络的参数。
所述步骤3包括如下步骤:步骤3.1、通过图像采集模块实时采集所述危险源范围内的视频数据并输出至所述控制模块;步骤3.2、假设t时刻读到的视频图像为ft,其中单个像素点为xt=(rt,gt,bt),服从混合高斯分布概率密度函数:
步骤3.3、对t+1时刻的每个像素xt+1与同当前K个模型按下式进行比较,直接找到匹配新像素值的分布模型,即同该模型的均值偏差在2.5σ内,即:
|xt+1-μi,t|≤2.5σi,t
当所匹配的模式符合背景要求,则该像素属于背景,否则属于前景;如前景像素数量超过阈值th,则执行步骤3.4,否则继续返回步骤3.1;步骤3.4、所述控制模块将经步骤S3.3处理后的视频图片的输入所述吊车识别模型进行识别,并获得识别结果。
本发明提出的一种输电线路危险车辆吊车识别***及识别方法,用户使用卷积神经网络可以快速的识别危险源范围内吊车并报警,提醒用户及时处理,避免安全事故的产生,防止非预期的停电对企业和老百姓的正常生产和生活秩序的影响。
本发明专利通过建立高斯模型对图像进行快速的前后景粗分类,之后采用剪枝后的神经网络进行细分类,提高了识别效率。本发明所设计的神经网络,结合了残差网络,并增加了网络宽度,提高了网络对尺度的适应性。
本发明可以大幅减少输电线路维护人员的压力,通过智能算法对输电线路区域进行实时监控,及时发现危险源目标,防止其破坏输电线路。
以上所述仅为本发明的示例性实施例,并非因此限制本发明专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种输电线路危险车辆吊车识别***,其特征在于,包括与控制模块相连的图像采集模块、吊车识别模型以及报警模块;所述图像采集模块,用于采集输电线路危险源范围内的视频图像,并输出至所述控制模块;所述吊车识别模型,经所述控制模块处理的所述视频图像输出至所述吊车识别模型,所述吊车识别模型用于识别所述输电线路危险源范围内是否有吊车进入;所述报警模块,当所述吊车识别模型识别出有吊车进入所述输电线路危险源范围内时,所述控制模块启动报警模块报警;其中,使用危险源范围内若干个预先收集的含有吊车的图片训练卷积神经网络获得所述吊车识别模型。
2.根据权利要求1所述的输电线路危险车辆吊车识别***,其特征在于,所述图像采集模块为单目摄像头,所述单目摄像头设置在所述危险源范围区。
3.根据权利要求1所述的输电线路危险车辆吊车识别***,其特征在于,所述报警模块为声音报警模块。
4.基于权利要求1至3中任意一项所述的输电线路危险车辆吊车识别***的输电线路危险车辆吊车识别方法,其特征在于,包括如下步骤:
步骤1、图片采集,通过单目摄像头采集输电线路危险源范围内的实时视频数据;步骤2、吊车识别模型训练,人工收集若干个危险源范围内含有吊车及不含有吊车的的图片作为训练图片,采用训练图片训练神经网络模型获得吊车识别模型;步骤3、将所述实时视频数据经控制模块处理后输出至所述吊车识别模型,使用所述吊车识别模型识别所述实时视频数据是否含有危险源吊车,并将识别结果输出至控制模块;步骤4、当所述控制模块获得的所述吊车识别模型的识别结果为实时视频数据中包含吊车的图片时,所述控制模块控制报警模块报警。
5.根据权利要求4所述的基于输电线路危险车辆吊车识别方法,其特征在于,所述步骤2包括如下步骤:步骤2.1、人工收集若干个危险源范围内含有吊车及不含有吊车的图片作为训练图片,得到样本集S;步骤2.2、对样本集S中含有吊车的的图片进行样本扩充处理,所述扩充处理包括随机旋转顺时针和逆时针旋转1°至10°,增加高斯随机噪声,得到扩充后的样本集S1;步骤2.3、构建卷积模块WBlock;步骤2.4、构成残差模块RBlock,模块输入为x,则输出为F(F(x))+x,其中weightlayer为步骤2.3中的WBlock;步骤2.5、构建网络模型,采用交叉熵损失函数和梯度下降算法进行模型训练,得到吊车识别模型。
6.根据权利要求5所述的基于输电线路危险车辆吊车识别方法,其特征在于,所述步骤2.5中的吊车识别模型还进行剪枝算法;所述剪枝算法包括如下步骤:步骤a、剪掉权重约等于0,让两个神经元之间失去连接;步骤b、删除神经元输出接近于零的神经元;步骤c、在修剪完整个网络之后,利用训练集训练一次,更新当前神经网络的参数。
7.根据权利要求4所述的基于输电线路危险车辆吊车识别方法,其特征在于,所述步骤3包括如下步骤:步骤3.1、通过图像采集模块实时采集所述危险源范围内的视频数据并输出至所述控制模块;步骤3.2、假设t时刻读到的视频图像为ft,其中单个像素点为xt=(rt,gt,bt),服从混合高斯分布概率密度函数:
步骤3.3、对t+1时刻的每个像素xt+1与同当前K个模型按下式进行比较,直接找到匹配新像素值的分布模型,即同该模型的均值偏差在2.5σ内,即:
|xt+1-μi,t|≤2.5σi,t
当所匹配的模式符合背景要求,则该像素属于背景,否则属于前景;如前景像素数量超过阈值th,则执行步骤3.4,否则继续返回步骤3.1;
步骤3.4、所述控制模块将经步骤S3.3处理后的视频图片的输入所述吊车识别模型进行识别,并获得识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110404887.0A CN113179389A (zh) | 2021-04-15 | 2021-04-15 | 一种输电线路危险车辆吊车扬臂识别***及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110404887.0A CN113179389A (zh) | 2021-04-15 | 2021-04-15 | 一种输电线路危险车辆吊车扬臂识别***及识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113179389A true CN113179389A (zh) | 2021-07-27 |
Family
ID=76923256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110404887.0A Pending CN113179389A (zh) | 2021-04-15 | 2021-04-15 | 一种输电线路危险车辆吊车扬臂识别***及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113179389A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612853A (zh) * | 2022-02-11 | 2022-06-10 | 江苏濠汉信息技术有限公司 | 基于注意力机制和时序图像分析的车辆检测***及方法 |
CN114926755A (zh) * | 2022-02-15 | 2022-08-19 | 江苏濠汉信息技术有限公司 | 融合神经网络和时序图像分析的危险车辆检测***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109385A (zh) * | 2018-01-18 | 2018-06-01 | 南京杰迈视讯科技有限公司 | 一种输电线防外破的车辆识别与危险行为判别***与方法 |
CN110060299A (zh) * | 2019-04-18 | 2019-07-26 | 中国测绘科学研究院 | 基于双目视觉技术的输电通道内危险源识别和定位方法 |
CN110807352A (zh) * | 2019-08-29 | 2020-02-18 | 浙江零跑科技有限公司 | 一种用于危险驾驶行为预警的车内外场景视觉分析方法 |
CN111882810A (zh) * | 2020-07-31 | 2020-11-03 | 广州市微智联科技有限公司 | 一种火灾识别与预警方法及其*** |
CN112132043A (zh) * | 2020-09-24 | 2020-12-25 | 南京安元科技有限公司 | 基于监控视频的消防通道占用自适应检测方法 |
-
2021
- 2021-04-15 CN CN202110404887.0A patent/CN113179389A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109385A (zh) * | 2018-01-18 | 2018-06-01 | 南京杰迈视讯科技有限公司 | 一种输电线防外破的车辆识别与危险行为判别***与方法 |
CN110060299A (zh) * | 2019-04-18 | 2019-07-26 | 中国测绘科学研究院 | 基于双目视觉技术的输电通道内危险源识别和定位方法 |
CN110807352A (zh) * | 2019-08-29 | 2020-02-18 | 浙江零跑科技有限公司 | 一种用于危险驾驶行为预警的车内外场景视觉分析方法 |
CN111882810A (zh) * | 2020-07-31 | 2020-11-03 | 广州市微智联科技有限公司 | 一种火灾识别与预警方法及其*** |
CN112132043A (zh) * | 2020-09-24 | 2020-12-25 | 南京安元科技有限公司 | 基于监控视频的消防通道占用自适应检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612853A (zh) * | 2022-02-11 | 2022-06-10 | 江苏濠汉信息技术有限公司 | 基于注意力机制和时序图像分析的车辆检测***及方法 |
CN114926755A (zh) * | 2022-02-15 | 2022-08-19 | 江苏濠汉信息技术有限公司 | 融合神经网络和时序图像分析的危险车辆检测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056079B (zh) | 一种图像采集设备及人脸五官的遮挡检测方法 | |
CN109460699A (zh) | 一种基于深度学习的驾驶员安全带佩戴识别方法 | |
CN107392112A (zh) | 一种人脸表情识别方法及其应用的智能锁*** | |
CN111553214B (zh) | 一种驾驶员吸烟行为检测方法及*** | |
CN112149514B (zh) | 一种施工作业人员的安全着装检测方法及*** | |
CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
CN111582129A (zh) | 一种盾构机司机工作状态实时监测报警方法及装置 | |
CN113179389A (zh) | 一种输电线路危险车辆吊车扬臂识别***及识别方法 | |
CN108960185A (zh) | 基于YOLOv2的车辆目标检测方法及*** | |
CN111860143B (zh) | 一种面向巡检机器人的火焰实时检测方法 | |
CN111091110A (zh) | 一种基于人工智能的反光背心穿戴识别方法 | |
CN117392733B (zh) | 一种痤疮分级检测方法、装置、电子设备及存储介质 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
CN113255519A (zh) | 一种输电线路危险车辆吊车扬臂识别***及多目标跟踪方法 | |
CN108520539B (zh) | 一种基于稀疏学习可变模型的图像目标检测方法 | |
CN112232235B (zh) | 基于5g和算法的智慧工厂远程监控方法及*** | |
CN108734709A (zh) | 一种绝缘子凸缘形状参数识别与破坏检测方法 | |
CN116862871A (zh) | 一种基于混合特征的木材计数方法 | |
CN115223249A (zh) | 一种基于机器视觉的井下人员不安全行为快速分析与识别方法 | |
CN115410114A (zh) | 一种基于多特征的城轨防汛预警方法及*** | |
CN113989886A (zh) | 基于人脸识别的船员身份验证方法 | |
CN115035332B (zh) | 基于图像识别的抗原检测结果认证方法 | |
CN115082865B (zh) | 基于视觉图像识别的桥机入侵危险行为预警方法及*** | |
CN113537159B (zh) | 基于人工智能的起重机风险数据识别方法 |
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: 20210727 |
|
RJ01 | Rejection of invention patent application after publication |