CN113343846A - 一种基于深浅层特征融合的反光衣检测*** - Google Patents
一种基于深浅层特征融合的反光衣检测*** Download PDFInfo
- Publication number
- CN113343846A CN113343846A CN202110627024.XA CN202110627024A CN113343846A CN 113343846 A CN113343846 A CN 113343846A CN 202110627024 A CN202110627024 A CN 202110627024A CN 113343846 A CN113343846 A CN 113343846A
- Authority
- CN
- China
- Prior art keywords
- reflective
- image
- feature
- unit
- detection
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 239000003086 colorant Substances 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000009432 framing Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 6
- 238000013480 data collection Methods 0.000 claims 2
- 238000002372 labelling Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000009439 industrial construction Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 206010047571 Visual impairment Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深浅层特征融合的反光衣检测***，包括：图像获取单元、人员检测单元、反光衣识别单元和报警提醒单元；所述图像获取单元用于获取工作区域的监控视频图像，并对所述监控视频图像进行预处理操作；所述人员检测单元用于对预处理后的图像信息进行分析，基于分析结果识别出图像中的人员信息；所述反光衣识别单元用于采用基于色彩识别的方法对根据用户设置颜色或自动识别颜色进行反光衣检测，判断工作人员是否穿戴反光衣；所述报警提醒单元用于在识别到在工作区域内有未穿戴反光衣的人员时，控制报警装置进行报警提醒，本发明提高了检测人员是否穿戴反光衣的检测精度和速度，还可根据用户设定标准对不同类型的反光衣进行识别。
Description
技术领域
本发明涉及安全监控技术领域，尤其涉及到一种基于深浅层特征融合的反光衣检测***。
背景技术
反光服是指在各种光线条件下能起到警示作用的服装。常见的品种有：反光工作服、反光背心、反光雨衣等。反光服一般由颜色醒目的基底材料和反光材料组成，例如，荧光材料和逆反射材料。荧光加反射的效果，使穿者无论在白天还是黑夜在灯光的照射下，都能与周围环境形成强烈的反差，起到安全防护等作用。在工业生产和建设过程中，工作服和安全帽在安全事故的防范中起着举足轻重的作用，因此，按规定地穿着工作服和佩戴安全帽是安全生产的必要措施。
综上所述，提供一种可提高反光服穿戴检测精度和速度，并能及时进行报警，且可对不同颜色类型的反光衣进行识别的基于深浅层特征融合的反光衣检测***，是本领域技术人员急需解决的问题。
发明内容
本方案针对上文提到的问题和需求，提出一种基于深浅层特征融合的反光衣检测***，其由于采取了如下技术方案而能够解决上述技术问题。
为实现上述目的，本发明提供如下技术方案：一种基于深浅层特征融合的反光衣检测***，包括以下步骤：图像获取单元、人员检测单元、反光衣识别单元和报警提醒单元；
所述图像获取单元用于获取工作区域的监控视频图像，并对所述监控视频图像进行预处理操作，所述预处理包括：按照用户指令进行连续图像采集，并对接收的监控视频图像进行分帧和灰度化处理，输入所述人员检测单元进行工作人员检测；
所述人员检测单元用于对预处理后的图像信息进行分析，基于分析结果识别出图像中的人员信息，并对人员进行跟踪检测；
所述反光衣识别单元用于采用基于色彩识别的方法对根据用户设置颜色或自动识别颜色进行反光衣检测，判断工作人员是否穿戴反光衣；
所述报警提醒单元用于当所述反光衣识别单元识别到在工作区域内有未穿戴反光衣的人员时，控制报警装置进行报警提醒，若否，则继续检测。
进一步地，所述图像获取单元包括多个高清摄像机和摄像参数控制模块所述多个高清摄像机用于采集监控工作区域内的图像信息，并对所述图像信息进行图像预处理，所述摄像参数控制模块用于对所述多个高清摄像机的角度、焦距参数进行调整及和光线补偿，并对进行多个高清摄像机的用电及工作开关进行控制和进行设备故障检测。
进一步地，所述基于色彩识别的方法包括获取当前帧图像中能够包围检测目标色块的最小矩形，求出所述最小矩形中目标对象的RGB图像，遍历图片求各颜色像素值，然后对各像素值设置阈值，根据判断各像素值大小并输出检测目标的颜色。
进一步地，对预处理后的图像信息进行分析之前，需构建基于Faster R-CNN方法的人员检测模型，并获取施工场地的人物图片数据集，且将所述数据集按比例分配作为训练集和测试集，利用训练集训练人员检测模型。
更进一步地，所述训练人员检测模型包括：将输入的经过处理后的训练集图像信息传入到卷积层，利用基于Faster R-CNN的特征提取网络对输入的施工场地的人物图片进行特征提取；对提取出的特征图进行分类识别，得出识别结果图。
更进一步地，对所述数据集采用运用数据增强技术进行处理，并且对图片手工标注，最后将标注结果制作成成pascal_voc数据集格式，所述数据增强技术包括随机角度旋转、竖直翻转、随机剪裁、高斯噪声和镜像。
更进一步地，所述特征提取网络采用50层残差网络ResNet50网络提取图像特征，将处理后图像送入底层网络利用ResNet网络得到特征图，利用基于FPN的区域推荐网络生成候选区域，在得到的特征图上结合FPN，在每张图片上生成候选区域的特征图；将不同大小的候选区域的特征图依次经过ROI Pooling层进行ROI Pooling操作，得到固定大小的输出特征图；将所述输出特征图经过两个全连接层处理输出特征向量，将所述特征向量输入到两个同级的输出层，所述两个同级的输出层包括用于判断目标是否是人员的分类层和用于对ROI边框位置和大小进行微调的边界回归层，输出候选区域的类别以及候选区域的确切位置。
更进一步地，ROI Pooling过程利用池化方法将输入特征图中不同大小的ROI转化为固定大小的输出特征图，所述不同大小的RoI采用不同的特征层，物体尺寸较大时，采用高层的特征，而物体尺寸较小时则采用底层的特征，特征金字塔网络利用系数k将不同尺度的ROI分配到不同的金字塔层。宽度w和高度h的RoI分配给FPN的等级，
其中，w和h为ROI的宽度和高度，k0＝5，k对应FPN中的P层。
更进一步地，FPN结构的anchor采用5个预测尺度为32×32、64×64、128×128、256×256和512×512，及3种纵横比为1:2,1:1,2:1，对应ResNet50每一层金字塔P2,P3,P4,P5,P6，共用15种类型的anchor对施工场地的人物图片中的目标对象和背景进行预测，生成感兴趣的目标候选框。
进一步地，所述报警装置包括信号接收模块和声光报警模块，所述信号接收模块用于接收所述反光衣识别单元发送的识别结果，当识别到人员未穿戴反光衣时，控制所述声光报警模块进行语音和灯光报警提醒，所述声光报警模块包括语音合成芯片、控制器、扬声器和报警灯，所述扬声器通过所述语音合成芯片与所述控制器电连接，所述报警灯与所述控制器用于根据控制器输出的报警信号进行不同模式的灯光报警。
从上述的技术方案可以看出，本发明的有益效果是：可提高反光服穿戴检测精度和速度，并能及时进行报警，且可根据用户设定的标准对不同颜色类型的反光衣进行识别。
除了上面所描述的目的、特征和优点之外，下文中将结合附图对实施本发明的最优实施例进行更详尽的描述，以便能容易地理解本发明的特征和优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下文将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍，其中，附图仅仅用于展示本发明的一些实施例，而非将本发明的全部实施例限制于此。
图1为本发明一种基于深浅层特征融合的反光衣检测***的组成结构示意图。
图2为本实施例中人员检测模型训练的具体步骤示意图。
图3为本实施例中为基于FPN的区域生成网络RPN的网络结构图。
具体实施方式
为了使得本发明的技术方案的目的、技术方案和优点更加清楚，下文中将结合本发明具体实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。附图中相同的附图标记代表相同的部件。需要说明的是，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。
在工业生产和建设过程中，反光服等工作服在安全事故的防范中起着举足轻重的作用，其能与周围环境形成强烈的反差，容易被注意到，起到安全防护等作用，对施工或生产作业场地中，工作人员是否穿戴反光服进行精确检测，是保证施工安全的重要措施。如图1至图3所示，提供了一种基于深浅层特征融合的反光衣检测***，其具体包括：图像获取单元、人员检测单元、反光衣识别单元和报警提醒单元，所述图像获取单元用于获取工作区域的监控视频图像，并对所述监控视频图像进行预处理操作，所述预处理包括：按照用户指令进行连续图像采集，并对接收的监控视频图像进行分帧和灰度化处理，输入所述人员检测单元进行工作人员检测。其中，所述图像获取单元包括多个高清摄像机和摄像参数控制模块所述多个高清摄像机用于采集监控工作区域内的图像信息，并对所述图像信息进行图像预处理，所述摄像参数控制模块用于对所述多个高清摄像机的角度、焦距参数进行调整及和光线补偿，并对进行多个高清摄像机的用电及工作开关进行控制和进行设备故障检测。
所述人员检测单元用于对预处理后的图像信息进行分析，基于分析结果识别出图像中的人员信息，并对人员进行跟踪检测。对预处理后的图像信息进行分析之前，需构建基于Faster R-CNN方法的人员检测模型，并获取施工场地的人物图片数据集，且将所述数据集按比例分配作为训练集和测试集，利用训练集训练人员检测模型。
如图2所示，所述训练人员检测模型的步骤包括：a.获取施工场地的人物图片数据集，且将所述数据集按比例分配作为训练集和测试集；b.将输入的经过处理后的训练集图像信息传入到卷积层，利用基于Faster R-CNN的特征提取网络对输入的施工场地的人物图片进行特征提取；c.利用分类器对提取出的特征图进行分类识别，得出识别结果图。其中，对所述数据集采用运用数据增强技术进行处理，并且对图片手工标注，最后将标注结果制作成成pascal_voc数据集格式，所述数据增强技术包括随机角度旋转、竖直翻转、随机剪裁、高斯噪声和镜像。在本实施例中，采集好施工场地的人物图片后，通过翻转、裁剪和旋转等方式扩充数据集，使用labelimg软件对数据集进行标注其中训练集1640张，测试集1200张，训练样本样本的多寡同样影响着训练效果。如果训练样本过小，会导致过拟合，训练样本越多，网络的泛化能力越强，最后得到的模型精度越高。
而Faster R-CNN的特征提取网络相比于Fast R-CNN在检测速度较快的同时也具有较高的检测准确率，其具体包括两个部分，基于FPN的区域生成网络RPN和Fast R-CNN共享卷积部分，基于FPN的区域生成网络RPN用于生成候选区域供Fast R-CNN共享卷积部分使用，Fast R-CNN共享卷积部分用于计算每个候选区域的类别及得分等，由于FPN算法可同时利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征达到预测的效果，为了提高图像中人物目标检测的精度，本申请在RPN网络中采用FPN融合不同层的特征生成感兴趣的目标候选框。
卷积网络比较经典的有VGGNet,GoogleNet和ResNet等，ResNet网络由于引入了残差模块，从而解决了因网络加深而引起的梯度消失问题，使得更深的网络能够继续训练学习，具体为，由于残差映射的存在使得在进行网络学习的过程中，当底层的梯度在进行反向传播过程中停滞为0时，此时的残差映射转化为了恒等映射，进而可以继续进行梯度的更新，使得最终网络的训练损失不会随着深度的加深而继续增大，同时也进一步加速了网络的收敛过程。本实施例中，所述特征提取网络采用50层残差网络ResNet50网络提取图像特征，将处理后图像送入底层网络利用ResNet网络得到特征图，利用基于FPN的区域推荐网络生成候选区域，在得到的特征图上结合FPN，在每张图片上生成候选区域的特征图；将不同大小的候选区域的特征图依次经过ROI Pooling层进行ROI Pooling操作，得到固定大小的输出特征图；将所述输出特征图经过两个全连接层处理输出特征向量，将所述特征向量输入到两个同级的输出层，所述两个同级的输出层包括用于判断目标是否是人员的分类层和用于对ROI边框位置和大小进行微调的边界回归层，输出候选区域的类别以及候选区域的确切位置。其中，ROI Pooling过程利用池化方法将输入特征图中不同大小的ROI转化为固定大小的输出特征图，所述不同大小的RoI采用不同的特征层，物体尺寸较大时，采用高层的特征，而物体尺寸较小时则采用底层的特征，特征金字塔网络利用系数k将不同尺度的ROI分配到不同的金字塔层。宽度w和高度h的RoI分配给FPN的等级，
其中，w和h为ROI的宽度和高度，k0＝5，k对应FPN中的P层。在本实施例中，将不同大小的候选区域的特征图依次经过ROI Pooling层进行ROI Pooling操作之前采用非极大值抑制算法，去掉目标检测任务的重复检测框，找到最佳目标检测位置，在FasterR-CNN训练过程中，利用NMS算法对生成的大量人员和物体候选框进行后处理，去除冗余候选框，以加快目标检测的效率和提高检测精度。
另外，在卷积网络中图像首先经过多次的卷积、池化之后，提取到抽象的语义特征信息，然后通过几层的全连接层进行最终的预测，通常对目标的预测包括分类以及边界框回归问题，本实施例在进行分类时选择适合于多分类的分类器即softmax分类器进行分类，在进行目标定位时，采用边界框回归的方法，不断改变边界框的位置和大小，使得产生的边界框不断逼近真实目标框。其具体的工作原理如下：通常由于输入的候选框与真实目标框相差较小，进而可以将整个过程看作是线性变化过程，通过线性变化对原始候选框进行微调。
具体地，FPN结构的anchor采用5个预测尺度为32×32、64×64、128×128、256×256和512×512，及3种纵横比为1:2,1:1,2:1，如图2所示，对应ResNet50每一层金字塔P2,P3,P4,P5,P6，共用15种类型的anchor对施工场地的人物图片中的目标对象和背景进行预测，生成感兴趣的目标候选框。
所述反光衣识别单元用于采用基于色彩识别的方法对根据用户设置颜色或自动识别颜色进行反光衣检测，判断工作人员是否穿戴反光衣。所述基于色彩识别的方法包括获取当前帧图像中能够包围检测目标色块的最小矩形，求出所述最小矩形中目标对象的RGB图像，遍历图片求各颜色像素值，然后对各像素值设置阈值，根据判断各像素值大小并输出检测目标的颜色。
所述报警提醒单元用于当所述反光衣识别单元识别到在工作区域内有未穿戴反光衣的人员时，控制报警装置进行报警提醒，若否，则继续检测。所述报警装置包括信号接收模块和声光报警模块，所述信号接收模块用于接收所述反光衣识别单元发送的识别结果，当识别到人员未穿戴反光衣时，控制所述声光报警模块进行语音和灯光报警提醒，所述声光报警模块包括语音合成芯片、控制器、扬声器和报警灯，所述扬声器通过所述语音合成芯片与所述控制器电连接，所述报警灯与所述控制器用于根据控制器输出的报警信号进行不同模式的灯光报警。
应当说明的是，本发明所述的实施方式仅仅是实现本发明的优选方式，对属于本发明整体构思，而仅仅是显而易见的改动，均应属于本发明的保护范围之内。
Claims (10)
1.一种基于深浅层特征融合的反光衣检测***，其特征在于，包括：图像获取单元、人员检测单元、反光衣识别单元和报警提醒单元；
所述图像获取单元用于获取工作区域的监控视频图像，并对所述监控视频图像进行预处理操作，所述预处理包括：按照用户指令进行连续图像采集，并对接收的监控视频图像进行分帧和灰度化处理，输入所述人员检测单元进行工作人员检测；
所述人员检测单元用于对预处理后的图像信息进行分析，基于分析结果识别出图像中的人员信息，并对人员进行跟踪检测；
所述反光衣识别单元用于采用基于色彩识别的方法对根据用户设置颜色或自动识别颜色进行反光衣检测，判断工作人员是否穿戴反光衣；
所述报警提醒单元用于当所述反光衣识别单元识别到在工作区域内有未穿戴反光衣的人员时，控制报警装置进行报警提醒，若否，则继续检测。
2.如权利要求1所述的基于深浅层特征融合的反光衣检测***，其特征在于，所述图像获取单元包括多个高清摄像机和摄像参数控制模块所述多个高清摄像机用于采集监控工作区域内的图像信息，并对所述图像信息进行图像预处理，所述摄像参数控制模块用于对所述多个高清摄像机的角度、焦距参数进行调整及和光线补偿，并对进行多个高清摄像机的用电及工作开关进行控制和进行设备故障检测。
3.如权利要求1所述的基于深浅层特征融合的反光衣检测***，其特征在于，所述基于色彩识别的方法包括获取当前帧图像中能够包围检测目标的最小矩形，求出所述最小矩形中目标对象的R、G、B三通道图像，遍历图片求各颜色像素值，然后对各像素值设置阈值，根据所述阈值判断各像素值大小并输出检测目标的颜色。
4.如权利要求1所述的基于深浅层特征融合的反光衣检测***，其特征在于，对预处理后的图像信息进行分析之前，需构建基于Faster R-CNN方法的人员检测模型，并获取施工场地的人物图片数据集，且将所述数据集按比例分配作为训练集和测试集，利用训练集训练人员检测模型。
5.如权利要求4所述的基于深浅层特征融合的反光衣检测***，其特征在于，所述训练人员检测模型包括：将输入的经过处理后的训练集图像信息传入到卷积层，利用基于Faster R-CNN的特征提取网络对输入的施工场地的人物图片进行特征提取；对提取出的特征图进行分类识别，得出识别结果图。
6.如权利要求5所述的基于深浅层特征融合的反光衣检测***，其特征在于，对所述数据集采用运用数据增强技术进行处理，并且对图片手工标注，最后将标注结果制作成成pascal_voc数据集格式，所述数据增强技术包括随机角度旋转、竖直翻转、随机剪裁、高斯噪声和镜像。
7.如权利要求6所述的基于深浅层特征融合的反光衣检测***，其特征在于，所述特征提取网络采用50层残差网络ResNet50网络提取图像特征，将处理后图像送入底层网络利用ResNet网络得到特征图，利用基于FPN的区域推荐网络生成候选区域，在得到的特征图上结合FPN，在每张图片上生成候选区域的特征图；将不同大小的候选区域的特征图依次经过ROI Pooling层进行ROI Pooling操作，得到固定大小的输出特征图；将所述输出特征图经过两个全连接层处理输出特征向量，将所述特征向量输入到两个同级的输出层，所述两个同级的输出层包括用于判断目标是否是人员的分类层和用于对ROI边框位置和大小进行微调的边界回归层，输出候选区域的类别以及候选区域的确切位置。
8.如权利要求7所述的基于深浅层特征融合的反光衣检测***，其特征在于，ROIPooling过程利用池化方法将输入特征图中不同大小的ROI转化为固定大小的输出特征图，所述不同大小的RoI采用不同的特征层，物体尺寸较大时，采用高层的特征，而物体尺寸较小时则采用底层的特征，特征金字塔网络利用系数k将不同尺度的ROI分配到不同的金字塔层。宽度w和高度h的RoI分配给FPN的等级，
其中，w和h为ROI的宽度和高度，k0＝5，k对应FPN中的P层。
9.如权利要求8所述的基于深浅层特征融合的反光衣检测***，FPN结构的anchor采用5个预测尺度为32×32、64×64、128×128、256×256和512×512，及3种纵横比为1:2,1:1,2:1，对应ResNet50每一层金字塔P2,P3,P4,P5,P6，共用15种类型的anchor对施工场地的人物图片中的目标对象和背景进行预测，生成感兴趣的目标候选框。
10.如权利要求1所述的基于深浅层特征融合的反光衣检测***，其特征在于，所述报警装置包括信号接收模块和声光报警模块，所述信号接收模块用于接收所述反光衣识别单元发送的识别结果，当识别到人员未穿戴反光衣时，控制所述声光报警模块进行语音和灯光报警提醒，所述声光报警模块包括语音合成芯片、控制器、扬声器和报警灯，所述扬声器通过所述语音合成芯片与所述控制器电连接，所述报警灯与所述控制器用于根据控制器输出的报警信号进行不同模式的灯光报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110627024.XA CN113343846B (zh) | 2021-06-04 | 2021-06-04 | 一种基于深浅层特征融合的反光衣检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110627024.XA CN113343846B (zh) | 2021-06-04 | 2021-06-04 | 一种基于深浅层特征融合的反光衣检测*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113343846A true CN113343846A (zh) | 2021-09-03 |
| CN113343846B CN113343846B (zh) | 2024-03-15 |
Family
ID=77475336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110627024.XA Active CN113343846B (zh) | 2021-06-04 | 2021-06-04 | 一种基于深浅层特征融合的反光衣检测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343846B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830205A (zh) * | 2018-06-04 | 2018-11-16 | 江南大学 | 基于改进全卷积网络的多尺度感知行人检测方法 |
| CN109117827A (zh) * | 2018-09-05 | 2019-01-01 | 武汉市蓝领英才科技有限公司 | 基于视频的工服工帽穿戴状态自动识别方法与报警*** |
| WO2020019673A1 (zh) * | 2018-07-25 | 2020-01-30 | 深圳云天励飞技术有限公司 | 基于图像分析的工地监控方法、装置及可读存储介质 |
| CN111091110A (zh) * | 2019-12-24 | 2020-05-01 | 山东仁功智能科技有限公司 | 一种基于人工智能的反光背心穿戴识别方法 |
| CN111126325A (zh) * | 2019-12-30 | 2020-05-08 | 哈尔滨工程大学 | 一种基于视频的智能人员安防识别统计方法 |
| CN111383429A (zh) * | 2020-03-04 | 2020-07-07 | 西安咏圣达电子科技有限公司 | 建筑工地工人着装检测方法、***、装置、存储介质 |
| US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
| CN112149514A (zh) * | 2020-08-28 | 2020-12-29 | 中国地质大学（武汉） | 一种施工作业人员的安全着装检测方法及*** |
| 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 |
-
2021
- 2021-06-04 CN CN202110627024.XA patent/CN113343846B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830205A (zh) * | 2018-06-04 | 2018-11-16 | 江南大学 | 基于改进全卷积网络的多尺度感知行人检测方法 |
| WO2020019673A1 (zh) * | 2018-07-25 | 2020-01-30 | 深圳云天励飞技术有限公司 | 基于图像分析的工地监控方法、装置及可读存储介质 |
| CN109117827A (zh) * | 2018-09-05 | 2019-01-01 | 武汉市蓝领英才科技有限公司 | 基于视频的工服工帽穿戴状态自动识别方法与报警*** |
| US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
| CN111091110A (zh) * | 2019-12-24 | 2020-05-01 | 山东仁功智能科技有限公司 | 一种基于人工智能的反光背心穿戴识别方法 |
| CN111126325A (zh) * | 2019-12-30 | 2020-05-08 | 哈尔滨工程大学 | 一种基于视频的智能人员安防识别统计方法 |
| CN111383429A (zh) * | 2020-03-04 | 2020-07-07 | 西安咏圣达电子科技有限公司 | 建筑工地工人着装检测方法、***、装置、存储介质 |
| CN112149514A (zh) * | 2020-08-28 | 2020-12-29 | 中国地质大学（武汉） | 一种施工作业人员的安全着装检测方法及*** |
| 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 |
Non-Patent Citations (2)
| 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) * |
| 张笑钦: "《Robust feature learning for adversarial defense via hierarchical feature alignment》", INFORMATION SCIENCES, no. 560, 20 December 2020 (2020-12-20), pages 256 - 270 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113343846B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112115818B (zh) | 口罩佩戴识别方法 | |
| CN111414887B (zh) | 基于yolov3算法的二次检测口罩人脸识别方法 | |
| CN111209810A (zh) | 向可见光与红外图像准确实时行人检测的边界框分割监督深度神经网络架构 | |
| CN111126325B (zh) | 一种基于视频的智能人员安防识别统计方法 | |
| CN102542246A (zh) | Atm机异常人脸检测方法 | |
| 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 | |
| CN114842397B (zh) | 一种基于异常检测的实时老人跌倒检测方法 | |
| CN108960076B (zh) | 基于卷积神经网络的耳朵识别与跟踪方法 | |
| CN112364778A (zh) | 一种基于深度学习的电厂安全性行为信息自动检测方法 | |
| CN112287838B (zh) | 基于静止气象卫星影像序列的云雾自动判识方法及*** | |
| CN111401310B (zh) | 基于人工智能的厨房卫生安全监督管理方法 | |
| CN111091110A (zh) | 一种基于人工智能的反光背心穿戴识别方法 | |
| CN114648714A (zh) | 一种基于yolo的车间规范行为的监测方法 | |
| CN106372566A (zh) | 一种基于数字标牌紧急疏散***及方法 | |
| CN113673614B (zh) | 基于机器视觉的地铁隧道异物入侵检测装置及方法 | |
| CN103049748A (zh) | 行为监测方法及装置 | |
| CN113052139A (zh) | 一种基于深度学习双流网络的攀爬行为检测方法及*** | |
| CN117475353A (zh) | 基于视频的异常烟雾识别方法及*** | |
| Das et al. | Human face detection in color images using HSV color histogram and WLD | |
| CN113343846A (zh) | 一种基于深浅层特征融合的反光衣检测*** | |
| CN108563986A (zh) | 基于远距离拍摄图像的震区电线杆姿态判断方法和*** | |
| CN115995097A (zh) | 一种基于深度学习的安全头盔佩戴标准判断方法 | |
| CN116311499A (zh) | 一种安全设备穿戴检测方法及装置 | |
| CN107507191B (zh) | 一种树冠通透度的计算方法 | |
| CN106339666B (zh) | 一种人体目标的夜间监控方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |