CN115376275B - 一种基于图像处理的施工安全告警方法及*** - Google Patents
一种基于图像处理的施工安全告警方法及*** Download PDFInfo
- Publication number
- CN115376275B CN115376275B CN202211306169.0A CN202211306169A CN115376275B CN 115376275 B CN115376275 B CN 115376275B CN 202211306169 A CN202211306169 A CN 202211306169A CN 115376275 B CN115376275 B CN 115376275B
- Authority
- CN
- China
- Prior art keywords
- layer
- constructor
- pixel
- convolution
- convolutional layer
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/0008—General problems related to the reading of electronic memory record carriers, independent of its reading method, e.g. power transfer
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Emergency Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于图像处理的施工安全告警方法及***,属于图像处理技术领域。根据增强处理后的施工现场图像数据,得到施工人员和爬梯识别结果,如判断发生爬梯动作时,生成第一告警信息,并根据增强处理后的图像数据,得到施工人员人脸识别结果;将得到的人脸识别结果与施工人员人脸数据库进行比对,如施工人员人脸数据库中未对比到人脸识别结果,则生成第二告警信息;如施工人员人脸数据库中对比到人脸识别结果,则判断施工人员是否具有登高作业资质,如施工人员具备登高作业资质,则记录登高作业信息,否则,生成第三告警信息;本发明能够更精准的进行施工现场爬梯作业的识别,有效的保证了爬梯登高作业的安全性。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于图像处理的施工安全告警方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术,并不必然构成现有技术。
户外施工场所一般都会有各种类型的危险操作,需要现场人员提高警惕并注意安全,例如在电力施工现场,高压有电的区域要避免人员靠近,防止触电;进行登高作业时,需要进行登高人员的资质审查和是否佩戴安全装置识别。
发明人发现,目前的施工现场爬梯登高作业危险监控大多采用摄像头监控的方式或者人工现场监控的方式;人工现场监控的方式费时费力且监控范围小、精度低;而采用摄像头监控的方式,需要安全管理人员主动识别登高违规操作,往往无法主动的通过监控识别施工人员是否具备登高资质以及是否真的要进行登高作业,识别的准确度较低;虽然目前也有相关的基于图像处理的人脸或者物品识别方案,但是受户外施工场景的环境因素影响,图像质量一般较差,采用现有的图像处理方式得到的识别结果往往精度不高。
发明内容
为了解决现有技术的不足,本发明提供了一种基于图像处理的施工安全告警方法及***,通过对施工人员、施工人员人脸以及爬梯的识别,实现了爬梯行为的识别以及施工人员的登高资质审验,融合爬梯特定高度的RFID识别结果,有效的保证了爬梯登高作业的安全性。
为了实现上述目的,本发明采用如下技术方案:
本发明第一方面提供了一种基于图像处理的施工安全告警方法。
一种基于图像处理的施工安全告警方法,包括以下过程:
获取施工现场的图像数据;
对获取的施工现场的图像数据进行增强处理;
根据增强处理后的图像数据和第一神经网络模型,得到施工人员和爬梯识别结果,如判断发生爬梯动作时,生成第一告警信息,并根据增强处理后的图像数据和第二神经网络模型,得到施工人员人脸识别结果;
将得到的人脸识别结果与施工人员人脸数据库进行比对,如施工人员人脸数据库中未对比到人脸识别结果,则生成第二告警信息;如施工人员人脸数据库中对比到人脸识别结果,则判断施工人员是否具有登高作业资质,如施工人员具备登高作业资质,则记录登高作业信息,否则,生成第三告警信息。
作为可选的一种实现方式,第一告警信息用于提醒安全管理人员进行施工人员的登高作业监控,第二告警信息和第三告警信息用于提醒安全管理人员禁止施工人员的操作。
作为可选的一种实现方式,第一神经网络模型包括依次连接的第一卷积层模块、池化层和全连接层,第一卷积层模块包括依次连接的第一卷积层、第二卷积层、第三卷积层;
第一卷积层的输入与第一卷积层的输出级联后作为第二卷积层的输入,第二卷积层的输出、第一卷积层的输入与第一卷积层的输出级联后作为第三卷积层的输入。
作为可选的一种实现方式,根据施工人员和爬梯识别结果,判断是否发生爬梯动作,包括:
根据施工人员识别结果的第一外边界,得到第一外边界内所包含的像素点;
根据爬梯识别结果的第二外边界,得到第二外边界内所包含的像素点;
获取第一外边界内和第二外边界内的重合像素点,当重合像素点的个数大于第一设定阈值,且重合像素点的个数与第二外边界内所包含的像素点的比值大于第二设定阈值时,判定存在爬梯动作。
作为可选的一种实现方式,如判断发生爬梯动作时,进行爬梯图像的实时抓取,根据抓取到的图像数据以及第三神经网络模型,得到施工人员的安全帽识别结果,当安全帽缺失时,生成第四告警信息,用于提醒安全管理人员禁止施工人员的操作。
作为可选的一种实现方式,在每个爬梯的高度阈值以上的位置均设置独立的RFID读取设备,在每个施工人员的安全帽内均内嵌有相应的RFID电子标签,当施工人员到达爬梯的RFID的识别范围内被识别到,且根据第一神经网络模型的识别结果判断施工人员存在爬梯动作时,确定有施工人员在执行爬梯动作且位于危险高度位置,此时生成第五告警信息。
本发明第二方面提供了一种基于图像处理的施工安全告警***。
一种基于图像处理的施工安全告警***,包括:
数据获取模块,被配置为:获取施工现场的图像数据;
图像增强模块,被配置为:对获取的施工现场的图像数据进行增强处理;
图像识别模块,被配置为:根据增强处理后的图像数据和第一神经网络模型,得到施工人员和爬梯识别结果,如判断发生爬梯动作时,生成第一告警信息,并根据增强处理后的图像数据和第二神经网络模型,得到施工人员人脸识别结果;
安全告警模块,被配置为:将得到的人脸识别结果与施工人员人脸数据库进行比对,如施工人员人脸数据库中未对比到人脸识别结果,则生成第二告警信息;如施工人员人脸数据库中对比到人脸识别结果,则判断施工人员是否具有登高作业资质,如施工人员具备登高作业资质,则记录登高作业信息,否则,生成第三告警信息。
作为可选的一种实现方式,根据施工人员和爬梯识别结果,判断是否发生爬梯动作,包括:
根据施工人员识别结果的第一外边界,得到第一外边界内所包含的像素点;
根据爬梯识别结果的第二外边界,得到第二外边界内所包含的像素点;
获取第一外边界内和第二外边界内的重合像素点,当重合像素点的个数大于第一设定阈值,且重合像素点的个数与第二外边界内所包含的像素点的比值大于第二设定阈值时,判定存在爬梯动作。
作为可选的一种实现方式,如判断发生爬梯动作时,进行爬梯图像的实时抓取,根据抓取到的图像数据以及第三神经网络模型,得到施工人员的安全帽识别结果,当安全帽缺失时,生成第四告警信息,用于提醒安全管理人员禁止施工人员的操作。
作为可选的一种实现方式,在每个爬梯的高度阈值以上的位置均设置独立的RFID读取设备,在每个施工人员的安全帽内均内嵌有相应的RFID电子标签,当施工人员到达爬梯的RFID的识别范围内被识别到,且根据第一神经网络模型的识别结果判断施工人员存在爬梯动作时,确定有施工人员在执行爬梯动作且位于危险高度位置,此时生成第五告警信息。
与现有技术相比,本发明的有益效果是:
1、本发明所述的基于图像处理的施工安全告警方法及***,通过对施工人员、施工人员人脸以及爬梯的识别,实现了爬梯行为的识别以及施工人员的登高资质审验,融合爬梯特定高度的RFID识别结果,有效的保证了爬梯登高作业的安全性。
2、本发明所述的基于图像处理的施工安全告警方法及***,获取第一外边界内和第二外边界内的重合像素点,当重合像素点的个数大于第一设定阈值,且重合像素点的个数与第二外边界内所包含的像素点的比值大于第二设定阈值时,判定存在爬梯动作,通过双重判据,实现了爬梯动作的更精准识别,避免了误识别带来的误告警。
3、本发明所述的基于图像处理的施工安全告警方法及***,在每个爬梯的高度阈值以上的位置均设置独立的RFID读取设备,在每个施工人员的安全帽内均内嵌有相应的RFID电子标签,当施工人员到达爬梯的RFID的识别范围内被识别到,且根据第一神经网络模型的识别结果判断施工人员存在爬梯动作时,确定有施工人员在执行爬梯动作且位于危险高度位置,此时生成第五告警信息,进一步的提高了告警的精度。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于图像处理的施工安全告警方法的流程示意图。
图2为本发明实施例2提供的基于图像处理的施工安全告警***的结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本发明实施例1提供了一种基于图像处理的施工安全告警方法,包括以下过程:
获取施工现场的图像数据;
对获取的施工现场的图像数据进行增强处理;
根据增强处理后的图像数据和第一神经网络模型,得到施工人员和爬梯识别结果,如判断发生爬梯动作时,生成第一告警信息,并根据增强处理后的图像数据和第二神经网络模型,得到施工人员人脸识别结果;
将得到的人脸识别结果与施工人员人脸数据库进行比对,如施工人员人脸数据库中未对比到人脸识别结果,则生成第二告警信息;如施工人员人脸数据库中对比到人脸识别结果,则判断施工人员是否具有登高作业资质,如施工人员具备登高作业资质,则记录登高作业信息,否则,生成第三告警信息。
本实施例中,第一告警信息用于提醒安全管理人员进行施工人员的登高作业监控,第二告警信息和第三告警信息用于提醒安全管理人员禁止施工人员的操作。
可选的,根据施工人员和爬梯识别结果,判断是否发生爬梯动作,包括:
根据施工人员识别结果的第一外边界,得到第一外边界内所包含的像素点;
根据爬梯识别结果的第二外边界,得到第二外边界内所包含的像素点;
获取第一外边界内和第二外边界内的重合像素点,当重合像素点的个数大于第一设定阈值,且重合像素点的个数与第二外边界内所包含的像素点的比值大于第二设定阈值时,判定存在爬梯动作。
本实施例中的第一设定阈值和第二设定阈值均为根据人为经验设定的数据,假定获取的图像数据的像素均为100万像素,那么根据历史图像数据进行分析:
获取1000张施工人员进行爬梯动作时的历史图像数据,对任一张带有爬梯动作的图像,以图像最左下角为原点构建XY直角坐标系;
假定施工人员识别结果的第一外边界内包含20万个像素点,爬梯识别结果的第二外边界内包含30万个像素点,而且可以得到各个像素点的坐标,坐标重合的像素点为10万,则根据此图像得到的重合像素点为10万个,此时重合像素点10万与第二外边界内包含的30万像素点的比值大约为0.33。
根据上述方式依次进行各个历史图像数据的处理,得到各个图像的重合像素点个数及其对应的重合像素点与第二外边界内包含的像素点的个数比值;
取所有历史图像的重合像素点个数最小值为第一设定阈值,取所有历史图像的重合像素点个数与第二外边界内包含的像素点个数的比值的最小值为第二设定阈值。
可选的,在其他一些实施方式中,取所有历史图像的重合像素点个数的平均值为第一设定阈值,取所有历史图像的重合像素点个数与第二外边界内包含的像素点个数的比值的平均值为第二设定阈值。
可选的,在施工区域也可以设置电子围栏,在施工区域的出入口可以设置独立的RFID识别设备,通过对安全帽内的RFID电子标签的识别来进行出入施工区域的识别。
可选的,第一神经网络模型包括依次连接的第一卷积层模块、池化层和全连接层,第一卷积层模块包括依次连接的第一卷积层、第二卷积层、第三卷积层;
第一卷积层的输入与第一卷积层的输出级联后作为第二卷积层的输入,第二卷积层的输出、第一卷积层的输入与第一卷积层的输出级联后作为第三卷积层的输入,通过跳跃连接的方式,实现了更细节特征的提取。
可以理解的,在其他一些实施方式中,这里的第一神经网络模型也可以采用现有的深度学习模型进行施工人员和爬梯的识别,本领域技术人员可以根据具体工况从现有方案中进行选择,这里不再赘述。
可选的,第二神经网络模型包括依次连接的第二卷积层模块、池化层和全连接层,所述第二卷积层模块包括依次连接的第四卷积层、第五卷积层、残差层、第八卷积层、反卷积层和第九卷积层;
残差层包括第一残差子层和第二残差子层,第一残差子层包括依次连接的第一残差注意块、第二残差注意块和第六卷积层,第二残差子层包括依次连接的第三残差注意块、第四残差注意块和第七卷积层;
第六卷积层的输出与第一残差注意块的输入逐像素相加后作为第三残差注意块的输入,第七卷积层的输出与第三残差注意块的输入逐像素相加后作为第八卷积层的输入,第八卷积层的输出与第一残差注意块的输入逐像素相加后作为反卷积层的输入。
采用残差注意块能够更精准的进行图像中的特征提取,有效的提高了细节特征的提取精度,同时实现了对图像的一定增强作用。
具体的,第四卷积层为平卷积层,第五卷积层为下采样卷积层,第四卷积层和第五卷积层用于从输入图像中提取特征属性;其中,第四卷积层的卷积核尺寸为3×3,卷积步长为1,卷积核数量为64;下采样卷积层采用卷积核尺寸为3×3,卷积步长为2,卷积核数量为64个;
第六卷积层和第七卷积层均为平卷积层,采用卷积核尺寸为3×3,卷积步长为1,卷积核数量为64个;第八卷积层为平卷积层,卷积核尺寸为3×3,卷积步长为1,卷积核数量为64个;
反卷积层用于采用反卷积方式将经过残差深层特征提取后的图像放大至输入图像大小,即放大2倍;第九卷积层为平卷积层,尺寸为3×3,卷积步长为1,卷积核数量为3个。
可选的,采用色彩测量指标(Image Colorfulness Measure,ICM)、清晰度测量指标(Image Sharpness Measure, ISM)和对比度测量指标(Image Contrast Measure,IConM)作为评价依据,对残差层的数量进行了寻优(各指标越大则图像处理的准确度越高)。
根据一层残差层、二层残差层、三层残差层和四层残差层构建不同的模型,分别进行训练,具体的评价结果如表1所示。
表1:不同残差层评价结果对比
可以看到,本实施例采用的二层残差层时的模型效果最好。
同时,将本实施例所述的第二神经网络模型与其他方法进行对比,对比结果如表2所示:
表2:各方法评价结果对比
可选的,对获取的施工现场的图像数据进行增强处理,包括:
提取图像中所有的像素,去除像素值大于第一设定值的像素,去除像素值小于第二设定值的像素,得到从大到小排序的剩余像素序列;
将剩余像素序列从大到小依次等分为第一像素序列、第二像素序列和第三像素序列,获取第一像素序列的所有像素的均值Zmean;
根据均值Zmean进行像素映射,包括:M(x,y)=min(255,N(x,y)*255/Zmean),其中,M(x,y)为强化后的图像在(x,y)位置的像素值,N(x,y)为原图像在(x,y)位置的像素值。
可以理解的,在其他一些实施方式中,也可以直接获取施工人员矩形边界框和爬梯矩形边界框,获取施工人员矩形边界框内和爬梯矩形边界框内的重合像素点,当重合像素点的个数大于第一设定阈值,且重合像素点的个数与爬梯矩形边界框内所包含的像素点的比值大于第二设定阈值时,判定存在爬梯动作。
可选的,如判断发生爬梯动作时,进行爬梯图像的实时抓取,根据抓取到的图像数据以及第三神经网络模型,得到施工人员的安全帽识别结果,当安全帽缺失时,生成第四告警信息,用于提醒安全管理人员禁止施工人员的操作。
可选的,第三神经网络模型包括依次连接的第三卷积层模块、池化层和全连接层,第三卷积层模块包括依次连接的第十卷积层、第十一卷积层和第十二卷积层;
从第十卷积层到第十二卷积层,卷积核的尺寸逐渐增大,第N卷积层的卷积核尺寸为3(N-9),从第十卷积层到第十二卷积层,卷积核的个数逐渐增大,第N卷积层的卷积核数目为4(N-9);其中,N=(10,11,12)。
具体的,第十卷积层的卷积核尺寸为3*1=3(即卷积核的大小为3*3),第十一卷积层的卷积核尺寸为3*2=6(即卷积核的大小为6*6),第十二卷积层的卷积核尺寸为3*3=9(即卷积核的大小为9*9),采用小尺寸能够实现更细节特征的提取,逐渐的提高尺寸能够提高信息的融合速度。
可以理解的,在其他一些实施方式中,第三神经网络模型也可以采用现有的神经网络模型或者AI识别算法进行安全帽的识别,本发明只对安全帽是否存在进行检测,并不检测是否佩戴标准。
可选的,在其他一些实施方式中,在每个爬梯的高度阈值(这里可以是认为设定的危险高度)以上的位置均设置独立的RFID读取设备(可以是一台或者多台),在每个施工人员的安全帽内均内嵌有相应的RFID电子标签,当施工人员到达爬梯的RFID的识别范围内被识别到,且根据第一神经网络模型的识别结果判断施工人员存在爬梯动作时,确定有施工人员在执行爬梯动作且位于危险高度位置,此时生成第五告警信息。
可选的,第一神经网络模型用于进行施工人员和爬梯识别,具体的训练方式可以是:
获取施工现场的多天中的视频帧图像数据(图像中有的同时包含有爬梯和施工人员、有的只包含爬梯、有的只包含施工人员、也有的即不包括爬梯也不包括施工人员),本实施例可以设定为10000幅图像,采用人工标注的方式,将存在爬梯和施工人员的图像进行爬梯和施工人员标准,将其中的8000幅图像构建训练集,将其中的2000幅图像构建测试集,根据训练集进行第一神经网络模型的训练,根据测试集进行第一神经网络模型的测试,直至第一神经网络模型的爬梯和施工人员识别精度大于设定阈值(例如识别准确率大于95%)。
可选的,第二神经网络模型用于进行人脸识别,具体的训练方式可以是:
获取施工现场的多天中的视频帧图像数据(图像中有的包括人脸有的不包括人脸),本实施例可以设定为5000幅图像;
采用人工标注的方式,将各个图像中的人脸进行标注,将其中的4000幅图像构建训练集,将其中的1000幅图像构建测试集,根据训练集进行第二神经网络模型的训练,根据测试集进行第二神经网络模型的测试,直至第二神经网络模型的人脸识别精度大于设定阈值(例如识别准确率大于95%)。
可选的,第三神经网络模型用于进行安全帽识别,具体的训练方式可以是:
获取施工现场的多天中的视频帧图像数据(图像中,有的包含施工人员和安全帽,有的包括施工人员但是不包含安全帽),本实施例可以设定为5000幅图像;
采用人工标注的方式,将各个图像中的施工人员及安全帽进行标注,将其中的4000幅图像构建训练集,将其中的1000幅图像构建测试集,根据训练集进行第三神经网络模型的训练,根据测试集进行第三神经网络模型的测试,直至第三神经网络模型的安全帽识别精度大于设定阈值(例如识别准确率大于95%)。
实施例2:
如图2所示,本发明实施例2提供了一种基于图像处理的施工安全告警***,包括:
数据获取模块,被配置为:获取施工现场的图像数据;
图像增强模块,被配置为:对获取的施工现场的图像数据进行增强处理;
图像识别模块,被配置为:根据增强处理后的图像数据和第一神经网络模型,得到施工人员和爬梯识别结果,如判断发生爬梯动作时,生成第一告警信息,并根据增强处理后的图像数据和第二神经网络模型,得到施工人员人脸识别结果;
安全告警模块,被配置为:将得到的人脸识别结果与施工人员人脸数据库进行比对,如施工人员人脸数据库中未对比到人脸识别结果,则生成第二告警信息;如施工人员人脸数据库中对比到人脸识别结果,则判断施工人员是否具有登高作业资质,如施工人员具备登高作业资质,则记录登高作业信息,否则,生成第三告警信息。
本实施例中,第一告警信息用于提醒安全管理人员进行施工人员的登高作业监控,第二告警信息和第三告警信息用于提醒安全管理人员禁止施工人员的操作。
可选的,根据施工人员和爬梯识别结果,判断是否发生爬梯动作,包括:
根据施工人员识别结果的第一外边界,得到第一外边界内所包含的像素点;
根据爬梯识别结果的第二外边界,得到第二外边界内所包含的像素点;
获取第一外边界内和第二外边界内的重合像素点,当重合像素点的个数大于第一设定阈值,且重合像素点的个数与第二外边界内所包含的像素点的比值大于第二设定阈值时,判定存在爬梯动作。
本实施例中的第一设定阈值和第二设定阈值均为根据人为经验设定的数据,假定获取的图像数据的像素均为100万像素,那么根据历史图像数据进行分析:
获取1000张施工人员进行爬梯动作时的历史图像数据,对任一张带有爬梯动作的图像,以图像最左下角为原点构建XY直角坐标系;
假定施工人员识别结果的第一外边界内包含20万个像素点,爬梯识别结果的第二外边界内包含30万个像素点,而且可以得到各个像素点的坐标,坐标重合的像素点为10万,则根据此图像得到的重合像素点为10万个,此时重合像素点10万与第二外边界内包含的30万像素点的比值大约为0.33;
根据上述方式依次进行各个历史图像数据的处理,得到各个图像的重合像素点个数及其对应的重合像素点与第二外边界内包含的像素点的个数比值;
取所有历史图像的重合像素点个数最小值为第一设定阈值,取所有历史图像的重合像素点个数与第二外边界内包含的像素点个数的比值的最小值为第二设定阈值。
可选的,在其他一些实施方式中,取所有历史图像的重合像素点个数的平均值为第一设定阈值,取所有历史图像的重合像素点个数与第二外边界内包含的像素点个数的比值的平均值为第二设定阈值。
可选的,在施工区域也可以设置电子围栏,在施工区域的出入口可以设置独立的RFID识别设备,通过对安全帽内的RFID电子标签的识别来进行出入施工区域的识别。
可选的,第一神经网络模型包括依次连接的第一卷积层模块、池化层和全连接层,第一卷积层模块包括依次连接的第一卷积层、第二卷积层、第三卷积层;
第一卷积层的输入与第一卷积层的输出级联后作为第二卷积层的输入,第二卷积层的输出、第一卷积层的输入与第一卷积层的输出级联后作为第三卷积层的输入,通过跳跃连接的方式,实现了更细节特征的提取。
可以理解的,在其他一些实施方式中,这里的第一神经网络模型也可以采用现有的深度学习模型进行施工人员和爬梯的识别,本领域技术人员可以根据具体工况从现有方案中进行选择,这里不再赘述。
可选的,第二神经网络模型包括依次连接的第二卷积层模块、池化层和全连接层,所述第二卷积层模块包括依次连接的第四卷积层、第五卷积层、残差层、第八卷积层、反卷积层和第九卷积层;
残差层包括第一残差子层和第二残差子层,第一残差子层包括依次连接的第一残差注意块、第二残差注意块和第六卷积层,第二残差子层包括依次连接的第三残差注意块、第四残差注意块和第七卷积层;
第六卷积层的输出与第一残差注意块的输入逐像素相加后作为第三残差注意块的输入,第七卷积层的输出与第三残差注意块的输入逐像素相加后作为第八卷积层的输入,第八卷积层的输出与第一残差注意块的输入逐像素相加后作为反卷积层的输入。
采用残差注意块能够更精准的进行图像中的特征提取,有效的提高了细节特征的提取精度,同时实现了对图像的一定增强作用。
具体的,第四卷积层为平卷积层,第五卷积层为下采样卷积层,第四卷积层和第五卷积层用于从输入图像中提取特征属性;其中,第四卷积层的卷积核尺寸为3×3,卷积步长为1,卷积核数量为64;下采样卷积层采用卷积核尺寸为3×3,卷积步长为2,卷积核数量为64个;
第六卷积层和第七卷积层均为平卷积层,采用卷积核尺寸为3×3,卷积步长为1,卷积核数量为64个;第八卷积层为平卷积层,卷积核尺寸为3×3,卷积步长为1,卷积核数量为64个;
反卷积层用于采用反卷积方式将经过残差深层特征提取后的图像放大至输入图像大小,即放大2倍;第九卷积层为平卷积层,尺寸为3×3,卷积步长为1,卷积核数量为3个。
可选的,采用色彩测量指标(Image Colorfulness Measure,ICM)、清晰度测量指标(Image Sharpness Measure, ISM)和对比度测量指标(Image Contrast Measure,IConM)作为评价依据,对残差层的数量进行了寻优(各指标越大则图像处理的准确度越高)。
根据一层残差层、二层残差层、三层残差层和四层残差层构建不同的模型,分别进行训练,具体的评价结果如表1所示。
表1:不同残差层评价结果对比
可以看到,本实施例采用的二层残差层时的模型效果最好。
同时,将本实施例所述的第二神经网络模型与其他方法进行对比,对比结果如表2所示:
表2:各方法评价结果对比
可选的,对获取的施工现场的图像数据进行增强处理,包括:
提取图像中所有的像素,去除像素值大于第一设定值的像素,去除像素值小于第二设定值的像素,得到从大到小排序的剩余像素序列;
将剩余像素序列从大到小依次等分为第一像素序列、第二像素序列和第三像素序列,获取第一像素序列的所有像素的均值Zmean;
根据均值Zmean进行像素映射,包括:M(x,y)=min(255,N(x,y)*255/Zmean),其中,M(x,y)为强化后的图像在(x,y)位置的像素值,N(x,y)为原图像在(x,y)位置的像素值。
可以理解的,在其他一些实施方式中,也可以直接获取施工人员矩形边界框和爬梯矩形边界框,获取施工人员矩形边界框内和爬梯矩形边界框内的重合像素点,当重合像素点的个数大于第一设定阈值,且重合像素点的个数与爬梯矩形边界框内所包含的像素点的比值大于第二设定阈值时,判定存在爬梯动作。
可选的,如判断发生爬梯动作时,进行爬梯图像的实时抓取,根据抓取到的图像数据以及第三神经网络模型,得到施工人员的安全帽识别结果,当安全帽缺失时,生成第四告警信息,用于提醒安全管理人员禁止施工人员的操作。
可选的,第三神经网络模型包括依次连接的第三卷积层模块、池化层和全连接层,第三卷积层模块包括依次连接的第十卷积层、第十一卷积层和第十二卷积层;
从第十卷积层到第十二卷积层,卷积核的尺寸逐渐增大,第N卷积层的卷积核尺寸为3(N-9),从第十卷积层到第十二卷积层,卷积核的个数逐渐增大,第N卷积层的卷积核数目为4(N-9);其中,N=(10,11,12)。
具体的,第十卷积层的卷积核尺寸为3*1=3(即卷积核的大小为3*3),第十一卷积层的卷积核尺寸为3*2=6(即卷积核的大小为6*6),第十二卷积层的卷积核尺寸为3*3=9(即卷积核的大小为9*9),采用小尺寸能够实现更细节特征的提取,逐渐的提高尺寸能够提高信息的融合速度。
可以理解的,在其他一些实施方式中,第三神经网络模型也可以采用现有的神经网络模型或者AI识别算法进行安全帽的识别,本发明只对安全帽是否存在进行检测,并不检测是否佩戴标准。
可选的,在其他一些实施方式中,在每个爬梯的高度阈值(这里可以是认为设定的危险高度)以上的位置均设置独立的RFID读取设备(可以是一台或者多台),在每个施工人员的安全帽内均内嵌有相应的RFID电子标签,当施工人员到达爬梯的RFID的识别范围内被识别到,且根据第一神经网络模型的识别结果判断施工人员存在爬梯动作时,确定有施工人员在执行爬梯动作且位于危险高度位置,此时生成第五告警信息。
可选的,第一神经网络模型用于进行施工人员和爬梯识别,具体的训练方式可以是:
获取施工现场的多天中的视频帧图像数据(图像中有的同时包含有爬梯和施工人员、有的只包含爬梯、有的只包含施工人员、也有的即不包括爬梯也不包括施工人员),本实施例可以设定为10000幅图像,采用人工标注的方式,将存在爬梯和施工人员的图像进行爬梯和施工人员标准,将其中的8000幅图像构建训练集,将其中的2000幅图像构建测试集,根据训练集进行第一神经网络模型的训练,根据测试集进行第一神经网络模型的测试,直至第一神经网络模型的爬梯和施工人员识别精度大于设定阈值(例如识别准确率大于95%)。
可选的,第二神经网络模型用于进行人脸识别,具体的训练方式可以是:
获取施工现场的多天中的视频帧图像数据(图像中有的包括人脸有的不包括人脸),本实施例可以设定为5000幅图像;
采用人工标注的方式,将各个图像中的人脸进行标注,将其中的4000幅图像构建训练集,将其中的1000幅图像构建测试集,根据训练集进行第二神经网络模型的训练,根据测试集进行第二神经网络模型的测试,直至第二神经网络模型的人脸识别精度大于设定阈值(例如识别准确率大于95%)。
可选的,第三神经网络模型用于进行安全帽识别,具体的训练方式可以是:
获取施工现场的多天中的视频帧图像数据(图像中,有的包含施工人员和安全帽,有的包括施工人员但是不包含安全帽),本实施例可以设定为5000幅图像;
采用人工标注的方式,将各个图像中的施工人员及安全帽进行标注,将其中的4000幅图像构建训练集,将其中的1000幅图像构建测试集,根据训练集进行第三神经网络模型的训练,根据测试集进行第三神经网络模型的测试,直至第三神经网络模型的安全帽识别精度大于设定阈值(例如识别准确率大于95%)。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图中一个流程或多个流程和/或方框图中一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图中一个流程或多个流程和/或方框图中一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图中一个流程或多个流程和/或方框图中一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于图像处理的施工安全告警方法,其特征在于:
包括以下过程:
获取施工现场的图像数据;
对获取的施工现场的图像数据进行增强处理;
根据增强处理后的图像数据和第一神经网络模型,得到施工人员和爬梯识别结果,如判断发生爬梯动作时,生成第一告警信息,并根据增强处理后的图像数据和第二神经网络模型,得到施工人员人脸识别结果;
将得到的人脸识别结果与施工人员人脸数据库进行比对,如施工人员人脸数据库中未对比到人脸识别结果,则生成第二告警信息;如施工人员人脸数据库中对比到人脸识别结果,则判断施工人员是否具有登高作业资质,如施工人员具备登高作业资质,则记录登高作业信息,否则,生成第三告警信息;
对获取的施工现场的图像数据进行增强处理,包括:
提取图像中所有的像素,去除像素值大于第一设定值的像素,去除像素值小于第二设定值的像素,得到从大大小排序的剩余像素序列;
将剩余像素序列从大到小依次等分为第一像素序列、第二像素序列和第三像素序列,获取第一像素序列的所有像素的均值Zmean;
根据均值Zmean进行像素映射,包括:M(x,y)=min(255,N(x,y)*255/Zmean),其中,M(x,y)为强化后的图像在(x,y)位置的像素值,N(x,y)为原图像在(x,y)位置的像素值;
第二神经网络模型包括依次连接的第二卷积层模块、池化层和全连接层,所述第二卷积层模块包括依次连接的第四卷积层、第五卷积层、残差层、第八卷积层、反卷积层和第九卷积层;
残差层包括第一残差子层和第二残差子层,第一残差子层包括依次连接的第一残差注意块、第二残差注意块和第六卷积层,第二残差子层包括依次连接的第三残差注意块、第四残差注意块和第七卷积层;
第六卷积层的输出与第一残差注意块的输入逐像素相加后作为第三残差注意块的输入,第七卷积层的输出与第三残差注意块的输入逐像素相加后作为第八卷积层的输入,第八卷积层的输出与第一残差注意块的输入逐像素相加后作为反卷积层的输入;
如判断发生爬梯动作时,进行爬梯图像的实时抓取,根据抓取到的图像数据以及第三神经网络模型,得到施工人员的安全帽识别结果,当安全帽缺失时,生成第四告警信息,用于提醒安全管理人员禁止施工人员的操作;
第三神经网络模型包括依次连接的第三卷积层模块、池化层和全连接层,第三卷积层模块包括依次连接的第十卷积层、第十一卷积层和第十二卷积层;
从第十卷积层到第十二卷积层,卷积核的尺寸逐渐增大,第N卷积层的卷积核尺寸为3(N-9),从第十卷积层到第十二卷积层,卷积核的个数逐渐增大,第N卷积层的卷积核数目为4(N-9);其中,N=(10,11,12)。
2.如权利要求1所述的基于图像处理的施工安全告警方法,其特征在于:
第一告警信息用于提醒安全管理人员进行施工人员的登高作业监控,第二告警信息和第三告警信息用于提醒安全管理人员禁止施工人员的操作。
3.如权利要求1所述的基于图像处理的施工安全告警方法,其特征在于:
根据施工人员和爬梯识别结果,判断是否发生爬梯动作,包括:
根据施工人员识别结果的第一外边界,得到第一外边界内所包含的像素点;
根据爬梯识别结果的第二外边界,得到第二外边界内所包含的像素点;
获取第一外边界内和第二外边界内的重合像素点,当重合像素点的个数大于第一设定阈值,且重合像素点的个数与第二外边界内所包含的像素点的比值大于第二设定阈值时,判定存在爬梯动作。
4.如权利要求1-3任一项所述的基于图像处理的施工安全告警方法,其特征在于:
第一神经网络模型包括依次连接的第一卷积层模块、池化层和全连接层,卷积层包括依次连接的第一卷积层、第二卷积层和第三卷积层;
第一卷积层的输入与第一卷积层的输出级联后作为第二卷积层的输入,第二卷积层的输出、第一卷积层的输入与第一卷积层的输出级联后作为第三卷积层的输入。
5.如权利要求1-3任一项所述的基于图像处理的施工安全告警方法,其特征在于:
在每个爬梯的高度阈值以上的位置均设置独立的RFID读取设备,在每个施工人员的安全帽内均内嵌有相应的RFID电子标签,当施工人员到达爬梯的RFID的识别范围内被识别到,且根据第一神经网络模型的识别结果判断施工人员存在爬梯动作时,确定有施工人员在执行爬梯动作且位于危险高度位置,此时生成第五告警信息。
6.一种基于图像处理的施工安全告警***,其特征在于:
包括:
数据获取模块,被配置为:获取施工现场的图像数据;
图像增强模块,被配置为:对获取的施工现场的图像数据进行增强处理;
图像识别模块,被配置为:根据增强处理后的图像数据和第一神经网络模型,得到施工人员和爬梯识别结果,如判断发生爬梯动作时,生成第一告警信息,并根据增强处理后的图像数据和第二神经网络模型,得到施工人员人脸识别结果;
安全告警模块,被配置为:将得到的人脸识别结果与施工人员人脸数据库进行比对,如施工人员人脸数据库中未对比到人脸识别结果,则生成第二告警信息;如施工人员人脸数据库中对比到人脸识别结果,则判断施工人员是否具有登高作业资质,如施工人员具备登高作业资质,则记录登高作业信息,否则,生成第三告警信息;
对获取的施工现场的图像数据进行增强处理,包括:
提取图像中所有的像素,去除像素值大于第一设定值的像素,去除像素值小于第二设定值的像素,得到从大大小排序的剩余像素序列;
将剩余像素序列从大到小依次等分为第一像素序列、第二像素序列和第三像素序列,获取第一像素序列的所有像素的均值Zmean;
根据均值Zmean进行像素映射,包括:M(x,y)=min(255,N(x,y)*255/Zmean),其中,M(x,y)为强化后的图像在(x,y)位置的像素值,N(x,y)为原图像在(x,y)位置的像素值;
第二神经网络模型包括依次连接的第二卷积层模块、池化层和全连接层,所述第二卷积层模块包括依次连接的第四卷积层、第五卷积层、残差层、第八卷积层、反卷积层和第九卷积层;
残差层包括第一残差子层和第二残差子层,第一残差子层包括依次连接的第一残差注意块、第二残差注意块和第六卷积层,第二残差子层包括依次连接的第三残差注意块、第四残差注意块和第七卷积层;
第六卷积层的输出与第一残差注意块的输入逐像素相加后作为第三残差注意块的输入,第七卷积层的输出与第三残差注意块的输入逐像素相加后作为第八卷积层的输入,第八卷积层的输出与第一残差注意块的输入逐像素相加后作为反卷积层的输入;
如判断发生爬梯动作时,进行爬梯图像的实时抓取,根据抓取到的图像数据以及第三神经网络模型,得到施工人员的安全帽识别结果,当安全帽缺失时,生成第四告警信息,用于提醒安全管理人员禁止施工人员的操作;
第三神经网络模型包括依次连接的第三卷积层模块、池化层和全连接层,第三卷积层模块包括依次连接的第十卷积层、第十一卷积层和第十二卷积层;
从第十卷积层到第十二卷积层,卷积核的尺寸逐渐增大,第N卷积层的卷积核尺寸为3(N-9),从第十卷积层到第十二卷积层,卷积核的个数逐渐增大,第N卷积层的卷积核数目为4(N-9);其中,N=(10,11,12)。
7.如权利要求6所述的基于图像处理的施工安全告警***,其特征在于:
根据施工人员和爬梯识别结果,判断是否发生爬梯动作,包括:
根据施工人员识别结果的第一外边界,得到第一外边界内所包含的像素点;
根据爬梯识别结果的第二外边界,得到第二外边界内所包含的像素点;
获取第一外边界内和第二外边界内的重合像素点,当重合像素点的个数大于第一设定阈值,且重合像素点的个数与第二外边界内所包含的像素点的比值大于第二设定阈值时,判定存在爬梯动作。
8.如权利要求6或7所述的基于图像处理的施工安全告警***,其特征在于:
如判断发生爬梯动作时,进行爬梯图像的实时抓取,根据抓取到的图像数据以及第三神经网络模型,得到施工人员的安全帽识别结果,当安全帽缺失时,生成第四告警信息,用于提醒安全管理人员禁止施工人员的操作。
9.如权利要求6或7所述的基于图像处理的施工安全告警***,其特征在于:
在每个爬梯的高度阈值以上的位置均设置独立的RFID读取设备,在每个施工人员的安全帽内均内嵌有相应的RFID电子标签,当施工人员到达爬梯的RFID的识别范围内被识别到,且根据第一神经网络模型的识别结果判断施工人员存在爬梯动作时,确定有施工人员在执行爬梯动作且位于危险高度位置,此时生成第五告警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211306169.0A CN115376275B (zh) | 2022-10-25 | 2022-10-25 | 一种基于图像处理的施工安全告警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211306169.0A CN115376275B (zh) | 2022-10-25 | 2022-10-25 | 一种基于图像处理的施工安全告警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115376275A CN115376275A (zh) | 2022-11-22 |
CN115376275B true CN115376275B (zh) | 2023-02-10 |
Family
ID=84073101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211306169.0A Active CN115376275B (zh) | 2022-10-25 | 2022-10-25 | 一种基于图像处理的施工安全告警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115376275B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126321A (zh) * | 2019-12-27 | 2020-05-08 | 广州市奔流电力科技有限公司 | 电力安全施工防护方法、装置及计算机设备 |
CN112200043A (zh) * | 2020-09-30 | 2021-01-08 | 中邮通建设咨询有限公司 | 面向室外施工现场的危险源智能识别***及方法 |
CN113408683A (zh) * | 2021-07-06 | 2021-09-17 | 山东电力工程咨询院有限公司 | 一种施工现场***方法及*** |
CN113593177A (zh) * | 2021-07-27 | 2021-11-02 | 南京南瑞信息通信科技有限公司 | 一种基于高精度定位和图像识别的视频告警联动实现方法 |
CN113743725A (zh) * | 2021-08-04 | 2021-12-03 | 国网福建省电力有限公司信息通信分公司 | 基于边缘计算的登高作业人员的登高资质检测方法及*** |
CN114078224A (zh) * | 2021-09-29 | 2022-02-22 | 国网浙江省电力有限公司 | 一种基于5g网络架构的基建现场监控***及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123567A (zh) * | 2014-07-21 | 2014-10-29 | 国家电网公司 | 电力作业工器具现场遗留智能视频识别方法 |
CN112288658B (zh) * | 2020-11-23 | 2023-11-28 | 杭州师范大学 | 一种基于多残差联合学习的水下图像增强方法 |
-
2022
- 2022-10-25 CN CN202211306169.0A patent/CN115376275B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126321A (zh) * | 2019-12-27 | 2020-05-08 | 广州市奔流电力科技有限公司 | 电力安全施工防护方法、装置及计算机设备 |
CN112200043A (zh) * | 2020-09-30 | 2021-01-08 | 中邮通建设咨询有限公司 | 面向室外施工现场的危险源智能识别***及方法 |
CN113408683A (zh) * | 2021-07-06 | 2021-09-17 | 山东电力工程咨询院有限公司 | 一种施工现场***方法及*** |
CN113593177A (zh) * | 2021-07-27 | 2021-11-02 | 南京南瑞信息通信科技有限公司 | 一种基于高精度定位和图像识别的视频告警联动实现方法 |
CN113743725A (zh) * | 2021-08-04 | 2021-12-03 | 国网福建省电力有限公司信息通信分公司 | 基于边缘计算的登高作业人员的登高资质检测方法及*** |
CN114078224A (zh) * | 2021-09-29 | 2022-02-22 | 国网浙江省电力有限公司 | 一种基于5g网络架构的基建现场监控***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115376275A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108022235B (zh) | 高压输电铁塔关键部件缺陷识别方法 | |
CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及*** | |
CN108038424B (zh) | 一种适用于高空作业的视觉自动化检测方法 | |
CN112364740B (zh) | 一种基于计算机视觉的无人机房监控方法及*** | |
CN110458794B (zh) | 用于轨道列车的配件质量检测方法及装置 | |
CN111582073A (zh) | 一种基于ResNet101特征金字塔的变电站违规行为识别方法 | |
CN106778731B (zh) | 一种车牌定位方法及终端 | |
CN111652046A (zh) | 基于深度学习的安全穿戴检测方法、设备及*** | |
CN108921840A (zh) | 显示屏***电路检测方法、装置、电子设备及存储介质 | |
CN113095132A (zh) | 一种基于神经网络的燃气现场目标检测和行为识别方法、***、终端及存储介质 | |
CN112507892A (zh) | 基于深度学习的特种场所重点人员穿着识别处理的***、方法、装置、处理器及其存储介质 | |
CN114049593A (zh) | 监控方法、装置、设备及存储介质 | |
CN112417955A (zh) | 巡检视频流处理方法及装置 | |
CN111797726A (zh) | 一种火焰检测方法、装置、电子设备及存储介质 | |
CN112084892B (zh) | 一种道路异常事件检测管理装置及其方法 | |
CN113971829A (zh) | 安全帽佩戴情况的智能检测方法、装置、设备及存储介质 | |
CN114155551A (zh) | 基于YOLOv3改进的复杂环境下的行人检测方法及装置 | |
CN116189063B (zh) | 一种用于智能视频监控的关键帧优化方法及装置 | |
CN115376275B (zh) | 一种基于图像处理的施工安全告警方法及*** | |
CN112001336A (zh) | 行人越界报警方法、装置、设备及*** | |
CN116229502A (zh) | 基于图像的摔倒行为识别方法及设备 | |
CN110956156A (zh) | 一种基于深度学习的闯红灯检测*** | |
CN112001963A (zh) | 消防通道的排查的方法、***和计算机设备 | |
KR101674266B1 (ko) | 영상 기반의 건설 현장 안전 수준 평가 시스템 | |
CN114219073A (zh) | 属性信息的确定方法、装置、存储介质及电子装置 |
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 |