CN115471787A - 一种工地物体堆放检测方法、装置及存储介质 - Google Patents

一种工地物体堆放检测方法、装置及存储介质 Download PDF

Info

Publication number
CN115471787A
CN115471787A CN202210950470.9A CN202210950470A CN115471787A CN 115471787 A CN115471787 A CN 115471787A CN 202210950470 A CN202210950470 A CN 202210950470A CN 115471787 A CN115471787 A CN 115471787A
Authority
CN
China
Prior art keywords
stacked
objects
sub
construction site
scene
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
Application number
CN202210950470.9A
Other languages
English (en)
Other versions
CN115471787B (zh
Inventor
梁帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Prophet Big Data Co ltd
Original Assignee
Dongguan Prophet Big Data Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongguan Prophet Big Data Co ltd filed Critical Dongguan Prophet Big Data Co ltd
Priority to CN202210950470.9A priority Critical patent/CN115471787B/zh
Publication of CN115471787A publication Critical patent/CN115471787A/zh
Application granted granted Critical
Publication of CN115471787B publication Critical patent/CN115471787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种工地物体堆放检测方法、装置及存储介质，用于检测工地物体堆放，改进施工现场安全管理，降低事故发生频率，提高安全性。本申请公开的工地物体堆放检测方法包括：对检测场景进行初始化设置；在设置好的场景使用预设的工地堆放物体检测模型对检测场景内出现的堆放物体进行检测；当检测场景内检测到堆放物体时，检测堆放物体的子区域是否存在物体消失行为；当堆放物体的子区域存在物体消失行为时，检测放物体的子区域是否存在人员向工地搬运物体；当堆放物体的子区域存在人员向工地搬运物体时，检测堆放物体是否存在异常，若存在异常则发送异常预警至管理人员处。本申请还提供了一种工地物体堆放检测装置及存储介质。

Description

一种工地物体堆放检测方法、装置及存储介质
技术领域
本申请涉及计算技术领域，尤其涉及一种工地物体堆放检测方法、装置和存储介质。
背景技术
对于一个长远的土建项目，材料管理是施工现场管理的重要环节，在施工过程中，建筑材料存放量会不断的增加，呈现出不少工地物体堆放问题，这些建筑材料若不合规地进行堆放容易发生倒塌、滑落伤及他人。但工地现场并没有明确道路，现有技术无法确切地检测乱堆乱放问题。
发明内容
针对上述技术问题，本申请实施例提供了一种工地物体堆放检测方法、装置及存储介质，用于检测工地物体堆放，改进施工现场安全管理，降低事故发生频率，提高安全性。
第一方面，本申请实施例提供的一种工地物体堆放检测方法，包括：
对检测场景进行初始化设置；
在设置好的场景使用预设的工地堆放物体检测模型对检测场景内出现的堆放物体进行检测；
当检测场景内检测到堆放物体时，检测堆放物体的子区域是否存在物体消失行为；
当堆放物体的子区域存在物体消失行为时，检测放物体的子区域是否存在人员向工地搬运物体；
当堆放物体的子区域存在人员向工地搬运物体时，检测堆放物体是否存在异常，若存在异常则发送异常预警至管理人员处。
优选的，所述对检测场景进行初始化设置包括：
设置一条工地内外的分界线Ax+By+C＝0，并设置一个工地方向点，所述工地方向点的坐标为(x0，y0)；
其中A为横坐标x的系数，B为纵坐标y的系数，C为常数，x为横坐标， y为纵坐标，x0为所述工地方向点的横坐标，y0为所述工地方向点的纵坐标。
优选的，本发明中，预设的工地堆放物体检测模型通过以下方式确定：
收集工地堆放物体的图片并对物体进行标注，使用基于YOLO的训练模型对标注后的图片进行训练，得到工地堆放物体检测模型。
优选的，本发明中，子区域包括：
堆放物体的信息为(x1，y1，w1，h1)，其中x1为堆放物体识别方框左上方定点的横坐标，y1为堆放物体识别方框左上方定点的纵坐标，w1为堆放物体识别方框的宽，h1为堆放物体识别方框的高；
将堆放物体区域分为9个子区域
Figure BDA0003789300270000021
其中
Figure BDA0003789300270000022
为子区域识别方框的左上方定点的横坐标，
Figure BDA0003789300270000023
为子区域识别方框的左上方定点的纵坐标，
Figure BDA0003789300270000024
为子区域识别方框的宽，
Figure BDA0003789300270000025
为子区域识别方框的高，i为1到3的整数，j为1到3的整数。
优选的，所述检测堆放物体的子区域是否存在物体消失行为包括：
从检测到堆放物体的视频帧数n开始，使用基于尺度不变特征变换SIFT 的特征匹配模型对n帧后每一帧n1内任一子区域图像进行图像相似度匹配，得到图像的相似度评分
Figure BDA0003789300270000027
当检测到堆放物体的视频帧数n后的某一帧n1开始连续N1帧的图像的相似度评分之和
Figure BDA0003789300270000026
大于设定的第三判断阈值ts3时，判定该区域物体存在消失行为；
其中，
Figure BDA0003789300270000031
其中
Figure BDA0003789300270000032
为区域内特征匹配像素点个数与区域内全部像素点个数的比值， ts1为设定的第一判断阈值，ts2为设定的第二判断阈值。
优选的，当堆放物体的子区域存在物体消失行为时，检测放物体的区域是否存在人员向工地搬运物体包括：
当一个子区域Oi，j出现消失行为时，提取从第n帧到n1+N1的监控视频，记录场景内出现的行人信息，得到行人位置中心坐标(x2，y2)；
当行人坐标满足
Figure BDA0003789300270000033
时，判定人员接近堆放物体，获取人员的手臂坐标(x31，y31)，(x32，y32)及手腕坐标(x41，y41)，(x42，y42)，当手臂及手腕满足：
Figure BDA0003789300270000034
Figure BDA0003789300270000035
|(y41-y31)x42+(x31-x41)y42+y31x41-x31y41|
＜|(y41-y31)x32+(x31-x41)y32+y31x41-x31y41|
时，判定人员存在搬运物体行为，其中ts4为设定的第四判断阈值；
当连续N2帧人员存在搬运物体行为的帧数大于设定的第五判断阈值ts5时，判定人员对物体进行了搬运，对人员的轨迹进行跟踪，得到人员轨迹点集合 {(xfk，yfk)}，其中k为轨迹点的序号；
当轨迹点(xfk，yfk)满足(Axfk+Byfk+C)(Ax0+By0+C)≥0时，判定轨迹点为工地轨迹点；
当人员轨迹中工地轨迹点的个数大于设定的第六判断阈值ts6时，判定所述子区域存在人员向工地搬运物体；
当人员向工地搬运物体时判定堆放物体与工地有关，当人员未向工地搬运物体时判定堆放物与工地无关。
优选的，当堆放物体的子区域存在人员向工地搬运物体时，检测堆放物体是否存在异常包括：
当堆放物体的区域存在人员向工地搬运物体时，记录堆放物体在所述场景出现的时间t0，根据从堆放物体出现的时间t0到时间t1监控视频，对场景内出现的车辆进行跟踪得到车辆在该时间段内的轨迹点集合；
对于任一车辆的轨迹点集合{(xcz，m，ycz，m)}，提取车辆进入场景的轨迹点 (xc1，m，yc1，m)，离开场景的轨迹点
Figure BDA0003789300270000045
计算轨迹进程得分gcm；其中z为车辆轨迹点的序号，m为车辆的序号，z1为轨迹点集合的元素数；
当gcm＜ts7时，计算每个轨迹点(xcz，m，ycz，m)的过程得分gzz，m，其中ts7为设定的第七判断阈值；
计算轨迹的过程得分：
Figure BDA0003789300270000041
当gzm＞ts9时，判定堆放物体存在阻挡行为，ts9为设定的第九判断阈值；
对于存在阻挡行为的堆放物体，在所述场景出现的时间t1-t0＞ts10时，判定堆放物体存在异常；其中ts10为设定的第十判断阈值。
所述计算轨迹进程得分gcm包括：
根据以下公式计算轨迹进程得分gcm：
Figure BDA0003789300270000042
其中
Figure BDA0003789300270000043
Figure BDA0003789300270000044
所述计算每个轨迹点(xcz，m，ycz，m)的过程得分gzz，m包括：
过程得分gzz，m根据以下公式确定：
Figure BDA0003789300270000051
其中，
Figure BDA0003789300270000052
ts8为设定的第八判断阈值。
优选的，当堆放物体与工地无关时，当堆放物体在场景出现的时长t2大于设定的第十一判断阈值ts11时，判定堆放物体存在异常。
第二方面，本申请实施例还提供一种工地物体堆放检测装置，包括：
初始化模块，被配置用于对检测场景进行初始化设置；
训练模块，被配置用于收集工地堆放物体的图片并对物体进行标注，使用基于YOLO的训练模型对标注后的图片进行训练，得到工地堆放物体检测模型；
检测模块，被配置用于：
在设置好的场景使用预设的工地堆放物体检测模型对检测场景内出现的堆放物体进行检测；
当检测场景内检测到堆放物体时，检测堆放物体的子区域是否存在物体消失行为：
当堆放物体的子区域存在物体消失行为时，检测放物体的子区域是否存在人员向工地搬运物体；
当堆放物体的子区域存在人员向工地搬运物体时，检测堆放物体是否存在异常，若存在异常则发送异常预警至管理人员处。
第三方面，本申请实施例还提供一种工地物体堆放检测装置，包括：存储器、处理器和用户接口；
所述存储器，用于存储计算机程序；
所述用户接口，用于与用户实现交互；
所述处理器，用于读取所述存储器中的计算机程序，所述处理器执行所述计算机程序时，实现本发明提供的工地物体堆放检测方法。
第四方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现本发明提供的工地物体堆放检测方法。
使用本发明提供的工地物体堆放检测方法，首先对检测目标区域，即检测场景进行初始化设置，将检测场景划分为多个子区域，检测子区域是否存在物体堆放异常，若异常则通知管理人员处置。通过本发明的工地物体堆放检测方法，能智能检测工地物体堆放，改进施工现场安全管理，降低事故发生频率，提高安全性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的工地物体堆放检测方法流程示意图；
图2为本申请实施例提供的另一工地物体堆放检测方法流程示意图；
图3为本申请实施例提供的工地物体堆放检测装置示意图；
图4为本申请实施例提供的另一种工地物体堆放检测装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面对文中出现的一些词语进行解释：
1、本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
2、本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
3、YOLO：you only look once的简称，是一种目标检测模型；
4、本发明实施例中，检测场景、检测场地，检测场所，工地是相同的概念，均是指检测的地点。
5、本发明实施例中，x表示横坐标，y表示纵坐标，w表示宽，h表示高。 x，y，w，h均可加速下标或者上标，表示不同对象的坐标值。例如，堆放物体的信息为(x1，y1，w1，h1)，其中x1为堆放物体识别方框左上方定点的横坐标，y1为堆放物体识别方框左上方定点的纵坐标，w1为堆放物体识别方框的宽，h1为堆放物体识别方框的高。再例如，(x31，y31)为左手臂坐标，(x32，y32)为右手臂坐标， (x41，y41)为左手腕坐标，(x42，y42)为右手腕坐标。优选的，也可以不区分左手和右手。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例的展示顺序仅代表实施例的先后顺序，并不代表实施例所提供的技术方案的优劣。
实施例一
参见图1，本申请实施例提供的一种工地物体堆放检测方法示意图，如图 1所示，该方法包括步骤S101到S105：
S101、对检测场景进行初始化设置；
为了对工地的物体堆放进行准确检测，需要对检测的场景进行设置。作为一种优选示例，对检测场景进行初始化设置包括：
设置一条工地内外的分界线Ax+By+C＝0，并设置一个工地方向点，所述工地方向点的坐标为(x0，y0)；
其中A为横坐标x的系数，B为纵坐标y的系数，C为常数，x为横坐标， y为纵坐标，x0为所述工地方向点的横坐标，y0为所述工地方向点的纵坐标。
S102、在设置好的场景使用预设的工地堆放物体检测模型对检测场景内出现的堆放物体进行检测；
本发明实施例中，工地堆放物体检测模型是预先设置的。优选的，工地堆放物体检测模型通过以下方式得到：
收集工地堆放物体的图片并对物体进行标注，使用基于YOLO的训练模型对标注后的图片进行训练，得到工地堆放物体检测模型。
具体的，收集工地建材、废料、货物的图片并对物体进行标注，使用基于 YOLO的训练模型对标注后的图片进行训练，得到工地堆放物体检测模型。在设置好的场景使用训练好的工地堆放物体检测模型对检测场景内出现的堆放物体进行检测，检测工地内是否有堆放物体。
S103、当检测场景内检测到堆放物体时，检测堆放物体的子区域是否存在物体消失行为；
本发明实施例中，需要将检测的场景划分为N个子区域，N为预先设定的。例如，将检测的场景划分为9个子区域：
将堆放物体区域分为9个子区域
Figure BDA0003789300270000081
其中
Figure BDA0003789300270000082
为子区域识别方框的左上方定点的横坐标，
Figure BDA0003789300270000083
为子区域识别方框的左上方定点的纵坐标，
Figure BDA0003789300270000084
为子区域识别方框的宽，
Figure BDA0003789300270000085
为子区域识别方框的高，i为1到3的整数，j为1到3的整数。
其中，堆放物体的信息为(x1，y1，w1，h1)，其中x1为堆放物体识别方框左上方定点的横坐标，y1为堆放物体识别方框左上方定点的纵坐标，w1为堆放物体识别方框的宽，h1为堆放物体识别方框的高。
当检测场景内检测到堆放物体时，检测堆放物体的子区域是否存在物体消失行为可以是：
从检测到堆放物体的视频帧数n开始，使用基于尺度不变特征变换SIFT 的特征匹配模型对n帧后每一帧n1内任一子区域图像进行图像相似度匹配，得到图像的相似度评分
Figure BDA0003789300270000099
当检测到堆放物体的视频帧数n后的某一帧n1开始连续N1帧的图像的相似度评分之和
Figure BDA0003789300270000091
大于设定的第三判断阈值ts3时，判定该区域物体存在消失行为；
其中，
Figure BDA0003789300270000092
其中
Figure BDA0003789300270000093
为区域内特征匹配像素点个数与区域内全部像素点个数的比值，ts1为设定的第一判断阈值，ts2为设定的第二判断阈值。
也就是说，本步骤中，当检测场景内检测到堆放物体时，获取堆放物体信息(x1，y1，w1，h1)，其中x1为堆放物体识别方框左上方定点的横坐标，y1为堆放物体识别方框左上方定点的纵坐标，wh1为堆放物体识别方框的宽，h1为堆放物体识别方框的高。将堆放物体区域分为9个子区域
Figure BDA0003789300270000094
其中
Figure BDA0003789300270000095
为子区域识别方框的左上方定点的横坐标，
Figure BDA0003789300270000096
为子区域识别方框的左上方定点的纵坐标，
Figure BDA0003789300270000097
为子区域识别方框的宽，
Figure BDA0003789300270000098
为子区域识别方框的高，并提取9个子区域内的图像作为初始物体图像。从检测到堆放物体的视频帧数n开始，使用基于SIFT的特征匹配模型对n帧后每一帧n1内任一子区域图像进行图像相似度匹配，得到图像的相似度评分：
Figure BDA0003789300270000101
其中
Figure BDA0003789300270000102
为区域内特征匹配像素点个数与区域内全部像素点个数的比值， ts1为设定的第一判断阈值，ts2为设定的第二判断阈值。当检测到堆放物体的视频帧数n后的某一帧n1开始连续N1帧的图像的相似度评分之和：
Figure BDA0003789300270000103
大于设定的第三判断阈值ts3时，判定该子区域物体存在消失行为，否则判定该子区域物体不存在消失行为。
S104、当堆放物体的子区域存在物体消失行为时，检测堆放物体的子区域是否存在人员向工地搬运物体；
当S103步骤中，判定该子区域物体存在消失行为时，检测放物体的子区域是否存在人员向工地搬运物体，具体为：
当一个子区域Oi，j出现消失行为时，提取从第n帧到n1+N1的监控视频，记录场景内出现的行人信息，得到行人位置中心坐标(x2，y2)；
当行人坐标满足
Figure BDA0003789300270000104
时，判定人员接近堆放物体，获取人员的手臂坐标(x31，y31)，(x32，y32)及手腕坐标(x41，y41)，(x42，y42)，当手臂及手腕满足：
Figure BDA0003789300270000105
Figure BDA0003789300270000106
|(y41-y31)x42+(x31-x41)y42+y31x41-x31y41|
＜|(y41-y31)x32+(x31-x41)y32+y31x41-x31y41|
时，判定人员存在搬运物体行为，其中ts4为设定的第四判断阈值；
当连续N2帧人员存在搬运物体行为的帧数大于设定的第五判断阈值ts5时，判定人员对物体进行了搬运，对人员的轨迹进行跟踪，得到人员轨迹点集合 {(xfk，yfk)}，其中k为轨迹点的序号；
当轨迹点(xfk，yfk)满足(Axfk+Byfk+C)(Ax0+By0+C)≥0时，判定轨迹点为工地轨迹点；
当人员轨迹中工地轨迹点的个数大于设定的第六判断阈值ts6时，判定该子区域存在人员向工地搬运物体。当人员轨迹中工地轨迹点的个数小于等于设定的第六判断阈值ts6时，判定该子区域不存在人员向工地搬运物体。
作为一种优选示例，当人员向工地搬运物体时判定堆放物体与工地有关，当人员未向工地搬运物体时判定堆放物与工地无关。
其中，(x31，y31)为左手臂坐标，(x32，y32)为右手臂坐标，(x41，y41)为左手腕坐标，(x42，y42)为右手腕坐标。作为一种优选示例，也可以不区分左手和右手，即不区分左手臂坐标和右手臂坐标，不区分左手腕坐标和右手腕坐标。
S105、当堆放物体的子区域存在人员向工地搬运物体时，检测堆放物体是否存在异常，若存在异常则发送异常预警至管理人员处。
本步骤中，当堆放物体的子区域存在人员向工地搬运物体时，检测堆放物体是否存在异常包括：
当堆放物体的区域存在人员向工地搬运物体时，记录堆放物体在所述场景出现的时间t0，根据从堆放物体出现的时间t0到时间t1监控视频，对场景内出现的车辆进行跟踪得到车辆在该时间段内的轨迹点集合；
对于任一车辆的轨迹点集合{(xcz，m，ycz，m)}，提取车辆进入场景的轨迹点 (xc1，m，yc1，m)，离开场景的轨迹点
Figure BDA0003789300270000111
计算轨迹进程得分gcm；其中z为车辆轨迹点的序号，m为车辆的序号，z1为轨迹点集合的元素数；
当gcm＜ts7时，计算每个轨迹点(xcz，m，ycz，m)的过程得分gzz，m，其中ts7为设定的第七判断阈值；
计算轨迹的过程得分：
Figure BDA0003789300270000127
当gzm＞ts9时，判定堆放物体存在阻挡行为，ts9为设定的第九判断阈值；
对于存在阻挡行为的堆放物体，在所述场景出现的时间t1-t0＞ts10时，判定堆放物体存在异常；其中ts10为设定的第十判断阈值。
其中，计算轨迹进程得分gcm包括：
根据以下公式计算轨迹进程得分gcm：
Figure BDA0003789300270000121
其中
Figure BDA0003789300270000122
Figure BDA0003789300270000123
计算每个轨迹点(xcz，m，ycz，m)的过程得分gzz，m包括：
过程得分gzz，m根据以下公式确定：
Figure BDA0003789300270000124
其中，
Figure BDA0003789300270000125
ts8为设定的第八判断阈值。
也就是说，本步骤中，当堆放物体的子区域存在人员向工地搬运物体时，检测堆放物体是否存在异常，若存在异常则发送异常预警至管理人员处，具体包括：
当堆放物体的区域存在人员向工地搬运物体时，记录堆放物体在场景出现的时间t0，根据从堆放物体出现的时间t0到时间t1监控视频，对场景内出现的车辆进行跟踪得到车辆在该时间段内的轨迹点集合，对于任一车辆的轨迹点集合{(xcz，m，ycz，m)}，其中z为车辆轨迹点的序号，m为车辆的序号，提取车辆进入场景的轨迹点(xc1，m，yc1，m)，离开场景的轨迹点
Figure BDA0003789300270000126
z1为轨迹点集合的元素数，计算轨迹进程得分gcm：
Figure BDA0003789300270000131
其中：
Figure BDA0003789300270000132
Figure BDA0003789300270000133
Figure BDA0003789300270000134
当gcm＜ts7时，其中ts7为设定的第七判断阈值，计算每个轨迹点 (xcz，m，ycz，m)的过程得分：
Figure BDA0003789300270000135
其中ts8为设定的第八判断阈值：
Figure BDA0003789300270000136
计算轨迹的过程得分：
Figure BDA0003789300270000137
当gzm＞ts9时，ts9为设定的第九判断阈值，判定堆放物体存在阻挡行为。
对于存在阻挡行为的堆放物体，在场景出现的时间t1-t0＞ts10时，其中ts10为设定的第十判断阈值，判定堆放物体存在异常并实时发送异常预警至管理人员处。
作为一种优选示例，当堆放物体与工地无关时，当堆放物体在场景出现的时长t2大于设定的第十一判断阈值ts11时，判定堆放物体存在异常。
使用本发明提供的工地物体堆放检测方法，首先对检测目标区域，即检测场景进行初始化设置，将检测场景划分为多个子区域，检测子区域是否存在物体堆放异常，若异常则通知管理人员处置。通过本发明的工地物体堆放检测方法，能智能检测工地物体堆放，改进施工现场安全管理，降低事故发生频率，提高安全性。
实施例二
参见图2，本申请实施例提供的一种工地物体堆放检测方法示意图，如图 2所示，该方法包括步骤S201到S208：
S201、对检测场景进行初始化设置；
本步骤中，对检测场景进行初始化设置，与实施例一的S101相同，在此不再赘述。
S202、在设置好的场景使用预设的工地堆放物体检测模型对检测场景内出现的堆放物体进行检测；
本步骤中，收集工地堆放物体的图片并对物体进行标注，使用基于YOLO 的训练模型对标注后的图片进行训练，得到工地堆放物体检测模型。具体与 S102相同，在此不再赘述。
S203、判断检测场景内是否检测到堆放物体，若是则执行S204，否则返回执行S202。
本步骤中，首先判断检测场景内是否存在堆放物体，若检测到堆放物体，则执行S204继续检测堆放物体的子区域是否存在物体消失行为，若未检测到堆放物体，则继续回到S202，在设置好的场景使用预设的工地堆放物体检测模型对检测场景内出现的堆放物体进行检测。
S204、检测堆放物体的子区域是否存在物体消失行为；
本步骤中，检测堆放物体的子区域是否存在物体消失行为的具体方法同 S103，在此不再赘述。
S205、判断堆放物体的子区域是否存在物体消失行为，若是则执行S206，否则返回执行S202。
本步骤中，首先检测堆放物体的子区域是否存在物体消失行为，若堆放物体的子区域存在物体消失行为，则执行S206继续检测堆放物体的子区域是否存人员向工地搬运物体，若堆放物体的子区域不存在物体消失行为，则继续回到S202，在设置好的场景使用预设的工地堆放物体检测模型对检测场景内出现的堆放物体进行检测。
S206、检测放物体的子区域是否存在人员向工地搬运物体；
本步骤中，检测放物体的子区域是否存在人员向工地搬运物体的具体方法同S104，在此不再赘述。
S207、判断检测堆放物体的子区域是否存在人员向工地搬运物体，若是则执行S208，否则返回执行S202。
本步骤中，首先检测堆放物体的子区域是否存在人员向工地搬运物体，若存在人员向工地搬运物体，则执行S208继续检测堆放物体是否存在异常，若不存在人员向工地搬运物体，则继续回到S202，在设置好的场景使用预设的工地堆放物体检测模型对检测场景内出现的堆放物体进行检测。
S208、检测堆放物体是否存在异常，若存在异常则发送异常预警至管理人员处。
本步骤中，检测堆放物体是否存在异常的具体方法同S105，在此不再赘述。
当堆放物体的子区域存在人员向工地搬运物体时，检测堆放物体是否存在异常，若存在异常则发送异常预警至管理人员处。
作为一种优选示例，本实施例还包括：
当堆放物体与工地无关时，当堆放物体在场景出现的时长t2大于设定的第十一判断阈值ts11时，判定堆放物体存在异常。
实施例三
基于同一个发明构思，本发明实施例还提供了一种工地物体堆放检测装置，如图3所示，该装置包括：
初始化模块301，被配置用于对检测场景进行初始化设置；
训练模块302，被配置用于收集工地堆放物体的图片并对物体进行标注，使用基于YOLO的训练模型对标注后的图片进行训练，得到工地堆放物体检测模型；
检测模块303，被配置用于：
在设置好的场景使用预设的工地堆放物体检测模型对检测场景内出现的堆放物体进行检测；
当检测场景内检测到堆放物体时，检测堆放物体的子区域是否存在物体消失行为；
当堆放物体的子区域存在物体消失行为时，检测放物体的子区域是否存在人员向工地搬运物体；
当堆放物体的子区域存在人员向工地搬运物体时，检测堆放物体是否存在异常，若存在异常则发送异常预警至管理人员处。
作为一种优选示例，初始化模块301还被配置用于对检测场景进行初始化设置包括：
设置一条工地内外的分界线Ax+By+C＝0，并设置一个工地方向点，所述工地方向点的坐标为(x0，y0)；
其中A为横坐标x的系数，B为纵坐标y的系数，C为常数，x为横坐标， y为纵坐标，x0为所述工地方向点的横坐标，y0为所述工地方向点的纵坐标。
作为一种优选示例，检测模块303，被配置用于当检测场景内检测到堆放物体时，检测堆放物体的子区域是否存在物体消失行为包括：
从检测到堆放物体的视频帧数n开始，使用基于尺度不变特征变换SIFT 的特征匹配模型对n帧后每一帧n1内任一子区域图像进行图像相似度匹配，得到图像的相似度评分
Figure BDA0003789300270000161
当检测到堆放物体的视频帧数n后的某一帧n1开始连续N1帧的图像的相似度评分之和
Figure BDA0003789300270000162
大于设定的第三判断阈值ts3时，判定该区域物体存在消失行为；
其中，
Figure BDA0003789300270000171
其中
Figure BDA0003789300270000172
为区域内特征匹配像素点个数与区域内全部像素点个数的比值， ts1为设定的第一判断阈值，ts2为设定的第二判断阈值。
其中，所述子区域包括：
堆放物体的信息为(x1，y1，w1，h1)，其中x1为堆放物体识别方框左上方定点的横坐标，y1为堆放物体识别方框左上方定点的纵坐标，w1为堆放物体识别方框的宽，h1为堆放物体识别方框的高；
将堆放物体区域分为9个子区域
Figure BDA0003789300270000173
其中
Figure BDA0003789300270000174
为子区域识别方框的左上方定点的横坐标，
Figure BDA0003789300270000175
为子区域识别方框的左上方定点的纵坐标，
Figure BDA0003789300270000176
为子区域识别方框的宽，
Figure BDA0003789300270000177
为子区域识别方框的高，i 为1到3的整数，j为1到3的整数。
作为一种优选示例，检测模块303，被配置用于当堆放物体的子区域存在物体消失行为时，检测放物体的子区域是否存在人员向工地搬运物体包括：
当一个子区域Oi，j出现消失行为时，提取从第n帧到n1+N1的监控视频，记录场景内出现的行人信息，得到行人位置中心坐标(x2，y2)；
当行人坐标满足
Figure BDA0003789300270000178
时，判定人员接近堆放物体，获取人员的手臂坐标(x31，y31)，(x32，y32)及手腕坐标(x41，y41)，(x42，y42)，当手臂及手腕满足：
Figure BDA0003789300270000179
Figure BDA00037893002700001710
|(y41-y31)x42+(x31-x41)y42+y31x41-x31y41|
＜|(y41-y31)x32+(x31-x41)y32+y31x41-x31y41|
时，判定人员存在搬运物体行为，其中ts4为设定的第四判断阈值；
当连续N2帧人员存在搬运物体行为的帧数大于设定的第五判断阈值ts5时，判定人员对物体进行了搬运，对人员的轨迹进行跟踪，得到人员轨迹点集合 {(xfk，yfk)}，其中k为轨迹点的序号；
当轨迹点(xfk，yfk)满足(Axfk+Byfk+C)(Ax0+By0+C)≥0时，判定轨迹点为工地轨迹点；
当人员轨迹中工地轨迹点的个数大于设定的第六判断阈值ts6时，判定区域存在人员向工地搬运物体；
当人员向工地搬运物体时判定堆放物体与工地有关，当人员未向工地搬运物体时判定堆放物与工地无关。
作为一种优选示例，检测模块303，被配置用于当堆放物体的子区域存在人员向工地搬运物体时，检测堆放物体是否存在异常包括：
当堆放物体的区域存在人员向工地搬运物体时，记录堆放物体在所述场景出现的时间t0，根据从堆放物体出现的时间t0到时间t1监控视频，对场景内出现的车辆进行跟踪得到车辆在该时间段内的轨迹点集合；
对于任一车辆的轨迹点集合{(xcz，m，ycz，m)}，提取车辆进入场景的轨迹点 (xc1，m，yc1，m)，离开场景的轨迹点
Figure BDA0003789300270000181
计算轨迹进程得分gcm；其中z为车辆轨迹点的序号，m为车辆的序号，z1为轨迹点集合的元素数；
当gcm＜ts7时，计算每个轨迹点(xcz，m，ycz，m)的过程得分gzz，m，其中ts7为设定的第七判断阈值；
计算轨迹的过程得分：
Figure BDA0003789300270000182
当gzm＞ts9时，判定堆放物体存在阻挡行为，ts9为设定的第九判断阈值；
对于存在阻挡行为的堆放物体，在所述场景出现的时间t1-t0＞tS1o时，判定堆放物体存在异常；其中ts10为设定的第十判断阈值。
所述计算轨迹进程得分gcm包括：
根据以下公式计算轨迹进程得分gcm：
Figure BDA0003789300270000191
其中
Figure BDA0003789300270000192
Figure BDA0003789300270000193
所述计算每个轨迹点(xcz，m，ycz，m)的过程得分gzz，m包括：
过程得分gzz，m根据以下公式确定：
Figure BDA0003789300270000194
其中，
Figure BDA0003789300270000195
ts8为设定的第八判断阈值。
作为一种优选示例，检测模块303，被配置用于当堆放物体与工地无关时，当堆放物体在场景出现的时长t2大于设定的第十一判断阈值ts11时，判定堆放物体存在异常。
需要说明的是，本实施例提供的初始化模块301，能实现实施例一中步骤 S101包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；
需要说明的是，本实施例提供的训练模块302，能实现实施例一中步骤 S102包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；
需要说明的是，本实施例提供的检测模块303，能实现实施例一中步骤 S103到S105包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；
需要说明的是，实施例三提供的装置与实施例一、实施例二提供的方法属于同一个发明构思，解决相同的技术问题，达到相同的技术效果，实施例三提供的装置能实现实施例一、实施例二的所有方法，相同之处不再赘述。
实施例四
基于同一个发明构思，本发明实施例还提供了一种工地物体堆放检测装置，如图4所示，该装置包括：
包括存储器402、处理器401和用户接口403；
所述存储器402，用于存储计算机程序；
所述用户接口403，用于与用户实现交互；
所述处理器401，用于读取所述存储器402中的计算机程序，所述处理器 401执行所述计算机程序时，实现：
对检测场景进行初始化设置；
在设置好的场景使用预设的工地堆放物体检测模型对检测场景内出现的堆放物体进行检测；
当检测场景内检测到堆放物体时，检测堆放物体的子区域是否存在物体消失行为；
当堆放物体的子区域存在物体消失行为时，检测放物体的子区域是否存在人员向工地搬运物体；
当堆放物体的子区域存在人员向工地搬运物体时，检测堆放物体是否存在异常，若存在异常则发送异常预警至管理人员处。
其中，在图4中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器401代表的一个或多个处理器和存储器402代表的存储器的各种电路链接在一起。总线架构还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。处理器401负责管理总线架构和通常的处理，存储器402可以存储处理器401在执行操作时所使用的数据。
处理器401可以是CPU、ASIC、FPGA或CPLD，处理器401也可以采用多核架构。
处理器401执行存储器402存储的计算机程序时，实现实施例一中的任一工地物体堆放检测方法。
需要说明的是，实施例三提供的装置与实施例一提供的方法属于同一个发明构思，解决相同的技术问题，达到相同的技术效果，实施例三提供的装置能实现实施例一的所有方法，相同之处不再赘述。
本申请还提出一种处理器可读存储介质。其中，该处理器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现实施例一中的任一工地物体堆放检测方法。
需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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。
本申请是参照根据本申请实施例的方法、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一个流程或多个流程和/或方框图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一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (13)

1.一种工地物体堆放检测方法，其特征在于，包括：
对检测场景进行初始化设置；
在设置好的场景使用预设的工地堆放物体检测模型对检测场景内出现的堆放物体进行检测；
当检测场景内检测到堆放物体时，检测堆放物体的子区域是否存在物体消失行为；
当堆放物体的子区域存在物体消失行为时，检测放物体的子区域是否存在人员向工地搬运物体；
当堆放物体的子区域存在人员向工地搬运物体时，检测堆放物体是否存在异常，若存在异常则发送异常预警至管理人员处。
2.根据权利要求1所述的方法，其特征在于，所述对检测场景进行初始化设置包括：
设置一条工地内外的分界线Ax+By+C＝0，并设置一个工地方向点，所述工地方向点的坐标为(x0，y0)；
其中A为横坐标x的系数，B为纵坐标y的系数，C为常数，x为横坐标，y为纵坐标，x0为所述工地方向点的横坐标，y0为所述工地方向点的纵坐标。
3.根据权利要求2所述的方法，其特征在于，所述预设的工地堆放物体检测模型包括：
收集工地堆放物体的图片并对物体进行标注，使用基于YOLO的训练模型对标注后的图片进行训练，得到工地堆放物体检测模型。
4.根据权利要求3所述的方法，其特征在于，所述子区域包括：
堆放物体的信息为(x1，y1，w1，h1)，其中x1为堆放物体识别方框左上方定点的横坐标，y1为堆放物体识别方框左上方定点的纵坐标，w1为堆放物体识别方框的宽，h1为堆放物体识别方框的高；
将堆放物体区域分为9个子区域
Figure FDA0003789300260000011
其中
Figure FDA0003789300260000012
为子区域识别方框的左上方定点的横坐标，
Figure FDA0003789300260000021
为子区域识别方框的左上方定点的纵坐标，
Figure FDA0003789300260000022
为子区域识别方框的宽，
Figure FDA0003789300260000023
为子区域识别方框的高，i为1到3的整数，j为1到3的整数。
5.根据权利要求4所述的方法，其特征在于，所述检测堆放物体的子区域是否存在物体消失行为包括：
从检测到堆放物体的视频帧数n开始，使用基于尺度不变特征变换SIFT的特征匹配模型对n帧后每一帧n1内任一子区域图像进行图像相似度匹配，得到图像的相似度评分
Figure FDA0003789300260000028
当检测到堆放物体的视频帧数n后的某一帧n1开始连续N1帧的图像的相似度评分之和
Figure FDA0003789300260000024
大于设定的第三判断阈值ts3时，判定该区域物体存在消失行为；
其中，
Figure FDA0003789300260000025
其中
Figure FDA0003789300260000026
为区域内特征匹配像素点个数与区域内全部像素点个数的比值，ts1为设定的第一判断阈值，ts2为设定的第二判断阈值。
6.根据权利要求4所述的方法，其特征在于，所述当堆放物体的子区域存在物体消失行为时，检测放物体的区域是否存在人员向工地搬运物体包括：
当一个子区域Oi，j出现消失行为时，提取从第n帧到n1+N1的监控视频，记录场景内出现的行人信息，得到行人位置中心坐标(x2，y2)；
当行人坐标满足
Figure FDA0003789300260000027
时，判定人员接近堆放物体，获取人员的手臂坐标(x31，y31)，(x32，y32)及手腕坐标(x41，y41)，(x42，y42)，当手臂及手腕满足：
Figure FDA0003789300260000031
Figure FDA0003789300260000032
|(y41-y31)x42+(x31-x41)y42+y31x41-x31y41|＜|(y41-y31)x32+(x31-x41)y32+y31x41-x31y41|
时，判定人员存在搬运物体行为，其中ts4为设定的第四判断阈值；
当连续N2帧人员存在搬运物体行为的帧数大于设定的第五判断阈值ts5时，判定人员对物体进行了搬运，对人员的轨迹进行跟踪，得到人员轨迹点集合{(xfk，yfk)}，其中k为轨迹点的序号；
当轨迹点(xfk，yfk)满足(Axfk+Byfk+C)(Ax0+By0+C)≥0时，判定轨迹点为工地轨迹点；
当人员轨迹中工地轨迹点的个数大于设定的第六判断阈值ts6时，判定所述子区域存在人员向工地搬运物体；
当人员向工地搬运物体时判定堆放物体与工地有关，当人员未向工地搬运物体时判定堆放物与工地无关。
7.根据权利要求4所述的方法，其特征在于，当堆放物体的子区域存在人员向工地搬运物体时，检测堆放物体是否存在异常包括：
当堆放物体的区域存在人员向工地搬运物体时，记录堆放物体在所述场景出现的时间t0，根据从堆放物体出现的时间t0到时间t1监控视频，对场景内出现的车辆进行跟踪得到车辆在该时间段内的轨迹点集合；
对于任一车辆的轨迹点集合{(xcz，m，ycz，m)}，提取车辆进入场景的轨迹点(xc1，m，yc1，m)，离开场景的轨迹点
Figure FDA0003789300260000033
计算轨迹进程得分gcm；其中z为车辆轨迹点的序号，m为车辆的序号，z1为轨迹点集合的元素数；
当gcm＜ts7时，计算每个轨迹点(xcz，m，ycz，m)的过程得分gzz，m，其中ts7为设定的第七判断阈值；
计算轨迹的过程得分：
Figure FDA0003789300260000041
当gzm＞ts9时，判定堆放物体存在阻挡行为，ts9为设定的第九判断阈值；
对于存在阻挡行为的堆放物体，在所述场景出现的时间t1-t0＞ts10时，判定堆放物体存在异常；其中ts10为设定的第十判断阈值。
8.根据权利要求7所述的方法，其特征在于，所述计算轨迹进程得分gcm包括：
根据以下公式计算轨迹进程得分gcm：
Figure FDA0003789300260000042
其中
Figure FDA0003789300260000043
Figure FDA0003789300260000044
9.根据权利要求8所述的方法，其特征在于，所述计算每个轨迹点(xcz，m，ycz，m)的过程得分gzz，m包括：
过程得分gzz，m根据以下公式确定：
Figure FDA0003789300260000045
其中，
Figure FDA0003789300260000046
ts8为设定的第八判断阈值。
10.根据权利要求7所述的方法，其特征在于，还包括：
当堆放物体与工地无关时，当堆放物体在场景出现的时长t2大于设定的第十一判断阈值ts11时，判定堆放物体存在异常。
11.一种工地物体堆放检测装置，其特征在于，包括：
初始化模块，被配置用于对检测场景进行初始化设置；
训练模块，被配置用于收集工地堆放物体的图片并对物体进行标注，使用基于YOLO的训练模型对标注后的图片进行训练，得到工地堆放物体检测模型；
检测模块，被配置用于：
在设置好的场景使用预设的工地堆放物体检测模型对检测场景内出现的堆放物体进行检测；
当检测场景内检测到堆放物体时，检测堆放物体的子区域是否存在物体消失行为；
当堆放物体的子区域存在物体消失行为时，检测放物体的子区域是否存在人员向工地搬运物体；
当堆放物体的子区域存在人员向工地搬运物体时，检测堆放物体是否存在异常，若存在异常则发送异常预警至管理人员处。
12.一种工地物体堆放检测装置，其特征在于，包括存储器、处理器和用户接口；
所述存储器，用于存储计算机程序；
所述用户接口，用于与用户实现交互；
所述处理器，用于读取所述存储器中的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1到10之一所述的工地物体堆放检测方法。
13.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至10之一所述的工地物体堆放检测方法。
CN202210950470.9A 2022-08-09 2022-08-09 一种工地物体堆放检测方法、装置及存储介质 Active CN115471787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210950470.9A CN115471787B (zh) 2022-08-09 2022-08-09 一种工地物体堆放检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210950470.9A CN115471787B (zh) 2022-08-09 2022-08-09 一种工地物体堆放检测方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN115471787A true CN115471787A (zh) 2022-12-13
CN115471787B CN115471787B (zh) 2023-06-06

Family

ID=84367869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210950470.9A Active CN115471787B (zh) 2022-08-09 2022-08-09 一种工地物体堆放检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115471787B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117896506A (zh) * 2024-03-14 2024-04-16 广东电网有限责任公司 一种动态的现场作业场景可视化监控方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740814A (zh) * 2016-01-29 2016-07-06 重庆扬讯软件技术有限公司 一种使用视频分析确定固废危废存放状态的方法
CN113344745A (zh) * 2021-06-17 2021-09-03 武汉市佳梦科技有限公司 基于远程视频监控和云计算的工程项目智慧工地数据采集分析一体化云平台
CN113486823A (zh) * 2021-07-12 2021-10-08 苏州万店掌网络科技有限公司 一种基于深度学习的货道堆积检测方法、***及存储介质
US20220019818A1 (en) * 2021-03-25 2022-01-20 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Method and system for vehicle parking detection, and storage medium
CN113989719A (zh) * 2021-10-30 2022-01-28 福州大学 一种工地盗窃监测方法及***
CN114067240A (zh) * 2021-11-03 2022-02-18 天津理工大学 一种融合行人特性的在线更新策略行人单目标跟踪方法
CN114444996A (zh) * 2021-12-09 2022-05-06 国网江西省电力物资有限公司 一种基于多维度特征分析的物资仓库工作人员行为识别分析管理***
CN114529864A (zh) * 2021-12-30 2022-05-24 东莞先知大数据有限公司 一种岸边走私行为检测方法、装置及存储介质
CN114626772A (zh) * 2020-12-11 2022-06-14 顺丰科技有限公司 货物违规码放的检测方法、装置、电子设备及存储介质
CN114758464A (zh) * 2022-06-15 2022-07-15 东莞先知大数据有限公司 一种基于充电桩监控视频的电瓶防盗方法、设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740814A (zh) * 2016-01-29 2016-07-06 重庆扬讯软件技术有限公司 一种使用视频分析确定固废危废存放状态的方法
CN114626772A (zh) * 2020-12-11 2022-06-14 顺丰科技有限公司 货物违规码放的检测方法、装置、电子设备及存储介质
US20220019818A1 (en) * 2021-03-25 2022-01-20 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Method and system for vehicle parking detection, and storage medium
CN113344745A (zh) * 2021-06-17 2021-09-03 武汉市佳梦科技有限公司 基于远程视频监控和云计算的工程项目智慧工地数据采集分析一体化云平台
CN113486823A (zh) * 2021-07-12 2021-10-08 苏州万店掌网络科技有限公司 一种基于深度学习的货道堆积检测方法、***及存储介质
CN113989719A (zh) * 2021-10-30 2022-01-28 福州大学 一种工地盗窃监测方法及***
CN114067240A (zh) * 2021-11-03 2022-02-18 天津理工大学 一种融合行人特性的在线更新策略行人单目标跟踪方法
CN114444996A (zh) * 2021-12-09 2022-05-06 国网江西省电力物资有限公司 一种基于多维度特征分析的物资仓库工作人员行为识别分析管理***
CN114529864A (zh) * 2021-12-30 2022-05-24 东莞先知大数据有限公司 一种岸边走私行为检测方法、装置及存储介质
CN114758464A (zh) * 2022-06-15 2022-07-15 东莞先知大数据有限公司 一种基于充电桩监控视频的电瓶防盗方法、设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117896506A (zh) * 2024-03-14 2024-04-16 广东电网有限责任公司 一种动态的现场作业场景可视化监控方法

Also Published As

Publication number Publication date
CN115471787B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
Luo et al. Recognizing diverse construction activities in site images via relevance networks of construction-related objects detected by convolutional neural networks
Fang et al. Automated detection of workers and heavy equipment on construction sites: A convolutional neural network approach
Son et al. Detection of construction workers under varying poses and changing background in image sequences via very deep residual networks
Sun et al. Reverse and boundary attention network for road segmentation
JP6759411B2 (ja) 物体追跡方法および装置
Foucher et al. Detection and recognition of urban road markings using images
US20060269103A1 (en) Methods and apparatus for automatically tracking moving entities entering and exiting a specified region
CN109284664B (zh) 驾驶员辅助***和护栏检测方法
US10255673B2 (en) Apparatus and method for detecting object in image, and apparatus and method for computer-aided diagnosis
Hadi et al. A computationally economic novel approach for real-time moving multi-vehicle detection and tracking toward efficient traffic surveillance
CN106934817A (zh) 基于多属性的多目标跟踪方法及装置
Tian et al. A modified YOLOv4 detection method for a vision-based underwater garbage cleaning robot
CN111291603A (zh) 车道线检测方法、装置、***及存储介质
CN111311010A (zh) 车辆风险预测方法、装置、电子设备及可读存储介质
Donoser et al. Shape guided maximally stable extremal region (mser) tracking
CN114529864B (zh) 一种岸边走私行为检测方法、装置及存储介质
CN115471787A (zh) 一种工地物体堆放检测方法、装置及存储介质
EP3156972A1 (en) Counting apparatus and method for moving objects
Hossain et al. Moving object detection for real time video surveillance: An edge based approach
Hariyono et al. Pedestrian action recognition using motion type classification
Wang et al. Pedestrian abnormal event detection based on multi-feature fusion in traffic video
Han et al. Multi-sample image-based material recognition and formalized sequencing knowledge for operation-level construction progress monitoring
CN116311361A (zh) 一种基于像素级标注的危险源室内工作人员定位方法
CN115131826A (zh) 物品检测识别方法、网络模型的训练方法和装置
Wang et al. Online adaptive multiple pedestrian tracking in monocular surveillance video

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
CP03 Change of name, title or address

Address after: Building 7, No. 124 Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523015

Patentee after: Guangdong Prophet Big Data Co.,Ltd.

Country or region after: China

Address before: Room 102, Building 7, No. 124, Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523015

Patentee before: Dongguan prophet big data Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address