CN111274930A - 一种基于深度学习的安全帽佩戴以及吸烟行为识别方法 - Google Patents
一种基于深度学习的安全帽佩戴以及吸烟行为识别方法 Download PDFInfo
- Publication number
- CN111274930A CN111274930A CN202010056825.0A CN202010056825A CN111274930A CN 111274930 A CN111274930 A CN 111274930A CN 202010056825 A CN202010056825 A CN 202010056825A CN 111274930 A CN111274930 A CN 111274930A
- Authority
- CN
- China
- Prior art keywords
- target
- smoking
- wearing
- deep learning
- model
- 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
- 230000000391 smoking effect Effects 0.000 title claims abstract description 67
- 230000006399 behavior Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000012795 verification Methods 0.000 claims abstract description 22
- 230000003321 amplification Effects 0.000 claims abstract description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 239000000779 smoke Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 3
- 239000003245 coal Substances 0.000 description 2
- 238000009435 building construction Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于深度学习的安全帽佩戴以及吸烟行为识别方法。该方法包括：构建训练集与验证集；对训练集进行数据扩增；构造人头目标检测网络；对检测网络进行训练与预测。本发明的基于深度学习的安全帽佩戴以及吸烟行为识别方法充分考虑了应用光照的多样性和目标尺寸与形态的复杂性，使用基于Resnet18的Centernet网络与Mobilenetv3的分类网络，因此，既保证了目标检测的速度也提高了检测准确度。
Description
技术领域
本发明属于计算机视觉领域，涉及一种基于深度学习的安全帽佩戴以及吸烟行为识别方法。
背景技术
安全生产对于石化、煤炭、电力、建筑等行业都是非常重要的一环，而根据据《JGJ59- 99建筑施工安全检查标准》，进入施工现场必须戴安全帽，在通过人力监督成本及风险都较大的情况下，通过开发安全帽识别算法对作业区域的人员进行识别，若检测到人员未佩戴安全帽，则立即报警，提升作业区域的管控效率，保障作业人员的安全，最后落地应用到实际的智慧工地和智慧工厂项目。同时，在建筑工地，煤矿及油田等，因为有保温材料和易燃物品的存放，防火工作是重中之重，一个烟头就可能引起火灾，造成巨大的生命和财产损失，所以在这些场景下是禁止吸烟的。基于这样的场景需求，开发出能够实时检测人的吸烟行为，并给出报警的算法，能够大大降低事故发生的风险。
日新月异的计算机视觉和机器学习算法使得目标检测精度越来越高，基于传统的计算机视觉与机器学习的方法，在目前专利系统中能查到的方法主要有多子区域图像特征自动学习、 Kalman滤波的传统图像技术、基于HOG特征和Adaboost特征的机器学习方法，但这些方法需要大量的先验知识和巨大的计算量，对复杂场景和气候下的车辆检测鲁棒性不好，因此导致检测精度不够、检测速度不快，不能在工程中应用。
深度学习技术如火如荼，产生了R-CNN系列网络、YOLO系列、SSD等网络。R-CNN系列网络虽然保证了检测的精度，但是存在训练过程麻烦、训练时间久、预测时间慢的问题。YOlO 和SSD网络，虽然预测快，耗时少，但是存在检测精度不够的问题。而且上述网络都是基于锚框做的预测，这会导致网络的训练与预测很大程度上依赖于锚框的先验尺寸，这就导致了上述网络无法解决现实场景种多种目标的框尺寸不一的问题，所以，在安全帽佩戴检测识别任务中，以上的网络都不是最佳的方案。
考虑到吸烟行为检测属于细粒化地识别任务，单单用目标检测算法难以完成识别任务，但是通过先检测出图像中的人头，包括佩戴与不佩戴安全帽的人头，再将这些已经识别出的人头输入目标分类网络，就可以对目标是否进行抽烟行为进行识别。目前常见的分类网络，如VGG，Resnet等难以达到实时识别的要求，但是基于深度可分离卷积的Mobilenetv3网络可以完成实时分类的要求。
发明内容
鉴于以上所述过往技术的缺点，本发明提供一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，以提高安全帽佩戴以及吸烟行为识别的准确度和速度。
为了实现上述目的，本发明包括以下步骤：
步骤1)获取过去所搜集到的安全帽佩戴以及吸烟行为数据，并做好人工标注，按照 9∶1的比例划分为检测模型的训练集和验证集；
步骤2)对上述训练集进行数据扩增，形成新的训练集；
步骤3)构造基于Resnet18的Centernet检测网络，主要包括特征提取网络、上采样层、目标中心定位层、目标尺寸判断层、目标类别判断层；
步骤4)将上述检测网络使用安全帽佩戴训练集进行模型训练，并选出在验证集表现最优的模型；
步骤5)将吸烟行为训练集图片送进上述检测网络识别图像中的人头，将检测到的人头图像保存，按抽烟与否划分吸烟行为训练集图片；
步骤6)构造基于Mobilenetv3的人头吸烟分类网络；
步骤7)将上述分类网络使用吸烟行为训练集进行模型训练，并选出在验证集表现最优的模型；
步骤8)将待测图像送入上述选出的模型进行预测，得到图像中人头目标对应的位置和行为概率；
上述步骤1)中所述的全帽佩戴以及吸烟行为数据来源于真实环境下工地安全帽佩戴以及公共场所行人吸烟图片，需要各种天气条件下各种光照场景的数据；
上述步骤1)中所述的人工标注是指：将每一张图片中的图片上佩戴或者不佩戴安全帽的人头目标都用矩形框框出，对应产生一个xml文件，xml文件中记录下图中每一目标的坐标，记录格式为[左上角x坐标，左上角y坐标，目标宽w，目标高度h]，同时删掉目标模糊或者难以标注的图片；
上述步骤2)中所述的数据扩增是指：将已经标注好的图片，做亮度、对比度、饱和度和色调的变换，或者做一定角度旋转，再经过人工筛选出合理的图片，构造成新的训练集；
上述步骤3)中所述特征提取网络是指：由18层卷积层构成的特征提取层，对应resnet18分类网络去掉最后的全连接和Pooling层，提取特征过程中图片会进行下采样，最后输出的下采样倍数为32；
上述步骤3)中所述上采样层是指：将上述特征提取层的输出经过三个转置卷积进行上采样，转置卷积核大小为4，上采样最后输出特征尺寸为原输入图像的四分之一，通道数为64；
上述步骤3)中所述目标中心定位层是指：将上采样层输出通过一个卷积输出两张数值图，即目标偏移所在单元格左上角的相对x与y坐标；
上述步骤3)中所述目标尺寸判断层是指：将上采样层输出通过一个卷积输出两张数值图，即目标的宽与高；
上述步骤3)中所述目标类别判断层是指：将上采样层输出通过一个卷积输出两张数值图，即目标的属于佩戴或者不佩戴安全帽的置信度；
上述步骤4)中所述的在验证集中选出表现最优的模型是指：在训练过程，每经过半个 epoch存储一次目标检测模型，并在验证集上测试，根据目标的误检率和漏检率两个指标选择出最优的模型；
上述步骤5)中所述的将检测到的人头图像保存是指，将所检测到的目标，置信度大于0.5 的判断为人头，并且根据输出目标的坐标和尺寸，将人头图像截取，保留到电脑上；
上述步骤5)中所述的按抽烟与否划分吸烟行为训练集图片是指，将截取到的人头图像数据进行人为判断图像中的人是否在吸烟，并且将吸烟与不吸烟的人头图像分别划分到两个文件夹下；
上述步骤6)中所述的构造基于Mobilenetv3的分类网络是指，搭建Mobilenetv3，将模型的输出类别从原模型的1000改成2，即只对目标人头吸烟或者不吸烟进行判断；
上述步骤7)中所述的在验证集中选出表现最优的模型是指：在训练过程，每经过半个epoch存储一次吸烟分类模型，并在验证集上测试，根据目标的误检率和漏检率两个指标选择出最优的模型；
上述步骤8)中所述的预测过程是指：将每一张待预测图像，首先保持图片的尺寸为 512*512不变，输入到检测模型中，设定一定的概率阈值，然后会得到待预测图像中的人头的位置以及属于佩戴或者不佩戴安全帽的概率，将所得到的人头调整尺寸到224*224输入到分类模型中，设定一定阈值，就可以判断目标是否在吸烟；
附图说明
图1是待识别的图像
图2是基于深度学习的安全帽佩戴以及吸烟行为识别结果
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1与图2，本发明的基于深度学习的安全帽佩戴以及吸烟行为识别方法包括数据的标定、训练数据增强、网络的构造、检测模型训练、预测。
包括以下步骤：
步骤1)获取过去所搜集到的安全帽佩戴以及吸烟行为数据，并做好人工标注，按照 9∶1的比例划分为检测模型的训练集和验证集；
步骤2)对上述训练集进行数据扩增，形成新的训练集；
步骤3)构造基于Resnet18的Centernet检测网络，主要包括特征提取网络、上采样层、目标中心定位层、目标尺寸判断层、目标类别判断层；
步骤4)将上述检测网络使用安全帽佩戴训练集进行模型训练，并选出在验证集表现最优的模型；
步骤5)将吸烟行为训练集图片送进上述检测网络识别图像中的人头，将检测到的人头图像保存，按抽烟与否划分吸烟行为训练集图片；
步骤6)构造基于Mobilenetv3的人头吸烟分类网络；
步骤7)将上述分类网络使用吸烟行为训练集进行模型训练，并选出在验证集表现最优的模型；
步骤8)将待测图像送入上述选出的模型进行预测，得到图像中人头目标对应的位置和行为概率。
上述步骤1)中所述的全帽佩戴以及吸烟行为数据来源于真实环境下工地安全帽佩戴以及公共场所行人吸烟图片，需要各种天气条件下各种光照场景的数据；
上述步骤1)中所述的人工标注是指：将每一张图片中的图片上佩戴或者不佩戴安全帽的人头目标都用矩形框框出，对应产生一个xml文件，xml文件中记录下图中每一目标的坐标，记录格式为[左上角x坐标，左上角y坐标，目标宽w，目标高度h]，同时删掉目标模糊或者难以标注的图片。
上述步骤2)中所述的数据扩增是指：将已经标注好的图片，做亮度、对比度、饱和度和色调的变换，或者做一定角度旋转，再经过人工筛选出合理的图片，构造成新的训练集。
上述步骤3)中所述特征提取网络是指：由18层卷积层构成的特征提取层，对应resnet18分类网络去掉最后的全连接和Pooling层，提取特征过程中图片会进行下采样，最后输出的下采样倍数为32；
上述步骤3)中所述上采样层是指：将上述特征提取层的输出经过三个转置卷积进行上采样，转置卷积核大小为4，上采样最后输出特征尺寸为原输入图像的四分之一，通道数为64；
上述步骤3)中所述目标中心定位层是指：将上采样层输出通过一个卷积输出两张数值图，即目标偏移所在单元格左上角的相对x与y坐标；
上述步骤3)中所述目标尺寸判断层是指：将上采样层输出通过一个卷积输出两张数值图，即目标的宽与高；
上述步骤3)中所述目标类别判断层是指：将上采样层输出通过一个卷积输出两张数值图，即目标的属于佩戴或者不佩戴安全帽的置信度。
上述步骤4)中所述的在验证集中选出表现最优的模型是指：在训练过程，每经过半个 epoch存储一次目标检测模型，并在验证集上测试，根据目标的误检率和漏检率两个指标选择出最优的模型。
上述步骤5)中所述的将检测到的人头图像保存是指，将所检测到的目标，置信度大于0.5 的判断为人头，并且根据输出目标的坐标和尺寸，将人头图像截取，保留到电脑上；
上述步骤5)中所述的按抽烟与否划分吸烟行为训练集图片是指，将截取到的人头图像数据进行人为判断图像中的人是否在吸烟，并且将吸烟与不吸烟的人头图像分别划分到两个文件夹下。
上述步骤6)中所述的构造基于Mobilenetv3的分类网络是指，搭建Mobilenetv3，将模型的输出类别从原模型的1000改成2，即只对目标人头吸烟或者不吸烟进行判断。
上述步骤7)中所述的在验证集中选出表现最优的模型是指：在训练过程，每经过半个 epoch存储一次吸烟分类模型，并在验证集上测试，根据目标的误检率和漏检率两个指标选择出最优的模型。
上述步骤8)中所述的预测过程是指：将每一张待预测图像，首先保持图片的尺寸为 512*512不变，输入到检测模型中，设定一定的概率阈值，然后会得到待预测图像中的人头的位置以及属于佩戴或者不佩戴安全帽的概率，将所得到的人头调整尺寸到224*224输入到分类模型中，设定一定阈值，就可以判断目标是否在吸烟。
以上对本发明所提供的方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征在于，包括以下步骤：
步骤1)获取过去所搜集到的安全帽佩戴以及吸烟行为数据，并做好人工标注，按照9∶1的比例划分为检测模型的训练集和验证集。
步骤2)对上述训练集进行数据扩增，形成新的训练集。
步骤3)构造基于Resnet18的Centernet检测网络，主要包括特征提取网络、上采样层、目标中心定位层、目标尺寸判断层、目标类别判断层。
步骤4)将上述检测网络使用安全帽佩戴训练集进行模型训练，并选出在验证集表现最优的模型。
步骤5)将吸烟行为训练集图片送进上述检测网络识别图像中的人头，将检测到的人头图像保存，按抽烟与否划分吸烟行为训练集图片。
步骤6)构造基于Mobilenetv3的人头吸烟分类网络。
步骤7)将上述分类网络使用吸烟行为训练集进行模型训练，并选出在验证集表现最优的模型。
步骤8)将待测图像送入上述选出的模型进行预测，得到图像中人头目标对应的位置和行为概率。
2.根据权利要求1所述的一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征是，在步骤1)中所述的全帽佩戴以及吸烟行为数据来源于真实环境下工地安全帽佩戴以及公共场所行人吸烟图片，需要各种天气条件下各种光照场景的数据。
3.根据权利要求1所述的一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征是，在步骤1)中所述的人工标注是指：将每一张图片中的图片上佩戴或者不佩戴安全帽的人头目标都用矩形框框出，对应产生一个xml文件，xml文件中记录下图中每一目标的坐标，记录格式为[左上角x坐标，左上角y坐标，目标宽w，目标高度h]，同时删掉目标模糊或者难以标注的图片。
4.根据权利要求1所述的一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征是，在步骤2)中所述的数据扩增是指：将已经标注好的图片，做亮度、对比度、饱和度和色调的变换，或者做一定角度旋转，再经过人工筛选出合理的图片，构造成新的训练集。
5.根据权利要求1所述的一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征是，在步骤3)中所述特征提取网络是指：由18层卷积层构成的特征提取层，对应resnet18分类网络去掉最后的全连接和Pooling层，提取特征过程中图片会进行下采样，最后输出的下采样倍数为32。
6.根据权利要求1所述的一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征是，在步骤3)中所述上采样层是指：将上述特征提取层的输出经过三个转置卷积进行上采样，转置卷积核大小为4，上采样最后输出特征尺寸为原输入图像的四分之一，通道数为64。
7.根据权利要求1所述的一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征是，在步骤3)中所述目标中心定位层是指：将上采样层输出通过一个卷积输出两张数值图，即目标偏移所在单元格左上角的相对x与y坐标。
8.根据权利要求1所述的一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征是，在步骤3)中所述目标尺寸判断层是指：将上采样层输出通过一个卷积输出两张数值图，即目标的宽与高。
9.根据权利要求1所述的一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征是，在步骤3)中所述目标类别判断层是指：将上采样层输出通过一个卷积输出两张数值图，即目标的属于佩戴或者不佩戴安全帽的置信度。
10.根据权利要求1所述的一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征是，在步骤4)中所述的在验证集中选出表现最优的模型是指：在训练过程，每经过半个epoch存储一次目标检测模型，并在验证集上测试，根据目标的误检率和漏检率两个指标选择出最优的模型。
11.根据权利要求1所述的一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征是，在步骤5)中所述的将检测到的人头图像保存是指，将所检测到的目标，置信度大于0.5的判断为人头，并且根据输出目标的坐标和尺寸，将人头图像截取，保留到电脑上。
12.根据权利要求1所述的一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征是，在步骤5)中所述的按抽烟与否划分吸烟行为训练集图片是指，将截取到的人头图像数据进行人为判断图像中的人是否在吸烟，并且将吸烟与不吸烟的人头图像分别划分到两个文件夹下。
13.根据权利要求1所述的一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征是，在步骤6)中所述的构造基于Mobilenetv3的分类网络是指，搭建Mobilenetv3，将模型的输出类别从原模型的1000改成2，即只对目标人头吸烟或者不吸烟进行判断。
14.根据权利要求1所述的一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征是，在步骤7)中所述的在验证集中选出表现最优的模型是指：在训练过程，每经过半个epoch存储一次吸烟分类模型，并在验证集上测试，根据目标的误检率和漏检率两个指标选择出最优的模型。
15.根据权利要求1所述的一种基于深度学习的安全帽佩戴以及吸烟行为识别方法，其特征是，在步骤8)中所述的预测过程是指：将每一张待预测图像，首先保持图片的尺寸为512*512不变，输入到检测模型中，设定一定的概率阈值，然后会得到待预测图像中的人头的位置以及属于佩戴或者不佩戴安全帽的概率，将所得到的人头调整尺寸到224*224输入到分类模型中，设定一定阈值，就可以判断目标是否在吸烟。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010056825.0A CN111274930B (zh) | 2020-04-02 | 2020-04-02 | 一种基于深度学习的安全帽佩戴以及吸烟行为识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010056825.0A CN111274930B (zh) | 2020-04-02 | 2020-04-02 | 一种基于深度学习的安全帽佩戴以及吸烟行为识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111274930A true CN111274930A (zh) | 2020-06-12 |
| CN111274930B CN111274930B (zh) | 2022-09-06 |
Family
ID=71003049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010056825.0A Expired - Fee Related CN111274930B (zh) | 2020-04-02 | 2020-04-02 | 一种基于深度学习的安全帽佩戴以及吸烟行为识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111274930B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163469A (zh) * | 2020-09-11 | 2021-01-01 | 燊赛(上海)智能科技有限公司 | 一种吸烟行为识别方法、系统、设备及可读存储介质 |
| CN112507845A (zh) * | 2020-12-02 | 2021-03-16 | 余姚市浙江大学机器人研究中心 | 基于CenterNet与深度关联矩阵的行人多目标跟踪方法 |
| CN112528960A (zh) * | 2020-12-29 | 2021-03-19 | 之江实验室 | 一种基于人体姿态估计和图像分类的吸烟行为检测方法 |
| CN112560649A (zh) * | 2020-12-09 | 2021-03-26 | 广州云从鼎望科技有限公司 | 一种行为动作检测方法、系统、设备及介质 |
| CN112733730A (zh) * | 2021-01-12 | 2021-04-30 | 中国石油大学(华东) | 采油作业现场吸烟人员识别处理方法及系统 |
| CN112861751A (zh) * | 2021-02-22 | 2021-05-28 | 中国中元国际工程有限公司 | 一种机场行李房人员管理方法及装置 |
| CN113191274A (zh) * | 2021-04-30 | 2021-07-30 | 西安聚全网络科技有限公司 | 基于神经网络的油田视频智能安全事件检测方法及系统 |
| CN113326754A (zh) * | 2021-05-21 | 2021-08-31 | 深圳市安软慧视科技有限公司 | 基于卷积神经网络的吸烟行为检测方法、系统及相关设备 |
| CN113327227A (zh) * | 2021-05-10 | 2021-08-31 | 桂林理工大学 | 一种基于MobilenetV3的小麦头快速检测方法 |
| CN115170923A (zh) * | 2022-07-19 | 2022-10-11 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车托板螺母丢失的故障识别方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005348011A (ja) * | 2004-06-02 | 2005-12-15 | Nec Corp | 水難事故防止システム、センサネットワーク機、水難事故防止方法及びプログラム |
| CN109389068A (zh) * | 2018-09-28 | 2019-02-26 | 百度在线网络技术（北京）有限公司 | 用于识别驾驶行为的方法和装置 |
| CN109447168A (zh) * | 2018-11-05 | 2019-03-08 | 江苏德劭信息科技有限公司 | 一种基于深度特征和视频目标检测的安全帽佩戴检测方法 |
| CN109829469A (zh) * | 2018-11-08 | 2019-05-31 | 电子科技大学 | 一种基于深度学习的车辆检测方法 |
| CN110135266A (zh) * | 2019-04-17 | 2019-08-16 | 浙江理工大学 | 一种基于深度学习的双摄像头电气火灾防控方法及系统 |
| CN110222648A (zh) * | 2019-06-10 | 2019-09-10 | 国网上海市电力公司 | 一种架空电缆故障识别方法和装置 |
| CN110263686A (zh) * | 2019-06-06 | 2019-09-20 | 温州大学 | 一种基于深度学习的施工工地图像安全帽检测方法 |
| CN110363140A (zh) * | 2019-07-15 | 2019-10-22 | 成都理工大学 | 一种基于红外图像的人体动作实时识别方法 |
| CN110472574A (zh) * | 2019-08-15 | 2019-11-19 | 北京文安智能技术股份有限公司 | 一种检测着装不规范的方法、装置及系统 |
| CN110807375A (zh) * | 2019-10-16 | 2020-02-18 | 广州织点智能科技有限公司 | 基于深度图像的人头检测方法、装置、设备及存储介质 |
| CN110837815A (zh) * | 2019-11-15 | 2020-02-25 | 济宁学院 | 一种基于卷积神经网络的驾驶员状态监测方法 |
| CN110852257A (zh) * | 2019-11-08 | 2020-02-28 | 深圳和而泰家居在线网络科技有限公司 | 一种人脸关键点的检测方法、装置及存储介质 |
-
2020
- 2020-04-02 CN CN202010056825.0A patent/CN111274930B/zh not_active Expired - Fee Related
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005348011A (ja) * | 2004-06-02 | 2005-12-15 | Nec Corp | 水難事故防止システム、センサネットワーク機、水難事故防止方法及びプログラム |
| CN109389068A (zh) * | 2018-09-28 | 2019-02-26 | 百度在线网络技术（北京）有限公司 | 用于识别驾驶行为的方法和装置 |
| CN109447168A (zh) * | 2018-11-05 | 2019-03-08 | 江苏德劭信息科技有限公司 | 一种基于深度特征和视频目标检测的安全帽佩戴检测方法 |
| CN109829469A (zh) * | 2018-11-08 | 2019-05-31 | 电子科技大学 | 一种基于深度学习的车辆检测方法 |
| CN110135266A (zh) * | 2019-04-17 | 2019-08-16 | 浙江理工大学 | 一种基于深度学习的双摄像头电气火灾防控方法及系统 |
| CN110263686A (zh) * | 2019-06-06 | 2019-09-20 | 温州大学 | 一种基于深度学习的施工工地图像安全帽检测方法 |
| CN110222648A (zh) * | 2019-06-10 | 2019-09-10 | 国网上海市电力公司 | 一种架空电缆故障识别方法和装置 |
| CN110363140A (zh) * | 2019-07-15 | 2019-10-22 | 成都理工大学 | 一种基于红外图像的人体动作实时识别方法 |
| CN110472574A (zh) * | 2019-08-15 | 2019-11-19 | 北京文安智能技术股份有限公司 | 一种检测着装不规范的方法、装置及系统 |
| CN110807375A (zh) * | 2019-10-16 | 2020-02-18 | 广州织点智能科技有限公司 | 基于深度图像的人头检测方法、装置、设备及存储介质 |
| CN110852257A (zh) * | 2019-11-08 | 2020-02-28 | 深圳和而泰家居在线网络科技有限公司 | 一种人脸关键点的检测方法、装置及存储介质 |
| CN110837815A (zh) * | 2019-11-15 | 2020-02-25 | 济宁学院 | 一种基于卷积神经网络的驾驶员状态监测方法 |
Non-Patent Citations (5)
| Title |
|---|
| XINGYI ZHOU等: ""Objects as Points"", 《ARXIV》 * |
| 吴迪: ""基于计算机视觉的施工人员安全状态监测技术研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
| 张博等: "" 融合人体关节点的安全帽佩戴检测"", 《中国安全科学学报》 * |
| 施辉等: ""改进YOLO v3的安全帽佩戴检测方法"", 《计算机工程与应用》 * |
| 曹文刚: ""基于深度学习的工地安全防护用具检测"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163469A (zh) * | 2020-09-11 | 2021-01-01 | 燊赛(上海)智能科技有限公司 | 一种吸烟行为识别方法、系统、设备及可读存储介质 |
| CN112507845A (zh) * | 2020-12-02 | 2021-03-16 | 余姚市浙江大学机器人研究中心 | 基于CenterNet与深度关联矩阵的行人多目标跟踪方法 |
| CN112560649A (zh) * | 2020-12-09 | 2021-03-26 | 广州云从鼎望科技有限公司 | 一种行为动作检测方法、系统、设备及介质 |
| CN112528960A (zh) * | 2020-12-29 | 2021-03-19 | 之江实验室 | 一种基于人体姿态估计和图像分类的吸烟行为检测方法 |
| CN112733730A (zh) * | 2021-01-12 | 2021-04-30 | 中国石油大学(华东) | 采油作业现场吸烟人员识别处理方法及系统 |
| CN112861751A (zh) * | 2021-02-22 | 2021-05-28 | 中国中元国际工程有限公司 | 一种机场行李房人员管理方法及装置 |
| CN112861751B (zh) * | 2021-02-22 | 2024-01-12 | 中国中元国际工程有限公司 | 一种机场行李房人员管理方法及装置 |
| CN113191274A (zh) * | 2021-04-30 | 2021-07-30 | 西安聚全网络科技有限公司 | 基于神经网络的油田视频智能安全事件检测方法及系统 |
| CN113327227A (zh) * | 2021-05-10 | 2021-08-31 | 桂林理工大学 | 一种基于MobilenetV3的小麦头快速检测方法 |
| CN113326754A (zh) * | 2021-05-21 | 2021-08-31 | 深圳市安软慧视科技有限公司 | 基于卷积神经网络的吸烟行为检测方法、系统及相关设备 |
| CN115170923A (zh) * | 2022-07-19 | 2022-10-11 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车托板螺母丢失的故障识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111274930B (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111274930B (zh) | 一种基于深度学习的安全帽佩戴以及吸烟行为识别方法 | |
| CN106097346B (zh) | 一种自学习的视频火灾探测方法 | |
| CN112633231B (zh) | 一种火灾识别的方法和装置 | |
| CN112132090A (zh) | 一种基于yolov3的烟火自动检测预警方法 | |
| CN111091072A (zh) | 一种基于YOLOv3的火焰及浓烟检测方法 | |
| CN103069434A (zh) | 多模式视频事件索引 | |
| CN114399719B (zh) | 一种变电站火灾视频监测方法 | |
| CN114648714A (zh) | 一种基于yolo的车间规范行为的监测方法 | |
| CN116563762A (zh) | 一种油气站火灾检测方法、系统、介质、设备及终端 | |
| CN111145222A (zh) | 一种结合烟雾运动趋势和纹理特征的火灾检测方法 | |
| CN112613483A (zh) | 一种基于语义分割和识别的户外火灾预警方法 | |
| CN114882410A (zh) | 基于改进定位损失函数的隧道顶灯故障检测方法及系统 | |
| Hussain et al. | Uav-based multi-scale features fusion attention for fire detection in smart city ecosystems | |
| CN113191273A (zh) | 基于神经网络的油田井场视频目标检测与识别方法及系统 | |
| Li et al. | Application research of artificial intelligent technology in substation inspection tour | |
| CN109684982B (zh) | 结合易混目标排除的基于视频分析的火焰检测方法 | |
| CN107330441A (zh) | 火焰图像前景提取算法 | |
| CN116310922A (zh) | 石化厂区监控视频风险识别方法、系统、电子设备及存储介质 | |
| CN118968425A (zh) | 一种基于yolo的隧道火灾异常事件检测方法 | |
| CN113869122A (zh) | 一种配网工程强化管控方法 | |
| CN113191274A (zh) | 基于神经网络的油田视频智能安全事件检测方法及系统 | |
| CN118279664A (zh) | 一种输电线路走廊山火的识别方法及系统 | |
| CN112633142A (zh) | 一种输电线路违章建筑物识别方法及相关装置 | |
| CN111178275A (zh) | 一种基于卷积神经网络的火灾检测方法 | |
| CN114998831A (zh) | 基于边缘计算及改进的YOLOv3的火灾检测方法及系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220906 |