CN118196624A - 一种建筑工地的安全帽智能识别系统及方法 - Google Patents
一种建筑工地的安全帽智能识别系统及方法 Download PDFInfo
- Publication number
- CN118196624A CN118196624A CN202410304467.9A CN202410304467A CN118196624A CN 118196624 A CN118196624 A CN 118196624A CN 202410304467 A CN202410304467 A CN 202410304467A CN 118196624 A CN118196624 A CN 118196624A
- Authority
- CN
- China
- Prior art keywords
- safety helmet
- construction site
- edge computing
- model
- image
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000013136 deep learning model Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000009434 installation Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 2
- 238000007689 inspection Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 230000007547 defect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 206010000372 Accident at work Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video 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
- G06V10/82—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于建筑工地技术领域，具体是一种建筑工地的安全帽智能识别系统，所述系统包括摄像头、边缘计算节点、深度学习模型、多模态传感器，本发明所具有的有益效果是能够实时监控工地上工人的安全帽佩戴情况，及时发现未佩戴或佩戴不当的情况，从而减少工地事故和提高工人的安全性；通过自动化监控和警报，系统减少了人工检查的需求，节省了大量的人力资源，提高了工作效率；系统能够即时发出警报，对未佩戴安全帽的工人进行提醒，这有助于培养工人的安全意识，减少违规行为；系统收集的数据可以用于进一步分析，帮助管理层了解安全帽佩戴的趋势和模式，以便制定更有效的安全政策。
Description
技术领域
本发明涉及建筑工地技术领域，具体涉及一种建筑工地的安全帽智能识别系统及方法。
背景技术
安全帽是一种专门在工厂或工地使用的头盔，主要用于保护头部，防止受到物体落下、碰撞、碎片碰撞或电击的伤害1。它由帽壳、帽衬、下颏带和后箍等组成，在建筑工地上，佩戴安全帽是防止工人头部受伤的有效方法。
在相关技术中，现有的安全帽检测算法大多存在一些不足，难以检测重叠的目标和小目标的漏检率高，为此，我们提出一种建筑工地的安全帽智能识别系统及方法。
本背景技术部分中公开的以上信息仅用于理解本发明构思的背景技术，并且因此，它可以包含不构成现有技术的信息。
发明内容
为了克服现有技术的不足，本发明提供了一种建筑工地的安全帽智能识别系统及方法以解决上述背景技术中提出的现有的安全帽检测算法大多存在一些不足，难以检测重叠的目标和小目标的漏检率高的问题。
本发明解决其技术问题所采用的技术方案是：一种建筑工地的安全帽智能识别系统，所述系统包括
摄像头，所述摄像头采用高分辨率摄像头，安装在工地入口处，用于实时捕捉工人进出场地的图像；
边缘计算节点，所述边缘计算节点部署在工地的各个关键位置，用于进行初步的图像处理和数据分析，所述边缘计算节点与摄像头对应连接，每个所述边缘计算节点配备有处理器和储存设备，能够快速处理传入的图像数据；
深度学习模型，所述深度学习模型采用YOLOv7架构，对采集的图像进行安全帽检测，所述深度学习模型训练采用安全帽穿戴图像；
多模态传感器，包括红外传感器和超声波传感器，所述多模态传感器安装在摄像头附近，用于增强对小目标和遮挡目标的检测能力。
作为一种优化的技术方案，所述系统还包括中心控制单元，所述控制中心接收来自边缘计算节点的数据，进行进一步的分析和决策，所述控制中心在检测到未佩戴安全帽的情况时发出警报。
作为一种优化的技术方案，所述系统包括用户界面，所述用户界面可以为仪表板或应用程序中的一种，安装在工地办公室的计算机上或者用过移动设备远程访问，通过用户界面显示实时视频流和安全帽检测结果，所述用户界面可以提供自定义报警设置。
作为一种优化的技术方案，所述系统通过物联网技术实现设备间的互联互通，所述物联网技术采用网关连接传感器和互联网，所述网关用来聚合多模态传感器的数据，将数据发送到边缘计算节点。
作为一种优化的技术方案，所述系统还包括太阳能利用模块，所述太阳能利用模块设置有多组，所述太阳能利用模块对应安装在摄像头附近，为摄像头以及摄像头附近的多模态传感器供电，所述太阳能利用模块包括太阳能光伏板和蓄电池。
一种建筑工地的安全帽智能识别方法，步骤流程如下：
S1：系统通过安装在工地入口处的高分辨率摄像头捕捉进出工地的工人图像；
S2：摄像头实时将图像数据传输到边缘计算节点；
S3：边缘计算节点使用处理器和存储设备对图像数据进行初步处理和分析；
S4：边缘计算节点上的深度学习模型对处理后的图像进行安全帽检测；
S5：系统将摄像头图像数据与多模态传感器数据结合，以增强对小目标和遮挡目标的检测能力；
S6：边缘计算节点将处理结果发送到中心控制单元，由中心控制单元进行进一步的分析和决策；
S7：当中心控制单元检测到未佩戴安全帽的情况时，发出警报；
S8：系统通过物联网技术实现设备间的互联互通，确保实时监控和数据传输；
S9：系统通过移动设备应用程序向相关人员发送违规警报；
S10：系统管理员和工地负责人通过用户界面监控系统状态和警报，用户界面显示实时视频流和安全帽检测结果，并提供自定义报警设置。
作为一种优化的技术方案，在边缘计算节点上进行安全帽检测的流程如下：
图像预处理：系统会对捕获的图像进行预处理，包括调整图像大小、归一化像素值等，以便于模型处理；
特征提取：YOLOv7使用卷积层从预处理后的图像中提取特征，特征包括图像的形状、纹理信息；
特征映射：通过特征金字塔网络(FPN)技术，YOLOv7能够处理不同尺寸的特征，并将它们映射到输出层；
边界框预测：模型会预测每个对象的边界框位置和尺寸，并为每个边界框分配一个置信度分数，表示模型对预测准确性的信心；
类别预测：对于每个边界框，模型还会预测对象的类别，包括是否为安全帽；
非极大值抑制：YOLOv7使用非极大值抑制(NMS)来确保每个对象只被检测一次，通过选择置信度最高的边界框来实现。
作为一种优化的技术方案，对安全帽穿戴图像进行训练的步骤流程如下：
安装依赖：需要安装YOLOv7所需的依赖库；
准备数据集：收集并准备安全帽穿戴的图像数据集，包括各种场景下的安全帽佩戴情况；
数据标注：使用适当的标注工具对图像进行标注，定义安全帽的位置和类别；
转换标注格式：将数据标注转换为YOLOv7所需的格式，从PASCALVOC格式转换为YOLO格式；
设置目录和配置文件：设置存储数据集的目录结构，并准备训练所需的配置文件，包括模型配置和数据集配置；
模型训练：使用准备好的数据集和配置文件，开始训练YOLOv7模型；
测试和验证：在测试集上运行模型，验证模型的性能和准确性。
本发明所具有的有益效果是：
能够实时监控工地上工人的安全帽佩戴情况，及时发现未佩戴或佩戴不当的情况，从而减少工地事故和提高工人的安全性；通过自动化监控和警报，系统减少了人工检查的需求，节省了大量的人力资源，提高了工作效率；系统能够即时发出警报，对未佩戴安全帽的工人进行提醒，这有助于培养工人的安全意识，减少违规行为；系统收集的数据可以用于进一步分析，帮助管理层了解安全帽佩戴的趋势和模式，以便制定更有效的安全政策；通过预防事故的发生，系统有助于降低因工伤事故导致的医疗费用和法律责任；由于系统采用了物联网技术和边缘计算，它可以轻松地在多个工地部署，并根据需要进行扩展；系统提供实时反馈给工人和管理人员，使他们能够立即采取行动，确保安全规范得到遵守；系统帮助工地管理者确保遵守安全法规和标准，避免因违规而受到处罚；该系统结合了最新的技术进展，如深度学习、物联网和边缘计算，展示了在工业安全领域的技术创新；系统能够适应各种环境条件，包括光线变化、遮挡和不同的工作场景。
附图说明
图1是本发明提供的一种建筑工地的安全帽智能识别方法的步骤流程图；
图2是本发明提供的一种建筑工地的安全帽智能识别系统的连接框图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1：
本实施例中的一种建筑工地的安全帽智能识别系统，所述系统包括
摄像头，摄像头采用高分辨率摄像头，安装在工地入口处，用于实时捕捉工人进出场地的图像；
边缘计算节点，边缘计算节点部署在工地的各个关键位置，用于进行初步的图像处理和数据分析，边缘计算节点与摄像头对应连接，每个边缘计算节点配备有处理器和储存设备，能够快速处理传入的图像数据；
深度学习模型，深度学习模型采用YOLOv7架构，对采集的图像进行安全帽检测，深度学习模型训练采用安全帽穿戴图像；
多模态传感器，包括红外传感器和超声波传感器，多模态传感器安装在摄像头附近，用于增强对小目标和遮挡目标的检测能力；
传感器收集的数据通过网络连接传输，可以采用Wi-Fi、蜂窝网络、蓝牙中的一种，在智能识别系统中，数据通常通过工地上的无线网络传输到边缘计算节点。
作为一种优化的技术方案，系统还包括中心控制单元，控制中心接收来自边缘计算节点的数据，进行进一步的分析和决策，控制中心在检测到未佩戴安全帽的情况时发出警报。
作为一种优化的技术方案，系统包括用户界面，用户界面可以为仪表板或应用程序中的一种，安装在工地办公室的计算机上或者用过移动设备远程访问，通过用户界面显示实时视频流和安全帽检测结果，用户界面可以提供自定义报警设置。
作为一种优化的技术方案，系统通过物联网技术实现设备间的互联互通，物联网技术采用网关连接传感器和互联网，网关用来聚合多模态传感器的数据，将数据发送到边缘计算节点。
在本实施例中，系统还包括太阳能利用模块，太阳能利用模块设置有多组，太阳能利用模块对应安装在摄像头附近，为摄像头以及摄像头附近的多模态传感器供电，太阳能利用模块包括太阳能光伏板和蓄电池，太阳能光伏板通过光伏电路与蓄电池连接，保证蓄电池的正常充电。
实施例2：
在本实施例中，还提供了一种建筑工地的安全帽智能识别方法，步骤流程如下：
S1：系统通过安装在工地入口处的高分辨率摄像头捕捉进出工地的工人图像；
S2：摄像头实时将图像数据传输到边缘计算节点；
S3：边缘计算节点使用处理器和存储设备对图像数据进行初步处理和分析；
S4：边缘计算节点上的深度学习模型对处理后的图像进行安全帽检测；
S5：系统将摄像头图像数据与多模态传感器数据结合，以增强对小目标和遮挡目标的检测能力；
S6：边缘计算节点将处理结果发送到中心控制单元，由中心控制单元进行进一步的分析和决策；
S7：当中心控制单元检测到未佩戴安全帽的情况时，发出警报；
S8：系统通过物联网技术实现设备间的互联互通，确保实时监控和数据传输；
S9：系统通过移动设备应用程序向相关人员发送违规警报；
S10：系统管理员和工地负责人通过用户界面监控系统状态和警报，用户界面显示实时视频流和安全帽检测结果，并提供自定义报警设置。
具体的，在边缘计算节点上进行安全帽检测的流程如下：
图像预处理：系统会对捕获的图像进行预处理，包括调整图像大小、归一化像素值等，以便于模型处理；
特征提取：YOLOv7使用卷积层从预处理后的图像中提取特征，特征包括图像的形状、纹理信息；
特征映射：通过特征金字塔网络(FPN)技术，YOLOv7能够处理不同尺寸的特征，并将它们映射到输出层；
边界框预测：模型会预测每个对象的边界框位置和尺寸，并为每个边界框分配一个置信度分数，表示模型对预测准确性的信心；
类别预测：对于每个边界框，模型还会预测对象的类别，包括是否为安全帽；
非极大值抑制：YOLOv7使用非极大值抑制(NMS)来确保每个对象只被检测一次，通过选择置信度最高的边界框来实现；
其中，YOLOv7使用复合损失函数，包括分类损失、定位损失和置信度损失。分类损失通常使用交叉熵损失函数：
定位损失：定位损失用于衡量预测的边界框与真实边界框之间的差异，常用的是IoU(交并比)相关的损失函数；
置信度损失：置信度损失用于评估模型预测边界框中是否包含目标的准确性；
YOLOv7在训练过程中使用梯度下降算法来优化模型参数，更新参数的公式为：
其中，θ表示模型参数，α是学习率，J(θ)是损失函数。
对安全帽穿戴图像进行训练的步骤流程如下：
安装依赖：需要安装YOLOv7所需的依赖库；
准备数据集：收集并准备安全帽穿戴的图像数据集，包括各种场景下的安全帽佩戴情况；
数据标注：使用适当的标注工具对图像进行标注，定义安全帽的位置和类别；
转换标注格式：将数据标注转换为YOLOv7所需的格式，从PASCALVOC格式转换为YOLO格式；
设置目录和配置文件：设置存储数据集的目录结构，并准备训练所需的配置文件，包括模型配置和数据集配置；
模型训练：使用准备好的数据集和配置文件，开始训练YOLOv7模型；
测试和验证：在测试集上运行模型，验证模型的性能和准确性；
其中，YOLOv7使用多部分组成的复合损失函数，其中包括分类损失、定位损失(例如边界框回归损失)和置信度损失，分类损失通常使用交叉熵损失函数来计算：
梯度下降(Gradient Descent)：用于优化模型参数的算法，通过计算损失函数关于参数的梯度来更新参数：
其中，θ表示模型参数，α是学习率，J(θ)是损失函数；
非线性激活函数：采用ReLU函数，其表达式为：
f(x)＝max(0,x)。
上述实施方式仅为本发明的优选实施方式，不能依次来限定本发明保护的范围，本领域的技术人员对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种建筑工地的安全帽智能识别系统，其特征在于：所述系统包括
摄像头，所述摄像头采用高分辨率摄像头，安装在工地入口处，用于实时捕捉工人进出场地的图像；
边缘计算节点，所述边缘计算节点部署在工地的各个关键位置，用于进行初步的图像处理和数据分析，所述边缘计算节点与摄像头对应连接，每个所述边缘计算节点配备有处理器和储存设备，能够快速处理传入的图像数据；
深度学习模型，所述深度学习模型采用YOLOv7架构，对采集的图像进行安全帽检测，所述深度学习模型训练采用安全帽穿戴图像；
多模态传感器，包括红外传感器和超声波传感器，所述多模态传感器安装在摄像头附近，用于增强对小目标和遮挡目标的检测能力。
2.根据权利要求1所述的一种建筑工地的安全帽智能识别系统，其特征在于：所述系统还包括中心控制单元，所述控制中心接收来自边缘计算节点的数据，进行进一步的分析和决策，所述控制中心在检测到未佩戴安全帽的情况时发出警报。
3.根据权利要求1所述的一种建筑工地的安全帽智能识别系统，其特征在于：所述系统包括用户界面，所述用户界面可以为仪表板或应用程序中的一种，安装在工地办公室的计算机上或者用过移动设备远程访问，通过用户界面显示实时视频流和安全帽检测结果，所述用户界面可以提供自定义报警设置。
4.根据权利要求1所述的一种建筑工地的安全帽智能识别系统，其特征在于：所述系统通过物联网技术实现设备间的互联互通，所述物联网技术采用网关连接传感器和互联网，所述网关用来聚合多模态传感器的数据，将数据发送到边缘计算节点。
5.根据权利要求1所述的一种建筑工地的安全帽智能识别系统，其特征在于：所述系统还包括太阳能利用模块，所述太阳能利用模块设置有多组，所述太阳能利用模块对应安装在摄像头附近，为摄像头以及摄像头附近的多模态传感器供电，所述太阳能利用模块包括太阳能光伏板和蓄电池。
6.一种建筑工地的安全帽智能识别方法，其特征在于：步骤流程如下：
S1：系统通过安装在工地入口处的高分辨率摄像头捕捉进出工地的工人图像；
S2：摄像头实时将图像数据传输到边缘计算节点；
S3：边缘计算节点使用处理器和存储设备对图像数据进行初步处理和分析；
S4：边缘计算节点上的深度学习模型对处理后的图像进行安全帽检测；
S5：系统将摄像头图像数据与多模态传感器数据结合，以增强对小目标和遮挡目标的检测能力；
S6：边缘计算节点将处理结果发送到中心控制单元，由中心控制单元进行进一步的分析和决策；
S7：当中心控制单元检测到未佩戴安全帽的情况时，发出警报；
S8：系统通过物联网技术实现设备间的互联互通，确保实时监控和数据传输；
S9：系统通过移动设备应用程序向相关人员发送违规警报；
S10：系统管理员和工地负责人通过用户界面监控系统状态和警报，用户界面显示实时视频流和安全帽检测结果，并提供自定义报警设置。
7.根据权利要求6所述的一种建筑工地的安全帽智能识别方法，其特征在于：在边缘计算节点上进行安全帽检测的流程如下：
图像预处理：系统会对捕获的图像进行预处理，包括调整图像大小、归一化像素值等，以便于模型处理；
特征提取：YOLOv7使用卷积层从预处理后的图像中提取特征，特征包括图像的形状、纹理信息；
特征映射：通过特征金字塔网络(FPN)技术，YOLOv7能够处理不同尺寸的特征，并将它们映射到输出层；
边界框预测：模型会预测每个对象的边界框位置和尺寸，并为每个边界框分配一个置信度分数，表示模型对预测准确性的信心；
类别预测：对于每个边界框，模型还会预测对象的类别，包括是否为安全帽；
非极大值抑制：YOLOv7使用非极大值抑制(NMS)来确保每个对象只被检测一次，通过选择置信度最高的边界框来实现。
8.根据权利要求6所述的一种建筑工地的安全帽智能识别方法，其特征在于：对安全帽穿戴图像进行训练的步骤流程如下：
安装依赖：需要安装YOLOv7所需的依赖库；
准备数据集：收集并准备安全帽穿戴的图像数据集，包括各种场景下的安全帽佩戴情况；
数据标注：使用适当的标注工具对图像进行标注，定义安全帽的位置和类别；
转换标注格式：将数据标注转换为YOLOv7所需的格式，从PASCALVOC格式转换为YOLO格式；
设置目录和配置文件：设置存储数据集的目录结构，并准备训练所需的配置文件，包括模型配置和数据集配置；
模型训练：使用准备好的数据集和配置文件，开始训练YOLOv7模型；
测试和验证：在测试集上运行模型，验证模型的性能和准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410304467.9A CN118196624A (zh) | 2024-03-18 | 2024-03-18 | 一种建筑工地的安全帽智能识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410304467.9A CN118196624A (zh) | 2024-03-18 | 2024-03-18 | 一种建筑工地的安全帽智能识别系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118196624A true CN118196624A (zh) | 2024-06-14 |
Family
ID=91407624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410304467.9A Pending CN118196624A (zh) | 2024-03-18 | 2024-03-18 | 一种建筑工地的安全帽智能识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118196624A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118470610A (zh) * | 2024-07-09 | 2024-08-09 | 武汉市德发电子信息有限责任公司 | 基于物联网和视觉ai的高空安全作业检测方法及系统 |
-
2024
- 2024-03-18 CN CN202410304467.9A patent/CN118196624A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118470610A (zh) * | 2024-07-09 | 2024-08-09 | 武汉市德发电子信息有限责任公司 | 基于物联网和视觉ai的高空安全作业检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109380796B (zh) | 云平台智能头盔及基于云平台智能头盔的安防管控系统 | |
| CN104079874B (zh) | 一种基于物联网技术的安防一体化系统及方法 | |
| CN110321809A (zh) | 一种基于深度学习的变电站作业现场监测方法及装置 | |
| CN110321853A (zh) | 基于视频智能检测的分布式电缆防外破系统 | |
| CN211509189U (zh) | 电力作业现场监督设备及系统 | |
| CN112308510A (zh) | 一种绿色环保建筑施工管理系统及方法 | |
| CN210691345U (zh) | 一种基于深度学习的云智能安检辅助系统 | |
| CN111920129A (zh) | 一种智能安全帽系统 | |
| CN112112629A (zh) | 一种钻井作业过程中的安全业务管理系统和方法 | |
| CN111754714A (zh) | 一种安防监控系统及其监控方法 | |
| CN106355805A (zh) | 一种基于无人机的大数据变电站监控系统及其检测方法 | |
| CN114821406A (zh) | 一种电力作业现场违章行为的判定方法和系统 | |
| CN115620480A (zh) | 一种基于高空智能自动监测的预警系统 | |
| CN118196624A (zh) | 一种建筑工地的安全帽智能识别系统及方法 | |
| CN213128247U (zh) | 一种智能安全帽系统 | |
| CN109544870A (zh) | 用于智能监控系统的报警判断方法与智能监控系统 | |
| CN212933544U (zh) | 一种基于边缘计算的现场作业安全识别系统 | |
| CN213424017U (zh) | 一种智能工地系统 | |
| CN109345787A (zh) | 一种基于智能图像识别技术的输电线路防外损监控报警系统 | |
| CN113858194A (zh) | 一种用于施工现场辅助管理的旁站机器人 | |
| CN205427969U (zh) | 无线巡检系统 | |
| CN118097869A (zh) | 一种基于数字孪生的智能化园区安防管理系统 | |
| CN105988444A (zh) | 一种铁塔远程监控系统 | |
| CN115690687A (zh) | 一种基于深度学习技术的安全穿戴规范检测系统 | |
| CN114554141A (zh) | 一种智慧园区安防系统及管理方法 |
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 |