-
公开(公告)号：CN112464701B
公开(公告)日：2023-06-30
申请号：CN202010870314.2
申请日：2020-08-26
Applicant: 北京交通大学
IPC: G06V40/16 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明提供了一种基于轻量化特征融合SSD的人员是否佩戴口罩检测方法。该方法包括：收集、整理各个场景人员佩戴口罩与不佩戴口罩的图像，构建口罩检测图像数据集；构建以EfficientNet‑B3为骨干网络的特征提取模块，提取出三层特征图；对三层特征图通过Concat级联和归一化处理，得到轻量化特征融合SSD算法检测器的前三层特征图；对第三层特征图连续做卷积运算，得到轻量化特征融合SSD算法检测器的后三层特征图，对轻量化特征融合SSD算法检测器进行训练；对轻量化特征融合SSD算法检测器输入待检测图像，实时输出是否佩戴口罩结果。本发明的方法提高了小人脸的检测准确率，运行内存小、检测速度快、模型小，可以实时检测监控图像中众多小人脸是否佩戴口罩。
-
公开(公告)号：CN112464701A
公开(公告)日：2021-03-09
申请号：CN202010870314.2
申请日：2020-08-26
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于轻量化特征融合SSD的人员是否佩戴口罩检测方法。该方法包括：收集、整理各个场景人员佩戴口罩与不佩戴口罩的图像，构建口罩检测图像数据集；构建以EfficientNet‑B3为骨干网络的特征提取模块，提取出三层特征图；对三层特征图通过Concat级联和归一化处理，得到轻量化特征融合SSD算法检测器的前三层特征图；对第三层特征图连续做卷积运算，得到轻量化特征融合SSD算法检测器的后三层特征图，对轻量化特征融合SSD算法检测器进行训练；对轻量化特征融合SSD算法检测器输入待检测图像，实时输出是否佩戴口罩结果。本发明的方法提高了小人脸的检测准确率，运行内存小、检测速度快、模型小，可以实时检测监控图像中众多小人脸是否佩戴口罩。
-
公开(公告)号：CN111582068A
公开(公告)日：2020-08-25
申请号：CN202010322202.3
申请日：2020-04-22
Applicant: 北京交通大学
Abstract: 本发明提供了一种人员口罩佩戴状态检测方法。该方法包括：利用一定数量的佩戴口罩和不佩戴口罩的人脸图像构建口罩佩戴训练数据集，使用口罩佩戴训练数据集训练SSD目标检测算法，得到口罩佩戴检测模型；利用一定数量的监测区域场景的图像构建监测区域场景的口罩佩戴训练数据集，利用口罩佩戴训练数据集训练所述口罩佩戴检测模型，得到适用于监测区域场景的训练好的口罩佩戴检测模型；将待检测的监测区域场景的图像输入训练好的口罩佩戴检测模型，输出图像中的人员口罩佩戴状态检测结果。本发明优化SSD网络的检测框长宽比和学习率，并使用迁移学习的手段优化口罩检测模型，结合Haar级联分类器，人员口罩佩戴状态的检测准确率可达到98.2％。
-
公开(公告)号：CN111507235B
公开(公告)日：2024-05-28
申请号：CN202010285277.9
申请日：2020-04-13
Applicant: 北京交通大学
IPC: G06V20/40 , G06V20/52 , G06V10/30 , G06V10/82 , G06N3/0464
Abstract: 本发明提供了一种基于视频的铁路周界异物入侵检测方法，用以解决克服铁路周界异物入侵检测方法消耗资源大、准确率不高的问题。所述铁路周界异物入侵检测方法，获取当前铁路周界监控视频图像并提取第N帧，采用KNN算法检测第N帧中的异物目标数n，并对满足预定条件的第i帧采用铁路场景YOLOv3模椟检测异物目标数m，再对m、n进行比较，输出检测目标数G＝m＝n或G＝α×m+β×n。本发明入侵异物检测方法消耗的计算机资源小，检测漏报率低、准确率高，提高了识别的精确性；同时，在与YOLOv3算法检测准确率相同的前提下，降低了计算机内存使用情况，更具有可应用性。
-
公开(公告)号：CN111582068B
公开(公告)日：2023-07-07
申请号：CN202010322202.3
申请日：2020-04-22
Applicant: 北京交通大学
IPC: G06V40/16 , G06V10/762
Abstract: 本发明提供了一种人员口罩佩戴状态检测方法。该方法包括：利用一定数量的佩戴口罩和不佩戴口罩的人脸图像构建口罩佩戴训练数据集，使用口罩佩戴训练数据集训练SSD目标检测算法，得到口罩佩戴检测模型；利用一定数量的监测区域场景的图像构建监测区域场景的口罩佩戴训练数据集，利用口罩佩戴训练数据集训练所述口罩佩戴检测模型，得到适用于监测区域场景的训练好的口罩佩戴检测模型；将待检测的监测区域场景的图像输入训练好的口罩佩戴检测模型，输出图像中的人员口罩佩戴状态检测结果。本发明优化SSD网络的检测框长宽比和学习率，并使用迁移学习的手段优化口罩检测模型，结合Haar级联分类器，人员口罩佩戴状态的检测准确率可达到98.2％。
-
Patent Agency Ranking
公开(公告)号：CN114581861B
公开(公告)日：2023-05-23
申请号：CN202210205004.8
申请日：2022-03-02
Applicant: 北京交通大学
IPC: G06V20/54 , G06V10/80 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于深度学习卷积神经网络的轨道区域识别方法。该方法包括：获取不同场景下含轨道区域的图像，组成轨道图像数据集；构建轨道区域识别网络模型，该轨道区域识别网络模型包括多个卷积层和上采样层，利用轨道图像数据集对轨道区域识别网络模型进行训练，得到训练好的轨道区域识别网络模型；使用训练好的轨道区域识别网络模型对待识别场景下的轨道区域进行识别，得到待识别场景下的轨道区域的识别结果。本发明方法在深度残差卷积神经网络可以更加有效地提取到图像特征，深层特征与浅层特征的融合使得提取的轨道边界更加清晰，轻量化模型的运行环境更加具有普适性，适用于不同场景和不同尺寸下的轨道区域场景图像。
-
公开(公告)号：CN111507235A
公开(公告)日：2020-08-07
申请号：CN202010285277.9
申请日：2020-04-13
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于视频的铁路周界异物入侵检测方法，用以解决克服铁路周界异物入侵检测方法消耗资源大、准确率不高的问题。所述铁路周界异物入侵检测方法，获取当前铁路周界监控视频图像并提取第N帧，采用KNN算法检测第N帧中的异物目标数n，并对满足预定条件的第i帧采用铁路场景YOLOv3模椟检测异物目标数m，再对m、n进行比较，输出检测目标数G＝m＝n或G＝α×m+β×n。本发明入侵异物检测方法消耗的计算机资源小，检测漏报率低、准确率高，提高了识别的精确性；同时，在与YOLOv3算法检测准确率相同的前提下，降低了计算机内存使用情况，更具有可应用性。
-
公开(公告)号：CN111160125A
公开(公告)日：2020-05-15
申请号：CN201911267535.4
申请日：2019-12-11
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于铁路监控的铁路异物入侵检测方法。该方法包括：利用已知的铁路场景下的监控视频的包含异物入侵的原始图像训练YOLOv3，得到训练完成的模型权重，获取待监测的铁路场景下的监控视频，从监控视频中提取一系列的待监测的原始图像，通过现有的高斯混合模型对待监测的原始图像进行处理，输出的二值图像依次使用形态学处理、阈值自适应和非极大值抑制算法处理，获取包含异物入侵的图像区域；将包含异物入侵的图像区域输入YOLOv3中，该YOLOv3根据训练完成的模型权重输出相应的原始图像中的异物类型和异物定位位置信息。本发明降低了高斯混合算法带来的误报率，提高了YOLOv3算法在远距离目标或和小目标上的检测效果，可以有效地监测出铁路异物入侵。
-
公开(公告)号：CN111160125B
公开(公告)日：2023-06-30
申请号：CN201911267535.4
申请日：2019-12-11
Applicant: 北京交通大学
IPC: G06V20/52 , G06V20/40 , G06V10/28 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明提供了一种基于铁路监控的铁路异物入侵检测方法。该方法包括：利用已知的铁路场景下的监控视频的包含异物入侵的原始图像训练YOLOv3，得到训练完成的模型权重，获取待监测的铁路场景下的监控视频，从监控视频中提取一系列的待监测的原始图像，通过现有的高斯混合模型对待监测的原始图像进行处理，输出的二值图像依次使用形态学处理、阈值自适应和非极大值抑制算法处理，获取包含异物入侵的图像区域；将包含异物入侵的图像区域输入YOLOv3中，该YOLOv3根据训练完成的模型权重输出相应的原始图像中的异物类型和异物定位位置信息。本发明降低了高斯混合算法带来的误报率，提高了YOLOv3算法在远距离目标或和小目标上的检测效果，可以有效地监测出铁路异物入侵。
-
公开(公告)号：CN114581861A
公开(公告)日：2022-06-03
申请号：CN202210205004.8
申请日：2022-03-02
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于深度学习卷积神经网络的轨道区域识别方法。该方法包括：获取不同场景下含轨道区域的图像，组成轨道图像数据集；构建轨道区域识别网络模型，该轨道区域识别网络模型包括多个卷积层和上采样层，利用轨道图像数据集对轨道区域识别网络模型进行训练，得到训练好的轨道区域识别网络模型；使用训练好的轨道区域识别网络模型对待识别场景下的轨道区域进行识别，得到待识别场景下的轨道区域的识别结果。本发明方法在深度残差卷积神经网络可以更加有效地提取到图像特征，深层特征与浅层特征的融合使得提取的轨道边界更加清晰，轻量化模型的运行环境更加具有普适性，适用于不同场景和不同尺寸下的轨道区域场景图像。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.021 seconds)
