-
公开(公告)号：CN118470612A
公开(公告)日：2024-08-09
申请号：CN202410920456.3
申请日：2024-07-10
Applicant: 杭州电子科技大学 , 浙江物产化工集团宁波有限公司 , 宁夏石化银骏安全技术咨询有限公司 , 北京中科汇联科技股份有限公司 , 杭州言实科技有限公司 , 鄂尔多斯职业学院
Abstract: 本发明公开了基于多模态信息融合的安全生产作业人员行为识别方法及系统，该方法首先对作业人员整个作业过程进行视频录制，并将所录制视频保存。其次对视频中的人员进行人体骨架识别，并在视频中描绘出人员的人体骨架图像，再将含人体骨架的视频以及识别出的人体骨架坐标数据保存。最后使用生产作业行为识别模型对骨架视频进行识别检测，再对识别出的作业行为名称、识别行为对应置信度数据进行分析、保存。该系统包括视频采集模块、人体骨架识别模块和作业行为测评模块。本发明作业人员的行为进行识别与评定，节省了大量人力资源，在识别效率上将有巨大提升。
-
公开(公告)号：CN120032394A
公开(公告)日：2025-05-23
申请号：CN202510505890.X
申请日：2025-04-22
Applicant: 杭州电子科技大学
IPC: G06V40/10 , G06V40/20 , G06V20/40 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N10/20 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种面向复杂工业场景的人员姿态智能估计方法，该方法首先获取工业场景人员作业行为视频，对行为视频标注人体关键点。其次使用人体关键点，学习工业场景人员作业姿态特征，获取工业场景人体姿态估计模型。然后根据人体姿态估计模型的检测结果，对行为视频中人体关键点进行遮挡。最后使用遮挡生成的数据增强训练集，通过迁移学习方法调整所述人体姿态估计模型的参数，重复操作，直至所述人体姿态估计模型精度不再提升或提升变化率小于设定阈值。本发明充分利用不同尺度的人体语义信息，减少细节信息丢失，有助于提高遮挡区域特征对齐效果确保模型性能的持续优化，进行准确人员姿态估计。
-
公开(公告)号：CN116798126A
公开(公告)日：2023-09-22
申请号：CN202310818471.2
申请日：2023-07-05
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于联邦学习的化工生产操作流程分割方法，通过联邦学习策略对各训练节点的数据集进行聚合，训练得到可用的动作分割模型，再将模型部署到物联网系统云服务器上；端服务器在检测到动作分割需求，实地拍摄化工生产操作视频并发送给边处理器；边处理器对化工生产操作视频进行预处理得到特征序列并将序列发送给云服务器；云服务器通过动作分割模型对特征序列进行识别得到信度序列；对信度序列进行处理得到实际化工生产操作流程，再与标准流程进行对比分析后，生成分析报告。本发明采用动作分割模型对视频数据中的每帧图像的动作进行精准分类，可以在整个未裁剪的长视频中进行每帧图像的动作分类，极大地减少了人力浪费。
-
公开(公告)号：CN118470612B
公开(公告)日：2024-10-18
申请号：CN202410920456.3
申请日：2024-07-10
Applicant: 杭州电子科技大学 , 浙江物产化工集团宁波有限公司 , 宁夏石化银骏安全技术咨询有限公司 , 北京中科汇联科技股份有限公司 , 杭州言实科技有限公司 , 鄂尔多斯职业学院
Abstract: 本发明公开了基于多模态信息融合的安全生产作业人员行为识别方法及系统，该方法首先对作业人员整个作业过程进行视频录制，并将所录制视频保存。其次对视频中的人员进行人体骨架识别，并在视频中描绘出人员的人体骨架图像，再将含人体骨架的视频以及识别出的人体骨架坐标数据保存。最后使用生产作业行为识别模型对骨架视频进行识别检测，再对识别出的作业行为名称、识别行为对应置信度数据进行分析、保存。该系统包括视频采集模块、人体骨架识别模块和作业行为测评模块。本发明作业人员的行为进行识别与评定，节省了大量人力资源，在识别效率上将有巨大提升。
-
公开(公告)号：CN118411765B
公开(公告)日：2024-09-27
申请号：CN202410884894.9
申请日：2024-07-03
Applicant: 杭州电子科技大学
IPC: G06V40/20 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/09
Abstract: 本发明公开了一种基于云‑边‑端架构的工人作业行为识别方法、系统、设备及存储介质，该方法首先获取工业人员的行为数据，根据所述行为数据获取人体关键点信息。其次通过图卷积模块和多尺度时间卷积模块对人体关键点信息，进行聚合特征处理。最后通过分类模块，基于聚合特征输出工业人员对应的行为类型。该系统包括获取模块、处理模块和识别模块。本发明能够充分利用人体关键点的空间维度和时间维度上的信息，从而获得的人体关键点特征更为准确，并减少了空间维度上的关节特征或者是时间维度上的关节特征的信息丢失，以此提高识别精度。
-
Patent Agency Ranking
公开(公告)号：CN118470332B
公开(公告)日：2024-09-13
申请号：CN202410936337.7
申请日：2024-07-12
Applicant: 杭州电子科技大学 , 宁夏石化银骏安全技术咨询有限公司
IPC: G06V10/26 , G06V20/40 , G06V20/70 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/08 , G06V10/40 , G06V10/80
Abstract: 本项发明公开了一种基于语义分割的劳动防护用品穿戴智能精细识别检测方法及装置。其中方法包括：首先通过目标检测数据集训练了一个目标检测模型，用于在摄像头捕捉的画面中精确检测工人身上的劳动防护用品。接着，借助语义分割数据集训练语义分割模型，对检测到的防护用品进行细粒度的区域分割，以提高分割的准确性和精度。随后，通过不同类型像素点的数量比值是否超过预设阈值，对不安全的穿戴行为进行精细化评估。最后，将评估结果的视频信息与不安全穿戴行为的指正和建议输出，以提升工人的劳动安全水平。本发明能够实时监测工人的穿戴情况，及时识别潜在的安全隐患，为工作场所提供了有效的安全管理解决方案。
-
公开(公告)号：CN118411765A
公开(公告)日：2024-07-30
申请号：CN202410884894.9
申请日：2024-07-03
Applicant: 杭州电子科技大学
IPC: G06V40/20 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/09
Abstract: 本发明公开了一种基于云‑边‑端架构的工人作业行为识别方法、系统、设备及存储介质，该方法首先获取工业人员的行为数据，根据所述行为数据获取人体关键点信息。其次通过图卷积模块和多尺度时间卷积模块对人体关键点信息，进行聚合特征处理。最后通过分类模块，基于聚合特征输出工业人员对应的行为类型。该系统包括获取模块、处理模块和识别模块。本发明能够充分利用人体关键点的空间维度和时间维度上的信息，从而获得的人体关键点特征更为准确，并减少了空间维度上的关节特征或者是时间维度上的关节特征的信息丢失，以此提高识别精度。
-
公开(公告)号：CN116343343B
公开(公告)日：2023-07-25
申请号：CN202310626679.4
申请日：2023-05-31
Applicant: 杭州电子科技大学
Abstract: 一种基于云边端架构的起重机吊运指挥动作智能测评方法，通过终端设备对考生整个测评过程进行视频录制，描绘出考生的人体骨架图像进行保存；使用指挥动作识别模型对人体骨架的视频进行识别检测，再对识别出的动作名称、每一动作对应信度值、帧数数据进行处理，筛选出某几个动作的特定信度值及其对应的帧和信度信息显示在原骨架视频中；计算测评过程的动作准确率、保存错误动作片段，制作测评结果报告。本发明可以实现云边端技术的协同，减少上传的数据量，提高测试效率。并且可以自动化完成起重吊运指挥动作评测的全部过程，提高待测评人员的行为正确性与规范性。
-
公开(公告)号：CN117671783A
公开(公告)日：2024-03-08
申请号：CN202311628381.3
申请日：2023-11-29
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于有限状态机的动作流程考核的智能识别测评方法，包括获取动作视频，通过识别人体关键点构建姿态序列状态机，根据状态机判断动作是否完成，通过序列比对的方式，完成实际动作序列和标准动作流程的比对，得到流程的完成率。对工业复杂场景下，人员实操动作流程考核具有重要意义。
-
公开(公告)号：CN116522110A
公开(公告)日：2023-08-01
申请号：CN202310399593.2
申请日：2023-04-14
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G06F18/214 , G06F17/18 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了一种基于无监督图神经网络特征提取的旋转机械故障诊断方法及系统。随着人工智能技术的发展，许多基于深度学习的方法被应用到故障诊断中提高设备维修诊断的智能化水平。但该类方法需要大量的标签数据，这不仅造成了资源浪费，而且需要大量的人力劳动。本发明采用K‑近邻法(KNN)将采集的振动加速度信号构建成故障样本图。然后，对GraphSAGE模型以无监督的方式进行训练，旨在不需要标签的情况下提取信号样本的特征。在提取特征的基础上，采用了一些经典的分类器进行故障诊断。本发明提出的故障诊断方法具有较高的精度，同时能够实现在少量有标记样本的情况下，也能实现较高的故障诊断精度。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.025 seconds)
