基于深度神经网络的基建视频智能分析系统

视频智能分析目前已广泛应用于安防、交通等领域,目前识别人体、人脸、车辆、场景等信息的算法和技术已经成熟,但是针对基建场景下的危险源、不规范作业等识别技术还未普及。国网上海市电力公司基建视频监控中心具备1000路视频流实时接入能力,海量视频流无法通过传统人工盯屏方式实现基建安全管控,因此需要引入人工智能技术实现安全管控。文章基于深度神经网络技术,提出了基建视频智能分析系统,选择了一种适用于多路视频流实时分析的深度学习模型,实现了火灾、吸烟、人员着装、坑洞识别,在识别率和实时性上取得较好的结果。该系统能够实时识别出危害施工安全的行为,具有一定的推广和使用价值。

目标检测、人体姿态估计算法叠加的监控视频分析方法

本文基于YOLO目标检测、OpenPose多人姿态估计算法,提出一种实时分析危险行为和场景的方法,可以分析监控视频中的人员危险行为和场景,并及时上报告警。在实验环境下分析、检测速度达到每秒20帧,满足实时检测的要求,可以大大提高基建视频安全管控的效率。

弱监督学习语义分割方法综述

近年来,深度神经网络的运用使得语义分割技术得到了迅速的发展,然而这些方法在取得更好的分割结果的同时,对训练样本的需求也更多。一般的监督学习语义分割方法要求对训练集中每张图片进行逐像素的标注,这种昂贵的标注需要消耗大量的人力和时间,限制了语义分割算法在工程实际中的应用。弱监督学习语义分割能够使用对象边界框、图片类别标签等标注进行训练,从而大幅度地降低标注成本。文章对弱监督学习语义分割方法进行了分类和对比,并使用电网场景中的图片对方法进行了应用探索,说明了该类方法在工程中实际使用的可行性。