CN119399826A 基于深度学习的工地安全行为识别方法 （华电青岛发电有限公司）_第1页
CN119399826A 基于深度学习的工地安全行为识别方法 （华电青岛发电有限公司）_第2页
CN119399826A 基于深度学习的工地安全行为识别方法 （华电青岛发电有限公司）_第3页
CN119399826A 基于深度学习的工地安全行为识别方法 （华电青岛发电有限公司）_第4页
CN119399826A 基于深度学习的工地安全行为识别方法 （华电青岛发电有限公司）_第5页
已阅读5页，还剩36页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

别出工地人员的具体行为和身份，预测人员行2S4，个体行为识别与行为关联分析：利用提取将识别出的行为和潜在的危险行为按照风险等级进行多层;;3;其中，为卷积层输出特征图中的像素值，为输入数据的像素值，;;全连接层：通过全连接层将卷积层和池化层提取的特征进行整合;;46.根据权利要求5所述的基于深度学习的工地安全行为识别方法，其特征在于，所述;其中，hm(x)为第m棵树的预测值，wi为叶节点Ri的权重S413，优化目标函数：极限梯度提升模型优化目标;l;;;为时间点t的环境特征；5;;其中，为预测的未来时间点t+k的行为特征，t为当前时间8.根据权利要求7所述的基于深度学习的工地安全行为识别方法，其特征在于，所述;;;6S62，危险行为识别结果整合：将行为预测步骤中识别出的潜在危险行为结果进行整7[0001]本发明涉及行为识别技术领域，尤其涉及基于深度学习的工地安全行为识别方通过对识别出的行为和潜在危险行为进行量化评估，并根据预设的风险等级阈值进行分8;Fvaeo(t)、Finfrarea(t)和Ftemperature(t)分别为视频、红外和温度数据的特;;9;;;;;;l棵树的正则化项；;λ为L2正则化项的权重，w为;;为时间点t的环境特征；;;;其中，fenc为编码器函数，u为潜在变量的均值，logo2为潜在变量的对数方;;[0021]下面结合附图和具体实施例对本发明进行详细描述。同[0025]通过多传感器数据采集和预处理，利用深度学习技术进;Fvaeo(t)、Finfrarea(t)和分别为视频、红外和温度数据的特;F(t+k)为时间窗口内的原始数据；;iie=s(I,s)；Itranslate为平移后的图像，T为平移操作函数，txty为在x和y方向上;;;;;;;;其中，H(t)为时间点t的行为历史数据，g为关联分析函数，iD为人员身份，为该人员的历史行为数据集合；;;;棵树的正则化项；;λ为L2正则化项的权重，w为;;为时间点t的环境特征；;;;其中，R(t+k)为时间点t+k的危险行为，g为危险行为识别函数。;其中，fenc为编码器函数，u为潜在变量的均值，logo2为潜在变量的对数方;;其中，为重构误差，为KL散度，;bi为第i个行为；;;=其中，Level(R)为风险等级，R为风险评分，T1和TZ为风险等级分类的阈;i个高风险行为；;

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论