Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 西北工业大学张顺获国家专利权

西北工业大学张顺获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉西北工业大学申请的专利一种基于属性知识建模的安全状态智能识别方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN115690682B

龙图腾网通过国家知识产权局官网在2025-07-18发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202211376352.8,技术领域涉及:G06V20/52;该发明授权一种基于属性知识建模的安全状态智能识别方法是由张顺;李玉鹏;梅少辉;龙吉晖设计研发完成,并于2022-11-04向国家知识产权局提交的专利申请。

一种基于属性知识建模的安全状态智能识别方法在说明书摘要公布了:本发明公开了一种基于属性知识建模的安全状态智能识别方法,首先对监控视频中的工人图片进行提取以及预处理,然后基于骨干网络对图片进行高维特征提取以及属性标签向量的生成,接下来应用Transformer编码器对图像特征与属性标签向量进行关系建模,最终对特征与属性输出的结果进行处理,并计算误差损失、准确率,训练网络,完成对工人安全状态的智能识别。本发明有效提高了属性识别的准确性和鲁棒性,使人工智能算法在工业安全中更好地发挥作用。

本发明授权一种基于属性知识建模的安全状态智能识别方法在权利要求书中公布了:1.一种基于属性知识建模的安全状态智能识别方法,其特征在于,包括如下步骤: 步骤1:对监控视频中的工人图片进行提取和预处理; 步骤1-1:从监控长视频中截取监控图片,使用目标检测算法进行工人检测和图片裁剪,得到仅包含工人的图片作为数据集,将数据集按设定比例划分为训练集和测试集; 步骤1-2:对训练集的图片进行筛选并标注安全作业状态属性标签; 步骤1-3:对训练集的图片进行预处理以及数据增广; 步骤2:基于骨干网络对图片进行高维特征提取以及属性标签张量的生成; 步骤2-1:使用骨干网络进行高维特征提取; 将训练集的图片输入到骨干网络进行特征提取后输出图像特征张量其中H、W分别代表输入图片的高度和宽度,h、w、d分别代表输出张量的高度、长度和通道数;并通过一个嵌入层为提取到的图像特征张量初始化生成一个的可学习的位置编码序列P={p1,p2,…,ph×w},其中: pi=w0+w1qs w1代表可学习的参数,w0代表偏置,qs∈Q; 步骤2-2:通过一个嵌入层把每张图片的所有属性标签编码为张量L={l1,l2,…,ll},l为属性标签的个数,得到一个属性标签张量L代表图片包括的所有属性标签的语义信息; 步骤3:使用Transformer编码器对图像特征张量与属性标签张量进行关系建模; 步骤3-1:将图像特征张量Q与位置编码序列P进行融合生成新的特征张量Z={z1,z2,…,zh×w},且 Z=Q+P 令K={z1,z2,…,zh×w,l1,l2,…,ll}代表特征张量Z与属性标签张量L的集合,一起送入Transformer编码器; 步骤3-2:在Transformer编码器中,通过自注意力机制学习输入K的每个特征之间的相关权重; 令αij代表特征ki∈K和kj∈K之间的相关权重,αij的计算方法如下所示: 根据αij和一个非线性层ReLU更新特征张量: 其中,WQ、WK、Wv分别代表三个可学习的向量矩阵,b1和b2代表偏置向量,H=h×w+l代表输入向量集合的长度; 最终Transformer编码器的输出为属性与特征之间关系的特征向量K'={z'1,z'2,…,z'h×w,l'1,l'2,…,l'l},其中Z'={z'1,z'2,…,z'h×w}代表图像特征张量的输出,L'={l'1,l'2,…,l'l}代表属性标签张量的输出; 步骤4:对步骤3的特征与属性输出的结果进行处理,并进行训练; 步骤4-1:对于图像特征张量Z',通过维度变换为然后通过平均池化层和全连接层激活后得到最终的输出outputf,如下所示: outputf=σFCavgpoolZ' 其中,avgpool代表平均池化层,FC代表全连接层,σ代表sigmoid激活函数; 步骤4-2:对于属性标签张量L',通过一个独立的前馈网络FFN得到最终的预测概率;FFN包含一个简单的线性层,计算公式如下: outputl=FFNl'i=σwi·l'i+bi 其中,wi代表可学习的权重,bi是一个偏置向量,σ代表sigmoid激活函数; 步骤4-3:在训练过程中采用二元交叉熵损失函数作为安全属性识别的损失函数,公式如下: 其中,和l分别代表模型预测的结果与真实标签,M代表属性标签的总个数; 分别计算图像特征向量损失Lossf与属性标签向量的损失Lossl,得到最终的损失函数: Loss=λLossf+Lossl 步骤4-4:在推理过程中通过如下公式得到每个属性类别的可能概率,判别工人的安全作业状态: output=maximumoutputf,outputl。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人西北工业大学,其通讯地址为:710072 陕西省西安市友谊西路;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。