一种油轮运维人员安全帽佩戴检测方法技术

本发明专利技术公开了一种油轮运维人员安全帽佩戴检测方法，先通过人工方式建立背景图像帧样本集，再采集待监测油轮的视频，从视频的第一帧开始，依次将前K帧图像进行相同方式的预处理，从而得到由预处理后的前K帧图像组成的训练集；然后结合背景图像帧样本集，提取训练集中每帧图像的动态目标，并用于深度卷积神经网络模型的训练，在深度卷积神经网络模型到达收敛后，对第K+1帧的后续帧图像进行实时检测，从而检测出油轮运维人员是否佩戴安全帽。

A detection method for wearing safety helmet of oil tanker operation and maintenance personnel

【技术实现步骤摘要】
一种油轮运维人员安全帽佩戴检测方法
本专利技术属于图像识别
，更为具体地讲，涉及一种油轮运维人员安全帽佩戴检测方法。
技术介绍
传统油轮虽然安装有视频监测系统，但是监测系统也仅有实时显示和历史视频数据回放等简单的功能，不具有针对油轮异常情况的报警功能。为了保证油轮上生产设备长期安全可靠的运行，通常需要作业人员定时维护和巡检，一旦发现潜在威胁安全生产问题及时采取相关处理。然而，在实际工作中，现场工作人员对安全生产的重视程度不够，人们不按照生产作业规范要求进行作业以及油轮生产现场设备复杂，往往是导致安全生产事件产生的重要原因。传统视频监控系统虽然能实时显示油轮内工作人员与设备工作情况，但需要值守人员24小时监视和定时巡检，由于值守人员精力有限，容易疲劳走神等，往往导致他们很难及时发现潜在威胁安全生产的故障和防止安全生产事故的发生，直接造成事故处理的滞后。因此，利用油轮视频监控系统存储设备的历史视频数据，研究出一套无人干预的智能化视频分析系统越来越重要。生产和作业场地中频频出现的事故很多都与工作人员违章违规行为有关。提高工作人员的自律性，增加安全意识是降低事故发生率的根本方法，但是在人员素质提升的过程中，必要的行为监督仍然是不可或缺的。但由于生产现场分布广、设备多、环境复杂、作业多，生产监督人员有限，很难实现生产现场全方位、实时的及全过程的安全管理；尽管通过查看录音和录像等资料可以事后发现违章现象和不安全行为和取证，但事后回放不能有效实时制止异常行为，无法阻止损失的产生，仍然存在事故突发隐患。在大多数生产作业场地中，安全帽的正确佩戴是非常普遍的规定，但同时不正确佩戴安全帽也是最常见的违规行为。为了改善这种情况，有必要采用现代化的技术手段，遏制生产作业现场的违章现象的发生，具备实时性、准确性和预见性，为了实现这些要求，通过结合视频人体识别技术在其基础上进一步分析安全帽的佩戴情况，是典型的视频预警系统的功能之一。安全帽佩戴状态自动识别技术是实现视频监控系统智能化的重要环节，但由于安全帽佩戴状态检测过程易受外界环境干扰的影响以及油轮上设备多而杂等因素，目前，安全帽自动识别技术的研究还比较少，因此，自动识别技术将图像处理和模式识别等相关领域技术应用于安全帽的识别分析还有很大的研究空间。传统目标检测方法一般分为3个阶段，首先，采用滑动窗口框架的方法，利用不同尺寸的滑动窗口框在给定图像的不同位置上选取候选区域；其次，对这些候选区域进行特征提取；最后，利用分类器进行识别，针对不同类别的物体，需要设计不同的特征和分类方法。传统算法都需要人工从原始输入中获取有关的目标特征信息，伴随着诸多的局限：1)可移植性差，针对特定的检测任务，需要人工设计不同的方法，对于不同的目标或者同一目标的不同形态，对设计者的经验有很高的要求；2)特征提取和分类训练分离是传统检测模型的通病，如果在设计过程中，人工特征的提取出现漏提现象，漏提的有用信息将无法从分类训练中恢复，进而影响检测结果；3)传统方法多采用滑动窗口进行遍历搜索，把图片尽可能分成各种尺度和大小的图片小块，然后对图片小块进行识别，对概率大的部分进行保留，将概率小的进行合并删减，这种方法的复杂度高，且存在大量冗余小块，严重影响运行速度，在现实中也难以工程实现。采用深度学习的智能算法在一定程度上突破上述的传统算法的局限，并采用多样本训练的方式改善工业现场应用的准确度。专利CN106446926A一种基于视频分析的变电站工人安全帽佩戴检测方法，提出VIBE算法检测运动目标区域和HSV颜色特征初步定位安全帽区域，进一步采用Adaboost算法进行分类器训练，进而进行变电站工人安全帽佩戴的检测，该专利技术专利仍属于传统算法的范畴，然而在应对复杂环境下，相比于该专利技术专利的方法，深度学习算法具有较大的优势。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种油轮运维人员安全帽佩戴检测方法，通过深度卷积神经网络快速、精准的检测油轮运维人员是否佩戴安全帽。为实现上述专利技术目的，本专利技术一种油轮运维人员安全帽佩戴检测方法，其特征在于，包括以下步骤：(1)、建立背景图像帧样本集(1.1)、人工选取无人场景下的历史背景帧，并转换为灰度图；(1.2)、提取历史背景帧中任意一个像素点的像素值及其邻近像素点的像素值，建立该像素点的像素值样本集合；(1.3)、按照步骤(1.2)所述方法，建立历史背景帧中其余像素点的像素值样本集合，再将所有像素点的像素值样本集合作为背景图像帧样本集；(2)、图像采集及预处理采集待监测油轮的视频，再从视频的第一帧开始，依次将前K帧图像压缩到同一分辨率，然后将再转化为灰度图并进行滤波平滑处理，最后将预处理后的前K帧图像作为训练集；(3)、动态目标检测(3.1)、像素点属于前景或背景的检测读取训练集的第一帧图像，提取第一帧图像中任意一个像素点的像素值，再用该像素点的的像素值与对应的像素值样本集合进行比较，如果该像素点的像素值等于对应的像素值样本集合中任意一个像素点的像素值，或二者的差值小于预设阈值，则判断该像素点为背景像素点，否则，判断该像素点为前景像素点；同理，判断完该帧图像中的所有像素点；(3.2)、采取随机更新策略更新背景像素点设置背景像素点的随机更新概率P；采取随机更新策略，将背景像素点的像素值以随机更新概率P去替换该背景像素点对应的像素值样本集合中任意一个像素点的像素值；同理，采取随机更新策略更新所有背景像素点；(3.3)、前景像素点的计数统计及增强显示设置像素点的计数值t，初始化t＝0，如果某一像素点判断为前景像素点，则计数值t增加1，否则，计数值t置为0；将判断为前景像素点的像素点的计数值t加1，并对前景像素点进行增强处理；(3.4)、提取动态目标将增强处理后的所有前景像素点组成的区域作为动态目标区域；(3.5)、重复步骤(3.1)～(3.4)，依次处理训练集中的下一帧图像，然后统计每个像素点的计数值t，如果某个像素点的计数值t的达到k，即该像素点连续k次被检测为前景像素点，则直接将该前景像素点转换为背景像素点，直到完成训练集中所有帧图像的处理，从而提取出每帧图像的动态目标；(4)训练深度卷积神经网络模型(4.1)、通过人工检视的方式手动标定每帧图像的动态目标，其中，将动态目标中佩戴安全帽的油轮运维人员标定为1，未佩戴安全帽的油轮运维人员标定为0；(4.2)、将任意一帧标定后的图像输入至深度卷积神经网络模型，然后根据手动标定结果调节深度卷积神经网络模型的权值参数，使深度卷积神经网络模型根据实际输入图像，输出对应结果，即：如果油轮运维人员佩戴有安全帽，则输出1，否则输出0，那么深度卷积神经网络模型根据实际输入图像中油轮运维人员个数，输出由“0”、“1”组成的字符串；(4.3)、重复步骤(4.2)，继续利用下一帧标定后的图像训练深度卷积神经网络模型，直到训练集中的本文档来自技高网...

【技术保护点】
1.一种油轮运维人员安全帽佩戴检测方法，其特征在于，包括以下步骤：/n(1)、建立背景图像帧样本集/n(1.1)、人工选取无人场景下的历史背景帧，并转换为灰度图；/n(1.2)、提取历史背景帧中任意一个像素点的像素值及其邻近像素点的像素值，建立该像素点的像素值样本集合；/n(1.3)、按照步骤(1.2)所述方法，建立历史背景帧中其余像素点的像素值样本集合，再将所有像素点的像素值样本集合作为背景图像帧样本集；/n(2)、图像采集及预处理/n采集待监测油轮的视频，再从视频的第一帧开始，依次将前K帧图像压缩到同一分辨率，然后将再转化为灰度图并进行滤波平滑处理，最后将预处理后的前K帧图像作为训练集；/n(3)、动态目标检测/n(3.1)、像素点属于前景或背景的检测/n读取训练集的第一帧图像，提取第一帧图像中任意一个像素点的像素值，再用该像素点的像素值与对应的像素值样本集合进行比较，如果该像素点的像素值等于对应的像素值样本集合中任意一个像素点的像素值，或二者的差值小于预设阈值，则判断该像素点为背景像素点像素点，否则，判断该像素点为前景像素点；/n同理，判断完该帧图像中的所有像素点；/n(3.2)、采取随机更新策略更新背景像素点/n设置背景像素点的随机更新概率P；/n采取随机更新策略，将背景像素点的像素值以随机更新概率P去替换该背景像素点对应的像素值样本集合中任意一个像素点的像素值；/n同理，采取随机更新策略更新所有背景像素点；/n(3.3)、前景像素点的计数统计及增强显示/n设置像素点的计数值t，初始化t＝0，如果某一像素点判断为前景像素点，则计数值t增加1，否则，计数值t置为0；/n将判断为前景像素点的像素点的计数值t加1，并对前景像素点进行增强处理；/n(3.4)、提取动态目标/n将增强处理后的所有前景像素点组成的区域作为动态目标区域；/n(3.5)、重复步骤(3.1)～(3.4)，依次处理训练集中的下一帧图像，然后统计每个像素点的计数值t，如果某个像素点的计数值t的达到k，即该像素点连续k次被检测为前景像素点，则直接将该前景像素点转换为背景像素点，直到完成训练集中所有帧图像的处理，从而提取出每帧图像的动态目标；/n(4)训练深度卷积神经网络模型/n(4.1)、通过人工检视的方式手动标定每帧图像的动态目标，其中，将动态目标中佩戴安全帽的油轮运维人员标定为1，未佩戴安全帽的油轮运维人员标定为0；/n(4.2)、将任意一帧标定后的图像输入至深度卷积神经网络模型，然后根据手动标定结果调节深度卷积神经网络模型的权值参数，使深度卷积神经网络模型根据实际输入图像，输出对应结果，即：如果油轮运维人员佩戴有安全帽，则输出1，否则输出0，那么深度卷积神经网络模型根据实际输入图像中油轮运维人员个数，输出由“0”、“1”组成的字符串；/n(4.3)、重复步骤(4.2)，继续利用下一帧标定后的图像训练深度卷积神经网络模型，直到训练集中的K帧图像训练完成或深度卷积神经网络模型识别的准确率到λ％时，训练结束，得到训练好的深度卷积神经网络模型；/n(5)、利用训练好的深度卷积神经网络模型进行实时检测/n将第K+1帧图像按照步骤(2)进行预处理后，再按照步骤(3)所述方法提取出动态目标，然后输入至训练好的深度卷积神经网络模型，深度卷积神经网络模型则直接输出由“0”、“1”组成的字符串。/n...

【技术特征摘要】
1.一种油轮运维人员安全帽佩戴检测方法，其特征在于，包括以下步骤：
(1)、建立背景图像帧样本集
(1.1)、人工选取无人场景下的历史背景帧，并转换为灰度图；
(1.2)、提取历史背景帧中任意一个像素点的像素值及其邻近像素点的像素值，建立该像素点的像素值样本集合；
(1.3)、按照步骤(1.2)所述方法，建立历史背景帧中其余像素点的像素值样本集合，再将所有像素点的像素值样本集合作为背景图像帧样本集；
(2)、图像采集及预处理
采集待监测油轮的视频，再从视频的第一帧开始，依次将前K帧图像压缩到同一分辨率，然后将再转化为灰度图并进行滤波平滑处理，最后将预处理后的前K帧图像作为训练集；
(3)、动态目标检测
(3.1)、像素点属于前景或背景的检测
读取训练集的第一帧图像，提取第一帧图像中任意一个像素点的像素值，再用该像素点的像素值与对应的像素值样本集合进行比较，如果该像素点的像素值等于对应的像素值样本集合中任意一个像素点的像素值，或二者的差值小于预设阈值，则判断该像素点为背景像素点像素点，否则，判断该像素点为前景像素点；
同理，判断完该帧图像中的所有像素点；
(3.2)、采取随机更新策略更新背景像素点
设置背景像素点的随机更新概率P；
采取随机更新策略，将背景像素点的像素值以随机更新概率P去替换该背景像素点对应的像素值样本集合中任意一个像素点的像素值；
同理，采取随机更新策略更新所有背景像素点；
(3.3)、前景像素点的计数统计及增强显示
设置像素点的计数值t，初始化t＝0，如果某一像素点判断为前景像素点，则计数值t增加1，否则，计数值t...

【专利技术属性】
技术研发人员：蔡东升，李坚，马志杰，马进，
申请(专利权)人：上海禹创智能科技有限公司，
类型：发明
国别省市：上海;31