建筑工地工人着装检测方法、系统、装置、存储介质制造方法及图纸

本发明专利技术属于建筑工地监测防护技术领域，公开了一种建筑工地工人着装检测方法、系统、装置、存储介质，接收建筑工地采集的实时场景图像，对采集的实时场景图像进行质量评价，对质量评价不合格或夜间的实时场景图像进行图像修复及增强，获得质量评价合格的实时场景图像；对质量修复过后采集的建筑工地实时场景图像进行施工人员及其着装实时检测，在实时场景图像上标注出施工人员位置；将经检测后的实时场景图像传输至移动设备，并做是否报警处理。本发明专利技术提高施工人员高度安全管理水平；一旦发现施工人员，自动识别该施工人员的着装，分析其面临的安全威胁，进行实时智能分析并微信推送给运维管理人员，可以极大地减少安全事故的发生。

【技术实现步骤摘要】
建筑工地工人着装检测方法、系统、装置、存储介质
本专利技术属于建筑工地监测防护
，尤其涉及一种建筑工地工人着装检测方法、系统、装置、存储介质。
技术介绍
目前，最接近的现有技术：保障施工人员的安全是建筑工地施工过程中首当其冲的一点。目前，所有的施工单位均严格要求施工、监测人员在施工过程中佩戴安全帽及反光背心，目的是起到安全防护及快速识别及救援的目的。目前远距离电能传输主要采用架空输电线路，承担巨大的电能输送，架空输电线路的安全运行与电网的稳定密切相关，近几年来，随着城市大建设的迅速发展，各地施工作业不断，施工作业人员缺乏安全知识，为身体舒适性等原因逃避佩戴安全帽及反光背心，擅自施工的现象屡见不鲜，对建筑工地施工安全稳定运行带来了极大的隐患，因此运维工作就显得尤为重要。在运维过程中，建筑工地均采取雇佣监测人员对施工人员进行人工安全监测，但是由于人力视野的局限性及疲劳性，尤其是夜间施工时，人类视觉的局限性，无法做到24小时的安全监控，需要投入大量的人力成本，无法做到最大程度的安全监控，可靠性低，实时性差，性价比低。综上所述，现有技术存在的问题是：(1)运维过程中，建筑工地对施工人员进行人工安全监测方法存在无法做到24小时的安全监控，需要投入大量的人力成本，无法做到最大程度的安全监控，实时性差。(2)已存在的AI监测装置夜间检测由于噪声影响造成可靠性低。(3)现有用于建筑工地的安全帽检测的技术存在工作人员佩戴的安全帽有可能被建筑工地的配电设备遮挡住一部分，检测效果差。解决上述技术问题的难度：(1)现有技术在建筑工地施工人员着装检测上或者做到检测精度高、检测速度低，或者做到检测精度低、检测速度快，在精度和速度上无法做到兼得。在建筑工地这样一个需要实时检测巡检人员着装的场景中，开发一套精准检测巡检人员是否佩戴安全帽又不失实时性系统是必要的。(2)在开发建筑工地施工人员着装实时检测装置时，会遇到夜间场景检测，而目前主流的方法是为模型添加更多的噪声来增强其鲁棒性，然而噪声有一定的随机性，并不能完全解决夜间精确检测的需求。(3)图片中的安全帽存在遮挡、运动模糊等问题时会发生严重的漏检，在模型的损失函数设计时如何将遮挡问题考虑进去也是一个很大的挑战。解决上述技术问题的意义：本专利技术在建筑工地光照不足、光照不均匀以及着装部分遮挡等情况下仍然保持了较高的检测精度，走出了现有技术在安全帽检测上存在的精度和速度的两难困境，能够及时对未规范着装并进行巡检的工作人员进行警告离开，充分保证了员工在工作过程中的生命财产安全。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种建筑工地工人着装检测方法、系统、装置、存储介质。本专利技术是这样实现的，一种建筑工地工人着装检测方法，所述建筑工地工人着装检测方法包括：第一步，接收建筑工地采集的实时场景图像，对采集的实时场景图像进行质量评价，对质量评价不合格或夜间的实时场景图像进行图像修复及增强，获得质量评价合格的实时场景图像；第二步，对质量修复过后采集的建筑工地实时场景图像进行施工人员及其着装实时检测，在实时场景图像上标注出施工人员位置；第三步，将经检测后的实时场景图像传输至移动设备，并做是否报警处理。进一步，对摄像头采集的实时场景图像进行质量评价，对质量评价不合格的实时场景图像进行图像修复，获得质量评价合格的实时场景图像包括：(1)对每个图像进行质量评价，判断图像的质量评价是否合格；在进行图像质量评价前，首先获取一系列质量标准的实时场景图像作为标准图像，对标准实时场景图像进行峰值信噪比统计，m1为标准实时场景图像峰值信噪比最低值，m2为标准实时场景图像峰值信噪比最高值，则将[m1，m2]作为标准实时场景图像的标准峰值信噪比范围；图像进行质量评价，包括：计算图像的峰值信噪比m，判定峰值信噪比m是否在标准峰值信噪比范围[m1，m2]内，若是，则图像质量评价合格；否则，图像质量评价不合格；(2)对质量评价不合格的的图像及夜间图像进行图像修复及增强，得到修复及增强后的质量评价合格的图像。进一步，对质量评价不合格的的图像及夜间图像进行图像修复及增强，得到修复及增强后的质量评价合格的图像包括：在对质量评价不合格的图像进行修复时，首先通过生成对抗网络对质量评价不合格的的图像进行图像修复，再通过对抗生成网络中的判别器进行质量判断，若经过修复的图像的峰值信噪比m不在标准峰值信噪比范围[m1，m2]内，再进行迭代修复，直到图像的峰值信噪比m达到标准峰值信噪比范围[m1，m2]为止。对所有质量评价不合格图像修复完成，也即对实时场景图像修复完成，获得了修复后的质量评价合格的实时场景图像。进一步，生成对抗网络的生成器通过使用激活函数生成图像归一化层，将图像归一化层转化为标准的RGB图，最后经过修复的图；卷积层用于提取图像的局部特征，池化层对提取的特征图进行降维压缩后，再将降维后的特征图传入下一个卷积层进行特征提取，经过卷积和池化操作后，将提炼特征图平铺为一个数组作为上采样层的输入，上采样层使通过对所得到的高层特征图的每个特征点进行线性插值，得到尺寸为原特征图2倍的新特征图，跳跃连接层是将相同层次的编码层与解码层进行特征沿通道叠加，并将叠加后的特征图进行降维压缩后再上采样，不断的上采样至原图大小，采用图像数据分布函数InceptionScore为损失函数，Adam为优化方法，训练直到损失函数不再明显变化为止；卷积神经网络输入的图像是染色不标准的进行归一化后的patch图像10000张，patch图像的大小与图像块的大小一致，输出图像尺寸大小与输入保持一致。损失函数计算过程是取染色标准的进行归一化后的patch图像10000张，分别与每次网络输出的图像进行图像数据分布函数InceptionScore计算，得到损失函数值，计算梯度并更新；生成对抗网络中的判别器，通过使用激活函数对图像进行分类，卷积层用于提取图像的局部特征，池化层对提取的特征图进行降维压缩后，再将降维后的特征图传入下一个卷积层进行特征提取，经过一系列的卷积和池化操作后，将提炼特征图平铺为一个数组作为全连接层的输入，全连接层进一步提取特征，并对特征进行分类，对输入图像进行分类；最终分类的过程不单是进行生成图像的真伪判别，计算生成图像的峰值信噪比与标准峰值信噪比范围之间的物理距离作为损失函数；卷积神经网络是将已修复的图像作为输入，经过卷积神经网络获得已修复的实时场景图像经过编码后的特征图的峰值信噪比，与标准峰值信噪比范围进行比较，确定修复是否完成。进一步，对质量修复过后的摄像头采集的建筑工地内实时场景图像进行施工人员及其着装的实时检测，在实时场景图像上标注出所检测出的施工人员位置包括：采用用于实时场景图像进行施工人员及其着装实时检测的人工神经网络模型对物体进行检测；采用用于物体分类的人工神经网络模型对每个物体进行分类，分为未佩戴安全帽、未穿着反光背心及正常着装三个类型，标注出每个物体的类别；用于实时场本文档来自技高网...

【技术保护点】
1.一种建筑工地工人着装检测方法，其特征在于，所述建筑工地工人着装检测方法包括：/n第一步，接收建筑工地采集的实时场景图像，对采集的实时场景图像进行质量评价，对质量评价不合格或夜间的实时场景图像进行图像修复及增强，获得质量评价合格的实时场景图像；/n第二步，对质量修复过后采集的建筑工地实时场景图像进行施工人员及其着装实时检测，在实时场景图像上标注出施工人员位置；/n第三步，将经检测后的实时场景图像传输至移动设备，并做是否报警处理。/n

【技术特征摘要】
1.一种建筑工地工人着装检测方法，其特征在于，所述建筑工地工人着装检测方法包括：
第一步，接收建筑工地采集的实时场景图像，对采集的实时场景图像进行质量评价，对质量评价不合格或夜间的实时场景图像进行图像修复及增强，获得质量评价合格的实时场景图像；
第二步，对质量修复过后采集的建筑工地实时场景图像进行施工人员及其着装实时检测，在实时场景图像上标注出施工人员位置；
第三步，将经检测后的实时场景图像传输至移动设备，并做是否报警处理。


2.如权利要求1所述的建筑工地工人着装检测方法，其特征在于，对摄像头采集的实时场景图像进行质量评价，对质量评价不合格的实时场景图像进行图像修复，获得质量评价合格的实时场景图像包括：
(1)对每个图像进行质量评价，判断图像的质量评价是否合格；
在进行图像质量评价前，首先获取一系列质量标准的实时场景图像作为标准图像，对标准实时场景图像进行峰值信噪比统计，m1为标准实时场景图像峰值信噪比最低值，m2为标准实时场景图像峰值信噪比最高值，则将[m1，m2]作为标准实时场景图像的标准峰值信噪比范围；图像进行质量评价，包括：计算图像的峰值信噪比m，判定峰值信噪比m是否在标准峰值信噪比范围[m1，m2]内，若是，则图像质量评价合格；否则，图像质量评价不合格；
(2)对质量评价不合格的的图像及夜间图像进行图像修复及增强，得到修复及增强后的质量评价合格的图像。


3.如权利要求2所述的建筑工地工人着装检测方法，其特征在于，对质量评价不合格的的图像及夜间图像进行图像修复及增强，得到修复及增强后的质量评价合格的图像包括：在对质量评价不合格的图像进行修复时，首先通过生成对抗网络对质量评价不合格的的图像进行图像修复，再通过对抗生成网络中的判别器进行质量判断，若经过修复的图像的峰值信噪比m不在标准峰值信噪比范围[m1，m2]内，再进行迭代修复，直到图像的峰值信噪比m达到标准峰值信噪比范围[m1，m2]为止，对所有质量评价不合格图像修复完成，也即对实时场景图像修复完成，获得了修复后的质量评价合格的实时场景图像。


4.如权利要求3所述的建筑工地工人着装检测方法，其特征在于，生成对抗网络的生成器通过使用激活函数生成图像归一化层，将图像归一化层转化为标准的RGB图，最后经过修复的图；卷积层用于提取图像的局部特征，池化层对提取的特征图进行降维压缩后，再将降维后的特征图传入下一个卷积层进行特征提取，经过卷积和池化操作后，将提炼特征图平铺为一个数组作为上采样层的输入，上采样层使通过对所得到的高层特征图的每个特征点进行线性插值，得到尺寸为原特征图2倍的新特征图，跳跃连接层是将相同层次的编码层与解码层进行特征沿通道叠加，并将叠加后的特征图进行降维压缩后再上采样，不断的上采样至原图大小，采用图像数据分布函数InceptionScore为损失函数，Adam为优化方法，训练直到损失函数不再明显变化为止；
卷积神经网络输入的图像是染色不标准的进行归一化后的patch图像10000张，patch图像的大小与图像块的大小一致，输出图像尺寸大小与输入保持一致，损失函数计算过程是取染色标准的进行归一化后的patch图像10000张，分别与每次网络输出的图像进行图像数据分布函数InceptionScore计算，得到损失函数值，计算梯度并更新；
生成对抗网络中的判别器，通过使用激活函数对图像进行分类，卷积层用于提取图像的局部特征，池化层对提取的特征图进行降维压缩后，再将降维后的特征图传入下一个卷积层进行特征提取，经过一系列的卷积和池化操作后，将提炼特征图平铺为一个数组作为全连接层的输入，全连接层进一步提取特征，并对特征进行分类，对输入图像进行分类；最终分类的过程不单是进行生成图像的真伪判别，计算生成图像的峰值信噪比与标准峰值信噪比范围之间的物理距离作为损失函数；卷积神经网络是将已修复的图像作为输入，经过卷积神经...

【专利技术属性】
技术研发人员：高圣哲，
申请(专利权)人：西安咏圣达电子科技有限公司，
类型：发明
国别省市：陕西;61