【技术实现步骤摘要】
一种自动化识别施工中违规使用梯子行为的系统
本专利技术涉及一种自动化识别施工中违规使用梯子行为的系统。
技术介绍
在国家大力推崇基建的同时,操作工作业时的安全保障也不容忽视。当操作工在高处作业时就需要借助到梯子等工具,为了保障在梯子上作业时的人身安全,需要在梯子下安排另一个操作工对梯子进行固定,防止由于梯子滑动等原因导致事故的发生。而现实作业中,为了省力方便,一些操作工作业时并未按照如上规定进行操作,为了杜绝这种情况的发生,同时减少监理人员需要时刻在场监督的需求,急需一种可以快速解决梯上作业违规检测的方法。随着计算机视觉技术的不断发展,通过构建深度学习检测模型可以很好的解决上述问题。
技术实现思路
专利技术目的:针对操作工在梯上作业时未按规定处理导致安全事故的问题,本专利技术提出一种自动化识别施工中违规使用梯子行为的系统,用于现实生产过程中对操作工在梯上作业时行为规范检测。所述系统包括检测环境布控模块、图像处理模块、深度学习网络训练模块、目标约束模块和梯上作业检测模块;术语解释:yolov3模型是目前应用最广的目标检测模型,通过darknet53网络进行特征提取,结合上采样等措施实现对大小目标的有效检测;通道注意力机制来自于senet网络,主要是学习了通道之间的相关性,筛选出了针对通道的注意力,稍微增加了一点计算量,但是效果比较好。所述检测环境布控模块通过对监测作业区进行摄像机布控,对视野内的操作活动进行检测,实现监控视频的传输,并在出现违规行为时进行自动语音告警提醒;所述 ...
【技术保护点】
1.一种自动化识别施工中违规使用梯子行为的系统,其特征在于,包括检测环境布控模块、图像处理模块、深度学习网络训练模块、目标约束模块和梯上作业检测模块;/n所述检测环境布控模块通过对监测作业区进行摄像机布控,对视野内的操作活动进行检测,实现监控视频的传输,并在出现违规行为时进行自动语音告警提醒;/n所述图像处理模块,对出现在摄像机视野内的梯子作业图片进行收集与标注,利用数据清洗得到样本图片,将样本图片集合作为神经网络模型yolov3的训练集;/n所述深度学习网络训练模块利用融合通道注意力机制的神经网络模型yolov3来学习拟合样本图片集合中的样本图片,检测得到梯子与操作工在样本图片中的位置信息;/n所述目标约束模块通过检测框的交并比和布控相机多角度信息实现对操作工与梯子在图像上的关系约束;/n所述梯上作业检测模块利用训练好的融合通道注意力机制的神经网络模型yolov3结合操作工与梯子在图像上的关系约束实现对在梯子上作业时是否按规定进行操作的检测。/n
【技术特征摘要】
1.一种自动化识别施工中违规使用梯子行为的系统,其特征在于,包括检测环境布控模块、图像处理模块、深度学习网络训练模块、目标约束模块和梯上作业检测模块;
所述检测环境布控模块通过对监测作业区进行摄像机布控,对视野内的操作活动进行检测,实现监控视频的传输,并在出现违规行为时进行自动语音告警提醒;
所述图像处理模块,对出现在摄像机视野内的梯子作业图片进行收集与标注,利用数据清洗得到样本图片,将样本图片集合作为神经网络模型yolov3的训练集;
所述深度学习网络训练模块利用融合通道注意力机制的神经网络模型yolov3来学习拟合样本图片集合中的样本图片,检测得到梯子与操作工在样本图片中的位置信息;
所述目标约束模块通过检测框的交并比和布控相机多角度信息实现对操作工与梯子在图像上的关系约束;
所述梯上作业检测模块利用训练好的融合通道注意力机制的神经网络模型yolov3结合操作工与梯子在图像上的关系约束实现对在梯子上作业时是否按规定进行操作的检测。
2.根据权利要求1所述的系统,其特征在于,所述图像处理模块对出现在摄像机视野内的梯子作业图片进行收集,分别标注操作工与梯子,同时利用数据清洗去除质量低下、模糊不清的图片,得到样本图片,将样本图片集合作为训练集进行神经网络模型yolov3的训练。
3.根据权利要求2所述的系统,其特征在于,所述加入通道注意力机制的神经网络模型yolov3的骨干网络采用darknet53,用于提取图片细节特征;
神经网络模型yolov3提取3个不同层的特征图,大小分别为13*13,26*26,52*52,通过特征图映射原图从而进行目标的检测与分类;
在骨干网络darket53中加入通道注意力机制,提升模型对图像特征的提取效果;
神经网络模型yolov3的损失函数由3部分构成,分别是定位损失、分类损失和置信度损失,定位损失采用的是平方差损失,分类损失和置信度损失采用的是交叉熵损失,计算方式如下:
其中,K表示网格个数,共K*K个,M表示每个网格生...
【专利技术属性】
技术研发人员:燕松,姚岳,徐宗标,战培志,彭凤强,
申请(专利权)人:中通服咨询设计研究院有限公司,江苏省通信服务有限公司,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。