施工现场人员属性检测方法、系统、装置及介质制造方法及图纸

本发明专利技术上述实施例提供的施工现场人员属性检测方法、系统、装置及介质，获取待检测施工区域的巡检图像；将巡检图像输入至一级人员检测模型，获得目标人员的所在区域图像，获取所在区域图像内的目标人员的像素尺寸大小以及置信度，并使得尺度大小和置信度满足人员属性识别条件；将满足人员属性识别条件的目标人员的所在区域图像输入至二级人员属性识别模型，得到目标人员的属性检测结果，并判断属性检测结果是否符合规范，完成人员属性检测。本发明专利技术通过远近结合的二级检测结构，将人员与人员属性进行分级检出，有利于提高人员属性不合规范事件的检出准确率，降低误检率，从而满足常规施工场景下人员属性检测需求，节省人力成本，降低施工隐患。降低施工隐患。降低施工隐患。

【技术实现步骤摘要】
施工现场人员属性检测方法、系统、装置及介质


[0001]本专利技术涉及图像目标检测
，具体地，涉及一种远近结合的施工现场人员属性检测方法、系统、装置及介质。

技术介绍

[0002]人员属性检测是施工场所保证施工安全的重要环节。建筑业属于生产安全事故频发的行业。依据《企业职工伤亡事故分类》(GB 6441—86),对我国建筑业近十年出现的生产安全事故进行统计分析,其中起重伤害、坍塌、机械以及物体打击一共发生1 041起,占事故总数的50.42％。人员属性不合规范的情况诸如未佩戴安全帽、在易燃场所吸烟等会给施工现场带来严重的安全隐患。因此，针对工人的人员属性是否规范进行检测，及时进行信息上报与预警，是防止生产安全事故的重要手段。
[0003]建筑业相对于其他行业，安全管理主要依赖管理人员的主观监测，受人员流动性、环境动态性以及生产过程复杂性等因素，导致人工检测效率低下、速度慢、成本高昂且信息不易集成等问题。因此，需要对建筑施工场所的安全管理办法进行创新提升。
[0004]近年来，随着计算机视觉技术的不断发展，将基于深度学习的目标检测技术应用于工业生产成了研究热点。基于深度学习的目标检测算法在近年来取得许多重大突破，R
‑
CNN算法是利用深度学习进行目标检测的开山之作，通过在输入图像上进行选择性搜索获得候选区域送入神经网络中提取特征，再将特征送入到SVM进行分类。SPP
‑
Net算法将特征金字塔池化引入特征提取网络以实现任意图像大小的输入。Fast R
‑<br/>CNN算法通过先提取特征图再将候选区域在最后一层映射的方式，避免了特征的重复运算。Faster R
‑
CNN算法将特征提取、候选区域提取、边界框的位置回归和分类都结合到了一个统一网络，解决了计算瓶颈。同时，进行目标框类别和位置回归的单阶段检测器应运而生。YOLO算法开创性地将目标检测转化为单阶段的回归问题，采用一个统一网络同时进行边界框位置坐标和类别的回归，大大缓解了之前两阶段检测速度低下的问题。YOLOv2、YOLOv3、YOLOv4和YOLOv5算法，通过设计更深更鲁棒的网络，并融入了一系列目标检测前沿的优化技巧，达到了检测精度和速度平衡的最优解。基于深度学习的目标检测技术可以自主学习施工人员与人员属性的特征，学习到的特征鲁棒性强、适应性高，因此检测精度高。并且检测速度快，可以实现实时处理。因此基于深度学习的目标检测在速度、精度、适应性等方面有很大的发展空间。
[0005]但是，目前工业生产中应用深度学习进人员属性检测的实际落地项目较少，且尚不存在对较大施工场景下的小尺度人员属性对象专门设计并优化的目标检测技术。现有的一些通用目标检测算法应用在小尺度、低分辨率下的人员属性检测任务中性能不够理想。针对大型施工场景下的人员属性检测存在诸多难点。首先受限于拍摄视角与拍摄距离，实际采集的图像中人员属性的尺寸较小、分辨率低下。其次人员属性不易与复杂的施工背景进行区分，受建筑场所中的遮挡问题也容易造成大量误检。除此之外，在实际的应用场景中，实际投入使用中需要对监控图像进行实时检测与报警，对模型的推理速度、检测精度等方面存在较高要求，静态检测与已有检测模型在实际检测精度和速度等方面存在一定局
限，不能在人员属性检测任务中直接使用。
[0006]经检索，中国专利技术专利申请CN 110738178A，该专利公开了一种园区施工安全检测方法、装置、计算机设备及存储介质，其中方法包括：获取实时采集的园区施工现场的待检测图像；识别所述待检测图像中的人员图像；对所述人员图像进行行为检测，检测所述人员图像中是否存在违规行为，其中，所述违规行为是指预先定义的在所述园区施工现场禁止实施的行为；当检测到存在所述违规行为时，获取所述人员图像中的人脸图像；识别所述人脸图像对应的施工人员；记录所述施工人员对应的违规行为。该专利对园区施工场景采取移动物体检测融合人体识别的方式，人员检测的效率较低。再者，该专利采用内置跟踪算法对移动物体进行追踪，在每次跟踪时均需要人工地对视野中的目标进行框选初始化，增加人力成本。此外，该专利同时需要在施工现场的各个地区布设摄像机，每个摄像机只关注局部视野，成本较高。采用单路摄像机如何兼顾局部与全局视野，仍然是一个研究难题。
[0007]因此，如何解决目前人员属性检测方法的不足，并构建出一套完整的系统和装置，来高效可靠地实现施工现场的人员属性检测，具有极高的研究价值和现实意义。

技术实现思路

[0008]本专利技术针对以上场景中存在的问题，提出了一种远远近结合的施工现场人员属性检测方法、系统、装置及介质。
[0009]根据本专利技术的一个方面，提供了一种施工现场人员属性检测方法，包括：
[0010]获取待检测施工区域的巡检图像；
[0011]构建一级人员检测模型，将所述巡检图像输入至所述一级人员检测模型并进行目标人员识别，获得所述目标人员的所在区域图像，获取所述所在区域图像内的所述目标人员的像素尺寸大小以及置信度，并使得所述目标人员的尺度大小和置信度满足人员属性识别条件；
[0012]构建二级人员属性识别模型，将满足人员属性识别条件的所述目标人员的所在区域图像输入至所述二级人员属性识别模型并进行人员属性识别，得到所述目标人员的属性检测结果，并判断所述目标人员的属性检测结果是否符合施工安全规范，完成对施工现场人员的属性检测。
[0013]优选地，所述构建一级人员检测模型，包括：
[0014]获取包含人员的图像，对所述包含人员的图像进行人员标注，构建多尺度人员数据集；
[0015]将所述多尺度人员数据集进行数据增强处理，生成训练数据集；
[0016]对所述训练数据集进行聚类分析，并将聚类中心作为优化后的锚框值；
[0017]基于深度卷积神经网络，利用所述优化后的锚框值在所述目标检测模型头部网络获得的每个尺度的特征图之后增加注意力机制网络，获得优化后的目标检测模型；
[0018]将所述训练数据集输入至所述优化后的目标检测模型，对所述优化后的目标检测模型进行训练，构建得到具有多尺度的一级人员检测模型。
[0019]优选地，所述注意力机制网络，包括：
[0020]颈部网络单元，该单元采用双向特征金字塔颈部网络结构，对多个分支的不同尺度的特征图进行双向融合，实现多个尺度的特征增强；
[0021]多尺度注意力单元，该单元采用通道注意力与空间注意力相结合的结构，用于关注重点通道和重点空间位置的特征；
[0022]预测头单元，该单元采用多个头部网络对所述颈部网络单元的多个分支进行检测，并将多个尺度的检测结果进行合并和非极大值抑制的后处理，去除重叠框。
[0023]优选地，所述人员属性识别条件，包括：
[0024]所述目标人员的像素尺寸大于预设尺度阈值；
[0025]所述目标人员的置信度大于预设置信度阈值；
[0026]优选地，所述使得所述目标人员的尺度大小和置信度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种施工现场人员属性检测方法，其特征在于，包括：获取待检测施工区域的巡检图像；构建一级人员检测模型，将所述巡检图像输入至所述一级人员检测模型并进行目标人员识别，获得所述目标人员的所在区域图像，获取所述所在区域图像内的所述目标人员的像素尺寸大小以及置信度，并使得所述目标人员的尺度大小和置信度满足人员属性识别条件；构建二级人员属性识别模型，将满足人员属性识别条件的所述目标人员的所在区域图像输入至所述二级人员属性识别模型并进行人员属性识别，得到所述目标人员的属性检测结果，并判断所述目标人员的属性检测结果是否符合施工安全规范，完成对施工现场人员的属性检测。2.根据权利要求1所述的施工现场人员属性检测方法，其特征在于，所述构建一级人员检测模型，包括：获取包含人员的图像，对所述包含人员的图像进行人员标注，构建多尺度人员数据集；将所述多尺度人员数据集进行数据增强处理，生成训练数据集；对所述训练数据集进行聚类分析，并将聚类中心作为优化后的锚框值；基于深度卷积神经网络，利用所述优化后的锚框值在所述目标检测模型头部网络获得的每个尺度的特征图之后增加注意力机制网络，获得优化后的目标检测模型；将所述训练数据集输入至所述优化后的目标检测模型，对所述优化后的目标检测模型进行训练，构建得到具有多尺度的一级人员检测模型。3.根据权利要求2所述的施工现场人员属性检测方法，其特征在于，所述注意力机制网络，包括：颈部网络单元，该单元采用双向特征金字塔颈部网络结构，对多个分支的不同尺度的特征图进行双向融合，实现多个尺度的特征增强；多尺度注意力单元，该单元采用通道注意力与空间注意力相结合的结构，用于关注重点通道和重点空间位置的特征；预测头单元，该单元采用多个头部网络对所述颈部网络单元的多个分支进行检测，并将多个尺度的检测结果进行合并和非极大值抑制的后处理，去除重叠框。4.根据权利要求1所述的施工现场人员属性检测方法，其特征在于，所述人员属性识别条件，包括：所述目标人员的像素尺寸大于预设尺度阈值；所述目标人员的置信度大于预设置信度阈值；所述使得所述目标人员的尺度大小和置信度满足人员属性识别条件，包括：判断所述目标人员的尺度大小和置信度是否满足人员属性识别条件；若满足，则进行人员属性识别；若不满足，则进行如下处理：对所述目标人员进行跟踪和聚焦处理；若跟踪与聚焦处理后的所述目标人员的尺度大小和置信度满足人员属性识别条件，则进行人员属性识别；若跟踪与聚焦处理次数达到上限仍不满足人员属性识别条件，则视为未检测到人员。
5.根据权利要求4所述的施工现场人员属性检测方法，其特征在于，所述对所述目标人员进行跟踪和聚焦处理，包括：根据所述目标人员在所述巡检图像上的坐标位置，得到所述目标人员的检测框；获取所述目标人员的所在区域图像与所述巡检图像中心区域之间的位置关系，确定图像采集设备的转动方向和幅度，并通过控制云台对图像采集设备进行转动处理，其中，所述转动方向由所述检测框中心与所述巡检图像中心的相对矢量方向决定；所述转动幅度由所述检测框中心与所述巡检图像中心的欧式距离决定；当所述欧氏距离小于设定像素时，图像采集设备的转动幅度为0，此时认为所述目标人员处于所述巡检图像中心区域，记所述目标人员的检测框中心为(x,y)，所述巡检图像中心为(x
center
,y
center
)，所述巡检图像尺寸为W*H，K为当前物距下调整相机单位移动距离的参数，在实际测试过程中进行确定，则转动时间转动速度v保持不变；根据转动时间来确定每次目标人员检测后图像采集设备的转动量，直至转动到预定位置，完成一次跟踪过程；其中，所述参数K的确定方法为：当跟踪目标的像素尺寸小于60*60像素时，K为0.15；当跟踪目标的像素尺寸大于60*60像素小于100*100像素时，K为0.35，当跟踪目标的像素大于100*100像素小于250*250时，K为0.45；当跟踪目标的像素大于2...

【专利技术属性】
技术研发人员：黄科锋，张重阳，唐强达，赵伟基，孙恺毓，毛相江，商熀强，张雨寒，
申请(专利权)人：宁波海棠信息技术有限公司，
类型：发明
国别省市：