一种基于YOLOV3算法的门机歪拉斜吊检测方法技术

本发明专利技术公开了一种基于YOLOV3算法的门机歪拉斜吊的检测方法，属于图像目标检测领域。分别构建门机吊钩和吊物的数据集，并各自标注其样本，基于YOLOV3算法构建深度学习网络架构，基于YOLOV3网络对数据集进行训练，根据训练结果进行网络架构的参数调整，调整完成后将待检测的视频帧放入网络中进行检测判定，完成吊钩和吊物位姿的最终识别确定，根据已定义的斜度歪度公式自动计算门机歪拉斜吊角度并与阈值角度相比较后决定是否报警。本发明专利技术可从监控视频中快速定位门机吊钩和吊物的位姿，无需获取门机位置等先验信息，同时利用YOLOV3网络结构充分学习吊钩和吊物的特征，该方法可以解决复杂室外环境因素对门机歪拉斜吊检测的影响，同时可以满足实时性和精确性的要求。同时可以满足实时性和精确性的要求。同时可以满足实时性和精确性的要求。

【技术实现步骤摘要】
一种基于YOLOV3算法的门机歪拉斜吊检测方法


[0001]本专利技术属于图像目标检测领域，更具体地，涉及一种基于YOLOV3算法的门机歪拉斜吊检测方法。

技术介绍

[0002]门机(又称龙门吊)是桥架通过两侧支腿支撑在地面轨道上的桥架型起重机。在结构上由门架、大车运行机构、起重小车和电气部分等组成。有的门机只在一侧有支腿，另一侧支撑在厂房或栈桥上运行，称作半门式起重机。门机的门架上部桥架(含主梁和端梁)、支腿、下横梁等部分构成。为了扩大起重机作业范围，主梁可以向一侧或两侧伸出支腿以外，形成悬臂。也可采用带臂架的起重小车，通过臂架的俯仰和旋转扩大起重机作业范围。其主要用于室外的货场、料场货、散货的装卸作业。门机具有场地利用率高、作业范围大、适应面广、通用性强等特点，在港口货场得到广泛使用。
[0003]在门机作业时，工作人员安全操作的重要性不言而喻，尤其是在吊钩起重阶段，避免出现歪拉斜吊现象是重中之重。因为歪拉斜吊会不断磨损吊钩与吊绳之间的粘连度，久而久之很容易发生安全事故，所以如何做到智能快速检测并通知操作人员是当务之急。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOV3算法的门机歪拉斜吊检测方法，其特征在于，包括如下步骤：S1：设置摄像头，将摄像头的监控范围对准需要检测的吊钩和吊物位置，实时拍摄其视频图像；S2：采集样本图像，并对样本图像进行扩增，标注每一个样本图像中吊钩和吊物的真实检测框和吊物的类别；将带标注的样本图像作为训练集；S3：建立YOLOV3模型，利用步骤S2获得的训练集对模型进行训练，分别得到训练好的吊钩检测模型以及吊物检测模型；YOLOV3模型包括网络输入层、Darknet
‑
53网络和多尺度预测层；将样本图像作为网络输入层的输入，得到统一尺寸的样本图像；利用统一尺寸的样本图像对Darknet
‑
53网络进行训练，输出该样本图像的特征图；最后通过多尺度预测层对特征图采用三种尺度标注预测框，与真实预测框进行对比，输出预测框及置信度；S4：通过摄像头实时采集门机工作时的吊钩吊物视频，从对应当前时刻的视频中等间隔提取n帧作为当前时刻的待检测图像，将待检测图像作为步骤S3得到的训练好的吊钩检测模型和吊物检测模型的输入，得到各自检测结果，所述的检测结果包括目标置信度和检测框坐标，在此基础上根据几何原理分别计算吊钩的斜度和吊物的歪度；S5：将当前时刻的n帧图像对应的吊钩斜度和吊物歪度取均值，并与阈值角度相比较得到最终输出检测结果；S6：重复步骤S4至步骤S5，执行下一时刻的门机歪拉斜吊的检测，实现实时检测。2.根据权利要求1所述的基于YOLOV3算法的门机歪拉斜吊检测方法，其特征在于，步骤S2中对样本图像进行扩增的方法包括随机剪裁、镜像翻转和随机调节图像参数中的一种或多种，其中：所述随机剪裁为：随机裁掉原始图像中的四角、中心或者上下部分，将裁剪后的图像作为新增样本图像；所述镜像翻转为：对原始图像进行镜像翻转，将翻转后的图像作为新增样本图像；所述随机调节图像参数为：随机调节原始图像的亮度、对比度，将调节后的图像作为新增样本图像。3.根据权利要求1所述的基于YOLOV3算法的门机歪拉斜吊检测方法，其特征在于，步骤S2所述的真实检测框利用目标左上和右下两个点的坐标信息表示。4.根据权利要求1所述的基于YOLOV3算法的门机歪拉斜吊检测方法，其特征在于，所述的YOLOV3模型中的网络输入层将输入图像的尺寸大小调整为32的整倍数。5.根据权利要求4所述的基于YOLOV3算法的门机歪拉斜吊检测方法，其特征在于，所述的输入图像尺寸为256x256，所述的YOLOV3模型中的Darknet
‑
53网络对输入图像的处理过程为：a)针对尺寸为256x256输入图像，首先经过一个3x3x32的卷积层输出256x256x32；b)接着经过一个3x3x64、stride＝2的卷积层输出为128x128x64；c)经过一个残差块，输出为128x128x64；d)过一个3x3x128、stride＝2的卷积层输出为64x64x128；e)2个残差块后输出为64x64x128；f)经过一个3x3x256、stride＝2的卷积层输出为32x32x256；
g)经过8个残差块，输出为32x32x256；h)过一个3x3x512、stride＝2的卷积层输出为16x16x512；i)经过8个残差块后输出为16x16x512；j)过一个3x3x1024、stride＝2的卷积层输出为8x8x1024；k)经过4个残差块后输出为8x8x1024；l)经过池化全连接层以及sigmoid激活函数层输出最终的特征图及预测概率。6.根据权利要求5所述的基于YOLOV3算法的门机歪拉斜吊检测方法，其特征在于，步骤S3中的对模型进行训练的过程为：a)随机初始化网络结构的权重参数W；b)随机选取一批样本图像作为迭代的样本图像输入；c)通过Darknet
‑
53网络进行图像特征提取，前向传输得到概率输出，选取输出的结点中概率值最大的结点作为预测结果；d)利用预测结果计算本次迭代的sigmoid交叉熵损失函数，sigmoid交叉熵损失函数计算式为：H(p，q)＝
‑
∑(p(x)logq(x)+(1
‑
p...

【专利技术属性】
技术研发人员：何钢迪，厉小润，王皓，蒋剑锋，王晶，刘德昆，马溢坚，王建军，鄢祖建，
申请(专利权)人：杭州越达图谱科技有限公司，
类型：发明
国别省市：