一种基于深度学习的施工现场围栏区域定位方法及系统技术方案

本发明专利技术公开了一种基于深度学习的施工现场围栏区域定位方法及系统，所述方法包括步骤：1)根据围栏颜色特征提取施工现场图片中红色围栏，然后转化为二值化图像对ENet网络进行训练，得到训练好的ENet网络模型；2)利用训练好的ENet网络模型对施工现场图片中的围栏进行分割，得到围栏中的红色围栏；3)根据分割得到的红色围栏，对红色围栏像素进行矩形填充和多边形膨胀，生成覆盖全部围栏的面区域，同时将施工现场图片中与面区域位置对应的位置进行标识，实现施工现场围栏区域定位。本发明专利技术能够快速并准确的分割出施工现场围栏所在的位置，具备低成本、高准确性以及计算复杂度低等优点。优点。优点。

【技术实现步骤摘要】
一种基于深度学习的施工现场围栏区域定位方法及系统


[0001]本专利技术主要涉及图像处理
，具体涉及一种基于深度学习的施工现场围栏区域定位方法及系统。

技术介绍

[0002]某些施工环境中存在一些需要避让的危险物品，比如电力施工现场通常有许多带电体，施工人员极易触碰，危险系数较高，需要通过围栏将运行设备和安全区域进行区分，当施工人员距离围栏过近时对其进行提醒，以提高施工现场的安全性。
[0003]施工现场中往往会布置一个或多个摄像头，管理人员会通过相机上传的图像来提醒施工人员远离带电体，但是人工提醒存在不及时以及人为疏漏的问题，单独安排监控管理人员并不能很大程度的提高安全性。
[0004]目前常用于目标物体定位的方式有基于深度学习的图像分割和基于深度学习的目标检测两种。对于基于深度学习的目标检测算法，需要对围栏所在位置用检测框标识出来，若对围栏所在的整片区域进行检测框标识，这样检测框内所占目标像素同原施工现场图片占比过大，无法很好区分目标区域和背景区域的特征信息，训练效果不太理想。若单独对每一小部分围栏画检测框标注，由于施工现场围栏大多是由比较窄小的竖直围栏根据一定距离间隔排列而成，此时一张图片中会产生很多检测框，标注过程会比较繁琐，需要耗费较大的时间资源，同时，由于网络学习了大量竖直围栏的特征，容易造成围栏误识别情况，影响围栏区域定位的精准度。
[0005]对于基于深度学习的图像分割算法，可以一定程度上避免上述问题，通过部分人工标注好的分割数据训练，可以做到实时并准确的前景像素的和背景的分割；但是在分割精度要求比较高的前提下，往往需要大量的数据充当训练集，而施工现场围栏密集程度较高，采用传统的分割数据集标注方式需要耗费大量的人力和时间。

技术实现思路

[0006]本专利技术要解决的技术问题就在于：针对现有技术存在的问题，本专利技术提供一种成本低、准确度高、计算复杂度低的基于深度学习的施工现场围栏区域定位方法及系统。
[0007]为解决上述技术问题，本专利技术提出的技术方案为：
[0008]一种基于深度学习的施工现场围栏区域定位方法，包括步骤：
[0009]1)根据围栏颜色特征提取施工现场图片中红色围栏，然后转化为二值化图像对ENet网络进行训练，得到训练好的ENet网络模型；
[0010]2)利用训练好的ENet网络模型对施工现场图片中的围栏进行分割，得到围栏中的红色围栏；
[0011]3)根据分割得到的红色围栏，对红色围栏像素进行矩形填充和多边形膨胀，生成覆盖全部围栏的面区域，同时将施工现场图片中与面区域位置对应的位置进行标识，实现施工现场围栏区域定位。
[0012]优选地，在步骤2)中，设置指定大小的矩形核将围栏中的红色围栏分成若干个矩形结构元素，再对矩形结构元素进行闭运算来填充凹角。
[0013]优选地，所述闭运算采用先膨胀运算后腐蚀运算的方式进行，其中膨胀运算用于把图像中断开或者目标区域背部的空洞补齐，腐蚀运算用于把目标轮廓外围的一些噪声消掉；闭运算的数学公式如下：
[0014][0015]其中，A表示分割完成的二值化图像，B为矩形核分割成的若干个矩形结构元素，表示膨胀运算，
⊙
表示腐蚀运算。
[0016]优选地，其中膨胀运算的具体数学公式如下：
[0017][0018]其中Bx,y表示将矩形结构元素的原点移动到点(x,y)处，其几何意义表示通过结构元素B去遍历二值化图像A，如结构元素B与二值化图像A中存在像素交集，则保留整个结构元素B。
[0019]优选地，对经过膨胀运算后的图像P再进行腐蚀运算的具体数学公式如下：
[0020]A
·
B＝P
⊙
B＝{x,y|B
x,y
∈P}
[0021]其几何意义表示结构元素B去遍历经过膨胀运算后的二值化图像P，将结构元素B与二值化图像P中存在交集的像素点保留，其它不相交的像素点去掉。
[0022]优选地，步骤3)中，在进行矩形填充和多边形膨胀之前，对经过闭运算的红色围栏，结合前景像素的分布区域进行分区，同时设置竖向像素点阈值为n，用以判断列方向上像素点小于n个的列，以消除闭运算产生的错误横向连接。
[0023]优选地，步骤3)中，在进行多边形膨胀后，对多边形膨胀之后存在前景像素的列进行遍历，使这一列最顶端像素点和最低端像素点中间的全部像素为255，生成覆盖全部围栏的面区域。
[0024]优选地，步骤1)的具体过程为：将施工现场图片通过颜色识别算法，获得初步的红色围栏概率图；再通过设置像素阈值，使施工现场图片中大于阈值的像素为255，小于阈值的像素为0，对获取到的红色围栏进行预处理，最终将其转化为二值图作为ENet网络训练集。
[0025]本专利技术还公开了一种基于深度学习的施工现场围栏区域定位系统，包括：
[0026]第一程序模块，用于根据围栏颜色特征提取施工现场图片中红色围栏，然后转化为二值化图像对ENet网络进行训练，得到训练好的ENet网络模型；
[0027]第二程序模块，用于利用训练好的模型对施工现场图片中围栏进行分割，得到围栏中的红色围栏；
[0028]第三程序模块，用于根据分割得到的红色围栏，对红色围栏像素进行矩形填充和多边形膨胀，生成覆盖全部围栏的面区域，同时将施工现场图片中与面区域位置对应的位置进行标识，实现施工现场围栏区域定位。
[0029]本专利技术进一步公开了一种计算机设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述的基于深度学习的施工现场围栏区域定位方法的步骤。
[0030]与现有技术相比，本专利技术的优点在于：
[0031]1、本专利技术利用颜色特征明显的围栏训练神经网络，通过计算机图形学算法对分割结果进行处理，能够快速并准确的分割出施工现场围栏所在的位置，具备低成本、高准确性以及计算复杂度低的优点；通过对部分分割出来的红色围栏进行算法上的处理，从而获得全部围栏所在区域，并在施工现场中标识出围栏。在数据处理前期就结合了围栏红白相间的特征，没有采用传统分割数据标注方式，通过颜色特征获得训练集，相对于传统方法很大程度上减少了人力和时间资源。
[0032]2、本专利技术通过多边形膨胀的方式，连接围栏与围栏之间的空白处，使其形成一个围栏面，从而从部分围栏的分割结果中拟合出全部围栏所在的区域，在不消耗大量存储空间和运算时间的情况下，实现了由部分到整体，由片到面的施工现场围栏区域定位，节省了用大量全标注训练集进行训练的时间成本和经济成本的同时，能够准确并快速的实现围栏区域定位，从而为电力施工现场的人员安全提供保障。
[0033]3、本专利技术通过设置指定大小的矩形核将分割结果分成若干个矩形结构元素，再对这些小的结构元素通过闭运算来填充凹角，弥合小裂缝，使得分割结果中一些因光照不匀分割效果不好的围栏能够分割的更平滑，同时采用闭运算计算复杂度较低，处理耗时也在合理范围之本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的施工现场围栏区域定位方法，其特征在于，包括步骤：1)根据围栏颜色特征提取施工现场图片中红色围栏，然后转化为二值化图像对ENet网络进行训练，得到训练好的ENet网络模型；2)利用训练好的ENet网络模型对施工现场图片中的围栏进行分割，得到围栏中的红色围栏；3)根据分割得到的红色围栏，对红色围栏像素进行矩形填充和多边形膨胀，生成覆盖全部围栏的面区域，同时将施工现场图片中与面区域位置对应的位置进行标识，实现施工现场围栏区域定位。2.根据权利要求1所述的基于深度学习的施工现场围栏区域定位方法，其特征在于，在步骤2)中，设置指定大小的矩形核将围栏中的红色围栏分成若干个矩形结构元素，再对矩形结构元素进行闭运算来填充凹角。3.根据权利要求2所述的基于深度学习的施工现场围栏区域定位方法，其特征在于，所述闭运算采用先膨胀运算后腐蚀运算的方式进行，其中膨胀运算用于把图像中断开或者目标区域背部的空洞补齐，腐蚀运算用于把目标轮廓外围的一些噪声消掉；闭运算的数学公式如下：其中，A表示分割完成的二值化图像，B为矩形核分割成的若干个矩形结构元素，表示膨胀运算，
⊙
表示腐蚀运算。4.根据权利要求3所述的基于深度学习的施工现场围栏区域定位方法，其特征在于，其中膨胀运算的具体数学公式如下：其中Bx,y表示将矩形结构元素的原点移动到点(x,y)处，其几何意义表示通过结构元素B去遍历二值化图像A，如结构元素B与二值化图像A中存在像素交集，则保留整个结构元素B。5.根据权利要求4所述的基于深度学习的施工现场围栏区域定位方法，其特征在于，对经过膨胀运算后的图像P再进行腐蚀运算的具体数学公式如下：A
·
B＝P
⊙
B＝{x,y|B
x,y
∈P}其几何意义表示结构元素B去遍历经过膨胀运算后的二值化图像P，将结构元素...

【专利技术属性】
技术研发人员：章娜，侯丽娟，彭英，贾明，杨明玲，蒋振宇，罗坤，
申请(专利权)人：国网湖南省电力有限公司湘西供电分公司国家电网有限公司，
类型：发明
国别省市：