港口危险区域入侵检测方法技术

本发明专利技术公开了一种港口中危险区域入侵检测的方法，属于图像处理技术领域，该方法包括如下步骤：利用固定摄像头获取需要检测区域的环境信息；利用目标检测算法，以三角锥判断所需要检测的危险区域；检测图像中是否有人员和车辆，并判断这些目标是否进入到了划定的危险区域中，造成了人员入侵情况的发生。本发明专利技术实现了动态危险区域的有效检测，在保障危险区域无人员入侵的情况下，极大的提高了现有监控设备的利用率，无需重新铺设设备。同时，本发明专利技术提供了全新的目标检测算法，使检测的结果更加准确，对端对端设备的性能要求更加的宽松。对端对端设备的性能要求更加的宽松。对端对端设备的性能要求更加的宽松。

【技术实现步骤摘要】
港口危险区域入侵检测方法


[0001]本专利技术涉及图像处理
，具体涉及一种港口危险区域入侵检测方法。

技术介绍

[0002]众所周知，对于很多的港口来说，在施工作业时候的安全问题是一个很大的问题。为保证人员在施工过程中的安全性，港口主要采用三种办法：一、制定相关的安全手册，并要求工作人员严格按照手册进行施工作业；二、所有施工人员必须佩戴安全帽，以保证人员的施工安全；三、在施工时设定安全区域，并安排安全员监督，保证在施工时没有外来人员和车辆进入到施工区域。不过这样做就造成了一个问题，在安全员疏忽的时候会有外来的人员车辆进入，而且做不到24小时持续的监控。
[0003]传统区域入侵检测方法是以运用传统的像素对比的方法来实现的。这种方法会出现许多的问题，如果发生风吹草动、下雨下雪、光影变化等对于图像的像素改变过大的情况，入侵检测系统就会发生误报。并且由于传统方法使用的是灰度二值化的处理方法，对于检测区域的设定非常的不灵活。如果需要改变检测的区域，需要进行源码上的改动。这就大大的增加了企业的使用成本。现有的区域入侵检测系统还有功能单一的缺点，只能进行入侵检测这一单一的功能，没有办法添加别的功能。所以急需一个新的区域入侵检测系统来替代老式系统。
[0004]近几年，随着科技的发展，深度学习越来越火热，深度学习技术可以通过由多个处理层组成的深度网络结构从数据中学习到层级的数据抽象或特征表示。深度卷积神经网络因其在处理图像视频数据方面具有得天独厚的优势，借助GPU加速技术的发展，深度卷积网络在图片分类、目标识别、人脸识别、场景理解和自动驾驶等任务上都带来的较传统方法巨大的性能提升。目前学术界和产业界对于深度学习研究的热度依然在持续，而深度学习之所以能够成为可能并带来如此大的科技进步，主要的原因有：1、随着大数据时代的到来，基于数据驱动的深度学习技术真正体现出了传统方法在大数据上所达不到的学习能力；2、随着GPU加速、分布式计算等领域的发展，深度学习所要求的计算能力也已经不再成为瓶颈。在此种背景下，如何借助深度学习模型强大的特征学习能力，将其应用到区域入侵检测系统中来是一个崭新的思路。
[0005]MFC(MicrosoftFoundationClasses)是微软基础类库的简称，是微软公司实现的一个c++类库，主要封装了大部分的windows API函数，并且包含一个应用程序框架，以减少应用程序开发人员工作量。MFC具有灵活性大，开发效率高等优点，是一个非常好用的软件开发工具。

技术实现思路

[0006]基于此，有必要提供一种针对于港口的人员入侵检测方法。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]港口危险区域入侵检测方法，包括：
[0009]1、获取待检测区域的实时图像，制作数据集；
[0010]为节约成本并符合现场施工要求，所述实时图像一般由港口区域内的机械大臂或其他设备上原有的摄像头进行获取，而摄像头会随着机械大臂的转动而转动，这就使得确定危险区域变得十分的困难，传统的确定危险区域的方法只能确定固定位置的危险区域，对这种运动摄像头的无能为力，所以需要使用新的方法，这也是本专利技术着重提出和解决的问题。
[0011]提取现场视频，以帧为单位截取获得的视频，使之成为图片集；使用标注软件给图片添加标注信息，制作成为数据集。
[0012]2、更改目标检测网络，替换原检测模型的特征提取模块和卷积模块，使得目标检测的结果变得更加的准确且快速，并根据数据集训练目标检测模型；
[0013]更换了更加轻量化的主干网络，并且对颈部部分进行改进，使得准确率更高；基准的yolov4模型，是由AlexeyAB提出的一个简单高效的目标检测模型，该算法降低了训练门槛，使得普通人员都可以使用1080ti或2080tiGPU来训练一个超快的、准确的目标检测器；并且对部署友好，可以直接使用MFC或者SQL进行部署，其检测的准确率可以达到85％，FPS可以达到165，初步满足了实践的要求，达到了精度速度最优平衡；
[0014]首先更换了基准yolov4的主干网络，把原始的CSPdarknet53更换成了Shufflenetv2；
[0015]Shufflenetv2主干，网络架构设计主要由计算复杂度的间接度量(如FLOPs)测量；然而，直接度量(例如，速度)还取决于诸如存储器访问成本和平台特性的其他因素，因此，最优建议是评估目标平台的直接度量，而不仅仅考虑FLOPs；Shufflenetv2就是由几个对设计高效网络有益的实用指南提出；所述的Shufflenetv2遵循了以下的几条实用指南：(1).输入输出具有相同通道数(channel)的时候，内存消耗是最小的；(2)过多的分组卷积操作会增大MAC，从而使模型速度变慢，分组卷积操作会减少参数，这样一来网络的计算量也就减少了，但是呢，认为网络的计算量减少，不代表模型的速度也会减少，MAC主要的消耗来源就来自分组卷积，分组卷积一多，MAC消耗的越多，模型速度也就变慢了；(3)模型中的分支数量越少，模型速度越快，模型中的网络结构太复杂(分支和基本单元过多)会降低网络的并行程度，模型速度越慢；(4)Element
‑
wise操作不能被忽略，Element
‑
wise包括Add/Relu/short
‑
cut/depthwise convolution等操作，元素操作类型操作虽然FLOPs非常低，但是带来的时间消耗还是非常明显的，尤其是在GPU上；元素操作操作虽然基本上不增加FLOPs，但是所带来的时间消耗占比却不可忽视。也即Small FLOPs heavy MAC。对于主干的更换使得网络变得更加的轻量化，但是会影响模型检测的准确度；
[0016]其次，对网络模型的颈部部分进行创新，重新构造了ghost模块，并以ghost模块替换颈部中的3*3卷积和1*1卷积，使参数量减小的同时小幅度的增加目标检测的准确性。ghost模块来源于GhostNet，是华为提出的一个轻量级神经主干网络，对颈部的创新，把其中的ghost模块从主干网络中提取出来，应用到了颈部中，并对ghost模块进行的改进，在小幅度增加了参数量的情况下，大大增加了模块的检测性能，使得这个模块更加适合本项目的要求；
[0017]相比于传统的卷积，GhostNet分两步走，首先GhostNet采用正常的卷积计算，得到通道数较少的特征图，然后利用简便操作(cheap operation)得到更多的特征图，然后将不
同的特征图融合到一起，组合成新的输出；首先，假设我们输入特征图的尺寸是h*w*c,输出特征图的尺寸是h
’
*w
’
*n,卷积核大小为k*k；在简便操作(cheap operation)变换中，我们假设特征图的通道数是m，变换的数量是s，最终得到的新的特征图的数量是n,那么我们可以得到等式：
[0018]n＝m*s
[0019]由于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.港口危险区域入侵检测方法，其特征在于，包括以下步骤：步骤S1、从现场摄像头获取待检测区域的实时图像，制作数据集；步骤S2、更改目标检测网络，替换其特征提取模块和卷积模块，并根据数据集训练目标检测模型；步骤S3、使用S2的训练的目标检测模型，检测出图像中三角锥的位置，根据三角锥的位置确定危险区域；步骤S4、检测进入危险区域的目标并对其跟踪，判断入侵的次数和时间，并根据跟踪结果给出预警信号；步骤S5、把监控画面和结果汇总到MFC。2.根据权利要求1所述的港口危险区域入侵检测方法，其特征在于：步骤S1中实时图像一般由机械大臂或待检测区域内其他设备上原有的摄像头进行获取，以MFC为基础，直接连接摄像头的地址，获取现场的实时图像，完成对现场的实时监控。3.根据权利要求2所述的港口危险区域入侵检测方法，其特征在于：步骤S1中提取现场视频，以帧为单位截取获得的视频，使之成为图片集；使用标注软件给图片添加标注信息，制作成为数据集。4.根据权利要求1所述的港口危险区域入侵检测方法，其特征在于：步骤S2中将目标检测网络的基准yolov4模型的主干网络更换为Shufflenetv2，在模型的颈部neck部分重新构造ghost模块，并以ghost模块替换颈部中的3*3卷积和1*1卷积，使参数量减小的同时小幅度的增加目标检测的准确性。5.根据权利要求4所述的港口危险区域入侵检测方法，其特征在于：使用制作的数据集训练目标检测模型，模型在GPU服务器上进行训练，训练批次为100批，得到适应本次检测任务的目标检测模型。6.根据权利要求4所述的港口危险区域入侵检测方法，其特征在于：首先GhostNet采用正常的卷积计算，得到通道数较少的特征图，然后利用简便操作得到更多的特征图，然后将不同的特征图融合到一起，组合成新的输出；假设输入特征图的尺寸是h*w*c,输出特征图的尺寸是h
’
*w
’
*n,卷积核大小为k*k；在简便操作变换中，假设特征图的通道数是m，变换的数量是s，最终得到的新的特征图的数量是n,得到等式：n＝m*sGhost的变换过程中最后存在一个恒等变换，实际有效的变换数量是s
...

【专利技术属性】
技术研发人员：李海滨，李达，李雅倩，张文明，
申请(专利权)人：燕山大学，
类型：发明
国别省市：