【技术实现步骤摘要】
基于深度学习的船员异常行为检测与身份识别方法
[0001]本专利技术属于计算机视觉和航运安全
,具体涉及基于深度学习的船员异常行为检测与身份识别方法。
技术介绍
[0002]船员异常行为指在船员工作过程中由于船员的自身疏忽、技能不熟悉、操作违规、培训不到位等原因导致的不正常行为,可能导致事故发生,甚至危及船舶和人身安全。准确检测船员异常行为并识别该船员身份,可以为事故预警、过程分析及船员培训等提供重要数据支撑,对维护航运安全与人身安全有重要意义。
[0003]现有的自动化船员异常行为检测与识别方式有:传感器检测与图像检测等。传感器检测准确度较高,触发性能较好,但存在结构复杂、设备昂贵、检测效率低等缺点;图像检测方式分为传统图像检测方法与深度学习检测方法。两者可以通过监控视频获取船员异常行为与身份信息,成本较低,易于部署与扩展,可应用在舰船监控系统中。但传统图像检测方法,存在方法精度不稳定、实时性不佳的问题。目前深度学习技术应用在行为检测与身份识别领域的技术相对成熟,各项识别指标突出,但船上环境复杂多变,存在种种影响图像质量的因素,导致难以做到准确检测与识别。
技术实现思路
[0004]针对现有技术中存在的上述技术问题,本专利技术提供基于深度学习的船员异常行为检测与身份识别方法,设计合理,解决了现有技术的不足,具有良好的效果。
[0005]本专利技术采用如下技术方案:
[0006]基于深度学习的船员异常行为检测与身份识别方法,包括如下步骤:S1、获取并处理视频数据,得到船员 ...
【技术保护点】
【技术特征摘要】
1.基于深度学习的船员异常行为检测与身份识别方法,其特征在于,包括如下步骤:S1、获取并处理视频数据,得到船员异常行为数据集和船员人脸识别数据集,其中异常行为包括不穿工作服、不穿救生衣、上身赤裸、抽烟四类;S2、基于改进后的CenterNet网络模型CA
‑
CenterNet,设计船员异常行为检测模型判断是否存在出现异常行为的船员,并获取异常行为类别和船员位置信息图像;S3、设计船员人脸识别模型,用于识别出现异常行为的船员人脸图像并得到船员姓名与编号信息;S4、通过船员异常行为检测模型判断相机监控范围内的船员是否出现异常行为,获取异常行为类型和船员位置信息图像,通过船员人脸识别模型获得船员身份信息,将检测到的船员异常行为类别、船员位置信息图像、船员人脸图像和船员身份信息写入到对应数据库,通知船上管理人员进行处理。2.根据权利要求1所述的基于深度学习的船员异常行为检测与身份识别方法,其特征在于,步骤S1具体包括以下子步骤:S1.1、收集海上发生舰船安全事故的船舶监控视频为第一数据集,拍摄在职船员模拟表现出异常行为的监控视频为第二数据集;S1.2、将第一数据集和第二数据集中的视频利用视频帧转换生成单帧图像序列;S1.3、用人工标注工具对第一数据集和第二数据集的单帧图像进行标注,使用每个目标框的左上角和右下角坐标把出现异常行为的船员图片分割出来,制作船员异常行为数据集,将数据集按8:1:1的比例划分为训练集、验证集和测试集;使用人工截图工具截取第二数据集中出现的船员正脸图像,制作船员人脸识别数据集。3.根据权利要求2所述的基于深度学习的船员异常行为检测与身份识别方法,其特征在于,步骤S2具体包括以下子步骤:S2.1、所述CA
‑
CenterNet包括改进后的特征提取网络ResNet
‑
50、上采样网络DeConv和改进后的预测网络Heads,所述特征提取网络ResNet
‑
50包括四个ResBlock模块ResBlock_1~ResBlock_4和一个TransfomerBlock模块,其中TransfomerBlock模块由三个1
×
1的卷积模块、一个位置编码模块和一个多头注意力模块组成;预测网络Heads包括中心点预测网络、边界偏置预测网络和尺寸预测网络;所述中心点预测网络由一个3
×3×
64的卷积模块、一个CBAM模块与一个1
×1×
80的卷积模块组成,所述边界偏置预测网络由一个3
×3×
64的卷积模块、一个CBAM模块与一个1
×1×
2的卷积模块组成,所述尺寸预测网络由一个3
×3×
64的卷积模块、一个1
×1×
2的卷积模块组成;S2.2、将S1.3中的训练集输入到CA
‑
CenterNet中进行训练,设置迭代次数为150,学习率为1.25e
‑
4,批训练大小为32,衰减率为0.0006,根据训练中Loss函数的变化趋势适当设置不同的学习率和批训练大小,调整学习率和批训练使总训练损失值...
【专利技术属性】
技术研发人员:李正宝,高鼎,杜立彬,高洁,马云鸽,
申请(专利权)人:山东科技大学,
类型:发明
国别省市:
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。