一种基于深度学习的护栏检测方法、装置及相关介质制造方法及图纸

本发明专利技术公开了一种基于深度学习的护栏检测方法、装置及相关介质，该方法包括：获取护栏视频数据，并从护栏视频数据中截取得到视频帧图像；利用Can ny算法对视频帧图像进行边缘检测，得到边缘检测图像，并将视频帧图像与边缘检测图像在通道维度上进行拼接，得到目标图像；通过改进的ResNet50模型对目标图像进行训练，以此构建临边护栏检测模型；利用临边护栏检测模型对指定的护栏视频数据进行护栏检测。本发明专利技术结合Canny算法和改进的ResNet50模型构建临边护栏检测模型，以对临边护栏进行检测，能够有效处理临边护栏防护检测中的图像识别准确率低、数据集类间分布不均衡和场景复杂三大难点问题，准确识别临边护栏的安全状态，降低护栏安全管理的成本。低护栏安全管理的成本。低护栏安全管理的成本。

【技术实现步骤摘要】
一种基于深度学习的护栏检测方法、装置及相关介质


[0001]本专利技术涉及计算机软件
，特别涉及一种基于深度学习的护栏检测方法、装置及相关介质。

技术介绍

[0002]临边防护栏在建筑建设中的应用十分广泛，是地铁、建筑等施工场地不可缺少的安全防护产品。施工场地临边护栏结构的常见颜色为红、白相间，防护类型主要包括：钢管、扣件式防护和网片式工具化防护围栏。钢管、扣件式防护适用于基坑边缘、楼层边缘、阳台边缘和屋面边缘，防护栏杆主要为横杆，上杆距地面高度应为1.2m,下杆应在上杆和档脚板中间设置。防护栏杆立杆间距不应大于2m，下设不小于180mm高挡脚板。网片式工具化防护围栏适用于加工车间围护、塔吊基础处维护、消防泵房围护、室内电梯井门、地面施工区域分隔，基坑周边防护，首层(或上部楼层)结构临边防护，主体结构采用钢板网。在实际的施工场所中，为了节约施工成本，常常出现临边护栏缺失的情况。或是由于施工方的疏忽，导致护栏的安装不符合工程安全技术规范，如护栏安装过低、未设置挡脚板的情况。或者施工方拆除、护栏遭受损坏后未及时恢复，导致护栏倾斜的状况。上述这些情况存在严重的安全隐患，无法保障施工人员的生命安全。
[0003]现有临边护栏安全检测一般都是通过安全员巡视、发现护栏安全问题、拍摄、记录、然后加以整改。这种方式大大增加了人力成本，具有严重的滞后性，且有可能因为安全员的疏忽导致安全隐患未被发现。针对护栏遭受破坏、拆除的情况，现有技术手段是：在已安装护栏的周边安装红外线或是其他远程检测终端实时监控临边护栏防护的安全状态。当临边防护栏遭受损坏、防护栏位移等异常情况时立即报警，帮助管理人员及时排查危险情况。这种技术手段虽然能够获取已安装护栏的安全状态信息，但无法解决护栏缺失的问题，并且采用这项技术将安装大量的远程监测终端，这也极大的增加了施工成本。

技术实现思路

[0004]本专利技术实施例提供了一种基于深度学习的护栏检测方法、装置、计算机设备及存储介质，旨在提高对临边护栏的安全管理效果，降低安全管理成本。
[0005]第一方面，本专利技术实施例提供了一种基于深度学习的护栏检测方法，包括：
[0006]获取护栏视频数据，并从所述护栏视频数据中截取得到视频帧图像；
[0007]利用Canny算法对所述视频帧图像进行边缘检测，得到边缘检测图像，并将所述视频帧图像与所述边缘检测图像在通道维度上进行拼接，得到目标图像；
[0008]通过改进的ResNet50模型对所述目标图像进行训练，以此构建临边护栏检测模型；
[0009]利用所述临边护栏检测模型对指定的护栏视频数据进行护栏检测。
[0010]第二方面，本专利技术实施例提供了一种基于深度学习的护栏检测装置，包括：
[0011]视频获取单元，用于获取护栏视频数据，并从所述护栏视频数据中截取得到视频
帧图像；
[0012]边缘检测单元，用于利用Canny算法对所述视频帧图像进行边缘检测，得到边缘检测图像，并将所述视频帧图像与所述边缘检测图像在通道维度上进行拼接，得到目标图像；
[0013]护栏模型单元，用于通过改进的ResNet50模型对所述目标图像进行训练，以此构建临边护栏检测模型；
[0014]护栏检测单元，用于利用所述临边护栏检测模型对指定的护栏视频数据进行护栏检测。
[0015]第三方面，本专利技术实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于深度学习的护栏检测方法。
[0016]第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于深度学习的护栏检测方法。
[0017]本专利技术实施例提供了一种基于深度学习的护栏检测方法、装置、计算机设备及存储介质，该方法包括：获取护栏视频数据，并从所述护栏视频数据中截取得到视频帧图像；利用Canny算法对所述视频帧图像进行边缘检测，得到边缘检测图像，并将所述视频帧图像与所述边缘检测图像在通道维度上进行拼接，得到目标图像；通过改进的ResNet50模型对所述目标图像进行训练，以此构建临边护栏检测模型；利用所述临边护栏检测模型对指定的护栏视频数据进行护栏检测。本专利技术实施例通过Canny边缘检测算法和改进的ResNet50模型构建的临边护栏检测模型，并进一步通过临边护栏检测模型进行护栏检测，如此可以准确识别临边护栏的安全状态，有效处理临边护栏防护检测中的图像识别准确率低、数据集类间分布不均衡和场景复杂三大难点问题，准确识别临边护栏的安全状态，降低护栏安全管理的成本。
附图说明
[0018]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本专利技术实施例提供的一种基于深度学习的护栏检测方法的流程示意图；
[0020]图2为本专利技术实施例提供的一种基于深度学习的护栏检测方法的子流程示意图；
[0021]图3为本专利技术实施例提供的一种基于深度学习的护栏检测方法的轻量化操作流程框图；
[0022]图4为本专利技术实施例提供的一种基于深度学习的护栏检测装置的示意性框图；
[0023]图5为本专利技术实施例提供的一种基于深度学习的护栏检测装置的子示意性框图。
具体实施方式
[0024]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施
例，都属于本专利技术保护的范围。
[0025]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0026]还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0027]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0028]下面请参见图1，图1为本专利技术实施例提供的一种基于深度学习的护栏检测方法的流程示意图，具体包括：步骤S101～S104。
[0029]S101、获取护栏视频数据，并从所述护栏视频数据中截取得到视频帧图像；
[0030]S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护栏检测方法，其特征在于，包括：获取护栏视频数据，并从所述护栏视频数据中截取得到视频帧图像；利用Canny算法对所述视频帧图像进行边缘检测，得到边缘检测图像，并将所述视频帧图像与所述边缘检测图像在通道维度上进行拼接，得到目标图像；通过改进的ResNet50模型对所述目标图像进行训练，以此构建临边护栏检测模型；利用所述临边护栏检测模型对指定的护栏视频数据进行护栏检测。2.根据权利要求1所述的一种基于深度学习的护栏检测方法，其特征在于，所述获取护栏视频数据，并从所述护栏视频数据中截取得到视频帧图像，包括：采用均匀采样的方法对所述护栏视频数据进行帧采样，得到所述视频帧图像；对所述视频帧图像进行图像处理；所述图像处理包括类别均衡数据分布、数据增广与添加噪声点；对经过图像处理后的所述视频帧图像进行归一化处理，得到具有固定像素比的所述视频帧图像。3.根据权利要求1所述的一种基于深度学习的护栏检测方法，其特征在于，所述利用Canny算法对所述视频帧图像进行边缘检测，得到边缘检测图像，包括：按照下式将所述视频帧图像转换为灰度图：f＝R*299/1000+G*587/1000+B*114/1000式中，f表示所述灰度图的灰度值，R表示所述视频帧图像的三原色中红色的亮度值，G表示所述视频帧图像三原色中绿色的亮度值，B表示所述视频帧图像三原色中蓝色的亮度值；通过高斯滤波对所述灰度图进行平滑处理，并按照下式计算平滑处理后的灰度值：式中，f表示平滑处理前的灰度值，g表示平滑处理后的灰度值，(m,n)表示像素点位置为第m行第n列，σ表示高斯滤波中的标准差；利用sobel算子计算经过平滑处理后的所述灰度图的梯度值和梯度方向；根据所述梯度值和梯度方向对所述灰度图进行非极大值像素梯度抑制，得到边缘检测图像。4.根据权利要求1所述的一种基于深度学习的护栏检测方法，其特征在于，所述将所述视频帧图像与所述边缘检测图像在通道维度上进行拼接，得到目标图像，包括：获取护栏安全状态类型，并基于所述护栏安全状态类型对所述目标图像进行类型标注。5.根据权利要求1所述的一种基于深度学...

【专利技术属性】
技术研发人员：刘军，张芳健，
申请(专利权)人：深圳英飞拓智能技术有限公司，
类型：发明
国别省市：