【技术实现步骤摘要】
一种抽烟行为检测方法、装置、设备及存储介质
[0001]本专利技术涉及行为检测
,特别是涉及一种工厂场景下利用图像检测技术的抽烟行为检测方法、装置、设备及存储介质。
技术介绍
[0002]近年来,工厂安全事故频发,其中火灾所产生的危害和损失是最大的,而厂区抽烟烟头随意丢弃所引发的火灾更是数不胜数,因此对于火灾的预防,对于引发火灾的检测显得尤为重要,其中由于对于工人进行抽烟检测具有限制性,因此利用直接的方式收效甚微,但是现代化工厂中,摄像头无处不在,具有覆盖面广,部署较多,新增和减少都可以灵活定制的特性,同时随着卷积神经网络代表的深度学习的技术更加成熟,在工厂中的应用更加普及,催生出了很多利用神经网络图像检测技术来进行安全检测的例子。
[0003]现有技术中对于抽烟检测工厂也有一些方案,其中最传统的方案是,利用管理员巡视结合入场检查,通过人工查看的方法来进行,这种方法一般适用于人员较少以及厂区较小的地区,对于厂区较大,以及员工较多的工厂并不适用,同时采用这种方案对于人力消耗巨大,且无法做到24小时实时监控。
[0004]另外,个别工厂中采用烟雾报警器的方式来进行抽烟检测,此方案只适用于较小的室内环境中,对于开阔的工厂厂区以及室外场景该方案就不在适用,同样采用这个方式需要额外安装设备对于成本控制不利。
[0005]同样,随着图像检测技术的进步,也有方案是利用厂区摄像头采集图像,进行目标检测来实现抽烟检测,但是由于这种方案仅仅利用单一的目标检测方案来实现抽烟检测,其检测准确率达不到实际使用的水 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种抽烟行为检测方法,其特征在于,包括:利用训练完成的第一目标检测网络对多帧连续帧目标图片中的行人进行检测,获得多个行人检测框以及多个行人身体各部位关键点信息;所述目标图片为通过图像摄取设备获取到的目标区域的图片;所述行人身体各部位关键点信息用于确定行人的骨架信息;利用多个所述行人检测框对同一ID的行人进行匹配,利用ST_GCN行为识别的算法进行动作行为识别生成第一次判断结果;确定所述第一次判断结果存在抽烟行为,利用训练完成的第二目标检测网络对所述行人检测框内包含的香烟的位置进行检测确定香烟位置信息;利用所述香烟位置信息以及所述行人的骨架信息通过先验知识对抽烟行为进行判断生成第二次判断结果;确定所述第二次判断结果存在抽烟行为触发所述目标区域的声光报警器发出警告,并将检测结果上传至智慧监控系统。2.根据权利要求1所述的抽烟行为检测方法,其特征在于,所述第一目标检测网络以及所述第二目标检测网络均包括改进的YOLOV8目标检测网络;所述改进的YOLOV8目标检测网络包括C2f模块以及融合模块;所述C2f模块的block数量为3
‑6‑6‑
3且第一个卷积层的kenel为3*3;所述融合模块包括特征融合网络FPN和PAN。3.根据权利要求2所述的抽烟行为检测方法,其特征在于,所述改进的YOLOV8目标检测网络采用BCELosse作为分类损失loss,利用检测框CIOU_Loss作为位置信息Loss,所述检测框CIOU_loss如式1;分类的CLS_loss采用BCE_loss如式2以及关键点KP_loss如式4的多模态loss回归通过多维度确定检测框的类别、位置以及关键点信息;CIOU_Loss=1―IOU(t
′
,t)
ꢀꢀ
(式1)其中,t
′
为GTbbox信息;CLs_Loss=BCE(c
′
n
,c
n
)
ꢀꢀꢀꢀꢀ
(式2)BCE=―((c
n
*logc
′
n
)+(1―c
n
)*log(1―c
′
n
))
ꢀꢀ
(式3)其中,c
′
n
表示预测第n个样本为正样本的概率,c
n
表示第n个样本的标签值;其中,v
′
k
为关键点信息。4.根据权利要求2所述的抽烟行为检测方法,其特征在于,所述第一目标检测网络还包括KAPAO关键点检测网络;所述KAPAO关键点检测网络通过多任务损失函数将关键点信息集成到所述改进的YOLOV8目标检测网络产生的anchor信息中,利用关键点Loss函数来完成关键点检测。5.根据权利要求1所述的抽烟行为检测方法,其特征在于,利用ST_GCN行为识别的算法进行动作行为识别生成第一次判断结果;包括:根据人体骨架特点将每一帧同一ID的行人的节点相连接,形成空间边界E
s
技术研发人员:牟骏杰,邓博文,王鑫,肖杰,蔡华闽,李小兰,
申请(专利权)人:中国兵器装备集团自动化研究所有限公司,
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。