一种实时高精度的反光衣穿戴状态识别方法及装置制造方法及图纸

为解决现有技术在针对施工作业人员是否有穿戴反光衣所存在的问题，本发明专利技术提供一种实时高精度的反光衣穿戴状态识别方法及装置，该方法首先获取施工现场图像，然后将取施工现场图像输入目标检测网络结构模型中，最后得到施工人员和反光衣类别的目标检测预测结果图，通过计算反光衣和施工人员的锚框的重合度判定施工人员是否有穿着反光衣，实现对高空作业或重型设备的施工人员是否穿戴反光衣进行识别。本发明专利技术不仅适用于多场景下的反光衣检测，同时具有极强的鲁棒性，还可以以较小的参数运算量应用至工地中的低成本轻量化运算设备中，从而促进智慧工地的实现。促进智慧工地的实现。促进智慧工地的实现。

【技术实现步骤摘要】
一种实时高精度的反光衣穿戴状态识别方法及装置


[0001]本专利技术涉及计算机视觉
，具体涉及一种实时高精度的反光衣穿戴状态识别方法及装置。

技术介绍

[0002]目标检测技术是计算机技术的一种，目前常用于智慧城市和智慧工地的使用中，该技术可以利用计算机实现对图片中不同类别物体利用锚框(anchor box)。图像目标检测技术经过Redmon等人所设计的YOLOv1网络结构改进后已经可以实现对图片中的不同类别物体的在图片中的位置利用锚框进行划定。从YOLOv1的创建至今，经过Bochkovskiy所设计的YOLOv4、Ultralytics等人所设计的YOLOv5神经网络结构，到目前最新Wang等人设计的YOLOv7系列的目标检测网络结构在智能目标检测系统中表现优异，在多样本图片数据集中准确率能达到87％，但在实际应用场景下还存在一定的缺陷。例如Huang等人在PP
‑
YOLO中指出YOLO系列的参数量过于庞大，对于移动端而言内存和显存的占用过高，不适合在施工场景中大量使用的低成本轻量化的运算芯片使用。
[0003]建筑工地的安全需要得到保障，在重型设备参与作业或者高空作业的现场需要穿戴反光衣避免发生事故。在目前建筑工地采用的是设立安全员巡检的方式来对作业人员进行检查，这种方法不仅耗费人力物力，还无法通过实时监控达到实时预警的效果。而目前对于反光衣的识别上还是存在很大的的空白以便研究人员深入研究，在同类型的施工作业安全穿戴设备中专利文献CN113920469A的方案中提出对施工区域中的作业人员是否有佩戴安全帽进行检测，即对配电作业施工人员的安全帽佩戴状态进行判断识别，该方法存在的缺点是需要利用K
‑
means聚类分割对锚框进行初始化，接下来利用YOLOv3目标检测网络模型进行检测，最后对预测出的边界框进行非极大值抑制，以消除重复检测得到最终的检测效果。该方法使用的YOLOv3显存占用较大，且推理速度较长。在专利文献CN114005089A的方案中提出基于特征提取网络和注意力网络模块实现反光衣检测，该方法可以通过注意力机制提取特征，通过多层次的特征提取获取的丰富的图像特征，从而能够识别受到遮挡的检测目标以及亮度较低的检测目标。该方法的缺点是特征提取网络的参数量比较大，导致目标检测网络模型的运算量增加，在增加了模型精确度的同时牺牲了实时性，从而导致该目标检测网络模块的占用显存量过大，难以在低成本轻量化的运算芯片上使用。

技术实现思路

[0004]针对目前缺乏针对施工作业反光衣识别的高鲁棒性高实时性以及高准确性的目标检测问题，本专利技术提供一种实时高精度的反光衣穿戴状态识别方法及装置。
[0005]为实现上述目的，本专利技术的技术方案是：
[0006]第一方面，本专利技术提供一种实时高精度的反光衣穿戴状态识别方法，所述方法包括：
[0007]获取施工现场图像；
[0008]将所获取到的施工现场图像输入到目标检测网络结构模型中；所述目标检测网络结构模型的骨干网络是以ResNet50网络结构为基础，对所输入的图像进行图像特征信息提取，然后对所提取到的图像特征信息采用像素聚合网络进行聚合，得到图像特征信息图，所述图像特征信息图再通过注意力网络模块来进行特征信息提取；将注意力网络模块所提取到的特征信息采用YOLO算法的目标检测头进行处理，得到带预测框的目标检测结果图；
[0009]根据目标检测结果图来计算施工人员的和反光衣预测框的像素重合度是否低于所设定的重合度阈值，以判定施工人员是否违反安全作业规定。
[0010]进一步地，输入到目标检测网络结构模型中的施工现场图像尺寸为768x768分辨率。
[0011]进一步地，所述目标检测网络结构模型目标检测网络batch size参数设置最大不超过12。
[0012]进一步地，所述目标检测网络结构模型的骨干网络是以ResNet50网络结构为基础，对输入图像进行图像特征信息提取包括：
[0013]使用ResNet50取代YOLO系列的DarkNet
‑
53作为骨干网络进行图像特征信息提取，并利用ACON激活函数和DCN卷积层取代ResNet50中使用的ReLU激活函数和ResNet50网络结构的最后三个3x3卷积层。
[0014]进一步地，所述DCN卷积层的输出作为像素聚合网络输入。
[0015]进一步地，所述注意力网络模块通过残差网络结构连接，利用全局池化和全卷积层来实现图像特征信息图的特征信息提取，得到三个不同尺寸大小的特征图。
[0016]进一步地，采用YOLO算法的目标检测头对注意力网络模块所得到的三个不同尺寸大小的特征图进行输出，使用归一化操作，得到三种融合图，最后利用非极大值一直保留最优框，得到带预测框的反光衣和施工人员的检测结果图。
[0017]进一步地，当施工人员的和反光衣预测框的像素重合度低于所设定的重合度阈值时，储存此时的图片，并发送报警信息。
[0018]第二方面，本专利技术提供一种实时高精度的反光衣穿戴状态识别装置，包括存储器、处理器以及存储在所述存储器中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上任一所述方法的步骤。
[0019]第三方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上任一所述方法的步骤。
[0020]本专利技术与现有技术相比，其有益效果在于：
[0021]本专利技术提供的一种实时高精度反光衣穿戴状态检测方法，该方法使用轻量化的目标检测神经网络解决复杂变化自然环境下的反光衣穿戴识别问题，该方法面向于高架铁路建设和铁路重型设备运作时对施工人员穿着反光衣等安全要求较高的场景，可以有效地提高监管效率，从而减轻人工负担，通过轻量化的反光衣目标检测神经网络也可以减少购置高算力设备的成本，促进智慧工地的实现。
附图说明
[0022]图1为本专利技术实施例1提供的目标检测网络结构模型整体结构图；
[0023]图2为本专利技术实施例2提供的实时高精度的反光衣穿戴状态识别装置组成示意图。
具体实施方式
[0024]下面结合附图和实施例对本专利技术的技术方案做进一步的说明。
[0025]实施例1：
[0026]当前，关于施工区域施工人员反光衣穿戴识别大多数采用的是目标检测的方法进行，即通过监控设备以及目标检测深度学习神经网络技术对进入施工区域的施工人员利用锚框进行确定，然后通过对人员的预测框与反光衣的预测框的重合度对施工人员是否穿戴反光衣从而发出警报。此方法存在的缺陷是原始YOLO系列目标检测算法开发应用主要是针对大规模数据集样本进行训练，训练平台也是面向GPU计算平台，对于内存占用量的重视不足。因此对于施工环境人员是否穿戴反光衣任务而言，有着以下两个问题：1、施工作业所需的深度学习设备算力需要以低成本轻量化的算力设备为主。2、反光衣样本采集数量采集难度较大，难以形成大规模数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实时高精度的反光衣穿戴状态识别方法，其特征在于，所述方法包括：获取施工现场图像；将所获取到的施工现场图像输入到目标检测网络结构模型中；所述目标检测网络结构模型的骨干网络是以ResNet50网络结构为基础，对所输入的图像进行图像特征信息提取，然后对所提取到的图像特征信息采用像素聚合网络进行聚合，得到图像特征信息图，所述图像特征信息图再通过注意力网络模块来进行特征信息提取；将注意力网络模块所提取到的特征信息采用YOLO算法的目标检测头进行处理，得到带预测框的目标检测结果图；根据目标检测结果图来计算施工人员的和反光衣预测框的像素重合度是否低于所设定的重合度阈值，以判定施工人员是否违反安全作业规定。2.如权利要求1所述的实时高精度的反光衣穿戴状态识别方法，其特征在于，输入到目标检测网络结构模型中的施工现场图像尺寸为768x768分辨率。3.如权利要求2所述的实时高精度的反光衣穿戴状态识别方法，其特征在于，所述目标检测网络结构模型目标检测网络batchsize参数设置最大不超过12。4.如权利要求1所述的实时高精度的反光衣穿戴状态识别方法，其特征在于，所述目标检测网络结构模型的骨干网络是以ResNet50网络结构为基础，对输入图像进行图像特征信息提取包括：使用ResNet50取代YOLO系列的DarkNet
‑
53作为骨干网络进行图像特征信息提取，并利用ACON激活函数和...

【专利技术属性】
技术研发人员：贺婷，彭洪秋，焦长洲，王敏帅，林遵虎，王义，李楠，薛松，梁伟森，谢猛，杨伟，杨雁彬，王泽国，
申请(专利权)人：中铁建工集团第五建设有限公司中铁建工集团有限公司，
类型：发明
国别省市：