一种复杂环境下市政施工安全问题检测方法技术

本发明专利技术公开了一种复杂环境下市政施工安全问题检测方法，包括：获取训练模型的图像数据集进行标注，并划分为训练集和测试集；对图像数据集预处理，送入改进的YOLOv5

【技术实现步骤摘要】
一种复杂环境下市政施工安全问题检测方法


[0001]本专利技术属于市政施工安全检测
，具体涉及一种复杂环境下市政施工安全问题检测方法。

技术介绍

[0002]在施工现场中，安全问题一直是备受重视和关注的问题，施工场所存在大量的潜在危险和安全隐患。这些安全隐患包括但不限于高处坠物、摔倒、电气火灾、行人违规闯入等。因此，对施工现场的安全问题进行检测和监管是至关重要的。
[0003]传统的人工现场监督费时费力，且存在许多不利因素，例如人为疏忽、偏见等。随着技术的发展，施工现场的摄像头数量越来越多，因而产生了大量的视频数据。进几年，基于深度学习的目标检测技术的发展为施工现场安全检测提供了新的思路和方法。
[0004]然而，对于市政施工，其施工现场的实际情况非常复杂，存在许多挑战和困难。例如，施工现场监控视频流的曝光受到天气和光线的影响、市政施工现场周围有行人走动等因素会影响目标检测的效果和精确度、市政施工现场可能出现多种安全隐患等。以往的检测方法大多仅考虑单一目标，且未能考虑这些复杂的环境因素。
专利技术内容
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂环境下市政施工安全问题检测方法，其特征在于，包括如下步骤：S1：获取图像数据集并标注图像数据集中图像数据的类型；S2：预处理图像数据集，用预处理后的图像数据集训练YOLOv5
‑
s网络模型；S3：对施工现场摄像头视频流数据中的每一帧图像进行自适应处理，并划定YOLOv5
‑
s网络模型的作业区域；S4：将自适应处理后的施工现场摄像头视频流数据输入训练好的YOLOv5
‑
s网络模型中实时检测作业区域内的安全问题，将有安全问题的图像输出。2.如权利要求1所述的复杂环境下市政施工安全问题检测方法，其特征在于，所述复杂环境至少包括以下情况中的一种：光照强度低于或高于设定阈值，施工围挡外有行人通行。3.如权利要求1所述的复杂环境下市政施工安全问题检测方法，其特征在于，步骤S1具体为：S1.1：使用python网络爬虫技术以“反光锥”、“铁马”、“水马”、“围挡”、“烟雾”、“明火”、“安全帽”和“反光衣”为关键词从互联网上收集图像，保存至本地存储单元，对图像进行人为筛选，检查图像是否真实，是否有检测所需对象，若否，则剔除，将图像保存至图像数据集中；S1.2：通过实际施工现场的云摄像头采集视频流并存储至本地存储单元，使用FFmpeg提取视频流中包含检测对象的关键帧图像，将图像保存至图像数据集中；所述检测对象包括人、安全帽、反光衣、衣服、反光锥、铁马、水马、围挡、烟雾和明火；S1.3：将图像数据集转化为VOC2007格式数据集，所述VOC2007格式数据集包含三个文件夹，分别是用于存储每个图像的边界框位置信息的Annotations文件夹、存储train.txt、val.txt和test.txt文件的ImageSets文件夹以及指定训练、验证和测试数据集中包含哪些图像和存储所有图像文件的目录的JPEGImages文件夹；S1.4：使用lableImg对图像数据集中的图像进行标注，标签类型包括head、helmet、reflective
‑
vest、clothes、reflective
‑
cone、barricade、smoke和flame，标签文件为XML格式；S1.5：按照80％和20％的训练集和测试集的比例随机将标注好的图像数据集写入train.txt和test.txt文件中。4.如权利要求1所述的复杂环境下市政施工安全问题检测方法，其特征在于，S2中，所述预处理包括使用HSV随机图像增强、随机shear错切变换、随机水平翻转和Mosaic随机裁剪对数据集预处理，以增强数据并扩充数据集；所述HSV随机图像增强中，增益使用[
‑
1,1]之间的均匀分布随机生成，h色调增强分数为0.1，s饱和度增强分数为0.4，v值增强分数为0.4，发生概率为0.3；所述随机shear错切变换的x轴和y轴的错切系数范围均为[0,1]之间的均匀分布随机生成，发生概率为0.3；所述随机水平翻转的发生概率为0.5；所述Mosaic随机裁剪的发生概率为0.9。5.如权利要求1所述的复杂环境下市政施工安全问题检测方法，其特征在于，S2中，所述YOLOv5
‑
s网络模型包括Input层、Backbone层、Neck层和Prediction层；所述Backbone层包括Focus模块、C3模块和SPP模块；在所述C3模块后加入CA注意力机制，具体位置在最后一个C3模块之后，堆叠1次，具体方法为：在common文件中添加CA注意力机制代码块，在yolo文件中引用CA代码类，在
YOLOv5
‑
s的yaml结构模型文件中的Backbone层的C3模块之后加入CA模块；所述Prediction层为预测部分，在其中增加一个小目标检测层，用...

【专利技术属性】
技术研发人员：丰慧，张焱，刘颖，解春艳，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：