基于图像识别的仓库危险动作识别方法技术

本发明专利技术涉及一种基于图像识别的仓库危险动作识别方法

【技术实现步骤摘要】
基于图像识别的仓库危险动作识别方法、装置及存储介质


[0001]本专利技术涉及图像识别
，尤其是涉及一种基于图像识别的仓库危险动作识别方法
、
装置及存储介质
。

技术介绍

[0002]随着物流
、
仓储业务的迅速发展，仓库的规模和复杂性逐渐增加，也引发了对仓库安全管理的更高要求
。
危险动作的及时识别和处理成为保障仓库人员和资产安全的关键环节
。
传统的危险动作识别方法多依赖于人工监控，然而，由于人工监控的主观性
、
疲劳性和受限性，使得这些方法难以满足大规模仓库的实际需求
。
另外，传统方法往往难以应对危险动作识别的准确度和实时性
。

技术实现思路

[0003]本专利技术的目的是为了提供一种全面
、
高效的基于图像识别的仓库危险动作识别方法
、
装置及存储介质，摆脱人工监控的局限性，提高仓库危险动作识别的准确性和实时性
。
[0004]本专利技术的目的可以通过以下技术方案来实现：
[0005]一种基于图像识别的仓库危险动作识别方法，包括以下步骤：
[0006]S1、
获取危险动作图片构建样本集，将样本集划分为训练集和测试集；
[0007]S2、
基于神经网络构建危险动作识别模型并利用训练集作为模型输入进行模型训练；
[0008]S3、
基于测试集对危险动作识别模型进行可靠性验证，验证通过后得到危险动作识别优化模型；
[0009]S4、
实时采集仓库全域图像或视频数据输入危险动作识别优化模型，输出危险动作识别结果
。
[0010]本技术方案中，首先，通过收集大量危险动作图片，构建丰富的样本集；将样本集合理地分为训练集和测试集，使模型在训练时充分学习和泛化，而在测试中进行可靠评估；利用样本集，建立神经网络模型，通过深度学习技术，模型能够学习并理解不同危险动作的特征和模式，从而在图像中识别这些动作
。
利用测试集，对模型进行可靠性验证；验证通过后，优化模型能够更准确地识别危险动作，有效减少误识别率，增强系统稳定性；利用实时数据采集，系统能够时刻监控仓库内的动作情况
。
这样，一旦发现危险动作，系统能够及时作出反应；通过与优化模型联动，系统能够迅速识别出危险动作，并根据情况触发报警或警示，及时采取措施
。
这种联动使得系统在保障仓库安全的同时，也提高了管理效率；该方案能够通过深度学习模型的建立和优化，实现对仓库内危险动作的准确识别；提升了仓库的安全性，防范了潜在的安全隐患，有效降低了事故风险，同时也提高了仓库的管理效率
。
[0011]进一步地，所述获取危险动作图片构建样本集包括如下步骤：
[0012]对危险动作图片进行标定，基于标定结果对危险动作图片进行归类得到样本图片集；
[0013]依次提取样本图片集中的关键点坐标信息
、
运动轨迹信息
、
动作速度信息
。
[0014]本技术方案中，在构建样本集时，将危险动作图片进行标定，即标记出动作的关键区域，基于标定结果，对危险动作图片进行归类，将相似的动作归为同一类别，构建样本图片集，可以提高模型对不同危险动作的辨识度，增加了数据的多样性，有助于模型更好地学习和泛化
。
[0015]进一步地，所述依次提取样本图片集中关键点坐标信息
、
运动轨迹信息
、
动作速度信息具体为：
[0016]使用人体关键点检测模型定位样本图片中人体的关键点坐标信息；
[0017]对视频数据中的连续帧的危险动作图片进行跟踪，获得每个关键点的运动轨迹信息；
[0018]计算人体关键点在相邻帧之间的距离变化和时间间隔，得到关键点的运动速度信息
。
[0019]本技术方案中，首先，通过人体关键点检测模型，精确地定位样本图片中人体的关键点坐标信息，从而准确捕捉人体姿势；然后，对视频数据中的连续帧的危险动作图片进行跟踪，获得每个关键点的运动轨迹信息，使得模型能够理解动作的流程和路径；最后，通过计算人体关键点在相邻帧之间的距离变化和时间间隔，得到关键点的运动速度信息，有助于识别一些需要快速动作的危险行为
。
[0020]进一步地，所述将样本集划分为训练集和测试集具体为：将样本集按
3:1
的比例划分为训练集和测试集
。
[0021]进一步地，所述危险动作识别模型基于卷积神经网络或循环神经网络中的一种构建
。
[0022]进一步地，所述对危险动作识别模型进行可靠性验证的方法包括交叉验证和混淆矩阵分析验证
。
[0023]进一步地，所述危险动作识别模型包括输入层
、
隐含层和输出层，所述输入层包括4个输入单元，所述输出层包括2个输出单元，所述隐含层包括4个隐含单元，每一个隐含单元包括卷积层
、
池化层和全连接层
。
[0024]进一步地，所述
S4
中，当输出的危险动作识别结果判定为识别出危险动作时，触发报警模块发出报警信息
。
[0025]一种基于图像识别的仓库危险动作识别装置，包括存储器
、
处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现如上述所述的方法
。
[0026]一种存储介质，其上存储有程序，所述程序被执行时实现如上述所述的方法
。
[0027]与现有技术相比，本专利技术具有以下有益效果：
[0028](1)
本专利技术的仓库危险动作识别方法，通过深度学习模型的建立和优化，实现对仓库内危险动作的准确识别；提升了仓库的安全性，防范了潜在的安全隐患，有效降低了事故风险，同时也提高了仓库的管理效率
。
[0029](2)
本专利技术能够精确捕捉危险动作的关键信息，包括姿势
、
轨迹和速度，使得模型在进行识别时更加准确和全面
。
[0030](3)
本专利技术通过对提取的数据的综合分析，能够更可靠地判断是否存在危险动作，进而提升了识别的精准度和可信度，加强了仓库安全的保障
。
附图说明
[0031]图1为本专利技术的方法流程图
。
具体实施方式
[0032]下面结合附图和具体实施例对本专利技术进行详细说明
。
本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例
。
[0033]实施例1[0034]本实施例提供一种基于图像识别的仓库危险动作识别方法，如图1所示，包括以下步骤：
[0035]S1、
获取危险动作图片构建样本集，将样本集划分为训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图像识别的仓库危险动作识别方法，其特征在于，包括以下步骤：
S1、
获取危险动作图片构建样本集，将样本集划分为训练集和测试集；
S2、
基于神经网络构建危险动作识别模型并利用训练集作为模型输入进行模型训练；
S3、
基于测试集对危险动作识别模型进行可靠性验证，验证通过后得到危险动作识别优化模型；
S4、
实时采集仓库全域图像或视频数据输入危险动作识别优化模型，输出危险动作识别结果
。2.
根据权利要求1所述的一种基于图像识别的仓库危险动作识别方法，其特征在于，所述获取危险动作图片构建样本集包括如下步骤：对危险动作图片进行标定，基于标定结果对危险动作图片进行归类得到样本图片集；依次提取样本图片集中的关键点坐标信息
、
运动轨迹信息
、
动作速度信息
。3.
根据权利要求2所述的一种基于图像识别的仓库危险动作识别方法，其特征在于，所述依次提取样本图片集中关键点坐标信息
、
运动轨迹信息
、
动作速度信息具体为：使用人体关键点检测模型定位样本图片中人体的关键点坐标信息；对视频数据中的连续帧的危险动作图片进行跟踪，获得每个关键点的运动轨迹信息；计算人体关键点在相邻帧之间的距离变化和时间间隔，得到关键点的运动速度信息
。4.
根据权利要求1所述的一种基于图像识别的仓库危险动作识别方法，其特征在于，...

【专利技术属性】
技术研发人员：朴学龙，张仓，秦崇文，张有杰，韩磊，刘正仁，刘小龙，周旭顺，曾放云，周雅洁，
申请(专利权)人：上海妃鱼网络科技有限公司，
类型：发明
国别省市：