System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及信息,具体而言,涉及一种安全手套识别方法、装置、存储介质及电子设备。
技术介绍
1、近年来,生产事故的频发使得安全生产备受关注,在工厂生产中,作业人员几乎每时每刻都在与机器打交道,而手部作为与机器接触最频繁的身体部位,其可能损伤的风险也是最高的,因此有必要实时监管工业现场手套规范佩戴情况,及时提醒作业人员安全作业。
2、目前,通常直接采用现有的神经网络模型进行安全生产相关检测。然而,由于现有神经网络模型的参数量和计算量较大,在复杂的工业现场中会受到平台算力资源的限制,因此无法实现作业人员安全手套佩戴情况的有效检测。
技术实现思路
1、本专利技术提供一种安全手套识别方法、装置、存储介质及电子设备,主要在于能够对模型进行轻量化处理,使其能够轻易部署在算力资源受限的平台上,从而能够实现作业人员安全手套佩戴情况的有效检测。
2、根据本专利技术实施例的第一方面,提供一种安全手套识别方法,包括:
3、获取作业人员的现场作业图像,以及预设安全手套识别模型,其中,所述预设安全手套识别模型包括图像特征提取网络、图像特征融合网络和分类网络;
4、基于所述图像特征提取网络,提取所述现场作业图像对应的图像特征,其中,所述图像特征提取网络包括多个首尾相连的瓶颈层,所述瓶颈层采用指数滑动平均注意力机制;
5、根据所述图像特征融合网络,对提取的所述图像特征进行特征融合,得到融合图像特征;
6、将所述融合图像特征输入至所述分类网
7、根据本专利技术实施例的第二方面,提供一种安全手套识别装置,包括:
8、获取单元,用于获取作业人员的现场作业图像,以及预设安全手套识别模型,其中,所述预设安全手套识别模型包括图像特征提取网络、图像特征融合网络和分类网络;
9、提取单元,用于基于所述图像特征提取网络,提取所述现场作业图像对应的图像特征,其中,所述图像特征提取网络包括多个首尾相连的瓶颈层,所述瓶颈层采用指数滑动平均注意力机制;
10、融合单元,用于根据所述图像特征融合网络,对提取的所述图像特征进行特征融合,得到融合图像特征;
11、分类单元,用于将所述融合图像特征输入至所述分类网络中进行分类,并根据分类结果判定所述作业人员是否佩戴安全手套。
12、根据本专利技术实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
13、获取作业人员的现场作业图像,以及预设安全手套识别模型,其中,所述预设安全手套识别模型包括图像特征提取网络、图像特征融合网络和分类网络;
14、基于所述图像特征提取网络,提取所述现场作业图像对应的图像特征,其中,所述图像特征提取网络包括多个首尾相连的瓶颈层,所述瓶颈层采用指数滑动平均注意力机制;
15、根据所述图像特征融合网络,对提取的所述图像特征进行特征融合,得到融合图像特征;
16、将所述融合图像特征输入至所述分类网络中进行分类,并根据分类结果判定所述作业人员是否佩戴安全手套。
17、根据本专利技术实施例的第四方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
18、获取作业人员的现场作业图像,以及预设安全手套识别模型,其中,所述预设安全手套识别模型包括图像特征提取网络、图像特征融合网络和分类网络;
19、基于所述图像特征提取网络,提取所述现场作业图像对应的图像特征,其中,所述图像特征提取网络包括多个首尾相连的瓶颈层,所述瓶颈层采用指数滑动平均注意力机制;
20、根据所述图像特征融合网络,对提取的所述图像特征进行特征融合,得到融合图像特征;
21、将所述融合图像特征输入至所述分类网络中进行分类,并根据分类结果判定所述作业人员是否佩戴安全手套。
22、本专利技术提供的一种安全手套识别方法、装置、存储介质及电子设备,与现有技术相比,能够获取作业人员的现场作业图像,以及预设安全手套识别模型,其中,所述预设安全手套识别模型包括图像特征提取网络、图像特征融合网络和分类网络,之后基于所述图像特征提取网络,提取所述现场作业图像对应的图像特征,其中,所述图像特征提取网络包括多个首尾相连的瓶颈层,所述瓶颈层采用指数滑动平均注意力机制,接着根据所述图像特征融合网络,对提取的所述图像特征进行特征融合,得到融合图像特征,最终将所述融合图像特征输入至所述分类网络中进行分类,并根据分类结果判定所述作业人员是否佩戴安全手套。由此可知,本专利技术通过在图像特征提取网络中引入瓶颈层,并采用指数滑动平均注意力机制,能够实现安全手套识别模型的轻量化处理,使其能够轻易部署在算力资源受限的平台上,从而能够实现作业人员安全手套佩戴情况的有效检测。
23、本专利技术的创新点如下:
24、1、本专利技术将yolov8n作为安全手套识别模型的基本框架,并引入mobilenetv3网络作为轻量级的图像特征提取网络,实现了模型的轻量化处理即将模型参数量降低至2.35m,计算量减少至5.8gflops,体积压缩至5.0m,轻量化效果显著。
25、2、在图像特征融合网络中设计了全新的c2fghost模块,并引入ghostconv模块,与此同时,使用lwiouv3锚框质量损失函数,进一步降低了参数量、计算量和模型大小,同时提高了安全手套的识别精度。改进后的安全手套识别模型的参数量、计算量和模型体积只有1.50m、5.8gflops和3.3m,且检测性能并未下降。
26、上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
本文档来自技高网...【技术保护点】
1.一种安全手套识别方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述基于所述图像特征提取网络,提取所述现场作业图像对应的图像特征,包括:
3.根据权利要求2所述的方法,其特征在于,将所述第一特征输入至所述图像特征提取网络中的瓶颈层进行特征提取,得到所述现场作业图像对应的第二特征,包括:
4.根据权利要求1所述的方法,其特征在于,根据所述图像特征融合网络,对提取的所述图像特征进行特征融合,得到融合图像特征,包括:
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
6.根据权利要求5所述的方法,其特征在于,分别构建初始图像特征提取网络和初始图像特征融合网络,包括:
7.根据权利要求5所述的方法,其特征在于,所述利用动态非单调聚焦机制,构建所述初始安全手套识别模型对应的锚框质量损失函数,包括:
8.一种安全手套识别装置,其特征在于,包括:
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种安全手套识别方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述基于所述图像特征提取网络,提取所述现场作业图像对应的图像特征,包括:
3.根据权利要求2所述的方法,其特征在于,将所述第一特征输入至所述图像特征提取网络中的瓶颈层进行特征提取,得到所述现场作业图像对应的第二特征,包括:
4.根据权利要求1所述的方法,其特征在于,根据所述图像特征融合网络,对提取的所述图像特征进行特征融合,得到融合图像特征,包括:
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
6.根据权利要求5所述的方法,其...
【专利技术属性】
技术研发人员:周科宇,彭鹏志,孔德聪,方达龙,李兴豪,
申请(专利权)人:西部科学城智能网联汽车创新中心重庆有限公司,
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。