【技术实现步骤摘要】
本专利技术涉及计算机，特别涉及一种工人安全行为检测方法、系统、存储介质及电子设备。
技术介绍
1、近年来，由于建筑工地施工现场的工人缺乏安全意识，时常忽视安全帽正确佩戴与禁止吸烟的规定，造成了许多不必要的意外事故。如果依靠人工方法对工人进行安全帽佩戴与吸烟行为的检测与提醒，则所消耗人力物力过高、且无法做到实时监控；采用传感器通过安全帽与员工头部接触来检测的方法则需要对所有安全帽进行传感器的加装，成本高昂的同时还会给工人的佩戴带来不适感，并且使用传感器来对工人吸烟行为的检测受环境因素影响大，尤其是在露天施工场地，传感器对烟雾检测效果很低。随着深度学习的不断发展，基于视觉的目标检测方法对工人安全行为进行监控成为一个热门研究方向。
2、然而现有常用的目标检测技术，尽管已经能够做到不错的检测效果，但仍无法在施工场地这类复杂环境下很好地完成对工人安全行为中安全帽佩戴的检测，特别是吸烟行为检测中对烟头这类较小尺寸的小目标检测，存在检测错误与遗漏现象。此外现有检测模型的结构复杂、参数量大，阻碍了其在工业生产中的应用，特别是在终端算力、能耗受限的场景下，很难做到广泛部署。
3、针对工人安全帽佩戴与吸烟两种安全行为的检测，目前存在以下难题：
4、首先，安全帽的佩戴角度会因人员的不同而有所变化，摄像头拍摄远近的不同，导致了不同的安全帽检测目标具有不同的形状甚至不同尺寸，模型需要具备适应性，能够准确地检测各种角度和大小的安全帽。
5、其次，香烟的尺寸较小，现有各类目标检测模型对于小目标检测的效果都差强人
6、最后，现有检测效果较好的目标检测模型往往模型复杂度高，参数数量大，对需要部署运行的设备有较高计算资源的要求，因此很难将此类目标检测模型部署到例如监控摄像头这种资源受限的终端。
技术实现思路
1、基于此，本专利技术的目的是提供一种工人安全行为检测方法、系统、存储介质及电子设备，旨在解决现有技术中检测方法存在检测错误与遗漏现象，且检测模型结构复杂、参数量大需要大量算力和能耗的问题。
2、根据本专利技术实施例的一种工人安全行为检测方法，所述方法包括：
3、获取工地中工人行为的图像样本，对所述图像样本进行标注，得到标注安全行为的样本数据集，并对所述样本数据集中的样本进行预处理，再根据预设比例将预处理后的所述样本数据集分为训练集和测试集；
4、根据所述训练集通过预设网络模型进行网络训练，并通过预设损失函数判断所述预设网络模型的训练效果；
5、当所述预设网络模型的损伤函数值的变化幅度小于预设值时，将所述测试集导入训练后的所述预设网络模型，判断训练后的所述预设网络模型的准确率是否达到预设值，若是，结束对所述预设网络模型的训练，得到目标网络模型；
6、将所述目标网络模型部署至具有拍摄功能的移动终端中，以对通过所述移动终端对工人安全行为进行监测。
7、另外，根据本专利技术上述实施例的一种工人安全行为检测方法，还可以具有如下附加的技术特征：
8、进一步地，所述对所述样本数据集中的样本进行预处理，包括：
9、将所述样本中的图片进行缩放并统一为预设像素大小；
10、对缩放后的所述图片进行数据清洗，以去除不完整或存在噪声的数据；
11、随机选取预设数量清洗后的所述图片，并对所述图片进行随机扰动，以实现对所述图片的增强，并将增强后的所述图片和清洗后的所述图片进行标注以便于后续所述预设网络模型的训练。
12、进一步地，所述预设损失函数包括分类损失函数与定位损失函数，所述定位损失函数包括交并比损失函数和分布聚焦损失函数，所述预设损失函数为：
13、
14、式中，式中，为权重系数，为预设损失函数值，为分类损失函数值，为交并比损失函数值，为分布聚焦损失函数值。
15、进一步地，所述分类损失函数为：
16、，
17、式中，为分类损失函数值，为目标框中的真实类别，为预设框中类别预测分数，为类别总数。
18、进一步地，所述交并比损失函数为：
19、；
20、；
21、；
22、式中，为交并比损失函数值，为预测框，为真实框，为预测的边界框和真实边界框之间的覆盖程度，为预测框和真实框交集面积的平方，为预测框和真实框的对角线长度一半的平方，为权重函数，为度量真实边界框与预测边界框之间长宽比相似性的函数，为真实边界框的宽度，为真实边界框的高度，为预测边界框的宽度，为预测边界框的高度；
23、所述分布聚焦损失函数为：
24、；
25、式中，为向下取整后得到的预测值，为向上取整后得到的预测值，为目标中心点与预测框上下左右四条中某一边的距离往下采用倍速缩放后的映射值，为对应的预测概率，为对应的预测概率。
26、进一步地，所述将所述目标网络模型部署至具有拍摄功能的移动终端中，以对通过所述移动终端对工人安全行为进行监测的步骤之后包括：
27、通过所述具有拍摄功能的移动终端获取背景图片；
28、根据所述背景图片通过所述目标网络模型获取检测结果图片，并根据所述检测结果图片判断是否存在特征行为，所述特征行为至少包括抽烟行为和不佩戴安全帽行为；
29、若是，则将预警信息发送至管理员以进行预警。
30、进一步地，所述目标网络模型包括backbone端、neck端和head端，所述backbone端包括用于初步特征提前的卷积层、用于深层次提取的多层shuffle模块以及设置在backbone端末端的sppf模块，所述neck端包括，上采样模块、拼接模块、ema模块和动态蛇形卷积层，所述sppf模块包括多个最大池化层，所述根据所述背景图片通过所述目标网络模型获取检测结果图片的步骤包括：
31、根据所述背景图片通过backbone端进行特征提取得到特征提取图；
32、通过所述上采样模块采集通过不同次数所述最大池化层的所述特征提取图，并通过所述拼接模块，将没有经过所述最大池化层的所述特征提取图和每多经过一层所述最大池化层的特征提取图进行拼接得到输出特征图；
33、根据所述输出特征图通过所述ema模块和动态蛇形卷积层得到不同大小的所述目标检测特征图；
34、所述目标检测特征图通过head端进行目标类别预测与目标位置预测，以输出检测结果图片。
35、本专利技术实施例的另一个目的在于提供一种工人安全行为检测系统，所述系统包括：
36、数据处理模块，用于获取工地中工人行为的图像样本，对所述图像样本进行标注，得到标注安全行为的样本数据集，并对所述样本数据集中的样本进行预处理，再根据预设比例将预处理后的所述样本数据集分为训练集和测试集；
37、模型训练模块，用于根据所述训练集通过预设网络模型进行网络训练，并通过预设损失函数本文档来自技高网...
【技术保护点】
1.一种工人安全行为检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的工人安全行为检测方法，其特征在于，所述对所述样本数据集中的样本进行预处理，包括：
3.根据权利要求1所述的工人安全行为检测方法，其特征在于，所述预设损失函数包括分类损失函数与定位损失函数，所述定位损失函数包括交并比损失函数和分布聚焦损失函数，所述预设损失函数为：
4.根据权利要求3所述的工人安全行为检测方法，其特征在于，所述分类损失函数为：
5.根据权利要求3所述的工人安全行为检测方法，其特征在于，所述交并比损失函数为：
6.一种工人安全行为检测系统，其特征在于，用于实现如权利要求1至5中任意一项所述的工人安全行为检测方法，所述系统包括：
7.一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，所述程序被处理器执行时实现如权利要求1至5中任意一项所述的工人安全行为检测方法的步骤。
8.一种电子设备，其特征在于，包括存储器、处理器以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如权利
...【技术特征摘要】
1.一种工人安全行为检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的工人安全行为检测方法，其特征在于，所述对所述样本数据集中的样本进行预处理，包括：
3.根据权利要求1所述的工人安全行为检测方法，其特征在于，所述预设损失函数包括分类损失函数与定位损失函数，所述定位损失函数包括交并比损失函数和分布聚焦损失函数，所述预设损失函数为：
4.根据权利要求3所述的工人安全行为检测方法，其特征在于，所述分类损失函数为：
5.根据权利要求3所述的工人安全行为检测方法，...
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。