【技术实现步骤摘要】
本专利技术属于目标检测领域，涉及一种行车作业危险区域人员入侵实时检测方法及系统。
技术介绍
1、大部分作业车间都配备了监控设备用于安全管理，但是对监控设备的用法往往是安全管理人员通过人工检测的方法检查作业人员是否入侵危险区域，这就造成监测效率低下，监测准确度低，往往只能进行事后的事故分析，不能起到预警的作用。
2、因此，近来随着深度学习技术在计算机视觉领域的发展，陆续有人开始研究作业人员对危险区域的入侵检测问题，从而可以自动化发出警报，提升安全监测效率，降低人员作业时的事故发生率。
3、专利cn116859804a公开了一种面向船舶制造车间的安全态势监测预警系统。其主要通过设备感知模块、数据采集模块、功能分析模块和检测预警模块进行一种车间的安全态势的监测与预警。该专利提出了一种通用的整体框架流程，但是没有结合最新的计算机视觉技术，提升检测的精度和速度；同时也没有结合具体的场景，说明如何获取现场的各种数据。
4、专利cn114373162a公开了一种用于变电站视频监控的危险区域人员入侵检测方法及系统。其主要通过语义分割模型分别识别出人员和人员通道，再进行黑白掩码处理，最后基于人员和人员通道掩码图的交并关系判断人员是否进入通道的危险区域。该专利问题在于：一是语义分割模型虽然精度高，但是检测速度慢，尤其在小目标场景下，检测精度和目标识别模型效果差距不大；二是没有计算人员和通道之间的交并比，只是简单判断了二者是否有重叠区，因此用户不能根据自己需求，灵活调整报警系统的灵敏度。
5、根据现有研
6、因此，本专利技术根据应用场景，提出一种可以用于行车作业危险区域人员入侵实时检测方法，其可以通过yolov8目标检测算法，同时保证精度和速度的前提下，实时监测人员位置；并且用户可以自定义阈值参数，以调整检测系统的报警精度，减少误判；同时结合本专利技术应用场景，通过多个条件判断是否报警，而不是通过单一的交并关系判断。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种行车作业危险区域人员入侵实时检测方法及系统。
2、为达到上述目的，本专利技术提供如下技术方案：
3、行车作业危险区域人员入侵实时检测方法，该方法包括如下步骤：
4、s1：针对人员入侵的小目标检测需求，对目标检测网络即yolo v8网络模型进行改进，即引入更加注重检测边界框差异的归一化wasserstein distance损失函数，使骨干检测模型在小目标任务上有更高的精度；
5、s2：完成模型的设计后，从行车的监控设备中导出视频流，调用s1中改进后的模型对视频流中每一帧行车监控场景实时进行小目标检测，标定出作业人员；
6、s3：判定是否发出警报，满足以下两个条件发出警报：
7、判定作业人员进入危险区域；
8、行车吊起的重物离地超过规定值；
9、通过设计异步算法，计算两个条件：(1)重物的离地高度；(2)作业人员与危险区域面积的交并比；如果两个条件同时不满足规定值，则调用预警及信息存储模块，发出警告，并且报警信息存储到服务器数据库中。
10、可选的，所述s1中，收集行车区域监控视频，利用视频重新训练改进后的yolo v8模型，使其获得行车作业场景下的视觉特征信息；
11、所述改进后的yolo v8模型的结构包括骨干网络、特征融合模块和解耦头结构；
12、其中，骨干网络使用cspdarknet53，用于抽取视频的视觉特征；
13、特征融合模块使用pafpn方法，通过上采样层和下采样层，分别融合高层次和低层次的特征，即分别识别作业人员的整体和局部特征；
14、解耦头结构用于将模型的图像分类和图像检测分开处理，让模型专注本场景的检测作业人员任务。
15、可选的，所述行车作业场景中，将yolo v8网络模型损失函数改进为归一化wasserstein distance损失函数，损失函数的公式为：
16、
17、其中，lnwd是归一化高斯wasserstein距离损失；μ1,μ2是从网络预测和实际标签中提取的二维高斯分布参数；m1,m2是两个二维高斯分布均值；σ1，σ2是两个二维高斯分布的协方差矩阵；
18、所述s2中，对输入进模型的监控视频流进行预处理：使用opencv库读取视频流，并将其解码为帧序列；为匹配yolo v8模型的输入尺寸，使用opencv缩放并裁剪原始图像至合理尺寸。
19、可选的，所述s2中，通过改进后的yolo v8模型，对视频流中的每一帧行车监控视频进行实时的目标检测，输出结果为n个三维矩阵[x1,x2,x3]，其中n表示检测到的作业人员数量；向量x1表示模型预测的边界框，有四个维度，即边界框的中心点坐标(x,y)以及边界框的宽度和高度(w,h)；向量x2表示对象置信度，只有一个维度，代表边界框中存在作业人员或者危险区域的可能性，取值在0-1之间；向量x3表示类别置信度分数，只有一个维度，表示作业人员。
20、可选的，所述s3中，针对测量重物离开地面距离的需求，确定行车的固定离地高度和重物的模块化尺寸；测试并记录不同吊起数量重物时，行车放出的吊绳长度，建立重物数量与吊绳长度、重物数量与重物整体高度的对应关系表；在行车吊钩处安装激光传感器，以实时监测吊钩放出的吊绳长度；根据吊绳长度实时得到重物的整体高度；
21、计算离地高度，公式为：离地高度＝行车高度-吊绳当前放下长度-重物整体高度；
22、设置高度阈值，当这个离地高度超过这个高度阈值时，表明作业人员离开危险区域。
23、可选的，所述s3中，针对计算作业人员和危险区域的面积的交并比需求，计算作业人员和危险区域的交集，然后计算两者的并集区域，接着计算两个区域的交并比iou，最后设置区域阈值，当iou大于区域阈值时，认为作业人员已经进入危险区域。
24、可选的，所述高度阈值用ɑ表示，ɑ为10cm；
25、所述区域阈值用β表示，β取值范围为(0,0.3]。
26、可选的，所述计算作业人员和危险区域的交集，然后计算两者的并集区域，接着计算两个区域的交并比iou，具体为：
27、s31：获取二者的边界框坐标；
28、s32：计算两个边界框左上角坐标的最大值，得到交集区域的左上角坐标；同理计算两个边界框右下角坐标的最小值，得到交集区域的右下角坐标；
29、s33：如果左上角坐标小于右下角坐标，那么说明两个边界框存在交集区域，反之二者没有重叠区域；
30、s34：通过坐标计算交集区域大小；
31、s35：计算两个边界框大小，相加后再减去交集本文档来自技高网...
【技术保护点】
1.行车作业危险区域人员入侵实时检测方法，其特征在于：该方法包括如下步骤：
2.根据权利要求1所述的行车作业危险区域人员入侵实时检测方法，其特征在于：所述S1中，收集行车区域监控视频，利用视频重新训练改进后的YOLO V8模型，使其获得行车作业场景下的视觉特征信息；
3.根据权利要求2所述的行车作业危险区域人员入侵实时检测方法，其特征在于：所述行车作业场景中，将YOLO V8网络模型损失函数改进为归一化Wasserstein Distance损失函数，损失函数的公式为：
4.根据权利要求3所述的行车作业危险区域人员入侵实时检测方法，其特征在于：所述S2中，通过改进后的YOLO V8模型，对视频流中的每一帧行车监控视频进行实时的目标检测，输出结果为n个三维矩阵[x1,x2,x3]，其中n表示检测到的作业人员数量；向量x1表示模型预测的边界框，有四个维度，即边界框的中心点坐标(x,y)以及边界框的宽度和高度(w,h)；向量x2表示对象置信度，只有一个维度，代表边界框中存在作业人员或者危险区域的可能性，取值在0-1之间；向量x3表示类别置信度分数，只
5.根据权利要求4所述的行车作业危险区域人员入侵实时检测方法，其特征在于：所述S3中，针对测量重物离开地面距离的需求，确定行车的固定离地高度和重物的模块化尺寸；测试并记录不同吊起数量重物时，行车放出的吊绳长度，建立重物数量与吊绳长度、重物数量与重物整体高度的对应关系表；在行车吊钩处安装激光传感器，以实时监测吊钩放出的吊绳长度；根据吊绳长度实时得到重物的整体高度；
6.根据权利要求5所述的行车作业危险区域人员入侵实时检测方法，其特征在于：所述S3中，针对计算作业人员和危险区域的面积的交并比需求，计算作业人员和危险区域的交集，然后计算两者的并集区域，接着计算两个区域的交并比IOU，最后设置区域阈值，当IOU大于区域阈值时，认为作业人员已经进入危险区域。
7.根据权利要求6所述的行车作业危险区域人员入侵实时检测方法，其特征在于：所述高度阈值用ɑ表示，ɑ为10cm；
8.根据权利要求6所述的行车作业危险区域人员入侵实时检测方法，其特征在于：所述计算作业人员和危险区域的交集，然后计算两者的并集区域，接着计算两个区域的交并比IOU，具体为：
9.根据权利要求8所述的行车作业危险区域人员入侵实时检测方法，其特征在于：所述S31中，以图像左上角为坐标原点，边界框坐标表示为和
10.基于权利要求1～9中任一项所述方法的行车作业危险区域人员入侵实时检测系统，其特征在于：该系统包括危险区域监测模块、入侵状态判断模块、远程访问模块、预警及信息存储模块；
...【技术特征摘要】
1.行车作业危险区域人员入侵实时检测方法，其特征在于：该方法包括如下步骤：
2.根据权利要求1所述的行车作业危险区域人员入侵实时检测方法，其特征在于：所述s1中，收集行车区域监控视频，利用视频重新训练改进后的yolo v8模型，使其获得行车作业场景下的视觉特征信息；
3.根据权利要求2所述的行车作业危险区域人员入侵实时检测方法，其特征在于：所述行车作业场景中，将yolo v8网络模型损失函数改进为归一化wasserstein distance损失函数，损失函数的公式为：
4.根据权利要求3所述的行车作业危险区域人员入侵实时检测方法，其特征在于：所述s2中，通过改进后的yolo v8模型，对视频流中的每一帧行车监控视频进行实时的目标检测，输出结果为n个三维矩阵[x1,x2,x3]，其中n表示检测到的作业人员数量；向量x1表示模型预测的边界框，有四个维度，即边界框的中心点坐标(x,y)以及边界框的宽度和高度(w,h)；向量x2表示对象置信度，只有一个维度，代表边界框中存在作业人员或者危险区域的可能性，取值在0-1之间；向量x3表示类别置信度分数，只有一个维度，表示作业人员。
5.根据权利要求4所述的行车作业危险区域人员入侵实时检测方法，其特征在于：所述s3中，针对测量重物离开地面距离的需求，确定行车的固定离地高...
【专利技术属性】
技术研发人员：魏伏佳，李凯，陈耀坤，马远，薛光迪，彭炼，鲁攀，丁准，
申请(专利权)人：中机中联工程有限公司，
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。