【技术实现步骤摘要】
本专利技术属于计算机视觉，具体是一种针对塔吊驾驶员危险行为的目标检测方法。
技术介绍
1、在建筑施工行业，塔式起重机(塔机、塔吊)是大部分建筑工地必备的设备。塔吊具有运行效率很高、操作比较灵活、运转速度比较快等特点，对建筑工地节省建设成本、工地进展效率的提高以及建筑质量等方面都起到巨大的作用。然而，由于塔吊违规超限作业等引起的安全事故频繁发生，造成生命财产的巨大损失。这些安全事故的发生大部分都是因为塔吊驾驶员违规行为，比如在操作过程中抽烟、打电话等。
2、由于塔吊操作室面积小、位置高等问题，传统的工地安全管理只能通过在地面设计安全条例等方法对驾驶员的行为进行规范。但是这类方法管理成本高、效率低、且无法有效监督驾驶员达到降低事故发生率的目的。
3、近年来，摄像头[1]、深度学习[2]等新技术的发展为降低事故发生率提供了新的可能。通过在塔吊操作室加装摄像头，工地管理人员在地面上可以对塔吊驾驶员的行为进行监控，对于危险行为持续检测。
4、目前基于深度学习的目标检测算法分为两大类：通过神经网络产生候选区域，再对候选区域的目标进行分类的二阶段(two stage)算法，比如fast r-cnn[3]、faster r-rcnn[4]等；还有通过一个神经网络直接输出目标的位置和类别信息的一阶段(one stage)算法，比如yolo[5][6]系列和sdd[7]等。
5、对于工地危险行为，赵江河等[8]在center网络中引入ciou损失函数解决安全帽定位不准，通过残差链接特征网络和上采样的特
6、参考文献：
7、[1]张静.基于深度学习的目标检测系统在工地中的研究与应用[d].浙江科技学院,2022.doi:10.27840/d.cnki.gzjkj.2022.000204；
8、[2]dong s,wang p,abbas k.a survey on deep learning and itsapplications[j].computer science review,2021,40:100379；
9、[3]girshick r.fast r-cnn[c]//proceedings of the ieee internationalconferenceon computer vision，chile，dec 13-16，2015.new york：ieee，2015：1440-1448；
10、[4]ren s q，he k m，girshick r，et al.faster r-cnn：towards real-timeobject detection with region proposal networks[j].ieee transactions onpattern analysis and machine intelligence，2017，39(6)：1137-1149；
11、[5]bochkovskiy,a.,wang,c.,&liao,h.m.(2020).yolov4:optimal speed andaccuracy of object detection.arxiv,abs/2004.10934；
12、[6]wang,c.,bochkovskiy,a.,&liao,h.m.(2022).yolov7:trainable bag-of-freebies sets new state-of-the-art for real-time object detectors.arxiv,abs/2207.02696；
13、[7]liu w，anguelov d，erhan d，et al.ssd：single shot multibox detector[c]//proceedings of the european conference on computer vision，netherlands，oct 10-16，2016.berlin，heidelberg：springer-verlag，2016：21-37；
14、[8]赵江河,王海瑞,朱贵富等.改进centernet的小目标安全帽检测算法[j].陕西理工大学学报(自然科学版),2023,39(03):40-47；
15、[9]宋志瑶.面向智慧工地的遗留物检测与识别研究[d].重庆理工大学,2022.doi:10.27753/d.cnki.gcqgx.2022.000458。
技术实现思路
1、本专利技术针对塔吊驾驶员驾驶场景，公开一种针对塔吊驾驶员危险行为的目标检测方法。该方法通过改进yolov7目标检测算法，结合多种成熟的方法，从而达到对塔吊驾驶员危险行为更好的检测效果。
2、本专利技术一种针对塔吊驾驶员危险行为的目标检测方法，包括如下步骤：
3、步骤1：收集塔吊驾驶室操作人员行为图像样本数据，制作数据集；
4、步骤2：对图像数据进行预处理；
5、步骤3：通过改进yolov7主干网络，输入处理后的图像数据，并对输入图像进行特征提取；
6、步骤4：通过改进yolov7增强网络，融合主干网络提取的图像特征；
7、步骤5：通过改进yolov7预测网络，对塔吊驾驶场景下危险行为小目标(如烟和电话)进行分类和边界框回归；
8、步骤6：对预测网络的检测结果进行分类和位置预测，输出最终检测结果。
9、本专利技术方法中，步骤1所述制作数据集，数据一部分挑选kaggle的cigarettesmoker detection数据集以及阿里天池的吸烟、打电话行为图片数据集，一部分为采集的塔吊驾驶室监控图像，命名为2c(cigarette and cell phone)数据集，并按照6：2：2的比例划分为训练集、测试集、验证集；
10、数据集中对象包含两类物体，分别是烟头和电话，对应塔吊驾驶员的抽烟和打电话这两类危险行为。
11、收集到的数据集大部分是小目标，同时分辨率不统一；塔吊驾驶室监控图像由于塔吊驾驶室条件受限，图像存在尺度变化的情况。
12、步骤2所述图像数据预处理，包括获取图像样本数据，读取图像并进行图像裁剪以及图像去噪，并在yolov7原有的mosaic高阶数据增强策略和自适应图像调整策略的基础上加入mixup数据增强方法。
13、针对模型检测的塔吊驾驶员危险行为的小目标对象，通过在训练过程中合成新的训练样本，增加训练数据的多样性，提高了模型对小目标的泛化能力。
【技术保护点】
1.一种针对塔吊驾驶员危险行为的目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的目标检测方法，其特征在于：
3.根据权利要求1所述的目标检测方法，其特征在于：
4.根据权利要求1所述的目标检测方法，其特征在于：
5.根据权利要求1所述的目标检测方法，其特征在于：
6.根据权利要求1所述的目标检测方法，其特征在于：
7.根据权利要求1所述的目标检测方法，其特征在于：步骤6所述对检测结果进行分类和位置预测，引入SIOU损失函数，通过添加角惩罚成本，减少损失的总自由度，让预测框更快地移动到最近的轴；
【技术特征摘要】
1.一种针对塔吊驾驶员危险行为的目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的目标检测方法，其特征在于：
3.根据权利要求1所述的目标检测方法，其特征在于：
4.根据权利要求1所述的目标检测方法，其特征在于：
5.根据权利要求...
【专利技术属性】
技术研发人员：邓珍荣，丁东，杨睿，蓝如师，
申请(专利权)人：桂林电子科技大学，
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。