【技术实现步骤摘要】
本专利技术涉及图像处理、目标识别领域，特别是人员安全帽佩戴在线视频巡检方法。
技术介绍
1、1)基于传感设备的安全帽佩戴检测
2、在“万物互联”的时代来临之际，许多基于传感器的安保设备佩戴检测技术应运而生。barro-torres于2012年发布了一篇论文，该文章使用了一种带有传感器的新型硬件装置来测试工人是否穿戴了安全设备。系统使用rfid开发系统原型，采用zigbee通信协议传输数据。但在系统实时监控工人的时候，工人需要穿戴基于主控加传感器的嵌入式设备。传感器采集位置信息以及压力信息传输到控制系统进行处理，从而判定工作人员是否佩戴安全帽。
3、2)基于计算机视觉技术的安全帽佩戴检测
4、计算机视觉技术，简单来说就是让计算机能够“看”见，让计算机“看”到图像中的信息，随着计算机设备与计算能力的提升，尤其是gpu性能的提升，使得图像相关计算速度得到提升。一些图像处理算法相继提出，基于计算机视觉技术的安全帽穿戴检测技术也兴盛起来，主要分为以下几类：
5、(1)基于颜色、形状等简单特征的安全帽检测。例如：胡恬与王新刚等人在2006年提出的，利用人的肤色定位人脸区域，然后对人脸区域进行安全帽佩戴的检测方法，这类检测方法免去了传感器等硬件设施降低了安全帽成本，但是，这种检测方法，对噪声非常敏感，光线明暗变化，背景颜色变化对检测的准确度影响非常大。
6、(2)在人工构造的特征基础上，对图像信息数据进行有效的提取。以冯国臣等人提出的技术为例，他们介绍了一种利用计算机视觉技术实现安保
7、3)基于深度学习的安全帽佩戴检测
8、yolo系列算法是由joseph redmon等人于2016年在cvpr(ieee conference oncomputer vision and pattern recognition)上提出的，经过了不断地改进和发展，目前yolo系列算法已发展到了第5代。yolo系列算法在安保设备穿戴检测方面有着很好的应用前景。华中科技大学的王凯迪结合yolov1算法和yolov2算法对图像中的工人和安全帽进行识别，并标记成不同颜色的候选框实现了对安全帽的穿戴检测。林俊等人采用yolov3算法对隧道入口处工人安全帽佩戴情况进行了检测。王秋茗等人提出了一种新的基于深度学习的低分辨率情况下的安全帽识别技术。何超将yolov3的多尺度特征预测方法进行了改进，构造了四个尺度的特征金字塔，从而使其在小目标检测中的准确性得到了极大地提高。
9、现有技术存在的问题和缺点：
10、基于传感器设备的安全帽穿戴检测方法也存在着一些缺点，主要包括以下几点：一是每个安全帽上都要配备一套终端设备会导致成本较高；二是硬件设备时常会出现故障；三是zigbee通信有一定的范围，会限制到自动化检测系统的有效区域，一旦工人走出zigbee通信范围，自动化检测系统将会失去作用。
11、基于人工特征的检测方法在处理复杂背景下的情况能力有所提升，但是还存在一定的局限性，例如人工设计的特征针对性强，施工场景的变换就会导致检测系统的失效，因此，有学者希望能够开发一种快速、高精度、鲁棒性更强的检测模型，深度学习方法应用于目标检测为研究人员提供了一种新的思路。
技术实现思路
1、本专利技术采用图像分析的方式解决了现有技术中因为每个安全帽上都要配备一套终端设备会导致成本较高，通信范围局限，硬件设备不稳定的问题。
2、本专利技术技术方案为：一种人员安全帽佩戴在线视频巡检方法，该方法包括：
3、步骤1：获取样本图像，对样本图像进行归一化处理；
4、步骤2：将样本图像输入训练好的安全帽佩戴识别网络；
5、步骤3：安全帽佩戴识别网络输出识别结果；
6、所述步骤2中安全帽佩戴识别网络包括：骨干层、颈部层、预测层，所述骨干层输入输出顺次包括：focus模块、第一cbl模块、第一csp1模块、第二cbl模块、第二csp1模块、第三cbl模块、第三csp1模块、第四cbl模块、spp模块，
7、所述颈部层包括：第五到第八cbl模块、第一到第四concat模块、第一到第五csp2模块、第一上采样模块、第二上采样模块；所述预测层包括第一conv模块、第二conv模块、第三conv模块；所述骨干层中spp模块的输出依次经过第一csp2模块、第五cbl模块、第一上采样模块后，连同第三csp1模块的输出一起输入给第一concat模块，第一concat模块的输出依次经过第二csp2模块、第六cbl模块、第二上采样模块；所述骨干层中第二csp1模块的输出连同第二上采样模块的输入一起输入给第二concat模块，第二concat模块的输出依次经过第三csp2模块、第一conv模块、第七cbl模块；第七cbl模块的输出连同第六cbl模块的输出一起输入给第三concat模块，第三concat模块输出给第四csp2模块，第四csp2模块的输出分别输入给第二conv模块和第八cbl模块，第八cbl模块的输出连同第五cbl模块的输出一起输入给第四concat模块，第四concat模块的输出依次经过第五csp2模块、第三conv模块；所述第一conv模块、第二conv模块、第三conv模块分别输出预测结果；
8、focus模块为在输入的图片进入网络backbone层前，将一张图片每隔一个像素点对应一个值，目的是得到到更多的图；主要起到一个丰富数据集的作用，在不丢失图像的信息情况下，获得二倍下的采样特征图。
9、cbl表示标准卷积模块，包括普通卷积层conv、批量归一化层bn，和leakyrelu激活函数层。
10、cps为增强深度网络的非线性建模能力和特征表现能力的网络结构；cps_1与cps_2之间主要的区别是计算残差的模块个数不同；
11、spp表示空间金字塔池化模块；通过引入不容的池化核来提取特征图中不同大小目标的特征；例如先通过一个标准卷积模块将输入通道减半，然后分别做大小为5、9、13的最大池化操作。
12、concat表示张量拼接，会扩充两个张量的维度，是一个拼接操作，作用是将不同尺度的特征图在通道维度上进行拼接，用于提高目标检测的精度。
13、进一步的，cbl模块依次包括：conv模块、bn模块、leaky relu模块；conv表示卷积层、bn表示批量归一化层，leakyrelu表示激活函数
14、进一步的，csp1模块的本文档来自技高网...
【技术保护点】
1.一种人员安全帽佩戴在线视频巡检方法，该方法包括：
2.如权利要求1所述的一种人员安全帽佩戴在线视频巡检方法，其特征在于，CBL模块依次包括：CONV模块、BN模块、Leaky relu模块；Conv表示卷积层、BN表示批量归一化层，LeakyReLU表示激活函数。
3.如权利要求1所述的一种人员安全帽佩戴在线视频巡检方法，其特征在于，CSP1模块的输入分为两路，一步依次经过一个CBL模块、X个残差组件、一个CONV模块，另一路经另一个CONV模块，两个CONV模块的输出都输入给Concat模块后依次经过BN模块、Leaky relu模块、另一个CBL模块，然后输出。
4.如权利要求1所述的一种人员安全帽佩戴在线视频巡检方法，其特征在于，残差组件的输入依次经过两个CBL模块后的输出连同残差组件的输入一起输入给add模块，然后输出；所述add模块表示张量相加。
5.如权利要求1所述的一种人员安全帽佩戴在线视频巡检方法，其特征在于，Focus模块输入首先经过过个并列的slice模块，然后依次经过Concat模块和CBL模块，然后输出；
...【技术特征摘要】
1.一种人员安全帽佩戴在线视频巡检方法，该方法包括：
2.如权利要求1所述的一种人员安全帽佩戴在线视频巡检方法，其特征在于，cbl模块依次包括：conv模块、bn模块、leaky relu模块；conv表示卷积层、bn表示批量归一化层，leakyrelu表示激活函数。
3.如权利要求1所述的一种人员安全帽佩戴在线视频巡检方法，其特征在于，csp1模块的输入分为两路，一步依次经过一个cbl模块、x个残差组件、一个conv模块，另一路经另一个conv模块，两个conv模块的输出都输入给concat模块后依次经...
【专利技术属性】
技术研发人员：龙川，姚侃，代茂，周新宇，邓真平，李胜，
申请(专利权)人：重庆市科源能源技术发展有限公司，
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。