一种改进YOLOv8的工地危险区识别方法及系统技术方案

本发明专利技术涉及危险区识别技术领域，具体涉及一种改进YOLOv8的工地危险区识别方法及系统，包括采集视频信息，从视频信息进行视频帧提取，获取第一图像信息；对所述第一图像信息进行预处理，获取处理后的第二图像信息；将所述第二图像信息输入到第一YOLOv8模型中，基于所述第二图像信息通过特征提取模块、多尺度融合模块和注意力模块对第一YOLOv8模型进行训练，获得训练后的第二YOLOv8模型；通过第二YOLOv8模型对实时的第二图像信息进行检测，判断是否有人员进入危险区域，当判断有人员进入危险区域时，触发报警系统。本发明专利技术能够准确识别和监测复杂工地环境中的各种危险区域，提升了检测结果的准确性和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及危险区识别，尤其涉及一种改进yolov8的工地危险区识别方法及系统。

技术介绍

1、在工地等危险区域的安全监控中，计算机视觉技术的应用正日益广泛。利用深度学习技术，尤其是实时目标检测算法(如yolo系列模型)，可以有效提升安全管理水平，减少事故发生率。这些方法依赖yolo模型提取图像特征信息，进行目标检测。然而，这些方法仍存在特征提取能力有限、多尺度目标检测效果不足、注意力机制应用不足等局限性，导致识别效果不好。

技术实现思路

1、有鉴于此，本专利技术的目的在于提出一种改进yolov8的工地危险区识别方法及系统，以解决目前识别方法仍存在特征提取能力有限、多尺度目标检测效果不足和注意力机制应用不足导致识别效果不好的问题。

2、基于上述目的，本专利技术提供了一种改进yolov8的工地危险区识别方法，包括：

3、采集视频信息，从视频信息进行视频帧提取，获取第一图像信息；

4、对所述第一图像信息进行预处理，获取处理后的第二图像信息；

5、将所述第二图像信息本文档来自技高网...

【技术保护点】

1.一种改进YOLOv8的工地危险区识别方法，其特征在于，包括：

2.根据权利要求1所述的一种改进YOLOv8的工地危险区识别方法，其特征在于，所述当判断有人员进入危险区域时之后还包括：

3.根据权利要求1所述的一种改进YOLOv8的工地危险区识别方法，其特征在于，所述特征提取模块包括在YOLOv8基础架构上额外增加的卷积层和池化层，额外增加的所述卷积层和池化层通过下述公式实现更深的特征提取，

4.根据权利要求1所述的一种改进YOLOv8的工地危险区识别方法，其特征在于，所述多尺度融合模块引入FPN结构和自适应加权机制，引入FPN结构和自适应加权机制后...

【技术特征摘要】

1.一种改进yolov8的工地危险区识别方法，其特征在于，包括：

2.根据权利要求1所述的一种改进yolov8的工地危险区识别方法，其特征在于，所述当判断有人员进入危险区域时之后还包括：

3.根据权利要求1所述的一种改进yolov8的工地危险区识别方法，其特征在于，所述特征提取模块包括在yolov8基础架构上额外增加的卷积层和池化层，额外增加的所述卷积层和池化层通过下述公式实现更深的特征提取，

4.根据权利要求1所述的一种改进yolov8的工地危险区识别方法，其特征在于，所述多尺度融合模块引入fpn结构和自适应加权机制，引入fpn结构和自适应加权机制后的多尺度融合模块的特征融合公式如下：...

【专利技术属性】
技术研发人员：武浩梅，周师雨，张涛，殷振华，
申请(专利权)人：安徽信息工程学院，
类型：发明
国别省市：