CN108304831A - 一种监测工人安全帽佩戴的方法及装置 - Google Patents

一种监测工人安全帽佩戴的方法及装置 Download PDF

Info

Publication number
CN108304831A
CN108304831A CN201810214216.6A CN201810214216A CN108304831A CN 108304831 A CN108304831 A CN 108304831A CN 201810214216 A CN201810214216 A CN 201810214216A CN 108304831 A CN108304831 A CN 108304831A
Authority
CN
China
Prior art keywords
rgb image
coordinate
cap
preset
formula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810214216.6A
Other languages
English (en)
Other versions
CN108304831B (zh
Inventor
陈子韬
吴梓杰
冯忠伦
杨淑伶
江思敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810214216.6A priority Critical patent/CN108304831B/zh
Publication of CN108304831A publication Critical patent/CN108304831A/zh
Application granted granted Critical
Publication of CN108304831B publication Critical patent/CN108304831B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种监测工人安全帽佩戴的方法及装置，其中方法包括：获取摄像头采集的视频文件；将视频文件逐帧转换为RGB图像；通过已训练的二分支多级卷积神经网络得到RGB图像中人体鼻骨的坐标；将RGB图像依次输入至已训练的Mask‑RCNN中，对RGB图像中的安全帽进行实例分割，得到已训练的Mask‑RCNN输出的对应RGB图像中安全帽部分的二值掩膜；根据RGB图像中安全帽部分的二值掩膜，通过预置第一公式和预置第二公式计算RGB图像中安全帽的质心坐标；根据人体鼻骨的坐标与安全帽的质心坐标，通过预置第三公式计算人体鼻骨与安全帽的欧几里得距离D；判断欧几里得距离D是否大于预设距离阈值，若是，则工人工作时未正确佩戴安全帽，若否，则工人工作时正确佩戴安全帽。

Description

一种监测工人安全帽佩戴的方法及装置
技术领域
本发明涉及机器视觉技术领域，尤其涉及一种监测工人安全帽佩戴的方法及装置。
背景技术
当下，针对农民工的安全问题频发，传统人工监控的方式，监管者的责任心问题是此类安全问题的关键。此外，人工监控的误报和漏报也是固有的缺陷。而人力的成本也是现有的公司考虑的重大因素。
由于工作人员的安全意识不高，或者是由于某些外界因素导致工作人员忘记佩戴安全帽，导致安全事故屡屡发生，可见，对安全帽的准确检测，以提醒未佩戴安全帽的工作人员进行佩戴，有利于在一定程度上避免安全事故的发生。
现有技术中，对工作人员安全帽佩戴的检测方法采用数字视频检测系统获取监控视频，通过对摄像头采集一定区域内的整体图像或者当前用户的整体图像，再借助一位监管人员的进行人工判断。
由于监测的区域较大，人工从图像中判断是否佩戴安全帽，相对来说，一方面依赖于数字视频检测系统的摄像头的质量，另一方面也对监管者的责任心和疲劳程度有依赖性，容易导致监测不准确，有时无法准确地对用户是否佩戴安全帽做出判断，从而无法完全避免因安全帽引发的安全事故的技术问题。
发明内容
本发明提供了一种监测工人安全帽佩戴的方法及装置，解决了由于监测的区域较大，人工从图像中判断是否佩戴安全帽，相对来说，一方面依赖于数字视频检测系统的摄像头的质量，另一方面也对监管者的责任心和疲劳程度有依赖性，容易导致监测不准确，有时无法准确地对用户是否佩戴安全帽做出判断，从而无法完全避免因安全帽引发的安全事故的技术问题。
本发明提供了一种监测工人安全帽佩戴的方法，包括：
S1、获取摄像头采集的视频文件；
S2、将所述视频文件逐帧转换为RGB图像；
S3、通过已训练的二分支多级卷积神经网络得到所述RGB图像中人体鼻骨的坐标；
S4、将所述RGB图像依次输入至已训练的Mask-RCNN中，对所述RGB图像中的安全帽进行实例分割，得到已训练的Mask-RCNN输出的对应所述RGB图像中安全帽部分的二值掩膜；
S5、根据所述RGB图像中安全帽部分的二值掩膜，通过预置第一公式和预置第二公式计算所述RGB图像中安全帽的质心坐标；
S6、根据所述人体鼻骨的坐标与所述安全帽的质心坐标，通过预置第三公式计算所述人体鼻骨与所述安全帽的欧几里得距离D；
S7、判断所述欧几里得距离D是否大于预设距离阈值，若是，则工人工作时未正确佩戴安全帽，若否，则工人工作时正确佩戴安全帽。
可选地，所述步骤S3具体包括：
通过一个10层的VGG-19卷积神经网络初始化和调整所述RGB图像，得到特征矩阵F；
将所述特征矩阵F输入至已训练的二分支多级卷积神经网络中，得到所述RGB图像中人体骨骼的全部坐标；
根据所述人体骨骼的全部坐标，确定所述RGB图像中人体鼻骨的坐标(x0,y0)。
可选地，所述预置第一公式为：
所述预置第二公式为：
其中，(xi,yi)(i＝1,2…n)为所述RGB图像中安全帽部分的二值掩膜中值为1的元素的坐标，n为元素的个数；mi＝1(i＝1,2…n)为所述RGB图像中安全帽部分的二值掩膜中每一个像素点所表示的物体质量。
可选地，所述预置第三公式为：
本发明提供了一种监测工人安全帽佩戴的装置，包括：
获取单元，用于获取摄像头采集的视频文件；
转换单元，用于将所述视频文件逐帧转换为RGB图像；
第一坐标确定单元，用于通过已训练的二分支多级卷积神经网络得到所述RGB图像中人体鼻骨的坐标；
实例分割单元，用于将所述RGB图像依次输入至已训练的Mask-RCNN中，对所述RGB图像中的安全帽进行实例分割，得到已训练的Mask-RCNN输出的对应所述RGB图像中安全帽部分的二值掩膜；
第二坐标确定单元，用于根据所述RGB图像中安全帽部分的二值掩膜，通过预置第一公式和预置第二公式计算所述RGB图像中安全帽的质心坐标；
距离计算单元，用于根据所述人体鼻骨的坐标与所述安全帽的质心坐标，通过预置第三公式计算所述人体鼻骨与所述安全帽的欧几里得距离D；
判断单元，用于判断所述欧几里得距离D是否大于预设距离阈值，若是，则工人工作时未正确佩戴安全帽，若否，则工人工作时正确佩戴安全帽。
可选地，所述第一坐标确定单元具体包括：
预处理子单元，用于通过一个10层的VGG-19卷积神经网络初始化和调整所述RGB图像，得到特征矩阵F；
全部坐标确定子单元，用于将所述特征矩阵F输入至已训练的二分支多级卷积神经网络中，得到所述RGB图像中人体骨骼的全部坐标；
第一坐标确定子单元，用于根据所述人体骨骼的全部坐标，确定所述RGB图像中人体鼻骨的坐标(x0,y0)。
可选地，所述预置第一公式为：
所述预置第二公式为：
其中，(xi,yi)(i＝1,2…n)为所述RGB图像中安全帽部分的二值掩膜中值为1的元素的坐标，n为元素的个数；mi＝1(i＝1,2…n)为所述RGB图像中安全帽部分的二值掩膜中每一个像素点所表示的物体质量。
可选地，所述预置第三公式为：
本发明提供了一种监测工人安全帽佩戴的装置，包括：
存储器，用于存储指令；
处理器，耦合到所述存储器，所述处理器被配置为基于所述存储器存储的指令执行实现如上任一项所述的方法。
本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上任一项所述的方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明提供了一种监测工人安全帽佩戴的方法，包括：S1、获取摄像头采集的视频文件；S2、将所述视频文件逐帧转换为RGB图像；S3、通过已训练的二分支多级卷积神经网络得到所述RGB图像中人体鼻骨的坐标；S4、将所述RGB图像依次输入至已训练的Mask-RCNN中，对所述RGB图像中的安全帽进行实例分割，得到已训练的Mask-RCNN输出的对应所述RGB图像中安全帽部分的二值掩膜。S5、根据所述RGB图像中安全帽部分的二值掩膜，通过预置第一公式和预置第二公式计算所述RGB图像中安全帽的质心坐标；S6、根据所述人体鼻骨的坐标与所述安全帽的质心坐标，通过预置第三公式计算所述人体鼻骨与所述安全帽的欧几里得距离D；S7、判断所述欧几里得距离D是否大于预设距离阈值，若是，则司机开车未使用手机，若否，则司机开车使用手机。
本发明中，首先获取工人工作时的视频文件，再通过二分支多级神经网络得到视频文件中人体鼻骨的坐标，同时通过Mask-RCNN对视频文件中的安全帽进行实例分割，得到视频文件中安全帽部分的二值掩膜，进而得到视频文件中安全帽的质心坐标，最后计算人体鼻骨的坐标和安全帽的质心坐标之间的欧几里得距离，判断工人是否在工作过程中正确佩戴安全帽，本发明采用全视频检测的方式，解决了由于监测的区域较大，人工从图像中判断是否佩戴安全帽，相对来说，一方面依赖于数字视频检测系统的摄像头的质量，另一方面也对监管者的责任心和疲劳程度有依赖性，容易导致监测不准确，有时无法准确地对用户是否佩戴安全帽做出判断，从而无法完全避免因安全帽引发的安全事故的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明提供的一种监测工人安全帽佩戴的方法的一个实施例的流程示意图；
图2为本发明提供的一种监测工人安全帽佩戴的方法的另一个实施例的流程示意图；
图3为本发明提供了一种监测工人安全帽佩戴的装置的一个实施例的结构示意图；
图4为本发明提供了一种监测工人安全帽佩戴的装置的另一个实施例的结构示意图；
图5为二分支多级卷积神经网络结构示意图。
具体实施方式
本发明实施例提供了一种监测工人安全帽佩戴的方法及装置，解决了由于监测的区域较大，人工从图像中判断是否佩戴安全帽，相对来说，一方面依赖于数字视频检测系统的摄像头的质量，另一方面也对监管者的责任心和疲劳程度有依赖性，容易导致监测不准确，有时无法准确地对用户是否佩戴安全帽做出判断，从而无法完全避免因安全帽引发的安全事故的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明提供了一种监测工人安全帽佩戴的方法的一个实施例，包括：
101、获取摄像头采集的视频文件；
102、将视频文件逐帧转换为RGB图像；
103、通过已训练的二分支多级卷积神经网络得到RGB图像中人体鼻骨的坐标；
104、将RGB图像依次输入至已训练的Mask-RCNN中，对RGB图像中的安全帽进行实例分割，得到已训练的Mask-RCNN输出的对应RGB图像中安全帽部分的二值掩膜；
105、根据RGB图像中安全帽部分的二值掩膜，通过预置第一公式和预置第二公式计算RGB图像中安全帽的质心坐标；
106、根据人体鼻骨的坐标与安全帽的质心坐标，通过预置第三公式计算人体鼻骨与安全帽的欧几里得距离D；
107、判断欧几里得距离D是否大于预设距离阈值，若是，则工人工作时未正确佩戴安全帽，若否，则工人工作时正确佩戴安全帽。
本发明实施例中，首先获取工人工作时的视频文件，再通过二分支多级神经网络得到视频文件中人体鼻骨的坐标，同时通过Mask-RCNN对视频文件中的安全帽进行实例分割，得到视频文件中安全帽部分的二值掩膜，进而得到视频文件中安全帽的质心坐标，最后计算人体鼻骨的坐标和安全帽的质心坐标之间的欧几里得距离，判断工人是否在工作过程中正确佩戴安全帽，本发明采用全视频检测的方式，解决了由于监测的区域较大，人工从图像中判断是否佩戴安全帽，相对来说，一方面依赖于数字视频检测系统的摄像头的质量，另一方面也对监管者的责任心和疲劳程度有依赖性，容易导致监测不准确，有时无法准确地对用户是否佩戴安全帽做出判断，从而无法完全避免因安全帽引发的安全事故的技术问题。
以上是对本发明提供的一种监测工人安全帽佩戴的方法的一个实施例进行的说明，以下将对本发明提供的一种监测工人安全帽佩戴的方法的另一个实施例进行说明。
请参阅图2，本发明提供了一种监测工人安全帽佩戴的方法的另一个实施例，包括：
201、获取摄像头采集的视频文件；
需要说明的是，使用普通摄像头或者高清摄像头拍摄工人工作时的视频文件。
202、将视频文件逐帧转换为RGB图像；
需要说明的是，将得到的视频文件逐帧转换为RGB图像，即彩色图像。
203、通过一个10层的VGG-19卷积神经网络初始化和调整RGB图像，得到特征矩阵F；
需要说明的是，在得到工人工作时视频转换的的RGB图像后，通过一个10层的VGG-19卷积神经网络初始化和调整RGB图像，得到特征矩阵F。
204、将特征矩阵F输入至已训练的二分支多级卷积神经网络中，得到RGB图像中人体骨骼的全部坐标；
需要说明的是，在得到特征矩阵F后，将特征矩阵F输入至如图5所示的已训练的二分支多级卷积神经网络中，得到RGB图像中人体骨骼的全部坐标，具体为：
将预处理的特征矩阵输入到一个二分支多级卷积神经网络(two-branch multi-stage CNN)中，该网络的结构如图5所示；
在每一级的卷积神经网络中，有两个分支，第一个分支计算置信图(ConfidenceMaps)，第二个分支计算部分亲和场(Part Affinity Fields)。对于第一级的图像，该网络的第一个分支对图像多次卷积得到置信图S1的集合(即多张置信图)，第二个分支对图像进行多次卷积得到部分亲和场L1的集合；
上述过程由式(1)、(2)表示：
S1＝ρ1(F) (1)
L1＝φ1(F) (2)
其中ρ、φ是函数的对应法则的符号，ρ表示由特征矩阵F到置信图S1的函数关系；φ表示由特征矩阵F部分亲和场L1的函数关系。
在图5中，表示，对于第t-1(t≥2)级生成的S1、L1，和特征矩阵F计算得到第t级的输入Ft
对于第t级的图像处理过程(或者说矩阵的卷积运算过程)，其原理和第1级的原理类似，如式(4)、(5)所示
经过多级的二分支多级卷积神经网络，行驶车辆的RGB图像中人体骨骼的全部坐标。
205、根据人体骨骼的全部坐标，确定RGB图像中人体鼻骨的坐标(x0,y0)；
需要说明的是，在得到RGB图像中人体骨骼的全部坐标后，能够确定RGB图像中人体鼻骨的坐标(x0,y0)。
206、将RGB图像依次输入至已训练的Mask-RCNN中，对RGB图像中的安全帽进行实例分割，得到已训练的Mask-RCNN输出的对应RGB图像中安全帽部分的二值掩膜；
需要说明的是，将RGB图像依次输入至已训练的Mask-RCNN中，经过RoIAlign层对RGB图像进行池化的操作，再将池化的图像进行多次的卷积运算，输出RGB图像中安全帽部分的二值掩膜。
207、根据RGB图像中安全帽部分的二值掩膜，通过预置第一公式和预置第二公式计算RGB图像中安全帽的质心坐标；
预置第一公式为：
预置第二公式为：
其中，(xi,yi)(i＝1,2…n)为RGB图像中安全帽部分的二值掩膜中值为1的元素的坐标，n为元素的个数；mi＝1(i＝1,2…n)为RGB图像中安全帽部分的二值掩膜中每一个像素点所表示的物体质量；
需要说明的是，若RGB图像中安全帽部分的二值掩膜中值为1的元素的坐标为(xi,yi)(i＝1,2…n)，n为元素的个数，RGB图像中安全帽部分的二值掩膜中每一个像素点所表示的物体质量mi(i＝1,2…n)，假设每一个像素点的物体质量是一致的，即mi＝1(i＝1,2…n)，由此根据预置第一公式和预置第二公式计算安全帽的质心坐标。
208、根据人体鼻骨的坐标与安全帽的质心坐标，通过预置第三公式计算人体鼻骨与安全帽的欧几里得距离D；
预置第三公式为：
需要说明的是，根据人体鼻骨的坐标与安全帽的质心坐标，通过预置第三公式计算人体鼻骨与安全帽的欧几里得距离D。
209、判断欧几里得距离D是否大于预设距离阈值，若是，则工人工作时未正确佩戴安全帽，若否，则工人工作时正确佩戴安全帽。
本发明实施例中，首先获取工人工作时的视频文件，再通过二分支多级神经网络得到视频文件中人体鼻骨的坐标，同时通过Mask-RCNN对视频文件中的安全帽进行实例分割，得到视频文件中安全帽部分的二值掩膜，进而得到视频文件中安全帽的质心坐标，最后计算人体鼻骨的坐标和安全帽的质心坐标之间的欧几里得距离，判断工人是否在工作过程中正确佩戴安全帽，本发明采用全视频检测的方式，解决了由于监测的区域较大，人工从图像中判断是否佩戴安全帽，相对来说，一方面依赖于数字视频检测系统的摄像头的质量，另一方面也对监管者的责任心和疲劳程度有依赖性，容易导致监测不准确，有时无法准确地对用户是否佩戴安全帽做出判断，从而无法完全避免因安全帽引发的安全事故的技术问题。
以上是对本发明提供的一种监测工人安全帽佩戴的方法另一个实施例进行的说明，以下将对本发明提供的一种监测工人安全帽佩戴的装置的一个实施例进行说明。
请参阅图3，本发明提供了一种监测工人安全帽佩戴的装置的一个实施例，包括：
获取单元301，用于获取摄像头采集的视频文件；
转换单元302，用于将视频文件逐帧转换为RGB图像；
第一坐标确定单元303，用于通过已训练的二分支多级卷积神经网络得到RGB图像中人体鼻骨的坐标；
第一坐标确定单元303具体包括：
预处理子单元3031，用于通过一个10层的VGG-19卷积神经网络初始化和调整RGB图像，得到特征矩阵F；
全部坐标确定子单元3032，用于将特征矩阵F输入至已训练的二分支多级卷积神经网络中，得到RGB图像中人体骨骼的全部坐标；
第一坐标确定子单元3033，用于根据人体骨骼的全部坐标，确定RGB图像中人体鼻骨的坐标(x0,y0)；
实例分割单元304，用于将RGB图像依次输入至已训练的Mask-RCNN中，对RGB图像中的安全帽进行实例分割，得到已训练的Mask-RCNN输出的对应RGB图像中安全帽部分的二值掩膜。
第二坐标确定单元305，用于根据RGB图像中安全帽部分的二值掩膜，通过预置第一公式和预置第二公式计算RGB图像中安全帽的质心坐标；
预置第一公式为：
预置第二公式为：
其中，(xi,yi)(i＝1,2…n)为RGB图像中安全帽部分的二值掩膜中值为1的元素的坐标，n为元素的个数；mi＝1(i＝1,2…n)为RGB图像中安全帽部分的二值掩膜中每一个像素点所表示的物体质量；
距离计算单元306，用于根据人体鼻骨的坐标与安全帽的质心坐标，通过预置第三公式计算人体鼻骨与安全帽的欧几里得距离D；
预置第三公式为：
判断单元307，用于判断欧几里得距离D是否大于预设距离阈值，若是，则工人工作时未正确佩戴安全帽，若否，则工人工作时正确佩戴安全帽。
本发明实施例中，首先获取工人工作时的视频文件，再通过第一坐标确定单元303中的二分支多级神经网络得到视频文件中人体鼻骨的坐标，同时通过第二坐标确定单元305中的Mask-RCNN对视频文件中的安全帽进行实例分割，得到视频文件中安全帽部分的二值掩膜，进而得到视频文件中安全帽的质心坐标，最后通过距离计算单元306计算人体鼻骨的坐标和安全帽的质心坐标之间的欧几里得距离，判断工人是否在工作过程中正确佩戴安全帽，本发明采用全视频检测的方式，解决了由于监测的区域较大，人工从图像中判断是否佩戴安全帽，相对来说，一方面依赖于数字视频检测系统的摄像头的质量，另一方面也对监管者的责任心和疲劳程度有依赖性，容易导致监测不准确，有时无法准确地对用户是否佩戴安全帽做出判断，从而无法完全避免因安全帽引发的安全事故的技术问题。
以上是对本发明提供的一种监测工人安全帽佩戴的装置的一个实施例进行的说明，以下将对本发明提供的一种监测工人安全帽佩戴的装置的另一个实施例进行说明。
如图4所示，本发明提供了一种监测工人安全帽佩戴的装置的另一个实施例，包括：
存储器401，用于存储指令；
处理器402，耦合到存储器401，处理器402被配置为基于存储器存储的指令执行实现如图1或图2中任一实施例涉及的方法。
如图4所示监测工人安全帽佩戴的装置还包括通信接口403，用于与其它设备进行信息交互。同时该装置还包括总线404，处理器402、通信接口403以及存储器401通过总线404完成相互间的通信。
存储器401可以包含高速RAM存储器，也可还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器401也可以是存储器阵列。存储器401还可能被分块，并且块可按一定的规则组合成虚拟卷。
此外，处理器402可以是一个中央处理器CPU，或者可以是专用集成电路ASIC(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
以上是对本发明提供的一种监测工人安全帽佩戴的装置的另一个实施例进行的说明，以下将对本发明提供的一种计算机可读存储介质的一个实施例进行说明。
本发明提供的一种计算机可读存储介质的一个实施例，计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如图1或图2中任一实施例涉及的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种监测工人安全帽佩戴的方法，其特征在于，包括：
S1、获取摄像头采集的视频文件；
S2、将所述视频文件逐帧转换为RGB图像；
S3、通过已训练的二分支多级卷积神经网络得到所述RGB图像中人体鼻骨的坐标；
S4、将所述RGB图像依次输入至已训练的Mask-RCNN中，对所述RGB图像中的安全帽进行实例分割，得到已训练的Mask-RCNN输出的对应所述RGB图像中安全帽部分的二值掩膜；
S5、根据所述RGB图像中安全帽部分的二值掩膜，通过预置第一公式和预置第二公式计算所述RGB图像中安全帽的质心坐标；
S6、根据所述人体鼻骨的坐标与所述安全帽的质心坐标，通过预置第三公式计算所述人体鼻骨与所述安全帽的欧几里得距离D；
S7、判断所述欧几里得距离D是否大于预设距离阈值，若是，则工人工作时未正确佩戴安全帽，若否，则工人工作时正确佩戴安全帽。
2.根据权利要求1所述的监测工人安全帽佩戴的方法，其特征在于，所述步骤S3具体包括：
通过一个10层的VGG-19卷积神经网络初始化和调整所述RGB图像，得到特征矩阵F；
将所述特征矩阵F输入至已训练的二分支多级卷积神经网络中，得到所述RGB图像中人体骨骼的全部坐标；
根据所述人体骨骼的全部坐标，确定所述RGB图像中人体鼻骨的坐标(x0,y0)。
3.根据权利要求2所述的监测工人安全帽佩戴的方法，其特征在于，所述预置第一公式为：
所述预置第二公式为：
其中，(xi,yi)(i＝1,2…n)为所述RGB图像中安全帽部分的二值掩膜中值为1的元素的坐标，n为元素的个数；mi＝1(i＝1,2…n)为所述RGB图像中安全帽部分的二值掩膜中每一个像素点所表示的物体质量。
4.根据权利要求1所述的监测工人安全帽佩戴的方法，其特征在于，所述预置第三公式为：
5.一种监测工人安全帽佩戴的装置，其特征在于，包括：
获取单元，用于获取摄像头采集的视频文件；
转换单元，用于将所述视频文件逐帧转换为RGB图像；
第一坐标确定单元，用于通过已训练的二分支多级卷积神经网络得到所述RGB图像中人体鼻骨的坐标；
实例分割单元，用于将所述RGB图像依次输入至已训练的Mask-RCNN中，对所述RGB图像中的安全帽进行实例分割，得到已训练的Mask-RCNN输出的对应所述RGB图像中安全帽部分的二值掩膜；
第二坐标确定单元，用于根据所述RGB图像中安全帽部分的二值掩膜，通过预置第一公式和预置第二公式计算所述RGB图像中安全帽的质心坐标；
距离计算单元，用于根据所述人体鼻骨的坐标与所述安全帽的质心坐标，通过预置第三公式计算所述人体鼻骨与所述安全帽的欧几里得距离D；
判断单元，用于判断所述欧几里得距离D是否大于预设距离阈值，若是，则工人工作时未正确佩戴安全帽，若否，则工人工作时正确佩戴安全帽。
6.根据权利要求5所述的监测工人安全帽佩戴的装置，其特征在于，所述第一坐标确定单元具体包括：
预处理子单元，用于通过一个10层的VGG-19卷积神经网络初始化和调整所述RGB图像，得到特征矩阵F；
全部坐标确定子单元，用于将所述特征矩阵F输入至已训练的二分支多级卷积神经网络中，得到所述RGB图像中人体骨骼的全部坐标；
第一坐标确定子单元，用于根据所述人体骨骼的全部坐标，确定所述RGB图像中人体鼻骨的坐标(x0,y0)。
7.根据权利要求5所述的监测工人安全帽佩戴的装置，其特征在于，所述预置第一公式为：
所述预置第二公式为：
其中，(xi,yi)(i＝1,2…n)为所述RGB图像中安全帽部分的二值掩膜中值为1的元素的坐标，n为元素的个数；mi＝1(i＝1,2…n)为所述RGB图像中安全帽部分的二值掩膜中每一个像素点所表示的物体质量。
8.根据权利要求6所述的监测工人安全帽佩戴的装置，其特征在于，所述预置第三公式为：
9.一种监测工人安全帽佩戴的装置，其特征在于，包括：
存储器，用于存储指令；
处理器，耦合到所述存储器，所述处理器被配置为基于所述存储器存储的指令执行实现如权利要求1至4中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如权利要求1至4中任一项所述的方法。
CN201810214216.6A 2018-03-15 2018-03-15 一种监测工人安全帽佩戴的方法及装置 Active CN108304831B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810214216.6A CN108304831B (zh) 2018-03-15 2018-03-15 一种监测工人安全帽佩戴的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810214216.6A CN108304831B (zh) 2018-03-15 2018-03-15 一种监测工人安全帽佩戴的方法及装置

Publications (2)

Publication Number Publication Date
CN108304831A true CN108304831A (zh) 2018-07-20
CN108304831B CN108304831B (zh) 2022-03-22

Family

ID=62850210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810214216.6A Active CN108304831B (zh) 2018-03-15 2018-03-15 一种监测工人安全帽佩戴的方法及装置

Country Status (1)

Country Link
CN (1) CN108304831B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117876A (zh) * 2018-07-26 2019-01-01 成都快眼科技有限公司 一种稠密小目标检测模型构建方法、模型及检测方法
CN109344874A (zh) * 2018-08-31 2019-02-15 华侨大学 一种基于深度学习的染色体自动分析方法及系统
CN110853041A (zh) * 2019-11-12 2020-02-28 东南大学 一种基于深度学习与声呐成像的水下桥墩构件分割方法
CN112861574A (zh) * 2019-11-27 2021-05-28 顺丰科技有限公司 安全帽佩戴检测方法和装置、电子设备、计算机可读存储介质
CN116311029A (zh) * 2023-02-04 2023-06-23 国网浙江省电力有限公司嘉兴供电公司 基于大数据的施工作业违章识别系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372662A (zh) * 2016-08-30 2017-02-01 腾讯科技（深圳）有限公司 安全帽佩戴的检测方法和装置、摄像头、服务器
CN107481280A (zh) * 2017-08-16 2017-12-15 北京优时尚科技有限责任公司 一种骨骼点的矫正方法及计算设备
CN107507126A (zh) * 2017-07-27 2017-12-22 大连和创懒人科技有限公司 一种利用rgb图像还原3d场景的方法
CN107679515A (zh) * 2017-10-24 2018-02-09 西安交通大学 一种基于曲面调和形状图像深度表示的三维人脸识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372662A (zh) * 2016-08-30 2017-02-01 腾讯科技（深圳）有限公司 安全帽佩戴的检测方法和装置、摄像头、服务器
CN107507126A (zh) * 2017-07-27 2017-12-22 大连和创懒人科技有限公司 一种利用rgb图像还原3d场景的方法
CN107481280A (zh) * 2017-08-16 2017-12-15 北京优时尚科技有限责任公司 一种骨骼点的矫正方法及计算设备
CN107679515A (zh) * 2017-10-24 2018-02-09 西安交通大学 一种基于曲面调和形状图像深度表示的三维人脸识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WANG X 等: "Regionlets for Generic Object Detection", 《IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 *
冯国臣 等: "基于机器视觉的安全帽自动识别技术研究", 《机械设计与制造工程》 *
江思敏 等: "基于IFIX和Profibus的井下带式输送机监控系统", 《煤矿机电》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117876A (zh) * 2018-07-26 2019-01-01 成都快眼科技有限公司 一种稠密小目标检测模型构建方法、模型及检测方法
CN109344874A (zh) * 2018-08-31 2019-02-15 华侨大学 一种基于深度学习的染色体自动分析方法及系统
CN109344874B (zh) * 2018-08-31 2020-09-15 华侨大学 一种基于深度学习的染色体自动分析方法及系统
CN110853041A (zh) * 2019-11-12 2020-02-28 东南大学 一种基于深度学习与声呐成像的水下桥墩构件分割方法
CN112861574A (zh) * 2019-11-27 2021-05-28 顺丰科技有限公司 安全帽佩戴检测方法和装置、电子设备、计算机可读存储介质
CN116311029A (zh) * 2023-02-04 2023-06-23 国网浙江省电力有限公司嘉兴供电公司 基于大数据的施工作业违章识别系统及方法
CN116311029B (zh) * 2023-02-04 2023-10-13 国网浙江省电力有限公司嘉兴供电公司 基于大数据的施工作业违章识别系统及方法

Also Published As

Publication number Publication date
CN108304831B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN108304831A (zh) 一种监测工人安全帽佩戴的方法及装置
CN109815907B (zh) 一种基于计算机视觉技术的仰卧起坐姿态检测与指导方法
CN112330526B (zh) 一种人脸转换模型的训练方法、存储介质及终端设备
CN106022378B (zh) 坐姿判断方法及基于摄像头与压力传感器颈椎病识别系统
CN106372662A (zh) 安全帽佩戴的检测方法和装置、摄像头、服务器
CN107358223A (zh) 一种基于yolo的人脸检测与人脸对齐方法
CN105759971A (zh) 一种自动提示人眼离屏幕距离的方法和系统
CN105005774A (zh) 一种基于卷积神经网络的人脸亲属关系识别方法及装置
CN106845432A (zh) 一种人脸与人体共同检测的方法和设备
CN105224921A (zh) 一种人脸图像择优系统和处理方法
CN109241842A (zh) 疲劳驾驶检测方法、装置、计算机设备及存储介质
CN104615996B (zh) 一种多视角二维人脸特征点自动定位方法
CN105740781A (zh) 一种三维人脸活体检测的方法和装置
CN105760834A (zh) 一种人脸特征点定位方法
CN106503275A (zh) 聊天机器人的音色配置方法及装置
CN111091046A (zh) 一种基于机器视觉的用户不良坐姿矫正系统
CN112001859A (zh) 一种人脸图像的修复方法及系统
CN109993021A (zh) 人脸正脸检测方法、装置及电子设备
CN112101124A (zh) 一种坐姿检测方法及装置
CN110046941A (zh) 一种人脸识别方法、系统及电子设备和存储介质
CN113856186B (zh) 一种引体向上动作判定与计数的方法、系统及装置
CN105913014A (zh) 基于身份证芯片照片和视频的身份鉴定方法及系统
CN111415339A (zh) 一种复杂纹理工业产品图像缺陷检测方法
US20230237694A1 (en) Method and system for detecting children's sitting posture based on face recognition of children
CN106255109A (zh) 路由器权限认证方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant