CN109543542A - 一种特定场所人员着装是否规范的判定方法 - Google Patents
一种特定场所人员着装是否规范的判定方法 Download PDFInfo
- Publication number
- CN109543542A CN109543542A CN201811245431.9A CN201811245431A CN109543542A CN 109543542 A CN109543542 A CN 109543542A CN 201811245431 A CN201811245431 A CN 201811245431A CN 109543542 A CN109543542 A CN 109543542A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- training
- deep neural
- protective garment
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000001681 protective effect Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000012806 monitoring device Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000007774 longterm Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种特定场所人员着装是否规范的判定方法，具体包括以下步骤：(1)收集正确穿戴防护服的人物照片，收集没有穿戴防护服的人物照片；(2)使用YOLO V3算法遍历正负样本图片集；(3)将正负样本数据集分别划分为训练数据集和测试数据集；(4)构建MobileNet V2深度神经网络模型；(5)使用训练数据集训练深度神经网络模型，训练过程中，每当完成一次对整个样本集的迭代；(6)将训练好的深度神经网络模型部署在视觉分析系统中，分析视频监控设备采集的视频流数据，检测防护服穿戴情况；本发明不依赖人工，使用深度神经网络技术，高度智能化且准确率高，应用在视觉分析系统中，能够长期稳定运行。
Description
技术领域
本发明涉及视频智能分析技术领域，具体涉及一种特定场所人员着装是否规范的判定方法。
背景技术
在化工园区，出于安全需要，工作人员进出生产车间、装卸车间等场所时必须穿戴防护服，避免意外发生。然而，部分工作人员安全意识偏低，有时为了省事，违反规定不穿戴防护服，带来安全隐患。为了保证所有人员都按照要求穿戴防护服，目前的做法有以下两类：
1、安排人员在进出口进行检查，只有正确穿戴防护服的才允许进入，另外安排人员定期巡检工作区域。
2、检查人员在监控室，不断观看视频监控画面，观察是否有未按照规定穿戴防护服的人员。
以上两种检测防护服穿戴情况的方法，都依赖人工。化工园区面积较大，需要足够多的检查人员才能覆盖所有的区域，耗时费力，不但造成人力浪费，而且效率非常低。检查人员长时间作业极易疲劳，导致可能遗漏异常情况，增加意外风险。
发明内容
有鉴于此，本发明提出了一种特定场所人员着装是否规范的判定方法，用于检测工作场所出入口以及工作区域的防护服穿戴情况。深度神经网络技术在视觉分析领域发展迅猛，目标检测，特别是对人的检测技术已经非常成熟，开源的YOLO和Faster-RCNN算法在行人检测方面已经取得了非常好的效果，在各行各业都得到广泛应用。运用行人检测技术获取视频监控画面中的人物，再分析人物的防护服穿戴情况，即可实现对防护服穿戴情况的智能分析。结合工作场所的视频监控设备，一旦发现异常穿戴防护服的人员，视频分析系统发出警报，并记录下现场画面，以便管理人员及时进行处理。
本发明旨在提供一种特定场所人员着装是否规范的判定方法，自动分析视频监控设备输出的实时视频流，迅速发现异常穿戴防护服的人员，为化工园区管理人员提供高效的自动监测解决方案。
为实现上述目的，本发明提供如下技术方案：
一种特定场所人员着装是否规范的判定方法，具体包括以下步骤：
步骤(1)收集正确穿戴防护服的人物照片，作为正样本图片集；收集没有穿戴防护服的人物照片，作为负样本图片集。
步骤(2)使用YOLO V3算法遍历正负样本图片集，提取人物区域，输出单人单张的图片，形成正负样本数据集。
步骤(3)将正负样本数据集分别划分为训练数据集和测试数据集。
步骤(4)构建MobileNet V2深度神经网络模型。
步骤(5)使用训练数据集训练深度神经网络模型，输入正样本，该网络的输出为1，输入为负样本，则该网络的输出应为0。训练过程中，每当完成一次对整个样本集的迭代，即用测试数据集对深度神经网络模型进行测试，当检测准确率达到精度要求时，则训练完成。
步骤(6)将训练好的深度神经网络模型部署在视觉分析系统中，分析视频监控设备采集的视频流数据，检测防护服穿戴情况。
本发明上涉及的专业名词进行如下解释说明：
MobileNet：谷歌推出的一种轻量级深度神经网络模型，2017年4月推出了V1版本。2018年1月发布V2版本，相比V1版本，新版本模型更小，速度更快，准确率更高。
YOLO：一个开源的深度学习目标检测项目，特点是检测速度快且准确率较高。最新版本为2018年3月推出的V3版本，与老版本相比，准确率有较大提升。
与现有技术相比，本发明的有益效果为：
现有的依靠人工进行检测防护服穿戴情况的方法，耗费人力资源，效率低下，而且很难实现长时间有效的监控。相比之下，本发明不依赖人工，使用深度神经网络技术，高度智能化且准确率高，应用在视觉分析系统中，能够长期稳定运行。
附图说明
图1为本发明实例中提供的基于深度神经网络检测防护服穿戴情况方法的流程图；
图2为本发明实例中提供的基于深度神经网络分析实时视频流检测防护服穿戴情况的流程图。
具体实施方式
下面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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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他实施例，都属于本发明的保护范围。
如图1～2所示，本发明实施例中提供一种特定场所人员着装是否规范的判定方法，其主要包括如下步骤：
步骤(1)：收集正确穿戴不同颜色和不同型号防护服的人物图片，数量为1000张，作为正样本图片集；
步骤(2)：收集没有穿戴防护服的各种人物图片，数量为3000张，作为负样本图片集；
步骤(3)：对正负样本图片集进行预处理，提取人物区域，输出单人单张的图片，形成正负样本数据集；具体流程如下所示：
(3.1)遍历正样本图片集，使用YOLO V3算法检测每张图片；
(3.2)筛选检测结果，只处理检测类型为人的数据。根据检测结果中的坐标信息，从原图提取对应区域保存为图片，形成正样本数据集；
(3.3)按照上面两个步骤，对负样本图片集进行同样的操作，得到负样本数据集。
步骤(4)将正负样本集划分为训练数据集和测试数据集。其中测试数据集的正样本占整体正样本的8％，测试集的负样本占整体负样本的10％。
步骤(5)：构建MobileNet V2深度神经网络模型，分类数目为2(穿防护服和未穿防护服)；
步骤(6)：训练深度神经网络模型，使用测试数据集对训练后的模型进行测试，当测试结果满足精度要求，则训练完成；具体流程如下所示：
(6.1)将训练集中样本分批次输入到深度神经网络模型。
(6.2)训练时，输入正样本，输出结果应该为1；输入负样本，输出结果应为0。采用交叉熵损失函数计算输出结果和期望值的差，通过随机梯度下降法不断调整深度神经网络模型的参数。
(6.3)经过一段数量的迭代后，深度神经网络模型的输出结果和期望值的差不断变小，趋向稳定。每完成一次迭代，在测试数据集上对该网络模型进行测试。若测试精度没有达到要求(正确率小于95％)，则回到步骤(6.1)，重新训练。若测试精度达到要求，则完成了整个训练过程。
步骤(7)：将训练后的深度神经网络模型部署在视觉分析系统中，分析视频监控设备输出的实时视频流数据，检测防护服穿戴情况；具体流程如图2及以下内容所示：
(7.1)使用RTSP实时视频流协议获取监控设备的实时视频流。
(7.2)对接收到的视频数据包进行解码，得到序列帧数据。用于传输的图像是YUV格式，通过标准YUV转换公式，将帧数据转换为RGB格式，并对RGB三个颜色通道的数据进行归一化处理。
(7.3)将处理后的帧数据输入到YOLO V3算法，检测画面中的人物并获取位置信息。
(7.4)根据YOLO V3的检测结果，提取人物区域，得到新的图像，输入到训练后的深度神经网络模型中，检测该人物的防护服穿戴情况。
(7.5)结果为1，说明正确穿戴防护服；为0则表明没有穿戴防护服，发送警告，并将帧画面保存为图片，作为检测依据。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种特定场所人员着装是否规范的判定方法，其特征在于，包括以下步骤：
步骤(1)、收集正确穿戴防护服的人物照片，作为正样本图片集；收集没有穿戴防护服的人物照片，作为负样本图片集；
步骤(2)、使用YOLO V3算法遍历正负样本图片集，提取人物区域，输出单人单张的图片，形成正负样本数据集；
步骤(3)、将正负样本数据集分别划分为训练数据集和测试数据集；
步骤(4)、构建MobileNet V2深度神经网络模型；
步骤(5)、使用训练数据集训练深度神经网络模型，输入正样本，该网络的输出为1，输入为负样本，则该网络的输出应为0；训练过程中，每当完成一次对整个样本集的迭代，即用测试数据集对深度神经网络模型进行测试，当检测准确率达到精度要求时，则训练完成；
步骤(6)、将训练好的深度神经网络模型部署在视觉分析系统中，分析视频监控设备采集的视频流数据，检测防护服穿戴情况。
2.根据权利要求1中所述的一种特定场所人员着装是否规范的判定方法，其特征在于，上述步骤(2)的具体流程如下：
(2.1)、遍历正样本图片集，使用YOLO V3算法检测每张图片；
(2.2)、筛选检测结果，只处理检测类型为人的数据；根据检测结果中的坐标信息，从原图提取对应区域保存为图片，形成正样本数据集；
(2.3)、按照上面两个步骤(2.1)、(2.2)，对负样本图片集进行同样的操作，得到负样本数据集。
3.根据权利要求1中所述的一种特定场所人员着装是否规范的判定方法，其特征在于，上述步骤(5)的具体流程如下：
(5.1)、将训练集中样本分批次输入到深度神经网络模型；
(5.2)、训练时，输入正样本，输出结果应该为1；输入负样本，输出结果应为0；采用交叉熵损失函数计算输出结果和期望值的差，通过随机梯度下降法不断调整深度神经网络模型的参数；
(5.3)、经过一段数量的迭代后，深度神经网络模型的输出结果和期望值的差不断变小，趋向稳定；每完成一次迭代，在测试数据集上对该网络模型进行测试；若测试精度没有达到要求，则回到步骤(5.1)，重新训练；若测试精度达到要求，则完成了整个训练过程。
4.根据权利要求1中所述的一种特定场所人员着装是否规范的判定方法，其特征在于，上述步骤(6)的具体流程如下：
(6.1)、使用RTSP实时视频流协议获取监控设备的实时视频流；
(6.2)、对接收到的视频数据包进行解码，得到序列帧数据；用于传输的图像是YUV格式，通过标准YUV转换公式，将帧数据转换为RGB格式，并对RGB三个颜色通道的数据进行归一化处理；
(6.3)、将处理后的帧数据输入到YOLO V3算法，检测画面中的人物并获取位置信息；
(6.4)、根据YOLO V3的检测结果，提取人物区域，得到新的图像，输入到训练后的深度神经网络模型中，检测该人物的防护服穿戴情况；
(6.5)、结果为1，说明正确穿戴防护服；为0则表明没有穿戴防护服，发送警告，并将帧画面保存为图片，作为检测依据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811245431.9A CN109543542A (zh) | 2018-10-24 | 2018-10-24 | 一种特定场所人员着装是否规范的判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811245431.9A CN109543542A (zh) | 2018-10-24 | 2018-10-24 | 一种特定场所人员着装是否规范的判定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109543542A true CN109543542A (zh) | 2019-03-29 |
Family
ID=65845286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811245431.9A Pending CN109543542A (zh) | 2018-10-24 | 2018-10-24 | 一种特定场所人员着装是否规范的判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109543542A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111016A (zh) * | 2019-05-14 | 2019-08-09 | 深圳供电局有限公司 | 作业人员的危险状态监控方法、装置及计算机设备 |
| CN110287804A (zh) * | 2019-05-30 | 2019-09-27 | 广东电网有限责任公司 | 一种基于移动视频监控的电力作业人员着装识别方法 |
| CN110427808A (zh) * | 2019-06-21 | 2019-11-08 | 武汉倍特威视系统有限公司 | 基于视频流数据的警服识别方法 |
| CN110826439A (zh) * | 2019-10-25 | 2020-02-21 | 杭州叙简科技股份有限公司 | 一种基于深度学习图像处理的电焊施工检测方法 |
| CN111507313A (zh) * | 2020-06-04 | 2020-08-07 | 江苏省人民医院（南京医科大学第一附属医院） | 口罩佩戴姿态辨识平台及方法 |
| CN111652046A (zh) * | 2020-04-17 | 2020-09-11 | 济南浪潮高新科技投资发展有限公司 | 基于深度学习的安全穿戴检测方法、设备及系统 |
| CN111860422A (zh) * | 2020-07-30 | 2020-10-30 | 西北师范大学 | 医护人员防护用品穿戴规范性智能检测方法 |
| CN112183235A (zh) * | 2020-09-07 | 2021-01-05 | 根尖体育科技（北京）有限公司 | 针对运动场所进行视频采集的自动控制方法 |
| CN113553979A (zh) * | 2021-07-30 | 2021-10-26 | 国电汉川发电有限公司 | 一种基于改进yolo v5的安全服检测方法和系统 |
-
2018
- 2018-10-24 CN CN201811245431.9A patent/CN109543542A/zh active Pending
Non-Patent Citations (3)
| Title |
|---|
| LIGUIYUAN112: "《使用YOLOv3训练行人检测模型》", 《HTTPS://BLOG.CSDN.NET/U012505617/ARTICLE/DETAILS/79955140》 * |
| 李文辉: "《基于Tensorflow的电力系统施工人员着装智能识别技术研究》", 《现代信息科技》 * |
| 高志强 等: "《深度学习 从入门到实战》", 30 June 2018 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111016A (zh) * | 2019-05-14 | 2019-08-09 | 深圳供电局有限公司 | 作业人员的危险状态监控方法、装置及计算机设备 |
| CN110287804A (zh) * | 2019-05-30 | 2019-09-27 | 广东电网有限责任公司 | 一种基于移动视频监控的电力作业人员着装识别方法 |
| CN110427808A (zh) * | 2019-06-21 | 2019-11-08 | 武汉倍特威视系统有限公司 | 基于视频流数据的警服识别方法 |
| CN110826439A (zh) * | 2019-10-25 | 2020-02-21 | 杭州叙简科技股份有限公司 | 一种基于深度学习图像处理的电焊施工检测方法 |
| CN111652046A (zh) * | 2020-04-17 | 2020-09-11 | 济南浪潮高新科技投资发展有限公司 | 基于深度学习的安全穿戴检测方法、设备及系统 |
| CN111507313A (zh) * | 2020-06-04 | 2020-08-07 | 江苏省人民医院（南京医科大学第一附属医院） | 口罩佩戴姿态辨识平台及方法 |
| CN111860422A (zh) * | 2020-07-30 | 2020-10-30 | 西北师范大学 | 医护人员防护用品穿戴规范性智能检测方法 |
| CN112183235A (zh) * | 2020-09-07 | 2021-01-05 | 根尖体育科技（北京）有限公司 | 针对运动场所进行视频采集的自动控制方法 |
| CN113553979A (zh) * | 2021-07-30 | 2021-10-26 | 国电汉川发电有限公司 | 一种基于改进yolo v5的安全服检测方法和系统 |
| CN113553979B (zh) * | 2021-07-30 | 2023-08-08 | 国电汉川发电有限公司 | 一种基于改进yolo v5的安全服检测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109543542A (zh) | 一种特定场所人员着装是否规范的判定方法 | |
| CN109726652B (zh) | 一种基于卷积神经网络检测值班人员睡觉行为的方法 | |
| CN110110613B (zh) | 一种基于动作识别的轨道交通异常人员检测方法 | |
| CN103632158B (zh) | 森林防火监控方法及森林防火监控系统 | |
| CN111598040B (zh) | 一种建筑工人身份识别及安全帽佩戴检测方法及系统 | |
| CN103049740B (zh) | 基于视频图像的疲劳状态检测方法及装置 | |
| CN109272153A (zh) | 一种旅游景区人流预警系统 | |
| CN106023199B (zh) | 一种基于图像分析技术的烟气黑度智能检测方法 | |
| CN108304816B (zh) | 身份识别方法、装置、存储介质及电子设备 | |
| CN106570440A (zh) | 基于图像分析的人数统计方法和人数统计装置 | |
| CN105894015B (zh) | 一种道闸状态分析方法和系统 | |
| CN111062303A (zh) | 图像处理方法、系统及计算机存储介质 | |
| CN110889339A (zh) | 基于头肩检测的危险区域分级预警方法与系统 | |
| WO2021258636A1 (zh) | 基于深度分层模糊算法的环保设备识别方法与系统 | |
| CN117035419B (zh) | 企业项目实施智能管理系统及方法 | |
| CN109684976A (zh) | 门状态监测方法、装置、设备和系统及存储介质 | |
| CN108362382B (zh) | 一种热成像监控方法及其监控系统 | |
| CN109867186A (zh) | 一种基于智能视频分析技术的电梯困人检测方法及系统 | |
| CN114579791A (zh) | 一种基于作业票的施工安全违章识别方法及系统 | |
| CN207636791U (zh) | 一种大客流快速安检门 | |
| CN113297913B (zh) | 一种配网现场作业人员穿衣规范的识别方法 | |
| CN113052125B (zh) | 一种施工现场违章图像识别告警方法 | |
| CN113221667A (zh) | 一种基于深度学习的人脸口罩属性分类方法及系统 | |
| CN111310723A (zh) | 基于深度学习技术的变电站人员穿戴规范分析方法 | |
| CN105427303B (zh) | 一种变电站遗留物的视觉测量与估计方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |