CN110852183B - 一种未佩戴安全帽人员识别方法、系统、装置和存储介质 - Google Patents
一种未佩戴安全帽人员识别方法、系统、装置和存储介质 Download PDFInfo
- Publication number
- CN110852183B CN110852183B CN201910999764.9A CN201910999764A CN110852183B CN 110852183 B CN110852183 B CN 110852183B CN 201910999764 A CN201910999764 A CN 201910999764A CN 110852183 B CN110852183 B CN 110852183B
- Authority
- CN
- China
- Prior art keywords
- live
- wearing
- safety helmet
- yolo
- action image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 37
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种未佩戴安全帽人员识别方法、系统、装置和存储介质，所述方法包括获取至少一张实景图像，使用YOLO模型分别对各所述实景图像进行处理，获取未佩戴安全帽人员识别结果，选择出最优识别结果，以及根据所述最优识别结果，标记出各所述实景图像中的未佩戴安全帽人员等步骤。本发明从不同的YOLO模型所输出的未佩戴安全帽人员识别结果中选择出最优识别结果，可以减小拍摄实景图像的过程中以及不同YOLO模型对实景图像的处理过程中产生的误差，提高识别准确率；根据最优识别结果标记出未佩戴安全帽人员，可以进一步进行提醒等工作，从而及时地制止不佩戴安全帽的行为，保障安全生产。本发明广泛应用于安全生产技术领域。
Description
技术领域
本发明涉及安全生产技术领域，尤其是一种未佩戴安全帽人员识别方法、系统、装置和存储介质。
背景技术
安全帽是一种用于保护生产人员免受事故伤害的装备，广泛应用于建筑工地和生产车间等生产场地。但是，由于安全意识淡薄等原因，一些人员在生产场地进行生产作业时未佩戴安全帽(Non-hardhat-use，NHU)，从而在发生事故时遭受人身伤害。通过安全教育等方法，可能提高安全帽佩戴率，但是收效缓慢，难以及时发现生产场地未佩戴安全帽的人员并及时采取教育等措施，因此现有技术难以对零星存在的未佩戴安全帽的情况进行及时识别以及进行有针对性的改善。
术语解释：
YOLO模型：英文全称为You Only Look Once，是一种实时的目标检测算法，在对待检测图像在不同的尺度、位置上进行目标检测时，只需执行一次处理过程，因此能够取得较快的检测速度。
发明内容
为了解决至少一个上述技术问题，本发明的目在于提供一种未佩戴安全帽人员识别方法、系统、装置和存储介质。
一方面，实施例中包括一种未佩戴安全帽人员识别方法，包括以下步骤：
获取对生产场地同一区域拍摄得到的至少一张实景图像；
使用YOLO模型分别对各所述实景图像进行处理；所述YOLO模型分别输出各所述实景图像对应的未佩戴安全帽人员识别结果；
从各所述未佩戴安全帽人员识别结果中选择出最优识别结果；
根据所述最优识别结果，标记出各所述实景图像中的未佩戴安全帽人员。
进一步地，所述从各所述未佩戴安全帽人员识别结果中选择出最优识别结果这一步骤，具体包括：
获取各所述未佩戴安全帽人员识别结果的属性数据；
检测各所述属性数据中的众数；
将具有所述众数的所述未佩戴安全帽人员识别结果之一设定为所述最优识别结果。
进一步地，所述使用YOLO模型分别对各所述实景图像进行处理这一步骤，具体包括：
配置多个YOLO模型；各所述YOLO模型具有互不完全相同的运行参数；
分别使用各所述YOLO模型对各所述实景图像进行处理。
进一步地，各所述YOLO模型经过预先训练；所述训练包括以下步骤：
获取对生产场地拍摄得到的多个监控视频；
分别从各所述监控视频中截取出多个关键帧；
识别各所述关键帧中的未佩戴安全帽人员以及佩戴安全帽人员，从而对各所述关键帧进行注释；
组建包含各所述关键帧及相应注释的训练数据集；
建立各所述训练数据集与各所述YOLO模型的一一对应关系；
使用所述训练数据集对相应的所述YOLO模型进行训练。
进一步地，各所述监控视频分别是通过互不相同的拍摄参数拍摄得到的；同一所述训练数据集包含的各所述关键帧具有相同的拍摄参数。
进一步地，各所述实景图像分别是通过互不相同的拍摄参数拍摄得到的。
进一步地，同一YOLO模型所处理的实景图像与训练所用的训练数据集具有相同的拍摄参数。
另一方面，实施例中还包括一种未佩戴安全帽人员识别系统，包括：
第一模块，用于获取对生产场地同一区域拍摄得到的至少一张实景图像；
第二模块，用于使用YOLO模型分别对各所述实景图像进行处理；所述YOLO模型分别输出各所述实景图像对应的未佩戴安全帽人员识别结果；
第三模块，用于从各所述未佩戴安全帽人员识别结果中选择出最优识别结果；
第四模块，用于根据所述最优识别结果，标记出各所述实景图像中的未佩戴安全帽人员。
另一方面，实施例中还包括一种未佩戴安全帽人员识别装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行本发明方法。
另一方面，实施例中还包括一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行本发明方法。
本发明的有益效果是：经过不同拍摄参数的监控视频训练的YOLO模型，分别具有对相应拍摄参数的实景图像的最佳处理能力；结合生产场地设有多个从不同角度、不同距离对同一区域进行拍摄的摄像头的实际，将这些摄像头采集到的实景图像分别使用相应的YOLO模型进行处理，可以分别取得最佳识别效果；从不同的YOLO模型所输出的未佩戴安全帽人员识别结果中选择出最优识别结果，可以减小不同的摄像头拍摄实景图像的过程中以及不同YOLO模型对实景图像的处理过程中产生的误差，提高识别准确率；根据最优识别结果标记出未佩戴安全帽人员，可以进一步进行提醒等工作，从而及时地制止不佩戴安全帽的行为，保障安全生产。
附图说明
图1为实施例中所使用的YOLO模型的原理图；
图2为实施例中所使用的YOLO模型的置信度阈值-精度召回率比值关系图；
图3为实施例中未佩戴安全帽人员识别方法的流程图；
图4、图5和图6分别为在同一时间对生产场地的同一区域、以不同拍摄参数拍摄得到的实景图像。
具体实施方式
本实施例中所使用的YOLO模型，其原理如图1所示，大致包括的三个步骤。首先，提取待处理图像的特征；然后，利用卷积层和池化层组成的卷积神经网络进行处理，以产生卷积特征图，卷积神经网络在处理过程中还识别特征图的前景区域和背景区域，并删除背景区域，仅对前景区域使用滑动窗口进行区域提取，最后使用YOLO检测器对特征图以及提取出的特征进行分类，分类的类别包括“包含未佩戴安全帽人员”以及“不包含未佩戴安全帽人员”等，从而识别相应的待处理图像中是否包含未佩戴安全帽人员。
为了使得YOLO模型具有准确的识别能力，也就是使YOLO模型所使用的卷积神经网络具有合适的工作参数，在使用YOLO模型进行实际的识别之前，应对YOLO模型进行预先训练。
本实施例中的未佩戴安全帽人员识别方法将使用多组YOLO模型，针对这些YOLO模型的训练包括以下步骤：
P1.获取对生产场地拍摄得到的多个监控视频；
P2.分别从各所述监控视频中截取出多个关键帧；
P3.识别各所述关键帧中的未佩戴安全帽人员以及佩戴安全帽人员，从而对各所述关键帧进行注释；
P4.组建包含各所述关键帧及相应注释的训练数据集；
P5.建立各所述训练数据集与各所述YOLO模型的一一对应关系；
P6.使用所述训练数据集对相应的所述YOLO模型进行训练。
步骤P1中，各所述监控视频分别是通过互不相同的拍摄参数拍摄得到的，所述拍摄参数是指用来拍摄监控视频的摄影设备所使用的感光度、焦距、光圈和拍摄角度等光学参数，在室外拍摄的情况下，也可以包括拍摄监控视频当时的天气等环境参数，可以选取这些光学参数或环境参数中的一个来作为所述拍摄参数，可以选择多个组成所述拍摄参数。这些拍摄参数是为了标记监控视频的特征，并不写入到所述监控视频中。由于关键帧是从监控视频中截取出来的，因此关键帧也具有与相应监控视频相同的拍摄参数。
步骤P2中，通过截图等方式，将监控视频转成图片格式的关键帧。
步骤P3中，识别各所述关键帧中的未佩戴安全帽人员的身份以及佩戴安全帽人员的身份和安全帽佩戴状态，然后使用图像注释工具LabelImg根据身份和安全帽佩戴状态等内容对关键帧进行注释，将注释文件保存为可由Python使用的PASCAL VOC格式的XML文件。
步骤P4中，使用关键帧以及对应的注释文件组成训练数据集，并且每一训练数据集中所包含的所有关键帧的拍摄参数都是相同的。
步骤P5中，为每一YOLO模型选定一个训练数据集，使得在对YOLO模型进行训练时，每一YOLO模型训练所用的关键帧都具有相同的拍摄参数。
步骤P6中，使用所述训练数据集对相应的所述YOLO模型进行训练，使得每一YOLO模型中的卷积神经网络和检测器具备相应的工作参数和特征提取能力以及分类能力。
在执行步骤P6的过程中，可以设计精度、召回率、错失率、速度和鲁棒性等指标来评价YOLO模型的性能，从而为YOLO模型设定合适的置信度阈值。
在计算所述精度、召回率和错失率之前，首先获取TP(真阳性)、FP(假阳性)和FN(假阴性)。TP是YOLO模型对训练数据集中关键帧未佩戴安全帽人员分类正确的数量，如对某一关键帧分类结果为存在关键帧未佩戴安全帽人员，其实际确实为关键帧未佩戴安全帽人员，则TP累计加1。FP是YOLO模型对训练数据集中关键帧未佩戴安全帽人员分类正确的数量，但结果不正确，例如，如果关键帧中包含的人员佩戴了安全帽，但YOLO模型将人员识别为未佩戴安全帽人员，或者甚至其他非人物对象误判为未佩戴安全帽人员，则FP累计加1。FN是含有未佩戴安全帽人员但未被YOLO模型识别出来的数量。在获得TP、FP和FN后，通过以下公式计算所述精度、召回率和错失率：
速度指的是YOLO模型完成检测一个含有未佩戴安全帽人员图像所消耗的时间。鲁棒性表示当应用于测试各种图像时检测结果的稳定性。施工现场通常在户外开放的环境中，包含大量的工人，设备和建筑材料。建筑工地上天气情况，照明条件，工人姿势，视觉范围和是否遮挡等都时刻发生变化。这些因素不可避免地对这些工作场所的清晰度产生影响。一个好的算法应该对这些变化具有鲁棒性，并且在不同的条件下检测性能不会显着降低。不同情况下的正确性和速度是反映模型鲁棒性的指标。
从25个不同的建筑施工项目中收集了超过100，000个监控视频，收集的视频时间跨度超过一年。随机截取来自这些监控视频的总共81，000个关键帧及其注释以构成训练数据集，其余关键帧构成测试数据集。将这些训练数据集用于执行步骤P1-P6以训练YOLO模型。
YOLO模型为每个检测到的对象提供置信度值。置信度值为所识别的关键帧含有未佩戴安全帽人员的概率。例如，置信度值为0.9意味着所识别的关键帧含有未佩戴安全帽人员的概率是90％。当置信度值高于置信度阈值时，识别为正性样本。因此，置信度阈值对正样本和负样本的分类有影响。图2为基于不同置信度阈值的精度召回率比值(P/R)曲线。如图2所示，高置信度阈值倾向于拒绝模糊样本并且导致高精度但低召回率，而低置信度阈值情况接受更模糊的样本但具有高召回率和低精度。综合考虑精度和召回率，本实施例中选择0.7作为各YOLO模型的置信度阈值。
参照图3，本实施例中的未佩戴安全帽人员识别方法包括以下步骤：
S1.获取对生产场地同一区域拍摄得到的至少一张实景图像；
S2.使用YOLO模型分别对各所述实景图像进行处理；
S3.获取所述YOLO模型识别出的各所述实景图像对应的未佩戴安全帽人员识别结果；
S4.从各所述未佩戴安全帽人员识别结果中选择出最优识别结果；
S5.根据所述最优识别结果，标记出各所述实景图像中的未佩戴安全帽人员。
本实施例中，在执行步骤S1时，在同一时间对生产场地的同一区域拍摄得到如图4、图5和图6所示的三张实景图像，它们分别是通过互不相同的拍摄参数拍摄得到的，并且它们所的拍摄参数，分别与执行步骤S2所使用的三个YOLO模型训练所用的训练数据集对应的拍摄参数相同。所述拍摄参数具体是指拍摄角度以及所使用的焦距，从而形成视角上的差别。
步骤S2中，获取经过步骤P1-P6训练的第一YOLO模型、第二YOLO模型和第三YOLO模型，并使用第一YOLO模型对图4所示的实景图像进行处理，使用第二YOLO模型对图5所示的实景图像进行处理，使用第三YOLO模型对图6所示的实景图像进行处理。在执行步骤P1-P6以训练所使用的三个YOLO模型时，第一YOLO模型所使用的训练数据集中的关键帧的拍摄参数与图4所示实景图像的拍摄参数相同，第二YOLO模型所使用的训练数据集中的关键帧的拍摄参数与图5所示实景图像的拍摄参数相同，第三YOLO模型所使用的训练数据集中的关键帧的拍摄参数与图6所示实景图像的拍摄参数相同，因此这三个YOLO模型分别具有针对特定拍摄参数的图像较佳的处理能力。
第一YOLO模型、第二YOLO模型和第三YOLO模型在执行特征提取和分类等处理之后，分别输出对图4、图5和图6的未佩戴安全帽人员识别结果。每个实景图像对应的未佩戴安全帽人员识别结果，分别表示该实景图像中是否包含未佩戴安全帽人员。
执行以下步骤S401-S403以从各所述未佩戴安全帽人员识别结果中选择出最优识别结果：
S401.获取各所述未佩戴安全帽人员识别结果的属性数据；
S402.检测各所述属性数据中的众数；
S403.将具有所述众数的所述未佩戴安全帽人员识别结果之一设定为所述最优识别结果。
步骤S401中所述的“属性数据”是由未佩戴安全帽人员识别结果的表现形式，其具体形式为“实景图像中包含或不包含未佩戴安全帽人员”、“实景图像中包含的未佩戴安全帽人员的数量”等。
本实施例中，将所述属性数据设定为“实景图像中包含或不包含未佩戴安全帽人员”，并对步骤P1-P6中组建训练数据集时所使用的注释文件的内容进行相应设置，经过步骤P1-P6训练的第一YOLO模型对图4的识别结果为“实景图像包含未佩戴安全帽人员”，第二YOLO模型对图5的识别结果为“实景图像包含未佩戴安全帽人员”，第三YOLO模型对图6的识别结果为“实景图像包含未佩戴安全帽人员”。由于对三个实景图像的识别结果均为“实景图像包含未佩戴安全帽人员”，因此步骤S402中各所述属性数据中的众数为“实景图像包含未佩戴安全帽人员”，步骤S403中所述最优识别结果为“实景图像包含未佩戴安全帽人员”。在图4、图5、图6是同一时间对生产场地的同一区域拍摄的情况下，则可以判定该生产场地的该区域包含未佩戴安全帽人员，进一步标记出各所述实景图像中的未佩戴安全帽人员，使得工作人员可以据此及时发现生产场地上存在的未佩戴安全帽的现象，及时执行通知相关人员佩戴安全帽等工作，避免因有人未佩戴安全帽而遭受安全事故带来的人身伤害。
本实施例中，也可以将所述属性数据设定为“实景图像中包含的未佩戴安全帽人员的数量”，并对步骤P1-P6中组建训练数据集时所使用的注释文件的内容进行相应设置，经过步骤P1-P6训练的第一YOLO模型对图4的识别结果为“实景图像包含1个未佩戴安全帽人员”，第二YOLO模型对图5的识别结果为“实景图像包含2个未佩戴安全帽人员”，第三YOLO模型对图6的识别结果为“实景图像包含1个未佩戴安全帽人员”。由于对其中两个实景图像的识别结果均为“实景图像包含2个未佩戴安全帽人员”，因此步骤S402中各所述属性数据中的众数为“实景图像包含2个未佩戴安全帽人员”，步骤S403中所述最优识别结果为“实景图像包含2个未佩戴安全帽人员”。在图4、图5、图6是同一时间对生产场地的同一区域拍摄的情况下，则可以判定该生产场地的该区域包含未佩戴安全帽人员，进一步标记出各所述实景图像中的未佩戴安全帽人员，使得工作人员可以据此及时发现生产场地上存在的未佩戴安全帽的现象，及时执行通知相关人员佩戴安全帽等工作，避免因有人未佩戴安全帽而遭受安全事故带来的人身伤害。
本实施例中所述的未佩戴安全帽人员识别方法具有以下优点：
经过不同拍摄参数的监控视频训练的YOLO模型，分别具有对相应拍摄参数的实景图像的最佳处理能力；结合生产场地设有多个从不同角度、不同距离对同一区域进行拍摄的摄像头的实际，将这些摄像头采集到的实景图像分别使用相应的YOLO模型进行处理，可以分别取得最佳识别效果；从不同的YOLO模型所输出的未佩戴安全帽人员识别结果中选择出最优识别结果，可以减小不同的摄像头拍摄实景图像的过程中以及不同YOLO模型对实景图像的处理过程中产生的误差，提高识别准确率；根据最优识别结果标记出未佩戴安全帽人员，可以进一步进行提醒等工作，从而及时地制止不佩戴安全帽的行为，保障安全生产。
所述未佩戴安全帽人员识别方法可以用未佩戴安全帽人员识别系统来实现。所述未佩戴安全帽人员识别系统包括：
第一模块，用于获取对生产场地同一区域拍摄得到的至少一张实景图像；
第二模块，用于使用YOLO模型分别对各所述实景图像进行处理；所述YOLO模型分别输出各所述实景图像对应的未佩戴安全帽人员识别结果；
第三模块，用于从各所述未佩戴安全帽人员识别结果中选择出最优识别结果；
第四模块，用于根据所述最优识别结果，标记出各所述实景图像中的未佩戴安全帽人员。
所述第一模块、第二模块、第三模块和第四模块可以是计算机设备中具有相应功能的硬件模块、软件模块或硬件模块和软件模块的组合。
本实施例还包括一种未佩戴安全帽人员识别装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行本发明方法。
本实施例还包括一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行本发明方法。
本实施例中的未佩戴安全帽人员识别系统、装置和存储介质，可以执行本发明的未佩戴安全帽人员识别方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上是对本发明的较佳实施进行了具体说明，但对本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种未佩戴安全帽人员识别方法，其特征在于，包括以下步骤：
获取对生产场地同一区域拍摄得到的至少一张实景图像；
使用YOLO模型分别对各所述实景图像进行处理；所述YOLO模型分别输出各所述实景图像对应的未佩戴安全帽人员识别结果；
从各所述未佩戴安全帽人员识别结果中选择出最优识别结果；
根据所述最优识别结果，标记出各所述实景图像中的未佩戴安全帽人员；
所述从各所述未佩戴安全帽人员识别结果中选择出最优识别结果这一步骤，具体包括：
获取各所述未佩戴安全帽人员识别结果的属性数据；
检测各所述属性数据中的众数；
将具有所述众数的所述未佩戴安全帽人员识别结果设定为所述最优识别结果；
所述使用YOLO模型分别对各所述实景图像进行处理这一步骤，具体包括：
配置多个YOLO模型；各所述YOLO模型具有互不完全相同的运行参数；
分别使用各所述YOLO模型对各所述实景图像进行处理；
获取各所述YOLO模型输出的未佩戴安全帽人员识别结果。
2.根据权利要求1所述的一种未佩戴安全帽人员识别方法，其特征在于，各所述YOLO模型经过预先训练；所述训练包括以下步骤：
获取对生产场地拍摄得到的多个监控视频；
分别从各所述监控视频中截取出多个关键帧；
识别各所述关键帧中的未佩戴安全帽人员以及佩戴安全帽人员，从而对各所述关键帧进行注释；
组建包含各所述关键帧及相应注释的训练数据集；
建立各所述训练数据集与各所述YOLO模型的一一对应关系；
使用所述训练数据集对相应的所述YOLO模型进行训练。
3.根据权利要求2所述的一种未佩戴安全帽人员识别方法，其特征在于，各所述监控视频分别是通过互不相同的拍摄参数拍摄得到的；同一所述训练数据集包含的各所述关键帧具有相同的拍摄参数。
4.根据权利要求3所述的一种未佩戴安全帽人员识别方法，其特征在于，各所述实景图像分别是通过互不相同的拍摄参数拍摄得到的。
5.根据权利要求4所述的一种未佩戴安全帽人员识别方法，其特征在于，同一YOLO模型所处理的实景图像与训练所用的训练数据集具有相同的拍摄参数。
6.一种未佩戴安全帽人员识别系统，其特征在于，包括：
第一模块，用于获取对生产场地同一区域拍摄得到的至少一张实景图像；
第二模块，用于使用YOLO模型分别对各所述实景图像进行处理；所述YOLO模型分别输出各所述实景图像对应的未佩戴安全帽人员识别结果；
第三模块，用于从各所述未佩戴安全帽人员识别结果中选择出最优识别结果；
第四模块，用于根据所述最优识别结果，标记出各所述实景图像中的未佩戴安全帽人员；
所述从各所述未佩戴安全帽人员识别结果中选择出最优识别结果，具体包括：
获取各所述未佩戴安全帽人员识别结果的属性数据；
检测各所述属性数据中的众数；
将具有所述众数的所述未佩戴安全帽人员识别结果设定为所述最优识别结果；
所述使用YOLO模型分别对各所述实景图像进行处理，具体包括：
配置多个YOLO模型；各所述YOLO模型具有互不完全相同的运行参数；
分别使用各所述YOLO模型对各所述实景图像进行处理；
获取各所述YOLO模型输出的未佩戴安全帽人员识别结果。
7.一种未佩戴安全帽人员识别装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-5任一项所述方法。
8.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-5任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910999764.9A CN110852183B (zh) | 2019-10-21 | 2019-10-21 | 一种未佩戴安全帽人员识别方法、系统、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910999764.9A CN110852183B (zh) | 2019-10-21 | 2019-10-21 | 一种未佩戴安全帽人员识别方法、系统、装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110852183A CN110852183A (zh) | 2020-02-28 |
| CN110852183B true CN110852183B (zh) | 2022-03-25 |
Family
ID=69596952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910999764.9A Active CN110852183B (zh) | 2019-10-21 | 2019-10-21 | 一种未佩戴安全帽人员识别方法、系统、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110852183B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111460902B (zh) * | 2020-03-03 | 2023-03-14 | 广州大学 | 视觉数据中防护设备的检测方法、系统、装置和存储介质 |
| CN111460896B (zh) * | 2020-03-03 | 2023-03-31 | 广州大学 | 视觉数据中防护设备的检测方法、装置和存储介质 |
| CN111460895B (zh) * | 2020-03-03 | 2023-03-28 | 广州大学 | 视觉数据中防护设备的检测方法、装置和存储介质 |
| CN111401278A (zh) * | 2020-03-20 | 2020-07-10 | 重庆紫光华山智安科技有限公司 | 安全帽识别方法、装置、电子设备及存储介质 |
| CN112434827B (zh) * | 2020-11-23 | 2023-05-16 | 南京富岛软件有限公司 | 一种5t运维中安全防护识别单元 |
| CN113221783A (zh) * | 2021-05-20 | 2021-08-06 | 上海可深信息科技有限公司 | 一种低分辨率图像安全帽识别方法 |
| CN113537296A (zh) * | 2021-06-22 | 2021-10-22 | 广州云从鼎望科技有限公司 | 特征检测方法、装置及计算机存储介质 |
| CN117124217B (zh) * | 2023-10-25 | 2024-01-30 | 江苏宝昌特种合金科技有限公司 | 一种镶入式支管嘴表面处理装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108920750A (zh) * | 2018-05-24 | 2018-11-30 | 武汉八维时空信息技术股份有限公司 | 工程建造多维动态信息融合及协同交互系统 |
| CN110119686A (zh) * | 2019-04-17 | 2019-08-13 | 电子科技大学 | 一种基于卷积神经网络的安全帽实时检测方法 |
| CN110263665A (zh) * | 2019-05-29 | 2019-09-20 | 朗坤智慧科技股份有限公司 | 基于深度学习的安全帽识别方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9953217B2 (en) * | 2015-11-30 | 2018-04-24 | International Business Machines Corporation | System and method for pose-aware feature learning |
| US10963750B2 (en) * | 2018-01-04 | 2021-03-30 | IAS Machine, LLC | Procedural language and content generation environment for use in augmented reality/mixed reality systems to support laboratory and related operations |
-
2019
- 2019-10-21 CN CN201910999764.9A patent/CN110852183B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108920750A (zh) * | 2018-05-24 | 2018-11-30 | 武汉八维时空信息技术股份有限公司 | 工程建造多维动态信息融合及协同交互系统 |
| CN110119686A (zh) * | 2019-04-17 | 2019-08-13 | 电子科技大学 | 一种基于卷积神经网络的安全帽实时检测方法 |
| CN110263665A (zh) * | 2019-05-29 | 2019-09-20 | 朗坤智慧科技股份有限公司 | 基于深度学习的安全帽识别方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| Real Time Automatic Helmet Detection of Bike Riders;Kavyashree Devadiga 等;《IJIRST》;20180430;第174-179页 * |
| 基于YOLO的安全帽检测方法;林俊 等;《计算机系统应用》;20190905;第146-148页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110852183A (zh) | 2020-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852183B (zh) | 一种未佩戴安全帽人员识别方法、系统、装置和存储介质 | |
| CN109117827B (zh) | 基于视频的工服工帽穿戴状态自动识别方法与报警系统 | |
| 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 | |
| CN109670441B (zh) | 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质 | |
| CN108053427B (zh) | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 | |
| CN107016322B (zh) | 一种尾随人员分析的方法及装置 | |
| CN109766779B (zh) | 徘徊人员识别方法及相关产品 | |
| CN105631439A (zh) | 人脸图像处理方法和装置 | |
| CN109815813B (zh) | 图像处理方法及相关产品 | |
| CN112396658A (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
| Mneymneh et al. | Evaluation of computer vision techniques for automated hardhat detection in indoor construction safety applications | |
| CN110619324A (zh) | 一种行人和安全帽检测方法、装置及系统 | |
| JP3970877B2 (ja) | 追跡装置および追跡方法 | |
| JP2017010224A (ja) | 物体追尾装置、物体追尾方法及びプログラム | |
| CN109724993A (zh) | 图像识别设备的污损程度的检测方法、装置和存储介质 | |
| CN112270253A (zh) | 一种高空抛物的检测方法及装置 | |
| CN111259763A (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
| US20230186634A1 (en) | Vision-based monitoring of site safety compliance based on worker re-identification and personal protective equipment classification | |
| CN112631896A (zh) | 设备性能测试方法、装置、存储介质及电子设备 | |
| CN109146913B (zh) | 一种人脸跟踪方法及装置 | |
| KR101547255B1 (ko) | 지능형 감시 시스템의 객체기반 검색방법 | |
| US11682211B2 (en) | Computer-implemented method | |
| KR102316799B1 (ko) | 객체 및 상황 인지 방법 및 시스템 | |
| CN116740753A (zh) | 一种基于改进YOLOv5和DeepSORT的目标检测及追踪的方法及系统 | |
| CN115909219A (zh) | 一种基于视频分析的场景变更检测方法与系统 |
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 |