CN111178212A - 图像识别方法、装置、计算机设备和存储介质 - Google Patents

图像识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111178212A
CN111178212A CN201911337464.0A CN201911337464A CN111178212A CN 111178212 A CN111178212 A CN 111178212A CN 201911337464 A CN201911337464 A CN 201911337464A CN 111178212 A CN111178212 A CN 111178212A
Authority
CN
China
Prior art keywords
image
aerial work
work monitoring
historical
image recognition
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
Application number
CN201911337464.0A
Other languages
English (en)
Inventor
邓浩
程晓陆
叶晓琪
党海
符晓洪
罗伟明
刘雨佳
肖雨亭
乔洪新
斯荣
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.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
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 Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN201911337464.0A priority Critical patent/CN111178212A/zh
Publication of CN111178212A publication Critical patent/CN111178212A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

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

Abstract

本申请涉及一种图像识别方法、装置、计算机设备和存储介质。所述方法包括：实时获取高空作业监控图像；将高空作业监控图像输入到已建立的图像识别模型中识别，得到输出的安全带位置信息和安全带佩戴置信度，图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果进行训练得到的；根据安全带位置信息和安全带佩戴置信度得到图像识别结果；当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令，以使目标报警装置根据报警指令执行报警。采用本方法能够实时对高空作业监控图像进行图像识别，及时发现未正确佩戴安全带的情况并进行报警，防止出现安全事故。

Description

图像识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种图像识别方法、装置、计算机设备和存储介质。
背景技术
随着社会水平的发展，高空作业越来越多。比如，对高空中电网的作业等。而在高空中作业，安全带是保护生命安全的装置。目前通常是在作业人员升空之前，对安全带的佩戴情况进行检测。然而这种情况无法实时监控高空作业人员安全带的佩戴情况，从而导致高空作业事故。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实时监控安全带佩戴情况的图像识别方法、装置、计算机设备和存储介质。
一种图像识别方法，包括：
实时获取高空作业监控图像；
将高空作业监控图像输入到已建立的图像识别模型中识别，得到输出的安全带位置信息和安全带佩戴置信度，图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果进行训练得到的；
根据安全带位置信息和安全带佩戴置信度得到图像识别结果；
当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令，以使目标报警装置根据报警指令执行报警。
在其中一个实施例中，获取高空作业监控图像，包括：
检测高空作业监控图像，当高空作业监控图像未符合预设尺寸时，将高空作业监控图像转换为预设尺寸的高空作业监控图像；
则将高空作业监控图像输入到已建立的图像识别模型中识别，包括：
将预设尺寸的高空作业监控图像输入到已建立的图像识别模型中识别。
在其中一个实施例中，在当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令之后，还包括：
获取高空作业监控图像对应的用户标识，根据用户标识生成报警记录信息，将报警记录信息保存。
在其中一个实施例中，在当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令之后，还包括：
根据安全带位置信息从高空作业监控图像确定对应的人脸图像，将人脸图像进行人脸识别，得到人脸识别结果；
根据人脸识别结果确定用户标识，根据用户标识生成报警记录信息，将报警记录信息保存。
在其中一个实施例中，已建立的图像识别模型的训练步骤，包括：
获取训练数据，训练数据包括历史高空作业监控图像和对应的历史图像识别结果；
将历史高空作业监控图像作为深度神经网络的输入，将历史图像识别结果作为标签进行训练，当达到训练完成条件时，得到已建立的图像识别模型。
在其中一个实施例中，在将历史高空作业监控图像作为深度神经网络算法的输入，将历史图像识别结果作为标签进行训练之后，还包括：
当未达到训练完成条件时，使用随机梯度下降算法调整深度神经网络的参数，得到更新的深度神经网络；
返回将历史高空作业监控图像作为深度神经网络的输入，将历史图像识别结果作为标签进行训练的步骤执行，直到达到训练完成条件时，得到已建立的图像识别模型。
在其中一个实施例中，获取训练数据，训练数据包括历史高空作业监控图像和对应的历史图像识别结果，包括：
对历史高空作业监控图像按照预设角度旋转，得到旋转后的历史高空作业监控图像；
对历史高空作业监控图像按照预设亮度调节，得到预设亮度的历史高空作业监控图像；
将历史高空作业监控图像进行灰度设置，得到历史高空作业监控灰度图像；
根据旋转后的历史高空作业监控图像、预设亮度的历史高空作业监控图像和历史高空作业监控灰度图像得到目标训练数据。
一种图像识别装置，所述装置包括：
图像获取模块，用于实时获取高空作业监控图像；
图像识别模块，用于将所述高空作业监控图像输入到已建立的图像识别模型中识别，得到输出的安全带位置信息和安全带佩戴置信度，所述图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果进行训练得到的；
结果得到模块，用于根据所述安全带位置信息和所述安全带佩戴置信度得到图像识别结果；
报警模块，用于当所述图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令，以使所述目标报警装置根据所述报警指令执行报警。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
实时获取高空作业监控图像；
将高空作业监控图像输入到已建立的图像识别模型中识别，得到输出的安全带位置信息和安全带佩戴置信度，图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果进行训练得到的；
根据安全带位置信息和安全带佩戴置信度得到图像识别结果；
当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令，以使目标报警装置根据报警指令执行报警。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
实时获取高空作业监控图像；
将高空作业监控图像输入到已建立的图像识别模型中识别，得到输出的安全带位置信息和安全带佩戴置信度，图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果进行训练得到的；
根据安全带位置信息和安全带佩戴置信度得到图像识别结果；
当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令，以使目标报警装置根据报警指令执行报警。
上述图像识别方法、装置、计算机设备和存储介质，通过实时获取高空作业监控图像；将高空作业监控图像输入到已建立的图像识别模型中识别，得到输出的安全带位置信息和安全带佩戴置信度，图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果进行训练得到的；根据安全带位置信息和安全带佩戴置信度得到图像识别结果；当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令，以使目标报警装置根据报警指令执行报警，能够实时对高空作业监控图像进行图像识别，及时发现未正确佩戴安全带的情况并进行报警，防止出现安全事故。
附图说明
图1为一个实施例中图像识别方法的应用场景图；
图2为一个实施例中图像识别方法的流程示意图；
图3为一个实施例中保存报警记录信息的流程示意图；
图4为一个实施例中训练图像识别模型的流程示意图；
图5为一个具体实施例中建立的图像识别模型的结构示意图；
图6为一个具体实施例中识别效果的示意图；
图7为一个实施例中循环建立图像识别模型的流程示意图；
图8为一个实施例中得到目标训练数据的流程示意图；
图9为一个实施例中图像识别装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的图像识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。实时获取高空作业监控图像；将高空作业监控图像输入到已建立的图像识别模型中识别，得到输出的安全带位置信息和安全带佩戴置信度，图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果进行训练得到的；根据安全带位置信息和安全带佩戴置信度得到图像识别结果；当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令，以使目标报警装置根据报警指令执行报警。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种图像识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S206，实时获取高空作业监控图像。
其中，高空作业监控图像是指通过监控设备监控到的高空作业人员的图像。其中，监控设备是指具有监控功能的摄像设备，比如摄像头、摄像机等等。
具体地，监控设备实时监控高空作业人员，获取到高空作业监控图像。然后监控设备将高空作业监控图像实时发送到服务器，服务器实时接收到监控设备发送的高空作业监控图像。比如，当摄像机检测到电网作业人员在电塔上对输电线路进行修复时，摄像机启动并进行实时监控，得到实时监控的电网作业人员电塔作业图像，将电网作业人员电塔作业图像实时发送到服务器，服务器实时获取到电网作业人员电塔作业图像。
S204，将高空作业监控图像输入到已建立的图像识别模型中识别，得到输出的安全带位置信息和安全带佩戴置信度，图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果进行训练得到的。
其中，图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果使用YOLO(You Only Look Once，你只能运算一次)算法进行训练得到的，用于对高空作业监控图像中的作业人员是否佩戴有安全带进行识别。安全带位置信息用于表示安全带佩戴的具体位置信息，比如，可以用矩形框在高空作业监控图像中标注出，也可以直接使用位置坐标来表示安全带的位置。安全带佩戴置信度是指安全带是正确佩戴的概率。历史高空作业监控图像是指在历史进行高空作业时监控的高空作业图像。历史图像识别结果用于表示历史高空作业监控图像中安全带的佩戴结果，该结果包括未安全佩戴安全带和安全佩戴安全带。
具体地，服务器将高空作业监控图像输入到已建立的图像识别模型中进行识别，得到已建立的图像识别模型输出的安全带位置信息和安全带佩戴置信度。比如，讲电网工作人员高空作业监控图像输入到已建立的图像识别模型中进行识别，得到输出的高空作业监控图像和安全带正确佩戴的结果，该高空作业监控图像中用矩形框标注出安全带佩戴的具体位置。
S208，根据安全带位置信息和安全带佩戴置信度得到图像识别结果。
其中，图像识别结果用于表示对高空作业监控图像中的高空作业人员安全带佩戴情况的检测结果，可以包括未正确佩戴安全带和正确佩戴安全带。
具体地，服务器根据安全带位置信息和安全带佩戴置信度得到图像识别结果。当安全带位置在高空作业人员正确的佩戴位置和安全带佩戴置信度超过预设阈值时，得到安全带正确佩戴检测结果。当安全带位置信息未高空作业人员正确的佩戴位置和安全带佩戴置信度低于预设阈值时，得到安全带未正确佩戴的检测结果，比如，高空作业人员未佩戴安全带。此时未检测到安全带位置且安全带佩戴置信度为0。此时，得到未正确佩戴的检测结果。
S210，当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令，以使目标报警装置根据报警指令执行报警。
其中，目标报警装置用于在未正确佩戴安全带时进行报警提醒。该目标报警装置可以是能够进行提醒的装置，比如，报警器。该目标报警装置可以被高空作业人员随身携带。
具体地，当图像识别结果为未正确佩戴安全带时，服务器向目标报警装置发送报警指令，以使目标报警装置根据报警指令执行报警。比如，服务器向报警器发送报警指令，报警器接收到报警指令，根据报警指令播放预先设置的响铃。当图像识别结果为正确佩戴安全带时，此时服务器不做后续处理，即继续进行安全监控。
在上述实施例中，通过上述图像识别方法、装置、计算机设备和存储介质，通过实时获取高空作业监控图像；将高空作业监控图像输入到已建立的图像识别模型中识别，得到输出的安全带位置信息和安全带佩戴置信度，图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果进行训练得到的；根据安全带位置信息和安全带佩戴置信度得到图像识别结果；当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令，以使目标报警装置根据报警指令执行报警，能够实时对高空作业监控图像进行图像识别，及时发现未正确佩戴安全带的情况并进行报警，防止出现安全事故。
在一个实施例中，步骤S202，即获取高空作业监控图像，包括步骤：
检测高空作业监控图像，当高空作业监控图像未符合预设尺寸时，将高空作业监控图像转换为预设尺寸的高空作业监控图像。
具体地，服务器获取到高空作业监控图像的尺寸，当该尺寸未符合预设尺寸时，将高空作业监控图像转换为预设尺寸的高空作业监控图像。也可以检测高空作业监控图像的像素大小，当该像素大小符合预设像素大小时，将高空作业监控图像转换为预设像素大小的高空作业监控图像。
则步骤S204，即将高空作业监控图像输入到已建立的图像识别模型中识别，包括步骤：
将预设尺寸的高空作业监控图像输入到已建立的图像识别模型中识别。
具体地，服务器机器将预设尺寸的高空作业监控图像输入到已建立的图像识别模型中识别，能够提高模型识别的准确性和效率。
在一个实施例中，在步骤S208之后，即在当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令之后，还包括步骤：
获取高空作业监控图像对应的用户标识，根据用户标识生成报警记录信息，将报警记录信息保存。
其中，用户标识用于唯一标识高空作业监控图像中的用户。报警记录信息用于记录报警相关的信息，包括报警时间、报警地点、报警用户标识和报警图像等等。
具体地，服务器获取到高空作业监控图像中各个作用人员对应的用户标识。比如，可以预先设置好图像中作业人员和用户标识的对应关系。然后服务器根据用户标识生成对应的报警记录信息，该报警记录信息保存到数据库中。管理者可以通过管理终端查看服务器保存的报警记录信息，根据报警记录信息对作业人员进行安全提醒，预防安全事故的发生。
在一个实施例中，如图3所示，在步骤S208之后，在当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令之后，还包括步骤：
S302，根据安全带位置信息从高空作业监控图像确定对应的人脸图像，将人脸图像进行人脸识别，得到人脸识别结果。
其中，人脸识别是指使用人脸识别算法对图像中的人脸进行识别，确定人脸对应的身份信息。人脸识别结果是指对人脸图像的身份识别结果，包括人脸对应的人脸标识。
具体地，服务器根据安全带位置信息从高空作业监控图像确定安全带对应的人脸图像，其中，根据安全带位置信息确定对应的人体图像，从人体图像中确定对应的人脸图像。也可以使用人脸检测算法对图像进行人脸检测，得到确定的人脸图像，然后根据安全带位置确定安全带对应的人脸图像。该人脸检测算法可以是模板匹配算法、神经网络算法和支持向量机算法等等。将人脸图像与人脸数据库中的人脸图像进行匹配，得到匹配成功的人脸图像，就得到了人脸识别结果。
S304，根据人脸识别结果确定用户标识，根据用户标识生成报警记录信息，将报警记录信息保存。
具体地，服务器根据匹配成功的人脸图像获取到关联的用户标识，根据用户标识生成报警记录信息，将报警记录信息保存数据库中。
在上述实施例中，通过对图像进行人脸识别，得到人脸识别结果，根据人脸识别结果确定用户标识，提高了用户标识确定的准确性，使生成的报警记录信息准确无误。
在一个实施例中，如图4所示，已建立的图像识别模型的训练步骤，包括：
S402，获取训练数据，训练数据包括历史高空作业监控图像和对应的历史图像识别结果。
S404，将历史高空作业监控图像作为深度神经网络的输入，将历史图像识别结果作为标签进行训练，当达到训练完成条件时，得到已建立的图像识别模型。
具体地，训练数据用于对图像识别模型的训练。该训练数据包括了大量的历史高空作业监控图像和对应的历史图像识别结果。比如，可以根据每个历史高空作业监控图像对应的历史图像识别结果设置对应的标签。可以对检测结果为正确佩戴安全带的历史高空作业监控图像设置正标签，对检测结果为未正确佩戴安全带的历史高空作业监控图像设置负标签，得到大量带有正负标签的历史高空作业监控图像。此时将带有正负标签的历史高空作业监控图像输入到深度神经网络模型中进行训练，当达到训练完成条件时，比如，训练次数达到最大迭代次数或者训练损失值小于设定的阈值中的至少一种，将最后一次训练时使用的模型作为已建立的图像识别模型，将已建立的图像识别模型的部署到服务器中。
举例来说，深度神经网络模型可以是YOLO模型，如图5所示，为已建立的图像识别YOLO模型的结构示意图，该示意图中包括多个卷积层和全连接层。在训练时，建立以darknet(使用C和CUDA编写的开源的神经网络框架)为基础框架的YOLO底层模型框架，训练时采用的优化算法为SGD(随机梯度下降)算法。训练步长取值为16，一共训练1万个步长。在开始训练的5千个步长以内，学习速率为10-5。通过参数调优找到最优的模型，得到已建立的图像识别YOLO模型。
在识别时，将高空作业监控图像输入到YOLO模型中，具体来说，YOLO模型将高空作业监控图像分成S*S个网格，S为正整数，如果安全带的中心点在其中一个网格中，该网格就预测该安全带。每个网格要预测B个矩形框和C个类别的概率。每个矩形框要预测出(x，y，w，h)和置信度共5个值，即可以预测出矩形框的左上角的坐标和右下角坐标。在预测出矩形框中含有中心点的置信度，则S*S个网格的输出维度为S*S*(5*B+C)。如图6所示，为一个具体实施例中，使用已建立的YOLO模型识别的效果示意图，该识别出2位作业人员的安全带为正确佩戴。
在一个实施例中，如图7所示，在步骤S404之后，即在将历史高空作业监控图像作为深度神经网络算法的输入，将历史图像识别结果作为标签进行训练之后，还包括步骤：
S702，当未达到训练完成条件时，使用随机梯度下降算法调整深度神经网络的参数，得到更新的深度神经网络。
S704，返回将历史高空作业监控图像作为深度神经网络的输入，将历史图像识别结果作为标签进行训练的步骤执行，直到达到训练完成条件时，得到已建立的图像识别模型。
具体地，当未达到训练完成条件时，服务器使用随机梯度下降算法调整神经网络的参数，得到更新的深度神经网络，将更新的深度神经网络作为当前深度神经网络。此时，返回到步骤S302继续执行，即从训练数据中获取到带有标签的历史高空作业监控图像输入到当前深度神经网络中进行训练，不断的进行循环迭代，直到达到训练完成条件时，得到已建立的图像识别模型。
在一个实施例中，如图8所示，步骤S402，即获取训练数据，训练数据包括历史高空作业监控图像和对应的历史图像识别结果，包括步骤：
S802，对历史高空作业监控图像按照预设角度旋转，得到旋转后的历史高空作业监控图像。
S804，对历史高空作业监控图像按照预设亮度调节，得到预设亮度的历史高空作业监控图像。
S806，将历史高空作业监控图像进行灰度设置，得到历史高空作业监控灰度图像。
S808，根据旋转后的历史高空作业监控图像、预设亮度的历史高空作业监控图像和历史高空作业监控灰度图像得到目标训练数据。
具体地，服务器可以对历史高空作业监控图像按照预设角度旋转，也可以随机旋转角度，得到旋转后的历史高空作业监控图像，比如，按照180度进行图像旋转。还可以对历史高空作业监控图像按照预设亮度进行亮度调节，也可以按照随机到的亮度进行调节，得到调整亮度后的历史高空作业监控图像。还可以对历史高空作业监控图像按照设定的灰度进行灰度设置，也可以随机选择灰度值，按照随机选择的灰度值进行调整，得到调整灰度后的历史高空作业监控图像。根据旋转后的历史高空作业监控图像、预设亮度的历史高空作业监控图像和历史高空作业监控灰度图像对训练数据数量进行增加，使用增加后的训练数据进行模型的训练，能够提高模型的准确性。
在一个实施例中，可以将每一张历史高空作业监控图像随机地缩放到设定的各个尺度范围内，得到多个不同尺度的历史高空作业监控图像，使建立的模型可以检测不同尺寸大小作业人员图像及安全带目标，增加模型的鲁棒性。
应该理解的是，虽然图2-图4、图7-图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图4、图7-图8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种图像识别装置900，包括：图像获取模块902、图像识别模块904、结果得到模块906和报警模块908，其中：
图像获取模块902，用于实时获取高空作业监控图像；
图像识别模块904，用于将高空作业监控图像输入到已建立的图像识别模型中识别，得到输出的安全带位置信息和安全带佩戴置信度，图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果进行训练得到的；
结果得到模块906用于根据安全带位置信息和安全带佩戴置信度得到图像识别结果；
报警模块908，用于当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令，以使目标报警装置根据报警指令执行报警。
在一个实施例中，图像获取模块902还用于检测高空作业监控图像，当高空作业监控图像未符合预设尺寸时，将高空作业监控图像转换为预设尺寸的高空作业监控图像；则图像识别模块904还用于将预设尺寸的高空作业监控图像输入到已建立的图像识别模型中识别。
在一个实施例中，图像识别装置900，还包括：
信息生成模块，用于获取高空作业监控图像对应的用户标识，根据用户标识生成报警记录信息，将报警记录信息保存。
在一个实施例中，图像识别装置900，还包括：
人脸识别模块，用于根据安全带位置信息从高空作业监控图像确定对应的人脸图像，将人脸图像进行人脸识别，得到人脸识别结果；
信息保存模块，用于根据人脸识别结果确定用户标识，根据用户标识生成报警记录信息，将报警记录信息保存。
在一个实施例中，图像识别装置900，包括：
训练数据获取模块，用于获取训练数据，训练数据包括历史高空作业监控图像和对应的历史图像识别结果；
模型训练模块，用于将历史高空作业监控图像作为深度神经网络的输入，将历史图像识别结果作为标签进行训练，当达到训练完成条件时，得到已建立的图像识别模型。
在一个实施例中，图像识别装置900，还包括：
参数调整模块，用于当未达到训练完成条件时，使用随机梯度下降算法调整深度神经网络的参数，得到更新的深度神经网络；
循环模块，用于返回将历史高空作业监控图像作为深度神经网络的输入，将历史图像识别结果作为标签进行训练的步骤执行，直到达到训练完成条件时，得到已建立的图像识别模型。
在一个实施例中，图像获取模块902还用于对历史高空作业监控图像按照预设角度旋转，得到旋转后的历史高空作业监控图像；对历史高空作业监控图像按照预设亮度调节，得到预设亮度的历史高空作业监控图像；将历史高空作业监控图像进行灰度设置，得到历史高空作业监控灰度图像；根据旋转后的历史高空作业监控图像、预设亮度的历史高空作业监控图像和历史高空作业监控灰度图像得到目标训练数据。
关于图像识别装置的具体限定可以参见上文中对于图像识别方法的限定，在此不再赘述。上述图像识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储高空作业监控图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像识别方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：实时获取高空作业监控图像；将高空作业监控图像输入到已建立的图像识别模型中识别，得到输出的安全带位置信息和安全带佩戴置信度，图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果进行训练得到的；根据安全带位置信息和安全带佩戴置信度得到图像识别结果；当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令，以使目标报警装置根据报警指令执行报警。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：检测高空作业监控图像，当高空作业监控图像未符合预设尺寸时，将高空作业监控图像转换为预设尺寸的高空作业监控图像；则处理器执行计算机程序时还实现以下步骤：将预设尺寸的高空作业监控图像输入到已建立的图像识别模型中识别。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取高空作业监控图像对应的用户标识，根据用户标识生成报警记录信息，将报警记录信息保存。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据安全带位置信息从高空作业监控图像确定对应的人脸图像，将人脸图像进行人脸识别，得到人脸识别结果；根据人脸识别结果确定用户标识，根据用户标识生成报警记录信息，将报警记录信息保存。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练数据，训练数据包括历史高空作业监控图像和对应的历史图像识别结果；将历史高空作业监控图像作为深度神经网络的输入，将历史图像识别结果作为标签进行训练，当达到训练完成条件时，得到已建立的图像识别模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当未达到训练完成条件时，使用随机梯度下降算法调整深度神经网络的参数，得到更新的深度神经网络；返回将历史高空作业监控图像作为深度神经网络的输入，将历史图像识别结果作为标签进行训练的步骤执行，直到达到训练完成条件时，得到已建立的图像识别模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对历史高空作业监控图像按照预设角度旋转，得到旋转后的历史高空作业监控图像；对历史高空作业监控图像按照预设亮度调节，得到预设亮度的历史高空作业监控图像；将历史高空作业监控图像进行灰度设置，得到历史高空作业监控灰度图像；根据旋转后的历史高空作业监控图像、预设亮度的历史高空作业监控图像和历史高空作业监控灰度图像得到目标训练数据。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：实时获取高空作业监控图像；将高空作业监控图像输入到已建立的图像识别模型中识别，得到输出的安全带位置信息和安全带佩戴置信度，图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果进行训练得到的；根据安全带位置信息和安全带佩戴置信度得到图像识别结果；当图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令，以使目标报警装置根据报警指令执行报警。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：检测高空作业监控图像，当高空作业监控图像未符合预设尺寸时，将高空作业监控图像转换为预设尺寸的高空作业监控图像；
则计算机程序被处理器执行时还实现以下步骤：将预设尺寸的高空作业监控图像输入到已建立的图像识别模型中识别。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取高空作业监控图像对应的用户标识，根据用户标识生成报警记录信息，将报警记录信息保存。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据安全带位置信息从高空作业监控图像确定对应的人脸图像，将人脸图像进行人脸识别，得到人脸识别结果；根据人脸识别结果确定用户标识，根据用户标识生成报警记录信息，将报警记录信息保存。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取训练数据，训练数据包括历史高空作业监控图像和对应的历史图像识别结果；将历史高空作业监控图像作为深度神经网络的输入，将历史图像识别结果作为标签进行训练，当达到训练完成条件时，得到已建立的图像识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当未达到训练完成条件时，使用随机梯度下降算法调整深度神经网络的参数，得到更新的深度神经网络；返回将历史高空作业监控图像作为深度神经网络的输入，将历史图像识别结果作为标签进行训练的步骤执行，直到达到训练完成条件时，得到已建立的图像识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对历史高空作业监控图像按照预设角度旋转，得到旋转后的历史高空作业监控图像；对历史高空作业监控图像按照预设亮度调节，得到预设亮度的历史高空作业监控图像；将历史高空作业监控图像进行灰度设置，得到历史高空作业监控灰度图像；根据旋转后的历史高空作业监控图像、预设亮度的历史高空作业监控图像和历史高空作业监控灰度图像得到目标训练数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像识别方法，所述方法包括：
实时获取高空作业监控图像；
将所述高空作业监控图像输入到已建立的图像识别模型中识别，得到输出的安全带位置信息和安全带佩戴置信度，所述图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果进行训练得到的；
根据所述安全带位置信息和所述安全带佩戴置信度得到图像识别结果；
当所述图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令，以使所述目标报警装置根据所述报警指令执行报警。
2.根据权利要求1所述的方法，其特征在于，所述获取高空作业监控图像，包括：
检测所述高空作业监控图像，当所述高空作业监控图像未符合预设尺寸时，将所述高空作业监控图像转换为预设尺寸的高空作业监控图像；
则将所述高空作业监控图像输入到已建立的图像识别模型中识别，包括：
将所述预设尺寸的高空作业监控图像输入到所述已建立的图像识别模型中识别。
3.根据权利要求1所述的方法，其特征在于，在所述当所述图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令之后，还包括：
获取所述高空作业监控图像对应的用户标识，根据所述用户标识生成报警记录信息，将所述报警记录信息保存。
4.根据权利要求1所述的方法，其特征在于，在所述当所述图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令之后，还包括：
根据所述安全带位置信息从所述高空作业监控图像确定对应的人脸图像，将所述人脸图像进行人脸识别，得到人脸识别结果；
根据人脸识别结果确定用户标识，根据所述用户标识生成报警记录信息，将所述报警记录信息保存。
5.根据权利要求1所述的方法，其特征在于，所述已建立的图像识别模型的训练步骤，包括：
获取训练数据，所述训练数据包括历史高空作业监控图像和对应的历史图像识别结果；
将所述历史高空作业监控图像作为深度神经网络的输入，将所述历史图像识别结果作为标签进行训练，当达到训练完成条件时，得到所述已建立的图像识别模型。
6.根据权利要求5所述的方法，其特征在于，在所述将所述历史高空作业监控图像作为深度神经网络算法的输入，将所述历史图像识别结果作为标签进行训练之后，还包括：
当未达到训练完成条件时，使用随机梯度下降算法调整所述深度神经网络的参数，得到更新的深度神经网络；
返回将所述历史高空作业监控图像作为深度神经网络的输入，将所述历史图像识别结果作为标签进行训练的步骤执行，直到达到训练完成条件时，得到所述已建立的图像识别模型。
7.根据权利要求5所述的方法，其特征在于，所述获取训练数据，所述训练数据包括历史高空作业监控图像和对应的历史图像识别结果，包括：
对所述历史高空作业监控图像按照预设角度旋转，得到旋转后的历史高空作业监控图像；
对所述历史高空作业监控图像按照预设亮度调节，得到预设亮度的历史高空作业监控图像；
将所述历史高空作业监控图像进行灰度设置，得到历史高空作业监控灰度图像；
根据所述旋转后的历史高空作业监控图像、所述预设亮度的历史高空作业监控图像和所述历史高空作业监控灰度图像得到目标训练数据。
8.一种图像识别装置，其特征在于，所述装置包括：
图像获取模块，用于实时获取高空作业监控图像；
图像识别模块，用于将所述高空作业监控图像输入到已建立的图像识别模型中识别，得到输出的安全带位置信息和安全带佩戴置信度，所述图像识别模型是根据历史高空作业监控图像和对应的历史图像识别结果进行训练得到的；
结果得到模块，用于根据所述安全带位置信息和所述安全带佩戴置信度得到图像识别结果；
报警模块，用于当所述图像识别结果为未正确佩戴安全带时，向目标报警装置发送报警指令，以使所述目标报警装置根据所述报警指令执行报警。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201911337464.0A 2019-12-23 2019-12-23 图像识别方法、装置、计算机设备和存储介质 Pending CN111178212A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911337464.0A CN111178212A (zh) 2019-12-23 2019-12-23 图像识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911337464.0A CN111178212A (zh) 2019-12-23 2019-12-23 图像识别方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN111178212A true CN111178212A (zh) 2020-05-19

Family

ID=70657439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911337464.0A Pending CN111178212A (zh) 2019-12-23 2019-12-23 图像识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111178212A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487976A (zh) * 2020-11-30 2021-03-12 中科院计算所西部高等技术研究院 基于图像识别的监测方法、装置和存储介质
CN112488906A (zh) * 2020-11-30 2021-03-12 中科院计算所西部高等技术研究院 基于多线程的图像处理方法、计算机设备和存储介质
CN112804498A (zh) * 2021-02-04 2021-05-14 国能信控互联技术有限公司 一种安全防护装具佩戴情况监控系统和方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106448175A (zh) * 2016-07-30 2017-02-22 桐城市祥瑞机动车辆检测有限公司 一种具有人脸识别及安全带检测的车辆记录系统
CN107666594A (zh) * 2017-09-18 2018-02-06 广东电网有限责任公司东莞供电局 一种视频监控实时监测违章作业的方法
CN108038424A (zh) * 2017-11-27 2018-05-15 华中科技大学 一种适用于高空作业的视觉自动化检测方法
EP3451230A1 (en) * 2017-09-04 2019-03-06 Samsung Electronics Co., Ltd. Method and apparatus for recognizing object
CN109460699A (zh) * 2018-09-03 2019-03-12 厦门瑞为信息技术有限公司 一种基于深度学习的驾驶员安全带佩戴识别方法
CN109635758A (zh) * 2018-12-18 2019-04-16 武汉市蓝领英才科技有限公司 智慧工地基于视频的高空作业人员安全带穿戴检测方法
CN109635697A (zh) * 2018-12-04 2019-04-16 国网浙江省电力有限公司电力科学研究院 基于YOLOv3目标检测的电力作业人员安全着装检测方法
CN110188724A (zh) * 2019-06-05 2019-08-30 中冶赛迪重庆信息技术有限公司 基于深度学习的安全帽定位与颜色识别的方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106448175A (zh) * 2016-07-30 2017-02-22 桐城市祥瑞机动车辆检测有限公司 一种具有人脸识别及安全带检测的车辆记录系统
EP3451230A1 (en) * 2017-09-04 2019-03-06 Samsung Electronics Co., Ltd. Method and apparatus for recognizing object
CN107666594A (zh) * 2017-09-18 2018-02-06 广东电网有限责任公司东莞供电局 一种视频监控实时监测违章作业的方法
CN108038424A (zh) * 2017-11-27 2018-05-15 华中科技大学 一种适用于高空作业的视觉自动化检测方法
CN109460699A (zh) * 2018-09-03 2019-03-12 厦门瑞为信息技术有限公司 一种基于深度学习的驾驶员安全带佩戴识别方法
CN109635697A (zh) * 2018-12-04 2019-04-16 国网浙江省电力有限公司电力科学研究院 基于YOLOv3目标检测的电力作业人员安全着装检测方法
CN109635758A (zh) * 2018-12-18 2019-04-16 武汉市蓝领英才科技有限公司 智慧工地基于视频的高空作业人员安全带穿戴检测方法
CN110188724A (zh) * 2019-06-05 2019-08-30 中冶赛迪重庆信息技术有限公司 基于深度学习的安全帽定位与颜色识别的方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487976A (zh) * 2020-11-30 2021-03-12 中科院计算所西部高等技术研究院 基于图像识别的监测方法、装置和存储介质
CN112488906A (zh) * 2020-11-30 2021-03-12 中科院计算所西部高等技术研究院 基于多线程的图像处理方法、计算机设备和存储介质
CN112487976B (zh) * 2020-11-30 2023-10-24 中科院计算所西部高等技术研究院 基于图像识别的监测方法、装置和存储介质
CN112488906B (zh) * 2020-11-30 2023-10-31 中科院计算所西部高等技术研究院 基于多线程的图像处理方法、计算机设备和存储介质
CN112804498A (zh) * 2021-02-04 2021-05-14 国能信控互联技术有限公司 一种安全防护装具佩戴情况监控系统和方法
CN112804498B (zh) * 2021-02-04 2023-05-12 国能信控互联技术有限公司 一种安全防护装具佩戴情况监控系统和方法

Similar Documents

Publication Publication Date Title
CN111178212A (zh) 图像识别方法、装置、计算机设备和存储介质
CN111950329A (zh) 目标检测及模型训练方法、装置、计算机设备和存储介质
CN112364715A (zh) 核电作业异常监控方法、装置、计算机设备和存储介质
CN110210302B (zh) 多目标跟踪方法、装置、计算机设备及存储介质
CN111199200A (zh) 基于电力防护装备的佩戴检测方法、装置和计算机设备
CN113239874B (zh) 基于视频图像的行为姿态检测方法、装置、设备及介质
CN111191581B (zh) 基于电力施工的安全帽检测方法、装置和计算机设备
CN110620905A (zh) 视频监控方法、装置、计算机设备和存储介质
CN112272288A (zh) 核电作业监控方法、装置、计算机设备和存储介质
CN111191532A (zh) 基于施工区域的人脸识别方法、装置、计算机设备
CN112766050B (zh) 着装及作业检查方法、计算机装置及存储介质
CN110378230B (zh) 失踪人脸识别方法、装置、计算机设备和存储介质
CN111753643B (zh) 人物姿态识别方法、装置、计算机设备和存储介质
CN113343847B (zh) 异常数据检测方法、装置、计算机设备和可读存储介质
CN112364722A (zh) 核电作业人员监控处理方法、装置和计算机设备
CN110929591A (zh) 变电站监控方法、装置、计算机设备和存储介质
CN103810696A (zh) 一种目标对象图像检测方法及装置
CN111178246A (zh) 基于电力施工操作的远程监测方法、装置和计算机设备
CN111985340A (zh) 基于神经网络模型的人脸识别方法、装置和计算机设备
CN110775181B (zh) 车辆安全状态监测方法、装置、计算机设备及存储介质
CN111675059A (zh) 基于人脸识别的电梯控制方法、装置和计算机设备
CN111242167A (zh) 分布式图像标注方法、装置、计算机设备和存储介质
JP2020030681A (ja) 画像処理装置
CN116758493B (zh) 基于图像处理的隧道施工监测方法、装置及可读存储介质
CN117011772B (zh) 一种输电线路的风险提示方法、装置和存储介质

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

Application publication date: 20200519

RJ01 Rejection of invention patent application after publication