CN111222423A - 基于作业区域的目标识别方法、装置、计算机设备 - Google Patents
基于作业区域的目标识别方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN111222423A CN111222423A CN201911365719.4A CN201911365719A CN111222423A CN 111222423 A CN111222423 A CN 111222423A CN 201911365719 A CN201911365719 A CN 201911365719A CN 111222423 A CN111222423 A CN 111222423A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- recognition
- processed
- recognition model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于作业区域的目标识别方法、装置、计算机设备和存储介质。所述方法包括：采集作业区域内的视频流数据，所述视频流数据包括多帧图像；在所述视频帧图像中检测相应的目标，得到包含所述目标的待处理图像；加载分类识别模型对所述待处理图像进行目标定位，得到与目标对应的识别框信息；根据所述识别框信息在所述待处理图像中提取目标对应的特征数据；调用训练后的分类识别模型，通过所述训练后的分类识别模型对所述特征数据进行识别，得到与所述目标对应的识别结果。采用本方法能够对作业区域内的每帧待处理图像进行精确的识别，从而能够有效的对作业区域内的所有人员进行实时智能化的监测，避免由于人为违规因素引发的安全事故。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于作业区域的目标识别方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，网络构成和网络控制更加复杂，长距离、高电压、大电流输电使得电网安全问题愈发突出。尤其在电力生产作业现场中，对作业区域内的作业人员是否在规定区域内进行作业是一项重要的安全检测指标。
然而，在目前的电力生产现场作业过程中，绝大多数作业现场还是依靠安全员和摄像头等人工监测模式，由于电力生产作业区域环境复杂多变，依靠人工对监测画面中的作业人员进行监测的方式，难以对作业区域内的所有人员进行有效的实时监测，因而容易导致由于人为违章因素引发的安全事故。
发明内容
基于此，有必要针对上述技术问题，提供一种能够对作业区域内的所有作业人员进行智能化监测的基于作业区域的目标识别方法、装置、计算机设备和存储介质。
一种基于作业区域的目标识别方法，所述方法包括：
采集作业区域内的视频流数据，所述视频流数据包括多帧图像；
在所述视频帧图像中检测相应的目标，得到包含所述目标的待处理图像；
加载分类识别模型对所述待处理图像进行目标定位，得到与目标对应的识别框信息；
根据所述识别框信息在所述待处理图像中提取目标对应的特征数据；
调用训练后的分类识别模型，通过所述训练后的分类识别模型对所述特征数据进行识别，得到与所述目标对应的识别结果。
在其中一个实施例中，所述方法还包括：
获取多个作业区域图像；
通过调节分类识别模型中的学习速率，利用多个所述作业区域图像对分类识别模型进行训练，得到训练后的分类识别模型。
在其中一个实施例中，所述在所述视频帧图像中检测相应的目标，得到包含所述目标的待处理图像之前，所述方法还包括：
对多帧图像进行对比度调节，得到对比度调节后的多帧图像；
对对比度调节后的多帧图像进行归一化处理，得到归一化处理后的多帧图像；
对归一化处理后的多帧图像进行尺度调节，得到预处理后的多帧图像。
在其中一个实施例中，所述根据所述识别框信息在所述待处理图像中提取目标对应的特征数据，包括：
所述与目标对应的识别框信息包括识别框位置信息；
利用所述识别框位置信息对所述待处理图像进行多尺度特征提取，得到与目标对应的特征数据。
在其中一个实施例中，所述识别结果包括识别概率，所述方法还包括：
将所述识别概率与预设的阈值进行比较；
当所述与目标对应的识别概率小于预设的阈值时，将所述识别概率对应的目标信息输出，生成与所述目标对应的实时监测信息；
当所述与目标对应的识别概率大于预设的阈值时，将所述识别概率对应的目标信息输出，触发自动报警。
一种基于作业区域的目标识别装置，所述装置包括：
采集模块，用于采集作业区域内的视频流数据，所述视频流数据包括多帧图像；
读取模块，用于在所述视频帧图像中检测相应的目标，得到包含所述目标的待处理图像；
加载模块，用于加载分类识别模型对所述待处理图像进行目标定位，得到与目标对应的识别框信息；
提取模块，用于根据所述识别框信息在所述待处理图像中提取目标对应的特征数据；
识别模块，用于调用训练后的分类识别模型，通过所述训练后的分类识别模型对所述特征数据进行识别，得到与所述目标对应的识别结果。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
采集作业区域内的视频流数据，所述视频流数据包括多帧图像；
在所述视频帧图像中检测相应的目标，得到包含所述目标的待处理图像；
加载分类识别模型对所述待处理图像进行目标定位，得到与目标对应的识别框信息；
根据所述识别框信息在所述待处理图像中提取目标对应的特征数据；
调用训练后的分类识别模型，通过所述训练后的分类识别模型对所述特征数据进行识别，得到与所述目标对应的识别结果。
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：
采集作业区域内的视频流数据，所述视频流数据包括多帧图像；
在所述视频帧图像中检测相应的目标，得到包含所述目标的待处理图像；
加载分类识别模型对所述待处理图像进行目标定位，得到与目标对应的识别框信息；
根据所述识别框信息在所述待处理图像中提取目标对应的特征数据；
调用训练后的分类识别模型，通过所述训练后的分类识别模型对所述特征数据进行识别，得到与所述目标对应的识别结果。
上述基于作业区域的目标识别方法、装置、计算机设备和存储介质，通过采集作业区域内的视频流数据，视频流数据包括多帧图像。在视频帧图像中检测相应的目标，得到包含目标的待处理图像。加载分类识别模型对待处理图像进行目标定位，得到与目标对应的识别框信息。根据识别框信息在待处理图像中提取目标对应的特征数据，调用训练后的分类识别模型，通过训练后的分类识别模型对特征数据进行识别，得到与目标对应的识别结果。相对于传统的方式，通过加载分类识别模型对待处理图像进行目标定位，得到与目标对应的识别框信息，利用训练后的分类识别模型对特征数据进行实时监测识别，得到与目标对应的识别结果，由此使得能够对采集的作业区域内的每帧待处理图像进行精确的识别定位，从而能够有效的对作业区域内的所有人员进行实时监测，避免一些由于人为违章因素引发的安全事故。
附图说明
图1为一个实施例中基于作业区域的目标识别方法的应用场景图；
图2为一个实施例中基于作业区域的目标识别方法的流程示意图；
图3为一个实施例中对视频帧图像进行预处理步骤的流程示意图；
图4为另一个实施例中将识别概率与预设的阈值进行比较步骤的流程示意图；
图5为一个实施例中基于作业区域的目标识别装置的结构框图；
图6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。
本申请提供的基于作业区域的目标识别方法，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。终端102可以通过向服务器104发送请求，从服务器104获取多个作业区域图像以及对应的违规区域识别库的相关数据。终端102通过摄像头采集作业区域内的视频流数据，视频流数据包括多帧图像。终端102在视频帧图像中检测相应的目标，得到包含目标的待处理图像。终端102加载分类识别模型对待处理图像进行目标定位，得到与目标对应的识别框信息。终端102根据识别框信息在待处理图像中提取目标对应的特征数据，终端102调用训练后的分类识别模型，通过训练后的分类识别模型对特征数据进行识别，得到与目标对应的识别结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑和智能手机，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，提供了一种基于作业区域的目标识别方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，采集作业区域内的视频流数据，视频流数据包括多帧图像。
终端中安装有摄像头。摄像头可以对作业区域内的人员进行实时拍摄生成对应的实时视频流数据。终端通过摄像头采集作业区域内的视频流数据，并对视频流数据进行视频解码，得到具有统一图片格式的多帧图像。其中，视频是由多帧具有时间顺序的图像组成的。视频流数据包括按序排列的多帧图像，视频流数据的传输是指将多帧图像按顺序通过视频流进行传输。
步骤204，在视频帧图像中检测相应的目标，得到包含目标的待处理图像。
终端通过摄像头采集作业区域内的视频流数据，终端读取视频帧图像，终端利用训练好的分类器检测多帧视频帧图像中是否有相应的作业人员存在。当终端检测到多帧视频帧图像中有相应作业人员存在时，则终端对多帧视频帧图像的空间重合度进行检测。当空间重合度达到阈值时，确定检测到相应作业人员目标，即将上述检测到相应作业人员的目标图像筛选出来，得到包含作业人员的待处理图像。其中，上述包含作业人员的待处理图像可以为多个不同类别的待处理图像，例如可以包括但不限于作业人员的手势、脸部、脚部、腿部等肢体。
步骤206，加载分类识别模型对待处理图像进行目标定位，得到与目标对应的识别框信息。
步骤208，根据识别框信息在待处理图像中提取目标对应的特征数据。
步骤210，调用训练后的分类识别模型，通过训练后的分类识别模型对特征数据进行识别，得到与目标对应的识别结果。
终端加载分类识别模型对上述得到的包含多个目标的待处理图像进行目标定位，得到与目标对应的识别框信息。具体的，终端通过加载分类识别模型进行多层神经网络的目标定位识别。终端将多个包含目标的待处理图像进行预处理，终端将预处理后的多个包含目标的待处理图像输入上述分类识别模型中，得到对应的每帧图像中多个目标图像的预测框信息和边界框回归向量。终端利用得到的边界框回归向量对多个定位目标图像的预测框进行不同尺度的多层卷积网络校准，得到对应的多个目标识别框信息。进一步的，终端根据识别框信息在待处理图像中提取目标对应的特征数据，终端调用训练后的分类识别模型，通过训练后的分类识别模型对上述提取到的特征数据进行识别，得到与目标对应的识别结果，与目标对应的识别结果可以包括多个与目标对应的识别概率。其中，每帧图像中可以包括多个待识别目标，例如作业人员的头部、腿部、手势等。待识别目标也可以包括作业人员佩戴的安全帽、作业人员穿着的绝缘靴等。多个目标可以包括每帧图像中的多个作业人员的头部或腿部特征数据，终端调用训练后的分类识别模型，通过训练后的分类识别模型对多个作业人员的头部或腿部特征数据进行识别。服务器中存储有大量的作业人员特征数据以及多种作业区域内的违规识别数据，终端可以根据实际现场作业环境情况可以预先配置每个作业区域对应的违规区域数据并上传到服务器中进行存储。终端可以通过向服务器发送请求，从服务器获取对应的违规区域识别库数据。多个与目标对应的识别概率指的是终端利用训练好的分类识别模型对目标的行为操作规范进行识别，得到的对应的识别概率，当终端检测的识别概率越高时，则表明该识别目标与预置的多种作业区域内的违规识别数据越接近，说明该作业区域内的作业人员行为操作存在违规现象。当终端检测的识别概率越低时，则表明该识别目标与预置的多种作业区域内的违规识别数据相差很大，说明该作业区域内的作业人员行为操作符合作业区域规范标准。终端根据上述得到的与目标对应的识别概率，可以对作业区域内的所有人员的操作行为进行准确的识别。
本实施例中，通过采集作业区域内的视频流数据，视频流数据包括多帧图像。在视频帧图像中检测相应的目标，得到包含目标的待处理图像。加载分类识别模型对待处理图像进行目标定位，得到与目标对应的识别框信息。根据识别框信息在待处理图像中提取目标对应的特征数据，调用训练后的分类识别模型，通过训练后的分类识别模型对特征数据进行识别，得到与目标对应的识别结果。相对于传统的方式，通过加载分类识别模型对待处理图像进行目标定位，得到与目标对应的识别框信息，利用训练后的分类识别模型对特征数据进行实时监测识别，得到与目标对应的识别结果，由此使得能够对采集的作业区域内的每帧待处理图像进行精确的识别定位，从而能够有效的对作业区域内的所有人员进行实时监测，避免一些由于人为违章因素引发的安全事故。
在一个实施例中，该方法还包括：
获取多个作业区域图像。
通过调节分类识别模型中的学习速率，利用多个作业区域图像对分类识别模型进行训练，得到训练后的分类识别模型。
服务器中存储有大量的作业区域图像、作业人员特征数据以及多种作业区域内的违规识别数据，终端可以根据实际现场作业环境情况可以预先配置每个作业区域对应的违规区域数据并上传到服务器中进行存储。终端可以通过向服务器发送请求，从服务器获取多个作业区域图像以及对应的违规区域识别库数据。终端获取到的多个作业区域图像，可以包括多个变电站现场作业的环境图像，也可以包括多种违规区域内得作业环境图像。终端通过调节分类识别模型中的学习速率，利用多个作业区域图像对分类识别模型进行训练，得到训练后的分类识别模型。具体的，终端建立以53个卷积层网络(即darknet-53)为基础的Tiny-YOLO底层模型框架，选取上述多个作业区域图像作为训练样本，终端设置每次训练的样本数量为64，终端一共训练30万个样本图像，终端利用前15000个样本作业区域图像对分类识别模型进行训练时，终端将该分类识别模型中的学习速率调节为10-4，当终端训练到第200000个样本时，终端将该分类识别模型中的学习速率调节为10-5；当终端训练到第250000个样本时，终端将该分类识别模型中的学习速率调节为10-6。同时，在对上述多个作业区域的图像样本进行训练时，终端通过将每一张样本图像的尺寸大小调节到不同的尺度范围进行多尺度训练。例如，终端可以将每一张样本图像的尺寸大小调节为320、352、608尺度范围内其中一个尺寸进行训练。由此使得通过多尺度的模型训练可以增加模型的鲁棒性，是模型具有普适性，能够多工作区域内的多种目标图像进行准确的定位识别。
在一个实施例中，在视频帧图像中检测相应的目标，得到包含目标的待处理图像之前，该方法还包括对视频帧图像进行预处理的步骤，如图3所示，具体包括：
步骤302，对多帧图像进行对比度调节，得到对比度调节后的多帧图像。
步骤304，对对比度调节后的多帧图像进行归一化处理，得到归一化处理后的多帧图像。
步骤306，对归一化处理后的多帧图像进行尺度调节，得到预处理后的多帧图像。
终端通过摄像头采集作业区域内的视频流数据，视频流数据包括多帧图像。终端对上述多帧图像进行预处理。终端对多帧图像进行对比度调节，得到对比度调节后的多帧图像。终端对对比度调节后的多帧图像进行归一化处理，终端调用转换函数将对比度调节后的多帧图像进行线性变换，得到对应的归一化处理后的多帧图像。进一步的，终端对归一化处理后的多帧图像进行尺度调节，将归一化处理后的多帧图像的尺度大小调节为适合输入训练好的分类模型的图像尺寸大小。例如，终端可以将多帧图像的尺度大小调节为416*416分辨率的图像。由此使得不同维度图像之间的数据特征具有统一的标准化格式，可以提高对多帧图像进行分类识别的准确性。
在一个实施例中，根据识别框信息在待处理图像中提取目标对应的特征数据，包括：
与目标对应的识别框信息包括识别框位置信息。
利用识别框位置信息对待处理图像进行多尺度特征提取，得到与目标对应的特征数据。
终端利用识别框位置信息对待处理图像进行多尺度特征提取，得到与目标对应的特征数据。具体的，终端将包含目标的待处理图像输入上述训练后的分类识别模型中，终端利用识别框位置信息对包含目标的待处理图像进行特征提取，得到多个与目标对应的特征数据。例如终端利用训练好的分类识别模型对包含目标的待处理图像进行特征提取，得到多个与作业人员对应的头部、脸部、或者腿部特征数据。同时，终端也可以利用训练好的分类识别模型检测识别作业区域内的作业人员是否佩戴了安全帽、是否穿着了绝缘靴等信息。其中，与多个目标对应的识别框位置信息可以包括识别框的中心位置坐标信息以及识别框的宽度和高度信息。终端根据上述识别框的中心位置坐标信息，终端加载训练好分类识别模型对上述多个识别框的中心位置坐标信息进行校准，并在待处理图像中提取多个目标对应的特征数据。由此使得通过在待处理图像中提取目标对应的特征数据，利用训练好的分类识别模型可以准确快速的对作业区域内的工作人员进行识别，能够实时监测作业区域内的所有作业人员的操作行为是否符合规范要求。
在一个实施例中，识别结果包括识别概率，该方法还包括将识别概率与预设的阈值进行比较的步骤，如图4所示，具体包括：
步骤402，将识别概率与预设的阈值进行比较。
步骤404，当与目标对应的识别概率小于预设的阈值时，将识别概率对应的目标信息输出，生成与目标对应的实时监测信息。
步骤406，当与目标对应的识别概率大于预设的阈值时，将识别概率对应的目标信息输出，触发自动报警。
终端调用训练后的分类识别模型，通过训练后的分类识别模型对特征数据进行识别，得到与目标对应的识别结果。识别结果包括多个与目标对应的识别概率。终端将上述获取到的目标识别概率与预设的阈值进行比较，例如，阈值可以设为90％。当终端检测到目标识别概率小于预设的阈值90％时，即目标特征数据与违规区域识别库数据不匹配，确定该目标识别概率对应的作业人员在作业区域内的操作行为符合规范要求，将上述实时监测的作业区域内作业人员操作规范的结果输出，并生成对应的作业区域内监测正常的信息提示框。当终端检测到目标识别概率大于预设的阈值90％时，即目标特征数据与违规区域识别库数据匹配，确定该目标识别概率对应的作业人员在作业区域内的行为操作不符合规范要求，将上述实时监测的作业区域内的作业人员违规操作行为的结果输出，触发自动报警。由此使得能够有效的对作业区域内的所有作业人员进行准确的实时跟踪监测，实现智能化自动识别作业区域内的作业人员是否有违规行为，一旦有作业人员出现违规操作行为，通过串口通信自动触发报警。
应该理解的是，虽然图1-4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1-4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5所示，提供了一种基于作业区域的目标识别装置，包括：采集模块502、读取模块504、加载模块506、提取模块508和识别模块510，其中：
采集模块502，用于采集作业区域内的视频流数据，视频流数据包括多帧图像。
读取模块504，用于在视频帧图像中检测相应的目标，得到包含目标的待处理图像。
加载模块506，用于加载分类识别模型对待处理图像进行目标定位，得到与目标对应的识别框信息。
提取模块508，用于根据识别框信息在待处理图像中提取目标对应的特征数据。
识别模块510，用于调用训练后的分类识别模型，通过训练后的分类识别模型对特征数据进行识别，得到与目标对应的识别结果。
在一个实施例中，该装置还包括：获取模块和调节模块。
获取模块用于获取多个作业区域图像。调节模块用于通过调节分类识别模型中的学习速率，利用多个作业区域图像对分类识别模型进行训练，得到训练后的分类识别模型。
在一个实施例中，该装置还包括：预处理模块。
预处理模块用于对多帧图像进行对比度调节，得到对比度调节后的多帧图像；对对比度调节后的多帧图像进行归一化处理，得到归一化处理后的多帧图像；对归一化处理后的多帧图像进行尺度调节，得到预处理后的多帧图像。
在一个实施例中，该装置还包括：提取模块。
提取模块用于利用识别框位置信息对待处理图像进行多尺度特征提取，得到与目标对应的特征数据。
在一个实施例中，该装置还包括：比较模块。
比较模块用于将识别概率与预设的阈值进行比较，当与目标对应的识别概率小于预设的阈值时，将识别概率对应的目标信息输出，生成与目标对应的实时监测信息；当与目标对应的识别概率大于预设的阈值时，将识别概率对应的目标信息输出，触发自动报警。
关于基于作业区域的目标识别装置的具体限定可以参见上文中对于基于作业区域的目标识别方法的限定，在此不再赘述。上述基于作业区域的目标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终端，其内部结构图可以如图6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、显示屏和输入装置。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和计算机程序。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基于作业区域的目标识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6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、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述各个方法实施例的步骤。
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)
1.一种基于作业区域的目标识别方法，所述方法包括：
采集作业区域内的视频流数据，所述视频流数据包括多帧图像；
在所述视频帧图像中检测相应的目标，得到包含所述目标的待处理图像；
加载分类识别模型对所述待处理图像进行目标定位，得到与目标对应的识别框信息；
根据所述识别框信息在所述待处理图像中提取目标对应的特征数据；
调用训练后的分类识别模型，通过所述训练后的分类识别模型对所述特征数据进行识别，得到与所述目标对应的识别结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取多个作业区域图像；
通过调节分类识别模型中的学习速率，利用多个所述作业区域图像对分类识别模型进行训练，得到训练后的分类识别模型。
3.根据权利要求1所述的方法，其特征在于，所述在所述视频帧图像中检测相应的目标，得到包含所述目标的待处理图像之前，所述方法还包括：
对多帧图像进行对比度调节，得到对比度调节后的多帧图像；
对对比度调节后的多帧图像进行归一化处理，得到归一化处理后的多帧图像；
对归一化处理后的多帧图像进行尺度调节，得到预处理后的多帧图像。
4.根据权利要求1所述的方法，其特征在于，所述根据所述识别框信息在所述待处理图像中提取目标对应的特征数据，包括：
所述与目标对应的识别框信息包括识别框位置信息；
利用所述识别框位置信息对所述待处理图像进行多尺度特征提取，得到与目标对应的特征数据。
5.根据权利要求1所述的方法，其特征在于，所述识别结果包括识别概率，所述方法还包括：
将所述识别概率与预设的阈值进行比较；
当所述与目标对应的识别概率小于预设的阈值时，将所述识别概率对应的目标信息输出，生成与所述目标对应的实时监测信息；
当所述与目标对应的识别概率大于预设的阈值时，将所述识别概率对应的目标信息输出，触发自动报警。
6.一种基于作业区域的目标识别装置，其特征在于，所述装置包括：
采集模块，用于采集作业区域内的视频流数据，所述视频流数据包括多帧图像；
读取模块，用于在所述视频帧图像中检测相应的目标，得到包含所述目标的待处理图像；
加载模块，用于加载分类识别模型对所述待处理图像进行目标定位，得到与目标对应的识别框信息；
提取模块，用于根据所述识别框信息在所述待处理图像中提取目标对应的特征数据；
识别模块，用于调用训练后的分类识别模型，通过所述训练后的分类识别模型对所述特征数据进行识别，得到与所述目标对应的识别结果。
7.根据权利要求6的基于作业区域的目标识别装置，其特征在于，所述装置还包括：
获取模块，用于获取多个作业区域图像；
训练模块，用于通过调节分类识别模型中的学习速率，利用多个所述作业区域图像对分类识别模型进行训练，得到训练后的分类识别模型。
8.根据权利要求6的基于作业区域的目标识别装置，其特征在于，所述装置还包括：
比较模块，用于将所述识别概率与预设的阈值进行比较；当所述与目标对应的识别概率小于预设的阈值时，将所述识别概率对应的目标信息输出，生成与所述目标对应的实时监测信息；当所述与目标对应的识别概率大于预设的阈值时，将所述识别概率对应的目标信息输出，触发自动报警。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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5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5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911365719.4A CN111222423B (zh) | 2019-12-26 | 2019-12-26 | 基于作业区域的目标识别方法、装置、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911365719.4A CN111222423B (zh) | 2019-12-26 | 2019-12-26 | 基于作业区域的目标识别方法、装置、计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111222423A true CN111222423A (zh) | 2020-06-02 |
| CN111222423B CN111222423B (zh) | 2024-05-28 |
Family
ID=70827867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911365719.4A Active CN111222423B (zh) | 2019-12-26 | 2019-12-26 | 基于作业区域的目标识别方法、装置、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111222423B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783744A (zh) * | 2020-07-31 | 2020-10-16 | 上海仁童电子科技有限公司 | 一种操作现场安全防护检测方法及装置 |
| CN111898581A (zh) * | 2020-08-12 | 2020-11-06 | 成都佳华物链云科技有限公司 | 动物检测方法、装置、电子设备及可读存储介质 |
| CN112149514A (zh) * | 2020-08-28 | 2020-12-29 | 中国地质大学（武汉） | 一种施工作业人员的安全着装检测方法及系统 |
| CN112287741A (zh) * | 2020-06-19 | 2021-01-29 | 北京京东尚科信息技术有限公司 | 基于图像处理的农事操作管理方法及装置 |
| CN112347889A (zh) * | 2020-10-29 | 2021-02-09 | 广东电网有限责任公司电力科学研究院 | 一种变电站作业行为辨识方法及装置 |
| CN112580493A (zh) * | 2020-12-16 | 2021-03-30 | 广东省林业科学研究院 | 基于无人机遥感的植物识别方法、装置、设备及存储介质 |
| CN112766050A (zh) * | 2020-12-29 | 2021-05-07 | 富泰华工业（深圳）有限公司 | 着装及作业检查方法、计算机装置及存储介质 |
| CN112785567A (zh) * | 2021-01-15 | 2021-05-11 | 北京百度网讯科技有限公司 | 地图检测方法、装置、电子设备和存储介质 |
| CN113743445A (zh) * | 2021-07-15 | 2021-12-03 | 上海朋熙半导体有限公司 | 目标对象识别方法、装置、计算机设备和存储介质 |
| CN113792795A (zh) * | 2021-09-15 | 2021-12-14 | 南方电网数字电网研究院有限公司 | 基于网关设备的变电站设备识别方法、装置和网关设备 |
| CN113824926A (zh) * | 2021-08-17 | 2021-12-21 | 衢州光明电力投资集团有限公司赋腾科技分公司 | 一种便携式视频分析装置及方法 |
| CN113989490A (zh) * | 2021-10-26 | 2022-01-28 | 南京国电南思科技发展股份有限公司 | 变电站的压板状态识别方法、可读存储介质及计算机设备 |
| CN115657896A (zh) * | 2022-12-26 | 2023-01-31 | 中科航迈数控软件(深圳)有限公司 | 一种基于mr设备采集图像的信息提示方法及相关设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145789A (zh) * | 2018-08-09 | 2019-01-04 | 炜呈智能电力科技（杭州）有限公司 | 供电系统安全作业保障方法及系统 |
| CN109919008A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技（深圳）有限公司 | 运动目标检测方法、装置、计算机设备及存储介质 |
| CN110097050A (zh) * | 2019-04-03 | 2019-08-06 | 平安科技（深圳）有限公司 | 行人检测方法、装置、计算机设备及存储介质 |
| CN110414313A (zh) * | 2019-06-06 | 2019-11-05 | 平安科技（深圳）有限公司 | 异常行为告警方法、装置、服务器及存储介质 |
| CN110490078A (zh) * | 2019-07-18 | 2019-11-22 | 平安科技（深圳）有限公司 | 监控视频处理方法、装置、计算机设备和存储介质 |
-
2019
- 2019-12-26 CN CN201911365719.4A patent/CN111222423B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145789A (zh) * | 2018-08-09 | 2019-01-04 | 炜呈智能电力科技（杭州）有限公司 | 供电系统安全作业保障方法及系统 |
| CN109919008A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技（深圳）有限公司 | 运动目标检测方法、装置、计算机设备及存储介质 |
| CN110097050A (zh) * | 2019-04-03 | 2019-08-06 | 平安科技（深圳）有限公司 | 行人检测方法、装置、计算机设备及存储介质 |
| CN110414313A (zh) * | 2019-06-06 | 2019-11-05 | 平安科技（深圳）有限公司 | 异常行为告警方法、装置、服务器及存储介质 |
| CN110490078A (zh) * | 2019-07-18 | 2019-11-22 | 平安科技（深圳）有限公司 | 监控视频处理方法、装置、计算机设备和存储介质 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287741A (zh) * | 2020-06-19 | 2021-01-29 | 北京京东尚科信息技术有限公司 | 基于图像处理的农事操作管理方法及装置 |
| CN111783744A (zh) * | 2020-07-31 | 2020-10-16 | 上海仁童电子科技有限公司 | 一种操作现场安全防护检测方法及装置 |
| CN111898581A (zh) * | 2020-08-12 | 2020-11-06 | 成都佳华物链云科技有限公司 | 动物检测方法、装置、电子设备及可读存储介质 |
| CN111898581B (zh) * | 2020-08-12 | 2024-05-17 | 成都佳华物链云科技有限公司 | 动物检测方法、装置、电子设备及可读存储介质 |
| CN112149514B (zh) * | 2020-08-28 | 2023-04-07 | 中国地质大学（武汉） | 一种施工作业人员的安全着装检测方法及系统 |
| CN112149514A (zh) * | 2020-08-28 | 2020-12-29 | 中国地质大学（武汉） | 一种施工作业人员的安全着装检测方法及系统 |
| CN112347889A (zh) * | 2020-10-29 | 2021-02-09 | 广东电网有限责任公司电力科学研究院 | 一种变电站作业行为辨识方法及装置 |
| CN112347889B (zh) * | 2020-10-29 | 2024-04-05 | 广东电网有限责任公司电力科学研究院 | 一种变电站作业行为辨识方法及装置 |
| CN112580493A (zh) * | 2020-12-16 | 2021-03-30 | 广东省林业科学研究院 | 基于无人机遥感的植物识别方法、装置、设备及存储介质 |
| CN112766050A (zh) * | 2020-12-29 | 2021-05-07 | 富泰华工业（深圳）有限公司 | 着装及作业检查方法、计算机装置及存储介质 |
| CN112766050B (zh) * | 2020-12-29 | 2024-04-16 | 富泰华工业（深圳）有限公司 | 着装及作业检查方法、计算机装置及存储介质 |
| CN112785567B (zh) * | 2021-01-15 | 2023-09-22 | 北京百度网讯科技有限公司 | 地图检测方法、装置、电子设备和存储介质 |
| CN112785567A (zh) * | 2021-01-15 | 2021-05-11 | 北京百度网讯科技有限公司 | 地图检测方法、装置、电子设备和存储介质 |
| CN113743445A (zh) * | 2021-07-15 | 2021-12-03 | 上海朋熙半导体有限公司 | 目标对象识别方法、装置、计算机设备和存储介质 |
| CN113743445B (zh) * | 2021-07-15 | 2024-06-04 | 上海朋熙半导体有限公司 | 目标对象识别方法、装置、计算机设备和存储介质 |
| CN113824926A (zh) * | 2021-08-17 | 2021-12-21 | 衢州光明电力投资集团有限公司赋腾科技分公司 | 一种便携式视频分析装置及方法 |
| CN113792795A (zh) * | 2021-09-15 | 2021-12-14 | 南方电网数字电网研究院有限公司 | 基于网关设备的变电站设备识别方法、装置和网关设备 |
| CN113989490A (zh) * | 2021-10-26 | 2022-01-28 | 南京国电南思科技发展股份有限公司 | 变电站的压板状态识别方法、可读存储介质及计算机设备 |
| CN115657896A (zh) * | 2022-12-26 | 2023-01-31 | 中科航迈数控软件(深圳)有限公司 | 一种基于mr设备采集图像的信息提示方法及相关设备 |
| CN115657896B (zh) * | 2022-12-26 | 2023-05-09 | 中科航迈数控软件(深圳)有限公司 | 一种基于mr设备采集图像的信息提示方法及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111222423B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111222423B (zh) | 基于作业区域的目标识别方法、装置、计算机设备 | |
| CN111950329B (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
| CN108377240B (zh) | 异常接口检测方法、装置、计算机设备和存储介质 | |
| CN111191532B (zh) | 基于施工区域的人脸识别方法、装置、计算机设备 | |
| 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 | |
| CN109472213B (zh) | 掌纹识别方法、装置、计算机设备和存储介质 | |
| WO2019033572A1 (zh) | 人脸遮挡检测方法、装置及存储介质 | |
| CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
| CN112990870B (zh) | 基于核电设备的巡检文件生成方法、装置和计算机设备 | |
| CN110516712B (zh) | 虫害图像识别方法、虫害监控方法、装置、设备及介质 | |
| CN111160275B (zh) | 行人重识别模型训练方法、装置、计算机设备和存储介质 | |
| CN111462381A (zh) | 基于人脸温度识别的门禁控制方法、电子装置及存储介质 | |
| CN111191581A (zh) | 基于电力施工的安全帽检测方法、装置和计算机设备 | |
| CN109903272B (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
| CN111178246B (zh) | 基于电力施工操作的远程监测方法、装置和计算机设备 | |
| WO2022121130A1 (zh) | 电力目标检测方法、装置、计算机设备和存储介质 | |
| CN110717449A (zh) | 车辆年检人员的行为检测方法、装置和计算机设备 | |
| CN112597867A (zh) | 戴口罩人脸识别方法、系统、计算机设备及存储介质 | |
| CN110619689A (zh) | 智慧楼宇的自动签到打卡方法、计算机设备及存储介质 | |
| CN111967311B (zh) | 情绪识别方法、装置、计算机设备及存储介质 | |
| CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
| CN111083441A (zh) | 工地监控方法、装置、计算机设备和存储介质 | |
| CN111178212A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
| CN111159476B (zh) | 目标对象的搜索方法、装置、计算机设备及存储介质 | |
| CN104123516A (zh) | 基于云计算网络平台的金标卡检测方法及阅读器 |
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 |