CN111683222A - 一种用于单兵安全帽的临时围栏检测方法 - Google Patents
一种用于单兵安全帽的临时围栏检测方法 Download PDFInfo
- Publication number
- CN111683222A CN111683222A CN202010465284.7A CN202010465284A CN111683222A CN 111683222 A CN111683222 A CN 111683222A CN 202010465284 A CN202010465284 A CN 202010465284A CN 111683222 A CN111683222 A CN 111683222A
- Authority
- CN
- China
- Prior art keywords
- temporary fence
- network
- individual safety
- detection
- safety helmet
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
Abstract
本发明涉及一种用于单兵安全帽的临时围栏检测方法,步骤为:1、构建轻量级的目标检测网络;2、采集标注临时围栏样本图片,训练检测模型;3、在单兵安全帽上配置安卓系统主板和搭配前置摄像头,将训练好的检测模型部署到安卓系统主板;4、单兵安全帽安卓系统主板上电之后,读取摄像头实时视频,截取当前视频帧中间矩形区域图像F,分辨率调整为480*480;5、将F图像送入检测网络,如检测到临时围栏,将当前图像帧数保存,则执行步骤6,否则继续返回步骤4;6、如当前图像帧数N与上一次检测到临时围栏的图像帧数M之差大于Θ,则保存当前图像,并通过网络传输到后台服务器,否则,继续执行步骤4,更新M为N。本方法实现了智能化的施工现场违章行为检测。
Description
技术领域
本发明属于电网施工安全检测技术领域,具体涉及一种用于单兵安全帽的临时围栏检测方法。
背景技术
从项目施工安全管理方面来看,在安全生产诸要素中,“人”最关键而又最活跃的因素,也是影响安全生产最主要的因素。施工人员的安全意识和行为直接影响到施工安全,施工人员流动性较大,缺乏安全责任意识,对安全工作规范、安全措施理解不到位、执行不到,同时对违章行为也视若无睹。施工安全风险贯穿于配网工程建设的始终,需要施工安全监督管理立足于每个施工环节。
目前电网施工作业现场部署了大量的视频监控终端,主要依靠人工监屏的方法来发现现场违章情况,这比传统的现场督查效率大为提高,但仍很难满足一个地级公司每天数百个作业现场的安全监察工作要求,效率较低。目前,作业现场违章行为智能识别系统已在开始研究,但都是在后端服务器实现图像检查,占用流量带宽很高,且识别的有效性和正确性还有待进一步提高。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种用于单兵安全帽的临时围栏检测方法。
本发明的上述目的通过如下技术方案来实现:
一种用于单兵安全帽的临时围栏检测方法,其特征在于,包括如下步骤:
步骤1、构建轻量级的目标检测网络,目标检测网络由特征提取骨干网络和检测网络两部分构成;
步骤2、采集标注临时围栏样本图片,训练检测模型;
步骤3、在单兵安全帽上配置安卓系统主板,单兵安全帽搭配前置摄像头,与安卓系统主板连接,将训练好的检测模型部署到安卓系统主板;
步骤4、单兵安全帽安卓系统主板上电之后,读取摄像头实时视频,截取当前视频帧中间矩形区域图像F,将F的分辨率调整为480*480大小;
步骤5、将F图像送入检测网络,如检测到临时围栏,将当前图像帧数保存,则执行步骤6,否则继续返回步骤4;
步骤6、如当前图像帧数N与上一次检测到临时围栏的图像帧数M之差大于Θ,则表明这是一个新检测到的临时围栏,则保存当前图像,并通过网络传输到后台服务器,否则,则表明这不是一个新检测到的临时围栏,继续执行步骤4,更新M为N。
进一步的:步骤1包括如下子步骤:
步骤1.1、构建特征提取骨干网络MNet,Mnet基于ShuffleNetV2网络,网络由一个3×3卷积、一个最大值池化层、三组Shuffle Block、一个全局平均池化层和全连接网络构成,最后输出1000维特征向量f1;
步骤1.2、构建检测框提取网络(RPN),分离ROI区域和背景,网络尺度大小设计为{64×64,128×128,256×256}三种,ROI区域的长宽比设计为{1:2,1:1}两种,网络输出ROI;
步骤1.3、构建ROI池化层,将步骤1.1生成的特征图f1和步骤1.2生成的ROI作为输入,再加入全局平均池化层和两个全连接层,分别进行分类的定位,形成临时围栏检测网络。
进一步的:步骤2包括如下子步骤:
步骤2.1、施工现场采集临时围栏样本图片,人工标注出样本图片中的临时围栏;
步骤2.2、对样本图片进行按比例缩放,得到不同大小的样本图像;
步骤2.3、将本图片分别进行顺时针方向和逆时针方向30°以内的角度旋转,得到不同旋转角度下的样本图像;
步骤2.4、将所有采集的样本图片和步骤2.2与2.3生成的图片作为样本图,送入临时围栏检测网络进行训练,每100步输出准确率,直到达到最优结果,保存模型。
更进一步的:
步骤2.2中按照0.8、0.9、1.1、1.2四种比例对样本图片进行缩放。
进一步的:步骤4包括如下子步骤:
步骤4.1、读取摄像头实时视频,抓取实时视频帧F,F的宽度为w,F的中心坐标为(x,y);
步骤4.2、以(x,y)为中心坐标,取边长为0.8*w的正方形区域,得到图像Fs,将Fs缩放到480*480大小。
进一步的:步骤6中Θ取值为5。
本发明具有的优点和积极效果:
本发明利用人工智能、边缘计算、4G网络等技术,通过相关人员佩戴单兵安全帽完成作业现场精细化安全巡检,在前端移动智能终端设备实现边缘计算-违章行为检测,即在终端设备上加入边缘计算模块对检修施工人员违章行为进行自动、及时的识别,从而实现智能化的施工现场违章行为检测,对人员行为违章、安全文明施工措施未落实等进行及时报警和现场监督管控。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
一种用于单兵安全帽的临时围栏检测方法,请参见图1,包括如下步骤:
步骤1、构建轻量级的目标检测网络,目标检测网络由特征提取骨干网络和检测网络两部分构成。包括如下子步骤:
步骤1.1、构建特征提取骨干网络MNet,Mnet基于ShuffleNetV2网络,网络由一个3×3卷积、一个最大值池化层、三组Shuffle Block、一个全局平均池化层和全连接网络构成,最后输出1000维特征向量f1;
步骤1.2、构建检测框提取网络(RPN),分离ROI区域和背景,网络尺度大小设计为{64×64,128×128,256×256}三种,ROI区域的长宽比设计为{1:2,1:1}两种,网络输出ROI;
步骤1.3、构建ROI池化层,将步骤1.1生成的特征图f1和步骤1.2生成的ROI作为输入,再加入全局平均池化层和两个全连接层,分别进行分类的定位,形成临时围栏检测网络。
步骤2、采集标注临时围栏样本图片,训练检测模型。包括如下子步骤:
步骤2.1、施工现场采集临时围栏样本图片,人工标注出样本图片中的临时围栏;
步骤2.2、对样本图片进行按比例缩放,优选采用0.8、0.9、1.1、1.2四种比例对样本图片进行缩放,得到不同大小的样本图像;
步骤2.3、将本图片分别进行顺时针方向和逆时针方向30°以内的角度旋转,得到不同旋转角度下的样本图像;
步骤2.4、将所有采集的样本图片和步骤2.2与2.3生成的图片作为样本图,送入临时围栏检测网络进行训练,每100步输出准确率,直到达到最优结果,保存模型。
其中,最优结果的确定为:进行一万次的训练迭代,每100次时在验证集测试准确率,当准确率达到一定阈值可以训练结束,如一万次迭代之后,准确率仍较低,则需重新调整初始化参数和学习率进行重新学习。
步骤3、在单兵安全帽上配置安卓系统主板,单兵安全帽搭配前置摄像头,与安卓系统主板连接,将训练好的检测模型部署到安卓系统主板;
步骤4、单兵安全帽安卓系统主板上电之后,读取摄像头实时视频,截取当前视频帧中间矩形区域图像F,将F的分辨率调整为480*480大小。包括如下子步骤:
步骤4.1、读取摄像头实时视频,抓取实时视频帧F,F的宽度为w,F的中心坐标为(x,y);
步骤4.2、以(x,y)为中心坐标,取边长为0.8*w的正方形区域,得到图像Fs,将Fs缩放到480*480大小。
步骤5、将F图像送入检测网络,如检测到临时围栏,将当前图像帧数保存,则执行步骤6,否则继续返回步骤4;
步骤6、如当前图像帧数N与上一次检测到临时围栏的图像帧数M之差大于Θ,则表明这是一个新检测到的临时围栏,则保存当前图像,并通过网络传输到后台服务器,否则,则表明这不是一个新检测到的临时围栏,继续执行步骤4,更新M为N。其中,Θ是一个经验值,应用中取5效果较好。
本用于单兵安全帽的临时围栏检测方法,基于ShuffleNetV2构建了特征提取骨干网络,通过级联检测网络构成轻量级的围栏检测网络。单兵安全帽配置安卓系统和前置摄像头,通过网络将检测到的临时围栏现场图片传输到后台服务器,供后台抽检施工现场临时围栏摆放情况。
尽管为说明目的公开了本发明的实施例和图,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例和图所公开的内容。
Claims (6)
1.一种用于单兵安全帽的临时围栏检测方法,其特征在于,包括如下步骤:
步骤1、构建轻量级的目标检测网络,目标检测网络由特征提取骨干网络和检测网络两部分构成;
步骤2、采集标注临时围栏样本图片,训练检测模型;
步骤3、在单兵安全帽上配置安卓系统主板,单兵安全帽搭配前置摄像头,与安卓系统主板连接,将训练好的检测模型部署到安卓系统主板;
步骤4、单兵安全帽安卓系统主板上电之后,读取摄像头实时视频,截取当前视频帧中间矩形区域图像F,将F的分辨率调整为480*480大小;
步骤5、将F图像送入检测网络,如检测到临时围栏,将当前图像帧数保存,则执行步骤6,否则继续返回步骤4;
步骤6、如当前图像帧数N与上一次检测到临时围栏的图像帧数M之差大于θ,则表明这是一个新检测到的临时围栏,则保存当前图像,并通过网络传输到后台服务器,否则,则表明这不是一个新检测到的临时围栏,继续执行步骤4,更新M为N。
2.根据权利要求1所述的用于单兵安全帽的临时围栏检测方法,其特征在于:步骤1包括如下子步骤:
步骤1.1、构建特征提取骨干网络MNet,Mnet基于ShuffleNetV2网络,网络由一个3×3卷积、一个最大值池化层、三组Shuffle Block、一个全局平均池化层和全连接网络构成,最后输出1000维特征向量f1;
步骤1.2、构建检测框提取网络(RPN),分离ROI区域和背景,网络尺度大小设计为{64×64,128×128,256×256}三种,ROI区域的长宽比设计为{1:2,1:1}两种,网络输出ROI;
步骤1.3、构建ROI池化层,将步骤1.1生成的特征图f1和步骤1.2生成的ROI作为输入,再加入全局平均池化层和两个全连接层,分别进行分类的定位,形成临时围栏检测网络。
3.根据权利要求1所述的用于单兵安全帽的临时围栏检测方法,其特征在于:步骤2包括如下子步骤:
步骤2.1、施工现场采集临时围栏样本图片,人工标注出样本图片中的临时围栏;
步骤2.2、对样本图片进行按比例缩放,得到不同大小的样本图像;
步骤2.3、将本图片分别进行顺时针方向和逆时针方向30°以内的角度旋转,得到不同旋转角度下的样本图像;
步骤2.4、将所有采集的样本图片和步骤2.2与2.3生成的图片作为样本图,送入临时围栏检测网络进行训练,每100步输出准确率,直到达到最优结果,保存模型。
4.根据权利要求3所述的用于单兵安全帽的临时围栏检测方法,其特征在于:步骤2.2中按照0.8、0.9、1.1、1.2四种比例对样本图片进行缩放。
5.根据权利要求1所述的用于单兵安全帽的临时围栏检测方法,其特征在于:步骤4包括如下子步骤:
步骤4.1、读取摄像头实时视频,抓取实时视频帧F,F的宽度为w,F的中心坐标为(x,y);
步骤4.2、以(x,y)为中心坐标,取边长为0.8*w的正方形区域,得到图像Fs,将Fs缩放到480*480大小。
6.根据权利要求1所述的用于单兵安全帽的临时围栏检测方法,其特征在于:步骤6中θ取值为5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010465284.7A CN111683222B (zh) | 2020-05-28 | 2020-05-28 | 一种用于单兵安全帽的临时围栏检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010465284.7A CN111683222B (zh) | 2020-05-28 | 2020-05-28 | 一种用于单兵安全帽的临时围栏检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111683222A true CN111683222A (zh) | 2020-09-18 |
CN111683222B CN111683222B (zh) | 2021-12-07 |
Family
ID=72453106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010465284.7A Active CN111683222B (zh) | 2020-05-28 | 2020-05-28 | 一种用于单兵安全帽的临时围栏检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111683222B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040257218A1 (en) * | 2003-06-17 | 2004-12-23 | Comsec Corp. Ltd. | Break-in detection system |
US20110172954A1 (en) * | 2009-04-20 | 2011-07-14 | University Of Southern California | Fence intrusion detection |
CN109218673A (zh) * | 2018-09-20 | 2019-01-15 | 国网江苏省电力公司泰州供电公司 | 基于人工智能实现配电网施工安全协同管理控制的系统及方法 |
CN109471398A (zh) * | 2018-12-06 | 2019-03-15 | 国网四川省电力公司电力科学研究院 | 电力实验作业现场安全机器人监督交互方法 |
CN110738127A (zh) * | 2019-09-19 | 2020-01-31 | 福建师范大学福清分校 | 基于无监督深度学习神经网络算法的安全帽识别方法 |
WO2020056677A1 (zh) * | 2018-09-20 | 2020-03-26 | 中建科技有限公司深圳分公司 | 一种用于建筑施工现场的违规检测方法、系统及设备 |
CN110995808A (zh) * | 2019-11-25 | 2020-04-10 | 国网安徽省电力有限公司建设分公司 | 基于泛在电力物联网的电网基建现场安全动态管控系统 |
CN111091098A (zh) * | 2019-12-20 | 2020-05-01 | 浙江大华技术股份有限公司 | 检测模型的训练方法、检测方法及相关装置 |
CN111144232A (zh) * | 2019-12-09 | 2020-05-12 | 国网智能科技股份有限公司 | 基于智能视频监控的变电站电子围栏监测方法、存储介质及设备 |
-
2020
- 2020-05-28 CN CN202010465284.7A patent/CN111683222B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040257218A1 (en) * | 2003-06-17 | 2004-12-23 | Comsec Corp. Ltd. | Break-in detection system |
US20110172954A1 (en) * | 2009-04-20 | 2011-07-14 | University Of Southern California | Fence intrusion detection |
CN109218673A (zh) * | 2018-09-20 | 2019-01-15 | 国网江苏省电力公司泰州供电公司 | 基于人工智能实现配电网施工安全协同管理控制的系统及方法 |
WO2020056677A1 (zh) * | 2018-09-20 | 2020-03-26 | 中建科技有限公司深圳分公司 | 一种用于建筑施工现场的违规检测方法、系统及设备 |
CN109471398A (zh) * | 2018-12-06 | 2019-03-15 | 国网四川省电力公司电力科学研究院 | 电力实验作业现场安全机器人监督交互方法 |
CN110738127A (zh) * | 2019-09-19 | 2020-01-31 | 福建师范大学福清分校 | 基于无监督深度学习神经网络算法的安全帽识别方法 |
CN110995808A (zh) * | 2019-11-25 | 2020-04-10 | 国网安徽省电力有限公司建设分公司 | 基于泛在电力物联网的电网基建现场安全动态管控系统 |
CN111144232A (zh) * | 2019-12-09 | 2020-05-12 | 国网智能科技股份有限公司 | 基于智能视频监控的变电站电子围栏监测方法、存储介质及设备 |
CN111091098A (zh) * | 2019-12-20 | 2020-05-01 | 浙江大华技术股份有限公司 | 检测模型的训练方法、检测方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111683222B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10269138B2 (en) | UAV inspection method for power line based on human visual system | |
CN108537154B (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN104361314B (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
CN112633535A (zh) | 一种基于无人机图像的光伏电站智能巡检方法及系统 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN106097346A (zh) | 一种自学习的视频火灾探测方法 | |
CN105788272B (zh) | 一种道路流量拥堵报警的方法与系统 | |
CN115249331B (zh) | 基于卷积神经网络模型的矿山生态安全识别方法 | |
CN112966665A (zh) | 路面病害检测模型训练方法、装置和计算机设备 | |
CN106886745B (zh) | 一种基于实时在线地图生成的无人机侦察方法 | |
CN104091175A (zh) | 一种基于Kinect深度信息获取技术的害虫图像自动识别方法 | |
CN112102296A (zh) | 一种基于人类概念学的电力设备目标识别方法 | |
CN114332020A (zh) | 一种基于可见光图像的光伏板定位与缺陷检测方法及系统 | |
CN109359545B (zh) | 复杂低空环境下一种协同监视方法与装置 | |
CN114387261A (zh) | 一种适用于铁路钢桥螺栓病害的自动检测方法 | |
CN111683222B (zh) | 一种用于单兵安全帽的临时围栏检测方法 | |
CN103824074A (zh) | 一种基于背景减除和纹理特征的人群密度估计方法及系统 | |
CN113627321A (zh) | 基于人工智能的图像识别方法、装置及计算机设备 | |
CN106778723B (zh) | 一种复杂背景环境中的风力机叶片表面图像提取方法 | |
CN102682291A (zh) | 一种场景人数统计方法、装置和系统 | |
CN113705442A (zh) | 一种户外大牌广告画面监控识别系统及方法 | |
CN113139476A (zh) | 一种面向数据中心的人体行为属性实时检测方法和系统 | |
CN115830474A (zh) | 一种识别野生藏药独一味及其分布并计算其产量的方法与系统 | |
Ma et al. | Unsupervised semantic segmentation of high-resolution UAV imagery for road scene parsing |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 300409 No. 8 Liaohe North Road, Beichen science and Technology Park, Beichen District, Tianjin Applicant after: Tianjin Sanyuan Power Intelligent Technology Co.,Ltd. Address before: 300409 No. 8 Liaohe North Road, Beichen science and Technology Park, Beichen District, Tianjin Applicant before: TIANJIN SANYUAN POWER EQUIPMENT MANUFACTURING Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |