CN111932581A - 安全绳检测方法、装置、电子设备和可读存储介质 - Google Patents
安全绳检测方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN111932581A CN111932581A CN202010800463.1A CN202010800463A CN111932581A CN 111932581 A CN111932581 A CN 111932581A CN 202010800463 A CN202010800463 A CN 202010800463A CN 111932581 A CN111932581 A CN 111932581A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- detected
- safety rope
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 168
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000033001 locomotion Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000010276 construction Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本申请实施例提供了一种安全绳检测方法、装置、电子设备和可读存储介质，涉及安全监控技术领域。该方法通过对待检测图像进行目标检测，得到待检测图像中的目标区域。同时，提取所述待检测图像中的背景图像与运动前景图像，再根据目标区域分别从运动前景图像和背景图像中筛选出目标运动前景图像及目标背景图像。并对目标背景图像进行直线检测，得到作业杆图像。最后根据作业杆图像与目标运动前景图像共同确定出待检测图像中是否包括安全绳。如此，确保了实际应用中不会将其他绳索误判定为安全绳，提高了检测施工人员是否佩戴有安全绳的检测结果的检测精度，从而提高了施工人员的安全性。
Description
技术领域
本申请涉及安全监控技术领域，具体而言，涉及一种安全绳检测方法、装置、电子设备和可读存储介质。
背景技术
电力作业施工现场的电力设施维护过程中，由于施工人员需要直接接触电力设施，因此，一旦施工人员没有按要求做好防护，穿戴好安全生产装备，那么在施工过程中势必会产生大量的安全隐患，发生安全事故。因此，在电力作业施工现场需要进行全程的视频监控，保证施工人员的着装安全。
施工人员的着装要求中往往要求佩戴安全绳，通常，安全绳一端佩戴在施工人员的身上，一端系在作业杆上。目前常采用训练深度学习网络的方式，通过训练好的深度学习模型对待检测图像中的安全绳进行目标检测，以判断施工人员是否佩戴有安全绳，但是由于安全绳的特征与施工过程中的其他绳索的特征很接近，采用这种方式对安全绳进行检测，得到的检测结果并不精确，正确率较低。
如何提高检测施工人员是否佩戴有安全绳的检测结果的精度是当前亟需解决的问题。
发明内容
有鉴于此，本申请提供了一种安全绳检测方法、装置、电子设备和可读存储介质，以解决上述问题。
本申请的实施例可以这样实现：
第一方面，本申请实施例提供一种安全绳检测方法，所述方法包括：
获取检测对象的待检测图像；
对所述待检测图像进行目标检测，得到所述待检测图像中的目标区域；
提取所述待检测图像中的背景图像与运动前景图像；
根据所述目标区域，对所述背景图像进行筛选，得到与所述目标区域对应的目标背景图像；
根据所述目标区域，对所述运动前景图像进行筛选，得到与所述目标区域对应的目标运动前景图像；
对所述目标背景图像进行直线检测，得到所述目标背景图像中的作业杆图像；
根据所述作业杆图像与所述目标运动前景图像，判断所述待检测图像中是否包括安全绳，得到判定结果。
在可选的实施方式中，所述对所述目标背景图像进行直线检测，得到所述目标背景图像中的作业杆图像的步骤包括：
对所述目标背景图像进行预处理，得到预处理后的目标背景图像；
基于霍夫直线检测法，对预处理后的目标背景图像进行直线检测，得到直线检测结果；
根据第一预设阈值对所述直线检测结果进行筛选，得到满足所述第一预设阈值的目标直线检测结果，并将所述目标直线检测结果对应的图像作为所述作业杆图像。
在可选的实施方式中，所述对所述目标背景图像进行预处理，得到预处理后的目标背景图像的步骤包括：
对所述目标背景图像进行高斯模糊处理，得到高斯模糊处理后的目标背景图像；
对高斯模糊处理后的目标背景图像进行平滑处理及边缘检测，得到预处理后的目标背景图像。
在可选的实施方式中，所述对所述待检测图像进行目标检测，得到所述待检测图像中的目标区域的步骤包括：
对所述待检测图像进行目标检测，得到目标检测结果，其中，所述目标检测结果包括所述检测对象的人像图像；
按照预设倍数，对所述人像图像所在的区域进行扩框处理，得到所述待检测图像中的目标区域。
在可选的实施方式中，所述提取所述待检测图像中的背景图像与运动前景图像的步骤包括：
基于混合高斯模型算法，对所述待检测图像进行背景建模，得到所述待检测图像中的背景图像与运动前景图像。
在可选的实施方式中，所述根据所述作业杆图像与所述目标运动前景图像，判断所述待检测图像中是否包括安全绳的步骤包括：
获取所述作业杆图像与所述目标运动前景图像的交集区域；
对所述交集区域内的图像进行连通区域检测，得到连通区域，并计算所述连通区域的面积；
判断所述连通区域的面积是否处于预设范围内；
若所述连通区域的面积处于所述预设范围内，则判定所述待检测图像中包括安全绳；
若所述连通区域的面积未处于所述预设范围内，则判定所述待检测图像中不包括安全绳。
在可选的实施方式中，在判定所述待检测图像中不包括安全绳，得到判定结果之后，所述方法还包括：
针对同一检测对象，获取对连续多帧待检测图像进行图像分析得到的多个判定结果；
根据所述多个判定结果，判断不包括安全绳的待检测图像的数量是否大于第二预设阈值；
若不包括安全绳的待检测图像的数量大于所述第二预设阈值，则判定该检测对象的安全绳检测结果为不合格。
第二方面，本申请实施例提供一种安全绳检测装置，所述装置包括：
获取模块，用于获取检测对象的待检测图像；
目标检测模块，用于对所述待检测图像进行目标检测，得到所述待检测图像中的目标区域；
提取模块，用于提取所述待检测图像中的背景图像与运动前景图像；
筛选模块，用于根据所述目标区域，对所述背景图像进行筛选，得到与所述目标区域对应的目标背景图像；
所述筛选模块，还用于根据所述目标区域，对所述运动前景图像进行筛选，得到与所述目标区域对应的目标运动前景图像；
直线检测模块，用于对所述目标背景图像进行直线检测，得到所述目标背景图像中的作业杆图像；
判断模块，用于根据所述作业杆图像与所述目标运动前景图像，判断所述待检测图像中是否包括安全绳，得到判定结果。
第三方面，本申请实施例提供一种电子设备，所述电子设备包括处理器、存储器及总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器及所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行前述实施方式任意一项所述的安全绳检测方法的步骤。
第四方面，本申请实施例提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被执行时实现前述实施方式任意一项所述的安全绳检测方法。
本申请实施例提供了一种安全绳检测方法、装置、电子设备和可读存储介质。该方法通过对待检测图像进行目标检测，得到待检测图像中的目标区域。同时，提取所述待检测图像中的背景图像与运动前景图像，再根据目标区域分别从运动前景图像和背景图像中筛选出目标运动前景图像及目标背景图像。并对目标背景图像进行直线检测，得到作业杆图像。最后根据作业杆图像与目标运动前景图像共同确定出待检测图像中是否包括安全绳。如此，确保了实际应用中不会将其他绳索误判定为安全绳，提高了检测施工人员是否佩戴有安全绳的检测结果的检测精度，从而提高了施工人员的安全性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的结构框图。
图2为本申请实施例提供的安全绳检测方法的流程图之一。
图3为本申请实施例提供的安全绳检测方法的流程图之二。
图4为本申请实施例提供的安全绳检测装置的功能框图。
图标：100-电子设备；110-存储器；120-处理器；130-安全绳检测装置；131-获取模块；132-目标检测模块；133-提取模块；134-筛选模块；135-直线检测模块；136-判断模块；140-通信单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
如背景技术所介绍，电力作业施工现场的电力设施维护过程中，由于施工人员需要直接接触电力设施，因此一旦施工人员没有按要求做好防护，穿戴好安全生产装备，那么在施工过程中势必会产生大量的安全隐患，发生安全事故。因此在电力作业施工现场需要全程进行视频监控，保证施工人员的着装安全。
施工人员的着装要求中往往要求佩戴安全绳，通常，安全绳一端佩戴在施工人员的身上，一端系在作业杆上。
为加强落实作业现场的安全监督工作，各电力单位根据需求在电力施工现场配置了4G布控球、变电站视频监控、无人机视频、卫星通信视频、执法记录仪等装备，电力施工现场的监督管理人员虽然可以随时看到施工作业情况并进行给予纠正，但在高空中作业的时候需要监管人员一直抬头查看作业情况，人员疲劳后易忽略关键信息；无法保证监管人员会一直认真观察现场施工人员。
目前常采用训练深度学习网络的方式，对待检测图像中的安全绳进行目标检测，以判断施工人员是否佩戴有安全绳，但是由于安全绳的特征与施工过程中的其他绳索的特征很接近，采用这种方式对安全绳进行检测，得到的检测结果并不精确，正确率较低。
如何提高施工人员是否佩戴有安全绳的检测精度是当前亟需解决的问题。
有鉴于此，本申请实施例提供了一种安全绳检测方法、装置、电子设备和可读存储介质。该方法通过对待检测图像进行目标检测，得到待检测图像中的目标区域。同时，提取所述待检测图像中的背景图像与运动前景图像，再根据目标区域分别从运动前景图像和背景图像中筛选出目标运动前景图像及目标背景图像。并对目标背景图像进行直线检测，得到作业杆图像。最后根据作业杆图像与目标运动前景图像共同确定出待检测图像中是否包括安全绳。下面对上述方案进行详细阐述。
请参阅图1，图1为本申请实施例提供的一种电子设备100的结构框图。所述设备可以包括处理器120、存储器110、安全绳检测装置130及通信单元140，所述存储器110存储有所述处理器120可执行的机器可读指令，当电子设备100运行时，所述处理器120及所述存储器110之间通过总线通信，所述处理器120执行所述机器可读指令，并执行安全绳检测方法的步骤。
所述存储器110、处理器120以及通信单元140各元件相互之间直接或间接地电性连接，以实现信号的传输或交互。
例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。安全绳检测装置130包括至少一个可以软件或固件(firmware)的形式存储于所述存储器110中的软件功能模块。所述处理器120用于执行存储器110中存储的可执行模块，例如所述安全绳检测装置130所包括的软件功能模块或计算机程序。
其中，存储器110可以是，但不限于，随机读取存储器(Random ACCess memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器120可以是一种集成电路芯片，具有信号处理能力。上述处理器120可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等。
还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请实施例中，存储器110用于存储程序，处理器120用于在接收到执行指令后，执行所述程序。本申请实施例任一实施方式所揭示的流程定义的方法可以应用于处理器120中，或者由所述处理器120实现。
所述通信单元140用于通过网络建立所述电子设备100与其他电子设备之间的通信连接，并用于通过所述网络收发数据。
在一些实施例中，所述网络可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched Telephone Network，PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication，NFC)网络等，或其任意组合。
在本申请实施例中，电子设备100可以是但不限于智能手机、个人电脑、平板电脑等具有处理功能的设备。
可以理解，图1所示的结构仅为示意。电子设备100还可以具有比图1所示更多或者更少的组件，或者具有与图1所示不同的配置。图1所示的各组件可以采用硬件、软件或其组合实现。
基于上述电子设备100的实现架构，本申请实施例提供了一种安全绳检测方法，请结合参阅2，图2为本申请实施例提供的安全绳检测方法的流程图。下面结合图2所示的具体流程进行详细描述。
步骤S1，获取检测对象的待检测图像。
步骤S2，对所述待检测图像进行目标检测，得到所述待检测图像中的目标区域。
步骤S3，提取待检测图像中的背景图像与运动前景图像。
步骤S4，根据目标区域，对背景图像进行筛选，得到与目标区域对应的目标背景图像。
步骤S5，根据目标区域，对运动前景图像进行筛选，得到与目标区域对应的目标运动前景图像。
步骤S6，对目标背景图像进行直线检测，得到目标背景图像中的作业杆图像。
步骤S7，根据作业杆图像与目标运动前景图像，判断待检测图像中是否包括安全绳，得到判定结果。
其中，待检测图像可以通过电子设备100包括的摄像头，针对检测对象进行实时采集得到。该摄像头可以是网络摄像头(IP Camera)，该网络摄像头将采集到的图像信息实时回传至电子设备100包括的存储器110中，使得处理器120对存储器110中的图像信息进行分析检测。
作业杆图像通常包括横杆与竖杆，横杆与竖杆垂直设置，作为一种可能的施工场景，施工人员作业时，通常踩踏在横杆上，安全绳一端套设在竖杆上，安全绳另一端通过五点法佩戴在施工人员的身体上。如此，若施工人员(检测对象)佩戴有安全绳，那么套设在作业杆上的安全绳会随着施工人员的运动而发生移动。
作为另一种可能的施工场景，作业杆可以包括两个横杆与一个竖杆，每个横杆与竖杆均垂直设置，两个横杆相对设置，且相距一定距离。施工人员作业时，通常踩踏在位置靠下的横杆上，安全绳一端套设在位置靠上的横杆上，安全绳另一端则通过五点法佩戴在施工人员的身体上，同样地，若工人员(检测对象)佩戴有安全绳，那么套设在作业杆上的安全绳会随着施工人员的运动而发生移动。
而作业杆等其他物体则相对静止，背景建模后，背景图像通常包括作业杆等其他静止的物体。运动前景图像通常包括施工人员(检测对象)的人像图像，当施工人员(检测对象)佩戴有安全绳时，运动前景图形还会包括安全绳的图像。
基于上述原理，本申请实施例通过对待检测图像进行目标检测，得到目标区域，同时，对待检测图像进行背景分离，得到背景图像与运动前景图像，此时运动前景里可能包括安全绳和施工人员(检测对象)，再根据目标区域，分别对运动前景图像及背景图像进行筛选，得到目标运动前景图像及目标背景图像，此时得到的目标运动前景图像中可能包括安全绳与施工人员。接着对目标背景图像进行直线检测，得到作业杆图像。最后根据作业杆图像与目标运动前景图像共同确定出待检测图像中是否包括安全绳，确保了实际应用中不会将其他绳索误判定为安全绳，提高了对施工人员是否佩戴有安全绳的检测精度，从而保障了施工人员的安全性。
应当理解，在其它实施例中，本申请实施例的安全绳检测方法中的部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。
作为一种可选的实施方式，可通过以下方式实现步骤S2，得到待检测图像中的目标区域：
首先，对待检测图像进行目标检测，得到目标检测结果，其中，目标检测结果包括检测对象的人像图像。
然后，按照预设倍数，对人像图像所在的区域进行扩框处理，得到待检测图像中的目标区域。
其中，作为一种可选的实施方式，可通过预先训练好的目标检测模型对待检测图像进行目标检测。
该目标检测模型，可通过以下方式进行预先训练得到。
首先对大量的训练样本进行预处理，在各个训练样本中标注出人体信息等，并基于目标检测算法(例如yolo-v3算法)对标注好的训练样本进行检测，获得实际检测结果，实际检测结果是指从训练样本中实际检测到的人体信息。
基于实际检测结果与期望检测结果(即训练样本的标注结果)计算损失函数值，并基于损失函数值调整目标检测算法的网络参数。
再通过网络参数调整之后获得的新的目标检测算法继续对训练样本进行检测，重复上述的步骤，直到损失函数值收敛或是循环迭代的次数达到预设值，最终获得训练好的目标检测模型。
进一步地，若施工人员(即检测对象)佩戴有安全绳，则安全绳处于施工人员的附近，对人像图像所在的区域进行扩框处理，即可得到可能包括安全绳的目标区域。
作为一种可选的实施方式，可基于混合高斯模型算法，实现步骤S3，对待检测图像进行背景建模，以完成待检测图像中的背景图像与运动前景图像的提取，得到待检测图像中的背景图像与运动前景图像。
作为一种可选的实施方式，可通过以下方式实现步骤S6，得到待检测图像中的作业杆图像：
首先，对目标背景图像进行预处理，得到预处理后的目标背景图像。
接着，基于霍夫直线检测法，对预处理后的目标背景图像进行直线检测，得到直线检测结果。
最后，根据第一预设阈值对直线检测结果进行筛选，得到满足第一预设阈值的目标直线检测结果，并将目标直线检测结果对应的图像作为作业杆图像。
其中，可通过以下方式对待检测图像进行预处理：对待检测图像进行高斯模糊处理，得到高斯模糊处理后的待检测图像。接着，对高斯模糊处理后的目标背景图像进行平滑处理及边缘检测，得到预处理后的目标背景图像。
通过对待检测图像进行高斯模糊处理，可减少待检测图像的噪声，使待检测图像平滑，避免待检测图像包括的噪声点在进行边缘检测的时候被误识别成伪边缘。
同时，上述平滑处理可以是开操作，可先对待检测图像进行腐蚀处理再进行膨胀处理。通过平滑处理可消除待检测图像中的细小物体，在纤细处分离物体，平滑待检测图像中较大物体的边界。
进一步地，边缘检测可以是canny(Canny edge detector)边缘检测，通过计算平滑处理后的待检测图像的像素的梯度，得到图像的待确定边缘，同时，设置一个预设范围，计算得到的梯度大于预设范围的，设置为强边缘像素。梯度小于预设范围的，则剔除。梯度位于预设范围内的，则设置为弱边缘像素。如此，得到平滑处理后的待检测图像的边缘信息。
作为一种可选的实施方式，可通过以下方式实现步骤S7，根据作业杆图像与目标运动前景图像，判断待检测图像中是否包括安全绳：
首先，获取作业杆图像与目标运动前景图像的交集区域。
其次，对交集区域内的图像进行连通区域检测，得到连通区域，并计算连通区域的面积。
接着，判断连通区域的面积是否处于预设范围内。
然后，若连通区域的面积处于预设范围内，则判定待检测图像中包括安全绳。
若连通区域的面积未处于预设范围内，则判定待检测图像中不包括安全绳。
可选地，在判定待检测图像中不包括安全绳后，还可以进行报警，以提醒安全管理人员进行监管。
其中，预设范围可以根据作业杆图像中竖杆的直径与安全绳的宽度计算得到。可选地，预设范围也可以根据作业杆图像中横杆的直径与安全绳的宽度计算得到。
例如，作为一种可能的实施场景，以安全绳套设在竖杆为例，预先获得的测量图像中，假设施工人员(检测对象)的真实身高为170cm，安全绳的宽度为5cm。在测量图像中，施工人员对应的人像图像的高度为100个像素，作业杆中竖杆的宽度为20个像素。根据施工人员的真实身高与施工人员对应的人像图像的像素的比例可以确定，安全绳在测量图像中的宽度为2.94个像素，则，可以确定安全绳与作业杆接触的区域在测量图像的面积为2.94*20。
通常，施工人员的身高在165-180cm之间，基于上述方法，则可以确定上述预设范围。
当安全绳套设在横杆时，预设范围的计算原理与上述举例的计算原理一致，在此不做赘述。
由于目标运动前景图像可能包括安全绳的整体，同时，安全绳的一端套设在作业杆上，为了确保检测结果准确，可通过获取作业杆图像与目标运动前景图像的交集区域，并进一步判断交集区域中连通区域的面积是否满足预设条件，从而确定待检测图像中是否包括安全绳。
进一步地，由于施工人员可能在某一段时间内是静止的，使得安全绳也是静止的。因此，基于上述步骤进行背景建模后，得到的目标运动前景图像中可能并不包括安全绳。如果此时直接判定待检测图像中的检测对象未佩戴安全绳，则会造成误检。因此，请结合参阅图3，作为另一种可选的实施方式，在判定待检测图像中不包括安全绳，得到判定结果之后，还通过以下步骤进一步判断检测对象的安全绳检测结果是否合格。
步骤S100，针对同一检测对象，获取对连续多帧待检测图像进行图像分析得到的多个判定结果。
步骤S200，根据多个判定结果，判断不包括安全绳的待检测图像的数量是否大于第二预设阈值。
若不包括安全绳的待检测图像的数量大于第二预设阈值，则执行步骤S300。若不包括安全绳的待检测图像的数量不大于第二预设阈值，则重复执行步骤S100。
步骤S300，判定该检测对象的安全绳检测结果为不合格。
其中，第二预设阈值可以为1-2分钟内获取的待检测图像的数量。如此，通过1-2分钟内多帧待检测图像的判定结果共同确定检测对象是否佩戴有安全绳，以避免检测对象在某一段时间内静止不动的情况下造成误检，进一步提高了检测的准确性。
进一步地，作为一种可选的实施方式，在判定该检测对象的安全绳检测结果为不合格时，还可发出报警信息，以便于安全管理人员进行安全监控。
作为另一种可选的实施方式，在对待检测图像进行安全绳检测之前，还可以在存储器中预先存储或实时获取到多个检测人员的照片及对应的个人信息，并根据待检测人员的照片及待检测人员的个人信息建立人脸库。
在判定该检测对象的安全绳检测结果为不合格时，则基于人像图像的人脸与人脸库中的多个检测人员的照片进行匹配，获得该安全绳检测结果为不合格的检测对象对应的个人信息。
基于安全绳检测结果不合格的检测对象对应的个人信息生成报警信息，并将报警信息发送至与电子设备通信的安全监管终端，以便于安全管理人员进行安全监控。
基于同一发明构思，请结合参阅图4，本申请实施例中还提供了与上述安全绳检测方法对应的安全绳检测装置130，装置包括：
获取模块131，用于获取检测对象的待检测图像。
目标检测模块132，用于对所述待检测图像进行目标检测，得到所述待检测图像中的目标区域；
提取模块133，用于提取所述待检测图像中的背景图像与运动前景图像。
筛选模块134，用于根据所述目标区域，对所述背景图像进行筛选，得到与所述目标区域对应的目标背景图像。
所述筛选模块134，还用于根据所述目标区域，对所述运动前景图像进行筛选，得到与所述目标区域对应的目标运动前景图像。
直线检测模块135，用于对所述目标背景图像进行直线检测，得到所述目标背景图像中的作业杆图像。
判断模块136，用于根据所述作业杆图像与所述目标运动前景图像，判断所述待检测图像中是否包括安全绳，得到判定结果。
由于本申请实施例中的装置解决问题的原理与本申请实施例上述安全绳检测方法相似，因此装置的实施原理可以参见方法的实施原理，重复之处不再赘述。
本申请实施例也提供了一种可读存储介质，该可读存储介质中存储有计算机程序，计算机程序被执行时实现上述的安全绳检测方法。
综上所述，本申请实施例提供了一种安全绳检测方法、装置、电子设备100和可读存储介质，该方法首先获取检测对象的待检测图像。接着，对所述待检测图像进行目标检测，得到所述待检测图像中的目标区域。同时提取所述待检测图像中的背景图像与运动前景图像。然后，根据所述目标区域，对所述背景图像进行筛选，得到与所述目标区域对应的目标背景图像。并根据所述目标区域，对所述运动前景图像进行筛选，得到与所述目标区域对应的目标运动前景图像。接着，对所述目标背景图像进行直线检测，得到所述目标背景图像中的作业杆图像。最后，根据作业杆图像与目标运动前景图像，判断待检测图像中是否包括安全绳，得到判定结果。确保了实际应用中不会将其他绳索误判定为安全绳，提高了对施工人员是否佩戴有安全绳的检测精度，从而提高了施工人员的安全性。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种安全绳检测方法，其特征在于，所述方法包括：
获取检测对象的待检测图像；
对所述待检测图像进行目标检测，得到所述待检测图像中的目标区域；
提取所述待检测图像中的背景图像与运动前景图像；
根据所述目标区域，对所述背景图像进行筛选，得到与所述目标区域对应的目标背景图像；
根据所述目标区域，对所述运动前景图像进行筛选，得到与所述目标区域对应的目标运动前景图像；
对所述目标背景图像进行直线检测，得到所述目标背景图像中的作业杆图像；
根据所述作业杆图像与所述目标运动前景图像，判断所述待检测图像中是否包括安全绳，得到判定结果。
2.根据权利要求1所述的安全绳检测方法，其特征在于，所述对所述待检测图像进行目标检测，得到所述待检测图像中的目标区域的步骤包括：
对所述待检测图像进行目标检测，得到目标检测结果，其中，所述目标检测结果包括所述检测对象的人像图像；
按照预设倍数，对所述人像图像所在的区域进行扩框处理，得到所述待检测图像中的目标区域。
3.根据权利要求1所述的安全绳检测方法，其特征在于，所述提取所述待检测图像中的背景图像与运动前景图像的步骤包括：
基于混合高斯模型算法，对所述待检测图像进行背景建模，得到所述待检测图像中的背景图像与运动前景图像。
4.根据权利要求1所述的安全绳检测方法，其特征在于，所述对所述目标背景图像进行直线检测，得到所述目标背景图像中的作业杆图像的步骤包括：
对所述目标背景图像进行预处理，得到预处理后的目标背景图像；
基于霍夫直线检测法，对预处理后的目标背景图像进行直线检测，得到直线检测结果；
根据第一预设阈值对所述直线检测结果进行筛选，得到满足所述第一预设阈值的目标直线检测结果，并将所述目标直线检测结果对应的图像作为所述作业杆图像。
5.根据权利要求4所述的安全绳检测方法，其特征在于，所述对所述目标背景图像进行预处理，得到预处理后的目标背景图像的步骤包括：
对所述目标背景图像进行高斯模糊处理，得到高斯模糊处理后的目标背景图像；
对高斯模糊处理后的目标背景图像进行平滑处理及边缘检测，得到预处理后的目标背景图像。
6.根据权利要求1所述的安全绳检测方法，其特征在于，所述根据所述作业杆图像与所述目标运动前景图像，判断所述待检测图像中是否包括安全绳的步骤包括：
获取所述作业杆图像与所述目标运动前景图像的交集区域；
对所述交集区域内的图像进行连通区域检测，得到连通区域，并计算所述连通区域的面积；
判断所述连通区域的面积是否处于预设范围内；
若所述连通区域的面积处于所述预设范围内，则判定所述待检测图像中包括安全绳；
若所述连通区域的面积未处于所述预设范围内，则判定所述待检测图像中不包括安全绳。
7.根据权利要求1所述的安全绳检测方法，其特征在于，在判定所述待检测图像中不包括安全绳，得到判定结果之后，所述方法还包括：
针对同一检测对象，获取对连续多帧待检测图像进行图像分析得到的多个判定结果；
根据所述多个判定结果，判断不包括安全绳的待检测图像的数量是否大于第二预设阈值；
若不包括安全绳的待检测图像的数量大于所述第二预设阈值，则判定该检测对象的安全绳检测结果为不合格。
8.一种安全绳检测装置，其特征在于，所述装置包括：
获取模块，用于获取检测对象的待检测图像；
目标检测模块，用于对所述待检测图像进行目标检测，得到所述待检测图像中的目标区域；
提取模块，用于提取所述待检测图像中的背景图像与运动前景图像；
筛选模块，用于根据所述目标区域，对所述背景图像进行筛选，得到与所述目标区域对应的目标背景图像；
所述筛选模块，还用于根据所述目标区域，对所述运动前景图像进行筛选，得到与所述目标区域对应的目标运动前景图像；
直线检测模块，用于对所述目标背景图像进行直线检测，得到所述目标背景图像中的作业杆图像；
判断模块，用于根据所述作业杆图像与所述目标运动前景图像，判断所述待检测图像中是否包括安全绳，得到判定结果。
9.一种电子设备，其特征在于，所述电子设备包括处理器、存储器及总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器及所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行权利要求1-7任意一项所述的安全绳检测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1-7任意一项所述的安全绳检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010800463.1A CN111932581B (zh) | 2020-08-11 | 2020-08-11 | 安全绳检测方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010800463.1A CN111932581B (zh) | 2020-08-11 | 2020-08-11 | 安全绳检测方法、装置、电子设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111932581A true CN111932581A (zh) | 2020-11-13 |
| CN111932581B CN111932581B (zh) | 2023-09-26 |
Family
ID=73306508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010800463.1A Active CN111932581B (zh) | 2020-08-11 | 2020-08-11 | 安全绳检测方法、装置、电子设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111932581B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114155492A (zh) * | 2021-12-09 | 2022-03-08 | 华电宁夏灵武发电有限公司 | 高空作业安全带挂绳高挂低用识别方法、装置和电子设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3048053B1 (ja) * | 1999-08-31 | 2000-06-05 | 株式会社東電通 | 高所作業用ゴンドラの安全ロ―プ装着確認装置 |
| CN104700068A (zh) * | 2014-12-17 | 2015-06-10 | 安徽清新互联信息科技有限公司 | 一种基于svm的驾驶员安全带检测方法 |
| CN206001238U (zh) * | 2016-08-31 | 2017-03-08 | 成都主导科技有限责任公司 | 一种火车车顶部件故障检测装置 |
| CN107016373A (zh) * | 2017-04-12 | 2017-08-04 | 广东工业大学 | 一种安全帽佩戴的检测方法及装置 |
| CN107909010A (zh) * | 2017-10-27 | 2018-04-13 | 北京中科慧眼科技有限公司 | 一种道路障碍物检测方法与装置 |
| WO2018145470A1 (zh) * | 2017-02-13 | 2018-08-16 | 广州视源电子科技股份有限公司 | 一种图像检测方法和装置 |
| 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 |
| CN110096960A (zh) * | 2019-04-03 | 2019-08-06 | 罗克佳华科技集团股份有限公司 | 目标检测方法及装置 |
| CN110458866A (zh) * | 2019-08-13 | 2019-11-15 | 北京积加科技有限公司 | 目标追踪方法及系统 |
| CN110879951A (zh) * | 2018-09-06 | 2020-03-13 | 华为技术有限公司 | 一种运动前景检测方法及装置 |
| CN111007575A (zh) * | 2019-12-05 | 2020-04-14 | 深圳市环视通数字技术开发有限公司 | 一种检测安全绳及挂钩状态的装置及方法 |
-
2020
- 2020-08-11 CN CN202010800463.1A patent/CN111932581B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3048053B1 (ja) * | 1999-08-31 | 2000-06-05 | 株式会社東電通 | 高所作業用ゴンドラの安全ロ―プ装着確認装置 |
| CN104700068A (zh) * | 2014-12-17 | 2015-06-10 | 安徽清新互联信息科技有限公司 | 一种基于svm的驾驶员安全带检测方法 |
| CN206001238U (zh) * | 2016-08-31 | 2017-03-08 | 成都主导科技有限责任公司 | 一种火车车顶部件故障检测装置 |
| WO2018145470A1 (zh) * | 2017-02-13 | 2018-08-16 | 广州视源电子科技股份有限公司 | 一种图像检测方法和装置 |
| CN107016373A (zh) * | 2017-04-12 | 2017-08-04 | 广东工业大学 | 一种安全帽佩戴的检测方法及装置 |
| CN107909010A (zh) * | 2017-10-27 | 2018-04-13 | 北京中科慧眼科技有限公司 | 一种道路障碍物检测方法与装置 |
| CN110879951A (zh) * | 2018-09-06 | 2020-03-13 | 华为技术有限公司 | 一种运动前景检测方法及装置 |
| 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 |
| CN110096960A (zh) * | 2019-04-03 | 2019-08-06 | 罗克佳华科技集团股份有限公司 | 目标检测方法及装置 |
| CN110458866A (zh) * | 2019-08-13 | 2019-11-15 | 北京积加科技有限公司 | 目标追踪方法及系统 |
| CN111007575A (zh) * | 2019-12-05 | 2020-04-14 | 深圳市环视通数字技术开发有限公司 | 一种检测安全绳及挂钩状态的装置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨凯杰;章东平;杨力;: "深度学习的汽车驾驶员安全带检测", 中国计量大学学报, no. 03 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114155492A (zh) * | 2021-12-09 | 2022-03-08 | 华电宁夏灵武发电有限公司 | 高空作业安全带挂绳高挂低用识别方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111932581B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10810414B2 (en) | Movement monitoring system | |
| Weerasinghe et al. | Application of Microsoft Kinect sensor for tracking construction workers | |
| CN109145696B (zh) | 一种基于深度学习的老人跌倒检测方法及系统 | |
| US10482613B2 (en) | Movement monitoring system | |
| CN112149512A (zh) | 一种基于两阶段深度学习的安全帽佩戴识别方法 | |
| CN106593534A (zh) | 一种智能隧道施工安全监控系统 | |
| CN107194360B (zh) | 逆向通行对象识别方法、装置及系统 | |
| CN104535356A (zh) | 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统 | |
| CN105957169B (zh) | 一种基于ibeacon技术的检测方法、装置及系统 | |
| US11315374B2 (en) | Detection of fraudulent access at control gates | |
| CN105243386A (zh) | 人脸活体判断方法以及系统 | |
| CN114155601A (zh) | 一种基于视觉的作业人员危险行为检测方法及系统 | |
| CN111062303A (zh) | 图像处理方法、系统及计算机存储介质 | |
| CN104169968A (zh) | 部位估计装置、部位估计方法以及部位估计程序 | |
| JP7355974B2 (ja) | 距離推定装置および方法 | |
| CN110136172A (zh) | 一种矿工下井前防护设备佩戴的检测方法 | |
| CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及系统 | |
| JP7222231B2 (ja) | 行動認識装置、行動認識方法及びプログラム | |
| CN111932581A (zh) | 安全绳检测方法、装置、电子设备和可读存储介质 | |
| CN111027510A (zh) | 行为检测方法及装置、存储介质 | |
| CN110580708A (zh) | 一种快速移动检测方法、装置及电子设备 | |
| JP2019144861A (ja) | 安全判定装置、安全判定システム、安全判定方法 | |
| KR101313879B1 (ko) | 기울기 히스토그램을 이용한 사람 검출 추적 시스템 및 방법 | |
| CN112037255A (zh) | 目标跟踪方法和装置 | |
| JP2008276613A (ja) | 移動体判定装置、コンピュータプログラム及び移動体判定方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |