发明内容
鉴于此,本申请提供一种安全帽的佩戴检测方法及系统,以解决现有的检测工人是否佩戴安全帽都需要人工参与,从而增加了施工投入的人工成本的问题。
本申请提供的一种安全帽的佩戴检测方法,包括:获取施工现场的摄像装置拍摄的照片;提取所述照片上人体的头部区域图像;将所述头部区域图像输入预先训练好的安全帽检测模型,安全帽检测模型用于检测照片上的人体头部是否佩戴了安全帽;接收安全帽检测模型输出的检测结果;若检测结果为工人佩戴安全帽,则不发出佩戴安全帽提示指令;若检测结果为工人未佩戴安全帽,则在第一预设时间内连续向与工人绑定的安全帽发送测距指令,并接收安全帽传输的安全帽与地面间的第一个障碍物之间的实时距离信号,所述安全帽上设置有测距装置及信号收发装置;根据所述实时距离信号及预先采集的工人身高计算二者差值的绝对值;判断第二预设时间内的所述绝对值是否有变化,且判断所述绝对值是否在预设阈值范围内,所述第二预设时间为在所述第一预设时间内,根据所述照片获取的工人身体姿态发生变化的时间,若所述绝对值在所述第二预设时间内发生变化,且在预设阈值范围内,则验证出所述检测结果错误,不发出佩戴安全帽提示指令;若第二预设时间内的所述绝对值未发生变化,则验证出所述检测结果正确,发出佩戴安全帽提示指令;
若第二预设时间内所述绝对值的变化不在预设值阈值范围内,则验证出所述检测结果正确,发出佩戴安全帽提示指令。
其中,所述提取所述照片上人体的头部区域图像包括:利用头部检测的算法在所述照片上提取第一图像,第一图像上具有人体的头部所在区域图像;利用肤色特征识的方法别在所述照片上提取第二图像,所述第二图像上具有人体的皮肤所在区域图像;利用所述第一提取图像及第二提取图像进行交叉筛选,得到具有人体头部的头部区域图像。
其中,所述利用肤色特征识的方法别在所述照片上提取第二图像包括:对所述照片进行光线补偿;在三维的色彩空间模型上对所述照片上的工人肤色的颜色特征进行聚类;对所述照片进行顶帽变换,以标记出所述照片上具有人体皮肤特征的皮肤所在区域图像;将标记出了所述皮肤所在区域图像的照片设定为第二图像。
其中,利用所述第一提取图像及第二提取图像进行交叉筛选,得到具有人体头部的头部区域图像包括:将第一图像及第二图像进行交叉;检测第二图像上的皮肤所在区域图像与第一图像上的头部所在区域图像是否重叠;若重叠,则设定重叠部位为照片上工人的头部区域;若无重叠部位,则设定照片无工人的头部区域。
其中,所述安全帽检测模型的训练方法如下:构建区域推荐网络,以在图像上提取固定个数的推荐网络框,所述图像来源于预先准备的图像数据集,所述图像数据集内的图像具有工人是否佩戴安全帽的注释标签;构建卷积层及池化层,以提取图像的基础信息,生成特征图;构建ROI池化层,以将所述特征图映射为与所述推荐网络框相同尺寸的特征向量;构建全连接层,以在全连接层内采用奇异值分解的方法对所述特征向量进行图像的Softmax分类和bounding box区域框回归处理,确定特征向量相对的推荐网络框内的图像类别,图像类别为与所述注释标签对应的是否佩戴安全帽类别的图像,完成安全帽检测模型的构建;使用图像集作为训练数据完成对安全帽检测模型进行训练。
其中,所述方法还包括:在所述发出佩戴安全帽提示指令后,使用人脸识别算法,将照片中未佩戴安全帽的工人与人脸数据库中的人脸进行匹配,所述人脸数据库中的人脸具有姓名标签,并在匹配完成后将匹配到人脸的姓名标签显示在所述照片中,且将照片发送至后台工作人员处的终端。
本申请上述的安全帽的佩戴检测方法,通过使用安全帽检测模型,能够检测出照片上的工人是否佩戴了安全帽,从而无需检测人员人工参与工人是否佩戴安全帽的检测,因此降低了施工投入的人工成本。
另外,在工人佩戴了安全帽的情况下,安全帽与地面间的第一个障碍物之间的实时距离,应当是工人的头顶部与地面之间的距离,即工人身高,且工人在走动的过程中,身体的高度会有轻微的改变,从而使得实时距离和工人身高差值在一段时间内会有波动,因此实时距离和工人身高差值的绝对值应当在预设阈值范围内即可表示工人佩戴了安全帽,无需发出佩戴安全帽提示指令;而若一段时间内的绝对值未发生变化,则表明工人将安全帽放在了一个与自己身高相同高度的地方,若绝对值不在预设阈值范围内,则表明工人可能将安全帽放在了一些施工设备上,因此都能够表明工人未佩戴安全帽,因此能够对安全帽检测模型的检测结果进行验证,从而进一步提高检测工人是否佩戴安全帽的准确性。
本申请第二方面提供一种安全帽的佩戴检测系统,包括:照片获取模块,用于获取施工现场的摄像装置拍摄的照片;提取模块,用于提取所述照片上人体的头部区域图像;输入模块,用于将所述头部区域图像输入预先训练好的安全帽检测模型;接收模块,用于接收安全帽检测模型输出的检测结果;第一判断模块,用于判断所述检测结果是否为工人未佩戴安全帽,若是,则在预设时间内连续向与工人绑定的安全帽发送测距指令,以在预定时间内测量与工人绑定的安全帽与地面之间的第一个障碍物之间的实时距离,若否,则不发出佩戴安全帽提示指令;差值计算模块,用于根据所述实时距离及预先采集的工人身高计算二者差值的绝对值;第二判断模块,用于判断所述绝对值是否在预设阈值范围内,若在,则验证出所述检测结果错误,不发出佩戴安全帽提示指令,若不在,则验证出所述检测结果正确,发出佩戴安全帽提示指令。
本申请上述的安全帽的佩戴检测系统,通过使用安全帽检测模型,能够检测出照片上的工人是否佩戴了安全帽,从而无需检测人员人工参与工人是否佩戴安全帽的检测,因此降低了施工投入的人工成本。
另外,使用实时距离与工人身高差值的绝对值及一段时间内的绝对值是否发生变化,能够验证安全帽检测模型的检测结果进行验证,从而进一步提高检测工人是否佩戴安全帽的准确性。
本申请第三方面提供一种电子装置,包括:存储器、处理器及存储在所述存储器上并可在所述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,实现上述中任意一项所述的安全帽的佩戴检测方法。
本申请第四方面提供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,实现上述中任意一项所述的安全帽的佩戴检测方法。
本申请第五方面提供一种安全帽,包括:安全帽本体、中央处理器、信号收发器及超声波测距仪;所述超声波测距仪设置在所述安全帽本体表面,用于测量安全帽与地面间的第一个障碍物之间的实时距离;所述信号收发器设置在所述安全帽本体表面,用于接收测距指令,并发送实施距离信号;所述中央处理器设置在安全帽本体表面,用于获取施工现场的摄像装置拍摄的照片,提取所述照片上人体的头部区域图像,将所述头部区域图像输入预先训练好的安全帽检测模型,安全帽检测模型用于检测照片上的人体头部是否佩戴了安全帽,接收安全帽检测模型输出的检测结果;若检测结果为工人佩戴安全帽,则不发出佩戴安全帽提示指令,在第一预设时间内连续向与工人绑定的安全帽本体上的超声波测距仪发送测距指令,控制信号收发器接收所述测距指令,信号收发器接收所述测距指令控制所述超声波测距仪测量所述实时距离,将所述实时距离转化为实时距离信号,中央处理器还用于接收所述实时距离信号,并根据所述实时距离信号及预先采集的工人身高计算实时距离与工人身高差值的绝对值,判断第二预设时间内的所述绝对值是否有变化,且判断所述绝对值是否在预设阈值范围内,所述第二预设时间为在所述第一预设时间内,根据所述照片获取的工人身体姿态发生变化的时间,若所述绝对值在所述第二预设时间内发生变化,且在预设阈值范围内,则验证出所述检测结果错误,不发出佩戴安全帽提示指令,若第二预设时间内的所述绝对值未发生变化,则验证出所述检测结果正确,发出佩戴安全帽提示指令,若第二预设时间内所述绝对值的变化不在预设值阈值范围内,则验证出所述检测结果正确,发出佩戴安全帽提示指令。
本申请上述的安全帽,首先未改变安全帽的结构,仅在安全帽本体上增加了中央处理器、信号收发器及超声波测距仪,从而不会影响安全帽本体的安全防护性能,其次通过使用超声波测距仪能够测量安全帽与地面间的第一个障碍物之间的实时距离。
具体实施方式
下面结合附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而非全部实施例。基于本申请中的实施例,本领域技术人员在没有做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。在不冲突的情况下,下述各个实施例及其技术特征可以相互组合。
请参阅图1,本申请实施例提供一种安全帽的佩戴检测方法,包括:S1、获取施工现场的摄像装置拍摄的照片;S2、提取照片上人体的头部区域图像;S3、将头部区域图像输入预先训练好的安全帽检测模型,安全帽检测模型用于检测照片上的人体头部是否佩戴了安全帽;S4、接收安全帽检测模型输出的检测结果;S5、若检测结果为工人佩戴安全帽,则不发出佩戴安全帽提示指令;S6、若检测结果为工人未佩戴安全帽,则在第一预设时间内连续向与工人绑定的安全帽发送测距指令,并接收安全帽传输的安全帽与地面间的第一个障碍物之间的实时距离信号,安全帽上设置有测距装置及信号收发装置;S7、根据实时距离信号及预先采集的工人身高计算二者差值的绝对值;S8、判断第二预设时间内的绝对值是否有变化,且判断绝对值是否在预设阈值范围内;S9、若绝对值在第二预设时间内发生变化,且在预设阈值范围内,则验证出检测结果错误,不发出佩戴安全帽提示指令;S10、若一段时间内的绝对值未发生变化,则验证出检测结果正确,发出佩戴安全帽提示指令;S11、若一段时间内的绝对值变化不在预设阈值范围内,则验证出检测结果正确,发出佩戴安全帽提示指令。
在上述实施例中,第二预设时间为在所述第一预设时间内,根据所述照片获取的工人身体姿态发生变化的时间。
在检测工人是否佩戴安全帽时,施工现场的拍摄装置会拍摄照片或视频,在本实施例中,使用照片,提取照片上人体的头部区域图像,在其他实施例中,还能够截取视频上具有人体的画面作为照片来提取照片上的头部区域图像。
安全帽检测模型则能够检测出照片上的头部区域图像是否具有安全帽,从而无需检测人员人工参与工人是否佩戴安全帽的检测,因此降低了施工投入的人工成本。
但仅通过安全帽检测模型来检测是否佩戴了安全帽,可能会存在误判。因此为了减少误判,若检测结果为工人未佩戴安全帽的基础上,还对安全帽检测模型的检测结果进行了进一步地验证,一般地,在工人佩戴了安全帽的情况下,如果工人站立不动,安全帽与地面间的第一个障碍物之间的实时距离,一般是工人的头顶部与地面之间的距离,即工人身高。但因为工人工作时一般是处于运动的状态,工人在运动的过程中,身体相对地面的高度随运动姿势的改变例如弯腰等会有改变,从而使得工人的头顶部与地面之间的实时距离发生变化,也即工人头顶安全帽与地面的距离在变化,因此该实时距离和工人身高差值的绝对值在一段时间内有波动,且实时距离和工人身高差值的绝对值在预设阈值范围内即可表示工人佩戴了安全帽,说明模型检测结果是错误的,无需发出佩戴安全帽提示指令;而在工人处于运动状态的情况下,若一段时间内的绝对值未发生变化,则表明工人可能仅是将安全帽放在了一个与自己身高相同高度的地方或工人将安全帽放在了一个固定的位置的情况,或者若绝对值的变化不在预设阈值范围内,则表明工人可能将安全帽放在了一些施工设备上,例如把安全帽挂在了起重机的起重臂上,起重机的起重臂由于工作的原因,会有较大的高度变化,起重机未工作时,起重臂垂下,工人可将安全帽挂在起重臂上,而由于工人的疏忽等原因,在起重机工作后,工人拿不到安全帽,则无法佩戴安全帽,因此在起重机工作后,会检测出挂在起重臂上的安全帽与地面间的第一个障碍物之间的实时距离会是当前安全帽相对于地面的高度,这个高度可能会远高于工人的身高,因此计算出的绝对值,则会超出预设阈值,因此在绝对值超出预设阈值的情况下,则可以推断出工人并未佩戴安全帽,上述提到的施工设备,还可能是吊机、施工架等设备的部分组件能够调整高度的设备,在施工设备能够调整高度的组件位于低处时,工人可能因为暂时休息等原因将安全帽挂在施工设备上,开工时忘记取下安全帽便操作施工设备,从而未佩戴安全帽,因此上述情况都能够表明工人未佩戴安全帽,因此能够对安全帽检测模型的输出“未佩戴安全帽”的检测结果进行验证,从而进一步提高检测工人是否佩戴安全帽的准确性。
在上述实施例中,预设阈值的高度为与安全帽绑定的工人身高的三分之二,在其他实施例中,也可为工人身高的三分之一、一半等,预设阈值的高度可人工实时调整,工人蹲下、弯腰、行走等正常施工动作的情况下,绝对值均会在该预设阈值内。
在其他实施例中,预设阈值的高度可自动调整,方法如下:使用人体姿势识别算法计算出照片上工人的姿势,根据工人的姿势调整预设阈值,例如计算出照片上的工人为站立或行走的姿势,则将预设阈值的高度设定为工人头部的高度;例如计算出照片上的工人为弯腰或蹲下的姿势,则将预设阈值高度设定为工人身高一半的数值等。
基于对安全帽检测模型的检测结果进行进一步地验证的结果,在其他实施例中,使用对安全帽检测模型的检测结果进行进一步验证的结果对安全帽检测模型进行进一步训练,从而使得安全帽检测模型能够输出更加准确的结果。
在该实施例中,佩戴安全帽提示指令的接收端为设置在施工现场的扬声器,扬声器在接到指令后会发出声音提示工人佩戴安全帽。
在一个实施例中,提取照片上人体的头部区域图像包括:利用头部检测的算法在照片上提取第一图像,第一图像上具有人体的头部所在区域图像;利用肤色特征识的方法别在照片上提取第二图像,第二图像上具有人体的皮肤所在区域图像;利用第一提取图像及第二提取图像进行交叉筛选,得到具有人体头部的头部区域图像。
使用头部检测算法即能够初步识别出照片上人体的头部区域图像,而为了降低头部检测算法识别的错误率,使用肤色特征识别的方法与头部检测算法进行交互使用,使用肤色特征识别的方法,能够识别出照片上的人体皮肤区域,而将初步识别出照片上人体的头部区域图像及人体皮肤区域进行交叉筛选,即能够得到将初步识别出照片上人体的头部区域图像进行筛选,得到真正的头部区域图像。
在一个实施例中,利用肤色特征识的方法别在照片上提取第二图像包括:对照片进行光线补偿;在三维的色彩空间模型上对照片上的工人肤色的颜色特征进行聚类;对照片进行顶帽变换,以标记出照片上具有人体皮肤特征的皮肤所在区域图像;将标记出了皮肤所在区域图像的照片设定为第二图像。
在该实施例中,三维的色彩空间选用YCbCr色彩空间。
工人施工状态下,露出皮肤的区域基本只有脸部、脖颈、手部区域。因此首先对图片进行光线补偿,接着在YCbCr色彩空间上对工人肤色进行聚类,YCbCr颜色空间相较于RGB便于色度分析,随后使用基于YCrCb颜色空间范围筛选法对肤色进行识别。本实施例选取100张图片对肤色的RGB特征进行k-means聚类,再转换得出Y,Cr,Cb范围分别为85<Y<220,140<Cr<175,100<Cb<120。
RGB向YCbCr色彩空间的转换公式如式(1)所示:
其次,使用顶帽变换是为了校正不均匀光照的影响,经过肤色检测后的二值图包含许多噪声,所以本实施例对肤色检测后的二值图像进行顶帽变换,以减少非人脸区域的范围。顶帽变换公式如式(2)所示,f为灰度级图像,fb为结构元b对图像f的开操作。
That(f)=f-(fb) (2)
最后在图像相关形态学处理后,将连通区域较大的部分定位,待定为人脸区域,便于后续与头部检测算法的交叉筛选。
在进行肤色区域及人头区域进行对比筛选时,肤色区域并不全是人脸区域,存在手臂,双手,脖子等。本实施例数据集样本中,工人姿态复杂,脖子等肤色区域亦可辅助判断头部区域,所以本实施例保留手臂,双手,脖子等肤色区域,并对所有区域进行评估。当肤色区域与人头区域有重叠时,评估该区域为头部区域,评估值为10;当有且只有人头区域,评估该区域为头部区域,评估值为8;当有且只有肤色区域时,评估该区域为疑似头部区域,评估值为5。令肤色区域为F,人头区域为H,评估值为x则头部区域交叉筛选公式如公式(3)所示,
通过设定评估值,进一步确定第一图片中的头部区域,可以提高安全帽佩戴检测的精确度。
在一个实施例中,利用第一提取图像及第二提取图像进行交叉筛选,得到具有人体头部的头部区域图像包括:将第一图像及第二图像进行交叉;检测第二图像上的皮肤所在区域图像与第一图像上的头部所在区域图像是否重叠;若重叠,则设定重叠部位为照片上工人的头部区域;若无重叠部位,则设定照片无工人的头部区域。
在一个实施例中,安全帽检测模型的训练方法如下:构建区域推荐网络,以在图像上提取固定个数的推荐网络框,图像来源于预先准备的图像数据集,图像数据集内的图像具有工人是否佩戴安全帽的注释标签;构建卷积层及池化层,以提取图像的基础信息,生成特征图;构建RO池化层,以将特征图映射为与推荐网络框相同尺寸的特征向量;构建全连接层,以在全连接层内采用奇异值分解的方法对特征向量进行图像的Softmax分类和bounding box区域框回归处理,确定特征向量相对的推荐网络框内的图像类别,图像类别为与注释标签对应的是否佩戴安全帽类别的图像,完成安全帽检测模型的构建;使用图像集作为训练数据完成对安全帽检测模型进行训练。
请参阅图2,在训练的过程中,首先通过多层卷积和池化操作提取整幅图像的基础信息,形成特征图,再通过区域推荐网络提取固定个数推荐区域。在ROI池化层中将特征映射为相同尺寸的特征向量输入全连接层。利用窗口得分分别对每一类物体进行非极大值抑制剔除重叠建议框,最终得到每个类别中回归修正后得分最高的窗口,作为具有工人佩戴有安全帽的图像或工人未佩戴安全帽的图像。
在训练过程中使用的训练数据,为注释了、工人佩戴安全帽(Safe)和工人未佩戴安全帽(Unsafe)标签的图像。
在一个实施例中,安全帽的佩戴检测方法还包括:在发出佩戴安全帽提示指令后,使用人脸识别算法,将照片中未佩戴安全帽的工人与人脸数据库中的人脸进行匹配,人脸数据库中的人脸具有姓名标签,并在匹配完成后将匹配到人脸的姓名标签显示在照片中,且将照片发送至后台工作人员处的终端。
通过使用人脸识别算法将未佩戴安全帽的工人照片与人脸数据库中的人脸进行匹配,能够找出人脸数据库中未佩戴安全帽的工人,而人脸数据库中有该工人的姓名标签,因此能够将姓名标签显示在未佩戴安全帽的工人照片中,从而便于后台工作人员了解工人的身份。
请参阅图3,本申请实施例还提供一种安全帽的佩戴检测系统,包括:照片获取模块1、图像提取模块2、输入模块3、接收模块4、第一判断模块5、差值计算模块6及第二判断模块7;照片获取模块用于获取施工现场的摄像装置拍摄的照片;图像提取模块用于提取照片上人体的头部区域图像;输入模块用于将头部区域图像输入预先训练好的安全帽检测模型;接收模块用于接收安全帽检测模型输出的检测结果;第一判断模块用于判断检测结果是否为工人未佩戴安全帽,若是,则在预设时间内连续向与工人绑定的安全帽发送测距指令,以在预定时间内测量与工人绑定的安全帽与地面之间的第一个障碍物之间的实时距离,若否,则不发出佩戴安全帽提示指令;差值计算模块用于根据实时距离及预先采集的工人身高计算二者差值的绝对值;第二判断模块用于判断绝对值是否在预设阈值范围内,若在,则验证出检测结果错误,不发出佩戴安全帽提示指令,若不在,则验证出检测结果正确,发出佩戴安全帽提示指令。
本实施例提供的安全帽的佩戴检测系统,通过使用安全帽检测模型,能够检测出照片上的工人是否佩戴了安全帽,从而无需检测人员人工参与工人是否佩戴安全帽的检测,因此降低了施工投入的人工成本。
另外,使用实时距离与工人身高差值的绝对值及一段时间内的绝对值是否发生变化,能够验证安全帽检测模型的检测结果进行验证,从而进一步提高检测工人是否佩戴安全帽的准确性。
在一个实施例中,图像提取模块包括:第一图像提取单元、第二图像提取单元及交叉筛选单元;第一图像提取单元用于利用头部检测的算法在照片上提取第一图像,第一图像上具有人体的头部所在区域图像;第二图像提取单元用于利用肤色特征识的方法别在照片上提取第二图像,第二图像上具有人体的皮肤所在区域图像;交叉筛选单元用于利用第一提取图像及第二提取图像进行交叉筛选,得到具有人体头部的头部区域图像。
在一个实施例中,第二图像提取单元包括:光线补偿子单元、聚类子单元、顶帽变换子单元及第二图像设定子单元;光线补偿子单元用于对照片进行光线补偿;聚类子单元用于在三维的色彩空间模型上对照片上的工人肤色的颜色特征进行聚类;顶帽变换子单元用于对照片进行顶帽变换,以标记出照片上具有人体皮肤特征的皮肤所在区域图像;第二图像设定子单元用于将标记出了皮肤所在区域图像的照片设定为第二图像。
在一个实施例中,交叉筛选单元包括:图像交叉子单元、重叠检测子单元、设定子单元;图像交叉子单元用于将第一图像及第二图像进行交叉;重叠检测子单元用于检测第二图像上的皮肤所在区域图像与第一图像上的头部所在区域图像是否重叠;设定子单元用于若在重叠检测子单元检测出重叠,则设定重叠部位为照片上工人的头部区域,若重叠检测子单元检测出无重叠部位,则设定照片无工人的头部区域。
在一个实施例中,安全帽检测模型包括:区域推荐网络构建单元、卷积层及池化层构建单元、ROI poolling层构建单元、全连接层构建单元及训练单元;
区域推荐网络构建单元用于构建区域推荐网络,以在图像上提取固定个数的推荐网络框,图像来源于预先准备的图像数据集,图像数据集内的图像具有工人是否佩戴安全帽的注释标签;卷积层及池化层构建单元用于构建卷积层及池化层,以提取图像的基础信息,生成特征图;ROI poolling层构建单元用于构建ROI poolling层,以将特征图映射为与推荐网络框相同尺寸的特征向量;全连接层构建单元构建全连接层,以在全连接层内采用奇异值分解的方法对特征向量进行图像的Softmax分类和bounding box区域框回归处理,确定特征向量相对的推荐网络框内的图像类别,图像类别为与注释标签对应的是否佩戴安全帽类别的图像,完成安全帽检测模型的构建;训练单元用于使用图像集作为训练数据完成对安全帽检测模型进行训练。
安全帽的佩戴检测系统还包括:姓名匹配模块,用于在发出佩戴安全帽提示指令后,使用人脸识别算法,将照片中未佩戴安全帽的工人与人脸数据库中的人脸进行匹配,人脸数据库中的人脸具有姓名标签,并在匹配完成后将匹配到人脸的姓名标签显示在照片中,且将照片发送至后台工作人员处的终端。
请参阅图4,本申请实施例还提供一种安全帽,包括:安全帽本体、中央处理器、信号收发器及超声波测距仪;所述超声波测距仪设置在所述安全帽本体表面,用于测量安全帽与地面间的第一个障碍物之间的实时距离;所述信号收发器设置在所述安全帽本体表面,用于接收测距指令,并发送实施距离信号;所述中央处理器设置在安全帽本体表面,用于获取施工现场的摄像装置拍摄的照片,提取所述照片上人体的头部区域图像,将所述头部区域图像输入预先训练好的安全帽检测模型,安全帽检测模型用于检测照片上的人体头部是否佩戴了安全帽,接收安全帽检测模型输出的检测结果;若检测结果为工人佩戴安全帽,则不发出佩戴安全帽提示指令,在第一预设时间内连续向与工人绑定的安全帽本体上的超声波测距仪发送测距指令,控制信号收发器接收所述测距指令,信号收发器接收所述测距指令控制所述超声波测距仪测量所述实时距离,将所述实时距离转化为实时距离信号,中央处理器还用于接收所述实时距离信号,并根据所述实时距离信号及预先采集的工人身高计算实时距离与工人身高差值的绝对值,判断第二预设时间内的所述绝对值是否有变化,且判断所述绝对值是否在预设阈值范围内,所述第二预设时间为在所述第一预设时间内,根据所述照片获取的工人身体姿态发生变化的时间,若所述绝对值在所述第二预设时间内发生变化,且在预设阈值范围内,则验证出所述检测结果错误,不发出佩戴安全帽提示指令,若第二预设时间内的所述绝对值未发生变化,则验证出所述检测结果正确,发出佩戴安全帽提示指令,若第二预设时间内所述绝对值的变化不在预设值阈值范围内,则验证出所述检测结果正确,发出佩戴安全帽提示指令。
本实施例提供的安全帽,未改变安全帽的结构,仅在安全帽本体表面增加了中央处理器、信号收发器及超声波测距仪,从而不会影响安全帽本体的安全防护性能,其次通过使用超声波测距仪能够测量安全帽与地面间的第一个障碍物之间的实时距离,从而为验证安全帽检测模型提供数据,使得工人在未佩戴安全帽的情况下,安全帽自动发出提示,在本实施例中,安全帽通过信号收发器向施工现场的扬声器发出佩戴安全帽提示指令,扬声器接收到佩戴安全帽提示指令后发出声音提示工人佩戴安全帽。
在其他实施例中,还可提供一种安全帽系统,包括后台处理装置及安全帽,后台处理装置具有存储器、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,处理器执行该计算机程序时,实现前述中描述的安全帽的佩戴检测方法。
安全帽包括:安全帽本体、中央处理器、信号收发器及超声波测距仪;所述超声波测距仪设置在所述安全帽本体表面,用于测量安全帽与地面间的第一个障碍物之间的实时距离;所述信号收发器设置在所述安全帽本体表面,用于接收测距指令,并发送实施距离信号;所述中央处理器设置在安全帽本体表面,用于在所述信号收发器接收测距指令后,控制所述超声波测距仪测量所述实时距离,并将所述实时距离转化为实时距离信号,且控制所述超声波测距仪发送所述实时距离信号。
本实施例提供的安全帽系统,未改变安全帽的结构,仅在安全帽本体表面增加了中央处理器、信号收发器及超声波测距仪,从而不会影响安全帽本体的安全防护性能,其次通过使用超声波测距仪能够测量安全帽与地面间的第一个障碍物之间的实时距离,从而为验证安全帽检测模型提供数据,安全帽与后台处理装置配合实现了自动对工人是否佩戴安全帽的检测,减少了施工投入的人工成本。
请参阅图5,本申请实施例还提供一种电子装置,该电子装置包括:存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序,处理器602执行该计算机程序时,实现前述中描述的安全帽的佩戴检测方法。
进一步的,该电子装置还包括:至少一个输入设备603以及至少一个输出设备604。
上述存储器601、处理器602、输入设备603以及输出设备604,通过总线605连接。
其中,输入设备603具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备604具体可为显示屏。
存储器601可以是高速随机存取记忆体(RAM,Random Access Memory)存储器,也可为非不稳定的存储器(non-volatile memory),例如磁盘存储器。存储器601用于存储一组可执行程序代码,处理器602与存储器601耦合。
进一步的,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是设置于上述各实施例中的电子装置中,该计算机可读存储介质可以是前述中的存储器601。该计算机可读存储介质上存储有计算机程序,该程序被处理器602执行时实现前述实施例中描述的安全帽的佩戴检测方法。
进一步的,该计算机可存储介质还可以是U盘、移动硬盘、只读存储器601(ROM,Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
尽管已经相对于一个或多个实现方式示出并描述了本申请,但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本申请包括所有这样的修改和变型,并且仅由所附权利要求的范围限制。特别地关于由上述组件执行的各种功能,用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示),即使在结构上与执行本文所示的本说明书的示范性实现方式中的功能的公开结构不等同。
即,以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,例如各实施例之间技术特征的相互结合,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
另外,在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“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,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。另外,对于特性相同或相似的结构元件,本申请可采用相同或者不相同的标号进行标识。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,“示例性”一词是用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何一个实施例不一定被解释为比其它实施例更加优选或更加具优势。为了使本领域任何技术人员能够实现和使用本申请,本申请给出了以上描述。在以上描述中,为了解释的目的而列出了各个细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实施例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本申请的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。