CN112560727A - 一种基于人工智能的起重机越线安全预警方法和装置 - Google Patents
一种基于人工智能的起重机越线安全预警方法和装置 Download PDFInfo
- Publication number
- CN112560727A CN112560727A CN202011528621.9A CN202011528621A CN112560727A CN 112560727 A CN112560727 A CN 112560727A CN 202011528621 A CN202011528621 A CN 202011528621A CN 112560727 A CN112560727 A CN 112560727A
- Authority
- CN
- China
- Prior art keywords
- line
- target person
- warning
- crossing
- target
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C1/00—Measuring angles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C3/00—Measuring distances in line of sight; Optical rangefinders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
- G01P3/36—Devices characterised by the use of optical means, e.g. using infrared, visible, or ultraviolet light
- G01P3/38—Devices characterised by the use of optical means, e.g. using infrared, visible, or ultraviolet light using photographic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Human Computer Interaction (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Power Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于人工智能的起重机越线安全预警方法和装置,获取目标人员的红外信息,根据红外信息启动图像采集模块,图像采集模块获取目标图像,根据目标图像和构建的二维坐标系,获取目标人员与警戒线的垂直距离,若垂直距离小于预设安全距离,则获取目标人员与警戒线的实际夹角,以及目标人员朝向警戒线方向运动的运动速度分量,将实际夹角和运动速度分量输入至安全监测模型中,判断目标人员是否具有越线倾向。本发明提供的起重机越线安全预警方法无需专门安排工作人员进行巡检,降低人工成本,可以做到24小时不间断工作,而且,无需24小时不间断播放警示信息,不会影响工作人员的正常工作。
Description
技术领域
本发明涉及一种基于人工智能的起重机越线安全预警方法和装置。
背景技术
起重机下方地面上设置有警戒线,起重机无论在工作过程中还是在检修过程中,均禁止所有人员越过警戒线,确保生产安全,防止人员被起重机的落物砸伤。传统的防止人员越线的安全监测方式有人工巡检的方式和喇叭循环警示的方式。其中,人工巡检的方式需要专门安排工作人员进行巡检,增大人工成本,而且,人工巡检不可能做到24小时不间断工作;喇叭循环警示的方式虽然可以做到24小时不间断工作,但是,因长时间播放,声音可能会影响工作人员的正常工作。
发明内容
本发明提供一种基于人工智能的起重机越线安全预警方法和装置,用于解决现有的起重机越线安全监测采用喇叭循环警示的方式会影响工作人员的正常工作的技术问题。
一种基于人工智能的起重机越线安全预警方法,包括:
获取目标人员的红外信息;
根据所述红外信息,启动图像采集模块,并通过所述图像采集模块获取目标图像,所述目标图像包括所述目标人员和警戒线;
根据所述目标图像,构建二维坐标系;
根据所述目标图像和所述二维坐标系,获取所述目标人员与所述警戒线的垂直距离;
比较所述垂直距离与预设安全距离的大小,若所述垂直距离小于所述预设安全距离,则获取所述目标人员与所述警戒线的实际夹角,以及所述目标人员朝向所述警戒线方向运动的运动速度分量;
将所述实际夹角和所述运动速度分量输入至预设的安全监测模型中,判断所述目标人员是否具有越线倾向。
进一步地,所述根据所述目标图像,构建二维坐标系具体为:
以所述目标图像的左下角作为所述二维坐标系的原点,以所述目标图像的横向方向为所述二维坐标系的X轴方向,以所述目标图像的纵向方向作为所述二维坐标系的Y轴方向,构建所述二维坐标系。
进一步地,所述根据所述目标图像和所述二维坐标系,获取所述目标人员与所述警戒线的垂直距离具体为:
对所述目标图像中的目标人员进行关键点提取,获取所述目标人员的左脚关键点和右脚关键点;
根据所述左脚关键点和右脚关键点,获取所述左脚关键点和右脚关键点连线的中点在所述二维坐标系中的中点坐标;
根据所述中点坐标,以及所述警戒线,获取所述中点坐标与所述警戒线的垂直距离。
进一步地,所述获取所述目标人员与所述警戒线的实际夹角,以及所述目标人员朝向所述警戒线方向运动的运动速度分量具体为:
对所述目标图像中的目标人员进行关键点提取,获取所述目标人员的左肩关键点和右肩关键点;
根据预设的所述目标人员与所述警戒线的位置关系,获取在所述二维坐标系中,与所述左肩关键点和右肩关键点的连线相垂直的特征向量;
根据所述特性向量以及所述警戒线,得到所述实际夹角;
根据相邻两个目标图像中的所述目标人员的同一关键点在所述二维坐标系中的坐标变化,获取所述目标人员的运动速度向量;
根据所述运动速度向量以及所述警戒线,获取所述目标人员朝向所述警戒线方向运动的运动速度分量。
进一步地,所述将所述实际夹角和所述运动速度分量输入至预设的安全监测模型中,判断所述目标人员是否具有越线倾向具体为:
若所述实际夹角未处于预设的安全角度区间,且连续第一预设个数的运动速度分量均大于0,则初步判定所述目标人员具有越线倾向。
进一步地,所述起重机越线安全预警方法还包括:
若初步判定所述目标人员具有越线倾向,则计算所述目标人员的越线倾向程度参量,越线倾向程度参量的计算过程具体为:
vet-1=(1-ρ)*vet-2+ρ*vt-1
其中,t表示第t次计算,vt为运动速度分量,lt为目标人员与警戒线之间的垂直距离,0<ρ<1,β为权值平衡参数,a为底数常数;θt为目标人员与警戒线的实际夹角,θt符合如下规则:以警戒线为零度轴线,θt处于0-180°表示目标人员朝向警戒线,θt处于-180°-0表示目标人员背向警戒线;
若连续第二预设个数的越线倾向程度参量均大于或者等于预设程度参量阈值,则判定所述目标人员具有越线倾向,输出报警信号。
进一步地,所述起重机越线安全预警方法还包括:
获取预设时间段内判断有人具有越线倾向的越线次数;
比较所述越线次数与预设次数阈值的大小,若所述越线次数大于或者等于所述预设次数阈值,则输出异常信号。
一种基于人工智能的起重机越线安全预警装置,包括存储器和处理器,以及存储在所述存储器上并在所述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如上述的基于人工智能的起重机越线安全预警方法。
本发明提供的一种基于人工智能的起重机越线安全预警方法的有益效果为:利用红外信息启动图像采集模块,图像采集模块获取目标图像,根据目标图像构建二维坐标系,根据目标图像和二维坐标系,获取目标人员与警戒线的垂直距离,根据垂直距离与预设安全距离的大小关系确定是否进行安全预警,当垂直距离小于预设安全距离时,表示目标人员与警戒线的距离比较小,目标人员才有可能越线,因此,若垂直距离小于预设安全距离,则获取目标人员与警戒线的实际夹角,以及目标人员朝向警戒线方向运动的运动速度分量,这两个参数能够表示目标人员的运动趋势,最后将得到的实际夹角和运动速度分量输入至预设的安全监测模型中,判断目标人员是否具有越线倾向。因此,本发明提供的基于人工智能的起重机越线安全预警方法是一种自动检测方法,对获取到的目标图像进行数据分析,最终得到目标人员是否具有越线倾向的判断结果,相较于传统的人工巡检的方式,无需专门安排工作人员进行巡检,降低人工成本,而且,可以做到24小时不间断工作,相较于喇叭循环警示的方式,无需24小时不间断播放警示信息,不会影响工作人员的正常工作。
附图说明
图1是一种基于人工智能的起重机越线安全预警方法的流程图;
图2是目标人员与警戒线的位置关系示意图。
具体实施方式
本实施例提供一种基于人工智能的起重机越线安全预警方法,该起重机越线安全预警方法的硬件执行主体可以为起重机监控室中的监控电脑或者监控服务器,也可以为智能移动终端。本实施例中,该起重机越线安全预警方法的硬件执行主体为监控服务器。
如图1所示,该起重机越线安全预警方法包括以下实现步骤:
步骤S1:获取目标人员的红外信息:
在一个具体应用场景中,起重机的工作区域的周围设置有警戒线,用于警示人员不能越过该警戒线。根据起重机的工作区域的具体情况,警戒线的具体实现方式不唯一,比如可以只是一条直线,那么,该直线的一侧为安全区域,另一侧为起重机的工作区域;也可以由四条直线围成的方形封闭区域,该方形封闭区域外为安全区域,该方形封闭区域内为起重机的工作区域。
在警戒线处设置有人体红外检测设备,用于检测警戒线附近的人体红外信息,应当理解,由于人体红外检测设备具有一定的检测范围,因此,根据警戒线的长度或者警戒线的形状确定人体红外检测设备的布置方式以及布置个数,比如若警戒线比较长,则可以沿警戒线布置多个人体红外检测设备,或者,若四条警戒线围成方形封闭区域,则每一条警戒线均布置一个人体红外检测设备。
当目标人员出现在人体红外检测设备的检测区域内时,即出现在警戒线附近时,获取目标人员的红外信息。
步骤S2:根据所述红外信息,启动图像采集模块,并通过所述图像采集模块获取目标图像,所述目标图像包括所述目标人员和警戒线:
在警戒线处还设置有图像采集模块,图像采集模块可以为常规的RGB图像采集设备,比如常规的相机或者摄像头。图像采集模块设置在高处(设置高度由实际应用场景进行设定),警戒线和目标人员处于图像采集模块的下方,图像采集模块朝下拍摄。与人体红外检测设备同理,可以根据警戒线的长度或者警戒线的形状确定图像采集模块的布置方式以及布置个数。应当理解,图像采集模块的设置位置以能够采集到有效的图像信息为准。
本实施例中,为了提升监测精度,人体红外检测设备与图像采集模块的个数相同,且一一对应,比如设置有多个监测点,每一个监测点均设置有一个人体红外检测设备和一个图像采集模块。当某一个监测点的人体红外检测设备检测到红外信息时,表示该监测点出现了目标人员,则启动该监测点的图像采集模块,对警戒线和目标人员进行拍摄。
作为一个具体实施方式,当人体红外检测设备检测到红外信息时,监控服务器根据红外信息,启动对应的图像采集模块。图像采集模块获取目标图像,目标图像包括目标人员,以及所在监测点的警戒线。
步骤S3:根据所述目标图像,构建二维坐标系:
监控服务器获取到目标图像之后,根据目标图像,构建二维坐标系。二维坐标系为构建的地面坐标系,以地面上的某一个点为原点,以某两个相互垂直的直线为X轴和Y轴。作为一个具体实施方式,以目标图像的左下角为二维坐标系的原点,即以目标图像的左下角所对应的地面上的点为二维坐标系的原点;以目标图像的横向方向为二维坐标系的X轴方向,即以目标图像的横向方向所对应的地面上的直线为二维坐标系的X轴;以目标图像的纵向方向作为二维坐标系的Y轴方向,即以目标图像的纵向方向所对应的地面上的直线为二维坐标系的Y轴,构建二维坐标系。
步骤S4:根据所述目标图像和所述二维坐标系,获取所述目标人员与所述警戒线的垂直距离:
构建好二维坐标系之后,目标人员以及警戒线处于二维坐标系中,那么,目标人员以及警戒线的位置就能够用在二维坐标系中的坐标进行表示。因此,根据目标图像和二维坐标系,获取目标人员与警戒线的垂直距离。
应当理解,在计算目标人员与警戒线的垂直距离之前,需要对目标图像中的目标人员与警戒线进行识别。由于警戒线在目标图像中是固定存在的,警戒线在目标图像中的位置是一定的,因此可以通过获取警戒线的各个点的坐标识别警戒线。而目标人员可以通过神经网络来识别,具体为:选取多个训练图像,训练图像包含有人员的图像和没有人员的图像,应当理解,将各训练图像中的固定不变的组成均当做图像背景的一部分,那么,警戒线也作为图像背景的一部分。并对各个训练图像进行标注得到标注数据,比如包含有人员的训练图像标注为1,不包含人员的训练图像标注为0。将各训练图像输入至神经网络中进行训练(在训练之前,可以对各训练图像进行归一化处理,图像背景为0,前景为1,提升训练准确性),然后与标注数据通过交叉熵损失函数进行运算,优化神经网络中的参数,使训练结果与真实数据逐渐靠近。应当理解,用于识别图像中的人员信息的识别过程属于常规算法,目前应用比较广泛,所以,除了上述识别过程之外,还可以采用已有的其他识别过程。
识别得到目标人员与警戒线之后,进行目标人员与警戒线的垂直距离的计算。在获取目标人员与警戒线的垂直距离时,可以直接选取目标人员上的任意一个点代表目标人员,计算该点与警戒线的垂直距离,应当理解,在识别出目标人员之后,在二维坐标系中获取目标人员的各个点的坐标,然后选取其中任意一个点的坐标,作为目标人员的坐标。为了提升计算准确性,本实施例中,先对目标图像中的目标人员进行关键点提取,获取目标人员的左脚关键点和右脚关键点。应当理解,人体关键点提取算法属于已有算法,不再赘述。
然后,根据左脚关键点和右脚关键点,获取左脚关键点和右脚关键点连线的中点在二维坐标系中的中点坐标。最后,根据得到的中点坐标,以及警戒线,获取中点坐标与警戒线的垂直距离。应当理解,根据一个点以及一条线,获取该点和该线的垂直距离,属于常规算法,不再赘述。
步骤S5:比较所述垂直距离与预设安全距离的大小,若所述垂直距离小于所述预设安全距离,则获取所述目标人员与所述警戒线的实际夹角,以及所述目标人员朝向所述警戒线方向运动的运动速度分量:
监控服务器中预设有一个安全距离,预设安全距离的大小由实际需要进行设置,满足:当距离大于或者等于预设安全距离时,表示比较安全,当距离小于预设安全距离时,表示距离起重机的运行区域比较近,比较危险。
得到中点坐标与警戒线的垂直距离之后,比较垂直距离与预设安全距离的大小,若垂直距离小于预设安全距离,则获取目标人员与警戒线的实际夹角,以及目标人员朝向警戒线方向运动的运动速度分量。
本实施例中,警戒线的左右两侧的区域是固定的,一侧为安全区域,另一侧为起重机的工作区域,那么,当目标人员靠近警戒线时,只能够从安全区域逐渐向警戒线靠近,比如如图2所示,警戒线A的左侧区域为安全区域B,右侧区域为起重机的工作区域,为危险区域C,那么,目标人员D只能够出现在安全区域B这一侧,由安全区域B逐渐靠近警戒线A。图2中,虚线E与警戒线A之间的距离为预设安全距离。所以,由于警戒线的左右两侧的区域是固定的,因此,目标人员与警戒线的位置关系也是确定好的,以图2为例,目标人员处于警戒线的左侧。
以下给出实际夹角的一种具体的获取过程:
对目标图像中的目标人员进行关键点提取,获取目标人员的左肩关键点和右肩关键点。
根据事先确定的目标人员与警戒线的位置关系,即目标人员只能够由安全区域逐渐靠近警戒线,作为一个具体实施方式,目标人员由警戒线的左侧逐渐靠近警戒线。而且,由于通常情况下,目标人员渐靠近警戒线过程中,是朝向警戒线运动的,因此,目标人员是面朝警戒线运动的,而目标人员背向警戒线且向警戒线运动的情况属于极为特殊的情况,本实施例不考虑这种特殊情况。那么,在获取左肩关键点和右肩关键点的连线时,确定一个方向,比如由右肩关键点向左肩关键点进行连线,该连线具有方向,为由右肩关键点向左肩关键点的方向,由右肩关键点向左肩关键点的方向得到的向量为i1,然后,该连线顺时针90°的方向为与左肩关键点和右肩关键点的连线相垂直的特征向量i2。因此,通过上述方式,获取在二维坐标系中,与左肩关键点和右肩关键点的连线相垂直的特征向量i2。
事先确定警戒线的方向,以图2为例,警戒线为零度轴线,且警戒线朝上为警戒线的方向,那么,根据特性向量i2以及警戒线,得到特性向量i2和警戒线的实际夹角θ。因此,若目标人员可能存在面朝警戒线运动的情况,则实际夹角θ处于(0,180°)范围,即只有实际夹角θ处于(0,180°)范围,才有可能存在目标人员面朝警戒线运动的情况;若目标人员是背向警戒线,则实际夹角θ处于(-180°,0)范围。
以下给出运动速度分量的一种具体的获取过程:
根据相邻两个目标图像中的目标人员的同一关键点在二维坐标系中的坐标变化,获取目标人员的运动速度向量。应当理解,所选取的关键点不唯一,可以选择肩部的关键点,也可以选择脚的关键点,还可以选择其他关键点。如图2所示,若前一个目标图像中的目标人员的某一关键点在二维坐标系中的坐标为S1(x1,y1),后一个目标图像中的目标人员的同一关键点在二维坐标系中的坐标为S2(x2,y2),则根据(x1,y1)和(x2,y2)得到的运动速度向量为i4。
根据运动速度向量i4以及警戒线,获取目标人员朝向警戒线方向运动的运动速度分量,运动速度分量为运动速度向量i4沿着朝向警戒线且与警戒线垂直方向的运动速度分量,即无论运动速度向量i4的方向如何,运动速度分量的方向均为i3,即运动速度分量为运动速度向量i4在i3方向上的分量。
步骤S6:将所述实际夹角和所述运动速度分量输入至预设的安全监测模型中,判断所述目标人员是否具有越线倾向:
监控服务器中设置有安全监测模型,该安全监测模型用于根据实际夹角和运动速度分量判断目标人员是否具有越线倾向,那么,得到实际夹角和运动速度分量之后,将实际夹角和运动速度分量输入至安全监测模型中,判断目标人员是否具有越线倾向。以下给出一种具体判断方式:
安全监测模型预设有安全角度区间,以及第一预设个数,其中,安全角度区间的区间大小以及区间两端角度值由实际需要进行设置,本实施例中,安全角度区间包括(0,θ小)和(θ大,180°),即安全角度区间为小角度区间和大角度区间;第一预设个数由实际需要进行设置。若实际夹角未处于预设的安全角度区间(表示实际夹角处于一个中间水平),且连续第一预设个数的运动速度分量均大于0,则初步判定目标人员具有越线倾向。应当理解,该初步判定得到的判定结果可以直接作为最终结果,也可以结合后续的数据处理过程得到最终判定结果。
本实施例中,起重机越线安全预警方法还包括:
若初步判定目标人员具有越线倾向,则计算目标人员的越线倾向程度参量,越线倾向程度参量P(t+1)的计算过程具体为:
vet-1=(1-ρ)*vet-2+ρ*vt-1
其中,t表示第t次计算,vt为运动速度分量,lt为目标人员与警戒线之间的垂直距离,0<ρ<1,β为权值平衡参数,a为底数常数;θt为目标人员与警戒线的实际夹角,θt符合如下规则:以警戒线为零度轴线,θt处于0-180°表示目标人员朝向警戒线,θt处于-180°-0表示目标人员背向警戒线。本实施例中,ρ取0.5,β取0.8,α取0.8。
监控服务器中设置有第二预设个数以及预设程度参量阈值,应当理解,第二预设个数以及预设程度参量阈值的具体取值由实际需要进行设置,比如预设程度参量阈值取0.45。
若连续第二预设个数的越线倾向程度参量均大于或者等于预设程度参量阈值,则最终判定目标人员具有越线倾向,输出报警信号。
通过上述最终的判定过程,能够提升判定准确性和可靠性。
本实施例中,起重机越线安全预警方法还包括:
步骤S7:获取预设时间段内判断有人具有越线倾向的越线次数:
预设有一个时间段,该时间段的长度由实际需要进行设置,而且,该时间段的结束时刻可以为每一次的判断有人具有越线倾向的判定时刻。即在每一次判断有人具有越线倾向时,就获取一次预设时间段内判断有人具有越线倾向的越线次数。
获取预设时间段内判断有人具有越线倾向的越线次数。应当理解,该越线次数的获取不局限于某一个目标人员,即只要判断有人具有越线倾向,就记录该次判断结果,最终得到预设时间段内判断有人具有越线倾向的越线次数。而且,若上述中只进行到初步判定得到判定结果的步骤,则只要初步判定有人具有越线倾向,就记录该次判断结果;若上述中在初步判定之后还进行后续的最终判定过程,则若最终判定结果为有人具有越线倾向,则记录该次判断结果。
步骤S8:比较所述越线次数与预设次数阈值的大小,若所述越线次数大于或者等于所述预设次数阈值,则输出异常信号:
预设有一个次数阈值,该预设次数阈值由实际需要进行设定。比较得到的越线次数与预设次数阈值的大小,若越线次数大于或者等于预设次数阈值,表示在预设时间段内经常出现有人具有越线倾向的情况,那么,输出异常信号。工作人员就可以根据该异常信号对起重机以及起重机的周围其他相关情况进行检查,看是否出现了异常情况,进而保证后续起重机的运行安全和周围人员的人身安全。
本实施例还提供一种基于人工智能的起重机越线安全监测装置,包括存储器和处理器,以及存储在存储器上并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文中的基于人工智能的起重机越线安全预警方法。因此,该基于人工智能的起重机越线安全监测装置是一个软件装置,其本质仍旧是基于人工智能的起重机越线安全预警方法,由于该基于人工智能的起重机越线安全预警方法在上文已给出了详细说明,不再赘述。
上述实施例仅以一种具体的实施方式说明本发明的技术方案,任何对本发明进行的等同替换及不脱离本发明精神和范围的修改或局部替换,其均应涵盖在本发明权利要求保护的范围之内。
Claims (8)
1.一种基于人工智能的起重机越线安全预警方法,其特征在于,包括:
获取目标人员的红外信息;
根据所述红外信息,启动图像采集模块,并通过所述图像采集模块获取目标图像,所述目标图像包括所述目标人员和警戒线;
根据所述目标图像,构建二维坐标系;
根据所述目标图像和所述二维坐标系,获取所述目标人员与所述警戒线的垂直距离;
比较所述垂直距离与预设安全距离的大小,若所述垂直距离小于所述预设安全距离,则获取所述目标人员与所述警戒线的实际夹角,以及所述目标人员朝向所述警戒线方向运动的运动速度分量;
将所述实际夹角和所述运动速度分量输入至预设的安全监测模型中,判断所述目标人员是否具有越线倾向。
2.根据权利要求1所述的基于人工智能的起重机越线安全预警方法,其特征在于,所述根据所述目标图像,构建二维坐标系具体为:
以所述目标图像的左下角作为所述二维坐标系的原点,以所述目标图像的横向方向为所述二维坐标系的X轴方向,以所述目标图像的纵向方向作为所述二维坐标系的Y轴方向,构建所述二维坐标系。
3.根据权利要求1所述的基于人工智能的起重机越线安全预警方法,其特征在于,所述根据所述目标图像和所述二维坐标系,获取所述目标人员与所述警戒线的垂直距离具体为:
对所述目标图像中的目标人员进行关键点提取,获取所述目标人员的左脚关键点和右脚关键点;
根据所述左脚关键点和右脚关键点,获取所述左脚关键点和右脚关键点连线的中点在所述二维坐标系中的中点坐标;
根据所述中点坐标,以及所述警戒线,获取所述中点坐标与所述警戒线的垂直距离。
4.根据权利要求1所述的基于人工智能的起重机越线安全预警方法,其特征在于,所述获取所述目标人员与所述警戒线的实际夹角,以及所述目标人员朝向所述警戒线方向运动的运动速度分量具体为:
对所述目标图像中的目标人员进行关键点提取,获取所述目标人员的左肩关键点和右肩关键点;
根据预设的所述目标人员与所述警戒线的位置关系,获取在所述二维坐标系中,与所述左肩关键点和右肩关键点的连线相垂直的特征向量;
根据所述特性向量以及所述警戒线,得到所述实际夹角;
根据相邻两个目标图像中的所述目标人员的同一关键点在所述二维坐标系中的坐标变化,获取所述目标人员的运动速度向量;
根据所述运动速度向量以及所述警戒线,获取所述目标人员朝向所述警戒线方向运动的运动速度分量。
5.根据权利要求1所述的基于人工智能的起重机越线安全预警方法,其特征在于,
所述将所述实际夹角和所述运动速度分量输入至预设的安全监测模型中,判断所述目标人员是否具有越线倾向具体为:
若所述实际夹角未处于预设的安全角度区间,且连续第一预设个数的运动速度分量均大于0,则初步判定所述目标人员具有越线倾向。
6.根据权利要求5所述的基于人工智能的起重机越线安全预警方法,其特征在于,所述起重机越线安全预警方法还包括:
若初步判定所述目标人员具有越线倾向,则计算所述目标人员的越线倾向程度参量,越线倾向程度参量的计算过程具体为:
vet-1=(1-ρ)*vet-2+ρ*vt-1
其中,t表示第t次计算,vt为运动速度分量,lt为目标人员与警戒线之间的垂直距离,0<ρ<1,β为权值平衡参数,a为底数常数;θt为目标人员与警戒线的实际夹角,θt符合如下规则:以警戒线为零度轴线,θt处于0-180°表示目标人员朝向警戒线,θt处于-180°-0表示目标人员背向警戒线;
若连续第二预设个数的越线倾向程度参量均大于或者等于预设程度参量阈值,则判定所述目标人员具有越线倾向,输出报警信号。
7.根据权利要求1所述的基于人工智能的起重机越线安全预警方法,其特征在于,所述起重机越线安全预警方法还包括:
获取预设时间段内判断有人具有越线倾向的越线次数;
比较所述越线次数与预设次数阈值的大小,若所述越线次数大于或者等于所述预设次数阈值,则输出异常信号。
8.一种基于人工智能的起重机越线安全预警装置,包括存储器和处理器,以及存储在所述存储器上并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如权利要求1-7任一项所述的基于人工智能的起重机越线安全预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011528621.9A CN112560727A (zh) | 2020-12-22 | 2020-12-22 | 一种基于人工智能的起重机越线安全预警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011528621.9A CN112560727A (zh) | 2020-12-22 | 2020-12-22 | 一种基于人工智能的起重机越线安全预警方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112560727A true CN112560727A (zh) | 2021-03-26 |
Family
ID=75030776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011528621.9A Withdrawn CN112560727A (zh) | 2020-12-22 | 2020-12-22 | 一种基于人工智能的起重机越线安全预警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560727A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392716A (zh) * | 2021-05-21 | 2021-09-14 | 浙江大华技术股份有限公司 | 人员安全检测方法、装置、系统和计算机设备 |
CN117035748A (zh) * | 2023-10-10 | 2023-11-10 | 中铁电气化铁路运营管理有限公司 | 一种地铁站灯具检修辅助系统及方法 |
-
2020
- 2020-12-22 CN CN202011528621.9A patent/CN112560727A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392716A (zh) * | 2021-05-21 | 2021-09-14 | 浙江大华技术股份有限公司 | 人员安全检测方法、装置、系统和计算机设备 |
CN117035748A (zh) * | 2023-10-10 | 2023-11-10 | 中铁电气化铁路运营管理有限公司 | 一种地铁站灯具检修辅助系统及方法 |
CN117035748B (zh) * | 2023-10-10 | 2023-12-22 | 中铁电气化铁路运营管理有限公司 | 一种地铁站灯具检修辅助系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188724B (zh) | 基于深度学习的安全帽定位与颜色识别的方法及系统 | |
CN106341661B (zh) | 巡逻机器人 | |
CN110348348B (zh) | 一种参建人员进场身份快速识别方法及预警系统 | |
CN112216049A (zh) | 一种基于图像识别的施工警戒区监测预警系统及方法 | |
CN112560727A (zh) | 一种基于人工智能的起重机越线安全预警方法和装置 | |
CN113223046B (zh) | 一种监狱人员行为识别的方法和系统 | |
CN111753780B (zh) | 变电站违章检测系统及违章检测方法 | |
CN112800901A (zh) | 一种基于视觉感知的矿山人员安全检测方法 | |
CN115797864A (zh) | 一种应用于智慧社区的安全管理系统 | |
Lee et al. | Intelligent robot for worker safety surveillance: Deep learning perception and visual navigation | |
CN112906441B (zh) | 用于通信行业查勘维护的图像识别系统及方法 | |
CN115620192A (zh) | 一种高空作业安全绳穿戴检测的方法和装置 | |
CN112651377A (zh) | 一种冰雪运动事故检测方法、装置及终端设备 | |
CN114359825A (zh) | 监测方法和相关产品 | |
CN111274872B (zh) | 基于模板匹配的视频监控动态不规则多监管区域判别方法 | |
CN112766183A (zh) | 一种基于ai分析的人员进入禁区报警系统及方法 | |
KR101674266B1 (ko) | 영상 기반의 건설 현장 안전 수준 평가 시스템 | |
CN116453212A (zh) | 一种适用于电力施工场景下违章行为检测方法 | |
CN112949606B (zh) | 工服穿戴状态检测方法、装置、存储介质及电子装置 | |
CN113762164A (zh) | 一种消防通道障碍物识别方法及系统 | |
CN115223242A (zh) | 基于物联网平台的智慧园区管理方法 | |
KR20230097854A (ko) | 발전소내 작업자의 위험행동 인지방법 및 시스템 | |
KR20230131678A (ko) | Ai-vision 기반 다중카메라 환경에서의 작업자 동선추적 방법 및 장치 | |
CN113516818A (zh) | 一种基于实景三维模型的变电站电子安全围栏及监控方法 | |
CN116052223B (zh) | 基于机器视觉识别作业区域人的方法、系统、设备及介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210326 |
|
WW01 | Invention patent application withdrawn after publication |