CN113158752A - 一种电力员工进场作业智能安全管控系统 - Google Patents
一种电力员工进场作业智能安全管控系统 Download PDFInfo
- Publication number
- CN113158752A CN113158752A CN202110163614.1A CN202110163614A CN113158752A CN 113158752 A CN113158752 A CN 113158752A CN 202110163614 A CN202110163614 A CN 202110163614A CN 113158752 A CN113158752 A CN 113158752A
- Authority
- CN
- China
- Prior art keywords
- module
- face
- intelligent
- confidence
- value
- 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.)
- Pending
Links
- 230000006399 behavior Effects 0.000 claims abstract description 95
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 76
- 238000001514 detection method Methods 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 36
- 238000010276 construction Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000006872 improvement Effects 0.000 abstract description 4
- PVCRZXZVBSCCHH-UHFFFAOYSA-N ethyl n-[4-[benzyl(2-phenylethyl)amino]-2-(4-phenoxyphenyl)-1h-imidazo[4,5-c]pyridin-6-yl]carbamate Chemical compound N=1C(NC(=O)OCC)=CC=2NC(C=3C=CC(OC=4C=CC=CC=4)=CC=3)=NC=2C=1N(CC=1C=CC=CC=1)CCC1=CC=CC=C1 PVCRZXZVBSCCHH-UHFFFAOYSA-N 0.000 description 13
- 230000002265 prevention Effects 0.000 description 13
- RKWPMPQERYDCTB-UHFFFAOYSA-N ethyl n-[4-[benzyl(2-phenylethyl)amino]-2-(4-nitrophenyl)-1h-imidazo[4,5-c]pyridin-6-yl]carbamate Chemical compound N=1C(NC(=O)OCC)=CC=2NC(C=3C=CC(=CC=3)[N+]([O-])=O)=NC=2C=1N(CC=1C=CC=CC=1)CCC1=CC=CC=C1 RKWPMPQERYDCTB-UHFFFAOYSA-N 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- UGDGKPDPIXAUJL-UHFFFAOYSA-N ethyl n-[4-[benzyl(2-phenylethyl)amino]-2-(4-ethylphenyl)-1h-imidazo[4,5-c]pyridin-6-yl]carbamate Chemical compound N=1C(NC(=O)OCC)=CC=2NC(C=3C=CC(CC)=CC=3)=NC=2C=1N(CC=1C=CC=CC=1)CCC1=CC=CC=C1 UGDGKPDPIXAUJL-UHFFFAOYSA-N 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B5/00—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied
- G08B5/22—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied using electric transmission; using electromagnetic transmission
Abstract
本发明涉及一种电力员工进场作业智能安全管控系统,它包括布控球、人脸信息采集模块、人脸信息识别模块、违章行为采集模块、人脸图像库、智能识别分析模块、违章行为库、工作票智能识别模型库、告警模块、高清视频传输模块、智能化图像识别模块、图像存储模块、图像抓取模块、网络传输模块、安全管控中心和移动智能终端,智能识别分析模块包括人脸识别比对模块、违章识别比对模块和工作票识别比对模块,告警模块包括弹窗告警模块和文字告警模块;本发明具有实时监测、智能识别分析违章行为、提高管理效率的优点。
Description
技术领域
本发明属于施工现场安全管理技术领域,具体涉及一种电力员工进场作业智能安全管控系统。
背景技术
我国正处于经济和社会快速发展的时期,工程建设作为国家基本建设的重要部分正在蓬勃发展,纵观整个市场经济现状,建筑业在我国国民经济中占有举足轻重的地位,而建筑施工是整个建设环节中尤为重要的一环,随着建设工程规模不断扩大、进度不断加快,在工程施工过程中体现出来的安全问题也尤为明显,为了保证工程施工质量,确保施工人员安全,提高工程建设效率,降低工程建设成本,提高工程建设队伍自身的业务水平和专业素质;因此,提供一种实时监测、智能识别分析违章行为、提高管理效率的一种电力员工进场作业智能安全管控系统是非常有必要的。
发明内容
本发明的目的是为了克服现有技术的不足,而提供一种实时监测、智能识别分析违章行为、提高管理效率的一种电力员工进场作业智能安全管控系统。
本发明的目的是这样实现的:一种电力员工进场作业智能安全管控系统,它包括布控球、人脸信息采集模块、人脸信息识别模块、违章行为采集模块、人脸图像库、智能识别分析模块、违章行为库、工作票智能识别模型库、告警模块、高清视频传输模块、智能化图像识别模块、图像存储模块、图像抓取模块、网络传输模块、安全管控中心和移动智能终端,所述的智能识别分析模块包括人脸识别比对模块、违章识别比对模块和工作票识别比对模块,所述的告警模块包括弹窗告警模块和文字告警模块。
一种电力员工进场作业智能安全管控系统的使用方法,其特征在于:它包括以下步骤:
步骤1):建立人脸图像库、建立违章行为库、建立工作票智能识别模型库;
步骤2):设防布控:将多个布控球安装在防控区域内,实现多方位、无死角的防控区域;
步骤3):采集目标信息,具体包括以下步骤:
3-1:采集目标人脸特征信息;
3-2:采集目标违章行为信息;
步骤4):智能分析识别并进行相关信息的比对,具体包括以下步骤:
4-1:智能识别现场作业人员是否达到安全准入许可条件并与人脸图像库进行比对;
4-2:智能识别现场作业人员是否与工作票智能识别模型库所列名单一致;
4-3:智能识别现场作业人员是否存在变更;
4-4:智能识别现场作业人员是否存在不戴安全帽、不戴安全带等安全隐患行为并与违章行为库进行比对;
步骤5):判断是否存在安全隐患行为,若判断结果为否,则智能识别图像并进行存储;若判断结构为是,则启动告警模块,并通过图像抓取模块抓取安全隐患行为证据图像;
步骤6):步骤5)抓取的安全隐患行为证据图像通过网络传输模块向安全管控中心和移动智能终端发出弹窗和文字告警,安全管控中心对施工现场存在的安全隐患行为及时制止和纠正,操作人员可使用移动智能终端到达施工现场对安全隐患行为及时纠正和指导。
所述的工作票智能识别模型库包括工作负责人信息识别模型、工作班成员识别模型、工作任务识别模型、工作负责人及工作班成员变更识别模型、安全措施识别模型。
所述的步骤4)中的4-1与人脸图像库进行比对采用基于几何特征的方法、局部特征分析方法、特征脸方法、基于弹性模型的方法、神经网络方法、隐马尔可夫模型方法、Gabor小波变换和图形匹配方法、人脸等密度线分析匹配方法、特定人脸子空间(FSS)算法以及奇异值分解(SVD)方法中的一种或多种,其中特征脸方法包括以下步骤:
步骤一:获得包含M张人脸图像的集合S,每张图片转换成一个N维的向量,然后把M个向量放到集合S中,如下式所示:S={Γ1,Γ2,Γ3,......,ΓM};
步骤三:计算每张图片和平均图像的差值Φ,即是用S集合中的每个元素减去步骤二中的平均值,计算公式为:Φi=Γi-Ψ;
步骤四:找到M个正交的单位向量un,这些单位向量是用来描述Φ分布的, un中的第k(k=1,2,3......M)个向量uk的计算公式为:当这个λk取最小值时,uk即确定,但是uk还要满足下列公式使之为单位正交向量,计算公式为:计算uk其实就是计算协方差矩阵的特征向量,计算公式为:其中,A={Φ1,Φ2,Φ3,.......,Φn},对于一个N×N维的图像来说,直接计算其特征向量计算量太大,因此采用协方差矩阵较简单,如果图像的数量小于图像的维数,那么起作用的特征向量只有M-1个而不是N^2个(因为其他的特征向量对应的特征值为0),所以只需求解一个N×N的矩阵即可,这个矩阵即是AAT,设此矩阵为L,那么L的第m行n列的元素可以表示为:一旦找到L 矩阵的M个特征向量vl,那么协方差矩阵的特征向量ul即可表示为:其中l=1,......,M;
步骤五:对于一张新的人脸,可以用特征脸对其进行表示:其中k=1,2......,M,对于第k个特征脸uk,计算其对应的权重,M个权重可以构成一个向量,计算公式为:ΩT=[ω1,ω2,......,ωk],即求得特征脸对人脸的表示,然后进行人脸识别,计算公式为:εk=||Ω-Ωk||2,其中Ω为需要判别的人脸,Ωk为人脸图像库中的某个人脸,两者都是通过特征脸的权重来表示的,对两者求欧式距离,当距离小于阈值时说明要判别的脸和人脸图像库的第k个脸是同一个人的,当遍历所有人脸图像库都大于阈值时,根据距离值的大小又可分为是新的人脸或者不是人脸两种情况。
所述的步骤4)中的4-4:智能识别现场作业人员是否存在不戴安全帽、不戴安全带等安全隐患行为并与违章行为库进行比对采用安全帽识别算法,包括以下步骤:
S1:前端通过布控球录制现场视频并上传至管理系统服务器;
S2:服务器实时分析视频流,通过深度学习算法准确判定是否有安全隐患行为;
S3:存储安全隐患行为发生的时间,地点和现场图片并发出警报;
S4:安全管控中心能够对作业现场进行安全隐患行为制止和纠正。
其中S2中的深度学习算法采用SSD算法,主要思路就是均匀地在图片上不同位置进行密集抽样,抽样时可以采用不同尺度和长宽比的先验框,然后利用 CNN网络提取特征后直接进行分类和回归,SSD算法提取了不同尺度的特征图来做检测,大尺度特征图可以用来检测小物体,而小特征图用来检测大物体,SSD 算法的具体步骤为:
A1:采用多尺度特征图用于检测,比较大的特征图用来检测相对比较小的的目标,而小的特征图负责用来检测大的物体;
A2:采用卷积做检测,SSD直接采用卷积对不同的特征图进行提取检测结果,对于形状为mxnxp的特征图,只需要采用3x3xp这样小的卷积核得到检测值;
A3:设置先验框,SSD借鉴了Faster R-CNN中anchors box的原理,每个单元设置尺度或者长宽比不同的先验框,预测的边界框都是以先验框为基准,一般情况下,每个单元会设置多个先验框,其尺度和长宽比存在差异,每个单元使用了4个不同的先验框,对于每个单元的每个先验框,其都输出一套独立的检测值,对应一个边界框,主要分为两个部分:第一部分是各个类别的置信度或者评分,值得注意的是SSD将背景也当做了一个特殊的类别,如果检测目标共有c个类别,SSD需要预测c+1个置信度值,其中第一个置信度指的是不含目标或者属于背景的评分,即真实的检测类别只有c-1个,在预测过程中,置信度最高的那个类别就是边界框所属的类别,特别地,当第一个置信度值最高时,表示边界框中并不包含目标,第二部分就是边界框的location,包含4个值 (cx,cy,w,h),分别表示边界框的中心坐标以及宽高,但是真实预测值其实只是边界框相对于先验框的转换值,先验框位置用d=(dcx,dcy,dw,dh)表示,其对应边界框用b=(bcx,bcy,bw,bh)表示,那么边界框的预测值l其实是b相对于d 的转换值:习惯上,我们称上面这个过程为边界框的编码,预测时,你需要反向这个过程,即进行解码,从预测值l中得到边界框的真实位置b: bcx=dwlcx+dcx,bcy=dylcy+dcy,bw=dwexp(lw),bh=dhexp(lh),然而,在SSD的Caffe源码实现中还有trick,那就是设置variance超参数来调整检测值,通过bool参数variance_encoded_in_target来控制两种模式,当其为 True时,表示variance被包含在预测值中,就是上面那种情况。但是如果是 False,就需要手动设置超参数variance,用来对l的4个值进行放缩,此时边界框需要这样解码: bcx=dw(variance[0]*lcx)+dcx,bcy=dy(variance[1]*lcy)+dcy, bw=dwexp(variance[2]*lw),bh=dhexp(variance[3]*lh),综上所述,对于一个大小m×n的特征图,共有mn个单元,每个单元设置的先验框数目记为k,那么每个单元共需要(c+4)k个预测值,所有的单元共需要(c+4)kmn个预测值,由于SSD采用卷积做检测,所以就需要(c+4)k个卷积核完成这个特征图的检测过程;
A4:对于先验框的尺度和长宽比,其遵守一个线性递增规则:随着特征图大小降低,先验框尺度线性增加:其中m为特征图个数,sk为先验框大小相对于图片的比例,而smax,smin为比例的最大值与最小值,对于长宽比,一般选取对于特定的长宽比,按如下公式计算先验框的宽度与高度:默认情况下,每个特征图会有一个ar=1且尺度为sk的先验框,除此之外,还会设置一个尺度为且ar=1的先验框,这样每个特征图都设置了两个长宽比为1但大小不同的正方形先验框,得到了特征图之后,需要对特征图进行卷积得到检测结果,检测值包含两个部分:类别置信度和边界框位置,令nk为该特征图所采用的先验框数目,那么类别置信度需要的卷积核数量nk*c,所以说SSD本质上是密集采样;
A5:确定损失函数,损失函数定义为位置误差(loc)与置信度误差(conf) 的加权和:其中N为先验框的正样本数量,这里为一个指示参数,当时表示第i个先验框与第j个 ground truth匹配,并且ground truth的类别为p,c为类别置信度预测值,l为先验框的所对应边界框的位置预测值,而g是ground truth的位置参数,对于位置误差,其采用Smooth L1 loss,定义如下:其中, 由于的存在,所以位置误差仅针对正样本进行计算,值得注意的是,要先对 ground truth的g进行编码得到因为预测值l也是编码值,若设置 variance_encoded_in_target=True,编码时要加上variance:对于置信度误差,其采用softmax loss:其中权重系数α通过交叉验证设置为1;
A6:预测过程,对于每个预测框,首先根据类别置信度确定其类别(置信度最大者)与置信度值,并过滤掉属于背景的预测框,然后根据置信度阈值过滤掉阈值较低的预测框,对于留下的预测框进行解码,根据先验框得到其真实的位置参数,解码之后,一般需要根据置信度进行降序排列,然后仅保留top-k 个预测框,最后就是进行NMS算法,过滤掉那些重叠度较大的预测框,最后剩余的预测框即是检测结果。
本发明的有益效果:本发明建立人脸图像库、建立违章行为库、建立工作票智能识别模型库,并将多个布控球安装在防控区域内,实现多方位、无死角的防控区域,实现对防控区域的实时监测,通过布控球对目标采集人脸特征信息和违章行为信息,然后通过智能识别分析模块对现场作业人员是否达到安全准入条件、作业人员是否与工作票智能识别模型库所列名单一致(包括工作负责人、工作班成员、工作时间段、工作任务、工作负责人及工作班成员变更以及安全措施),人员变更是否及时识别、作业人员是否存在不戴安全帽、不戴安全带等违章行为进行智能分析识别,如果存在安全隐患行为,则通过图像抓取模块抓取安全隐患行为证据图像,并通过网络传输模块向安全管控中心和移动智能终端发出弹窗和文字告警,安全管控中心对施工现场存在的安全隐患行为及时制止和纠正,操作人员可使用移动智能终端到达施工现场对安全隐患行为及时纠正和指导,大大提高管理效率,确保施工人员安全;本发明具有实时监测、智能识别分析违章行为、提高管理效率的优点。
附图说明
图1为本发明一种电力员工进场作业智能安全管控系统的结构框图。
图2为本发明一种电力员工进场作业智能安全管控系统的智能识别分析模块的结构框图。
图3为本发明一种电力员工进场作业智能安全管控系统的告警模块的结构框图。
图4为本发明一种电力员工进场作业智能安全管控系统的流程图。
图中:1、布控球 2、人脸信息采集模块 3、人脸信息识别模块 4、违章行为采集模块 5、人脸图像库 6、智能识别分析模块 7、违章行为库 8、工作票智能识别模型库 9、告警模块 10、高清视频传输模块 11、智能化图像识别模块 12、图像存储模块 13、图像抓取模块 14、网络传输模块 15、安全管控中心 16、人脸识别比对模块 17、违章识别比对模块18、工作票识别比对模块 19、弹窗告警模块 20、文字告警模块 21、移动智能终端。
具体实施方式
下面结合附图对本发明做进一步的说明。
实施例1
如图1-4所示,一种电力员工进场作业智能安全管控系统,它包括布控球1、人脸信息采集模块2、人脸信息识别模块3、违章行为采集模块4、人脸图像库 5、智能识别分析模块6、违章行为库7、工作票智能识别模型库8、告警模块9、高清视频传输模块10、智能化图像识别模块11、图像存储模块12、图像抓取模块13、网络传输模块14、安全管控中心15和移动智能终端21,所述的智能识别分析模块6包括人脸识别比对模块16、违章识别比对模块17和工作票识别比对模块18,所述的告警模块9包括弹窗告警模块19和文字告警模块20。
一种电力员工进场作业智能安全管控系统的使用方法,其特征在于:它包括以下步骤:
步骤1):建立人脸图像库5、建立违章行为库7、建立工作票智能识别模型库8;
步骤2):设防布控:将多个布控球1安装在防控区域内,实现多方位、无死角的防控区域;
步骤3):采集目标信息,具体包括以下步骤:
3-1:采集目标人脸特征信息;
3-2:采集目标违章行为信息;
步骤4):智能分析识别并进行相关信息的比对,具体包括以下步骤:
4-1:智能识别现场作业人员是否达到安全准入许可条件并与人脸图像库5 进行比对;
4-2:智能识别现场作业人员是否与工作票智能识别模型库8所列名单一致;
4-3:智能识别现场作业人员是否存在变更;
4-4:智能识别现场作业人员是否存在不戴安全帽、不戴安全带等安全隐患行为并与违章行为库7进行比对;
步骤5):判断是否存在安全隐患行为,若判断结果为否,则智能识别图像并进行存储;若判断结构为是,则启动告警模块9,并通过图像抓取模块13抓取安全隐患行为证据图像;
步骤6):步骤5)抓取的安全隐患行为证据图像通过网络传输模块14向安全管控中心15和移动智能终端21发出弹窗和文字告警,安全管控中心15对施工现场存在的安全隐患行为及时制止和纠正,操作人员可使用移动智能终端21 到达施工现场对安全隐患行为纠正和指导。
所述的工作票智能识别模型库8包括工作负责人信息识别模型、工作班成员识别模型、工作任务识别模型、工作负责人及工作班成员变更识别模型、安全措施识别模型。
所述的步骤4)中的4-1与人脸图像库5进行比对采用基于几何特征的方法、局部特征分析方法、特征脸方法、基于弹性模型的方法、神经网络方法、隐马尔可夫模型方法、Gabor小波变换和图形匹配方法、人脸等密度线分析匹配方法、特定人脸子空间(FSS)算法以及奇异值分解(SVD)方法中的一种或多种,其中特征脸方法包括以下步骤:
步骤一:获得包含M张人脸图像的集合S,每张图片转换成一个N维的向量,然后把M个向量放到集合S中,如下式所示:S={Γ1,Γ2,Γ3,......,ΓM};
步骤三:计算每张图片和平均图像的差值Φ,即是用S集合中的每个元素减去步骤二中的平均值,计算公式为:Φi=Γi-Ψ;
步骤四:找到M个正交的单位向量un,这些单位向量是用来描述Φ分布的, un中的第k(k=1,2,3......M)个向量uk的计算公式为:当这个λk取最小值时,uk即确定,但是uk还要满足下列公式使之为单位正交向量,计算公式为:计算uk其实就是计算协方差矩阵的特征向量,计算公式为:其中, A={Φ1,Φ2,Φ3,.......,Φn},对于一个N×N维的图像来说,直接计算其特征向量计算量太大,因此采用协方差矩阵较简单,如果图像的数量小于图像的维数,那么起作用的特征向量只有M-1个而不是N^2个(因为其他的特征向量对应的特征值为0),所以只需求解一个N×N的矩阵即可,这个矩阵即是AAT,设此矩阵为L,那么L的第m行n列的元素可以表示为:一旦找到L 矩阵的M个特征向量vl,那么协方差矩阵的特征向量ul即可表示为:其中l=1,......,M;
步骤五:对于一张新的人脸,可以用特征脸对其进行表示:其中k=1,2......,M,对于第k个特征脸uk,计算其对应的权重,M个权重可以构成一个向量,计算公式为:ΩT=[ω1,ω2,......,ωk],即求得特征脸对人脸的表示,然后进行人脸识别,计算公式为:εk=||Ω-Ωk||2,其中Ω为需要判别的人脸,Ωk为人脸图像库5中的某个人脸,两者都是通过特征脸的权重来表示的,对两者求欧式距离,当距离小于阈值时说明要判别的脸和人脸图像库5的第k 个脸是同一个人的,当遍历所有人脸图像库都大于阈值时,根据距离值的大小又可分为是新的人脸或者不是人脸两种情况。
所述的步骤4)中的4-4:智能识别现场作业人员是否存在不戴安全帽、不戴安全带等安全隐患行为并与违章行为库进行比对采用安全帽识别算法,包括以下步骤:
S1:前端通过布控球1录制现场视频并上传至管理系统服务器;
S2:服务器实时分析视频流,通过深度学习算法准确判定是否有安全隐患行为;
S3:存储安全隐患行为发生的时间,地点和现场图片并发出警报;
S4:安全管控中心能够对作业现场进行安全隐患行为制止和纠正。
其中S2中的深度学习算法采用SSD算法,主要思路就是均匀地在图片上不同位置进行密集抽样,抽样时可以采用不同尺度和长宽比的先验框,然后利用 CNN网络提取特征后直接进行分类和回归,SSD算法提取了不同尺度的特征图来做检测,大尺度特征图可以用来检测小物体,而小特征图用来检测大物体,SSD 算法的具体步骤为:
A1:采用多尺度特征图用于检测,比较大的特征图用来检测相对比较小的的目标,而小的特征图负责用来检测大的物体;
A2:采用卷积做检测,SSD直接采用卷积对不同的特征图进行提取检测结果,对于形状为mxnxp的特征图,只需要采用3x3xp这样小的卷积核得到检测值;
A3:设置先验框,SSD借鉴了Faster R-CNN中anchors box的原理,每个单元设置尺度或者长宽比不同的先验框,预测的边界框都是以先验框为基准,一般情况下,每个单元会设置多个先验框,其尺度和长宽比存在差异,每个单元使用了4个不同的先验框,对于每个单元的每个先验框,其都输出一套独立的检测值,对应一个边界框,主要分为两个部分:第一部分是各个类别的置信度或者评分,值得注意的是SSD将背景也当做了一个特殊的类别,如果检测目标共有c个类别,SSD需要预测c+1个置信度值,其中第一个置信度指的是不含目标或者属于背景的评分,即真实的检测类别只有c-1个,在预测过程中,置信度最高的那个类别就是边界框所属的类别,特别地,当第一个置信度值最高时,表示边界框中并不包含目标,第二部分就是边界框的location,包含4个值(cx,cy,w,h),分别表示边界框的中心坐标以及宽高,但是真实预测值其实只是边界框相对于先验框的转换值,先验框位置用d=(dcx,dcy,dw,dh)表示,其对应边界框用b=(bcx,bcy,bw,bh)表示,那么边界框的预测值l其实是b相对于d 的转换值:习惯上,我们称上面这个过程为边界框的编码,预测时,你需要反向这个过程,即进行解码,从预测值l中得到边界框的真实位置b: bcx=dwlcx+dcx,bcy=dylcy+dcy,bw=dwexp(lw),bh=dhexp(lh),然而,在SSD的Caffe源码实现中还有trick,那就是设置variance超参数来调整检测值,通过bool参数variance_encoded_in_target来控制两种模式,当其为 True时,表示variance被包含在预测值中,就是上面那种情况。但是如果是 False,就需要手动设置超参数variance,用来对l的4个值进行放缩,此时边界框需要这样解码: bcx=dw(variance[0]*lcx)+dcx,bcy=dy(variance[1]*lcy)+dcy, bw=dwexp(variance[2]*lw),bh=dhexp(variance[3]*lh),综上所述,对于一个大小m×n的特征图,共有mn个单元,每个单元设置的先验框数目记为k,那么每个单元共需要(c+4)k个预测值,所有的单元共需要(c+4)kmn个预测值,由于SSD采用卷积做检测,所以就需要(c+4)k个卷积核完成这个特征图的检测过程;
A4:对于先验框的尺度和长宽比,其遵守一个线性递增规则:随着特征图大小降低,先验框尺度线性增加:其中m为特征图个数,sk为先验框大小相对于图片的比例,而smax,smin为比例的最大值与最小值,对于长宽比,一般选取对于特定的长宽比,按如下公式计算先验框的宽度与高度:默认情况下,每个特征图会有一个ar=1且尺度为sk的先验框,除此之外,还会设置一个尺度为且ar=1的先验框,这样每个特征图都设置了两个长宽比为1但大小不同的正方形先验框,得到了特征图之后,需要对特征图进行卷积得到检测结果,检测值包含两个部分:类别置信度和边界框位置,令nk为该特征图所采用的先验框数目,那么类别置信度需要的卷积核数量nk*c,所以说SSD本质上是密集采样;
A5:确定损失函数,损失函数定义为位置误差(loc)与置信度误差(conf) 的加权和:其中N为先验框的正样本数量,这里为一个指示参数,当时表示第i个先验框与第j个 ground truth匹配,并且ground truth的类别为p,c为类别置信度预测值,l为先验框的所对应边界框的位置预测值,而g是ground truth的位置参数,对于位置误差,其采用Smooth L1 loss,定义如下:其中, 由于的存在,所以位置误差仅针对正样本进行计算,值得注意的是,要先对 ground truth的g进行编码得到因为预测值l也是编码值,若设置 variance_encoded_in_target=True,编码时要加上variance:对于置信度误差,其采用softmax loss:其中权重系数α通过交叉验证设置为1;
A6:预测过程,对于每个预测框,首先根据类别置信度确定其类别(置信度最大者)与置信度值,并过滤掉属于背景的预测框,然后根据置信度阈值过滤掉阈值较低的预测框,对于留下的预测框进行解码,根据先验框得到其真实的位置参数,解码之后,一般需要根据置信度进行降序排列,然后仅保留top-k 个预测框,最后就是进行NMS算法,过滤掉那些重叠度较大的预测框,最后剩余的预测框即是检测结果。
本发明建立人脸图像库5、建立违章行为库7、建立工作票智能识别模型库 8,并将多个布控球1安装在防控区域内,实现多方位、无死角的防控区域,实现对防控区域的实时监测,通过布控球1对目标采集人脸特征信息和违章行为信息,然后通过智能识别分析模块6对现场作业人员是否达到安全准入条件、作业人员是否与工作票智能识别模型库8所列名单一致(包括工作负责人、工作班成员、工作时间段、工作任务、工作负责人及工作班成员变更以及安全措施),人员变更是否及时识别、作业人员是否存在不戴安全帽、不戴安全带等违章行为进行智能分析识别,如果存在安全隐患行为,则通过图像抓取模块13抓取安全隐患行为证据图像,并通过网络传输模块14向安全管控中心15和移动智能终端21发出弹窗和文字告警,安全管控中心15对施工现场存在的安全隐患行为及时制止和纠正,操作人员可使用移动智能终端21到达施工现场对安全隐患行为及时纠正和指导,大大提高管理效率,确保施工人员安全;本发明具有实时监测、智能识别分析违章行为、提高管理效率的优点。
实施例2
如图1-4所示,一种电力员工进场作业智能安全管控系统,它包括布控球1、人脸信息采集模块2、人脸信息识别模块3、违章行为采集模块4、人脸图像库 5、智能识别分析模块6、违章行为库7、工作票智能识别模型库8、告警模块9、高清视频传输模块10、智能化图像识别模块11、图像存储模块12、图像抓取模块13、网络传输模块14、安全管控中心15和移动智能终端21,所述的智能识别分析模块6包括人脸识别比对模块16、违章识别比对模块17和工作票识别比对模块18,所述的告警模块9包括弹窗告警模块19和文字告警模块20。
一种电力员工进场作业智能安全管控系统的使用方法,其特征在于:它包括以下步骤:
步骤1):建立人脸图像库5、建立违章行为库7、建立工作票智能识别模型库8;
步骤2):设防布控:将多个布控球1安装在防控区域内,实现多方位、无死角的防控区域;
步骤3):采集目标信息,具体包括以下步骤:
3-1:采集目标人脸特征信息;
3-2:采集目标违章行为信息;
步骤4):智能分析识别并进行相关信息的比对,具体包括以下步骤:
4-1:智能识别现场作业人员是否达到安全准入许可条件并与人脸图像库5 进行比对;
4-2:智能识别现场作业人员是否与工作票智能识别模型库8所列名单一致;
4-3:智能识别现场作业人员是否存在变更;
4-4:智能识别现场作业人员是否存在不戴安全帽、不戴安全带等安全隐患行为并与违章行为库7进行比对;
步骤5):判断是否存在安全隐患行为,若判断结果为否,则智能识别图像并进行存储;若判断结构为是,则启动告警模块9,并通过图像抓取模块13抓取安全隐患行为证据图像;
步骤6):步骤5)抓取的安全隐患行为证据图像通过网络传输模块14向安全管控中心15和移动智能终端21发出弹窗和文字告警,安全管控中心15对施工现场存在的安全隐患行为及时制止和纠正,操作人员可使用移动智能终端21 到达施工现场对安全隐患行为纠正和指导。
所述的工作票智能识别模型库8包括工作负责人信息识别模型、工作班成员识别模型、工作任务识别模型、工作负责人及工作班成员变更识别模型、安全措施识别模型。
所述的步骤4)中的4-1与人脸图像库5进行比对采用基于几何特征的方法、局部特征分析方法、特征脸方法、基于弹性模型的方法、神经网络方法、隐马尔可夫模型方法、Gabor小波变换和图形匹配方法、人脸等密度线分析匹配方法、特定人脸子空间(FSS)算法以及奇异值分解(SVD)方法中的一种或多种,其中特征脸方法包括以下步骤:
步骤一:获得包含M张人脸图像的集合S,每张图片转换成一个N维的向量,然后把M个向量放到集合S中,如下式所示:S={Γ1,Γ2,Γ3,......,ΓM};
步骤三:计算每张图片和平均图像的差值Φ,即是用S集合中的每个元素减去步骤二中的平均值,计算公式为:Φi=Γi-Ψ;
步骤四:找到M个正交的单位向量un,这些单位向量是用来描述Φ分布的, un中的第k(k=1,2,3......M)个向量uk的计算公式为:当这个λk取最小值时,uk即确定,但是uk还要满足下列公式使之为单位正交向量,计算公式为:计算uk其实就是计算协方差矩阵的特征向量,计算公式为:其中, A={Φ1,Φ2,Φ3,.......,Φn},对于一个N×N维的图像来说,直接计算其特征向量计算量太大,因此采用协方差矩阵较简单,如果图像的数量小于图像的维数,那么起作用的特征向量只有M-1个而不是N^2个(因为其他的特征向量对应的特征值为0),所以只需求解一个N×N的矩阵即可,这个矩阵即是AAT,设此矩阵为L,那么L的第m行n列的元素可以表示为:一旦找到L 矩阵的M个特征向量vl,那么协方差矩阵的特征向量ul即可表示为:其中l=1,......,M;
步骤五:对于一张新的人脸,可以用特征脸对其进行表示:其中k=1,2......,M,对于第k个特征脸uk,计算其对应的权重,M个权重可以构成一个向量,计算公式为:ΩT=[ω1,ω2,......,ωk],即求得特征脸对人脸的表示,然后进行人脸识别,计算公式为:εk=||Ω-Ωk||2,其中Ω为需要判别的人脸,Ωk为人脸图像库5中的某个人脸,两者都是通过特征脸的权重来表示的,对两者求欧式距离,当距离小于阈值时说明要判别的脸和人脸图像库5的第k 个脸是同一个人的,当遍历所有人脸图像库都大于阈值时,根据距离值的大小又可分为是新的人脸或者不是人脸两种情况。
所述的步骤4)中的4-4:智能识别现场作业人员是否存在不戴安全帽、不戴安全带等安全隐患行为并与违章行为库进行比对采用安全帽识别算法,包括以下步骤:
S1:前端通过布控球1录制现场视频并上传至管理系统服务器;
S2:服务器实时分析视频流,通过深度学习算法准确判定是否有安全隐患行为;
S3:存储安全隐患行为发生的时间,地点和现场图片并发出警报;
S4:安全管控中心能够对作业现场进行安全隐患行为制止和纠正。
其中S2中的深度学习算法采用SSD算法,主要思路就是均匀地在图片上不同位置进行密集抽样,抽样时可以采用不同尺度和长宽比的先验框,然后利用 CNN网络提取特征后直接进行分类和回归,SSD算法提取了不同尺度的特征图来做检测,大尺度特征图可以用来检测小物体,而小特征图用来检测大物体,SSD 算法的具体步骤为:
A1:采用多尺度特征图用于检测,比较大的特征图用来检测相对比较小的的目标,而小的特征图负责用来检测大的物体;
A2:采用卷积做检测,SSD直接采用卷积对不同的特征图进行提取检测结果,对于形状为mxnxp的特征图,只需要采用3x3xp这样小的卷积核得到检测值;
A3:设置先验框,SSD借鉴了Faster R-CNN中anchors box的原理,每个单元设置尺度或者长宽比不同的先验框,预测的边界框都是以先验框为基准,一般情况下,每个单元会设置多个先验框,其尺度和长宽比存在差异,每个单元使用了4个不同的先验框,对于每个单元的每个先验框,其都输出一套独立的检测值,对应一个边界框,主要分为两个部分:第一部分是各个类别的置信度或者评分,值得注意的是SSD将背景也当做了一个特殊的类别,如果检测目标共有c个类别,SSD需要预测c+1个置信度值,其中第一个置信度指的是不含目标或者属于背景的评分,即真实的检测类别只有c-1个,在预测过程中,置信度最高的那个类别就是边界框所属的类别,特别地,当第一个置信度值最高时,表示边界框中并不包含目标,第二部分就是边界框的location,包含4个值 (cx,cy,w,h),分别表示边界框的中心坐标以及宽高,但是真实预测值其实只是边界框相对于先验框的转换值,先验框位置用d=(dcx,dcy,dw,dh)表示,其对应边界框用b=(bcx,bcy,bw,bh)表示,那么边界框的预测值l其实是b相对于d 的转换值:习惯上,我们称上面这个过程为边界框的编码,预测时,你需要反向这个过程,即进行解码,从预测值l中得到边界框的真实位置b: bcx=dwlcx+dcx,bcy=dylcy+dcy,bw=dwexp(lw),bh=dhexp(lh),然而,在SSD的Caffe源码实现中还有trick,那就是设置variance超参数来调整检测值,通过bool参数variance_encoded_in_target来控制两种模式,当其为 True时,表示variance被包含在预测值中,就是上面那种情况。但是如果是 False,就需要手动设置超参数variance,用来对l的4个值进行放缩,此时边界框需要这样解码: bcx=dw(variance[0]*lcx)+dcx,bcy=dy(variance[1]*lcy)+dcy, bw=dwexp(variance[2]*lw),bh=dhexp(variance[3]*lh),综上所述,对于一个大小m×n的特征图,共有mn个单元,每个单元设置的先验框数目记为k,那么每个单元共需要(c+4)k个预测值,所有的单元共需要(c+4)kmn个预测值,由于SSD采用卷积做检测,所以就需要(c+4)k个卷积核完成这个特征图的检测过程;
A4:对于先验框的尺度和长宽比,其遵守一个线性递增规则:随着特征图大小降低,先验框尺度线性增加:其中m为特征图个数,sk为先验框大小相对于图片的比例,而smax,smin为比例的最大值与最小值,对于长宽比,一般选取对于特定的长宽比,按如下公式计算先验框的宽度与高度:默认情况下,每个特征图会有一个ar=1且尺度为sk的先验框,除此之外,还会设置一个尺度为且ar=1的先验框,这样每个特征图都设置了两个长宽比为1但大小不同的正方形先验框,得到了特征图之后,需要对特征图进行卷积得到检测结果,检测值包含两个部分:类别置信度和边界框位置,令nk为该特征图所采用的先验框数目,那么类别置信度需要的卷积核数量nk*c,所以说SSD本质上是密集采样;
A5:确定损失函数,损失函数定义为位置误差(loc)与置信度误差(conf) 的加权和:其中N为先验框的正样本数量,这里为一个指示参数,当时表示第i个先验框与第j个 ground truth匹配,并且ground truth的类别为p,c为类别置信度预测值,l为先验框的所对应边界框的位置预测值,而g是ground truth的位置参数,对于位置误差,其采用Smooth L1 loss,定义如下:其中, 由于的存在,所以位置误差仅针对正样本进行计算,值得注意的是,要先对 ground truth的g进行编码得到因为预测值l也是编码值,若设置 variance_encoded_in_target=True,编码时要加上variance:对于置信度误差,其采用softmax loss:其中权重系数α通过交叉验证设置为1;
A6:预测过程,对于每个预测框,首先根据类别置信度确定其类别(置信度最大者)与置信度值,并过滤掉属于背景的预测框,然后根据置信度阈值过滤掉阈值较低的预测框,对于留下的预测框进行解码,根据先验框得到其真实的位置参数,解码之后,一般需要根据置信度进行降序排列,然后仅保留top-k 个预测框,最后就是进行NMS算法,过滤掉那些重叠度较大的预测框,最后剩余的预测框即是检测结果。
本发明建立人脸图像库5、建立违章行为库7、建立工作票智能识别模型库 8,并将多个布控球1安装在防控区域内,实现多方位、无死角的防控区域,实现对防控区域的实时监测,通过布控球1对目标采集人脸特征信息和违章行为信息,然后通过智能识别分析模块6对现场作业人员是否达到安全准入条件、作业人员是否与工作票智能识别模型库8所列名单一致(包括工作负责人、工作班成员、工作时间段、工作任务、工作负责人及工作班成员变更以及安全措施),人员变更是否及时识别、作业人员是否存在不戴安全帽、不戴安全带等违章行为进行智能分析识别,如果存在安全隐患行为,则通过图像抓取模块13抓取安全隐患行为证据图像,并通过网络传输模块14向安全管控中心15和移动智能终端21发出弹窗和文字告警,安全管控中心15对施工现场存在的安全隐患行为及时制止和纠正,操作人员可使用移动智能终端21到达施工现场对安全隐患行为及时纠正和指导大大提高管理效率,确保施工人员安全;本发明具有实时监测、智能识别分析违章行为、提高管理效率的优点。
Claims (5)
1.一种电力员工进场作业智能安全管控系统,其特征在于:它包括布控球、人脸信息采集模块、人脸信息识别模块、违章行为采集模块、人脸图像库、智能识别分析模块、违章行为库、工作票智能识别模型库、告警模块、高清视频传输模块、智能化图像识别模块、图像存储模块、图像抓取模块、网络传输模块、安全管控中心和移动智能终端,所述的智能识别分析模块包括人脸识别比对模块、违章识别比对模块和工作票识别比对模块,所述的告警模块包括弹窗告警模块和文字告警模块。
2.如权利要求1所述的一种电力员工进场作业智能安全管控系统的使用方法,其特征在于:它包括以下步骤:
步骤1):建立人脸图像库、建立违章行为库、建立工作票智能识别模型库;
步骤2):设防布控:将多个布控球安装在防控区域内,实现多方位、无死角的防控区域;
步骤3):采集目标信息,具体包括以下步骤:
3-1:采集目标人脸特征信息;
3-2:采集目标违章行为信息;
步骤4):智能分析识别并进行相关信息的比对,具体包括以下步骤:
4-1:智能识别现场作业人员是否达到安全准入许可条件并与人脸图像库进行比对;
4-2:智能识别现场作业人员是否与工作票智能识别模型库所列名单一致;
4-3:智能识别现场作业人员是否存在变更;
4-4:智能识别现场作业人员是否存在不戴安全帽、不戴安全带等安全隐患行为并与违章行为库进行比对;
步骤5):判断是否存在安全隐患行为,若判断结果为否,则智能识别图像并进行存储;若判断结构为是,则启动告警模块,并通过图像抓取模块抓取安全隐患行为证据图像;
步骤6):步骤5)抓取的安全隐患行为证据图像通过网络传输模块向安全管控中心和移动智能终端发出弹窗和文字告警,安全管控中心对施工现场存在的安全隐患行为及时制止和纠正,操作人员可使用移动智能终端到达施工现场对安全隐患行为及时纠正和指导。
3.如权利要求2所述的一种电力员工进场作业智能安全管控系统,其特征在于:所述的工作票智能识别模型库包括工作负责人信息识别模型、工作班成员识别模型、工作任务识别模型、工作负责人及工作班成员变更识别模型、安全措施识别模型。
4.如权利要求2所述的一种电力员工进场作业智能安全管控系统,其特征在于:所述的步骤4)中的4-1与人脸图像库进行比对采用基于几何特征的方法、局部特征分析方法、特征脸方法、基于弹性模型的方法、神经网络方法、隐马尔可夫模型方法、Gabor小波变换和图形匹配方法、人脸等密度线分析匹配方法、特定人脸子空间(FSS)算法以及奇异值分解(SVD)方法中的一种或多种,其中特征脸方法包括以下步骤:
步骤一:获得包含M张人脸图像的集合S,每张图片转换成一个N维的向量,然后把M个向量放到集合S中,如下式所示:S={Γ1,Γ2,Γ3,......,ΓM};
步骤三:计算每张图片和平均图像的差值Φ,即是用S集合中的每个元素减去步骤二中的平均值,计算公式为:Φi=Γi-Ψ;
步骤四:找到M个正交的单位向量un,这些单位向量是用来描述Φ分布的,un中的第k(k=1,2,3......M)个向量uk的计算公式为:当这个λk取最小值时,uk即确定,但是uk还要满足下列公式使之为单位正交向量,计算公式为:计算uk其实就是计算协方差矩阵的特征向量,计算公式为:其中,A={Φ1,Φ2,Φ3,.......,Φn},对于一个N×N维的图像来说,直接计算其特征向量计算量太大,因此采用协方差矩阵较简单,如果图像的数量小于图像的维数,那么起作用的特征向量只有M-1个而不是N^2个(因为其他的特征向量对应的特征值为0),所以只需求解一个N×N的矩阵即可,这个矩阵即是AAT,设此矩阵为L,那么L的第m行n列的元素可以表示为:一旦找到L矩阵的M个特征向量vl,那么协方差矩阵的特征向量ul即可表示为:其中l=1,......,M;
5.如权利要求2所述的一种电力员工进场作业智能安全管控系统,其特征在于:所述的步骤4)中的4-4:智能识别现场作业人员是否存在不戴安全帽、不戴安全带等安全隐患行为并与违章行为库进行比对采用安全帽识别算法,包括以下步骤:
S1:前端通过布控球录制现场视频并上传至管理系统服务器;
S2:服务器实时分析视频流,通过深度学习算法准确判定是否有安全隐患行为;
S3:存储安全隐患行为发生的时间,地点和现场图片并发出警报;
S4:安全管控中心能够对作业现场进行安全隐患行为制止和纠正。
其中S2中的深度学习算法采用SSD算法,主要思路就是均匀地在图片上不同位置进行密集抽样,抽样时可以采用不同尺度和长宽比的先验框,然后利用CNN网络提取特征后直接进行分类和回归,SSD算法提取了不同尺度的特征图来做检测,大尺度特征图可以用来检测小物体,而小特征图用来检测大物体,SSD算法的具体步骤为:
A1:采用多尺度特征图用于检测,比较大的特征图用来检测相对比较小的的目标,而小的特征图负责用来检测大的物体;
A2:采用卷积做检测,SSD直接采用卷积对不同的特征图进行提取检测结果,对于形状为mxnxp的特征图,只需要采用3x3xp这样小的卷积核得到检测值;
A3:设置先验框,SSD借鉴了Faster R-CNN中anchors box的原理,每个单元设置尺度或者长宽比不同的先验框,预测的边界框都是以先验框为基准,一般情况下,每个单元会设置多个先验框,其尺度和长宽比存在差异,每个单元使用了4个不同的先验框,对于每个单元的每个先验框,其都输出一套独立的检测值,对应一个边界框,主要分为两个部分:第一部分是各个类别的置信度或者评分,值得注意的是SSD将背景也当做了一个特殊的类别,如果检测目标共有c个类别,SSD需要预测c+1个置信度值,其中第一个置信度指的是不含目标或者属于背景的评分,即真实的检测类别只有c-1个,在预测过程中,置信度最高的那个类别就是边界框所属的类别,特别地,当第一个置信度值最高时,表示边界框中并不包含目标,第二部分就是边界框的location,包含4个值(cx,cy,w,h),分别表示边界框的中心坐标以及宽高,但是真实预测值其实只是边界框相对于先验框的转换值,先验框位置用d=(dcx,dcy,dw,dh)表示,其对应边界框用b=(bcx,bcy,bw,bh)表示,那么边界框的预测值l其实是b相对于d的转换值:习惯上,我们称上面这个过程为边界框的编码,预测时,你需要反向这个过程,即进行解码,从预测值l中得到边界框的真实位置b:bcx=dwlcx+dcx,bcy=dylcy+dcy,bw=dwexp(lw),bh=dhexp(lh),然而,在SSD的Caffe源码实现中还有trick,那就是设置variance超参数来调整检测值,通过bool参数variance_encoded_in_target来控制两种模式,当其为True时,表示variance被包含在预测值中,就是上面那种情况。但是如果是False,就需要手动设置超参数variance,用来对l的4个值进行放缩,此时边界框需要这样解码:
bcx=dw(variance[0]*lcx)+dcx,bcy=dy(variance[1]*lcy)+dcy,bw=dwexp(variance[2]*lw),bh=dhexp(variance[3]*lh),综上所述,对于一个大小m×n的特征图,共有mn个单元,每个单元设置的先验框数目记为k,那么每个单元共需要(c+4)k个预测值,所有的单元共需要(c+4)kmn个预测值,由于SSD采用卷积做检测,所以就需要(c+4)k个卷积核完成这个特征图的检测过程;
A4:对于先验框的尺度和长宽比,其遵守一个线性递增规则:随着特征图大小降低,先验框尺度线性增加:其中m为特征图个数,sk为先验框大小相对于图片的比例,而smax,smin为比例的最大值与最小值,对于长宽比,一般选取对于特定的长宽比,按如下公式计算先验框的宽度与高度:默认情况下,每个特征图会有一个ar=1且尺度为sk的先验框,除此之外,还会设置一个尺度为且ar=1的先验框,这样每个特征图都设置了两个长宽比为1但大小不同的正方形先验框,得到了特征图之后,需要对特征图进行卷积得到检测结果,检测值包含两个部分:类别置信度和边界框位置,令nk为该特征图所采用的先验框数目,那么类别置信度需要的卷积核数量nk*c,所以说SSD本质上是密集采样;
A5:确定损失函数,损失函数定义为位置误差(loc)与置信度误差(conf)的加权和:其中N为先验框的正样本数量,这里为一个指示参数,当时表示第i个先验框与第j个ground truth匹配,并且ground truth的类别为p,c为类别置信度预测值,l为先验框的所对应边界框的位置预测值,而g是ground truth的位置参数,对于位置误差,其采用Smooth L1 loss,定义如下:其中, 由于的存在,所以位置误差仅针对正样本进行计算,值得注意的是,要先对ground truth的g进行编码得到因为预测值l也是编码值,若设置variance_encoded_in_target=True,编码时要加上variance:对于置信度误差,其采用softmax loss:其中权重系数α通过交叉验证设置为1;
A6:预测过程,对于每个预测框,首先根据类别置信度确定其类别(置信度最大者)与置信度值,并过滤掉属于背景的预测框,然后根据置信度阈值过滤掉阈值较低的预测框,对于留下的预测框进行解码,根据先验框得到其真实的位置参数,解码之后,一般需要根据置信度进行降序排列,然后仅保留top-k个预测框,最后就是进行NMS算法,过滤掉那些重叠度较大的预测框,最后剩余的预测框即是检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110163614.1A CN113158752A (zh) | 2021-02-05 | 2021-02-05 | 一种电力员工进场作业智能安全管控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110163614.1A CN113158752A (zh) | 2021-02-05 | 2021-02-05 | 一种电力员工进场作业智能安全管控系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113158752A true CN113158752A (zh) | 2021-07-23 |
Family
ID=76882820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110163614.1A Pending CN113158752A (zh) | 2021-02-05 | 2021-02-05 | 一种电力员工进场作业智能安全管控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158752A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610011A (zh) * | 2021-09-22 | 2021-11-05 | 国网江苏省电力有限公司太仓市供电分公司 | 一种应用于配网作业现场人员管控的ai识别系统 |
CN113705372A (zh) * | 2021-08-10 | 2021-11-26 | 国网江苏省电力有限公司太仓市供电分公司 | 一种应用于配网作业现场违章的ai识别系统 |
CN114821960A (zh) * | 2022-06-27 | 2022-07-29 | 中建安装集团有限公司 | 一种基于窄带物联网技术的工地人员主动安全防护系统 |
CN114936799A (zh) * | 2022-06-16 | 2022-08-23 | 黄冈强源电力设计有限公司 | 一种水泥纤维板的施工过程中风险识别方法及系统 |
CN115082861A (zh) * | 2022-07-06 | 2022-09-20 | 国网江苏省电力有限公司南通市通州区供电分公司 | 人员身份与安全违章识别方法及系统 |
CN115131706A (zh) * | 2022-06-30 | 2022-09-30 | 国网河北省电力有限公司电力科学研究院 | 一种电力作业违章数据化智能图像识别系统及方法 |
CN116311361A (zh) * | 2023-03-02 | 2023-06-23 | 北京化工大学 | 一种基于像素级标注的危险源室内工作人员定位方法 |
CN117011106A (zh) * | 2023-07-19 | 2023-11-07 | 江苏思行达信息技术有限公司 | 一种工程监理安全督查系统 |
CN117077898A (zh) * | 2023-10-10 | 2023-11-17 | 北京全路通信信号研究设计院集团有限公司 | 一种工务防护方法及系统 |
CN117115755A (zh) * | 2023-10-23 | 2023-11-24 | 科曼智能科技有限公司 | 一种基于图像识别电力作业现场违章监控报警识别系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108833831A (zh) * | 2018-06-15 | 2018-11-16 | 陈在新 | 一种电力施工智能安全监督系统 |
CN109767121A (zh) * | 2019-01-11 | 2019-05-17 | 云南电网有限责任公司保山供电局 | 一种变电站远方智能作业管控系统及方法 |
CN109784190A (zh) * | 2018-12-19 | 2019-05-21 | 华东理工大学 | 一种基于深度学习的自动驾驶场景关键目标检测提取方法 |
CN110674772A (zh) * | 2019-09-29 | 2020-01-10 | 国家电网有限公司技术学院分公司 | 电力作业现场智能安全管控辅助系统及方法 |
CN110826514A (zh) * | 2019-11-13 | 2020-02-21 | 国网青海省电力公司海东供电公司 | 一种基于深度学习的施工现场违章智能识别方法 |
CN110826577A (zh) * | 2019-11-06 | 2020-02-21 | 国网新疆电力有限公司电力科学研究院 | 一种基于目标跟踪的高压隔离开关状态跟踪识别方法 |
CN111507308A (zh) * | 2020-05-07 | 2020-08-07 | 广东电网有限责任公司 | 一种基于视频识别技术的变电站安全监控系统及方法 |
CN111753682A (zh) * | 2020-06-11 | 2020-10-09 | 中建地下空间有限公司 | 一种基于目标检测算法的吊装区域动态监控方法 |
CN111833502A (zh) * | 2020-06-28 | 2020-10-27 | 云南电网有限责任公司昆明供电局 | 一种无人值守变电站进出站人员智能监控管理方法 |
CN112183394A (zh) * | 2020-09-30 | 2021-01-05 | 江苏智库智能科技有限公司 | 一种人脸识别方法、装置和智能安防管理系统 |
-
2021
- 2021-02-05 CN CN202110163614.1A patent/CN113158752A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108833831A (zh) * | 2018-06-15 | 2018-11-16 | 陈在新 | 一种电力施工智能安全监督系统 |
CN109784190A (zh) * | 2018-12-19 | 2019-05-21 | 华东理工大学 | 一种基于深度学习的自动驾驶场景关键目标检测提取方法 |
CN109767121A (zh) * | 2019-01-11 | 2019-05-17 | 云南电网有限责任公司保山供电局 | 一种变电站远方智能作业管控系统及方法 |
CN110674772A (zh) * | 2019-09-29 | 2020-01-10 | 国家电网有限公司技术学院分公司 | 电力作业现场智能安全管控辅助系统及方法 |
CN110826577A (zh) * | 2019-11-06 | 2020-02-21 | 国网新疆电力有限公司电力科学研究院 | 一种基于目标跟踪的高压隔离开关状态跟踪识别方法 |
CN110826514A (zh) * | 2019-11-13 | 2020-02-21 | 国网青海省电力公司海东供电公司 | 一种基于深度学习的施工现场违章智能识别方法 |
CN111507308A (zh) * | 2020-05-07 | 2020-08-07 | 广东电网有限责任公司 | 一种基于视频识别技术的变电站安全监控系统及方法 |
CN111753682A (zh) * | 2020-06-11 | 2020-10-09 | 中建地下空间有限公司 | 一种基于目标检测算法的吊装区域动态监控方法 |
CN111833502A (zh) * | 2020-06-28 | 2020-10-27 | 云南电网有限责任公司昆明供电局 | 一种无人值守变电站进出站人员智能监控管理方法 |
CN112183394A (zh) * | 2020-09-30 | 2021-01-05 | 江苏智库智能科技有限公司 | 一种人脸识别方法、装置和智能安防管理系统 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705372A (zh) * | 2021-08-10 | 2021-11-26 | 国网江苏省电力有限公司太仓市供电分公司 | 一种应用于配网作业现场违章的ai识别系统 |
CN113610011A (zh) * | 2021-09-22 | 2021-11-05 | 国网江苏省电力有限公司太仓市供电分公司 | 一种应用于配网作业现场人员管控的ai识别系统 |
CN114936799A (zh) * | 2022-06-16 | 2022-08-23 | 黄冈强源电力设计有限公司 | 一种水泥纤维板的施工过程中风险识别方法及系统 |
CN114821960A (zh) * | 2022-06-27 | 2022-07-29 | 中建安装集团有限公司 | 一种基于窄带物联网技术的工地人员主动安全防护系统 |
CN115131706A (zh) * | 2022-06-30 | 2022-09-30 | 国网河北省电力有限公司电力科学研究院 | 一种电力作业违章数据化智能图像识别系统及方法 |
CN115082861A (zh) * | 2022-07-06 | 2022-09-20 | 国网江苏省电力有限公司南通市通州区供电分公司 | 人员身份与安全违章识别方法及系统 |
CN116311361A (zh) * | 2023-03-02 | 2023-06-23 | 北京化工大学 | 一种基于像素级标注的危险源室内工作人员定位方法 |
CN116311361B (zh) * | 2023-03-02 | 2023-09-15 | 北京化工大学 | 一种基于像素级标注的危险源室内工作人员定位方法 |
CN117011106A (zh) * | 2023-07-19 | 2023-11-07 | 江苏思行达信息技术有限公司 | 一种工程监理安全督查系统 |
CN117077898A (zh) * | 2023-10-10 | 2023-11-17 | 北京全路通信信号研究设计院集团有限公司 | 一种工务防护方法及系统 |
CN117115755A (zh) * | 2023-10-23 | 2023-11-24 | 科曼智能科技有限公司 | 一种基于图像识别电力作业现场违章监控报警识别系统 |
CN117115755B (zh) * | 2023-10-23 | 2024-01-23 | 科曼智能科技有限公司 | 一种基于图像识别电力作业现场违章监控报警识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113158752A (zh) | 一种电力员工进场作业智能安全管控系统 | |
CN109522793B (zh) | 基于机器视觉的多人异常行为检测与识别方法 | |
CN108805093B (zh) | 基于深度学习的手扶电梯乘客摔倒检测方法 | |
CN112287816B (zh) | 一种基于深度学习的危险工作区事故自动检测报警方法 | |
CN107679471B (zh) | 基于视频监控平台的室内人员空岗检测方法 | |
WO2020253308A1 (zh) | 矿井下皮带运输人员人机交互行为安全监控与预警方法 | |
CN112396658B (zh) | 一种基于视频的室内人员定位方法及定位系统 | |
CN113139521B (zh) | 一种用于电力监控的行人越界标监测方法 | |
KR102195706B1 (ko) | 침입 탐지방법 및 그 장치 | |
CN110728252B (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
CN108564069A (zh) | 一种工业佩戴安全帽视频检测方法 | |
CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
CN111582129A (zh) | 一种盾构机司机工作状态实时监测报警方法及装置 | |
CN108009574B (zh) | 一种轨道扣件检测方法 | |
CN115620212B (zh) | 一种基于监控视频的行为识别方法及系统 | |
CN111079694A (zh) | 一种柜面助手履职监控装置和方法 | |
CN116386120B (zh) | 一种用于智慧校园宿舍的无感监控管理系统 | |
CN109241870B (zh) | 基于步态识别的煤矿井下人员身份识别方法 | |
CN115223249A (zh) | 一种基于机器视觉的井下人员不安全行为快速分析与识别方法 | |
CN113192038B (zh) | 基于深度学习的已有火焰环境中异常烟火识别监测方法 | |
CN116416665A (zh) | 基于安防系统的人脸识别方法、装置及存储介质 | |
CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 | |
CN113554682B (zh) | 一种基于目标跟踪的安全帽检测方法 | |
CN114387665A (zh) | 一种基于便携布控球的登高无人扶梯识别系统 | |
CN114359839A (zh) | 识别电动车进入电梯的方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210723 |
|
RJ01 | Rejection of invention patent application after publication |