CN113393703A - 叉车操作的风险预警方法及系统 - Google Patents

Abstract

本发明实施例提供一种叉车操作的风险预警方法及系统，所述方法包括：获取现场监控数据；根据获取到的所述现场监控数据，计算叉车与人员之间的距离或交集；以及出现以下任一情况时，控制报警器报警：在所述叉车与人员之间的距离小于安全距离的情况下；及在所述叉车与人员之间的交集大于指定比例的情况下，其中，获取现场监控数据包括获取现场监控视频，提取出所述现场监控视频中的设定帧画面。通过上述方案可以实现减少人员值守工作量和叉车智能化管控水平，防止出现漏报、误报现象发生，提升现场应急处置能力，提高现场人员的安全性。

Description

叉车操作的风险预警方法及系统

技术领域

本发明涉及车辆操作安全技术，具体地涉及一种叉车操作的风险预警方法及系统。

背景技术

叉车作为仓储货品的非人力搬运工具，广泛运用于石化行业各生产车间。由于生产车间叉车数量多、作业运载量大且作业人员过往频繁，如果在行驶过程中出现驾驶员视线遮挡或存在不良操作习惯，易导致对作业人员的撞伤或碾压事故。随着叉车行业迅猛发展，叉车在装卸或驾驶过程中的风险管控已成为重点关注因素。

已有的车辆防碰撞系统，主要采用添加辅助探测设备或预判车辆轨迹来进行提前预警，需要额外的硬件设备成本或运算中心，且主要用来防止车辆前方或侧前方的人员及车辆靠近，在石化行业生产车间作业人员来往穿梭、可能从不同方向发生碰撞的情况并不适用。另外，用叉车货叉来举升人员进行高空作业现象仍时有发生。

发明内容

本发明实施例的目的是提供一种叉车操作的风险预警方法及系统，其中该方法可以根据现场监控数据进行叉车的异常操作进行报警提示，以保证现场人员的安全。

为了实现上述目的，本发明实施例提供一种叉车操作的风险预警方法，所述方法包括：

获取现场监控数据；

根据获取到的所述现场监控数据，计算叉车与人员之间的距离或交集；以及

出现以下任一情况时，控制报警器报警：

在所述叉车与人员之间的距离小于安全距离的情况下；及

在所述叉车与人员之间的交集大于指定比例的情况下；

其中，获取现场监控数据包括获取现场监控视频，提取出所述现场监控视频中的设定帧画面。

可选的，计算所述叉车与人员之间的距离包括：

根据所述设定帧画面中的叉车与人员的显像大小，动态设定叉车与人员在所述拍摄图片中的站位矩形框；

计算叉车与人员在所述拍摄图片中的站位矩形框之间的欧式几何距离；及

根据计算得到的所述叉车与人员之间的欧式几何距离计算叉车与人员之间的实际距离。

可选的，根据以下公式计算所述叉车与人员之间的欧式几何距离：

其中，dist(forklift，passer)表示叉车与人员之间的欧式几何距离，forklift为叉车坐标；passer为作业人员坐标；i代表坐标维度，n表示所述设定帧画面的维度；

根据以下公式计算所述叉车与人员之间的实际距离：

distance＝parameter*dist

其中，distance表示叉车与人员之间的实际距离，dist表示计算得到的所述叉车与人员之间的欧式几何距离，parameter表示预存的像素距离到真实空间距离的转换矩阵。

可选的，根据以下公式计算所述叉车与人员之间的交集：

IoU(parts，passer)＝parts(x,y,w,h)∩passer(x,y,w,h)

其中，parts表示叉车，passer表示人员，x，y分别表示所述站位矩形框的两个顶点坐标，w表示所述站位矩形框的宽度，h表示所述站位矩形框的高度。

可选的，所述方法还包括：

在所述叉车与人员之间的距离小于安全距离或所述叉车与人员之间的交集大于指定比例的情况下，截取所述现场监控数据中对应帧的画面，并将截取到的所述画面发送至监控中心。

可选的，在所述计算叉车与人员之间的距离或交集前，所述方法还包括：

将所述现场监控数据作为训练数据，通过深层卷积神经网络算法调参迭代训练出预测计算模型，其中，所述计算叉车与人员之间的距离或交集以进行相应所述报警为根据所述预测计算模型进行预测，并根据预测结果进行报警；以及在训练所述预测计算模型的过程中，根据所述训练数据的召回率、精确率计算所训练的所述预测计算模型平均正确率。

本发明实施例还提供一种叉车操作的风险预警系统，所述系统包括：

数据获取模块，用于获取现场监控数据；

控制器，用于执行以下操作：

根据获取到的所述现场监控数据，计算叉车与人员之间的距离或交集；以及

出现以下任一情况时，控制报警器报警：

在所述叉车与人员之间的距离小于安全距离的情况下；及

在所述叉车与人员之间的交集大于指定比例的情况下；

其中，获取现场监控数据包括获取现场监控视频，提取出所述现场监控视频中的设定帧画面。

可选的，所述计算所述叉车与人员之间的距离包括：

根据所述设定帧画面中的叉车与人员的显像大小，动态设定叉车与人员在所述拍摄图片中的站位矩形框；

计算叉车与人员在所述拍摄图片中的站位矩形框之间的欧式几何距离；及

根据计算得到的所述叉车与人员之间的欧式几何距离计算叉车与人员之间的实际距离。

可选的，根据以下公式计算所述叉车与人员之间的欧式几何距离：

其中，dist(forklift，passer)表示叉车与人员之间的欧式几何距离，forklift为叉车坐标；passer为作业人员坐标；i代表坐标维度，n表示所述设定帧画面的维度；

根据以下公式计算所述叉车与人员之间的实际距离：

distance＝parameter*dist

其中，distance表示叉车与人员之间的实际距离，dist表示计算得到的所述叉车与人员之间的欧式几何距离，parameter表示预存的像素距离到真实空间距离的转换矩阵。

可选的，根据以下公式计算所述叉车与人员之间的交集：

IoU(parts，passer)＝parts(x,y,w,h)∩passer(x,y,w,h)

其中，parts表示叉车，passer表示人员，x，y分别表示所述站位矩形框的两个顶点坐标，w表示所述站位矩形框的宽度，h表示所述站位矩形框的高度。

可选的，所述控制器还用于在所述叉车与人员之间的距离小于安全距离或所述叉车与人员之间的交集大于指定比例的情况下，截取所述现场监控数据中对应帧的画面，并将截取到的所述画面发送至监控中心。

可选的，所述控制器在计算所述叉车与人员之间的距离或交集前，还用于：

将所述现场监控数据作为训练数据，通过深层卷积神经网络算法调参迭代训练出预测计算模型，其中，所述计算叉车与人员之间的距离或交集以进行相应所述报警为根据所述预测计算模型进行预测，并根据预测结果进行报警；以及

在训练所述预测计算模型的过程中，根据所述训练数据的召回率、精确率计算所训练的所述预测计算模型平均正确率。在计算得到的预测计算模型的平均正确率大于设定标准(例如80％)，则可以开始应用该预测计算模型，当低于该设定标准的情况下，需继续优化该预测计算模型的平均正确率，直至高于该设定标准。

通过上述技术方案，获取现场监控数据，计算叉车与人员之间的距离或交集，并根据计算结果在出现叉车异常操作的情况下进行报警。减少人员值守工作量和叉车智能化管控水平，防止出现漏报、误报现象发生，提升现场应急处置能力，提高现场人员的安全性。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是本发明实施例一提供的叉车操作的风险预警方法的基本流程图；

图2是本发明实施例二提供的监控图像中人车安全距离判断逻辑示意图；

图3是本发明实施例三提供的监控图像中人车交集的安全判断逻辑示意图；

图4是本发明实施例四提供的叉车操作的风险预警系统结构示意图；

图5是本发明实施例提供的目标检测方法结构图；

图6是本发明实施例的系统功能框架图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

图1示出了本发明实施例提供的叉车操作的风险预警方法的基本流程图，如图1所示，该方法包括获取现场监控数据；

根据获取到的所述现场监控数据，计算叉车与人员之间的距离或交集；以及

出现以下任一情况时，控制报警器报警：

在所述叉车与人员之间的距离小于安全距离的情况下；及

在所述叉车与人员之间的交集大于指定比例的情况下；

其中，获取现场监控数据包括获取现场监控视频，提取出所述现场监控视频中的设定帧画面。

实施例一

关于视频采集，可以从现场已安装的视频点位中筛选角度合适、画面清晰的叉车驾驶过程监控数据，系统不限于以下规格的视频信号，如1/4CIF、CIF、D1、720P、1080P等，对固定或移动式监控设备视频流均可接入，且每个摄像头可单独配置前端运行状态(启动或停止)及算法。

在所述计算叉车与人员之间的距离或交集前，还可以将所述现场监控数据作为训练数据，具体地，可以获取现场监控视频，提取出所述现场监控视频中的设定帧画面，将提取到的设定帧画面作为训练数据，并通过深层卷积神经网络算法调参迭代训练出预测计算模型。

关于该预测计算模型，可以通过算法学习训练，旨在建设一套通用、基础性视频图片数据库，通过对采集的图片进行标注及深层卷积神经网络算法调参迭代，形成成熟算法预置到系统中。

①基础训练图片要求不低于5000张。

②采用Caffe框架的Faster RCNN算法对叉车及人员进行训练。在结构上FasterRCNN已经将特征抽取、候选框提取、边界框回归、目标分类整合在了一个网络中，使得综合性能有较大提高，在检测速度方面尤为明显，适用于对叉车及人员的检测。

③训练过程使用labelimg标注工具进行标注，包括4个类别，分别是叉车forklift，叉车驾驶员driver、人员passer和叉车前面的升降台parts。训练过程是将标注好的图片输入到深度学习的框架中，多次迭代，更新模型的普通参数，学习标注类别的特征。在训练过程中，多次修改与训练有关的参数，如batchsize等，以得到较好的训练结果。检测升降台是为了确定叉车行驶方向以及叉车升降台的位置，检测叉车司机是为确认叉车处于行驶状态。在训练之前采用翻转、缩放、裁剪、平移、添加噪声创造出更多样本，从而提升神经网络的泛化能力。

④由于输入图片有小目标，训练过程中，通过尝试修改感视野anchor scale为[2，4，8，16，32，64]以及对输入图片进行裁剪crop到768大小，以较好的提取小目标的特征。

⑤验证集在训练过程中的作用是确定模型和修改超参数，如学习率等，反向递归修改权重，验证模型的泛化能力，使得模型在验证集上达到最优。本系统中设定训练集和验证集的数据比为3:1。

用召回率、精确率、AP值衡量训练出的模型对于模型预测的准确好坏。

召回率(recall)是一个覆盖范围的度量。度量标准实际有多少个正样本，而它们中又有多少个被正确划分为正样本。越高的召回率表示漏检越少，计算公式：

精确率(precision)用于度量被划分为正样本的样本，而它们中实际是正样本所占的百分比。越高的精确率率表示错检越少，计算公式：

上面的公式中，各字母含义：TP(True Positive)：正样本中被正确预测划分为正样本的数量，TN(True Negative)：负样本中被正确预测划分为负样本的数量，FP(FalsePositive)：负样本中被错误预测划分为正样本的数量，FN(False Negative)：正样本中被错误预测划分为负样本的数量。

AP值是AP(Average Precision)曲线面积积分，衡量训练出的模型对于每个类别预测的准确好坏。平均AP值(mAP)是所有AP的平均值，衡量的是训练出的模型对全部类别预测的准确好坏。

在AP值的计算过程中，需要首先以精确率(Precision)为y轴，以召回率(Recall)为x轴，构建PR曲线。使用VOC2007AP值计算方法，VOC2007数据集计算AP值是将横坐标分成0.1区间的长度，计算10个小矩阵的面积，这样得到的AP值是近似的。通过补充多场景多角度多样化的标注数据，尤其是实际应用场景的图像数据，计算了Faster Rcnn使用VGG16主干网络验证集的叉车、驾驶员、行人、前方升降台四个种类各自的AP值以及四类的mAP，以此不断完善模型计算准确率。

计算叉车与人员之间的距离或交以相应所述报警为根据所述预测计算模型进行预测，并根据预测结果进行报警。

关于报警逻辑判断，可以通过以下操作实现：

①测量叉车和行人距离的基本逻辑：

首先，仅考虑摄影机垂直拍摄的图片或视频。

计算叉车和人员的距离时，先计算叉车和人员各矩形框的最近点坐标的欧氏几何距离，公式为：

使用摄像机拍摄的图片为二维(x,y)，故n＝2；

关于对提取出所述现场监控视频中的设定帧画面中的叉车与人员的站位矩形框的设定，该站位矩形框是根据设定帧画面中的叉车与人员的显像大小进行动态设定的，由于现场摄像头的拍摄角度、叉车与人员相对于摄像头的距离导致叉车与人员在拍摄画面中显像大小不同，在设定叉车与人员的站位矩形框前，可以根据图像识别区分出拍摄画面中叉车与人员。在识别出拍摄画面中的叉车与人员后，可以为叉车与人员设定不同的矩形框，以根据不同的站位矩形框区分出叉车与人员，例如为叉车与人员分别设定不同的可识别格式的站位矩形框。在后续的计算过程中，可以直接通过识别站位矩形框的格式区分拍摄画面中的叉车与人员。

考虑摄影机的参数，得出叉车和人员实际的距离，使用公式：

distance＝parameter*dist (4)

当叉车和人员的距离小于安全距离输出报警信号。

②叉车举升人员判断，

确定叉车升降台是否站人时，计算人员和叉车升降台的矩形框的交集，公式：

IoU(parts，passer)＝parts(x,y,w,h)∩passer(x,y,w,h) (5)

x、y、w、h分别代表矩形框两个顶点坐标和宽度、高度。当交集超过指定比例时输出报警信号。

实施例二

图2是本发明实施例二提供的安全距离判断逻辑示意图；当行人和叉车的距离小于安全距离或人员，则视为存在人员碰撞。激发将视频中对应的帧截取，利用python的flask框架传送视频流至网页浏览器。异常报警信息通过系统颜色闪烁、页面弹出、短信等方式通知，由值守人员确认后及时通过对讲机、广播等通信方式与现场人员联系处置。

叉车与行人的逻辑判断分为两种情况，一种情况，叉车和行人有交集时，直接输出报警结果；另一种情况，如果人员和车辆不存在区域交集，从图片中检测叉车货叉从而判断叉车行驶方向，在叉车行驶方向的范围内判定是否有作业人员，仅考虑摄影机垂直拍摄的图片或视频时，得到叉车和行人最近点距离，然后结合摄像机实际参数得到行人与叉车的实际距离，人员和叉车距离小于叉车宽度的50％则报警。采用的逻辑判断参考前述公式(3)、(4)。

实施例三

图3示出了实施例三提供的监控图像中人车交集的安全判断逻辑示意图；当行人与叉车交集超过指定比例时，则视为存在违规举升人员风险激发将视频中对应的帧截取，利用python的flask框架传送视频流至网页浏览器。异常报警信息通过系统颜色闪烁、页面弹出、短信等方式通知，由值守人员确认后及时通过对讲机、广播等通信方式与现场人员联系处置。

叉车用货叉举升人员逻辑判断，首先从图像中检测识别出货叉和人员及具体位置，然后对叉车升降台与人员交集区域进行计算，具体计算公式参考前述公式(5)。当人员矩形框和叉车升降台矩形框的交集面积，超过人员矩形框面积的70％则输出报警。

实施例四(装置实施例)

图4示出了本发明实施例提供的叉车操作的风险预警系统结构示意图，该系统包括：

数据获取模块，用于获取现场监控数据；

控制器，用于执行以下操作：

根据获取到的所述现场监控数据，计算叉车与人员之间的距离或交集；以及

出现以下任一情况时，控制报警器报警：

在所述叉车与人员之间的距离小于安全距离的情况下；及

在所述叉车与人员之间的交集大于指定比例的情况下。

在仓库加装摄像头作为数据采集模块，加装数量以能够采集到较为清晰的视频图像为宜。采集到的视频流通过视频传输模块的RTSP协议传输到视频存储服务器。逻辑判断模块实时采集视频分析服务器视频流，或直接通过数据采集模块的视频监控前端直接取流。该控制器可以包括逻辑判断模块，该逻辑判断模块通过视频分析服务器作为硬件支撑，提供运算处理能力，主要实现对人测测距、叉车举升人员逻辑判断，并需要根据企业个性化场景预先采集视频图像素材开展学习训练过程。逻辑判断的结果，一旦激发报警阈值，则将报警信号传给反馈控制系统，由企业值守人员确认后及时制止现场作业人员。报警的结果经过视频结构化描述后，在统计展示模块进行展示。

叉车与行人的逻辑判断分为两种情况，一种情况，叉车和行人有交集时，直接输出报警结果；另一种情况，如果人员和车辆不存在区域交集，从图片中检测叉车货叉从而判断叉车行驶方向，在叉车行驶方向的范围内判定是否有作业人员，仅考虑摄影机垂直拍摄的图片或视频时，得到叉车和行人最近点距离，然后结合摄像机实际参数得到行人与叉车的实际距离，人员和叉车距离小于叉车宽度的50％则报警。采用的逻辑判断参考前述公式(3)、(4)。

当行人与叉车交集超过指定比例时，则视为存在违规举升人员风险激发将视频中对应的帧截取，利用python的flask框架传送视频流至网页浏览器。异常报警信息通过系统颜色闪烁、页面弹出、短信等方式通知，由值守人员确认后及时通过对讲机、广播等通信方式与现场人员联系处置。

叉车用货叉举升人员逻辑判断，首先从图像中检测识别出货叉和人员及具体位置，然后对叉车升降台与人员交集区域进行计算，具体计算公式参考前述公式(5)。当人员矩形框和叉车升降台矩形框的交集面积，超过人员矩形框面积的70％则输出报警。

图5示出了本发明实施例提供的目标检测方法结构图，如图5所示，卷积层用于提取全图特征，池化层用于提取候选区域的特征，并且输出固定维度大小的特征向量；全连接层基于卷积层输出的特征，提取候选框，预测目标的边界框，预测候选区的类别。

图6示出了本发明实施例的系统功能框架图，如图6所示，该系统包括实时报警、报警整改、报警台账、统计分析及基础信息维护。实时报警将抓拍出的叉车操作危险行为通过图片形式图送，违章具体部位用红框框出，并有报警级别、报警视频点位、报警类型、报警时间信息；报警整改，对违章行为按照企业制度和整改流程进行，问题整改状态分为待整改、已整改未验收、已验收；报警台账对当前和以往所有报警信息进行列表展示；统计分析，违章行为经过视频结构化描述后，按照报警级别、报警类型、所属单位等维度进行直观展示；基础信息维护，主要实现对视频监控前端设备运行状态(启动/停止)、每个视频前端对应的运行算法等信息的维护。

该系统还可以对车辆、所属单位进行视频结构化描述，如叉车特征包括车身颜色、车牌号、行驶方向、对应驾驶员、所属单位、违章类型、新旧程度等，将抓拍图片特征进行量化表征。对以往报警记录进行统一管理和统计分析，按照单位、车辆、报警类别等对数据信息进行分析，识别出易违章单位、驾驶员和车辆，为安全管理提供参考和依据。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有上述叉车操作的风险预警方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (12)

1.一种叉车操作的风险预警方法，其特征在于，所述方法包括：

获取现场监控数据；

根据获取到的所述现场监控数据，计算叉车与人员之间的距离或交集；以及

出现以下任一情况时，控制报警器报警：

在所述叉车与人员之间的距离小于安全距离的情况下；及

在所述叉车与人员之间的交集大于指定比例的情况下；

其中，获取现场监控数据包括获取现场监控视频，提取出所述现场监控视频中的设定帧画面。

2.根据权利要求1所述的方法，其特征在于，计算所述叉车与人员之间的距离包括：

根据所述设定帧画面中的叉车与人员的显像大小，动态设定叉车与人员在所述拍摄图片中的站位矩形框；

计算叉车与人员在所述拍摄图片中的站位矩形框之间的欧式几何距离；及

根据计算得到的所述叉车与人员之间的欧式几何距离计算叉车与人员之间的实际距离。

3.根据权利要求2所述的方法，其特征在于，根据以下公式计算所述叉车与人员之间的欧式几何距离：

其中，dist(forklift，passer)表示叉车与人员之间的欧式几何距离，forklift为叉车坐标；passer为作业人员坐标；i代表坐标维度，n表示所述设定帧画面的维度；

根据以下公式计算所述叉车与人员之间的实际距离：

distance＝parameter*dist

其中，distance表示叉车与人员之间的实际距离，dist表示计算得到的所述叉车与人员之间的欧式几何距离，parameter表示预存的像素距离到真实空间距离的转换矩阵。

4.根据权利要求2所述的方法，其特征在于，根据以下公式计算所述叉车与人员之间的交集：

IoU(parts，passer)＝parts(x,y,w,h)∩passer(x,y,w,h)

其中，parts表示叉车，passer表示人员，x，y分别表示所述站位矩形框的两个顶点坐标，w表示所述站位矩形框的宽度，h表示所述站位矩形框的高度。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在所述叉车与人员之间的距离小于安全距离或所述叉车与人员之间的交集大于指定比例的情况下，截取所述现场监控数据中对应帧的画面，并将截取到的所述画面发送至监控中心。

6.根据权利要求1所述的方法，其特征在于，在所述计算叉车与人员之间的距离或交集前，所述方法还包括：

将所述现场监控数据作为训练数据，通过深层卷积神经网络算法调参迭代训练出预测计算模型，其中所述计算叉车与人员之间的距离或交集以进行相应所述报警为根据所述预测计算模型进行预测，并根据预测结果进行报警；以及

在训练所述预测计算模型的过程中，根据所述训练数据的召回率、精确率计算所训练的所述预测计算模型平均正确率。

7.一种叉车操作的风险预警系统，其特征在于，所述系统包括：

数据获取模块，用于获取现场监控数据；

控制器，用于执行以下操作：

根据获取到的所述现场监控数据，计算叉车与人员之间的距离或交集；以及

出现以下任一情况时，控制报警器报警：

在所述叉车与人员之间的距离小于安全距离的情况下；及

在所述叉车与人员之间的交集大于指定比例的情况下；

其中，获取现场监控数据包括获取现场监控视频，提取出所述现场监控视频中的设定帧画面。

8.根据权利要求7所述的系统，其特征在于，所述计算所述叉车与人员之间的距离包括：

根据所述设定帧画面中的叉车与人员的显像大小，动态设定叉车与人员在所述拍摄图片中的站位矩形框；

计算叉车与人员在所述拍摄图片中的站位矩形框之间的欧式几何距离；及

根据计算得到的所述叉车与人员之间的欧式几何距离计算叉车与人员之间的实际距离。

9.根据权利要求8所述的系统，其特征在于，根据以下公式计算所述叉车与人员之间的欧式几何距离：

其中，dist(forklift，passer)表示叉车与人员之间的欧式几何距离，forklift为叉车坐标；passer为作业人员坐标；i代表坐标维度，n表示所述设定帧画面的维度；

根据以下公式计算所述叉车与人员之间的实际距离：

distance＝parameter*dist

其中，distance表示叉车与人员之间的实际距离，dist表示计算得到的所述叉车与人员之间的欧式几何距离，parameter表示预存的像素距离到真实空间距离的转换矩阵。

10.根据权利要求8所述的系统，其特征在于，根据以下公式计算所述叉车与人员之间的交集：

IoU(parts，passer)＝parts(x,y,w,h)∩passer(x,y,w,h)

其中，parts表示叉车，passer表示人员，x，y分别表示所述站位矩形框的两个顶点坐标，w表示所述站位矩形框的宽度，h表示所述站位矩形框的高度。

11.根据权利要求8所述的系统，其特征在于，所述控制器还用于在所述叉车与人员之间的距离小于安全距离或所述叉车与人员之间的交集大于指定比例的情况下，截取所述现场监控数据中对应帧的画面，并将截取到的所述画面发送至监控中心。

12.根据权利要求7所述的系统，其特征在于，所述控制器在计算所述叉车与人员之间的距离或交集前，还用于：

将所述现场监控数据作为训练数据，通过深层卷积神经网络算法调参迭代训练出预测计算模型，其中，所述计算叉车与人员之间的距离或交际以进行相应所述报警为根据所述预测计算模型进行预测，并根据预测结果进行报警；以及

在训练所述预测计算模型的过程中，根据所述训练数据的召回率、精确率计算所训练的所述预测计算模型平均正确率。

Images