CN113971829A - 安全帽佩戴情况的智能检测方法、装置、设备及存储介质 - Google Patents
安全帽佩戴情况的智能检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113971829A CN113971829A CN202111265616.8A CN202111265616A CN113971829A CN 113971829 A CN113971829 A CN 113971829A CN 202111265616 A CN202111265616 A CN 202111265616A CN 113971829 A CN113971829 A CN 113971829A
- Authority
- CN
- China
- Prior art keywords
- safety helmet
- video data
- intelligent detection
- wearing condition
- worn
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 230000001815 facial effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 210000000056 organ Anatomy 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 12
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 5
- 238000013523 data management Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Helmets And Other Head Coverings (AREA)
Abstract
本发明实施例提供了一种安全帽佩戴情况的智能检测方法、装置、设备及存储介质，所述方法包括：获取现场画面的视频数据；将所述视频数据逐帧分解为灰度图像；基于所述灰度图像进行关键点提取并进行特征融合以构建安全帽佩戴情况的智能检测模型，并根据所述智能检测模型得到检测结果。通过上述方案，用户可使用无人机或监控摄像头等进行电力施工现场画面的视频数据的采集，构建了安全帽佩戴情况的智能检测模型，并根据所述模型得到检测结果，从而判断现场人员的安全帽佩戴情况，达到了大大降低现场监理的人力资源浪费和安全风险并提高监理的效率和效果的技术效果。
Description
技术领域
本发明实施例涉及电力施工现场的智能检测技术领域，尤其涉及安全帽佩戴情况的智能检测方法、装置、设备及存储介质。
背景技术
随着电力系统建设的迅速发展，需要保证电网安全运行水平并提高客户服务水平，但目前电力系统的智能化发展还处于起步阶段，对于施工现场往往需要人工进行安全监管，而佩戴安全帽是在施工现场对人头部受坠落物及其他特定因素引起的伤害起防护作用的必要防护措施，为保障人的生命财产安全，必须对安全帽的佩戴进行人工监管，但针对安全帽佩戴情况的人工监管不仅效率低下，还容易产生监管不到位的情况，滋生安全隐患甚至导致安全事故。针对上述问题研究人员对安全帽佩戴情况的智能检测进行了大量的研究，然而，现有技术中依然存在着检测不到位的问题，如：只检测了安全帽佩戴与否，并不能检测安全帽佩戴是否规范。此外，现有技术多对头部整体进行判断，对细节的判断识别并不准确。
发明内容
针对上述问题，本发明实施例提供了一种安全帽佩戴情况的智能检测方法、装置、设备及存储介质，以实现电力施工现场安全帽佩戴情况的智能化检测，大大的降低了现场监理的人力资源浪费和安全风险，提高了监理的效率和效果。
第一方面，本发明实施例提供的安全帽佩戴情况的智能检测方法，包括：
获取现场画面的视频数据；
将视频数据逐帧分解为灰度图像；
基于灰度图像进行关键点提取并进行特征融合以构建安全帽佩戴情况的智能检测模型，并根据智能检测模型得到检测结果。
优选的，通过无人机设备和/或监控摄像头获取现场画面的视频数据。
进一步地，在获取现场画面的视频数据之后，还包括：
将视频数据发送到数据融合处理中心，以对视频数据进行优化筛重处理。
其中，基于灰度图像进行关键点提取并进行特征融合以构建安全帽佩戴情况的智能检测模型，并根据智能检测模型得到检测结果，包括：
对灰度图像利用透视中心、像点、目标点三点共线的条件，按旋转定制使承影面绕迹线旋转某一角度，破坏原有的投影光线束，并保持承影面上投影几何图形不变；
通过前景和背景的分离作用，从生成的k组目标框中随机选择k个候选框作为质心，计算每个目标框中心点到候选框中心点的距离，将目标框归好集合后，重新计算每个集合的候选框，并进行重复迭代，直到每个目标框中心点到候选框中心点的距离小于预设阈值，从而获得合适面部器官大小的边界框；
对边界框进行归一化和对齐，对对齐后的边界框的形状特征做PCA处理；
为每个关键点构建局部特征，局部特征采用梯度特征；
根据关键点对边界框做简单的尺度和旋转变化以对齐人脸，并匹配每个关键点，得到第一匹配结果；
采用平均人脸形状模型修正第一匹配结果以得到第二匹配结果；
通过上采样操作，将第二匹配结果的高层特征信息和低层特征信息进行融合，将融合后的特征信息送入分类网络并得到分类结果；
根据分类结果映射到作业人员安全帽的佩戴情况从而获得检测结果；
分类结果包括：安全帽是否佩戴以及安全帽是否规范佩戴。
进一步地，在基于灰度图像进行关键点提取并进行特征融合以构建安全帽佩戴情况的智能检测模型，并根据智能检测模型得到检测结果之后，还包括：
根据检测结果生成告警信号。
其中，根据检测结果发出告警信号包括：
当检测结果为未佩戴安全帽时，生成未佩戴安全帽告警信号；
当检测结果为佩戴安全帽但未正确佩戴侧边带时，生成未规范佩戴安全帽告警信号；
当检测结果为佩戴安全帽且正确佩戴侧边带时，不生成告警信号。
进一步地，还包括：
根据所述检测结果生成检测报告，并将所述检测报告上传至交互中心。
第二方面，本发明实施例还提供了安全帽佩戴情况的智能检测装置，包括：
视频数据获取模块，视频数据获取模块用于获取现场画面的视频数据；
第一视频数据处理模块，第一视频数据处理模块用于将视频数据逐帧分解为灰度图像；
检测结果获取模块，检测结果获取模块用于基于灰度图像进行关键点提取并进行特征融合以构建安全帽佩戴情况的智能检测模型，并根据智能检测模型得到检测结果。
第三方面，本发明实施例还提供一种设备，包括：
存储器，用于存储指令，指令包括本发明实施例第一方面的安全帽佩戴情况的智能检测方法的步骤；
处理器，用于执行指令。
第四方面，本发明实施例还提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如本发明实施例第一方面提供的安全帽佩戴情况的智能检测方法的步骤。
本发明实施例通过上述方案，用户可使用无人机或监控摄像头等进行电力施工现场数据的采集，并通过训练好的模型进行现场安全帽佩戴情况的智慧识别检测及预警，结合关键点信息进行安全帽佩戴情况的识别提高了判断的准确性，大大降低了现场监理的人力资源浪费和人员的安全风险，并提高监理的效率和效果。
附图说明
图1是本发明一个实施例提供的安全帽佩戴情况的智能检测方法的流程示意图；
图2是本发明一个实施例提供的安全帽佩戴情况的智能检测方法的流程示意图；
图3是本发明一个实施例提供的安全帽佩戴情况的智能检测方法的流程示意图；
图4是本发明一个实施例提供的安全帽佩戴情况的智能检测装置的结构示意图；
图5是本发明一个实施例提供的存储介质的结构示意图；
图6是本发明一个实施例提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一匹配结果为第二匹配结果，且类似地，可将第二匹配结果称为第一匹配结果。第一匹配结果和第二匹配结果两者都是匹配结果，但其不是同一匹配结果。术语“第一”、“第二”等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该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
图1为本发明实施例提供的安全帽佩戴情况的智能检测方法的流程示意图，可适用于智能检测施工现场人员的安全帽佩戴情况的场景，该方法可以由安全帽佩戴情况的智能检测装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。
如图1所示，本发明实施例提供的安全帽佩戴情况的智能检测方法包括：
S10、获取现场画面的视频数据；
S20、将所述视频数据逐帧分解为灰度图像；
S30、基于所述灰度图像进行关键点提取并进行特征融合以构建安全帽佩戴情况的智能检测模型，并根据所述智能检测模型得到检测结果。
在本发明实施例中，可通过无人机设备和/或监控摄像头获取所述现场画面的视频数据。其中，所述无人机设备优选为四旋翼专业级无人机DJIM300RTK或精灵4/4pro大疆无人机等，所述四旋翼专业级无人机可搭载可见光载荷云台相机，负载采用禅思X5S云台相机，具有设计紧凑，扩展灵活，智能控制系统与飞行性能显著优化等优点，并新增飞行及数据安全等功能，在对施工现场的情况采集时具有良好的表现。所述精灵4大疆无人机具备优异的灵活性及便携性，Phantom 4 Pro的相机配备1英寸2000万像素影像传感器，并搭配后视视觉传感器与机身两侧的红外感知器，带来5向环境识别与4向避障能力，安全性更高，飞行更智能，用户可灵活的选择无人机设备进行现场画面的视频数据的获取。优选地，所述视频数据包括实时视频数据和离线视频数据。本发明实施例可分别针对实时视频数据和离线视频数据进行后续的关键点提取等步骤。
进一步地，参照图2，本发明实施例所提供的方法还包括：
S11、将所述视频数据发送到数据融合处理中心，以对所述视频数据进行优化筛重处理。
通过上述步骤对所述视频数据进行优化筛重处理，只保留相同视频数据其中之一以减少重复操作，从而达到提高处理效率的目的。
进一步地，将所述视频数据逐帧分解为灰度图像，以便进行后续的图像识别和模型训练。
参照图2，基于所述灰度图像进行关键点提取并进行特征融合以构建安全帽佩戴情况的智能检测模型，并根据所述智能检测模型得到检测结果的步骤S30，包括：
S31、对所述灰度图像利用透视中心、像点、目标点三点共线的条件，按旋转定制使承影面绕迹线旋转某一角度，破坏原有的投影光线束，并保持承影面上投影几何图形不变；
S32、通过前景和背景的分离作用，从生成的k组目标框中随机选择k个候选框作为质心，计算每个目标框中心点到候选框中心点的距离，将所述目标框归好集合后，重新计算每个集合的候选框，并进行重复迭代，直到所述每个目标框中心点到候选框中心点的距离小于预设阈值，从而获得合适面部器官大小的边界框；
S33、对所述边界框进行归一化和对齐，对对齐后的边界框的形状特征做PCA处理；
S34、为每个关键点构建局部特征，所述局部特征采用梯度特征；
S35、根据所述关键点对所述边界框做简单的尺度和旋转变化以对齐人脸，并匹配每个关键点，得到第一匹配结果；
S36、采用平均人脸形状模型修正所述第一匹配结果以得到第二匹配结果；
S37、通过上采样操作，将所述第二匹配结果的高层特征信息和低层特征信息融合，将融合后的特征信息送入分类网络并得到分类结果；
S38、根据所述分类结果映射到作业人员安全帽的佩戴情况从而获得所述检测结果；
其中，所述分类结果包括：安全帽是否佩戴以及安全帽是否规范佩戴。
其中，识别安全帽佩戴情况的监测模型需要预先训练分类器进行学习，在本发明实施例中采用yolov5的学习框架进行模型的训练。首先，需要对所述灰度图像利用透视中心、像点、目标点三点共线的条件，按旋转定制使承影面绕迹线旋转某一角度，破坏原有的投影光线束，并保持承影面上投影几何图形不变，从而在训练时实现数据集的增扩。在yolov5的学习框架中，会自动生成k（k≥0）组目标框，通过前景和背景的分离作用，从生成的k组目标框中随机选择k个候选框作为质心，所述质心将作为候选框回归的起点，之后计算每个目标框中心点到候选框中心点的距离，到达哪个候选框的距离最小，就归集于该候选框的集合，也就是说，每一个目标框会归集到距离自己最近的候选框。将所述目标框归好集合后，重新计算每个集合的候选框，可通过计算每个集合里面所有目标框的宽和高的平均值，以该平均值为新尺寸的框作为新的候选框，并进行重复迭代，直到所述每个目标框中心点到候选框中心点的距离小于预设阈值，从而获得合适面部器官大小的边界框。接着，对所述边界框进行归一化和对齐，对对齐后的边界框的形状特征做PCA处理， PCA处理是指通过抛弃携带信息量较少的维度，保留主要的特征信息来对数据进行降维处理，由于图像的特征点可能比较多，如果直接全部计算所需耗费的计算时间比较大，因此可以利用PCA算法对图像数据进行降维处理。之后，为每个关键点构建局部特征，目的是在每次的迭代搜索过程中每个关键点可以寻找新的位置。其中，关键点是通过特征提取自动生成的，比如，人的眼睛、鼻子和嘴巴等都属于关键点，所述局部特征采用梯度特征，以防光照变化对识别结果造成影响。根据所述关键点对所述边界框做简单的尺度和旋转变化以对齐人脸，并匹配每个关键点，得到第一匹配结果，在本发明实施例中，可在对齐后的各关键点附近搜索，匹配每个局部关键点得到初步形状。接着采用平均人脸形状模型修正所述第一匹配结果以得到第二匹配结果，在本发明实施例中，可将获得的初步形状进行修正以得到最终的人脸特征图。之后，通过上采样操作，将所述第二匹配结果的高层特征信息和低层特征信息进行融合，将融合后的特征信息送入分类网络得到分类结果。最后，根据所述分类结果映射到作业人员安全帽佩戴的情况从而获得检测结果。
在本发明实施例中，通过上述步骤实现了安全帽佩戴情况的智能检测模型构建，并根据所述智能检测模型得到检测结果。在实际中，不仅未佩戴安全帽易造成安全隐患，未正确佩戴安全帽同样会带来安全隐患，当安全帽的侧边带未佩戴时极易造成安全帽的脱落从而带来危害，因此，在实际实施时，分类结果包括：安全帽带是否佩戴以及安全带帽是否规范佩戴，根据所述分类结果映射到作业人员安全帽的佩戴情况获得的检测结果包括：安全帽未正确佩戴、安全帽已佩戴但未正确佩戴侧边带以及安全帽已佩戴且正确佩戴侧边带。
进一步地，参考图3，在基于所述灰度图像进行关键点提取并进行特征融合以构建安全帽佩戴情况的智能检测模型，并根据所述智能检测模型得到检测结果的步骤S30之后，还包括：
S40、根据所述检测结果生成告警信号。
其中，当检测结果为未佩戴安全帽时，生成未佩戴安全帽告警信号；当检测结果为佩戴安全帽但未正确佩戴侧边带时，生成未规范佩戴安全帽告警信号；当检测结果为佩戴安全帽且正确佩戴侧边带时，不生成告警信号。进一步地，可将所述告警信号发送至交互中心，以及时通知施工现场的管理人员。
进一步地，参考图3，在所述根据所述检测结果生成告警信号的步骤S40后，还包括：
S50、根据所述检测结果生成检测报告，并将所述检测报告上传至交互中心。
在实际实施时，所述交互中心可包括：用户界面、数据管理模块和报告显示模块。所述数据管理模块可在用户界面进行视频数据的显示和管理，所述报告显示模块可用于显示根据所述告警信号生成的告警信息或检测报告，进一步地，用户也可以下载所述检测报告，可用于后续进行相关人员的行为评价或总结。
本发明实施例通过上述方案，用户可使用无人机或监控摄像头等进行电力施工现场画面的视频数据的采集，构建了安全帽佩戴情况的智能检测模型，并根据所述模型得到检测结果，从而判断现场人员的安全帽佩戴情况，本发明实施例结合关键点信息进行安全帽佩戴情况的识别提高了判断的准确性，达到了大大降低现场监理的人力资源浪费和安全风险并提高监理的效率和效果的技术效果。
图4为本发明实施例所提供的安全帽佩戴情况的智能检测装置的结构示意图，参考图4，本发明实施例所提供的安全帽佩戴情况的智能检测装置包括：视频数据获取模块1、第一视频数据处理模块2和检测结果获取模块3。
所述视频数据获取模块1用于获取现场画面的视频数据；
所述第一视频数据处理模块2用于将所述视频数据逐帧分解为灰度图像；
所述检测结果获取模块3用于基于所述灰度图像进行关键点提取并进行特征融合以构建安全帽佩戴情况的智能检测模型，并根据所述智能检测模型得到检测结果。
优选地，所述视频数据获取模块1位无人机设备和/或监控摄像头，可通过无人机设备和/或监控摄像头获取所述现场画面的视频数据。
进一步地，本发明实施例提供的装置还包括：第二视频数据处理模块，所述第二视频数据处理模块用于将所述视频数据发送到数据融合处理中心，以对所述视频数据进行优化筛重处理。
在一个实施例中，检测结果获取模块3包括：
第一处理单元，所述第一处理单元用于对所述灰度图像利用透视中心、像点、目标点三点共线的条件，按旋转定制使承影面绕迹线旋转某一角度，破坏原有的投影光线束，并保持承影面上投影几何图形不变；
第二处理单元，所述第二处理单元用于通过前景和背景的分离作用，从生成的k组目标框中随机选择k个候选框作为质心，计算每个目标框中心点到候选框中心点的距离，将所述目标框归好集合后，重新计算每个集合的候选框，并进行重复迭代，直到所述每个目标框中心点到候选框中心点的距离小于预设阈值，从而获得合适面部器官大小的边界框；
第三处理单元，所述第三处理单元用于对所述边界框进行归一化和对齐，对对齐后的边界框的形状特征做PCA处理；
第四处理单元，所述第四处理单元用于为每个关键点构建局部特征，所述局部特征采用梯度特征；
第五处理单元，所述第五处理单元用于根据所述关键点对所述边界框做简单的尺度和旋转变化以对齐人脸，并匹配每个关键点，得到第一匹配结果；
第六处理单元，所述第六处理单元用于采用平均人脸形状模型修正所述第一匹配结果以得到第二匹配结果；
第七处理单元，所述第七处理单元用于通过上采样操作，将所述第二匹配结果的高层特征信息和低层特征信息进行融合，得到分类结果；
第八处理单元，所述第八处理单元用于根据所述分类结果及灰度图像获得作业人员安全帽佩戴情况的检测结果；
其中，所述分类结果包括：安全帽是否佩戴以及安全帽是否规范佩戴。
在本发明实施例中，通过上述步骤实现了安全帽佩戴情况的智能检测模型构建，并根据所述智能检测模型得到检测结果。在实际中，不仅未佩戴安全帽易造成安全隐患，未正确佩戴安全帽同样会带来安全隐患，当安全帽的侧边带未佩戴时极易造成安全帽的脱落从而带来危害，因此，在实际实施时，获得的检测结果包括：安全帽未正确佩戴、安全帽已佩戴但未正确佩戴侧边带以及安全帽已佩戴且正确佩戴侧边带。
进一步地，本发明实施例提供的装置还包括：告警信号产生模块，所述告警信号产生模块用于根据所述检测结果生成告警信号。
在一个实施例中，所述告警信号产生模块包括：
第一告警信号产生模块，所述第一告警信号产生模块用于当检测结果为未佩戴安全帽时，生成未佩戴安全帽告警信号；
第二告警信号产生模块，所述第二告警信号产生模块用于当检测结果为佩戴安全帽但未正确佩戴侧边带时，生成未规范佩戴安全帽告警信号；
当检测结果为佩戴安全帽且正确佩戴侧边带时，不生成告警信号。
进一步地，所述告警信号产生模块还可将所述告警信号发送至交互中心，以及时通知施工现场的管理人员。
进一步地，还包括：检测报告生成模块，所述检测报告生成模块用于根据所述检测结果生成检测报告，并将所述检测报告上传至交互中心。
在实际实施时，所述交互中心可包括：用户界面、数据管理模块和报告显示模块。所述数据管理模块可在用户界面进行视频数据的显示和管理，所述报告显示模块可用于显示根据所述告警信号生成的告警信息或检测报告，进一步地，用户也可以下载所述检测报告，可用于后续进行相关人员的行为评价或总结。
参考图5，本发明实施例还提供了一种存储介质100，存储介质100中存储有计算机程序200，当其在计算机上运行时，使得计算机执行以上实施例所描述的安全帽佩戴情况的智能检测方法。
参考图6，本发明实施例还提供了一种包含指令的计算机设备300，当其在计算机设备300上运行时，使得计算机设备300通过其内部设置的处理器400执行以上实施例所描述的安全帽佩戴情况的智能检测方法。
本领域技术人员可以理解，本发明所述的安全帽佩戴情况的智能检测方法装置和上述所涉及用于执行本申请中所述方法中的一项或多项的设备。这些设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序或应用程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备（例如，计算机）可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中，所述计算机可读介质包括但不限于任何类型的盘（包括软盘、硬盘、光盘、CD-ROM、和磁光盘）、ROM（Read-Only Memory，只读存储器）、RAM（Random AccessMemory，随机存储器）、EPROM（Erasable Programmable Read-Only Memory，可擦写可编程只读存储器）、EEPROM（Electrically Erasable Programmable Read-Only Memory，电可擦可编程只读存储器）、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备（例如，计算机）以能够读的形式存储或传输信息的任何介质。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.安全帽佩戴情况的智能检测方法，其特征在于，包括：
获取现场画面的视频数据；
将所述视频数据逐帧分解为灰度图像；
基于所述灰度图像进行关键点提取并进行特征融合以构建安全帽佩戴情况的智能检测模型，并根据所述智能检测模型得到检测结果。
2.根据权利要求1所述的方法，其特征在于，通过无人机设备和/或监控摄像头获取所述现场画面的视频数据。
3.根据权利要求1所述的方法，其特征在于，在所述获取现场画面的视频数据之后，还包括：
将所述视频数据发送到数据融合处理中心，以对所述视频数据进行优化筛重处理。
4.根据权利要求1-3任一所述的方法，其特征在于，所述基于所述灰度图像进行关键点提取并进行特征融合以构建安全帽佩戴情况的智能检测模型，并根据所述智能检测模型得到检测结果，包括：
对所述灰度图像利用透视中心、像点、目标点三点共线的条件，按旋转定制使承影面绕迹线旋转某一角度，破坏原有的投影光线束，并保持承影面上投影几何图形不变；
通过前景和背景的分离作用，从生成的k组目标框中随机选择k个候选框作为质心，计算每个目标框中心点到候选框中心点的距离，将所述目标框归好集合后，重新计算每个集合的候选框，并进行重复迭代，直到每个目标框中心点到候选框中心点的距离小于预设阈值，从而获得合适面部器官大小的边界框；
对所述边界框进行归一化和对齐，对对齐后的边界框的形状特征做PCA处理；
为每个关键点构建局部特征，所述局部特征采用梯度特征；
根据所述关键点对所述边界框做简单的尺度和旋转变化以对齐人脸，并匹配每个关键点，得到第一匹配结果；
采用平均人脸形状模型修正所述第一匹配结果以得到第二匹配结果；
通过上采样操作，将所述第二匹配结果的高层特征信息和低层特征信息融合，将融合后的特征信息送入分类网络并得到分类结果；
根据所述分类结果映射到作业人员安全帽的佩戴情况从而获得所述检测结果；
所述分类结果包括：安全帽是否佩戴以及安全帽是否规范佩戴。
5.根据权利要求1所述的方法，其特征在于，在所述基于所述灰度图像进行关键点提取并进行特征融合以构建安全帽佩戴情况的智能检测模型，并根据所述智能检测模型得到检测结果之后，还包括：
根据所述检测结果生成告警信号。
6.根据权利要求5所述的方法，其特征在于，根据所述检测结果发出告警信号包括：
当检测结果为未佩戴安全帽时，生成未佩戴安全帽告警信号；
当检测结果为佩戴安全帽但未正确佩戴侧边带时，生成未规范佩戴安全帽告警信号；
当检测结果为佩戴安全帽且正确佩戴侧边带时，不生成告警信号。
7.根据权利要求5所述的方法，其特征在于，在所述根据所述检测结果生成告警信号后，还包括：
根据所述检测结果生成检测报告，并将所述检测报告上传至交互中心。
8.安全帽佩戴情况的智能检测装置，其特征在于，包括：
视频数据获取模块，所述视频数据获取模块用于获取现场画面的视频数据；
第一视频数据处理模块，所述第一视频数据处理模块用于将所述视频数据逐帧分解为灰度图像；
检测结果获取模块，所述检测结果获取模块用于基于所述灰度图像进行关键点提取并进行特征融合以构建安全帽佩戴情况的智能检测模型，并根据所述智能检测模型得到检测结果。
9.一种设备，其特征在于，包括：处理器、存储器及存储于所述存储器上并可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权利要求1至7任意一项所述的安全帽佩戴情况的智能检测方法的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的安全帽佩戴情况的智能检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111265616.8A CN113971829A (zh) | 2021-10-28 | 2021-10-28 | 安全帽佩戴情况的智能检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111265616.8A CN113971829A (zh) | 2021-10-28 | 2021-10-28 | 安全帽佩戴情况的智能检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113971829A true CN113971829A (zh) | 2022-01-25 |
Family
ID=79588856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111265616.8A Pending CN113971829A (zh) | 2021-10-28 | 2021-10-28 | 安全帽佩戴情况的智能检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113971829A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114283485A (zh) * | 2022-03-04 | 2022-04-05 | 杭州格物智安科技有限公司 | 一种安全帽佩戴检测方法、装置、存储介质及安全帽 |
| CN114694073A (zh) * | 2022-04-06 | 2022-07-01 | 广东律诚工程咨询有限公司 | 安全带佩戴情况的智能检测方法、装置、存储介质及设备 |
| CN116645782A (zh) * | 2023-07-19 | 2023-08-25 | 中国建筑第五工程局有限公司 | 一种基于图像识别的安全帽帽带检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103108159A (zh) * | 2013-01-17 | 2013-05-15 | 新疆电力公司乌鲁木齐电业局 | 一种电力智能视频分析监控系统和方法 |
| CN106446926A (zh) * | 2016-07-12 | 2017-02-22 | 重庆大学 | 一种基于视频分析的变电站工人安全帽佩戴检测方法 |
| CN108921004A (zh) * | 2018-04-27 | 2018-11-30 | 淘然视界(杭州)科技有限公司 | 安全帽佩戴识别方法、电子设备、存储介质及系统 |
| CN110309718A (zh) * | 2019-05-27 | 2019-10-08 | 安徽继远软件有限公司 | 一种电网作业人员安全帽佩戴检测方法 |
| CN111222478A (zh) * | 2020-01-11 | 2020-06-02 | 深圳奥腾光通系统有限公司 | 一种工地安全防护检测方法和系统 |
| CN111368727A (zh) * | 2020-03-04 | 2020-07-03 | 西安咏圣达电子科技有限公司 | 配电室巡检人员着装检测方法、存储介质、系统、装置 |
| CN111738336A (zh) * | 2020-06-22 | 2020-10-02 | 上海应用技术大学 | 基于多尺度特征融合的图像检测方法 |
| CN112381075A (zh) * | 2021-01-18 | 2021-02-19 | 北京蒙帕信创科技有限公司 | 一种机房特定场景下进行人脸识别的方法及系统 |
| CN112801018A (zh) * | 2021-02-07 | 2021-05-14 | 广州大学 | 一种跨场景目标自动识别与追踪方法及应用 |
| CN113283369A (zh) * | 2021-06-08 | 2021-08-20 | 苏州市伏泰信息科技股份有限公司 | 一种港口码头作业人员安全防护措施监控系统及方法 |
-
2021
- 2021-10-28 CN CN202111265616.8A patent/CN113971829A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103108159A (zh) * | 2013-01-17 | 2013-05-15 | 新疆电力公司乌鲁木齐电业局 | 一种电力智能视频分析监控系统和方法 |
| CN106446926A (zh) * | 2016-07-12 | 2017-02-22 | 重庆大学 | 一种基于视频分析的变电站工人安全帽佩戴检测方法 |
| CN108921004A (zh) * | 2018-04-27 | 2018-11-30 | 淘然视界(杭州)科技有限公司 | 安全帽佩戴识别方法、电子设备、存储介质及系统 |
| CN110309718A (zh) * | 2019-05-27 | 2019-10-08 | 安徽继远软件有限公司 | 一种电网作业人员安全帽佩戴检测方法 |
| CN111222478A (zh) * | 2020-01-11 | 2020-06-02 | 深圳奥腾光通系统有限公司 | 一种工地安全防护检测方法和系统 |
| CN111368727A (zh) * | 2020-03-04 | 2020-07-03 | 西安咏圣达电子科技有限公司 | 配电室巡检人员着装检测方法、存储介质、系统、装置 |
| CN111738336A (zh) * | 2020-06-22 | 2020-10-02 | 上海应用技术大学 | 基于多尺度特征融合的图像检测方法 |
| CN112381075A (zh) * | 2021-01-18 | 2021-02-19 | 北京蒙帕信创科技有限公司 | 一种机房特定场景下进行人脸识别的方法及系统 |
| CN112801018A (zh) * | 2021-02-07 | 2021-05-14 | 广州大学 | 一种跨场景目标自动识别与追踪方法及应用 |
| CN113283369A (zh) * | 2021-06-08 | 2021-08-20 | 苏州市伏泰信息科技股份有限公司 | 一种港口码头作业人员安全防护措施监控系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 言有三: "《深度学习之人脸图像处理 核心算法与案例实战》", 31 July 2020, 北京机械工业出版社 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114283485A (zh) * | 2022-03-04 | 2022-04-05 | 杭州格物智安科技有限公司 | 一种安全帽佩戴检测方法、装置、存储介质及安全帽 |
| CN114283485B (zh) * | 2022-03-04 | 2022-10-14 | 杭州格物智安科技有限公司 | 一种安全帽佩戴检测方法、装置、存储介质及安全帽 |
| CN114694073A (zh) * | 2022-04-06 | 2022-07-01 | 广东律诚工程咨询有限公司 | 安全带佩戴情况的智能检测方法、装置、存储介质及设备 |
| CN114694073B (zh) * | 2022-04-06 | 2023-06-06 | 广东律诚工程咨询有限公司 | 安全带佩戴情况的智能检测方法、装置、存储介质及设备 |
| CN116645782A (zh) * | 2023-07-19 | 2023-08-25 | 中国建筑第五工程局有限公司 | 一种基于图像识别的安全帽帽带检测方法 |
| CN116645782B (zh) * | 2023-07-19 | 2023-10-13 | 中国建筑第五工程局有限公司 | 一种基于图像识别的安全帽帽带检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113971829A (zh) | 安全帽佩戴情况的智能检测方法、装置、设备及存储介质 | |
| RU2484531C2 (ru) | Устройство обработки видеоинформации системы охранной сигнализации | |
| CA2994511C (en) | Condition detection using image processing | |
| Vetrivel et al. | Identification of damage in buildings based on gaps in 3D point clouds from very high resolution oblique airborne images | |
| CN108022235B (zh) | 高压输电铁塔关键部件缺陷识别方法 | |
| US9767371B2 (en) | Systems and methods for identifying traffic control devices and testing the retroreflectivity of the same | |
| AU2015404215B2 (en) | Vegetation management for power line corridor monitoring using computer vision | |
| CN111598040B (zh) | 一种建筑工人身份识别及安全帽佩戴检测方法及系统 | |
| CN110419048B (zh) | 用于标识所定义的对象的系统 | |
| CN101930611B (zh) | 多视图面部追踪 | |
| US11893538B1 (en) | Intelligent system and method for assessing structural damage using aerial imagery | |
| CN110458794B (zh) | 用于轨道列车的配件质量检测方法及装置 | |
| CN116152863B (zh) | 一种人员信息识别方法、装置、电子设备及存储介质 | |
| CN114463788A (zh) | 一种跌倒检测方法、系统、计算机设备及存储介质 | |
| CN113505704A (zh) | 图像识别的人员安全侦测方法、系统、设备及存储介质 | |
| CN115995097A (zh) | 一种基于深度学习的安全头盔佩戴标准判断方法 | |
| KR20210031444A (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
| CN115376275B (zh) | 一种基于图像处理的施工安全告警方法及系统 | |
| Samreen et al. | Change Detection Classification of Buildings from Satellite Images of Urban Area using Deep Learning Techniques | |
| Chen et al. | Social distance monitoring of site workers for COVID-19 using context-guided data augmentation, deep learning, and homography transformation | |
| US20230316760A1 (en) | Methods and apparatuses for early warning of climbing behaviors, electronic devices and storage media | |
| EP3819817A1 (en) | A method and system of evaluating the valid analysis region of a specific scene | |
| Cao | Data-Driven Assessment of Disaster Damage and Recovery Time | |
| Azizi | A Clip-Based Method for Efficient Building Damage Assessment Using UAV Images | |
| CN117788585A (zh) | 一种电力安全围栏越界检测方法、系统、设备和介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220125 |
|
| RJ01 | Rejection of invention patent application after publication |