CN115620241B - 基于图像处理的现场安全措施识别方法及装置 - Google Patents
基于图像处理的现场安全措施识别方法及装置 Download PDFInfo
- Publication number
- CN115620241B CN115620241B CN202211612550.XA CN202211612550A CN115620241B CN 115620241 B CN115620241 B CN 115620241B CN 202211612550 A CN202211612550 A CN 202211612550A CN 115620241 B CN115620241 B CN 115620241B
- Authority
- CN
- China
- Prior art keywords
- image
- safety measure
- construction site
- safety
- processed
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种基于图像处理的现场安全措施识别方法及装置,在该方案中,计算机设备将待处理图像输入预先训练得到的安全措施识别模型中进行处理,得到待处理图像中的安全措施的特征数据。针对每个安全措施,根据待处理图像中安全措施的特征数据,确定安全措施的设置是否符合预设标准,得到安全措施识别结果,最后将安全措施识别结果进行显示。通过这种方式可以采用计算机设备,基于机器学习功能自动对施工现场的图像进行分析处理,识别出现场的安全措施是否符合规定,并输出识别结果,有效提高了安全措施的识别效率,同时各个现场只需要设置采集设备即可,并不需要专门的工作人员,降低了成本。
Description
技术领域
本申请涉及图像处理领域,尤其涉及一种基于图像处理的现场安全措施识别方法及装置。
背景技术
随着经济和科学技术的飞速发展,各个行业对于电力的需求和应用也更加多样化,需要在各种施工环境中进行电网工程建设以及维护,涉及电力的行业也容易造成重大安全事故。
在电网输电线路工程,各类输电线路施工,电站施工,设备更换等施工现场,安全是非常重要的,因此对于施工有严格的安全要求。对于施工现场,需要设置各种安全措施,并且对于施工人员必须要配备安装装备。为了保证安全,在每次作业之前,需要有专门的安全监督人员宣读危险点及安全措施,并对施工现场的安全措施异议进行检查,对施工人员的安装装备一一进行检查,在所有安全措施都设置齐全且规范之后,才能够开始施工作业。
目前,对于施工现场的安全措施的识别需要派遣专门的工作人员一一进行检查,效率较低并且人工成本较高。
发明内容
本申请提供一种基于图像处理的现场安全措施识别方法及装置,以解决现有技术中对施工现场的安全措施识别的效率较低且人工成本较高的问题。
第一方面,本申请提供一种基于图像处理的现场安全措施识别方法,包括:
响应于用户的操作对施工现场进行图像采集,获取待处理图像;
将所述待处理图像输入预先训练得到的安全措施识别模型中进行处理,得到所述待处理图像中的安全措施的特征数据;其中,所述安全措施识别模型是采用卷积神经网络模型,预先采集的施工现场整体图像集合以及预先标定的每个施工现场整体图像中安全措施集合,进行训练得到的同于对图像中安全措施进行识别的算法模型,所述安全措施包括以下至少一个:安全围挡,安全标识牌,红布幔以及施工人员的防护工具;
针对每个安全措施,根据所述待处理图像中所述安全措施的特征数据,确定所述安全措施的设置是否符合预设标准,得到安全措施识别结果,所述安全措施识别结果用于指示至少一个安全措施是否合规;
通过终端设备将所述安全措施识别结果进行显示。
在一种具体实施方式中,所述将所述待处理图像输入预先训练得到的安全措施识别模型中进行处理之前,所述方法还包括:
获取预先采集的施工现场整体图像集合;所述施工现场整体图像集合中包括多个角度拍摄的施工现场图像;
针对所述施工现场整体图像集合中的每个施工现场整体图像,获取标定的所述施工现场整体图像对应的安全措施集合,每个安全措施集合中包括标定的至少一个安全措施的图像;
基于卷积神经网络创建初始识别模型,依次将所述施工现场整体图像集合中的每个施工现场整体图像作为所述初始识别模型的输入,对应的将所述施工现场整体图像对应安全措施集合作为所述初始识别模型的输出,对所述初始识别模型进行模型训练,得到所述安全措施识别模型。
在一种具体实施方式中,所述初始识别模型包括:卷积层,池化层和全连接层;
相应的,所述将所述施工现场整体图像集合中的每个施工现场整体图像作为所述初始识别模型的输入,对应的将所述施工现场整体图像对应安全措施集合作为所述初始识别模型的输出,对所述初始识别模型进行模型训练,得到所述安全措施识别模型,包括:
针对每个施工现场整体图像,将所述施工现场整体图像输入所述初始识别模型的卷积层进行至少一次卷积核处理,得到至少一个特征图矩阵,所述特征图矩阵采用公式:进行计算,其中,为输入的图像矩阵,k为卷积核大小,s为步幅,p为补零层数;
将所述特征图矩阵输入池化层进行池化处理,得到池化后的特征图矩阵;
将所述池化后的特征图矩阵依次按行展开, 连接成向量,得到特征向量;
将所述特征向量输入所述全连接层进行处理,得到全连接处理后的输出向量,其中L为所述全连接层的层数,L为正整数;
将所述施工现场整体图像对应安全措施图像集合中的图像进行矩阵处理,得到期望输出矩阵d;
根据公式(2):,计算所述输出向量与所述期望输出矩阵d之间的总误差E;
根据每个施工现场整体图像训练得到的所述总误差E,通过梯度下降和反向传播算法继续进行训练,得到所述安全措施识别模型。
在一种具体实施方式中,若所述待处理图像中包括施工人员,则所述安全措施为施工人员的防护工具,所述防护工具包括:工作服,安全帽,绝缘手套,绝缘靴;
相应的,所述根据所述待处理图像中所述安全措施的特征数据,确定所述安全措施的设置是否符合预设标准,得到安全措施识别结果,包括:
根据所述安全措施的特征数据,首先确定所述施工人员所在施工位置是否设置了绝缘垫;
若所述施工人员所在施工位置设置有所述绝缘垫,则确定所述施工人员的工作服,安全帽,绝缘手套,绝缘靴是否都已佩戴;
若所述施工人员佩戴全部防护工具,则确定所述防护工具的设置符合预设标准;
若所述施工人员所在施工位置未设置绝缘垫,或者所述施工人员未佩戴工作服,安全帽,绝缘手套,绝缘靴中的任一种,则确定所述防护工具的设置不符合预设标准。
在一种具体实施方式中,所述响应于用户的操作对施工现场进行图像采集,获取待处理图像,包括:
响应于用户的操作,控制设置在施工现场的图像采集设备进行拍摄,得到所述待处理图像;
或者,
响应于用户的操作,控制设置在施工现场的图像采集设备进行现场视频拍摄,得到施工现场的视频数据;
逐帧对所述视频数据进行图像监测,将监测包括施工人员的图像作为所述待处理图像。
在一种具体实施方式中,所述图像采集设备为无线云台摄像机;
相应的,所述通过终端设备将所述安全措施识别结果进行显示,包括:
将所述安全措施识别结果发送至所述无线云台摄像机的控制显示器中进行显示,所述终端设备包括所述控制显示器。
第二方面,本申请提供一种基于图像处理的现场安全措施识别装置,包括:
图像获取模块,用于响应于用户的操作对施工现场进行图像采集,获取待处理图像;
识别处理模块,用于将所述待处理图像输入预先训练得到的安全措施识别模型中进行处理,得到所述待处理图像中的安全措施的特征数据;其中,所述安全措施识别模型是采用卷积神经网络模型,预先采集的施工现场整体图像集合以及每个施工现场整体图像中安全措施集合进行训练得到的同于对图像中安全措施进行识别的算法模型,所述安全措施包括以下至少一个:安全围挡,安全标识牌,红布幔以及施工人员的防护工具;
特征处理模块,用于针对每个安全措施,根据所述待处理图像中所述安全措施的特征数据,确定所述安全措施的设置是否符合预设标准,得到安全措施识别结果,所述安全措施识别结果用于指示所述至少一个安全措施是否合规;
输出模块,用于通过终端设备将所述安全措施识别结果进行显示。
在一种具体实施方式中,所述装置还包括:
数据采集模块,用于获取预先采集的施工现场整体图像集合;所述施工现场整体图像集合中包括多个角度拍摄的施工现场图像;
所述数据采集模块还用于针对所述施工现场整体图像集合中的每个施工现场整体图像,获取标定的所述施工现场整体图像对应的安全措施集合,每个安全措施集合中包括标定的至少一个安全措施的图像;
模型训练模块,用于基于卷积神经网络创建初始识别模型,依次将所述施工现场整体图像集合中的每个施工现场整体图像作为所述初始识别模型的输入,对应的将所述施工现场整体图像对应安全措施集合作为所述初始识别模型的输出,对所述初始识别模型进行模型训练,得到所述安全措施识别模型。
第三方面,本申请提供一种计算机设备,所述计算机设备包括:
处理器,存储器以及数据传输接口;
其中,所述处理器用于执行所述存储器中存储的计算机程序,使得所述计算机设备实现第一方面任一项所述的基于图像处理的现场安全措施识别方法。
第四方面,本申请提供一种可读存储介质,所述可读存储介质中存储计算机程序,所述计算机程序被处理器执行时用于实现第一方面任一项所述的基于图像处理的现场安全措施识别方法。
本申请提供的基于图像处理的现场安全措施识别方法及装置,通过图像采集设备采集施工现场的图像,得到待处理图像。然后计算机设备将待处理图像输入预先训练得到的安全措施识别模型中进行处理,得到待处理图像中的安全措施的特征数据。该方案中安全措施识别模型是采用卷积神经网络模型,预先采集的施工现场整体图像集合以及预先标定的每个施工现场整体图像中安全措施集合,进行训练得到的同于对图像中安全措施进行识别的算法模型。针对每个安全措施,根据待处理图像中安全措施的特征数据,确定安全措施的设置是否符合预设标准,得到安全措施识别结果,最后将安全措施识别结果进行显示。通过这种方式可以采用计算机可以基于机器学习功能自动对施工现场的图像进行分析处理,识别出现场的安全措施是否符合规定,并输出识别结果,有效提高了安全措施的识别效率,同时各个现场只需要设置采集设备即可,并不需要分别配备专门的工作人员,降低成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请提供的图像处理的现场安全措施识别方法一实施例的流程图;
图2为本申请提供的图像处理的现场安全措施识别方法另一实施例的流程图;
图3为本申请提供的图像处理的现场安全措施识别装置一实施例的结构示意图;
图4为本申请提供的图像处理的现场安全措施识别装置另一实施例的结构示意图;
图5为本申请提供的计算机设备实施例的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作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。
针对目前现有技术中存在的对于各个施工现场的安全措施识别需要人工完成,导致效率低且成本高的问题,本申请提供一种基于机器学习,通过对大量现场图像的学习训练,得到能够对输入图像中安全措施进行识别的模型,通过采集现场图像,模型对现场图像自动进行处理,得到其中的安全措施的特征数据,进一步可以判断出是否符合规定标准,替代工作人员自动完成该过程,提高处理效率,降低人力成本。
应理解,本申请提供的基于图像处理的现场安全措施识别方法,主要应用于具有数据处理功能的计算机设备,例如,个人计算机,电脑,服务器设备等,还涉及施工现场设置的采集设备以及用于输出识别结果的终端设备,该采集设备可以摄像机,监控摄像头,云台等能够采集现场图像的设备,终端设备为包括显示屏或者音频输出功能的终端,对于具体的设备形式本申请不做限制。
图1为本申请提供的图像处理的现场安全措施识别方法一实施例的流程图,如图1所示,该方法包括以下步骤:
S11,响应于用户的操作对施工现场进行图像采集,获取待处理图像。
在本步骤中,在需要对涉及电力的项目进行现场操作或者现场施工时,需要首先对施工现场的安全措施进行检测,保证现场的施工安全。在需要进行的安全措施进行检测识别时候,通过工作人员的控制,或者预设的实时采集功能获取现场的图像,作为待处理图像。
具体的图像采集方案至少可以包括以下实现方式:
第一种实现方式,用户通过计算机设备或者采集设备对应的控制设备进行控制,拍摄施工现场的图像,即响应于用户的操作,控制设置在施工现场的图像采集设备进行拍摄,直接得到该待处理图像。
第二种实现方式,响应于用户的操作,控制设置在施工现场的图像采集设备进行现场视频拍摄,得到施工现场的视频数据;逐帧对所述视频数据进行图像监测,将监测包括施工人员的图像作为所述待处理图像。
与上述方式不同的是,本方案中是施工现场的摄像机等图像采集设备采集现场的视频,计算机设备需要对该视频进行处理,对视频中的图像逐帧进行识别,当图像中有施工人员时,将该图像导出作为待处理图像。
S12,将待处理图像输入预先训练得到的安全措施识别模型中进行处理,得到待处理图像中的安全措施的特征数据。
在本方案中,所述安全措施识别模型是采用卷积神经网络模型,预先采集的施工现场整体图像集合以及预先标定的每个施工现场整体图像中安全措施集合,进行训练得到的同于对图像中安全措施进行识别的算法模型,所述安全措施包括以下至少一个:安全围挡,安全标识牌,红布幔以及施工人员的防护工具。该防护工具包括绝缘垫,工作服,安全帽,绝缘手套,绝缘靴等对施工人员进行安全保护的装置。
应理解,在同一个待处理图像中,可以包括一个或者多个安全措施。
在本步骤中,获取到了待处理图像之后,可以将该图像输入预先训练得到的安全措施识别模型进行识别处理,从中识别出一个或者多个安全措施的特征数据。这些特征数据不但可以确定安全措施的类型,还可以确定出安全措施的位置信息等其他的信息,有利于进一步判断安全措施的设置是否符合要求的标准。
在该方案中,如果待处理图像中并没有人,也就是说没有工作人员,那么则对安全围挡,安全标识牌,红布幔等安全措施进行识别,如果待处理图像中包括了人,则还需要对人(即工作人员)的绝缘垫,工作服,安全帽,绝缘手套,绝缘靴等防护工具进行识别,得到全部的安全措施的特征数据。
S13,针对每个安全措施,根据待处理图像中安全措施的特征数据,确定安全措施的设置是否符合预设标准,得到安全措施识别结果。
所述安全措施识别结果用于指示至少一个安全措施是否合规。
在本步骤中,识别出了待处理图像中的一个或者多个安全措施的特征数据之后,则需要与预先设置的安全措施的标准进行比对,应理解,本申请中的安全措施的标准也是相关的图像的特征数据,需要预先采集每个安全措施在标准设置的情况下的图像,并将这些图像进行数据转换,转换成特征数据,也就是说本方案中涉及的预设标准是将标准设置的安全措施的图像转换得到的。例如:一般的安全标准中要求工作人员的工作服正确穿着不能有裸露的皮肤,正确佩戴绝缘手套,穿着绝缘靴,并且需要在施工的时候站在绝缘垫上。那么则需要将正确佩戴绝缘手套的图像,绝缘靴的图像,正确穿着工作服的图像等转换成对应的特征数据,作为与识别出的结果进行比对的标准,以此来确定识别出的各安全措施是不是符合标准,从而得到最终的安全措施识别结果。
在一种具体实施方式中,若所述待处理图像中包括施工人员,则所述安全措施为施工人员的防护工具,所述防护工具包括:工作服,安全帽,绝缘手套,绝缘靴;所述根据所述待处理图像中所述安全措施的特征数据,确定所述安全措施的设置是否符合预设标准,得到安全措施识别结果可以具体实现为:
根据所述安全措施的特征数据,首先确定所述施工人员所在施工位置是否设置了绝缘垫;若所述施工人员所在施工位置设置有所述绝缘垫,则确定所述施工人员的工作服,安全帽,绝缘手套,绝缘靴是否都已佩戴;若所述施工人员佩戴全部防护工具,则确定所述防护工具的设置符合预设标准;
若所述施工人员所在施工位置未设置绝缘垫,或者所述施工人员未佩戴工作服,安全帽,绝缘手套,绝缘靴中的任一种,则确定所述防护工具的设置不符合预设标准。
在该方案中,计算机设备首先根据得到的安全措施的特征数据,检测施工人员所在位置处是不是铺了绝缘垫,具体的检测方式可以是采用标准的绝缘垫的特征数据进行比对,并且需要判断绝缘垫的位置是不是出于整个图像中施工人员的脚下,若检测施工人员所在位置未设置绝缘垫,则确定出防护工具的设置不符合预设标准。若检测施工人员所在位置设置了绝缘垫,则需要进一步确定施工人员是否佩戴工作服,安全帽,绝缘手套,绝缘靴,具体的检测方式则是根据预先获取的标准的佩戴图像依次进行比对,安全措施的特征数据中工作服的数据与标准穿戴工作服时的特征数据比对,安全帽的数据与标准佩戴安全帽时的特征数据比对,绝缘手套的数据与标准穿戴绝缘手套的特征数据比对,绝缘靴的数据与标准穿戴绝缘靴的特征数据比对。当对比结果确定出施工人员未正确佩戴任一种防护工具,都确定防护工具的设置不符合预设标准。
S14,通过终端设备将安全措施识别结果进行显示。
在计算机设备确定出了安全措施识别结果之后,需要将安全措施识别结果输出,或者通知现场的施工人员进行改善,因此还需要通过专门的终端设备将该安全措施识别结果进行输出,具体的输出方式可以是进行显示,也可以是进行语音提示,对此本方案不做限制。
举例来说,在一种可能的实时方式中,图像采集设备为无线云台摄像机,那么可以将所述安全措施识别结果发送至所述无线云台摄像机的控制显示器中进行显示,所述终端设备包括所述控制显示器。
可选的,可以将安全措施识别结果发送至施工现场的智慧屏进行显示,并可以语音播放安全措施识别结果,并提示施工人员正确佩戴防护工具。还可以将该安全措施识别结果发送至安全监督人员的监督设备,或者手机等终端上进行显示,本申请对于具体的安全措施识别结果的输出方式不做限制。
本实施例提供的基于图像处理的现场安全措施识别方法,可以采用计算机设备,基于机器学习功能自动对施工现场的图像进行分析处理,识别出现场的安全措施是否符合规定,并输出识别结果,有效提高了安全措施的识别效率,同时各个现场只需要设置采集设备即可,并不需要专门的工作人员,降低了成本。
图2为本申请提供的图像处理的现场安全措施识别方法另一实施例的流程图,如图2所示,在实现图1所示实施例之前,还需要预先进行模型训练,具体包括以下步骤:
S21,获取预先采集的施工现场整体图像集合,施工现场整体图像集合中包括多个角度拍摄的施工现场图像。
在本方案中,在实际进行安全措施的识别之前,需要获取大量的数据进行模型训练,因此需要对各种情况下的施工现场进行数据收集。在本步骤中,可以通过设置在现场的采集设备对现场的图像进行拍摄,得到包括多种情况,多种现场以及多种安全措施的施工现场图像,作为进行模型训练的施工现场整体图像集合。
S22,针对施工现场整体图像集合中的每个施工现场整体图像,获取标定的施工现场整体图像对应的安全措施集合。
每个安全措施集合中包括标定的至少一个安全措施的图像。
在本步骤中,需要对施工现场整体图像集合中的每个图像进行标定,标定出每个施工现场整体图像中的全部安全措施,一个图像中可能包括一个或者多个安全措施,需要手动将其全部进行标定,最终得到一个总体的安全措施集合。
应理解,在该安全措施集合中包括每个施工现场整体图像对应的一个或者多个安全措施的图像,也就是说每个施工现场整体图像对应的安全措施的图像是可以区分的。
可选的,在一种具体的实现方式中,为了保证数据量,可以对标定后得到的训练集和测试机的数据进行扩充,也就是对施工现场整体图像集合以及安全措施集合中的数据都进行扩充,具体的扩充方式可以是对集合中的图像进行集合变换,例如可以翻转,旋转,裁剪或者缩放,镜像等处理,还可以在图像中增加一些随机噪声等处理,在这些过程中,并没有引入新的特征,数据本身的质量并没有改变,但是数据量确已经增加。
S23,基于卷积神经网络创建初始识别模型,依次将施工现场整体图像集合中的每个施工现场整体图像作为初始识别模型的输入,对应的将施工现场整体图像对应安全措施集合作为初始识别模型的输出,对初始识别模型进行模型训练,得到安全措施识别模型。
在本步骤中,基于上述两个步骤得到了施工现场整体图像集合以及安全措施集合之后,则可以将施工现场整体图像集合中的图像,安全措施集合中的安全措施分别作为模型的输入和输出进行模型训练。
在进行模型训练的过程中首先需要建立初始模型,本方案基于卷积神经网络(Convolutional Neural Networks,简称:CNN)建立初始模型。在具体的训练过程中,先定义Loss function,衡量和实际结果之间差距,然后找到最小化损失函数,在本方案中的训练过程中采用的算法是随机梯度下降(stochastic gradient descent,简称:SGD),下面对该训练过程进行详细说明。
采用CMNN建立的该初始识别模型包括:卷积层,池化层和全连接层。在进行模型训练过程中,首先,针对每个施工现场整体图像,将所述施工现场整体图像输入所述初始识别模型的卷积层进行至少一次卷积核处理,得到至少一个特征图矩阵。
所述特征图矩阵采用公式:进行计算,其中,为输入的图像矩阵,k为卷积核大小,s为步幅,p为补零层数。
具体的训练过程中,对一个特征图采用一个卷积核卷积的过程只能够得到较为有限的特征,为了提取更多的特征,可以采用多个卷积核分别进行卷积,这样便可以得到多个特征图,能够提高模型训练的效率。
其次,在经过卷积核计算得到特征图矩阵之后,将所述特征图矩阵输入池化层进行池化处理,得到池化后的特征图矩阵。
在本步骤中,池化层进行池化处理主要是进行下采样,从而降低数据量,池化过程中采用的步幅可以根据实际情况选择,例如可以选择步幅为2,得到2*2的池化后的特征图矩阵。
在经过池化处理后,将所述池化后的特征图矩阵依次按行展开,连接成向量,得到特征向量,再将所述特征向量输入所述全连接层进行处理,得到全连接处理后的输出向量,其中L为所述全连接层的层数,L为正整数。将所述施工现场整体图像对应安全措施图像集合中的图像进行矩阵处理,得到期望输出矩阵d。
再根据公式(2):,计算所述输出向量与所述期望输出矩阵d之间的总误差E。
在上述方案中,举例来说可以将特征向量输入V=conv2(W,X,"valid")+b;输出Y=φ(V),该输入输出公式是对每一个卷积层而言的,每一个卷积层都有一个不同的权重矩阵W,并且W,X,Y是矩阵形式。对于最后一层全连接层,可以设为第L层,则输出是向量形式的yL,期望输出是d,则可以通过上述的公式(2)计算出总误差。
在该过程中,W是卷积核矩阵,X是输入矩阵,b是偏置φ(x)是激活函数,总误差中的d和y分别是期望输出和网络输出的向量。
在得到了总误差之后,则根据每个施工现场整体图像训练得到的所述总误差E,通过梯度下降和反向传播算法继续进行训练,得到最终的安全措施识别模型。
本实施例提供的图像处理的现场安全措施识别方法中,通过预先获取施工现场的整体图像集合,并对其中每个施工现场整体图像中的安全措施进行标定,得到安全措施集合,采用卷积神经网络进行机器学习的方式进行模型训练,最终得到能够对施工现场的安全措施进行识别的安全措施识别模型,在应用过程中通过该安全措施识别模型自动对采集到的施工现场图像进行识别处理,实现自动化处理,提高处理效率,降低人工成本。并且采用卷积神经网络模型进行训练的过程中,能够共享卷积核,对于高清的图像这种高纬数据的处理效率较高,整个训练过程中也无需手动选取特征,可以自动训练好权重,且对特征的分类效果好,适用于现场各种类型的安全措施的识别。
在上述实施例的基础上,在采用模型对现场的安全措施进行识别之前,由于现场图像采集的时候,由于光照不均匀等因素,导致安全措施本身在待处理图像中的占比较小,或者安全措施的位置在图像较为边缘的位置,也容易导致影响安全措施的识别结果,因此,可以对输入安全措施识别模型的待处理图像进行预处理提升图像的质量和对比度,以提高最终的识别效果。
对待处理图像的预处理过程可以采用如下方法实现:首先对待处理图像采用基于图像边缘增强的方法对图像中的细节进行改进,并进一步采用基于伽马校正的方式对图像的亮度进行改进。
具体的:在对图像进行边缘增强时,根据实验结果,选用在细节上没有造成损失并且还能够对细节进行加强和修正的拉普拉斯算子进行细节增强处理。伽马校正是现在用的比较多的图像矫正方式,其主要作用是检测出图像中深色的部分和浅色的部分,并且使得两者的比例增大,从而提高图像的对比效果。具体实现过程中,对于一个像素,其首先会进行归一化处理,将像素以公式(e+0.5)/256的方式转换为一个0到1之间的数值。之后再求出像素归一化以后以1/gamma为指数获得的对应值。最后经过反归一化处理,再见之前的数通过公式f*256-0.5的方式获得最后的像素值,其中e和f均表示一个像素。应理解,在图像处理中使用gamma 矫正是依据人类的视觉特性进行补偿,因此为了平衡SSR 增强算法中光晕的效果,再对图像进行入射光估计,在对最后图像进行量化以后,将添加一个gamma矫正,使图像的颜色变化更加平和,减少光晕的出现。
通过上述的对于输入安全措施识别模型的待处理图像,预先进行增强处理,可以提高待处理图像本身的质量,在输入安全措施识别模型后,可以进一步的提高最终对于安全措施的识别效果。
图3为本申请提供的图像处理的现场安全措施识别装置一实施例的结构示意图,如图3所示,该基于图像处理的现场安全措施识别装置100,包括:
图像获取模块101,用于响应于用户的操作对施工现场进行图像采集,获取待处理图像;
识别处理模块102,用于将所述待处理图像输入预先训练得到的安全措施识别模型中进行处理,得到所述待处理图像中的安全措施的特征数据;其中,所述安全措施识别模型是采用卷积神经网络模型,预先采集的施工现场整体图像集合以及每个施工现场整体图像中安全措施集合进行训练得到的同于对图像中安全措施进行识别的算法模型,所述安全措施包括以下至少一个:安全围挡,安全标识牌,红布幔以及施工人员的防护工具;
特征处理模块103,用于针对每个安全措施,根据所述待处理图像中所述安全措施的特征数据,确定所述安全措施的设置是否符合预设标准,得到安全措施识别结果,所述安全措施识别结果用于指示所述至少一个安全措施是否合规;
输出模块104,用于通过终端设备将所述安全措施识别结果进行显示。
本实施例提供的图像处理的现场安全措施识别装置,用于执行前述任一方法实施例中的技术方案,其实现原理和技术效果类似,在此不再赘述。
图4为本申请提供的图像处理的现场安全措施识别装置另一实施例的结构示意图,如图4所示,所述装置100还包括:
数据采集模块105,用于获取预先采集的施工现场整体图像集合;所述施工现场整体图像集合中包括多个角度拍摄的施工现场图像;
所述数据采集模块105还用于针对所述施工现场整体图像集合中的每个施工现场整体图像,获取标定的所述施工现场整体图像对应的安全措施集合,每个安全措施集合中包括标定的至少一个安全措施的图像;
模型训练模块106,用于基于卷积神经网络创建初始识别模型,依次将所述施工现场整体图像集合中的每个施工现场整体图像作为所述初始识别模型的输入,对应的将所述施工现场整体图像对应安全措施集合作为所述初始识别模型的输出,对所述初始识别模型进行模型训练,得到所述安全措施识别模型。
可选的,所述初始识别模型包括:卷积层,池化层和全连接层;所述模型训练模块106具体用于:
针对每个施工现场整体图像,将所述施工现场整体图像输入所述初始识别模型的卷积层进行至少一次卷积核处理,得到至少一个特征图矩阵,所述特征图矩阵采用公式:进行计算,其中,为输入的图像矩阵,k为卷积核大小,s为步幅,p为补零层数;
将所述特征图矩阵输入池化层进行池化处理,得到池化后的特征图矩阵;
将所述池化后的特征图矩阵依次按行展开, 连接成向量,得到特征向量;
将所述特征向量输入所述全连接层进行处理,得到全连接处理后的输出向量,其中L为所述全连接层的层数,L为正整数;
将所述施工现场整体图像对应安全措施图像集合中的图像进行矩阵处理,得到期望输出矩阵d;
根据公式(2):,计算所述输出向量与所述期望输出矩阵d之间的总误差E;
根据每个施工现场整体图像训练得到的所述总误差E,通过梯度下降和反向传播算法继续进行训练,得到所述安全措施识别模型。
可选的,若所述待处理图像中包括施工人员,则所述安全措施为施工人员的防护工具,所述防护工具包括:工作服,安全帽,绝缘手套,绝缘靴;
相应的,所述特征处理模块103,具体用于:
根据所述安全措施的特征数据,首先确定所述施工人员所在施工位置是否设置了绝缘垫;
若所述施工人员所在施工位置设置有所述绝缘垫,则确定所述施工人员的工作服,安全帽,绝缘手套,绝缘靴是否都已佩戴;
若所述施工人员佩戴全部防护工具,则确定所述防护工具的设置符合预设标准;
若所述施工人员所在施工位置未设置绝缘垫,或者所述施工人员未佩戴工作服,安全帽,绝缘手套,绝缘靴中的任一种,则确定所述防护工具的设置不符合预设标准。
可选的,所述图像获取模块101具体用于:
响应于用户的操作,控制设置在施工现场的图像采集设备进行拍摄,得到所述待处理图像;
或者,
响应于用户的操作,控制设置在施工现场的图像采集设备进行现场视频拍摄,得到施工现场的视频数据;
逐帧对所述视频数据进行图像监测,将监测包括施工人员的图像作为所述待处理图像。
可选的,所述图像采集设备为无线云台摄像机;
相应的,所述输出模块104具体用于:
将所述安全措施识别结果发送至所述无线云台摄像机的控制显示器中进行显示,所述终端设备包括所述控制显示器。
前述任一实施例提供的基于图像处理的现场安全措施识别装置,用于执行前述任一方法实施例提供的技术方案,其实现原理和技术效果类似,在此不再赘述。
图5为本申请提供的计算机设备实施例的结构示意图,如图5所示,该计算机设备200包括:
处理器201,存储器202以及数据传输接口203;
其中,所述处理器201用于执行所述存储器中存储的计算机程序,使得所述计算机设备实现前述任一方法实施例的技术方案。
本申请还提供一种可读存储介质,所述可读存储介质中存储计算机程序,所述计算机程序被处理器执行时用于实现前述任一方法实施例提供的基于图像处理的现场安全措施识别方法的方案。
应理解,处理器可以是中央处理单元,还可以是其他通用处理器、数字信号处理器、专用集成电路等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器,电可擦除可编程只读存储器,可擦除可编程只读存储器,可编程只读存储器,只读存储器,磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (7)
1.一种基于图像处理的现场安全措施识别方法,其特征在于,包括:
响应于用户的操作对施工现场进行图像采集,获取待处理图像;
将所述待处理图像输入预先训练得到的安全措施识别模型中进行处理,得到所述待处理图像中的安全措施的特征数据;其中,所述安全措施识别模型是采用卷积神经网络模型,预先采集的施工现场整体图像集合以及预先标定的每个施工现场整体图像中安全措施集合,进行训练得到的同于对图像中安全措施进行识别的算法模型,所述安全措施包括以下至少一个:安全围挡,安全标识牌,红布幔以及施工人员的防护工具;
针对每个安全措施,根据所述待处理图像中所述安全措施的特征数据,确定所述安全措施的设置是否符合预设标准,得到安全措施识别结果,所述安全措施识别结果用于指示至少一个安全措施是否合规;
通过终端设备将所述安全措施识别结果进行显示;
其中,所述将所述待处理图像输入预先训练得到的安全措施识别模型中进行处理之前,所述方法还包括:
获取预先采集的施工现场整体图像集合;所述施工现场整体图像集合中包括多个角度拍摄的施工现场图像;
针对所述施工现场整体图像集合中的每个施工现场整体图像,获取标定的所述施工现场整体图像对应的安全措施集合,每个安全措施集合中包括标定的至少一个安全措施的图像;
基于卷积神经网络创建初始识别模型,依次将所述施工现场整体图像集合中的每个施工现场整体图像作为所述初始识别模型的输入,对应的将所述施工现场整体图像对应安全措施集合作为所述初始识别模型的输出,对所述初始识别模型进行模型训练,得到所述安全措施识别模型,所述初始识别模型包括:卷积层,池化层和全连接层;
相应的,所述将所述施工现场整体图像集合中的每个施工现场整体图像作为所述初始识别模型的输入,对应的将所述施工现场整体图像对应安全措施集合作为所述初始识别模型的输出,对所述初始识别模型进行模型训练,得到所述安全措施识别模型,包括:
针对每个施工现场整体图像,将所述施工现场整体图像输入所述初始识别模型的卷积层进行至少一次卷积核处理,得到至少一个特征图矩阵,所述特征图矩阵 采用公式:进行计算,其中,为输入的图像矩阵,k为卷积核大小,s为步幅,p为补零层数;
将所述特征图矩阵输入池化层进行池化处理,得到池化后的特征图矩阵;
将所述池化后的特征图矩阵依次按行展开, 连接成向量,得到特征向量;
将所述特征向量输入所述全连接层进行处理,得到全连接处理后的输出向量,其中L为所述全连接层的层数,L为正整数;
将所述施工现场整体图像对应安全措施图像集合中的图像进行矩阵处理,得到期望输出矩阵d;
根据公式(2):,计算所述输出向量与所述期望输出矩阵d之间的总误差E;
根据每个施工现场整体图像训练得到的所述总误差E,通过梯度下降和反向传播算法继续进行训练,得到所述安全措施识别模型。
2.根据权利要求1所述的方法,其特征在于,若所述待处理图像中包括施工人员,则所述安全措施为施工人员的防护工具,所述防护工具包括:工作服,安全帽,绝缘手套,绝缘靴;
相应的,所述根据所述待处理图像中所述安全措施的特征数据,确定所述安全措施的设置是否符合预设标准,得到安全措施识别结果,包括:
根据所述安全措施的特征数据,首先确定所述施工人员所在施工位置是否设置了绝缘垫;
若所述施工人员所在施工位置设置有所述绝缘垫,则确定所述施工人员的工作服,安全帽,绝缘手套,绝缘靴是否都已佩戴;
若所述施工人员佩戴全部防护工具,则确定所述防护工具的设置符合预设标准;
若所述施工人员所在施工位置未设置绝缘垫,或者所述施工人员未佩戴工作服,安全帽,绝缘手套,绝缘靴中的任一种,则确定所述防护工具的设置不符合预设标准。
3.根据权利要求1所述的方法,其特征在于,所述响应于用户的操作对施工现场进行图像采集,获取待处理图像,包括:
响应于用户的操作,控制设置在施工现场的图像采集设备进行拍摄,得到所述待处理图像;
或者,
响应于用户的操作,控制设置在施工现场的图像采集设备进行现场视频拍摄,得到施工现场的视频数据;
逐帧对所述视频数据进行图像监测,将监测包括施工人员的图像作为所述待处理图像。
4.根据权利要求3所述的方法,其特征在于,所述图像采集设备为无线云台摄像机;
相应的,所述通过终端设备将所述安全措施识别结果进行显示,包括:
将所述安全措施识别结果发送至所述无线云台摄像机的控制显示器中进行显示,所述终端设备包括所述控制显示器。
5.一种基于图像处理的现场安全措施识别装置,其特征在于,包括:
图像获取模块,用于响应于用户的操作对施工现场进行图像采集,获取待处理图像;
识别处理模块,用于将所述待处理图像输入预先训练得到的安全措施识别模型中进行处理,得到所述待处理图像中的安全措施的特征数据;其中,所述安全措施识别模型是采用卷积神经网络模型,预先采集的施工现场整体图像集合以及每个施工现场整体图像中安全措施集合进行训练得到的同于对图像中安全措施进行识别的算法模型,所述安全措施包括以下至少一个:安全围挡,安全标识牌,红布幔以及施工人员的防护工具;
特征处理模块,用于针对每个安全措施,根据所述待处理图像中所述安全措施的特征数据,确定所述安全措施的设置是否符合预设标准,得到安全措施识别结果,所述安全措施识别结果用于指示所述至少一个安全措施是否合规;
输出模块,用于通过终端设备将所述安全措施识别结果进行显示;
所述装置还包括:
数据采集模块,用于获取预先采集的施工现场整体图像集合;所述施工现场整体图像集合中包括多个角度拍摄的施工现场图像;
所述数据采集模块还用于针对所述施工现场整体图像集合中的每个施工现场整体图像,获取标定的所述施工现场整体图像对应的安全措施集合,每个安全措施集合中包括标定的至少一个安全措施的图像;
模型训练模块,用于基于卷积神经网络创建初始识别模型,依次将所述施工现场整体图像集合中的每个施工现场整体图像作为所述初始识别模型的输入,对应的将所述施工现场整体图像对应安全措施集合作为所述初始识别模型的输出,对所述初始识别模型进行模型训练,得到所述安全措施识别模型,所述初始识别模型包括:卷积层,池化层和全连接层;
相应的,所述模型训练模块具体用于:
针对每个施工现场整体图像,将所述施工现场整体图像输入所述初始识别模型的卷积层进行至少一次卷积核处理,得到至少一个特征图矩阵,所述特征图矩阵采用公式:进行计算,其中,为输入的图像矩阵,k为卷积核大小,s为步幅,p为补零层数;
将所述特征图矩阵输入池化层进行池化处理,得到池化后的特征图矩阵;
将所述池化后的特征图矩阵依次按行展开, 连接成向量,得到特征向量;
将所述特征向量输入所述全连接层进行处理,得到全连接处理后的输出向量,其中L为所述全连接层的层数,L为正整数;
将所述施工现场整体图像对应安全措施图像集合中的图像进行矩阵处理,得到期望输出矩阵d;
根据公式(2):,计算所述输出向量与所述期望输出矩阵d之间的总误差E;
根据每个施工现场整体图像训练得到的所述总误差E,通过梯度下降和反向传播算法继续进行训练,得到所述安全措施识别模型。
6.一种计算机设备,其特征在于,所述计算机设备包括:
处理器,存储器以及数据传输接口;
其中,所述处理器用于执行所述存储器中存储的计算机程序,使得所述计算机设备实现权利要求1至4任一项所述的基于图像处理的现场安全措施识别方法。
7.一种可读存储介质,其特征在于,所述可读存储介质中存储计算机程序,所述计算机程序被处理器执行时用于实现权利要求1至4任一项所述的基于图像处理的现场安全措施识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211612550.XA CN115620241B (zh) | 2022-12-15 | 2022-12-15 | 基于图像处理的现场安全措施识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211612550.XA CN115620241B (zh) | 2022-12-15 | 2022-12-15 | 基于图像处理的现场安全措施识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115620241A CN115620241A (zh) | 2023-01-17 |
CN115620241B true CN115620241B (zh) | 2023-04-18 |
Family
ID=84880109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211612550.XA Active CN115620241B (zh) | 2022-12-15 | 2022-12-15 | 基于图像处理的现场安全措施识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620241B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116580828B (zh) * | 2023-05-16 | 2024-04-02 | 深圳弗瑞奇科技有限公司 | 一种猫健康的全自动感应识别的可视化监测方法 |
CN117095389B (zh) * | 2023-10-19 | 2024-02-06 | 南京电力自动化设备三厂有限公司 | 基于液晶视觉识别单元的图像数据处理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012221363A (ja) * | 2011-04-12 | 2012-11-12 | Ikari Shodoku Kk | 作業環境安全対策案決定方法 |
DE102013016356A1 (de) * | 2013-10-01 | 2015-04-02 | Connaught Electronics Ltd. | Verfahren zum Nutzen eines Kamerasystems eines Kraftfahrzeugs als Diebstahlwarnanlage, Kamerasystem und Kraftfahrzeug |
CN112257547A (zh) * | 2020-10-19 | 2021-01-22 | 国网浙江杭州市萧山区供电有限公司 | 一种基于深度学习的变电站安全措施识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10179597B2 (en) * | 2016-06-27 | 2019-01-15 | Jack Wade | Automated wayside asset monitoring with optical imaging and visualization |
US20220044007A1 (en) * | 2020-08-05 | 2022-02-10 | Ahmad Saleh | Face mask detection system and method |
-
2022
- 2022-12-15 CN CN202211612550.XA patent/CN115620241B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012221363A (ja) * | 2011-04-12 | 2012-11-12 | Ikari Shodoku Kk | 作業環境安全対策案決定方法 |
DE102013016356A1 (de) * | 2013-10-01 | 2015-04-02 | Connaught Electronics Ltd. | Verfahren zum Nutzen eines Kamerasystems eines Kraftfahrzeugs als Diebstahlwarnanlage, Kamerasystem und Kraftfahrzeug |
CN112257547A (zh) * | 2020-10-19 | 2021-01-22 | 国网浙江杭州市萧山区供电有限公司 | 一种基于深度学习的变电站安全措施识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115620241A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115620241B (zh) | 基于图像处理的现场安全措施识别方法及装置 | |
CN109308447A (zh) | 在电力远程监控中自动提取设备运行参数和运行状态的方法 | |
CN108090458A (zh) | 人体跌倒检测方法和装置 | |
CN110059666B (zh) | 一种注意力检测方法及装置 | |
CN106686372A (zh) | 一种显示终端图像显示的检测方法及其显示终端 | |
CN107172354A (zh) | 视频处理方法、装置、电子设备及存储介质 | |
CN110602485B (zh) | 故障检测方法及相关产品 | |
CN113222973B (zh) | 图像处理方法及装置、处理器、电子设备及存储介质 | |
CN114937232B (zh) | 医废处理人员防护用具穿戴检测方法、系统和设备 | |
CN107240078A (zh) | 镜头清晰度验算方法、装置及电子设备 | |
CN108121961A (zh) | 巡检行为识别方法、装置、计算机设备和存储介质 | |
CN108921840A (zh) | 显示屏外围电路检测方法、装置、电子设备及存储介质 | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN107368806A (zh) | 图像矫正方法、装置、计算机可读存储介质和计算机设备 | |
WO2023093151A1 (zh) | 图像筛选方法及装置、电子设备和存储介质 | |
CN109308448A (zh) | 一种采用图像处理技术来防止变配电误操作的方法 | |
CN111444555B (zh) | 一种测温信息显示方法、装置及终端设备 | |
CN108717704A (zh) | 基于鱼眼图像的目标跟踪方法、计算机装置及计算机可读存储介质 | |
CN110991256A (zh) | 一种基于人脸特征进行年龄估计、和/或性别识别的系统及方法 | |
CN117113160B (zh) | 灾后恢复情况监测方法、装置、计算机设备和存储介质 | |
CN113963162A (zh) | 安全帽佩戴识别方法、装置、计算机设备和存储介质 | |
CN113158974A (zh) | 姿态估计方法、装置、计算机设备和存储介质 | |
CN115601712B (zh) | 适用于现场安全措施的图像数据处理方法及系统 | |
CN110210401B (zh) | 一种弱光下的目标智能检测方法 | |
CN104050676A (zh) | 一种基于Logistic回归模型的逆光图像检测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |