CN115908895A - 工业场景中安全隐患排查方法、装置、设备及存储介质 - Google Patents
工业场景中安全隐患排查方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115908895A CN115908895A CN202211336813.9A CN202211336813A CN115908895A CN 115908895 A CN115908895 A CN 115908895A CN 202211336813 A CN202211336813 A CN 202211336813A CN 115908895 A CN115908895 A CN 115908895A
- Authority
- CN
- China
- Prior art keywords
- target object
- target
- potential safety
- safety hazard
- spatial relationship
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013024 troubleshooting Methods 0.000 title abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 230000004044 response Effects 0.000 claims description 43
- 238000002372 labelling Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 7
- 230000001681 protective effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种工业场景中安全隐患排查方法、装置、设备及存储介质。该方法包括:获取目标工业场景图像;采用已训练至收敛的目标对象检测模型对目标工业场景图像进行目标对象的检测,确定至少一个目标对象之间的重叠比例,以获得至少一个目标对象之间的空间关系;响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例;根据至少一个预先配置的安全隐患发生概率及对应的目标对象之间的重叠比例计算对应的目标对象的预测安全隐患发生概率;根据预测安全隐患发生概率确定对应的目标对象是否存在隐患。本申请方法能够基于预测安全隐患发生概率准确判断对应的目标对象是否存在隐患。
Description
技术领域
本申请涉及隐患排查技术,尤其涉及一种工业场景中安全隐患排查方法、装置、设备及存储介质。
背景技术
在当今社会的工业场景中,由于工业环境越来越复杂,在工业场景中出现安全隐患的概率也越容易出现。
现有技术中采用巡检机器在工业场景中进行拍照,以获得工业场景图像,之后巡检机器将对该工业场景图像进行分析,得到工业图像之中的各目标对象之间的空间关系,接着将各目标对象之间的空间关系与自身预先存储的隐患空间关系进行匹配,若任一目标对象之间的空间关系与隐患空间关系匹配成功,则认为该目标对象之间的空间关系包含的目标对象具有安全隐患。
由于现有技术是通过将目标对象之间的空间关系与隐患空间关系匹配成功作为判断目标对象具有安全隐患的方式,该方式不能根据实际情况准确地判断目标对象是否具有安全隐患。
发明内容
本申请提供一种工业场景中安全隐患排查方法、装置、设备及存储介质,用以解决不能准确判断目标对象具有安全隐患的问题。
第一方面,本申请提供一种工业场景中安全隐患排查方法,包括:
获取目标工业场景图像;
采用已训练至收敛的目标对象检测模型对所述目标工业场景图像进行目标对象的检测,确定至少一个目标对象之间的重叠比例,以获得至少一个目标对象之间的空间关系;
响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例;
根据至少一个预先配置的安全隐患发生概率及对应的目标对象之间的重叠比例计算对应的目标对象的预测安全隐患发生概率;
根据所述预测安全隐患发生概率确定对应的目标对象是否存在隐患。
在一种方式中,所述采用已训练至收敛的目标对象检测模型对所述目标工业场景图像进行目标对象的检测,确定至少一个目标对象之间的重叠比例,以获得至少一个目标对象之间的空间关系,包括:
将目标工业场景图像输入至已训练至收敛的目标对象检测模型中;
采用已训练至收敛的目标对象检测模型在所述目标工业场景图像中识别多个目标对象,并标注空间特征相关信息;所述空间特征相关信息包含各目标对象的标识、包围各目标对象的矩形框以及各矩形框的位置和长高;
将目标工业场景图像中所识别出的任意两个目标对象进行组合,以获得待检测目标对象组合;所述待检测目标对象组合至少为一个;
根据所述待检测目标对象组合及其对应的空间特征相关信息空间特征相关信息确定出所述待检测目标对象组合对应的目标对象之间的重叠比例;
根据所述待检测目标对象组合对应的目标对象之间的重叠比例确定所述待检测目标对象组合对应的目标对象的之间的空间关系。
在一种方式中,所述根据所述待检测目标对象组合及其对应的空间特征相关信息确定出所述待检测目标对象组合对应的目标对象之间的重叠比例,304包括:
基于所述待检测目标对象组合所包含的两个目标对象对应的空间特征相关信息中的矩形框的长高,分别计算所述待检测目标对象组合所包含的两个目标对象对应的矩形框的面积;
根据所述各矩形框的面积及对应的矩形框的位置确定所述待检测目标对象组合对应的目标对象之间的重叠比例。
在一种方式中,所述根据所述待检测目标对象组合对应的目标对象之间的重叠比例确定所述待检测目标对象组合对应的目标对象的之间的空间关系,305包括:
响应于待检测目标对象组合对应的目标对象之间的重叠比例大于或等于第一预设重叠比例,确定所述待检测目标对象组合对应的目标对象之间的空间关系为覆盖;
响应于待检测目标对象组合对应的目标对象之间的重叠比例小于或等于第二预设重叠比例,确定所述待检测目标对象组合对应的目标对象之间的空间关系为未覆盖;
响应于待检测目标对象组合对应的目标对象之间的重叠比例小于第一预设重叠比例且大于第二预设重叠比例,确定所述待检测目标对象组合对应的目标对象之间的空间关系为部分覆盖。
在一种方式中,所述响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例之前,还包括:
获取工业场景公开数据集及私有数据集中多个预设对象之间的隐患空间关系;
根据所述隐患空间关系确定对应的三元组,所述三元组包括对应的两个预设对象标识及对应隐患空间关系关键词;
获取针对各预设对象之间的隐患空间关系配置的安全隐患发生概率;
基于各预设对象之间的隐患空间关系、三元组及配置的安全隐患发生概率构建隐患空间关系库。
在一种方式中,所述响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例,包括:
基于隐患空间关系库中各预设对象之间的隐患空间关系及对应的三元组确定至少一个目标对象之间的空间关系是否与隐患空间关系库中的任一个预设对象之间的隐患空间关系相匹配;
响应于任一个目标对象之间的空间关系与隐患空间关系库中的任一个预设对象之间的隐患空间关系相匹配,确定该目标对象之间的空间关系存在预先配置的安全隐患概率,并获取该目标对象之间的重叠比例;
在一种方式中,所述根据至少一个预先配置的安全隐患发生概率及对应的目标对象之间的重叠比例计算对应的目标对象的预测安全隐患发生概率,包括:
分别计算至少一个预先配置的安全隐患概率及对应的目标对象之间的重叠比例的总和;
分别计算所述总和的平均值,将各所述平均值作为对应的目标对象的预测安全隐患发生概率。
在一种方式中,所述根据所述预测安全隐患发生概率确定对应的目标对象是否存在隐患,包括:
响应于所述预测安全隐患发生概率大于或等于预设安全隐患阈值,确定对应的目标对象存在隐患;
响应于所述预测安全隐患发生概率小于预设安全隐患阈值,确定对应的目标对象不存在隐患。
在一种方式中,所述响应于所述预测安全隐患发生概率大于或等于预设安全隐患阈值,确定对应的目标对象存在隐患之后,还包括:
响应于对应的目标对象存在隐患,生成对应的告警消息,所述告警消息中包含工业场景图片的空间特征相关信息、存在隐患的目标对象之间的空间关系以及预测安全隐患发生概率;
将所述告警消息发送至相应的工作人员的终端。
在一种方式中,所述方法还包括:
响应于无目标对象之间的空间关系存在预先配置的安全隐患发生概率,确定所述目标工业场景图像中包含的所有目标对象不存在隐患。
第二方面,本申请提供一种工业场景中安全隐患排查装置,所述装置包括:
获取模块,用于获取目标工业场景图像;
检测模块,用于已训练至收敛的目标对象检测模型对所述目标工业场景图像进行目标对象的检测,确定至少一个目标对象之间的重叠比例,以获得至少一个目标对象之间的空间关系;
获取模块,用于响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例;
计算模块,用于根据至少一个预先配置的安全隐患发生概率及对应的目标对象之间的重叠比例计算对应的目标对象的预测安全隐患发生概率;
确定模块,用于根据所述预测安全隐患发生概率确定对应的目标对象是否存在隐患。
第三方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面或任一种方式中所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面或任一种方式中所述的方法。
本申请提供的一种工业场景中安全隐患排查方法、装置、设备及存储介质,该方法包括:获取目标工业场景图像;采用已训练至收敛的目标对象检测模型对目标工业场景图像进行目标对象的检测,确定至少一个目标对象之间的重叠比例,以获得至少一个目标对象之间的空间关系;响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例;根据至少一个预先配置的安全隐患发生概率及对应的目标对象之间的重叠比例计算对应的目标对象的预测安全隐患发生概率;根据预测安全隐患发生概率确定对应的目标对象是否存在隐患。本申请工业场景中安全隐患排查装置(以下简称排查装置)首先获取目标工业场景图像,接着采用已训练至收敛的目标对象检测模型对目标工业场景图像进行目标对象的检测,确定出目标对象,接着确定至少一个目标对象之间的重叠比例,由于重叠比例能反映工业场景中目标对象之间实际的重叠关系,且由于已训练至收敛的目标对象检测模型是预先训练完成的一个较优目标对象检测模型,进而该已训练至收敛的目标对象检测模型能够准确地获得目标对象,并基于重叠比例准确确定出至少一个目标对象之间的空间关系,基于至少一个目标对象之间的空间关系确定是否存在预先配置的安全隐患发生概率,由于该预先配置的安全隐患发生概率基于工业场景中发生安全隐患的实际概率所配置的,因此排查装置基于该预先配置的安全隐患发生概率和对应的目标对象之间的重叠比例能够准确地计算出目标对象的预测安全隐患发生概率,所得预测安全隐患发生概率因为从多方面综合考虑得到,进而更加符合工业场景实际情况,进而根据预测安全隐患发生概率准确地确定出对应的目标对象是否存在隐患。
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为本申请提供的一种工业场景中安全隐患排查方法的应用场景图;
图2为本申请实施例一提供的一种工业场景中安全隐患排查方法的流程示意图;
图3为本申请实施例一提供的一种工业场景中安全隐患排查方法的流程示意图;
图4为本申请实施例二提供的一种标注后的工业场景图像的示意图;
图5为本申请实施例四提供的一种工业场景中安全隐患排查方法的流程示意图;
图6为本申请实施例五提供的一种工业场景中安全隐患排查方法的流程示意图;
图7为本申请实施例五提供的一种隐患空间关系库示意图;
图8为本申请实施例八提供的一种告警消息示意图;
图9为本申请实施例九提供的一种工业场景中安全隐患排查方法的流程示意图;
图10为本申请实施例十提供的一种工业场景中安全隐患排查装置示意图;
图11为本申请实施例十一提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
首先对本申请所涉及的名词进行解释:
目标检测yolov5模型:模型的骨干网络主要由Focus、BottleneckCSP和SSP网络构成,其中主要包括Focus、Conv卷积块、BottleneckCSP和SSP等模块;具有更优的检测精度和更快的推理速度。
现有技术中采用巡检机器在工业场景中进行拍照,以获得工业场景图像,之后巡检机器将对该工业场景图像进行分析,得到工业图像之中的各目标对象之间的空间关系,接着将各目标对象之间的空间关系与自身预先存储的隐患空间关系进行匹配。其中,预先存储的隐患空间关系有多个。若任一目标对象之间的空间关系与任一隐患空间关系匹配成功,则认为该目标对象之间的空间关系包含的目标对象具有安全隐患。其中,自身预先存储的隐患空间关系是基于公开数据集获得的。
由于现有技术判断目标对象是否具有安全隐患的方式过于单一,只通过将目标对象之间的空间关系与隐患空间关系匹配成功作为判断目标对象具有安全隐患的方式,该方式不能根据实际情况准确地判断目标对象是否具有安全隐患。
为了解决现有技术的缺陷,本方案发明人经过创造性研究,设计一种新的方案。本方案提供一种工业场景中安全隐患排查方法,为了解决只将目标对象之间的空间关系与隐患空间关系匹配成功作为判断目标对象具有安全隐患的问题,本申请排查装置首先会获取目标工业场景图像,接着基于已训练至收敛的目标对象检测模型对目标工业场景图像进行目标对象的检测,由于已训练至收敛的目标对象检测模型是一个较优目标对象检测模型,进而能够准确地计算出至少一个目标对象,在基于能反映目标对象之间的重叠关系的重叠比例,进而准确地获得至少一个目标对象之间的空间关系,并响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例,并将其与预先配置的安全隐患发生概率一起计算对应的目标对象的预测安全隐患发生概率,基于预测安全隐患发生概率判断对应的目标对象是否存在隐患,由于采用预先配置的安全隐患发生概率和对应的目标对象之间的重叠比例综合计算得到预测安全隐患发生概率,使得判断方式更加全面和符合实际情况。为了解决不能根据实际情况准确地判断目标对象是否具有安全隐患,本申请实施例的判断方式是从多方面综合考虑进行的,且由于已训练至收敛的目标对象检测模型能过准确得到目标对象,从而得到目标对象之间的重叠比例以及空间关系,由于预先配置的安全隐患发生概率是基于工业场景中发生安全隐患的概率所配置的,进而能过准确获取对应的预先配置的安全隐患发生概率,由于重叠比例是基于工业场景中包含的目标对象之间真实的重叠关系的体现,因此,重叠比例能够反映工业场景实际情况,最终基于重叠比例和预先配置的安全隐患发生概率准确地确定出预测安全隐患发生概率,从而准确地判断出目标对象是否存在隐患。
下面对本申请提供一种工业场景中安全隐患排查方法、装置、设备及存储介质的应用场景进行介绍。
图1为本申请提供的一种工业场景中安全隐患排查方法的应用场景图。如图1所示,该应用场景图包括图片拍摄设备101,电子设备102以及工作人员的终端105。其中,电子设备102中包含工业场景中安全隐患排查装置(以下简称排查装置)103,在排查装置103中包含已训练至收敛的目标对象检测模型(以下简称收敛的检测模型)104。
其中,图片拍摄设备101可以是手机、平板,或者是其他具有拍摄功能的设备,此处不做限制。
其中,工作人员的终端105可以是手机或者PC电脑,此处不做限制。
其中,图片拍摄设备101与电子设备102通信连接,工作人员的终端105与电子设备102通信连接,通信连接可以为有线连接,也可以为无线连接。
具体的,在工业场景中,任一图片拍摄设备101都能够采用自身拍摄功能对工业场景中的任一现象进行拍摄,接着将拍摄出来的目标工业场景图像发送至电子设备102,电子设备102获取目标工业场景图像,接着电子设备102将目标工业场景图像发送至排查装置103中,排查装置103将目标工业场景图像发送至收敛的检测模型104中,基于收敛的检测模型104对目标工业场景图像进行目标对象的检测,具体的,收敛的检测模型104确定出目标工业场景中的多个目标对象,接着排查装置103进而确定至少一个目标对象之间的重叠比例,从而基于重叠比例以及对应的目标对象的位置获得至少一个目标对象之间的空间关系。排查装置103将确定至少一个目标对象之间的空间关系是否存在预先配置的安全隐患发生概率,若存在预先配置的安全隐患发生概率,则将获取对应的目标对象的重叠比例,进而基于预先配置的安全隐患发生概率以及对应的目标对象之间的重叠比例进而计算出对应的目标对象的预测安全隐患发生概率。排查装置103将基于预测安全隐患发生概率确定出对应的目标对象是否存在隐患。
进一步的,若排查装置103确定出任一对应的目标对象存在隐患,则将生成告警消息,并将告警消息发送至相应的工作人员的终端105。
需要说明的是,收敛的检测模型104可以使用yolov5模型对目标工业场景图像进行检测。
本申请提供的工业场景中安全隐患排查方法,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几条具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
实施例一
图2为本申请实施例一提供的一种工业场景中安全隐患排查方法的流程示意图。本实施例的执行主体为工业场景中安全隐患排查装置(以下简称排查装置),如图2所示,具体步骤如下。
S201,获取目标工业场景图像。
其中,目标工业场景图像可以由任一图像拍摄设备拍摄而得,并存储于自身存储区域中,接着通过有线方式或者无线方式传输至排查装置。
具体的,排查装置从图像拍摄设备的存储区域中获取目标工业场景图像。
S202,采用已训练至收敛的目标对象检测模型对目标工业场景图像进行目标对象的检测,确定至少一个目标对象之间的重叠比例,以获得至少一个目标对象之间的空间关系。
其中,目标对象是指目标工业场景图像中包含的对象,例如人,或者转轴等都可作为目标对象。
其中,重叠比例是指任意两个目标对象之间的重叠情况。
其中,空间关系是指任意两个目标对象之间在空间上的关系,例如,目标对象1覆盖目标对象2。
其中,已训练至收敛的目标对象检测模型(以下简称收敛的检测模型)是一个满足收敛条件,达到较优状态的一个目标对象检测模型。收敛的检测模型能够准确地确定出至少一个目标对象,进而使得排查装置确定至少一个目标对象之间的重叠比例,并基于重叠比例确定出对应的空间关系。
具体的,排查装置将目标工业场景图像传输至收敛的检测模型,进而收敛的检测模型将对目标工业场景图像进行解析,即识别目标工业场景图像中包含的多个目标对象,排查装置将基于多个目标对象,并确定出目标对象之间的重叠比例,以及各目标对象之间的空间关系。其中,排查装置可以将各目标对象之间的重叠比例存储在自身存储区域中。
S203,响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例。
其中,预先配置的安全隐患发生概率可以由有经验的专家根据工业场景中某隐患空间关系实际发生概率来配置。预先配置的安全隐患发生概率存储于隐患空间关系库中。
其中,目标对象之间的重叠比例存储于排查装置的存储区域中。
具体的,排查装置将会输出至少一个目标对象之间的空间关系,例如,一个目标对象之间的空间关系为:保护罩没有覆盖于转轴。接着排查装置将会确定至少一个目标对象之间的空间关系是否存在预先配置的安全隐患发生概率,若排查装置确定任一目标对象之间的空间关系存在预先配置的安全隐患发生概率,则排查装置将响应于该动作,从自身存储区域中获取对应的目标对象之间的重叠比例。
S204,根据至少一个预先配置的安全隐患发生概率及对应的目标对象之间的重叠比例计算对应的目标对象的预测安全隐患发生概率。
其中,预测安全隐患发生概率是最终用来确定对应的目标对象是否存在隐患的依据。
示例性的,若某目标对象之间的空间关系对应的预先配置的安全隐患发生概率为X%,该目标对象之间的重叠比例为Y%,则排查装置基于X%和Y%确定出预测安全隐患发生概率S%。
其中,预测安全隐患发生概率S%的计算方式可以按照预先配置的安全隐患发生概率为X%以及该目标对象之间的重叠比例为Y%的各自分配的权重计算,此处对X%和Y%各自分配的权重不做限制。
S205,根据预测安全隐患发生概率确定对应的目标对象是否存在隐患。
本实施例提供一种工业场景中安全隐患排查方法,具体包括:获取目标工业场景图像;采用已训练至收敛的目标对象检测模型对目标工业场景图像进行目标对象的检测,确定至少一个目标对象之间的重叠比例,以获得至少一个目标对象之间的空间关系;响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例;根据至少一个预先配置的安全隐患发生概率及对应的目标对象之间的重叠比例计算对应的目标对象的预测安全隐患发生概率;根据预测安全隐患发生概率确定对应的目标对象是否存在隐患。本实施例排查装置首先获取目标工业场景图像,接着采用已训练至收敛的目标对象检测模型对目标工业场景图像进行目标对象的检测,接着排查装置确定至少一个目标对象之间的重叠比例,由于收敛的检测模型是预先训练完成的一个较优目标对象检测模型,进而该收敛的检测模型能够准确地获得至少一个目标对象,排查装置将基于至少一个目标对象确定至少一个目标对象之间的空间关系,基于至少一个目标对象之间的空间关系确定是否存在预先配置的安全隐患发生概率,由于该预先配置的安全隐患发生概率基于工业场景中的该目标对象之间的空间关系是否会发生安全隐患的实际概率配置的,因此排查装置基于该预先配置的安全隐患发生概率和对应的目标对象之间的重叠比例能够准确地计算出对应的目标对象的预测安全隐患发生概率,所得预测安全隐患发生概率因为从多方面综合考虑得到,进而更加符合工业场景实际情况,进而根据预测安全隐患发生概率能够准确地确定出对应的目标对象是否存在隐患。
实施例二
图3为本申请实施例一提供的一种工业场景中安全隐患排查方法的流程示意图。本申请实施例是上述实施例一的进一步细化,本实施例是采用已训练至收敛的目标对象检测模型对目标工业场景图像进行目标对象的检测,确定至少一个目标对象之间的重叠比例,以获得至少一个目标对象之间的空间关系的一种可选方式,如图3所示,具体步骤如下。
S301,将目标工业场景图像输入至已训练至收敛的目标对象检测模型中。
S302,采用已训练至收敛的目标对象检测模型在目标工业场景图像中识别多个目标对象,并标注空间特征相关信息;空间特征相关信息包含各目标对象的标识、包围各目标对象的矩形框以及各矩形框的位置和长高。
其中,目标对象的标识可以是目标对象的名称或者目标对象独特表征符号等。
其中,矩形框是对每一个目标对象的周围都进行包围,并在目标工业场景图像中画出可见的框。可以理解的是,一个矩形框包围一个目标对象。
其中,矩形框的位置是矩形框在目标工业场景图像中的位置,可以表征目标对象在目标工业场景图像中的位置,可以用矩形框的左下角的点或者其余合适的点表示矩形框的位置。
其中,矩形框的长高是矩形框的长和高,可以表征目标对象在目标工业场景中的大小。
具体的,收敛的检测模型将会识别出目标工业场景图像中包含的多个目标对象,进而在目标工业场景图像中进行标注。图4为本申请实施例二提供的一种标注后的工业场景图像的示意图。
如图4所示,收敛的检测模型识别出目标工业场景图像中包含火以及树,如图4,具有包围树的矩形框1,以及包围火的矩形框2,并标注了各矩形框的位置和矩形框的长高。例如,矩形框2的位置是(8,7),长高分别是5和4;矩形框1的位置(1,1),长高分别为8和10,其中,长高的单位可自行设定,此处不做限制。
需要说明的是,目标工业场景图像中还可以标注目标对象的概率等,或者其他相关信息,此处不做限制。其中,目标对象的概率是指是某目标对象的概率。
S303,将目标工业场景图像中所识别出的任意两个目标对象进行组合,以获得待检测目标对象组合;待检测目标对象组合至少为一个。
其中,待检测目标对象组合是指目标工业场景图像中任意两个目标对象。
具体的,收敛的检测模型在目标工业场景图像中识别出3个目标对象,排查装置则分别将3个目标对象进行两两组合,得到三个待检测目标对象组合。
S304,根据待检测目标对象组合及其对应的空间特征相关信息确定出待检测目标对象组合对应的目标对象之间的重叠比例。
具体的,排查装置将基于待检测目标对象组合获取出其中包含的目标对象,然后基于上述包含的目标对象对应的空间关系相关特征信息确定待检测目标对象组合对应的目标对象之间的重叠比例。
示例性的,待检测目标对象组合中包含目标对象1和目标对象2,则获取目标对象1对应的空间特征相关信息1和目标对象2对应的空间特征相关信息2,进而基于空间特征相关信息1和空间特征相关信息2确定出待检测目标对象组合对应的目标对象之间的重叠比例。
S305,根据待检测目标对象组合对应的目标对象之间的重叠比例确定待检测目标对象组合对应的目标对象的之间的空间关系。
具体的,重叠比例可以表征出待检测目标对象组合中的两个目标对象之间的重叠关系,进而排查装置将会确定出待检测目标对象组合对应的目标对象之间的空间关系。
本实施例提供一种工业场景中安全隐患排查方法,在采用已训练至收敛的目标对象检测模型对目标工业场景图像进行目标对象的检测,确定至少一个目标对象之间的重叠比例,以获得至少一个目标对象之间的空间关系时,具体包括:将目标工业场景图像输入至已训练至收敛的目标对象检测模型中;采用已训练至收敛的目标对象检测模型在目标工业场景图像中识别多个目标对象,并标注空间特征相关信息;空间特征相关信息包含各目标对象的标识、包围各目标对象的矩形框以及各矩形框的位置和长高;将目标工业场景图像中所识别出的任意两个目标对象进行组合,以获得待检测目标对象组合;待检测目标对象组合至少为一个;根据待检测目标对象组合及其对应的空间特征相关信息确定出待检测目标对象组合对应的目标对象之间的重叠比例;根据待检测目标对象组合对应的目标对象之间的重叠比例确定待检测目标对象组合对应的目标对象的之间的空间关系。本实施例采用收敛的检测模型识别目标工业场景图像中多个目标对象,并标注空间特征相关信息,接着排查装置将多个目标对象进行两两组合,获得待检测目标对象组合,由于空间特征相关信息中包含各目标对象的标识、包围各目标对象的矩形框以及各矩形框的位置和长高,进而利用空间特征相关信息可以准确地确定出待检测目标对象组合对应的目标对象之间的重叠比例,由于重叠比例能准确反映待检测目标对象组合中的两个目标对象的空间联系,进而能够准确地确定出待检测目标对象组合对应的目标对象的之间的空间关系。
实施例三
本申请实施例是上述任一实施例的进一步细化,本实施例是根据待检测目标对象组合及其对应的空间特征相关信息确定出待检测目标对象组合对应的目标对象之间的重叠比例的一种可行方式,具体内容如下。
基于待检测目标对象组合所包含的两个目标对象对应的空间特征相关信息中的矩形框的长高,分别计算待检测目标对象组合所包含的两个目标对象对应的矩形框的面积。
具体的,分别对待检测目标对象组合所包含的两个目标对象对应的空间特征相关信息中的矩形框的长和高,计算出各矩形框的面积。
示例性的,根据上述S302的示例性例子,矩形框2的面积为长乘以高,即5*4=20,矩形框1的面积即为8*10=80。
根据各矩形框的面积及对应的矩形框的位置确定待检测目标对象组合对应的目标对象之间的重叠比例。
示例性的,如图4所示,可以确定出两个矩形框的重叠部分,将重叠部分作为重叠矩形框,并基于矩形框2的位置(8,7)和矩形框1的位置是(1,1)确定出重叠矩形框的长和高,重叠矩形框的长为2,重叠矩形框的高为3,重叠矩形框的面积即代表重叠面积,即为重叠矩形框的长乘以高等于2*3=6。从上述矩形框2和矩形框1的面积大小可知,矩形框2的面积小于矩形框1的面积,因此基于重叠矩形框的面积以及矩形框2的面积计算重叠比例Y%=重叠矩形框面积/最小矩形框面积=6/20*100%=30%。
可以理解的是,当某小的矩形框完全落于大的矩形框中,则此时重叠比例是100%。
本实施例提供一种工业场景中安全隐患排查方法,在根据待检测目标对象组合及其对应的空间特征相关信息确定出待检测目标对象组合对应的目标对象之间的重叠比例时,具体包括:基于待检测目标对象组合所包含的两个目标对象对应的空间特征相关信息中的矩形框的长高,分别计算待检测目标对象组合所包含的两个目标对象对应的矩形框的面积;根据各矩形框的面积及对应的矩形框的位置确定待检测目标对象组合对应的目标对象之间的重叠比例。本实施例首先基于待检测目标对象组合所包含的两个目标对象对应的矩形框的长高,分别计算出上述所包含的两个目标对象对应的矩形框的面积,进而基于各矩形框的面积及对应的矩形框位置计算出待检测目标对象组合对应的目标对象之间的重叠比例,由于空间特征相关信息中包含矩形框的长高,且矩形框长高能准确反映目标对象的面积,进而结合各矩形框的位置能过准确地确定出待检测目标对象对应的目标对象之间的重叠比例。
实施例四
图5为本申请实施例四提供的一种工业场景中安全隐患排查方法的流程示意图。本申请实施例是上述任一实施例的进一步细化,本实施例是根据待检测目标对象组合对应的目标对象之间的重叠比例确定待检测目标对象组合对应的目标对象的之间的空间关系的一种可选方式,如图5所示,具体步骤如下。
S501,响应于待检测目标对象组合对应的目标对象之间的重叠比例大于或等于第一预设重叠比例,确定待检测目标对象组合对应的目标对象之间的空间关系为覆盖。
其中,第一预设重叠比例是预先设定的,可以根据自身实际情况设定。
其中,第一预设重叠比例是表征待检测目标对象组合所包含的两个目标对象之间的空间关系为覆盖的临界点。
S502,响应于待检测目标对象组合对应的目标对象之间的重叠比例小于或等于第二预设重叠比例,确定待检测目标对象组合对应的目标对象之间的空间关系为未覆盖。
其中,第二预设重叠比例是表征待检测目标对象组合所包含的两个目标对象之间的空间关系为未覆盖的临界点。
S503,响应于待检测目标对象组合对应的目标对象之间的重叠比例小于第一预设重叠比例且大于第二预设重叠比例,确定待检测目标对象组合对应的目标对象之间的空间关系为部分覆盖。
本实施例提供一种工业场景中安全隐患排查方法,在根据待检测目标对象组合对应的目标对象之间的重叠比例确定待检测目标对象组合对应的目标对象的之间的空间关系时,具体包括:响应于待检测目标对象组合对应的目标对象之间的重叠比例大于或等于第一预设重叠比例,确定待检测目标对象组合对应的目标对象之间的空间关系为覆盖;响应于待检测目标对象组合对应的目标对象之间的重叠比例小于或等于第二预设重叠比例,确定待检测目标对象组合对应的目标对象之间的空间关系为未覆盖;响应于待检测目标对象组合对应的目标对象之间的重叠比例小于第一预设重叠比例且大于第二预设重叠比例,确定待检测目标对象组合对应的目标对象之间的空间关系为部分覆盖。本实施例预先设定第一预设重叠比例和第二预设重叠比例,基于第一预设重叠比例和第二预设重叠比例可以确定出目标对象之间的空间关系,由于第一预设重叠比例和第二预设重叠比例可以根据实际情况来设定,因此确定出的目标对象之间的空间关系更为准确,更符合工业实际情况。
实施例五
图6为本申请实施例五提供的一种工业场景中安全隐患排查方法的流程示意图。本申请实施例是上述任一实施例的进一步细化,本实施例是响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例之前的一种可选方式,如图6所示,具体步骤如下。
S601,获取工业场景公开数据集及私有数据集中多个预设对象之间的隐患空间关系。
其中,工业场景公开数据集是面向公众所公布的通用的数据集,可以来源于网络等。
其中,私有数据集是任一用户自身存储的关于自身工业场景工作中的数据集。
具体的,基于工业场景公开数据集及私有数据集从中提取出多个预设对象,并获取多个预设对象之间的隐患空间关系。
S602,根据隐患空间关系确定对应的三元组,三元组包括对应的两个预设对象标识及对应隐患空间关系关键词。
具体的,排查装置将根据隐患空间关系确定出对应的三元组,其中,每一个三元组可以用<r,s,t>来表示,其中,r和t是预设对象,s是隐患空间关系关键词。
例如,保护罩覆盖于转轴,则保护罩和转轴为预设对象,覆盖于是隐患空间关系关键词。因此三元组为<保护罩,覆盖于,转轴>。
S603,获取针对各预设对象之间的隐患空间关系配置的安全隐患发生概率。
其中,预设对象之间的隐患空间关系配置的安全隐患发生概率可以由有经验的专家根据三元组或隐患空间关系,基于该隐患空间关系在工业场景中实际发生概率来配置,并存储于排查装置的存储区域。
具体的,排查装置从存储区域中获取各预设对象之间的隐患空间关系配置的安全隐患发生概率。
S604,基于各预设对象之间的隐患空间关系、三元组及配置的安全隐患发生概率构建隐患空间关系库。
具体的,排查装置将把一个预设对象之间的隐患空间关系、三元组、及配置的安全隐患发生概率进行绑定,构成一个绑定关系,将各个绑定关系组合在一起,构建一个隐患空间关系库。
图7为本申请实施例五提供的一种隐患空间关系库示意图,如图7所示,每个预设对象之间的隐患空间关系、三元组、及配置的安全隐患发生概率绑定在一起,各个绑定关系。其中,绑定关系1包含预设对应之间的隐患空间关系:安全帽未覆盖人,三元组为<安全帽,未覆盖,人>,配置的安全隐患发生概率90%。
本实施例提供一种工业场景中安全隐患排查方法,在响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例之前,具体包括:获取工业场景公开数据集及私有数据集中多个预设对象之间的隐患空间关系;根据隐患空间关系确定对应的三元组,三元组包括对应的两个预设对象标识及对应隐患空间关系关键词;获取针对各预设对象之间的隐患空间关系配置的安全隐患发生概率;基于各预设对象之间的隐患空间关系、三元组及配置的安全隐患发生概率构建隐患空间关系库。本实施例基于工业场景公开数据集及私有数据集确定多个预设对象之间的隐患空间关系,基于隐患空间关系确定对应的三元组,接着获取隐患空间关系对应的配置的安全隐患发生概率,将各预设对象之间的隐患空间关系、三元组及配置的安全隐患发生概率构建成隐患空间关系库。由于隐患空间关系也基于私有数据集获得,进而使得该隐患空间关系更加贴合用户自身的实际情况,更加符合工业场景,所以使得隐患空间关系库所包含的内容更加全面和完善。
在一种方式中,本方式是响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例的一种可选方式,具体内容如下。
基于隐患空间关系库中各预设对象之间的隐患空间关系及对应的三元组确定至少一个目标对象之间的空间关系是否与隐患空间关系库中的任一个预设对象之间的隐患空间关系相匹配。
具体的,排查装置首先可以基于三元组中的预设对象,即r和t,确定出隐患空间关系库中是否有至少一个三元组中的预设对象与目标对象匹配。若匹配,则接着确定至少一个三元组对应的任一个预设对象之间的隐患空间关系是否与目标对象之间的空间关系相匹配。
可以理解的是,一张目标工业场景图像中可以有多个目标对象之间的空间关系。
响应于任一个目标对象之间的空间关系与隐患空间关系库中的任一个预设对象之间的隐患空间关系相匹配,确定该目标对象之间的空间关系存在预先配置的安全隐患概率,并获取该目标对象之间的重叠比例。
具体的,排查装置确定从自身存储区域中获取存在预先配置的安全隐患概率的两个目标对象对应的目标对象之间的重叠比例。
本方式是在响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例时,具体包括:基于隐患空间关系库中各预设对象之间的隐患空间关系及对应的三元组确定至少一个目标对象之间的空间关系是否与隐患空间关系库中的任一个预设对象之间的隐患空间关系相匹配;响应于任一个目标对象之间的空间关系与隐患空间关系库中的任一个预设对象之间的隐患空间关系相匹配,确定该目标对象之间的空间关系存在预先配置的安全隐患概率,并获取该目标对象之间的重叠比例。本实施例首先基于预设对象之间的隐患空间关系及对应的三元组确定出目标对象之间的空间关系是否与任一预设对象之间的隐患空间关系相匹配,响应于否存在预先配置的安全隐患概率,获取目标对象之间的重叠比例。由于隐患空间关系库中包含大量的隐患空间关系以及对应的预先配置的安全隐患概率进而可以准确地确定出目标对象之间的空间关系是否有对应预先配置的安全隐患概率。
实施例六
本申请实施例是上述任一实施例的进一步细化,本实施例是根据至少一个预先配置的安全隐患发生概率及对应的目标对象之间的重叠比例计算对应的目标对象的预测安全隐患发生概率的一种可选方式,具体内容如下。
分别计算至少一个预先配置的安全隐患概率及对应的目标对象之间的重叠比例的总和。
分别计算总和的平均值,将各平均值作为对应的目标对象的预测安全隐患发生概率。
示例性的,对于某目标对象之间的空间关系存在预先配置的安全隐患概率X%,并获取到该目标对象之间的重叠比例为Y%,接着计算总和:X%+Y%,并对总和进行求平均值,得到对应的目标对象的预测安全隐患发生概率S%=(X%+Y%)/2。
可以理解的是,当有多个预先配置的安全隐患概率及其对应的多个目标对象之间的重叠比例时,排查装置将对每一个预先配置的安全隐患概率及其对应的一个目标对象之间的重叠比例进行计算。
本方式是在根据至少一个预先配置的安全隐患发生概率及对应的目标对象之间的重叠比例计算对应的目标对象的预测安全隐患发生概率时,具体包括:分别计算至少一个预先配置的安全隐患概率及对应的目标对象之间的重叠比例的总和;分别计算总和的平均值,将各平均值作为对应的目标对象的预测安全隐患发生概率。本实施例首先计算至少一个预先配置的安全隐患概率及对应的目标对象之间的重叠比例的总和,接着求平均值,进而可以准确获得预测安全隐患发生概率。
在一种方式中,还可以计算至少一个预先配置的安全隐患概率及对应的目标对象之间的重叠比例在不同权重下的链式乘积结果,选取各乘积结果中的最大乘积结果作为目标对象的预测安全隐患发生概率。也可以采用其他可行方式确定预测安全隐患发生概率,此处不做限制。
实施例七
本申请实施例是上述任一实施例的进一步细化,本实施例是根据预测安全隐患发生概率确定对应的目标对象是否存在隐患的一种可选方式,具体内容如下。
响应于预测安全隐患发生概率大于或等于预设安全隐患阈值,确定对应的目标对象存在隐患。
其中,预设安全隐患阈值是预先设定的一个发生安全隐患的临界值。
响应于预测安全隐患发生概率小于预设安全隐患阈值,确定对应的目标对象不存在隐患。
本实施例提供一种工业场景中安全隐患排查方法,在根据预测安全隐患发生概率确定对应的目标对象是否存在隐患时,具体包括:响应于预测安全隐患发生概率大于或等于预设安全隐患阈值,确定对应的目标对象存在隐患;响应于预测安全隐患发生概率小于预设安全隐患阈值,确定对应的目标对象不存在隐患。本实施例将响应于预测安全隐患发生概率与预设安全隐患阈值的大小,确定出目标对象是否存在安全隐患。由于预设安全隐患阈值可以根据工业场景中的实际情况来设定,且预测安全隐患发生概率也较为准确,因此本实施例最终基于预测安全隐患发生概率与预设安全隐患阈值的大小能够准确判断出目标对象是否具有隐患。
实施例八
本申请实施例是上述任一实施例的进一步细化,本实施例是响应于预测安全隐患发生概率大于或等于预设安全隐患阈值,确定对应的目标对象存在隐患之后的一种可选方式,具体内容如下。
响应于对应的目标对象存在隐患,生成对应的告警消息,告警消息中包含工业场景图片的空间特征相关信息、存在隐患的目标对象之间的空间关系以及预测安全隐患发生概率。
具体的,排查装置将根据对应的目标对象存在隐患进行响应,并生成对应的告警消息。为了方便工作人员基于告警消息确定出是哪一个目标对象之间的空间关系具有隐患,因此在告警消息中包含了工业场景图片的空间特征相关信息、存在隐患的目标对象之间的空间关系以及预测安全隐患发生概率。
将告警消息发送至相应的工作人员的终端。
图8为本申请实施例八提供的一种告警消息示意图。工作人员的终端可以接收告警消息,该告警信息可以在应用程序中打开,并显示。如图8所示,工作人员可以通过自身的终端进入某个应用程序查看告警消息,在图8中显示目标对象树对应的空间特征相关信息、目标对象火对应的空间特征相关信息、存在隐患的目标对象之间的空间关系:火部分覆盖于树上、预测安全隐患发生概率:60%,以及检测结果:存在隐患。
需要说明的是,工作人员可以将该告警信息通过工作中使用的应用程序发送至工作群中,及时提醒各个部门做好处理隐患。
可以理解的是,在告警信息中还可以包含其他相关内容,此处不做限制。
本实施例提供一种工业场景中安全隐患排查方法,在响应于预测安全隐患发生概率大于或等于预设安全隐患阈值,确定对应的目标对象存在隐患之后,具体包括:响应于对应的目标对象存在隐患,生成对应的告警消息,告警消息中包含工业场景图片的空间特征相关信息、存在隐患的目标对象之间的空间关系以及预测安全隐患发生概率;将告警消息发送至相应的工作人员的终端。本实施例响应于对应的目标对象存在隐患,生成对应的告警消息,进而发送至工作人员的终端,本实施例排查装置可以及时生成告警消息,进而及时发送至工作人员的终端,从而可以及时通知工作人员排查隐患,并做出相应的处理,减少了损失。同时,本实施例告警消息中包含工业场景图片的空间特征相关信息、存在隐患的目标对象之间的空间关系以及预测安全隐患发生概率,进而可以使工作人员发现是哪些目标对象存在隐患。
在一种方式中,本方式还可以包括如下内容。
响应于无目标对象之间的空间关系存在预先配置的安全隐患发生概率,确定目标工业场景图像中包含的所有目标对象不存在隐患。
具体的,排查装置确定出在该目标工业场景图像中无目标对象之间的空间关系存在预先配置的安全隐患发生概率,说明该目标工业场景图像中的目标对象之间的空间关系不与隐患关系库中任一预设对象之间的隐患空间关系匹配,进而该目标工业场景图像中包含的所有目标对象不存在隐患。
本方式具体包括:响应于无目标对象之间的空间关系存在预先配置的安全隐患发生概率,确定目标工业场景图像中包含的所有目标对象不存在隐患。本实施例根据该目标工业场景图像中无目标对象之间的空间关系存在预先配置的安全隐患发生概率,由于只要存在预先配置的安全隐患发生概率,即表明目标对象之间的空间关系可能存在隐患,如果不存在预先配置的安全隐患发生概率,就能准确确定出目标工业场景图像中所包含的目标对象不存在隐患。
实施例九
图9为本申请实施例九提供的一种工业场景中安全隐患排查方法的流程示意图。本申请实施例是上述任一实施例的进一步细化,本实施例是采用已训练至收敛的目标对象检测模型对目标工业场景图像进行目标对象的检测之前的一种可选方式,如图9所示,具体步骤如下。
S901,获取工业场景中具有隐患的私有图像,并输入至预设的目标对象检测模型中。
其中,具有隐患的私有图像是工业场景中用户自身存储的图像,私有图像可存储于排查装置的存储区域中。
具体的,排查装置将从存储区域中获取私有图像,并将其输入至预设的目标对象检测模型中。
S902,采用预设的目标对象检测模型在私有图像中训练识别多个初始对象,并标注初始空间特征相关信息:初始空间特征相关信息包含各初始对象的标识、包围各初始对象的矩形框以及各矩形框的位置和长高。
具体的,预设的目标对象检测模型将对私有图像中的对象进行识别,识别出多个初始对象,并标注初始空间特征相关信息。具体实现方式参考实施例二,此处不再赘述。
S903,满足预设训练收敛条件,得到已训练至收敛的目标对象检测模型。
其中,预设训练收敛条件是预设的目标对象检测模型进行训练的一个收敛条件。
具体的,对预设的目标对象检测模型进行训练后,当满足预设训练条件之后,说明预设的目标对象检测模型能够准确获得私有图像中的多个初始对象,此时预设的目标对象检测模型中的检测参数达到较优状态,进而此时对应的关系检测模型作为已训练至收敛的目标对象检测模型。
本实施例提供一种工业场景中安全隐患排查方法,在采用已训练至收敛的目标对象检测模型对目标工业场景图像进行目标对象之间的空间关系检测之前,具体包括:获取工业场景中具有隐患的私有图像,并输入至预设的目标对象检测模型中;采用预设的目标对象检测模型在私有图像中训练识别多个初始对象,并标注初始空间特征相关信息:初始空间特征相关信息包含各初始对象的标识、包围各初始对象的矩形框以及各矩形框的位置和长高;满足预设训练收敛条件,得到已训练至收敛的目标对象检测模型。本实施例首先将具有隐患的私有图像传输至预设的目标对象检测模型中,进而采用预设的目标对象检测模型识别私有图像中包含的多个初始对象,并标注初始空间特征相关信息,接着基于多个初始对象及其对应的初始空间检测相关特征信息训练初始对象之间的空间关系,由于采用的是私有图像,该私有图像可以是用户自身工业场景中实际产生的具有隐患的图像,进而可以使得训练的初始对象之间的空间关系更加符合实际情况,进而使得满足预设训练收敛条件之后,得到一个符合工业场景的已训练至收敛的目标对象检测模型。同时,由于要预先设定一个预设训练收敛条件,所以使得已训练至收敛的目标对象检测模型较优。
实施例十
下面是本申请的装置实施例,图10为本申请实施例十提供的一种工业场景中安全隐患排查装置示意图。如图10所示,该装置100包括以下模块。
获取模块1001,用于获取目标工业场景图像。
检测模块1002,用于已训练至收敛的目标对象检测模型对目标工业场景图像进行目标对象的检测,确定至少一个目标对象之间的重叠比例,以获得至少一个目标对象之间的空间关系。
获取模块1001,还用于响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例。
计算模块1003,用于根据至少一个预先配置的安全隐患发生概率及对应的目标对象之间的重叠比例计算对应的目标对象的预测安全隐患发生概率。
确定模块1004,用于根据预测安全隐患发生概率确定对应的目标对象是否存在隐患。
在一种方式中,检测模块1002,在采用已训练至收敛的目标对象检测模型对目标工业场景图像进行目标对象的检测,确定至少一个目标对象之间的重叠比例,以获得至少一个目标对象之间的空间关系时,具体用于:
将目标工业场景图像输入至已训练至收敛的目标对象检测模型中;采用已训练至收敛的目标对象检测模型在目标工业场景图像中识别多个目标对象,并标注空间特征相关信息;空间特征相关信息包含各目标对象的标识、包围各目标对象的矩形框以及各矩形框的位置和长高;将目标工业场景图像中所识别出的任意两个目标对象进行组合,以获得待检测目标对象组合;待检测目标对象组合至少为一个;根据待检测目标对象组合及其对应的空间特征相关信息确定出待检测目标对象组合对应的目标对象之间的重叠比例;根据待检测目标对象组合对应的目标对象之间的重叠比例确定待检测目标对象组合对应的目标对象的之间的空间关系。
在一种方式中,检测模块1002,在根据待检测目标对象组合及其对应的空间特征相关信息确定出待检测目标对象组合对应的目标对象之间的重叠比例时,具体用于:
基于待检测目标对象组合所包含的两个目标对象对应的空间特征相关信息中的矩形框的长高,分别计算待检测目标对象组合所包含的两个目标对象对应的矩形框的面积;根据各矩形框的面积及对应的矩形框的位置确定待检测目标对象组合对应的目标对象之间的重叠比例。
在一种方式中,检测模块1002,在根据待检测目标对象组合对应的目标对象之间的重叠比例确定待检测目标对象组合对应的目标对象的之间的空间关系时,具体用于:
响应于待检测目标对象组合对应的目标对象之间的重叠比例大于或等于第一预设重叠比例,确定待检测目标对象组合对应的目标对象之间的空间关系为覆盖;响应于待检测目标对象组合对应的目标对象之间的重叠比例小于或等于第二预设重叠比例,确定待检测目标对象组合对应的目标对象之间的空间关系为未覆盖;响应于待检测目标对象组合对应的目标对象之间的重叠比例小于第一预设重叠比例且大于第二预设重叠比例,确定待检测目标对象组合对应的目标对象之间的空间关系为部分覆盖。
在一种方式中,在响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例之前,本实施例提供一种工业场景中安全隐患排查装置,还包括:构建模块。
其中,获取模块1001,还用于获取工业场景公开数据集及私有数据集中多个预设对象之间的隐患空间关系;确定模块1004,还用于根据隐患空间关系确定对应的三元组,三元组包括对应的两个预设对象标识及对应隐患空间关系关键词;获取模块1001,还用于获取针对各预设对象之间的隐患空间关系配置的安全隐患发生概率;构建模块,用于基于各预设对象之间的隐患空间关系、三元组及配置的安全隐患发生概率构建隐患空间关系库。
在一种方式中,获取模块1001,在响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例时,具体用于:
基于隐患空间关系库中各预设对象之间的隐患空间关系及对应的三元组确定至少一个目标对象之间的空间关系是否与隐患空间关系库中的任一个预设对象之间的隐患空间关系相匹配;响应于任一个目标对象之间的空间关系与隐患空间关系库中的任一个预设对象之间的隐患空间关系相匹配,确定该目标对象之间的空间关系存在预先配置的安全隐患概率,并获取该目标对象之间的重叠比例。
在一种方式中,计算模块1003,在根据至少一个预先配置的安全隐患发生概率及对应的目标对象之间的重叠比例计算对应的目标对象的预测安全隐患发生概率时,具体用于:
分别计算至少一个预先配置的安全隐患概率及对应的目标对象之间的重叠比例的总和;分别计算总和的平均值,将各平均值作为对应的目标对象的预测安全隐患发生概率。
在一种方式中,确定模块1004,在根据预测安全隐患发生概率确定对应的目标对象是否存在隐患时,具体用于:
响应于预测安全隐患发生概率大于或等于预设安全隐患阈值,确定对应的目标对象存在隐患;响应于预测安全隐患发生概率小于预设安全隐患阈值,确定对应的目标对象不存在隐患。
在一种方式中,在响应于预测安全隐患发生概率大于或等于预设安全隐患阈值,确定对应的目标对象存在隐患之后,本实施例提供一种工业场景安全隐患排查装置,还包括:生成模块和发送模块。
生成模块,用于响应于对应的目标对象存在隐患,生成对应的告警消息,告警消息中包含工业场景图片的空间特征相关信息、存在隐患的目标对象之间的空间关系以及预测安全隐患发生概率;发送模块,用于将告警消息发送至相应的工作人员的终端。
在一种方式中,确定模块1004具体还用于:响应于无目标对象之间的空间关系存在预先配置的安全隐患发生概率,确定目标工业场景图像中包含的所有目标对象不存在隐患。
实施例十一
图11为本申请实施例十一提供的一种电子设备的结构示意图。如图11所示,该电子设备110可以包括:处理器1101,以及与处理器1101通信连接的存储器1102。其中,存储器1102存储计算机执行指令;处理器1101执行存储器1102存储的计算机执行指令,以实现如上述实施例一至实施例九任一个方法实施例,具体实现方式和技术效果类似,这里不再赘述。
其中,本实施例中,存储器1102和处理器1101通过总线连接。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(Peripheral Component Interconnect,简称为PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图11中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
实施例十二
本申请提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如上述实施例一至实施例九任一个方法实施例,具体实现方式和技术效果类似,这里不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
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 (13)
1.一种工业场景中安全隐患排查方法,其特征在于,所述方法包括:
获取目标工业场景图像;
采用已训练至收敛的目标对象检测模型对所述目标工业场景图像进行目标对象的检测,确定至少一个目标对象之间的重叠比例,以获得至少一个目标对象之间的空间关系;
响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例;
根据至少一个预先配置的安全隐患发生概率及对应的目标对象之间的重叠比例计算对应的目标对象的预测安全隐患发生概率;
根据所述预测安全隐患发生概率确定对应的目标对象是否存在隐患。
2.根据权利要求1所述的方法,其特征在于,所述采用已训练至收敛的目标对象检测模型对所述目标工业场景图像进行目标对象的检测,确定至少一个目标对象之间的重叠比例,以获得至少一个目标对象之间的空间关系,包括:
将目标工业场景图像输入至已训练至收敛的目标对象检测模型中;
采用已训练至收敛的目标对象检测模型在所述目标工业场景图像中识别多个目标对象,并标注空间特征相关信息;所述空间特征相关信息包含各目标对象的标识、包围各目标对象的矩形框以及各矩形框的位置和长高;
将目标工业场景图像中所识别出的任意两个目标对象进行组合,以获得待检测目标对象组合;所述待检测目标对象组合至少为一个;
根据所述待检测目标对象组合及其对应的空间特征相关信息空间特征相关信息确定出所述待检测目标对象组合对应的目标对象之间的重叠比例;
根据所述待检测目标对象组合对应的目标对象之间的重叠比例确定所述待检测目标对象组合对应的目标对象的之间的空间关系。
3.根据权利要求2所述的方法,其特征在于,所述根据所述待检测目标对象组合及其对应的空间特征相关信息确定出所述待检测目标对象组合对应的目标对象之间的重叠比例,包括:
基于所述待检测目标对象组合所包含的两个目标对象对应的空间特征相关信息空间特征相关信息中的矩形框的长高,分别计算所述待检测目标对象组合所包含的两个目标对象对应的矩形框的面积;
根据所述各矩形框的面积及对应的矩形框的位置确定所述待检测目标对象组合对应的目标对象之间的重叠比例。
4.根据权利要求2所述的方法,其特征在于,所述根据所述待检测目标对象组合对应的目标对象之间的重叠比例确定所述待检测目标对象组合对应的目标对象的之间的空间关系,包括:
响应于待检测目标对象组合对应的目标对象之间的重叠比例大于或等于第一预设重叠比例,确定所述待检测目标对象组合对应的目标对象之间的空间关系为覆盖;
响应于待检测目标对象组合对应的目标对象之间的重叠比例小于或等于第二预设重叠比例,确定所述待检测目标对象组合对应的目标对象之间的空间关系为未覆盖;
响应于待检测目标对象组合对应的目标对象之间的重叠比例小于第一预设重叠比例且大于第二预设重叠比例,确定所述待检测目标对象组合对应的目标对象之间的空间关系为部分覆盖。
5.根据权利要求1所述的方法,其特征在于,所述响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例之前,还包括:
获取工业场景公开数据集及私有数据集中多个预设对象之间的隐患空间关系;
根据所述隐患空间关系确定对应的三元组,所述三元组包括对应的两个预设对象标识及对应隐患空间关系关键词;
获取针对各预设对象之间的隐患空间关系配置的安全隐患发生概率;
基于各预设对象之间的隐患空间关系、三元组及配置的安全隐患发生概率构建隐患空间关系库。
6.根据权利要求5所述的方法,其特征在于,所述响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例,包括:
基于隐患空间关系库中各预设对象之间的隐患空间关系及对应的三元组确定至少一个目标对象之间的空间关系是否与隐患空间关系库中的任一个预设对象之间的隐患空间关系相匹配;
响应于任一个目标对象之间的空间关系与隐患空间关系库中的任一个预设对象之间的隐患空间关系相匹配,确定该目标对象之间的空间关系存在预先配置的安全隐患概率,并获取该目标对象之间的重叠比例。
7.根据权利要求1所述的方法,其特征在于,所述根据至少一个预先配置的安全隐患发生概率及对应的目标对象之间的重叠比例计算对应的目标对象的预测安全隐患发生概率,包括:
分别计算至少一个预先配置的安全隐患概率及对应的目标对象之间的重叠比例的总和;
分别计算所述总和的平均值,将各所述平均值作为对应的目标对象的预测安全隐患发生概率。
8.根据权利要求1所述的方法,其特征在于,所述根据所述预测安全隐患发生概率确定对应的目标对象是否存在隐患,包括:
响应于所述预测安全隐患发生概率大于或等于预设安全隐患阈值,确定对应的目标对象存在隐患;
响应于所述预测安全隐患发生概率小于预设安全隐患阈值,确定对应的目标对象不存在隐患。
9.根据权利要求7所述的方法,其特征在于,所述响应于所述预测安全隐患发生概率大于或等于预设安全隐患阈值,确定对应的目标对象存在隐患之后,还包括:
响应于对应的目标对象存在隐患,生成对应的告警消息,所述告警消息中包含工业场景图片的空间特征相关信息、存在隐患的目标对象之间的空间关系以及预测安全隐患发生概率;
将所述告警消息发送至相应的工作人员的终端。
10.根据权利要求1-9任一项所述的方法,其特征在于,所述方法还包括:
响应于无目标对象之间的空间关系存在预先配置的安全隐患发生概率,确定所述目标工业场景图像中包含的所有目标对象不存在隐患。
11.一种工业场景中安全隐患排查装置,其特征在于,所述装置包括:
获取模块,用于获取目标工业场景图像;
检测模块,用于已训练至收敛的目标对象检测模型对所述目标工业场景图像进行目标对象的检测,确定至少一个目标对象之间的重叠比例,以获得至少一个目标对象之间的空间关系;
获取模块,还用于响应于至少一个目标对象之间的空间关系存在预先配置的安全隐患发生概率,获取对应的目标对象之间的重叠比例;
计算模块,用于根据至少一个预先配置的安全隐患发生概率及对应的目标对象之间的重叠比例计算对应的目标对象的预测安全隐患发生概率;
确定模块,用于根据所述预测安全隐患发生概率确定对应的目标对象是否存在隐患。
12.一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-10中任一项所述的方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-10中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211336813.9A CN115908895A (zh) | 2022-10-28 | 2022-10-28 | 工业场景中安全隐患排查方法、装置、设备及存储介质 |
PCT/CN2022/133576 WO2024087275A1 (zh) | 2022-10-28 | 2022-11-22 | 工业场景中安全隐患排查方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211336813.9A CN115908895A (zh) | 2022-10-28 | 2022-10-28 | 工业场景中安全隐患排查方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908895A true CN115908895A (zh) | 2023-04-04 |
Family
ID=86495556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211336813.9A Pending CN115908895A (zh) | 2022-10-28 | 2022-10-28 | 工业场景中安全隐患排查方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115908895A (zh) |
WO (1) | WO2024087275A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912758A (zh) * | 2023-06-16 | 2023-10-20 | 北京安信创业信息科技发展有限公司 | 一种用于安全隐患监测的目标图像识别方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711508B (zh) * | 2017-10-25 | 2020-06-05 | 北京京东尚科信息技术有限公司 | 图像处理方法和装置 |
CN112101181A (zh) * | 2020-09-10 | 2020-12-18 | 湖北烽火平安智能消防科技有限公司 | 一种基于深度学习的自动化隐患场景识别方法及系统 |
CN113361637A (zh) * | 2021-06-30 | 2021-09-07 | 杭州东方通信软件技术有限公司 | 基站机房的安全隐患识别方法及装置 |
CN115063739B (zh) * | 2022-06-10 | 2023-06-16 | 嘉洋智慧安全科技(北京)股份有限公司 | 异常行为的检测方法、装置、设备及计算机存储介质 |
-
2022
- 2022-10-28 CN CN202211336813.9A patent/CN115908895A/zh active Pending
- 2022-11-22 WO PCT/CN2022/133576 patent/WO2024087275A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912758A (zh) * | 2023-06-16 | 2023-10-20 | 北京安信创业信息科技发展有限公司 | 一种用于安全隐患监测的目标图像识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2024087275A1 (zh) | 2024-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210216770A1 (en) | Method and system for smart living safety response from control center and savior in view of facility and industrial safety based on extended reality and internet of thing | |
CN109727229A (zh) | 虚焊检测方法及装置 | |
CN115908895A (zh) | 工业场景中安全隐患排查方法、装置、设备及存储介质 | |
CN111988524A (zh) | 一种无人机与摄像头协同避障方法、服务器及存储介质 | |
CN115659452B (zh) | 一种智能巡视方法、智能巡视系统及计算机可读存储介质 | |
CN111881740B (zh) | 人脸识别方法、装置、电子设备及介质 | |
CN107507291B (zh) | 一种可视化巡检管理方法及装置 | |
CN112489351A (zh) | 基于图片识别的学校火灾预警方法 | |
CN113536980A (zh) | 拍摄行为检测方法、装置、电子装置和存储介质 | |
CN112800849A (zh) | 视频监控方法、视频监控装置、电子设备和存储介质 | |
CN115934179A (zh) | 业务功能控制方法及设备 | |
KR20230056006A (ko) | 3차원 모델을 통한 인공지능 기반 안전진단 장치 및 그 방법 | |
CN115758762A (zh) | 电力业务的场景可视化方法及装置 | |
CN113808107B (zh) | 图像推荐方法、装置、电子设备和存储介质 | |
CN113222337B (zh) | 一种远程脆弱性评估方法、装置以及存储介质 | |
CN111476086B (zh) | 烟火识别方法、装置、计算机设备和可读存储介质 | |
CN111696227B (zh) | 一种开锁方法及装置 | |
CN115313618A (zh) | 一种基于ar和5g的变电站远程专家诊断平台和诊断方法 | |
CN115185792A (zh) | 故障硬件处理方法、装置和系统 | |
WO2022041212A1 (zh) | 一种火源位置指示方法、相关设备及装置 | |
CN114972500A (zh) | 查验方法、标注方法、系统、装置、终端、设备及介质 | |
CN109785617B (zh) | 交通控制信息的处理方法 | |
CN110874872A (zh) | 一种消防巡检管理方法和系统 | |
KR102585650B1 (ko) | 원자력발전소의 전기설비 관리 방법 및 시스템 | |
CN112422949A (zh) | 一种摄像头视角变换的检测方法及装置 |
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 |