CN116092198B - 一种矿用安全帽识别检测方法、装置、设备及介质 - Google Patents

Abstract

本申请实施例提供的一种矿用安全帽识别检测方法、装置、设备及介质，属于煤矿安全生产检测技术领域。该方法包括动态实时采集现场工作人员的图像；根据所述图像识别现场工作人员中是否佩戴安全帽；若未佩戴安全帽，在预设时间段内对所述图像的下一帧图像继续识别是否佩戴安全帽；若未佩戴安全帽，发送报警提示；若佩戴安全帽，则确定前一次识别所述未佩戴安全帽的事件为误判。本申请通过图像识别的方式来自动识别工作人员是否佩戴安全帽的方式可以有效提高佩戴安全帽的意识，降低生产风险，另外通过误判识别，可以有效降低误判报警，降低误报警对生产的影响，提高生产率。

Description

一种矿用安全帽识别检测方法、装置、设备及介质

技术领域

本申请涉及煤矿安全生产检测技术领域，具体而言，涉及一种矿用安全帽识别检测方法、装置、设备及介质。

背景技术

煤炭的安全高效生产对于保障能源安全具有举足轻重的作用。矿井环境十分复杂，矿井深度从几十米到上千米不等，上面压着厚厚的岩层，尽管井下有支架进行支撑，但仍难保证绝对的安全，顶板灾害也是矿井常见灾害之一。头部是人体最关键的部位，因此在几乎每个危险场合，佩戴安全帽以增加对头部的保护都是必需的。目前多是靠工作人员的自觉以及个人安全意识决定是否佩戴安全帽。然而，依然会有少数人不戴安全帽进行工作，这必然会提高生产风险。

因此，如何解决上述问题是目前亟需解决的问题。

发明内容

本申请提供一种矿用安全帽识别检测方法、装置、设备及介质，旨在改善上述问题。

第一方面，本申请提供的一种矿用安全帽识别检测方法，所述方法包括：

动态实时采集现场工作人员的图像；

根据所述图像识别现场工作人员中是否佩戴安全帽；

若未佩戴安全帽，在预设时间段内对所述图像的下一帧图像继续识别是否佩戴安全帽；

若未佩戴安全帽，发送报警提示；

若佩戴安全帽，则确定前一次识别所述未佩戴安全帽的事件为误判。

在一可能的实施例中，所述发送报警提示，包括：

确定当前是否处于报警状态；

若当前未处于报警状态，将当前报警状态置为正在报警。

在一可能的实施例中，所述方法还包括：

若当前正处于报警状态，则不做处理，并获取第一当前时间。

在一可能的实施例中，所述方法还包括：

确定在当前视野中检测不到未戴安全帽时，修改报警状态。

在一可能的实施例中，所述修改报警状态，包括：

若当前正处于报警状态，则将所述报警状态置为未报警，并获取第二当前时间。

在一可能的实施例中，所述将所述报警状态置为未报警，包括：

根据所述第二当前时间与所述第一当前时间将所述报警状态置为未报警。

在一可能的实施例中，所述根据所述第二当前时间与所述第一当前时间将所述报警状态置为未报警，包括：

确定所述第二当前时间与所述第一当前时间的差值是否大于阈值；

若大于所述阈值，将所述报警状态置为未报警；

若小于所述阈值，则不修改所述报警状态。

在一可能的实施例中，对采集的图片信息进行优化处理，并计算图片优化处理时间，同时实时获取采集图像内的工作人员数量与采集时间是否为工作时间段。

在一可能的实施例中，确定阈值时间前，先将所有对识别的主要影响因素设置为集合，主要影响因素包括工作人员工作状态信息与拍摄环境信息，工作人员工作状态信息包括采集图像内的工作人员数量与采集时间是否为工作时间段，拍摄环境信息包括图片优化处理时间；各个主要影响因素分别表示为/>，通过Logistic回归分析方法计算获取校正值，指数表达式为：

式中，C为校正值，Q为常数项，Q为所有细微影响因素系数，/>为变量，/>为各个变量的回归系数；

获取校正值C后，阈值动态调节模块通过校正值重新校正阈值时间，将阈值时间标记为T，T为一个时间区段，其上下限分别为T1和T2，设上下限区间为T0，即T1-T2=T0，则校正阈值时间表达式为：

，调整后的阈值时间为T2+/>。

第二方面，本申请提供的一种矿用安全帽识别检测装置，所述装置包括：

监测模块，用于动态实时采集现场工作人员的图像；

识别模块，用于根据所述图像识别现场工作人员中是否佩戴安全帽；

误判校正模块，用于若未佩戴安全帽，在预设时间段内对所述图像的下一帧图像继续识别是否佩戴安全帽；

报警模块，用于若未佩戴安全帽，发送报警提示；

所述误判校正模块，还用于若佩戴安全帽，则确定前一次识别所述未佩戴安全帽的事件为误判。

第三方面，本申请提供的一种电子设备，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现如第一方面任一项所述的矿用安全帽检测方法。

第四方面，本申请提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理设备运行时执行如第一方面的任一项所述的矿用安全帽检测方法的步骤。

上述本申请提供的一种矿用安全帽识别检测方法、装置、设备及介质，本申请通过动态实时采集现场工作人员的图像；根据所述图像识别现场工作人员中是否佩戴安全帽；若未佩戴安全帽，在预设时间段内对所述图像的下一帧图像继续识别是否佩戴安全帽；若未佩戴安全帽，发送报警提示；若佩戴安全帽，则确定前一次识别所述未佩戴安全帽的事件为误判。从而利用图像识别的方式来自动识别工作人员是否佩戴安全帽的方式可以有效提高佩戴安全帽的意识，降低生产风险，另外通过误判识别，可以有效降低误判报警，降低误报警对生产的影响，提高生产率；

同时，本申请根据数据库获取历史对图片识别需要时长具有影响的各类样本，通过回归分析方法计算获取校正值，当出现主要影响因素时，通过校正值重新校正阈值，从而更精确且实用的判断工作人员是否佩戴安全帽。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请第一实施例提供的一种电子设备的结构示意图；

图2为本申请第二实施例提供的一种矿用安全帽识别检测方法的流程图；

图3为本申请第三实施例提供的一种矿用安全帽识别检测装置的功能模块示意图。

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，下面将结合附图对本申请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做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。

第一实施例：

图1为本申请实施例提供的一种电子设备的结构示意图，在本申请中可以通过图1所示的示意图来描述用于实现本申请实施例的矿用安全帽检测方法、装置的示例的电子设备100。

如图1所示的一种电子设备的结构示意图，电子设备100包括一个或多个处理器102、一个或多个存储装置104、图像采集装置106，这些组件通过总线系统和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备可以具有图1示出的部分组件，也可以具有图1未示出的其他组件和结构。

所述处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制所述电子设备100中的其它组件以执行期望的功能。

应理解，在本申请实施例中的处理器102可以是中央处理单元（centralprocessing unit，CPU），该处理器还可以是其他通用处理器、数字信号处理器（digitalsignal processor，DSP）、专用集成电路（application specific integrated circuit，ASIC）、现成可编程门阵列（field programmable gate array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。

作为一种实施方式，处理器102具体可以为海思SD3403。其中，海思SD3403平台是针对高清/超高清（1080p/4M/5M/4K）IPC产品应用开发的专业SoC芯片，集成了ARM A55四核处理器和神经网络推理引擎，支持多种智能算法应用，神经网络加速引擎，算力达4TopsINT8，支持完整的API和工具链。依靠其强大的算力和丰富的接口，可在此平台上进行多个检测算法模型的迁移，同时使用该平台下的模型压缩工具，可实现模型的量化，从而加快模型推理速度，实现算法优化。

所述存储装置104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质。

应理解，本申请实施例中的存储装置104可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read-only memory，ROM）、可编程只读存储器（programmable ROM，PROM）、可擦除可编程只读存储器（erasable PROM，EPROM）、电可擦除可编程只读存储器（electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（random access memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（random accessmemory，RAM）可用，例如静态随机存取存储器（static RAM，SRAM）、动态随机存取存储器（DRAM）、同步动态随机存取存储器（synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（double data rate SDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（direct rambus RAM，DR RAM）。

其中，在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行所述程序指令，以实现下文所述的本申请实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。

所述图像采集装置106可以是用来采集现场工作人员的图像/视频的装置，并且可以包括单目摄像头、双目摄像头或其他规格的摄像头等中的一个或多个。

第二实施例：

参照图2所示的一种矿用安全帽识别检测方法的流程图，该方法具体包括如下步骤：

步骤S201，动态实时采集现场工作人员的图像。

可选地，图像也可以是图片，也可以是视频流，在此，不作具体限定。

步骤S202，根据所述图像识别现场工作人员中是否佩戴安全帽。

作为一种实施方式，预先对安全帽佩戴/未佩戴图片进行训练时，会分别给两种情况进行赋值，例如戴安全帽时的情况为0，未佩戴安全帽的情况为1。使用该模型对输入的图片或视频进行预测，根据机器学习得到的权重，输出预测结果（0或1），以通过该结果来判断是否戴安全帽；无需设置对比参数或对比模型。

需要说明的是，预处理时，在服务器端基于yolov3和caffe框架对收集到的安全帽佩戴/未佩戴图片进行训练，得到prototxt文件和caffemodel文件。根据待预测对象的格式（yuv420SP或RGB等）及训练时的预处理操作，编写配置代码，使其转成SD3403平台支持的om模型，此时的om模型已可部署至平台，以通过该om模型进行识别。

也就是说，步骤S202的具体实现方式可以为：将图像输入预训练的om模型，以通过om模型输出的结果来判断现场工作人员中是否佩戴安全帽，若识别结果为0，则为戴安全帽，若结果为1，则未佩戴安全帽。

步骤S203，若未佩戴安全帽，在预设时间段内对所述图像的下一帧图像继续识别是否佩戴安全帽。

可选地，预设时间段可以为1~3秒。

在本申请中，通过在识别到有未佩戴安全帽的情况时，通过增加预设时间段的持续识别，若在这段时间内依然识别到未戴安全帽的情况，则判定为确实未戴安全帽，否则视为误判，可以有效降低误判率，提高识别的准确率。

步骤S204，若未佩戴安全帽，发送报警提示。

作为一种实施方式，发送报警提示，包括：确定当前是否处于报警状态；若当前未处于报警状态，将当前报警状态置为正在报警。

在一可能的实施例种，所述方法还包括：若当前正处于报警状态，则不做处理，并获取第一当前时间。

步骤S205，若佩戴安全帽，则确定前一次识别所述未佩戴安全帽的事件为误判。

可以理解的是，前一次识别所述未佩戴安全帽的事件是指步骤S202识别到的未佩戴安全帽的结果。

在一可能的实施例种，所述方法还包括：确定在当前视野中检测不到未戴安全帽时，修改报警状态。

作为一种实施方式，所述修改报警状态，包括：若当前正处于报警状态，则将所述报警状态置为未报警，并获取第二当前时间。

当然，获取第二当前时间可以在设置报警状态之前，即：若当前正处于报警状态，获取第二当前时间，将所述报警状态置为未报警。

可选地，所述将所述报警状态置为未报警，包括：根据所述第二当前时间与所述第一当前时间将所述报警状态置为未报警。

可选地，所述根据所述第二当前时间与所述第一当前时间将所述报警状态置为未报警，包括：确定所述第二当前时间与所述第一当前时间的差值是否大于阈值；若大于所述阈值，将所述报警状态置为未报警；若小于所述阈值，则不修改所述报警状态。

可选地，阈值可以为1~3秒。

可以理解的是，在本申请中，通过确定所述第二当前时间与所述第一当前时间的差值是否大于阈值，若大于所述阈值，将所述报警状态置为未报警；若小于所述阈值，则不修改所述报警状态，从而可以进一步降低误判率。举例来说，假设在某一帧，有人未戴安全帽，但模型未能检测出来，则会在此时发出取消报警的命令，这就属于误判；但如果给程序一段时间，使之继续识别，那模型就能在这段时间里持续识别，总有一帧能识别到，进而提高识别的准确率。

第三实施例：

参见图3所示的一种矿用安全帽识别检测装置，该矿用安全帽检测装置400包括：监测模块410、识别模块420、误判校正模块430和报警模块440。其中，各个模块的具体功能如下：

监测模块410，用于动态实时采集现场工作人员的图像；

识别模块420，用于根据所述图像识别现场工作人员中是否佩戴安全帽；

误判校正模块430，用于若未佩戴安全帽，在预设时间段内对所述图像的下一帧图像继续识别是否佩戴安全帽；

报警模块440，用于若未佩戴安全帽，发送报警提示；

所述误判校正模块430，还用于若佩戴安全帽，则确定前一次识别所述未佩戴安全帽的事件为误判。

可选地，报警模块440，具体用于若未佩戴安全帽，确定当前是否处于报警状态；若当前未处于报警状态，将当前报警状态置为正在报警。

在一可能的实施例中，该矿用安全帽检测装置400，还包括：第二监测模块。该第二监测模块，用于确定在当前视野中检测不到未戴安全帽时，修改报警状态。

可选地，该第二监测模块，具体用于确定在当前视野中检测不到未戴安全帽时，若当前正处于报警状态，则将所述报警状态置为未报警，并获取第二当前时间。

可选地，该第二监测模块，具体用于确定在当前视野中检测不到未戴安全帽时，若当前正处于报警状态，根据所述第二当前时间与所述第一当前时间将所述报警状态置为未报警。

可选地，该第二监测模块，具体用于确定在当前视野中检测不到未戴安全帽时，若当前正处于报警状态，确定所述第二当前时间与所述第一当前时间的差值是否大于阈值；若大于所述阈值，将所述报警状态置为未报警；若小于所述阈值，则不修改所述报警状态。

进一步，本实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理设备运行时执行上述实施例二提供的任一项矿用安全帽检测方法的步骤。

第四实施例：

本发明实施例四与上述实施例的区别在于，上述实施例对于工作人员是否佩戴安全帽进行了多重校验，大大降低了一次采集图像判断带来的误判率。但在实际判断过程中，在不同的环境下识别判断的精确度不同，佩戴安全帽的重要性也不同，上述实施例中仅描述了预设一段阈值时间来增加识别准确率进一步降低误判率，并未详细阐述不同场合下的阈值时间如何安排，从而不能针对性的解决不同场景下安全帽的佩戴安全性问题。

具体的，对于模型检测来说，所检测的时间越长，其准确率越高，但若设置过长的检测时间，则会大大降低检测效率，影响作业，因此，需要多方面综合分析检测场景，确定阈值时间。

影响检测的因素主要包括工作状态与拍摄环境两个方面。

对于工作状态来说，其包括工作人员数量值以及工作时间状态值；对于拍摄环境来说，其受矿内光线、灰尘等环境影响因素影响。

因此，本实施例中，主要对预设时间的动态调节做进一步说明，方案如下：

在步骤S202中，监测模块对采集的图片信息进行优化处理，由于采集图片的过程中，可能会遭受抖动，光线较暗，扬尘较大等现象导致拍摄效果不好，因此，监测模块对不良拍摄环境下的模糊图片将可见光数据和红外数据叠加，实现在设备感知成像层面提高图片质量，并采用AI算法对图片信息进行实时处理，包括去噪处理、低照度增强技术提高图片成像质量，得到高质量、高清晰度的图片数据，以便于提高后续识别的准确性。

需要说明的是，利用AI算法对图片信息进行降噪等清晰度处理为本领域常规技术，可根据实际需要进行选择相关技术，在此不做技术赘述。同时，虽然图片信息可以通过技术处理使其更清晰，但其主要质量因素仍受环境影响，可以理解的是，当拍摄环境差时，对图片进行技术处理的时间则相应增长，且即便采用技术弥补，仍旧会降低识别的准确性。

因此，图片的处理时间能够反应拍摄环境的好坏。

本发明采集图片处理时长信息来侧面反应拍摄环境的好坏，避免了需要大量设置环境传感器来采集环境参数确定拍摄环境，简便快捷，且更能反应识别图片能力的强弱。

在步骤S205中，确定阈值时间前，先将所有对识别的主要影响因素设置为集合，各个主要影响因素分别表示为/>，通过Logistic回归分析方法计算获取校正值，指数表达式为：

式中，C为校正值，Q为常数项，其代表所有具有代表性的主要影响因素不存在时所需调节的幅度，即且Q为所有细微影响因素系数，为变量（主要影响因素个数），/>为各个变量的回归系数。

根据上述公式，计算校正值如下表1所示：

本实施例中，回归系数的取值依据主要影响因素对图片识别需要时长的影响来设置，当主要影响因素出现导致图片识别的时长需求提高时，回归系数/>；当主要影响因素出现导致图片识别的时长需求降低时，回归系数/>。

例如，主要影响因素包括但不限于图片的处理时间、工作人员数量值以及工作时间状态值；图片的处理时间越长，则所需要准确识别图片的时间越长，此时对图片识别的时长需求提高；工作人员数量值是指，拍摄镜头里的人数，人数越多，对图像识别的难度越大，则所需要准确识别图片的时间越长，此时对图片识别的时长需求提高；工作时间状态值是指是否在工作时间段内识别，在工作时间段内的工作人员其作业时间较长，此时需要准确判断其是否佩戴安全帽，即识别精确度的重要性提高，此时所需要准确识别图片的时间越长，此时对图片识别的时长需求提高。

需要说明的是，由于本发明采用Logistic回归分析，因此，需要设置图片的处理时间与工作人员数量值的标准阈值，当图片的处理时间大于对应标准阈值时，取1表示，否则取0，工作人员数量值与之相同。

另外，由于本发明对于主要因素的选择包括但不限于图片的处理时间、工作人员数量值以及工作时间状态值，实际情况下，若需要考虑的主要因素增多（例如大于3个），则Logistic回归方程表达式则如下所示：式中，为变量（主要影响因素个数），/>为各个变量的回归系数，n为主要影响因素的数量，且n为大于等于1的正整数。

本发明使用时校正值C的逻辑因素组成：以主要影响因素对图片识别需要时长的影响为例，一是指标，即导致图片识别需要时长改变的因素（本发明指工作状态与拍摄环境对图片识别需要时长的影响）；二是这些指标的权重，即每一种主要影响因素所占的比重；三是运算方程式，即通过什么样的数学运算过程得出结果，将具有各自权重的指标通过运算方程式的运算所得出的校正值C。

对样本中获取的特殊环境进行数据转化和处理，转化成电脑软件可以识别的数据语言；其次，将这些评估因素运用SPSS软件进行Logistic回归分析，筛选出与结果具有重要相关性的因素及其权重；再次，将评估因素和权重带入Logistic回归方程进行运算，从而得出结果。

Q为常数项，且Q为所有细微影响因素系数具体含义为：本申请中所采集的主要影响因素为代表性的影响因素，这些主要影响因素对图片识别需要时长的影响大，但是，本申请在实际的使用过程中，还存在其它不具有代表性的细微影响因素（如拍摄设备待机时间等等）也会对图片识别需要时长造成影响，该影响较小，因此，通过设定常数项Q对Logistic回归分析方法进行修正，当具有代表性的主要影响因素不存在时，通过常数项Q确定校正值C。

获取校正值C后，阈值动态调节模块通过校正值重新校正阈值时间，将阈值时间标记为T，T为一个时间区段，其上下限分别为T1和T2，设上下限区间为T0，即T1-T2=T0，则校正阈值时间表达式为：

，调整后的阈值时间为T2+/>。

例如，校正值C为0.8，阈值时间上下限为3s和1s，则T0=2,=0.8/>2=1.6，则调整后的阈值时间为1+1.6=2.6s。

本申请根据数据库获取历史对图片识别需要时长具有影响的各类样本，通过回归分析方法计算获取校正值，当出现主要影响因素时，通过校正值重新校正阈值，从而更精确且实用的判断工作人员是否佩戴安全帽。

本申请实施例所提供的一种矿用安全帽识别检测方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

需要说明的是，本申请具体可以基于海思SD3403平台和caffe框架，首先在服务器端基于yolov3训练得到caffe框架的安全帽模型和权重文件，以确保程序能识别到人员未佩戴安全帽的情况，根据待测对象的格式和训练时的预处理方式，通过海思平台的模型转换工具对服务器上的模型进行转换，以确保该模型可以在海思SD3403平台上运行。

需要说明的是，上述实施例，可以全部或部分地通过软件、硬件（如电路）、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。

本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b,或c中的至少一项（个），可以表示：a, b, c, a-b, a-c, b-c, 或a-b-c，其中a,b,c可以是单个，也可以是多个。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

Claims (6)

1.一种矿用安全帽识别检测方法，其特征在于，所述方法包括：

动态实时采集现场工作人员的图像；

根据所述图像识别现场工作人员中是否佩戴安全帽；

若未佩戴安全帽，在预设时间段内对所述图像的下一帧图像继续识别是否佩戴安全帽；

若未佩戴安全帽，发送报警提示；

若佩戴安全帽，则确定前一次识别所述未佩戴安全帽的事件为误判；

所述发送报警提示，包括：

确定当前是否处于报警状态；

若当前未处于报警状态，将当前报警状态置为正在报警；

若当前正处于报警状态，则不做处理，并获取第一当前时间；

确定在当前视野中检测不到未戴安全帽时，修改报警状态；

若当前正处于报警状态，则将所述报警状态置为未报警，并获取第二当前时间；

根据所述第二当前时间与所述第一当前时间将所述报警状态置为未报警；

所述根据所述第二当前时间与所述第一当前时间将所述报警状态置为未报警，包括：

确定所述第二当前时间与所述第一当前时间的差值是否大于阈值时间；

若大于所述阈值时间，将所述报警状态置为未报警；

若小于所述阈值时间，则不修改所述报警状态；

在采集现场工作人员的图像时，还获取现场工作人员的工作状态信息与拍摄环境信息，并根据对现场工作人员的工作状态信息与拍摄环境信息对阈值时间进行调整。

2.根据权利要求1所述的方法，其特征在于，对现场工作人员的图像进行优化处理，并计算图片优化处理时间，同时实时获取采集图像内的工作人员数量与采集时间是否为工作时间段。

3.根据权利要求2所述的方法，其特征在于，确定阈值时间前，先将所有对识别的主要影响因素设置为集合，主要影响因素包括工作人员工作状态信息与拍摄环境信息，工作人员工作状态信息包括采集图像内的工作人员数量与采集时间是否为工作时间段，拍摄环境信息包括图片优化处理时间；各个主要影响因素分别表示为/>，通过Logistic回归分析方法计算获取校正值，指数表达式为：

式中，C为校正值，Q为常数项，且Q为所有细微影响因素系数，/>为变量，/>为各个变量的回归系数；

获取校正值C后，阈值动态调节模块通过校正值重新校正阈值时间，将阈值时间标记为T，T为一个时间区段，其上下限分别为T1和T2，设上下限区间为T0，即T1-T2=T0，则校正阈值时间表达式为：

，

调整后的阈值时间为T2+。

4.一种矿用安全帽识别检测装置，其特征在于，所述装置包括：

监测模块，用于动态实时采集现场工作人员的图像；

识别模块，用于根据所述图像识别现场工作人员中是否佩戴安全帽；

误判校正模块，用于若未佩戴安全帽，在预设时间段内对所述图像的下一帧图像继续识别是否佩戴安全帽；

报警模块，用于若未佩戴安全帽，发送报警提示；其中，所述发送报警提示，包括：

确定当前是否处于报警状态；

若当前未处于报警状态，将当前报警状态置为正在报警；

若当前正处于报警状态，则不做处理，并获取第一当前时间；

确定在当前视野中检测不到未戴安全帽时，修改报警状态；

若当前正处于报警状态，则将所述报警状态置为未报警，并获取第二当前时间；

根据所述第二当前时间与所述第一当前时间将所述报警状态置为未报警；

所述根据所述第二当前时间与所述第一当前时间将所述报警状态置为未报警，包括：

确定所述第二当前时间与所述第一当前时间的差值是否大于阈值时间；

若大于所述阈值时间，将所述报警状态置为未报警；

若小于所述阈值时间，则不修改所述报警状态；

在采集现场工作人员的图像时，还获取现场工作人员的工作状态信息与拍摄环境信息，并根据对现场工作人员的工作状态信息与拍摄环境信息对阈值时间进行调整；

所述误判校正模块，还用于若佩戴安全帽，则确定前一次识别所述未佩戴安全帽的事件为误判。

5.一种电子设备，其特征在于，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现如权利要求1至3任一项所述的矿用安全帽识别检测方法。

6.一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上存储有计算机程序，所述计算机程序被处理设备运行时执行如权利要求1-3的任一项所述的矿用安全帽识别检测方法的步骤。