[發(fā)明專利]一種監(jiān)測工人安全帽佩戴的方法及裝置

有效

• 申請?zhí)枺?/td>: 201810214216.6
• 申請日: 2018-03-15
• 公開（公告）號: CN108304831B
• 公開（公告）日: 2022-03-22
• 發(fā)明（設(shè)計）人: 陳子韜;吳梓杰;馮忠倫;楊淑伶;江思敏
• 申請（專利權(quán)）人: 廣東工業(yè)大學
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/26;G06K9/62;G06N3/04;G06V10/774
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 張春水;唐京橋

本發(fā)明提供了一種監(jiān)測工人安全帽佩戴的方法及裝置，其中方法包括：獲取攝像頭采集的視頻文件；將視頻文件逐幀轉(zhuǎn)換為RGB圖像；通過已訓練的二分支多級卷積神經(jīng)網(wǎng)絡(luò)得到RGB圖像中人體鼻骨的坐標；將RGB圖像依次輸入至已訓練的Mask?RCNN中，對RGB圖像中的安全帽進行實例分割，得到已訓練的Mask?RCNN輸出的對應RGB圖像中安全帽部分的二值掩膜；根據(jù)RGB圖像中安全帽部分的二值掩膜，通過預置第一公式和預置第二公式計算RGB圖像中安全帽的質(zhì)心坐標；根據(jù)人體鼻骨的坐標與安全帽的質(zhì)心坐標，通過預置第三公式計算人體鼻骨與安全帽的歐幾里得距離D；判斷歐幾里得距離D是否大于預設(shè)距離閾值，若是，則工人工作時未正確佩戴安全帽，若否，則工人工作時正確佩戴安全帽。

技術(shù)領(lǐng)域

本發(fā)明涉及機器視覺技術(shù)領(lǐng)域，尤其涉及一種監(jiān)測工人安全帽佩戴的方法及裝置。

背景技術(shù)

當下，針對農(nóng)民工的安全問題頻發(fā)，傳統(tǒng)人工監(jiān)控的方式，監(jiān)管者的責任心問題是此類安全問題的關(guān)鍵。此外，人工監(jiān)控的誤報和漏報也是固有的缺陷。而人力的成本也是現(xiàn)有的公司考慮的重大因素。

由于工作人員的安全意識不高，或者是由于某些外界因素導致工作人員忘記佩戴安全帽，導致安全事故屢屢發(fā)生，可見，對安全帽的準確檢測，以提醒未佩戴安全帽的工作人員進行佩戴，有利于在一定程度上避免安全事故的發(fā)生。

現(xiàn)有技術(shù)中，對工作人員安全帽佩戴的檢測方法采用數(shù)字視頻檢測系統(tǒng)獲取監(jiān)控視頻，通過對攝像頭采集一定區(qū)域內(nèi)的整體圖像或者當前用戶的整體圖像，再借助一位監(jiān)管人員的進行人工判斷。

由于監(jiān)測的區(qū)域較大，人工從圖像中判斷是否佩戴安全帽，相對來說，一方面依賴于數(shù)字視頻檢測系統(tǒng)的攝像頭的質(zhì)量，另一方面也對監(jiān)管者的責任心和疲勞程度有依賴性，容易導致監(jiān)測不準確，有時無法準確地對用戶是否佩戴安全帽做出判斷，從而無法完全避免因安全帽引發(fā)的安全事故的技術(shù)問題。

發(fā)明內(nèi)容

本發(fā)明提供了一種監(jiān)測工人安全帽佩戴的方法及裝置，解決了由于監(jiān)測的區(qū)域較大，人工從圖像中判斷是否佩戴安全帽，相對來說，一方面依賴于數(shù)字視頻檢測系統(tǒng)的攝像頭的質(zhì)量，另一方面也對監(jiān)管者的責任心和疲勞程度有依賴性，容易導致監(jiān)測不準確，有時無法準確地對用戶是否佩戴安全帽做出判斷，從而無法完全避免因安全帽引發(fā)的安全事故的技術(shù)問題。

本發(fā)明提供了一種監(jiān)測工人安全帽佩戴的方法，包括：

S1、獲取攝像頭采集的視頻文件；

S2、將所述視頻文件逐幀轉(zhuǎn)換為RGB圖像；

S3、通過已訓練的二分支多級卷積神經(jīng)網(wǎng)絡(luò)得到所述RGB圖像中人體鼻骨的坐標；

S4、將所述RGB圖像依次輸入至已訓練的Mask-RCNN中，對所述RGB圖像中的安全帽進行實例分割，得到已訓練的Mask-RCNN輸出的對應所述RGB圖像中安全帽部分的二值掩膜；

S5、根據(jù)所述RGB圖像中安全帽部分的二值掩膜，通過預置第一公式和預置第二公式計算所述RGB圖像中安全帽的質(zhì)心坐標；

S6、根據(jù)所述人體鼻骨的坐標與所述安全帽的質(zhì)心坐標，通過預置第三公式計算所述人體鼻骨與所述安全帽的歐幾里得距離D；

S7、判斷所述歐幾里得距離D是否大于預設(shè)距離閾值，若是，則工人工作時未正確佩戴安全帽，若否，則工人工作時正確佩戴安全帽。

可選地，所述步驟S3具體包括：

通過一個10層的VGG-19卷積神經(jīng)網(wǎng)絡(luò)初始化和調(diào)整所述RGB圖像，得到特征矩陣F；

將所述特征矩陣F輸入至已訓練的二分支多級卷積神經(jīng)網(wǎng)絡(luò)中，得到所述RGB圖像中人體骨骼的全部坐標；