[發明專利]一種自動化識別施工中違規使用梯子行為的系統

在審

• 申請號: 202010868308.3
• 申請日: 2020-08-26
• 公開（公告）號: CN112131951A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 燕松;姚岳;徐宗標;戰培志;彭鳳強
• 申請（專利權）人: 中通服咨詢設計研究院有限公司;江蘇省通信服務有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 于瀚文;胡建華

本發明提供了一種自動化識別施工中違規使用梯子行為的系統，包括：監測環境布控模塊、圖像處理模塊、深度學習網絡訓練模塊、目標約束模塊、梯上作業檢測模塊和告警模塊，所示系統對自動識別出的違規操作行為截取圖片，并將圖片傳送給監管人員，并通過語音告警通知施工人員，發出告警。本發明與現有的技術相比，可以快速可靠的檢測出使用梯子作業時操作工的違規情況，有利于保障安全生產，且適用于長時間多場景的生產環境。

技術領域

本發明涉及一種自動化識別施工中違規使用梯子行為的系統。

背景技術

在國家大力推崇基建的同時，操作工作業時的安全保障也不容忽視。當操作工在高處作業時就需要借助到梯子等工具，為了保障在梯子上作業時的人身安全，需要在梯子下安排另一個操作工對梯子進行固定，防止由于梯子滑動等原因導致事故的發生。而現實作業中，為了省力方便，一些操作工作業時并未按照如上規定進行操作，為了杜絕這種情況的發生，同時減少監理人員需要時刻在場監督的需求，急需一種可以快速解決梯上作業違規檢測的方法。隨著計算機視覺技術的不斷發展，通過構建深度學習檢測模型可以很好的解決上述問題。

發明內容

發明目的：針對操作工在梯上作業時未按規定處理導致安全事故的問題，本發明提出一種自動化識別施工中違規使用梯子行為的系統，用于現實生產過程中對操作工在梯上作業時行為規范檢測。所述系統包括檢測環境布控模塊、圖像處理模塊、深度學習網絡訓練模塊、目標約束模塊和梯上作業檢測模塊；

術語解釋：yolov3模型是目前應用最廣的目標檢測模型，通過darknet53網絡進行特征提取，結合上采樣等措施實現對大小目標的有效檢測；通道注意力機制來自于senet網絡，主要是學習了通道之間的相關性，篩選出了針對通道的注意力，稍微增加了一點計算量，但是效果比較好。

所述檢測環境布控模塊通過對監測作業區進行攝像機布控，對視野內的操作活動進行檢測，實現監控視頻的傳輸，并在出現違規行為時進行自動語音告警提醒；

所述圖像處理模塊，對出現在攝像機視野內的梯子作業圖片進行收集與標注，利用數據清洗得到樣本圖片，將樣本圖片集合作為神經網絡模型yolov3的訓練集；

所述深度學習網絡訓練模塊利用融合通道注意力機制的神經網絡模型yolov3來學習擬合樣本圖片集合中的樣本圖片，檢測得到梯子與操作工在樣本圖片中的位置信息；

參考文獻：《YOLOv3:An Incremental Improvement》；

所述目標約束模塊通過檢測框的交并比和布控相機多角度信息實現對操作工與梯子在圖像上的關系約束；

所述梯上作業檢測模塊利用訓練好的融合通道注意力機制的神經網絡模型yolov3結合操作工與梯子在圖像上的關系約束實現對在梯子上作業時是否按規定進行操作的檢測。

所述圖像處理模塊對出現在攝像機視野內的梯子作業圖片進行收集，分別人工標注操作工與梯子，同時利用數據清洗去除質量低下、模糊不清的圖片，，得到樣本圖片，將樣本圖片集合作為訓練集進行神經網絡模型yolov3的訓練。

所述加入通道注意力機制的神經網絡模型yolov3的骨干網絡采用darknet53，用于提取圖片細節特征；

神經網絡模型yolov3提取3個不同層的特征圖，大小分別為13*13，26*26，52*52，通過特征圖映射原圖從而進行目標的檢測與分類；

在骨干網絡darket53中加入通道注意力機制，提升模型對圖像特征的提取效果；

神經網絡模型yolov3的損失函數由3部分構成，分別是定位損失、分類損失和置信度損失，定位損失采用的是平方差損失，分類損失和置信度損失采用的是交叉熵損失，計算方式如下：