[發(fā)明專利]一種面向工人違規(guī)使用手機(jī)的深度視覺手機(jī)檢測(cè)系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011338027.3
• 申請(qǐng)日: 2020-11-25
• 公開（公告）號(hào): CN112435240B
• 公開（公告）日: 2022-05-24
• 發(fā)明（設(shè)計(jì)）人: 仝淑貞;田青;張華;魏煊
• 申請(qǐng)（專利權(quán)）人: 江蘇集萃未來(lái)城市應(yīng)用技術(shù)研究所有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06N3/04;G06N3/08
• 代理公司: 南京科闊知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32400
• 代理人: 蘇興建

一種面向工人違規(guī)使用手機(jī)的深度視覺手機(jī)檢測(cè)系統(tǒng)，包括網(wǎng)絡(luò)攝像頭、AI網(wǎng)絡(luò)攝像頭、算法服務(wù)器、集中集中管控服務(wù)器以及工地監(jiān)控客戶端；網(wǎng)絡(luò)攝像頭和AI網(wǎng)絡(luò)攝像頭都部署在工地現(xiàn)場(chǎng)；網(wǎng)絡(luò)攝像頭所拍攝的圖片傳入算法服務(wù)器進(jìn)行檢測(cè)，并將檢測(cè)結(jié)果傳入集中管控服務(wù)器；AI網(wǎng)絡(luò)攝像頭直接將拍攝的圖片在本地處理，再傳入集中管控服務(wù)器；在監(jiān)控客戶端上得到來(lái)自網(wǎng)絡(luò)攝像頭是實(shí)時(shí)檢測(cè)結(jié)果以及來(lái)AI網(wǎng)絡(luò)攝像頭的自違規(guī)的記錄情況。本技術(shù)方案的提出的檢測(cè)系統(tǒng)，采用針對(duì)打手機(jī)的智能識(shí)別算法，節(jié)約監(jiān)督人員人力成本，提高監(jiān)督效率，覆蓋更廣的監(jiān)督范圍，更能精確的監(jiān)控到工地工人作業(yè)時(shí)使用手機(jī)行為，加強(qiáng)安全管控。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于圖像處理的人體行為檢測(cè)系統(tǒng)，主要基于人工智能技術(shù)領(lǐng)域中的深度學(xué)習(xí)技術(shù)的應(yīng)用。

背景技術(shù)

隨著手機(jī)使用的普及，工地工人進(jìn)行作業(yè)時(shí)使用手機(jī)，會(huì)增加安全事故發(fā)生的可能性。而依靠人員監(jiān)督難以起到實(shí)時(shí)的監(jiān)督作用，如果采用事后監(jiān)控視頻進(jìn)行檢查，也需要大量的人力和時(shí)間成本，而且對(duì)預(yù)防安全事故來(lái)說(shuō)，其效果遠(yuǎn)不如即時(shí)發(fā)現(xiàn)、即時(shí)處理。

發(fā)明內(nèi)容

如果把圖像識(shí)別技術(shù)應(yīng)用于施工現(xiàn)場(chǎng)的手機(jī)異常使用監(jiān)督，則可大大降低人力成本以及提高監(jiān)督效果。本方案提出一種面向工人違規(guī)使用手機(jī)的深度視覺手機(jī)檢測(cè)系統(tǒng)，包括網(wǎng)絡(luò)攝像頭、AI網(wǎng)絡(luò)攝像頭、算法服務(wù)器、集中集中管控服務(wù)器以及工地監(jiān)控客戶端；

網(wǎng)絡(luò)攝像頭和AI網(wǎng)絡(luò)攝像頭都部署在工地現(xiàn)場(chǎng)；網(wǎng)絡(luò)攝像頭所拍攝的圖片傳入算法服務(wù)器進(jìn)行檢測(cè)，并將檢測(cè)結(jié)果傳入集中管控服務(wù)器；AI網(wǎng)絡(luò)攝像頭直接將拍攝的圖片在本地處理，再傳入集中管控服務(wù)器；

在監(jiān)控客戶端上得到來(lái)自網(wǎng)絡(luò)攝像頭是實(shí)時(shí)檢測(cè)結(jié)果以及來(lái)AI網(wǎng)絡(luò)攝像頭的自違規(guī)的記錄情況；

所述算法服務(wù)器的檢測(cè)步驟包括：

1)獲取攝像機(jī)視頻信流，并截取單幀圖片；

2)對(duì)圖片進(jìn)行HSV增強(qiáng)；

3)使用coco數(shù)據(jù)集訓(xùn)練YOLOv5網(wǎng)絡(luò)；

設(shè)置參數(shù)：

為了在精度允許范圍內(nèi)降低網(wǎng)絡(luò)的運(yùn)算量，將網(wǎng)絡(luò)的深度和寬度乘對(duì)應(yīng)參數(shù)進(jìn)行縮小，網(wǎng)絡(luò)深度參數(shù)為0.67，網(wǎng)絡(luò)寬度參數(shù)為0.75。并在0.1～10^-8間搜索精度和召回率最佳的學(xué)習(xí)率，最終選取最佳學(xué)習(xí)率learning_rate為0.01；

設(shè)yolov5的損失函數(shù)為：

L＝L_conf+L_cla+L_loc

其中，L_conf為目標(biāo)置信度損失，L_cla為目標(biāo)類別損失，L_loc為目標(biāo)定位損失；

4)用步驟3)訓(xùn)練得到的YOLOv5神經(jīng)網(wǎng)絡(luò)用來(lái)檢測(cè)人體：對(duì)輸入的待測(cè)圖像進(jìn)行檢測(cè)，得到人體的檢測(cè)框；

5)用檢測(cè)框?qū)斎雸D像進(jìn)行裁剪，得到圖像中的人體部分；

6)構(gòu)建Pose-estimation網(wǎng)絡(luò)；

將待輸入網(wǎng)絡(luò)的RGB圖像進(jìn)行預(yù)處理為368×368×3的圖像；把處理后的圖形輸入Pose-estimation網(wǎng)絡(luò)；將圖像分為8×8像素的格子，每個(gè)格子計(jì)算人體的上半身9個(gè)部件的響應(yīng)，并輸出最大響應(yīng)部件作為該位置的人體部件；

7)使用MPII Human Pose數(shù)據(jù)集訓(xùn)練Pose-estimation網(wǎng)絡(luò)，損失函數(shù)為：