[發(fā)明專利]基于神經(jīng)網(wǎng)的工地人員異常行為實(shí)時(shí)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011427696.8
• 申請(qǐng)日: 2020-12-09
• 公開（公告）號(hào): CN112560627A
• 公開（公告）日: 2021-03-26
• 發(fā)明（設(shè)計(jì)）人: 田青;張華;張正
• 申請(qǐng)（專利權(quán)）人: 江蘇集萃未來城市應(yīng)用技術(shù)研究所有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/32;G06N3/04;G06N3/08;G06N5/04
• 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

一種基于神經(jīng)網(wǎng)的工地人員異常行為實(shí)時(shí)檢測(cè)方法，步驟包括：1)在工地現(xiàn)場(chǎng)部署攝像機(jī)，用于采集人員圖像信息；獲取工地現(xiàn)場(chǎng)攝像機(jī)視頻信流，并截取單幀圖片；2)按照預(yù)先設(shè)定的輸入圖像的尺寸要求，改變輸入圖像大小；3)采用編碼器?解碼器架構(gòu)神經(jīng)網(wǎng)絡(luò)對(duì)經(jīng)過步驟2)處理的圖像進(jìn)行處理，生成不同的尺度下的特征映射圖；4)基于不同尺度下的特征映射圖，獲取不同尺寸目標(biāo)的位置區(qū)域；5)過濾虛警檢測(cè)；6)根據(jù)感興趣目標(biāo)的存在狀態(tài)，推斷異常行為是否發(fā)生；7)輸出異常行為實(shí)時(shí)檢測(cè)結(jié)果。本發(fā)明采用物聯(lián)網(wǎng)、機(jī)器學(xué)習(xí)及區(qū)塊鏈技術(shù)達(dá)到提升工地管理智能化、透明化程度的效果，解決工地管理難度大的問題。

技術(shù)領(lǐng)域

本技術(shù)方案是計(jì)算機(jī)技術(shù)在安監(jiān)場(chǎng)景中的應(yīng)用技術(shù)，具體是一種人員異常行為的實(shí)時(shí)檢測(cè)方法，具體是該方法在工地場(chǎng)景的應(yīng)用，本實(shí)時(shí)檢測(cè)方法采用編碼器-解碼器架構(gòu)神經(jīng)網(wǎng)絡(luò)。

背景技術(shù)

傳統(tǒng)工地管理面臨建筑工地環(huán)境復(fù)雜、從業(yè)人員管理難、事故多發(fā)且調(diào)查取證難、項(xiàng)目安全管理難等問題。

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)防安全事故來說，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

為了解決上述技術(shù)問題，發(fā)明提出一種基于神經(jīng)網(wǎng)的工地人員異常行為實(shí)時(shí)檢測(cè)方法，步驟包括：

1)在工地現(xiàn)場(chǎng)部署攝像機(jī)，用于采集人員圖像信息；獲取工地現(xiàn)場(chǎng)攝像機(jī)視頻信流，并截取單幀圖片；

2)按照預(yù)先設(shè)定的輸入圖像的尺寸要求，改變輸入圖像大小(采用resize函數(shù)，常見的插值算法有：最近鄰、雙線性、雙三次、基于像素區(qū)域關(guān)系以及蘭索斯插值算法)；其特征是步驟還包括：

3)采用編碼器-解碼器架構(gòu)神經(jīng)網(wǎng)絡(luò)對(duì)經(jīng)過步驟2)處理的圖像進(jìn)行處理，生成不同的尺度下的特征映射圖；

所述編碼器-解碼器架構(gòu)神經(jīng)網(wǎng)絡(luò)的構(gòu)建方法為：

首先基于多分支卷積模塊，生成不同的尺度下的特征映射圖；

然后構(gòu)建一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，為編碼器-解碼器架構(gòu)；其中編碼器提取語義和細(xì)節(jié)信息，解碼器恢復(fù)特征圖尺寸，獲得最終分割結(jié)果；

最后對(duì)不同分支上的特征進(jìn)行融合，獲得準(zhǔn)確的目標(biāo)分割結(jié)果；

4)基于不同尺度下的特征映射圖，獲取不同尺寸目標(biāo)的位置區(qū)域；不同尺寸目標(biāo)分別為：人體、人臉、手機(jī)、安全帽；

5)過濾虛警檢測(cè)；

6)根據(jù)感興趣目標(biāo)的存在狀態(tài)，推斷異常行為是否發(fā)生；

目標(biāo)的狀態(tài)與異常行為之間的對(duì)應(yīng)關(guān)系為：

若手機(jī)位置與人臉位置很接近，則判斷為打電話，為異常；反之正常；

若安全帽位置與人體位置接近，則判斷為異常；

若安全帽位置與人臉位置很接近，則判斷為正常；反之異常；

7)輸出異常行為實(shí)時(shí)檢測(cè)結(jié)果。

所述步驟3)中，步驟2)得到的圖像送入FPN特征網(wǎng)絡(luò)(特征圖金字塔網(wǎng)絡(luò))中，不同尺度的ROI使用不同特征層作為ROI pooling層的輸入；

對(duì)于輸入圖像中的不同尺寸目標(biāo)的不同特征，利用淺層的特征將簡(jiǎn)單的目標(biāo)的區(qū)分開，利用深層的特征將復(fù)雜的目標(biāo)區(qū)分開；

增加兩個(gè)1024維的輕量級(jí)全連接層，跟上分類器和邊框回歸；對(duì)檢測(cè)到的各個(gè)目標(biāo)形成一個(gè)邊界框即Boundingbox，返回檢測(cè)到目標(biāo)的位置信息，位置信息包括邊界框四個(gè)頂點(diǎn)的坐標(biāo)信息；