[發明專利]一種智能頭盔及其智能管控方法

在審

• 申請號: 202111454079.1
• 申請日: 2021-12-01
• 公開（公告）號: CN114128950A
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 吳小歡;鐘恒強;戚佳金;金迪;趙中偉
• 申請（專利權）人: 杭州電力設備制造有限公司;浙江工商大學
• 主分類號: A42B3/04
• 分類號: A42B3/04;A42B3/30;H04N5/225;H04N7/18
• 代理公司: 杭州凱知專利代理事務所(普通合伙) 33267
• 代理人: 鄭新軍

1.一種智能頭盔，其特征是，包括嵌入式多核處理組件(3)、耳麥(4)、攝像頭組件(2)、頭盔轉動傳感器(8)、GPS模塊(7)、射頻讀卡芯片(5)、5G通信模塊(6)、鋰電池供電模組(10)和外殼(1)，所述的嵌入式多核處理組件(3)和攝像頭組件(2)均安裝在外殼(1)的前端且均與鋰電池供電模組(10)連接，所述的攝像頭組件(2)置于嵌入式多核處理組件(3)的上方，所述的鋰電池供電模組(10)安裝在外殼(1)內，所述外殼(1)的下邊緣一側設有安裝座(9)，所述耳麥(4)的一端與安裝座(9)轉動連接，所述耳麥(4)的另一端設有麥克風，所述的頭盔轉動傳感器(8)安裝在安裝座(9)上，所述GPS模塊(7)和5G通信模塊(6)均安裝在耳麥(4)上且置于靠近耳麥(4)與安裝座(9)的連接處，所述的射頻讀卡芯片(5)安裝在耳麥(4)上且置于靠近麥克風所在的位置處，所述的耳麥(4)、攝像頭組件(2)、頭盔轉動傳感器(8)、GPS模塊(7)、射頻讀卡芯片(5)和5G通信模塊(6)均與嵌入式多核處理組件(3)連接。

2.根據權利要求1所述的一種智能頭盔，其特征是，所述的嵌入式多核處理組件(3)包括嵌入式多核處理器和大容量內存，所述的嵌入式多核處理器內部集成一個GPU核，GPU核用于圖像數據卷積運算，其他核用于其他數據處理及響應頭盔轉動傳感器(8)信號、無線信號、定位信號并將處理后的數據通過5G通信模塊(6)發送到后臺，所述的大容量內存實時大容量圖像數據處理。

3.根據權利要求1或2所述的一種智能頭盔，其特征是，所述的攝像頭組件(2)包括高清攝像頭和與之配套的LED燈，所述高清攝像頭具備低感光度和夜視功能的變焦鏡頭，實時拍攝高清的目標圖像，目標圖像經過模數信號轉換后傳輸至嵌入式多核處理組件(3)處理。

4.一種智能頭盔的智能管控方法，其特征是，基于云邊端架構、面向帶電作業現場全流程智能管控方法，具體包括如下步驟：

(1)作業人員在手機APP上收到任務工單，到庫房領取智能頭盔一套；

(2)作業人員帶上智能頭盔并且帶上耳麥，啟動智能頭盔電源，智能頭盔程序自動和后臺聯系；

(3)后臺將作業任務清單發送給智能頭盔，智能頭盔將以語音方式通過耳麥

(4)播放給作業人員知悉；

(4)作業人員根據作業任務清單，到庫房領取工器具，領取時，智能頭盔通過射頻讀卡芯片讀取工器具上面的ID，確保工器具型號匹配和出庫登記；

(5)作業人員根據智能頭盔集成的優化的作業導航地圖和語音提示，到作業地點開始作業；在作業時候，智能頭盔上的高清攝像頭會實時拍攝作業現場環境和作業流程；

(6)等作業全部完成后，作業人員通過麥克風發出：“作業完成”語音提示，智能頭盔收到語音后，自動生成作業任務完成清單上報到云臺，同時語音提示作業人員：“作業已完成”，請返回并歸還工器具；

(7)作業人員返回后將借出的工器具歸還，智能頭盔通過射頻讀卡芯片會進行入庫登記到云臺；

(8)作業任務結束。

5.根據權利要求4所述的一種智能頭盔的智能管控方法，其特征是，在步驟(3)中，作業任務清單包括：作業地點、所需工器具、車輛、人員數量以及環境情況。

6.根據權利要求4所述的一種智能頭盔的智能管控方法，其特征是，在步驟(5)中，如果需要對部分設備的作業流程和使用方法進行重點監管，作業人員通過麥克風發出：“目標檢測”語音提示，智能頭盔在收到檢測提示音后，將立即關閉視頻監測錄像功能，自動切換到本地部署的目標檢測程序，檢測出目標設備會上報到云臺，從云臺下載相關目標設備的作業流程規范及使用方法語音資料，以語音提示給作業人員，供作業人員參考；目標檢測完成后，智能頭盔會自動切換到視頻實時監測功能。

7.根據權利要求6所述的一種智能頭盔的智能管控方法，其特征是，在步驟(5)中，智能頭盔提出了一種資源受限條件下基于改進YOLOv5架構的目標檢測算法，該算法的圖像檢測框架采用YOLOv5架構，在YOLOv5骨干網絡BeckBone層使用改進的K-means算法重新設計先驗框尺寸并將其匹配到相應的特征層，從而在解決嵌入式系統硬件資源受限條件下邊界框標注時帶來的偏差、回歸不準確問題的同時，加快了收斂的速度，提高目標檢測的精度，具體的算法流程如下：

(51)假設圖像輸入預測邊界框b和真實邊界框b^g，并且：

b＝(x₁,y₁,x₂,y₂),

其中，括號內的x₁，y₁，x₂，y₂分別對應邊界框b的左邊界x軸的值，上邊界y軸的值，右邊界x軸的值，下邊界y軸的值，以上坐標點均為歸一化值；x^g₁，y^g₁，x^g₂，y^g₂同理可得；

對于預測邊界框b確保x₂x₁，y₂y₁，主要是為了方便之后點的對應關系:

(52)計算b^g的面積:

(53)計算b的面積：A＝(x₂-x₁)×(y₂-y₁)；

(54)計算預測邊界框b和真實邊界框b^g之間的重疊面積f：

(55)找到可以包含預測邊界框b和真實的邊界框b^g的最小邊界框b^c

(56)計算b^c的面積和平衡交換比L_IoU:

(57)計算對于N個樣本的KL散度最小化

其中，KL散度又稱相對熵，是描述兩組概率分布差異的一種方法；D_KL為KL系數，P_g(x)，P_(x)分別為真實邊界框和預測邊界框對應的兩組概率分布；

(58)計算長寬比的一致性u和權衡參數E:

其中，w^g、h^g為真實邊界框的寬度和高度；w、h為預測邊界框的寬度和高度；

(59)計算優化后的平衡交換比L_OIoU：

其中，h(b,b^g)為預測邊界框和真實邊界框的高度差；h^c為最小邊界框的高度，預測邊界框的高度值和真實邊界框的高度值是根據步驟(51)中各自y坐標值相減來獲得，最小邊界框的高度值是根據步驟(55)中y坐標值相減來獲得；

(510)算法最終得到N個樣本的KL散度最小化平衡交換比L_IoU、優化后的平衡交換比L_OIoU，這3個值用于目標檢測算法的特征層面，最終用于提高目標檢測的精度。