[發明專利]基于施工場所的智能控制系統

在審

• 申請號: 202211613683.9
• 申請日: 2022-12-15
• 公開（公告）號: CN116229345A
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 王永強;龍秋玲;曹軒
• 申請（專利權）人: 深圳市鐵越電氣有限公司
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V20/40;G06V10/94;G06V10/774;G06V10/82
• 代理公司: 深圳市徽正知識產權代理有限公司 44405
• 代理人: 張浩

1.一種基于施工場所的智能控制系統，其特征在于，所述系統包括：采集設備和項目服務器，其中，所述采集設備用于采集項目施工場所的視頻數據，所述視頻數據至少包括安全帽視頻數據、反光背心視頻數據和工服視頻數據中的一種或多種；

所述項目服務器至少包括數據處理模塊、算法訓練模塊和算法管理模塊；所述數據處理模塊用于對視頻數據進行處理，得到目標數據；

所述算法訓練模塊用于根據所述目標數據進行模型訓練；

所述算法管理模塊用于對訓練好的模型進行管理。

2.根據權利要求1所述的系統，其特征在于，所述采集設備包括攝像機標識單元、圖像抓拍單元、網絡傳輸單元和圖片傳輸單元，其中：

所述攝像機標識單元用于區分不同攝像機的標識；

所述圖像抓拍單元用于根據所述算法管理模塊下發的采集任務進行抓拍；

所述網絡傳輸單元用于與數據處理模塊進行通信；

所述圖片傳輸模塊用于通過網絡傳輸單元將所述視頻數據發送至數據處理模塊。

3.根據權利要求2所述的系統，其特征在于，所述網絡傳輸單元為HTTP網絡模塊。

4.根據權利要求1所述的系統，其特征在于，所述數據處理模塊包括：數據挖掘單元、數據過濾單元和數據檢查標注單元；

所述數據挖掘單元用于基于YOLOV5模型進行基于置信度區間的選擇推理，并且生成標簽；

所述數據過濾單元用于通過類別挑選、置信度區間挑選和圖片去重挑選的方法對視頻數據進行處理，得到目標數據；

所述數據檢查標注單元用于利用標注工具對所述目標數據進行標注。

5.根據權利要求4所述的系統，其特征在于，所述數據挖掘單元具體用于：

將所述目標數據縮放至與訓練時設置的圖像尺寸；

將縮放后的圖像輸入至YOLOV5網絡模型中，得到初始預測框；

將所述初始預測框進行非極大值抑制處理后，得到帶有目標框、類別名和置信度的標簽文件。

6.根據權利要求5所述的系統，其特征在于，所述YOLOV5網絡模型包括：主干網絡與特征融合網絡，其中，所述主干網絡為CSPDarkNet，所述特征融合網絡為PANNet；

所述主干網絡用于通過對圖像進行卷積操作進行處理提取出四個不同深度的特征圖；

所述特征融合網絡用于接收主干網絡輸出的四個特征圖進行卷積、拼接等操作進行特征圖的融合，輸出判別依據。

7.根據權利要求4所述的系統，其特征在于，所述數據過濾單元包括類別挑選子單元、置信度區間挑選子單元和圖片去重子單元；

所述類別挑選子單元用于對不同類型的目標數據進行分類存儲；

所述置信度區間挑選子單元用于對不同類型的目標數據進行置信度的篩選，得到篩選后的圖像；

所述圖片去重子單元用于對所述篩選后的圖像進行漢明距離的計算，通過計算值對目標數據進行去重處理。

8.根據權利要求3所述的系統，其特征在于，所述算法訓練模塊包括算法訓練單元和模型上傳單元；

所述算法訓練單元用于將加入了新數據的訓練數據集放到YOLOV5進行訓練；

模型上傳模塊為，將算法訓練模塊中訓練好的模型上傳至算法管理中心。

9.根據權利要求8所述的系統，其特征在于，所述算法訓練單元具體用于：

設置網絡參數，其中，所述網絡參數至少包括初始檢測類別、圖像大小、學習率和優化器中的一種或多種；

對輸入的每一個批次的圖片進行Mosaic數據增強處理，其中，所述數據增強至少包括隨機縮放、隨機裁剪、隨機排布中的一種或多種；

進行自適應錨框的計算，針對不同的數據集，設置初始長寬的錨框；

在網絡模型訓練中，網絡模型在初始錨框的基礎上輸出預測框，和真實框進行比對，計算兩者差距，再反向更新，迭代網絡參數。

10.根據權利要求1所述的系統，其特征在于，所述算法管理模塊包括數據采集任務單元、模型和硬件管理單元和模型下發單元；

所述數據采集任務單元用于對所述采集設備下發采集任務，包括執行時間、每日采集時間區間、采集時間間隔和攝像機圖片算法歸屬；

所述模型和硬件管理單元用于對不同版本、不同算法的網絡模型進行管理，對新上傳的網絡模型進行測試，對所述采集設備進行控制；

所述模型下發單元用于向所述采集設備發送訓練好的網絡模型。