基于深度学习的施工隔离栅栏状态智能检测的方法及系统技术方案

本发明专利技术涉及一种基于深度学习技术实现施工隔离栅栏状态智能检测的方法及系统，包括、从视频监控系统中获取实时图像作为监控图像、建立针对所述的施工隔离栅栏状态进行分类的深度神经网络模型、对施工隔离栅栏进行监控处理操作、对监控图像进行归类并进行状态分类判断、针对所述的施工隔离栅栏发现异常状态启动告警。采用该基于深度学习技术实现施工隔离栅栏状态智能检测的方法及系统，能精确区分施工栅栏正常放置状态与非正常放置状态。当训练好深度神经网络模型后，对施工隔离栅栏的分类检测仅仅需要非迭代的前向运算，能满足实时检测的要求。本发明专利技术提供的施工隔离栅栏状态的智能检测方法运行速度快、检测精度高，因此能保障告警的及时性，能严格防范施工的安全隐患。

【技术实现步骤摘要】
基于深度学习的施工隔离栅栏状态智能检测的方法及系统
本专利技术涉及施工安全防范领域，尤其涉及智能监测领域，具体是指一种基于深度学习技术的实现施工隔离栅栏状态的智能检测的方法及系统。
技术介绍
在一些维修施工过程中，通常要放置施工隔离栅栏将施工场地隔离开来，以警示非相关人员远离施工场地，从而避免引起安全事故。在施工场地如果忘记放置施工隔离栅栏或施工隔离栅栏处于倒地状态，都可能会引起其他值班人员或非相关施工人员闯入施工禁地，极端情况下会引起非常严重的伤亡事故。因此对施工隔离栅栏状态异常检测是施工过程中非常重要的一个环节。依靠人工24小时现场值班看守或远程紧盯屏幕值班看守已经不是一个高效的解决方法。随着图像处理技术和机器视觉技术的发展和应用推广，近年来利用基于机器视觉技术的智能视频分析系统已经应用到视频异常事件检测中。但由于在的视频监控系统中，摄像头的监控景深、光照条件、监控视角往往不是固定不变的，在这种监控情况下基于机器视觉技术的智能视频分析系统对安全隔离栅栏状态的检测往往精度不高，对异常状态的判断会存在很多误判或漏判，对的日常运转还是存在安全隐患。
技术实现思路
本专利技术的目的是克服了上述现有技术的缺点，提供了一种能够基于深度学习技术实现施工隔离栅栏状态智能检测的方法及系统。为了实现上述目的，本专利技术的能够基于深度学习技术实现施工隔离栅栏状态智能检测的方法及系统如下：该基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其主要特点是，包括以下步骤：(1)从视频监控系统中获取实时图像作为监控图像；(2)建立针对所述的施工隔离栅栏状态进行分类的深度神经网络模型；(3)对所述的施工隔离栅栏进行监控处理操作；(4)对所述的监控图像进行归类并进行状态分类判断，如果所述的监控图像中所述的隔离栅栏状态正常，则返回上述步骤(3)，否则继续步骤(5)；(5)针对所述的施工隔离栅栏发现异常状态启动告警。较佳地，所述的步骤(1)具体包括以下步骤：(11)将摄像头调整到施工区域；(12)从监控视频流中实时截取每帧所述的实时图像作为监控图像。较佳地，所述的步骤(2)具体包括以下步骤：(21)收集所述的施工隔离栅栏放置状态的所述的监控图像作为样本图像，并对所述的样本图像进行分类，分为正常放置状态下的样本图像和非正常放置状态下的样本图像；(22)建立专用于所述的施工隔离栅栏的所述的样本图像各个状态分类的深度神经网络模型，并初始化各神经元之间的连接参数；(23)将所述的施工隔离栅栏的监控图像的训练和验证样本输入到所述的深度神经网络模型进行迭代训练；(24)当对所述的验证样本分类精度达到系统预设的阈值或训练达到系统预设的迭代次数后，结束所述的深度神经网络模型的训练；(25)取训练结束后验证误差最小的一次训练参数作为最后结果，保存该次相应的深度神经网络各神经元之间的连接参数作为最终的所述的施工隔离栅栏状态分类的所述的深度神经网络模型。更佳地，所述的步骤(21)具体包括：收集所述的施工隔离栅栏所述的正常放置状态下的样本图像，并将此状态的图像标注为第一类别；收集所述的施工隔离栅栏缺失状态下的样本图像，并将此状态的图像标注为第二类别；收集所述的施工隔离栅栏倒下状态下的样本图像，并将此状态的图像标注为第三类别；其中，各类别中的样本都不少于2000幅图像，而且属于同一类别中的图像需要覆盖有不同视角、不同尺度、不同光照、不同程度遮挡条件下的监控图像样本。更佳地，所述的步骤(22)中所述的深度神经网络模型的输入为与所述的样本图像采集分类的种类数量相同的通道的彩色图像，且该样本图像的分辨率不低于256像素×256像素；该深度神经网络模型的输出为与所述的样本图像采集分类的种类数量相同的分类，表示将所述的输入图像分类为所述的施工隔离栅栏的各个状态所对应的各个分类。更佳地，所述的深度神经网络模型的输入输出样本图像各分为3类。更佳地，所述的深度神经网络模型的中间层采用多层卷积神经网络。更佳地，所述的步骤(23)，包括以下步骤：(231)将所述的施工隔离栅栏的监控图像的训练和验证样本输入到专门的所述的深度神经网络模型进行迭代训练；(232)从收集的样本图像中随机抽取小于30％的样本作为验证样本，抽取验证样本采样后的剩余量的样本作为训练样本输入到所述的深度神经网络模型的输入层；(233)经过前向运算得到输出结果，将输出结果与实际值的误差进行反向传播BP算法运算，更新各神经元之间的连接参数。更进一步地，所述的步骤(232)中，从收集的所述的样本图像中随机抽取20％的样本作为验证样本，抽取80％的所述的样本作为训练样本。较佳地，所述的步骤(3)具体包括以下步骤：(31)针对视频监控系统中的每一个摄像头均建立相应的施工隔离栅栏状态分类的所述的深度神经网络模型；(32)将所述的监控图像输入到所述的深度神经网络模型。较佳地，所述的步骤(4)具体包括以下步骤：(41)对所述的输入到所述的深度神经网络模型的所述的监控图像，进行一次前向运算；(42)输出所述的监控图像的栅栏状态的分类结果，若分类结果为隔离栅栏状态正常状态，则返回上述步骤(3)，否则继续步骤(5)。本专利技术还涉及一种基于深度学习技术实现施工隔离栅栏状态智能检测的系统，其主要特点是，包括：摄像头，用于拍摄栅栏监控图像；栅栏状态检测程序，所述的栅栏状态检测程序在运行时对从所述的摄像头拍摄的栅栏监控图像进行如下步骤处理：(1)从视频监控系统中获取实时图像作为监控图像；(2)建立针对所述的施工隔离栅栏状态进行分类的深度神经网络模型；(3)对所述的施工隔离栅栏进行监控处理操作；(4)对所述的监控图像进行归类并进行状态分类判断，如果所述的监控图像中所述的隔离栅栏状态正常，则返回上述步骤(3)，否则继续步骤(5)；(5)针对所述的施工隔离栅栏发现异常状态启动告警。较佳地，所述的步骤(1)具体包括以下步骤：(11)将摄像头调整到施工区域；(12)从监控视频流中实时截取每帧所述的实时图像作为监控图像。较佳地，所述的步骤(2)具体包括以下步骤：(21)收集所述的施工隔离栅栏放置状态的所述的监控图像作为样本图像，并对所述的样本图像进行分类，分为正常放置状态下的样本图像和非正常放置状态下的样本图像；(22)建立专用于所述的施工隔离栅栏的所述的样本图像各个状态分类的深度神经网络模型，并初始化各神经元之间的连接参数；(23)将所述的施工隔离栅栏的监控图像的训练和验证样本输入到所述的深度神经网络模型进行迭代训练；(24)当对所述的验证样本分类精度达到系统预设的阈值或训练达到系统预设的迭代次数后，结束所述的深度神经网络模型的训练；(25)取训练结束后验证误差最小的一次训练参数作为最后结果，保存该次相应的深度神经网络各神经元之间的连接参数作为最终的所述的施工隔离栅栏状态分类的所述的深度神经网络模型。更佳地，所述的步骤(21)具体包括：收集所述的施工隔离栅栏所述的正常放置状态下的样本图像，并将此状态的图像标注为第一类别；收集所述的施工隔离栅栏缺失状态下的样本图像，并将此状态的图像标注为第二类别；收集所述的施工隔离栅栏倒下状态下的样本图像，并将此状态的图像标注为第三类别；其中，各类别中的样本都不少于2000幅图像，而且属于同一类别中的图像需要覆盖不同视角本文档来自技高网...

【技术保护点】
1.一种基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的方法包括以下步骤：(1)从视频监控系统中获取实时图像作为监控图像；(2)建立针对所述的施工隔离栅栏状态进行分类的深度神经网络模型；(3)对所述的施工隔离栅栏进行监控处理操作；(4)对所述的监控图像进行归类并进行状态分类判断，如果所述的监控图像中所述的隔离栅栏状态正常，则返回上述步骤(3)，否则继续步骤(5)；(5)针对所述的施工隔离栅栏发现异常状态启动告警。

【技术特征摘要】
1.一种基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的方法包括以下步骤：(1)从视频监控系统中获取实时图像作为监控图像；(2)建立针对所述的施工隔离栅栏状态进行分类的深度神经网络模型；(3)对所述的施工隔离栅栏进行监控处理操作；(4)对所述的监控图像进行归类并进行状态分类判断，如果所述的监控图像中所述的隔离栅栏状态正常，则返回上述步骤(3)，否则继续步骤(5)；(5)针对所述的施工隔离栅栏发现异常状态启动告警。2.根据权利要求1所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的步骤(1)具体包括以下步骤：(11)将摄像头调整到施工区域；(12)从监控视频流中实时截取每帧所述的实时图像作为监控图像。3.根据权利要求1所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的步骤(2)具体包括以下步骤：(21)收集所述的施工隔离栅栏放置状态的所述的监控图像作为样本图像，并对所述的样本图像进行分类，分为正常放置状态下的样本图像和非正常放置状态下的样本图像；(22)建立专用于所述的施工隔离栅栏的所述的样本图像各个状态分类的深度神经网络模型，并初始化各神经元之间的连接参数；(23)将所述的施工隔离栅栏的监控图像的训练和验证样本输入到所述的深度神经网络模型进行迭代训练；(24)当对所述的验证样本分类精度达到系统预设的阈值或训练达到系统预设的迭代次数后，结束所述的深度神经网络模型的训练；(25)取训练结束后验证误差最小的一次训练参数作为最后结果，保存该次相应的深度神经网络各神经元之间的连接参数作为最终的所述的施工隔离栅栏状态分类的所述的深度神经网络模型。4.根据权利要求3所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的步骤(21)具体包括：收集所述的施工隔离栅栏所述的正常放置状态下的样本图像，并将此状态的图像标注为第一类别；收集所述的施工隔离栅栏缺失状态下的样本图像，并将此状态的图像标注为第二类别；收集所述的施工隔离栅栏倒下状态下的样本图像，并将此状态的图像标注为第三类别；其中，各类别中的样本都不少于2000幅图像，而且属于同一类别中的图像需要覆盖不同视角、不同尺度、不同光照、不同程度遮挡条件下的监控图像样本。5.根据权利要求3所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的步骤(22)中所述的深度神经网络模型的输入为与所述的样本图像采集分类的种类数量相同的通道的彩色图像，且该样本图像的分辨率不低于256像素×256像素；该深度神经网络模型的输出为与所述的样本图像采集分类的种类数量相同的分类，表示将所述的输入图像分类为所述的施工隔离栅栏的各个状态所对应的各个分类。6.根据权利要求5所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的深度神经网络模型的输入输出样本图像各分为3类。7.根据权利要求3或5中任一项所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的深度神经网络模型的中间层采用多层卷积神经网络。8.根据权利要求3所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的步骤(23)，包括以下步骤：(231)将所述的施工隔离栅栏的监控图像的训练和验证样本输入到专门的所述的深度神经网络模型进行迭代训练；(232)从收集的样本图像中随机抽取小于30％的样本作为验证样本，抽取验证样本采样后的剩余量的样本作为训练样本输入到所述的深度神经网络模型的输入层；(233)经过前向运算得到输出结果，将输出结果与实际值的误差进行反向传播BP算法运算，更新各神经元之间的连接参数。9.根据权利要求8所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的步骤(232)中，从收集的所述的样本图像中随机抽取20％的样本作为验证样本，抽取80％的所述的样本作为训练样本。10.根据权利要求1所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的步骤(3)具体包括以下步骤：(31)针对视频监控系统中的每一个摄像头均建立相应的施工隔离栅栏状态分类的所述的深度神经网络模型；(32)将所述的监控图像输入到所述的深度神经网络模型。11.根据权利要求1所述的基于深度学习技术实现施工隔离栅栏状态智能检测的方法，其特征在于，所述的步骤(4)具体包括以下步骤：(41)对所述的输入到所述的深度神经网络模型的所述的监控图像，进行一次前向运算；(42)输出所述的监控图像的栅栏状态的分类结果，若分类结果为隔离栅栏状态正常状态，则返回上述步骤(3)，否则继续步骤(5)。12.一种基于深度学习技术实现施工隔离栅栏状态智能检测的系统，其特征在于，...

【专利技术属性】
技术研发人员：季昆玉，贾俊，陆杰，侯卫东，
申请(专利权)人：国网江苏省电力公司泰州供电公司，赛特斯信息科技股份有限公司，
类型：发明
国别省市：江苏,32