基于深度学习的工业制造现场安全帽佩戴识别系统和方法技术方案

本发明专利技术涉及图像识别技术领域，特别是涉及基于深度学习的工业制造现场安全帽佩戴识别系统和方法，本系统包括数据采集模块、图像处理标注模块、模型训练模块和实时检测预警模块；基于该系统的方法包括：通过获取施工现场的实时视频数据，对所述实时视频数据进行取流，获取待识别的单帧图像数据输入预先构建的人体头部检测模型，然后基于颜色和形状特征对识别的人体头部信息进行安全帽识别，当识别出人员未佩戴安全帽时，发出报警信息并保留现场数据。通过本系统和方法，能有效解决安全帽佩戴识别效率低和识别效果差的问题，能适用于复杂的工业制造现场。

【技术实现步骤摘要】
基于深度学习的工业制造现场安全帽佩戴识别系统和方法
本专利技术涉及图像识别
，特别是涉及基于深度学习的工业制造现场安全帽佩戴识别系统和方法。
技术介绍
随着安防监控摄像头的普及，各种不同场景下的识别需求也应运而生，尤其是针对人员安全方面的识别需求。在工地和工厂以及其他特定区域，现场经常有掉落物体，从安全的角度出发，所有进场的工作人员都必须佩戴安全帽，需要安检人员巡查或通过安防监控摄像头对该类区域进行24小时地实时监控，但由于点多面广，出现疏漏也在所难免，结果难以令人满意。现有的监控方式大部分是通过人体识别加上安全帽识别的方式进行的安全帽佩戴判断，即先识别画面中有无人体，将整个人体部分的图像裁剪出来，再对上述裁剪后的图像判断是否存在安全帽。例如现有技术中，提出了公开号为CN108460358A，公开日为2018年08月28日的中国专利技术专利文件，该专利文献所公开的技术方案如下：基于视频流数据的安全帽识别方法，包括以下步骤：视频流数据获取；活动目标提取；人体目标匹配；头部定位；安全帽颜色匹配；安全帽规定颜色匹配；安全帽轮廓匹配。上述技术方案在实际使用过程中，会出现以下问题：(1)该方法只能适用于识别精度较高、非常近景的摄像头，针对的目标也必须是一个一个通过。由于工业制造现场的监控摄像头往往布置的离现场设备较远，使得该方案识别效率低，识别效果很不理想，容易出现误识别。(2)在复杂的工业制造现实场景中，人体在视频画面中容易被遮挡，且图像采集装置的角度也对人体识别的精度有很大影响，容易造成误识别和漏检。并且该方案针对“活动目标”进行判断，当工人长时间不动或进行微小移动时，就无法识别到人的问题。当第一步人体识别出现问题，则后续安全帽识别操作则无法进行。(3)人体识别后，通过截取前景图片中Y坐标最大值的30％矩形区域为头肩区域，作为判断安全帽的匹配区，不能准确识别安全帽的范围。最后通过颜色匹配再缩小安全帽区域进行轮廓匹配，提取的色块所在区域也不精确。
技术实现思路
为解决上述技术问题，本专利技术提出了基于深度学习的工业制造现场安全帽佩戴识别系统和方法，能有效解决安全帽佩戴识别效率低和识别效果差的问题，能适用于复杂的工业制造现场。本专利技术是通过采用下述技术方案实现的：基于深度学习的工业制造现场安全帽佩戴识别系统，其特征在于：包括数据采集模块、图像处理标注模块、模型训练模块和实时检测预警模块；所述数据采集模块用于采集原始视频数据；所述图像处理标注模块用于从视频数据中抽取图片数据并标注头部区域作为原始训练集；所述模型训练模块用于构建基于卷积神经网络的人体头部区域识别模型，并根据安全帽颜色和形状特征建立安全帽自动识别算法；所述实时检测预警模块用于根据所构建模型和算法，对实时视频进行检测，当识别出人员未佩戴安全帽时，发出报警信息并保留现场数据。基于深度学习的工业制造现场安全帽佩戴识别系统的方法，其特征在于：包括以下步骤：步骤S1：视频数据采集，数据采集模块通过高清摄像机录制现场视频并上传至管理系统服务器；步骤S2：准备训练数据集，图像处理标注模块对视频数据进行取帧处理和标注工作，得到标注好的图像样本；步骤S3：模型训练，模型训练模块基于预先标注好的图像样本和多层卷积神经网络训练获得人体头部检测模型，依据安全帽颜色和形状特征建立安全帽自动识别算法；步骤S4：实时检测，实时检测预警模块抓取施工现场的实时视频数据，利用建立的人体头部检测模型和安全帽自动识别算法识别安全帽的佩戴情况；若识别出没有佩戴安全帽，则发出报警信息并保留现场数据。所述步骤S3中依据安全帽颜色和形状特征具体指：依据经过人体头部检测模型得到的包含头部区域子图像中的安全帽的颜色特征和形状特征。所述步骤S3中安全帽自动识别算法具体指：a.采取HSV颜色空间模型对头部区域子图像做颜色特征提取，根据安全帽颜色，分割出符合颜色阈值的区域块；b.利用Canny边缘检测技术将图像二值化，再利用圆Hough变换检测图像中是否有圆，若存在圆弧，则判断为佩戴安全帽，若否，则为未佩戴。所述步骤S3中多层卷积神经网络训练获得人体头部检测模型包括前向传播和反向传播两部分，具体包括：S31.进行多层卷积神经网络进行权值的初始化，把标注好的图像样本缩放到固定的预设大小后作为输入数据；S32.经过卷积层、下采样层和全连接层的向前传播得到输出值，然后求出网络的输出值与目标值之间的误差；S33.判断误差是否在允许范围之内，若是，则进入步骤S35，若否，进入步骤S34；S34.进行反向传播，依次求得全连接层、下采样层和卷积层的误差，并计算误差梯度，更新权值后进入步骤S32；S35.结束。所述步骤S2中准备训练数据集具体包括：步骤S21：将历史视频数据分割成以帧为单位流视频数据并存储为图片作为原始数据集；步骤S22：对每张图片标注出人体头部像素区域，从而获取训练数据集。所述步骤S21中存储为图片，进行筛选后再作为原始数据集。与现有技术相比，本专利技术的有益效果表现在：1、本专利技术提供了一种基于深度学习的工业制造现场安全帽佩戴识别系统，通过构建基于卷积神经网络的人体头部区域识别模型，不需要进行人体识别，直接实现精确的人体头部识别，使得下一步的安全帽识别范围更加准确。使得在现实复杂的工业制造场景中，不会因为人体在视频画面中被遮挡，或者图像采集装置的角度的不适合，就造成误识别和漏检。本系统能提高安防视频监控的通用性和稳定性，能有效解决准确性不高的问题。2、本专利技术提供了一种基于深度学习的工业制造现场安全帽佩戴识别系统的方法，通过获取施工现场的实时视频数据，对所述实时视频数据进行取流，获取待识别的单帧图像数据输入预先构建的人体头部检测模型，其中，所述的人体头部检测模型基于预先标注的图像样本和多层卷积神经网络训练获得；然后基于颜色和形状特征对识别的人体头部信息进行安全帽识别，当存在头部未佩戴安全帽的人体时，将当前识别并标记后的视频流数据保存后发送给客户端，使与客户端对应的监督人员及时定位该人体的位置，可以告知未佩戴安全帽的工作人员及时佩戴安全帽，从而保障生命安全。实现了监控视频中危险区域的智能化报警，能够持续有效的监控指定区域，防止人员未佩戴安全帽造成安全事故。3、本专利技术中对于安全帽的识别是针对包含头部区域的子图像进行的进一步的识别操作，得到的识别结果更加准确。4、安全帽自动识别算法中，先利用HSV颜色空间模型进行颜色提取，颜色能精确识别，使得区域块的分割也更加准确，再准确利用Canny边缘检测技术进行边缘检测，使得安全帽的检测结果更加准确。5、本专利技术中，利用该神经网络训练方法，能有效解决针对复杂场景和小目标的误差大的问题，也能解决样本不均衡和样本量较少的问题。把标注好的图像样本缩放到固定的预设大小后作为输入数据，能解决模型在处理不同尺寸大小的图像时，得到的结果出现差异的问题，能更加准确的确定待识别人体的图像的本文档来自技高网...

【技术保护点】
1.基于深度学习的工业制造现场安全帽佩戴识别系统，其特征在于：包括数据采集模块、图像处理标注模块、模型训练模块和实时检测预警模块；所述数据采集模块用于采集原始视频数据；所述图像处理标注模块用于从视频数据中抽取图片数据并标注头部区域作为原始训练集；所述模型训练模块用于构建基于卷积神经网络的人体头部区域识别模型，并根据安全帽颜色和形状特征建立安全帽自动识别算法；所述实时检测预警模块用于根据所构建模型和算法，对实时视频进行检测，当识别出人员未佩戴安全帽时，发出报警信息并保留现场数据。/n

【技术特征摘要】
1.基于深度学习的工业制造现场安全帽佩戴识别系统，其特征在于：包括数据采集模块、图像处理标注模块、模型训练模块和实时检测预警模块；所述数据采集模块用于采集原始视频数据；所述图像处理标注模块用于从视频数据中抽取图片数据并标注头部区域作为原始训练集；所述模型训练模块用于构建基于卷积神经网络的人体头部区域识别模型，并根据安全帽颜色和形状特征建立安全帽自动识别算法；所述实时检测预警模块用于根据所构建模型和算法，对实时视频进行检测，当识别出人员未佩戴安全帽时，发出报警信息并保留现场数据。


2.利用权利要求1所述的基于深度学习的工业制造现场安全帽佩戴识别系统的方法，其特征在于：包括以下步骤：
步骤S1：视频数据采集，数据采集模块通过高清摄像机录制现场视频并上传至管理系统服务器；
步骤S2：准备训练数据集，图像处理标注模块对视频数据进行取帧处理和标注工作，得到标注好的图像样本；
步骤S3：模型训练，模型训练模块基于预先标注好的图像样本和多层卷积神经网络训练获得人体头部检测模型，依据安全帽颜色和形状特征建立安全帽自动识别算法；
步骤S4：实时检测，实时检测预警模块抓取施工现场的实时视频数据，利用建立的人体头部检测模型和安全帽自动识别算法识别安全帽的佩戴情况；若识别出没有佩戴安全帽，则发出报警信息并保留现场数据。


3.根据权利要求2所述的基于深度学习的工业制造现场安全帽佩戴识别系统的方法，其特征在于：所述步骤S3中依据安全帽颜色和形状特征具体指：依据经过人体头部检测模型得到的包含头部区域子图像中的安全帽的颜色特征和形状特征。


4.根据权利要求3所述的基于深度学习的工业制造...

【专利技术属性】
技术研发人员：黎小华，刘倍铭，王飞扬，方亿，刘崛雄，
申请(专利权)人：成都飞机工业集团有限责任公司，
类型：发明
国别省市：四川;51