基于机器视觉的危险区域人员监控方法与装置制造方法及图纸

本发明专利技术公开了一种基于机器视觉的危险区域人员监控方法与装置，包括：获取摄像头拍摄到的视频信息；根据视频信息构建目标场景区域模型；在目标场景区域模型中设定管控区域，将管控区域位置信息储存为第一位置信息；抽取多帧图像信息中的关键帧图像并进行预处理操作以得到预处理图像；将预处理图像输入神经网络模型中进行目标对象识别，构建目标对象模型，将目标对象模型的位置信息储存为第二位置信息；将第一位置信息与第二位置信息进行比对，并基于比对结果与警告参数确定是否进行预警操作。本发明专利技术的基于机器视觉的危险区域人员监控方法与装置检测范围灵活、覆盖面广，可实现较低成本的大范围部署，识别速度与精准度都有很大提升。很大提升。很大提升。

【技术实现步骤摘要】
基于机器视觉的危险区域人员监控方法与装置


[0001]本专利技术涉及监控
，具体涉及一种基于机器视觉的危险区域人员监控方法与装置。

技术介绍

[0002]目前木工生产线中使用硬件光电、光幕进行部署作为人员的安全检测信号，对于人体的部分感知不明显，因为光幕的物理结构，对于检测的范围并不灵活，覆盖面不广。如需要大范围部署，光幕成本较高。基于此，人们将监控设备应用于木工生产线中，然而目前市面上多数的监控设备只能检测视频内物体异动，并无法在画面中单独针对人体做精准的定位和识别，无法获得较好的预警控制效果。

技术实现思路

[0003]针对所述缺陷，本专利技术实施例公开了一种基于机器视觉的危险区域人员监控方法与装置，采用监控方法代替了传统木工生产线中使用硬件光电、光幕进行部署作为人员的安全检测信号，本监控方法检测范围灵活、覆盖面广，可实现较低成本的大范围部署，识别速度与精准度都有很大提升。
[0004]本专利技术实施例第一方面公开了基于机器视觉的危险区域人员监控方法，包括：
[0005]获取摄像头拍摄到的视频信息，所述视频信息包括多帧图像信息；根据多帧图像信息构建目标场景区域模型；在目标场景区域模型中设定管控区域，所述管控区域位置信息作为第一位置信息储存；
[0006]抽取多帧图像信息中的关键帧图像并进行预处理操作以得到预处理图像；
[0007]将所述预处理图像输入到预先构建完成的神经网络模型中进行目标对象识别，得到目标对象位置信息，根据目标对象位置信息构建目标对象模型，将目标对象模型的位置信息作为第二位置信息储存；
[0008]将所述第一位置信息与所述第二位置信息进行比对以确定目标对象与管控区域之间的位置关系，并基于所述位置关系与警告参数以确定是否进行预警操作。
[0009]作为一种可选的实施方式，在本专利技术实施例第一方面中，所述摄像头数量至少为两个，一个用来监测横向与纵向位置信息，一个用来监测纵向与高度位置信息，从而确定三维位置信息。
[0010]作为一种可选的实施方式，在本专利技术实施例第一方面中，所述神经网络模型采用Yolov5神经网络模型；在对用户进行身份识别的时候，采用人脸信息或者衣服信息。
[0011]作为一种可选的实施方式，在本专利技术实施例第一方面中，所述预警操作包括警报信息输出、控制指令输出与预警位置信息输出。
[0012]作为一种可选的实施方式，在本专利技术实施例第一方面中，所述控制指令输出包括视频录制指令与设备急停指令；
[0013]当检测到目标对象与管控区域之间的位置关系超过设定值时，输出视频录制指令
进行录像操作，并将录制的得到的视频信息进行保存；输出设备急停指令控制相应设备停止运行。
[0014]作为一种可选的实施方式，在本专利技术实施例第一方面中，据预警位置信息输出生成防护设施优化方案。
[0015]作为一种可选的实施方式，在本专利技术实施例第一方面中，针对不同身份的人进行目标对象识别，为不同身份的人设置特定区域权限。
[0016]本专利技术实施例第二方面公开基于机器视觉的危险区域人员监控装置，包括：
[0017]监控模块，所述监控模块包括部署于目标控制场景处的监控单元，所述监控单元用于获取目标控制场景中的实时画面；
[0018]分区模块，所述分区模块用于对目标控制场景进行区域划分，根据区域划分情况生成第一位置信息；
[0019]识别模块，所述识别模块用于读取所述监控模块的实时画面，对目标对象进行识别并生成第二位置信息；
[0020]比对模块，所述比对模块用于将所述第一位置信息与所述第二位置信息进行比对，并输出比对结果；
[0021]输出模块，所述输出模块用于根据所述比对结果与警告参数输出警报信息与设备控制指令。
[0022]本专利技术实施例第三方面公开一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行本专利技术实施例第一方面公开的基于机器视觉的危险区域人员监控方法。
[0023]本专利技术实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本专利技术实施例第一方面公开的基于机器视觉的危险区域人员监控方法。
[0024]与现有技术相比，本专利技术实施例具有以下有益效果：
[0025]本专利技术的基于机器视觉的危险区域人员监控方法与装置采用监控方法代替了传统木工生产线中使用硬件光电、光幕进行部署作为人员的安全检测信号，监控系统检测范围灵活、覆盖面广，可实现较低成本的大范围部署；Yolov5模型基于Pytorch深度学习框架搭建，主干特征提取网络采用C3结构(残差网络)，结合卷积操作对图像进行特征的提取，在训练过程中模型会针对已给出的图片数据集对模型的自身参数进行更新，以便更准确的提取目标特征；本方法采用Yolov5的s尺寸和n6尺寸的系列神经网络模型，其特点是在原有的网络输出层为P3、P4、P5层，分别针对的是不同像素阶段的目标大小的检测，此版的新模型在原有的网络结构上，新增加了P6层以提高高分辨率图像下大目标对象的识别检测精度，增加模型感受野大小；本专利技术相对于目前市面上大部分的识别应用，识别速度上有很大提升，在640*480*3(3个摄像头源)的图片的输入尺寸下能达到30FPS，在目标完整且在镜头20米范围内的，识别率接近100％。此方法可与设备进行绑定部署，大大减少现场部署软件环境的工作量。因为是独立系统环境，可以杜绝因生产环境崩溃导致的识别系统崩溃的问题。
附图说明
[0026]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的
附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0027]图1是本专利技术实施例公开的基于机器视觉的危险区域人员监控方法的流程示意图；
[0028]图2是本专利技术实施例公开的基于机器视觉的危险区域人员监控方法的控制区域设置步骤流程示意图；
[0029]图3是本专利技术实施例公开的基于机器视觉的危险区域人员监控方法的Yolov5n6/s系列神经网络模型训练步骤流程示意图；
[0030]图4是本专利技术实施例提供的基于机器视觉的危险区域人员监控装置的结构示意图；
[0031]图5是本专利技术实施例提供的一种电子设备的NVIDIA jetson nano开发板主要接口结构示意图；
[0032]图6是本专利技术实施例提供的一种电子设备的结构示意图。
[0033]图中：1、micro SD卡卡槽；2、40pin GDIO扩展接口；3、micro USB接口；4、千兆以太网网口；5、4X USB3.0；6、HDMI输出；7、DisplayPort连接器；8、DC5V；9、MIPI CSI相机连接器。
具体实施方式
[0034]下面将结合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的危险区域人员监控方法，其特征在于，包括：获取摄像头拍摄到的视频信息，所述视频信息包括多帧图像信息；根据多帧图像信息构建目标场景区域模型；在目标场景区域模型中设定管控区域，所述管控区域位置信息储存为第一位置信息；抽取多帧图像信息中的关键帧图像并进行预处理操作以得到预处理图像；将所述预处理图像输入到预先构建完成的神经网络模型中进行目标对象识别，得到目标对象位置信息，根据目标对象位置信息构建目标对象模型，将目标对象模型的位置信息储存为第二位置信息；将所述第一位置信息与所述第二位置信息进行比对以确定目标对象与管控区域之间的位置关系，并基于所述位置关系与警告参数确定是否进行预警操作。2.根据权利要求1所述的基于机器视觉的危险区域人员监控方法，其特征在于，所述摄像头数量至少为两个，一个用来监测横向与纵向位置信息，一个用来监测纵向与高度位置信息，从而确定三维位置信息。3.根据权利要求1所述的基于机器视觉的危险区域人员监控方法，其特征在于，所述神经网络模型采用Yolov5神经网络模型；在对用户进行身份识别的时候，采用人脸信息或者衣服信息。4.根据权利要求1所述的基于机器视觉的危险区域人员监控方法，其特征在于，所述预警操作包括警报信息输出、控制指令输出与预警位置信息输出。5.根据权利要求4所述的基于机器视觉的危险区域人员监控方法，其特征在于，所述控制指令输出包括视频录制指令与设备急停指令；当检测到目标对象与管控区域之间的位置关系超过设定值时，输出视频录制...

【专利技术属性】
技术研发人员：王渺，黄睿，陈宏，涂永，李叶茂，
申请(专利权)人：广州纬纶信息科技有限公司，
类型：发明
国别省市：