System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于边缘计算的工地安全穿戴检测方法及系统。
技术介绍
1、在工地中,符合规范的安全穿戴直接关系到工人的生命安全和身体健康,其重要性不言而喻;为了确保工人在工地现场的安全帽、反光衣等的穿戴符合规范,如中国专利公开号cn115690687a的专利文献提出了针对工人是否符合安全穿戴规范的检测系统,其能够对工人的穿戴进行检测。
2、然而现有的检测方案由于需要服务器端的识别和判断,监控摄像头端采集到的视频图像数据需要通过网络传输到服务器端进行处理,如此较为依赖于网络的带宽,若网络传输出现延迟就会直接导致工地上的安全监测出现迟滞,并且由于监控摄像头采集到的视频图像数据均需要通过网络传输到服务器端进行处理,过多依赖于网络传输也增加了工人个人隐私泄露的几率。
技术实现思路
1、本专利技术目的在于针对现有技术所存在的不足而提供一种基于边缘计算的工地安全穿戴检测方法及系统的技术方案,不仅能够提升检测工人是否符合安全穿戴规范的处理效率,而且能够降低个人隐私信息泄露的几率。
2、为了解决上述技术问题,本专利技术采用如下技术方案:
3、一种基于边缘计算的工地安全穿戴检测方法,包括步骤如下:
4、step1.感知模块实时采集现场的视频图像数据;
5、step2.数据处理模块对感知模块采集的视频图像数据进行调整,产生方便ai边缘计算模块识别分析的预处理视频图像数据;
6、step3.嵌入有识别模型的ai边缘计算模块获取到预
7、通过采用上述技术方案,感知模块实时采集的视频图像数据能够在经过预处理后直接通过更靠近数据源的ai边缘计算模块进行识别判断,若检测到工人符合安全穿戴规范则能够直接放行,避免了所有的视频图像数据都需要通过网络传输到终端服务器进行分析判断的情况,有效的提升了检测工人是否符合安全穿戴规范的处理效率,而且减少了网络传输的频次,进而便能够达到降低个人隐私信息被泄露的几率。
8、进一步的,step3中若ai边缘计算模块判断结果为现场人员符合安全穿戴规范,则ai边缘计算模块将判断结果数据和预处理视频图像数据进行本地存储。
9、进一步的,step3中若ai边缘计算模块判断结果为现场人员不符合安全穿戴规范,则ai边缘计算模块将判断结果数据和预处理视频图像数据传输到应用模块,应用模块对预处理视频图像数据进行二次判断。
10、进一步的,若应用模块二次判断的结果为现场人员不符合安全穿戴规范,则应用模块对现场进行警报和定位。
11、进一步的,step3中的识别模型在嵌入ai边缘计算模块前需要进行离线训练。
12、进一步的,识别模块的离线训练包括步骤如下:
13、a.在卷积神经网络模型中建立素材模型库;
14、b.对素材模型库中的视频图像数据进行标定,标定出安全帽、反光衣以及安全绳的位置范围,标定好相对真值信息,方便识别模块深度学习时的范围聚焦;
15、c.识别模型根据标定的信息参数进行深度学习训练,得到具有识别能力的识别模型。
16、一种基于边缘计算的工地安全穿戴检测系统,包括
17、感知模块,用于实时采集现场的视频图像数据;
18、还包括数据处理模块和ai边缘计算模块,数据处理模块与感知模块数据传输连接,数据处理模块用于对感知模块采集的视频图像数据进行预处理,产生方便ai边缘计算模块识别分析的预处理视频图像数据;ai边缘计算模块与数据处理模块数据传输连接,ai边缘计算模块用于对接收到的预处理视频图像数据进行计算推理,判断现场人员是否符合安全穿戴规范。
19、进一步的,还包括应用模块,应用模块与ai边缘计算模块数据传输连接,应用模块用于在接收到ai边缘计算模块的判断结果后进行二次判断。
20、进一步的,应用模块包括警报装置,警报装置用于在应用模块判断结果为不符合安全穿戴规范时进行警报。
21、进一步的,ai边缘计算模块包括识别模型,识别模型经过离线训练而后嵌入到ai边缘计算模块,识别模型用于对预处理视频图像数据的内容进行识别和判断。
22、进一步的,还包括卷积神经网络模块,识别模型在嵌入到ai边缘计算模块前,通过卷积神经网络模块进行离线的深度学习训练。
23、进一步的,卷积神经网络模型包括骨干网络结构、颈部结构以及稠密检测器,骨干网络结构用于从输入的视频图像数据中提取第一特征图,颈部结构用于进一步处理骨干网络结构提取的第一特征图,以产生方便稠密检测器进行检测的第二特征图,稠密检测器用于对第二特征图进行检测并生成检测结果。
24、本专利技术由于采用了上述技术方案,具有以下有益效果:
25、1、本专利技术不仅能够提升检测工人是否符合安全穿戴规范的处理效率,而且能够降低个人隐私信息泄露的几率;
26、2、本专利技术的应用模块能够对ai边缘计算模块的判断结果进行二次判断,提升了检测的准确性;
27、3、本专利技术中ai边缘计算模块的识别模型为离线训练后嵌入到ai边缘模块,ai边缘计算模块的设备迭代时,识别模型能够方便在两个设备间实现灵活转移。
本文档来自技高网...【技术保护点】
1.一种基于边缘计算的工地安全穿戴检测方法,包括步骤如下:
2.根据权利要求1所述的一种基于边缘计算的工地安全穿戴检测方法,其特征在于:Step3中若AI边缘计算模块判断结果为现场人员符合安全穿戴规范,则AI边缘计算模块将判断结果数据和预处理视频图像数据进行本地存储。
3.根据权利要求1所述的一种基于边缘计算的工地安全穿戴检测方法,其特征在于:Step3中若AI边缘计算模块判断结果为现场人员不符合安全穿戴规范,则AI边缘计算模块将判断结果数据和预处理视频图像数据传输到应用模块,应用模块对预处理视频图像数据进行二次判断。
4.根据权利要求3所述的一种基于边缘计算的工地安全穿戴检测方法,其特征在于:若应用模块二次判断的结果为现场人员不符合安全穿戴规范,则应用模块对现场进行警报和定位。
5.根据权利要求1所述的一种基于边缘计算的工地安全穿戴检测方法,其特征在于:Step3中的识别模型在嵌入AI边缘计算模块前需要进行离线训练。
6.根据权利要求5所述的一种基于边缘计算的工地安全穿戴检测方法,其特征在于:识别模块的离线训练包括步骤
7.一种基于边缘计算的工地安全穿戴检测系统,包括
8.根据权利要求7所述的一种基于边缘计算的工地安全穿戴检测系统,其特征在于:还包括应用模块,所述应用模块与所述AI边缘计算模块数据传输连接,所述应用模块用于在接收到AI边缘计算模块的判断结果后进行二次判断。
9.根据权利要求8所述的一种基于边缘计算的工地安全穿戴检测系统,其特征在于:所述应用模块包括警报装置,所述警报装置用于在应用模块判断结果为不符合安全穿戴规范时进行警报。
10.根据权利要求7所述的一种基于边缘计算的工地安全穿戴检测系统,其特征在于:所述AI边缘计算模块包括识别模型,所述识别模型经过离线训练而后嵌入到AI边缘计算模块,所述识别模型用于对预处理视频图像数据的内容进行识别和判断。
11.根据权利要求10所述的一种基于边缘计算的工地安全穿戴检测系统,其特征在于:还包括卷积神经网络模块,所述识别模型在嵌入到所述AI边缘计算模块前,通过所述卷积神经网络模块进行离线的深度学习训练。
12.根据权利要求11所述的一种基于边缘计算的工地安全穿戴检测系统,其特征在于:所述卷积神经网络模型包括骨干网络结构、颈部结构以及稠密检测器,所述骨干网络结构用于从输入的视频图像数据中提取第一特征图,所述颈部结构用于进一步处理骨干网络结构提取的第一特征图,以产生方便稠密检测器进行检测的第二特征图,所述稠密检测器用于对第二特征图进行检测并生成检测结果。
...【技术特征摘要】
1.一种基于边缘计算的工地安全穿戴检测方法,包括步骤如下:
2.根据权利要求1所述的一种基于边缘计算的工地安全穿戴检测方法,其特征在于:step3中若ai边缘计算模块判断结果为现场人员符合安全穿戴规范,则ai边缘计算模块将判断结果数据和预处理视频图像数据进行本地存储。
3.根据权利要求1所述的一种基于边缘计算的工地安全穿戴检测方法,其特征在于:step3中若ai边缘计算模块判断结果为现场人员不符合安全穿戴规范,则ai边缘计算模块将判断结果数据和预处理视频图像数据传输到应用模块,应用模块对预处理视频图像数据进行二次判断。
4.根据权利要求3所述的一种基于边缘计算的工地安全穿戴检测方法,其特征在于:若应用模块二次判断的结果为现场人员不符合安全穿戴规范,则应用模块对现场进行警报和定位。
5.根据权利要求1所述的一种基于边缘计算的工地安全穿戴检测方法,其特征在于:step3中的识别模型在嵌入ai边缘计算模块前需要进行离线训练。
6.根据权利要求5所述的一种基于边缘计算的工地安全穿戴检测方法,其特征在于:识别模块的离线训练包括步骤如下:
7.一种基于边缘计算的工地安全穿戴检测系统,包括
8.根据权利要求7所述的一种基于边缘计算的工地安全穿戴检测系统...
【专利技术属性】
技术研发人员:曾钦清,冯梦萍,蔡文婷,杨科技,周宏健,
申请(专利权)人:浙江建设职业技术学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。