【技术实现步骤摘要】
本专利技术涉及一种起重机吊重坠落预警方法，特别是一种基于改进yolov8的塔式起重机吊重坠落预警方法。
技术介绍
1、本部分提供的仅仅是与本公开相关的背景信息,其并不必然是现有技术。
2、塔式起重机广泛应用于建筑施工中，其吊重作业过程中存在吊钩及重物与建筑工人发生碰撞的风险。现有技术中，多采用人工监控或简单的传感器进行预警，存在精度低、响应慢的问题。随着深度学习技术的发展，基于图像处理和物体检测的预警系统成为提升安全性的有效途径。
3、然而，现有技术中的基于图像处理和物体检测的预警系统具有以下缺陷：
4、(1)小目标检测精度不足：
5、传统yolo模型在检测小目标(如作业人员)时精度较低，容易漏报或误报。这是因为小目标在图像中占据的像素较少，难以被有效识别。
6、(2)实时处理能力有限：
7、虽然yolo模型在效率方面表现出色，但在实际高帧率应用场景下(如实时监控系统)，仍可能存在处理延迟的问题，无法满足严格的实时性要求。
8、(3)安全性监测不全面：
9、传统的物体检测系统往往只能进行静态的物体识别，缺乏对动态场景(如塔机吊钩和工人相对位置)进行实时监测和预警的能力，无法提供更高级别的安全保障。
10、(4)灵活性和可扩展性不足：
11、传统预警系统的部署方式通常较为单一，缺乏多样化的部署选项，无法根据不同应用场景灵活配置。这限制了系统在不同应用场景中的适应性和扩展能力。
12、需要说明的是，在上
技术实现思路
1、专利技术目的：本专利技术所要解决的技术问题是针对现有技术的不足，提供一种基于改进yolov8的塔式起重机吊重坠落预警方法。
2、为了解决上述技术问题，本专利技术公开了一种基于改进yolov8的塔式起重机吊重坠落预警方法，包括以下步骤：
3、步骤1，收集所述塔式起重机的吊钩与作业人员图像，并进行标注，生成训练集和测试集；
4、步骤2，构建改进的yolov8n模型；
5、步骤3，使用训练集对改进后的yolov8n模型进行训练；
6、步骤4，通过测试集评估训练好的yolov8n模型的检测精度和速度；
7、步骤5，使用训练好的yolov8n模型进行所述吊钩与作业人员识别，得到识别结果；
8、步骤6，根据识别结果，计算吊钩与作业人员之间的距离；
9、步骤7，设定预警阈值，依据吊钩与作业人员之间距离进行坠落预警。
10、进一步的，步骤2所述的构建改进的yolov8n模型，具体包括：
11、步骤2-1，在特征提取网络neck中，添加两个zoom_cat模块，用于将不同层次的特征图放缩并连接；
12、其中，所述zoom_cat模块，具体表示如下:
13、fout＝zoom_cat(f1,f2,f3)
14、其中，f1,f2和f3为输入特征，fout为输出特征；
15、其中，所述添加两个zoom_cat模块，分别为第一zoom_cat模块和第二zoom_cat模块，具体设置方法包括：
16、步骤2-1-1，第一zoom_cat模块设置在特征提取网络neck的第一层c2f模块之前；
17、将特征提取网络neck中前两层的conv模块的输出和骨干网络backbone中第六层c2f模块的输出，作为第一zoom_cat模块的输入；
18、将第一zoom_cat模块的输出作为特征提取网络neck的第一层c2f模块的输入；
19、步骤2-1-2，将第二zoom_cat模块设置在特征提取网络neck的第二层c2f模块之前；
20、将特征提取网络neck中前两层conv模块的输出和骨干网络backbone中第四层c2f模块的输出，作为第二zoom_cat模块的输入；
21、将第二zoom_cat模块的输出，作为特征提取网络neck的第二层c2f模块的输入；
22、步骤2-2，在特征提取网络neck添加dynamicscalseq模块，用于动态融合并调整多尺度特征；
23、其中，所述dynamicscalseq模块，具体表示如下：
24、fout＝dynamicsclseq(f1,f2,f3)
25、其中，f1,f2和f3为输入特征，fout为输出特征；
26、其中，所述dynamicscalseq模块，具体设置方法包括：
27、将dynamicscalseq模块设置在特征提取网络neck中，位于所述yolov8模型的第24层；
28、将骨干网络backbone的第4层、第6层和第8层的c2f模块的输出，作为dynamicscalseq模块的输入；
29、将dynamicscalseq模块的输出，作为所述yolov8模型第25层add模块的输入；
30、步骤2-3，更新所述特征提取网络neck中的特征连接模块，具体包括：
31、使用concat模块与add模块替代所述yolov8模型第21层的c2f模块；
32、步骤2-4，在检测头网络head中，增加conv模块；
33、其中，所述conv模块，具体表示的定义如下：
34、fout＝conv(f,k,s)
35、其中，fout为输出特征，f为输入特征，k为卷积核大小，s为步长；
36、其中，所述conv模块，具体设置方法包括：
37、conv模块设置在所述yolov8模型最后一层detect模块之前，将特征提取网络第20层conv模块、第23层的c2f模块与第25层add模块的输出作为conv模块的输入；
38、将conv模块的输出，作为所述yolov8模型最后一层detect模块的输入。
39、进一步的，步骤3中所述的使用训练集对改进后的yolov8n模型进行训练，具体包括：
40、步骤3-1，搭建训练环境；
41、步骤3-2，设置训练环境中的参数，包括：学习率设置为0.01，模型训练批量大小设置为32，优化器设置为sgd，训练迭代周期设置为100
42、步骤3-3，将所述训练集输入改进的yolov8模型，训练并得到所述模型中的最佳权重。
43、进一步的，步骤5中所述的识别结果，包括：
44、塔机吊钩的边界框、边界框id及置信度，作业人员的边界框、边界框id及置信度。
45、进一步的，步骤5中所述的边界框，包括：
46、边界框中心点坐标、边界框宽度与边界框高度。
47、进一步的，步骤6中所述的计算吊钩与作业人本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv8的塔式起重机吊重坠落预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进YOLOv8的塔式起重机吊重坠落预警方法，其特征在于，步骤2所述的构建改进的YOLOv8n模型，具体包括：
3.根据权利要求2所述的一种基于改进YOLOv8的塔式起重机吊重坠落预警方法，其特征在于，步骤2-1中所述Zoom_cat模块，具体表示如下:
4.根据权利要求3所述的一种基于改进YOLOv8的塔式起重机吊重坠落预警方法，其特征在于，步骤2-2中所述DynamicScalSeq模块，具体表示如下：
5.根据权利要求4所述的一种基于改进YOLOv8的塔式起重机吊重坠落预警方法，其特征在于，步骤2-4中所述Conv模块，具体表示的定义如下：
6.根据权利要求5所述的一种基于改进YOLOv8的塔式起重机吊重坠落预警方法，其特征在于，步骤3中所述的使用训练集对改进后的YOLOv8n模型进行训练，具体包括：
7.根据权利要求6所述的一种基于改进YOLOv8的塔式起重机吊重坠落预警方法，其特征在
8.根据权利要求7所述的一种基于改进YOLOv8的塔式起重机吊重坠落预警方法，其特征在于，步骤5中所述的边界框，包括：
9.根据权利要求8所述的一种基于改进YOLOv8的塔式起重机吊重坠落预警方法，其特征在于，步骤6中所述的计算吊钩与作业人员之间的距离，具体包括：
10.根据权利要求9所述的一种基于改进YOLOv8的塔式起重机吊重坠落预警方法，其特征在于，步骤7中所述的依据吊钩与作业人员之间距离进行坠落预警，具体包括：
...【技术特征摘要】
1.一种基于改进yolov8的塔式起重机吊重坠落预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进yolov8的塔式起重机吊重坠落预警方法，其特征在于，步骤2所述的构建改进的yolov8n模型，具体包括：
3.根据权利要求2所述的一种基于改进yolov8的塔式起重机吊重坠落预警方法，其特征在于，步骤2-1中所述zoom_cat模块，具体表示如下:
4.根据权利要求3所述的一种基于改进yolov8的塔式起重机吊重坠落预警方法，其特征在于，步骤2-2中所述dynamicscalseq模块，具体表示如下：
5.根据权利要求4所述的一种基于改进yolov8的塔式起重机吊重坠落预警方法，其特征在于，步骤2-4中所述conv模块，具体表示的定义如下：
6.根据权利...
【专利技术属性】
技术研发人员：裴学峰，殷晨波，乔文华，徐缪晗，韩东廷，张标，笪文闯，李超恒，陈鸣隽，
申请(专利权)人：江苏天宙检测有限公司，
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。