【技术实现步骤摘要】
本公开涉及安全检测领域，更具体地，本公开涉及一种人字梯使用安全的检测方法、电子设备及存储介质。
技术介绍
1、人字梯的安全绳作为人字梯的重要组成部分，对于人员安全使用安全绳起到关键作用，同时由于视频监控的普及，使用人工智能方法对安全绳进行检测，成为必要。但是由于人字梯大多数的是工地、家庭装修等场景，这部分场景的特点是物品摆放较为杂乱，同时由于安全绳过于纤细，且颜色形态各异，导致直接使用目标检测手段对视频图像中的安全绳检测，容易对裸露电线等类安全绳物体误检为安全绳，准确率较低。
技术实现思路
1、本公开的一个目的是提供一种人字梯使用安全的检测方法，解决通过实景场景复杂导致的安全绳检测准确率较低的问题。
2、根据本公开的第一方面，提供了一种人字梯使用安全的检测的方法，包括：
3、通过第一目标检测模型检测目标图像中是否包括人字梯；
4、在所述目标图像中包括所述人字梯的情况下，基于所述第二目标检测模型确定所述目标图像中是否包括安全绳；
5、在所述目标图像中包括所述安全绳的情况下，基于所述安全绳与所述人字梯的相对位置关系确定所述人字梯是否配备了安全绳。
6、可选地，在所述基于所述第二目标检测模型确定所述目标图像中是否包括安全绳之前，所述方法还包括：
7、在所述目标图像中包括所述人字梯的情况下，对所述目标图像中的人字梯部分的图像进行裁剪，以去除所述目标图像中非人字梯部分的图像。
8、可选地，所述基于所述安全绳与
9、确定所述安全绳检测框的在所述人字梯的高度方向上的中心坐标；
10、在所述中心坐标位于第一预设区间内的情况下，确定所述目标图像中的人字梯已配备安全绳；
11、在所述中心坐标位于所述第一预设区间外的情况下，确定所述目标图像中的人字梯未配备安全绳。
12、可选地，所述第一预设区间的上限为第一参数与所述人字梯的高度值的乘积，所述第一预设区间的下限为第二参数与所述人字梯的高度值的乘积。
13、可选地，在所述对所述目标图像中的人字梯部分的图像进行裁剪之后，所述方法还包括：
14、根据所述目标图像确定所述人字梯的使用状态；
15、在所述人字梯处于使用状态的情况下，执行基于所述第二目标检测模型确定所述目标图像中是否包括安全绳的步骤。
16、可选地，所述根据所述目标图像确定所述人字梯的使用状态包括：
17、确定所述人字梯的高度值是否大于第一阈值，其中所述第一阈值为第三参数与所述目标图像的高度值的乘积；
18、在所述人字梯的高度值是否大于第一阈值的情况下，确定所述人字梯的宽度值与所述人字梯的高度值的比值是否大于第二阈值；
19、在所述比值大于所述第二阈值的情况下，确定所述人字梯为使用状态。
20、可选地，所述第一目标检测模型和所述第二目标检测模型为预训练的yolov5检测模型，所述第一目标检测模型和所述第二目标检测模型基于第一总损失函数进行预训练，其中，所述第一总损失函数l为：
21、l＝lbox+λcls·lcls+λobj·lobj
22、其中，λcls为目标类别分类损失的权重，λobj为目标置信度损失的权重，lbox为目标框回归损失，lcls为目标类别分类损失，lobj为目标置信度损失；
23、所述目标框回归损失lbox为：
24、
25、其中，nobj是带有目标的网格数量，λcoord是用于平衡位置回归损失的系数，xi、yi、wi、hi是预测框的中心坐标和宽高。是实际框的中心坐标；
26、所述目标类别分类损失lcls为：
27、
28、其中，classes是类别的集合，yi,c是实际类别的独热编码，是预测类别的概率；
29、所述目标置信度损失lobj为：
30、
31、其中，是目标存在的预测概率。
32、可选地，所述第一目标检测模型和所述第二目标检测模型为预训练的yolov5检测模型，所述第一目标检测模型基于第一总损失函数进行预训练，其中，所述第一总损失函数l为：
33、l＝lbox+λcls·lcls+λobj·lobj
34、其中，λcls为目标类别分类损失的权重，λobj为目标置信度损失的权重，lbox为目标框回归损失，lcls为目标类别分类损失，lobj为目标置信度损失；
35、所述目标框回归损失lbox为：
36、
37、其中，nobj是带有目标的网格数量，λcoord是用于平衡位置回归损失的系数，xi、yi、wi、hi是预测框的中心坐标和宽高。是实际框的中心坐标；
38、所述目标类别分类损失lcls为：
39、
40、其中，classes是类别的集合，yic是实际类别的独热编码，是预测类别的概率；
41、所述目标置信度损失lobj为：
42、
43、其中，是目标存在的预测概率；
44、所述第二目标检测模型基于第二总损失函数进行训练，所述第二总损失函数l2为：
45、l2＝lbox+λcls·lcls2+λobj·lobj2
46、所述第二目标类别分类损失lcls2为：
47、
48、其中，npos是不带有目标的网格数量，α是正负样本权重，为模型预测的概率，γ是聚焦参数；
49、所述第二目标置信度损失lobj2为：
50、
51、其中，n为检测框的数量，yi检测结果的标签。
52、根据本公开的第二方面，提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机指令，所述计算机指令被处理器执行时实现第一方面任一项所述的方法的步骤。
53、根据本公开的第三方面，提供一种存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时实现第一方面任一项所述方法的步骤。
54、本公开的一个技术效果在于，提供了一种人字梯使用安全的检测方法，可以通过两个目标检测模型分别检测人字梯和安全绳，并基于二者间的相对位置关系来确定人字梯是否设置了安全绳，提高复杂施工场景下的安全绳检测的准确率。
55、通过以下参照附图对本公开的示例性实施例的详细描述，本公开实施例的其它特征及其优点将会变得清楚。
本文档来自技高网...【技术保护点】
1.一种人字梯使用安全的检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在所述基于所述第二目标检测模型确定所述目标图像中是否包括安全绳之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述安全绳与所述人字梯的相对位置关系确定所述人字梯是否配备了安全绳，包括：
4.根据权利要求3所述的方法，其特征在于，所述第一预设区间的上限为第一参数与所述人字梯的高度值的乘积，所述第一预设区间的下限为第二参数与所述人字梯的高度值的乘积。
5.根据权利要求2所述的方法，其特征在于，在所述对所述目标图像中的人字梯部分的图像进行裁剪之后，所述方法还包括：
6.根据权利要求2所述的方法，其特征在于，所述根据所述目标图像确定所述人字梯的使用状态包括：
7.根据权利要求1-6任一项所述的方法，其特征在于，所述第一目标检测模型和所述第二目标检测模型为预训练的YOLOv5检测模型，所述第一目标检测模型和所述第二目标检测模型基于第一总损失函数进行预训练，其中，所述第一总损失函数L为：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机指令，所述计算机指令被处理器执行时实现权利要求1-8任一项所述的方法的步骤。
10.一种存储介质，其特征在于，其上存储有计算机指令，所述计算机指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。
...【技术特征摘要】
1.一种人字梯使用安全的检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在所述基于所述第二目标检测模型确定所述目标图像中是否包括安全绳之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述安全绳与所述人字梯的相对位置关系确定所述人字梯是否配备了安全绳，包括：
4.根据权利要求3所述的方法，其特征在于，所述第一预设区间的上限为第一参数与所述人字梯的高度值的乘积，所述第一预设区间的下限为第二参数与所述人字梯的高度值的乘积。
5.根据权利要求2所述的方法，其特征在于，在所述对所述目标图像中的人字梯部分的图像进行裁剪之后，所述方法还包括：
6.根据权利要求2所述的方法，其特征在于，所述根据所述目标图像确定所述人字梯的使用状态包括：
【专利技术属性】
技术研发人员：祝晓斌，林金辉，代松康，朱超，杨思琪，孙梦磊，
申请(专利权)人：北京科技大学，
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。