[发明专利]一种电厂作业人员是否佩戴安全带的检测方法及检测系统

说明书

本发明公开了一种安全带检测方法，包括获取监控区域的历史视频图片，形成安全带检测数据集；对安全带检测数据集进行标注，并将其随机划分为训练集与测试集；根据获得的安全带检测数据集生成其对应的适用于监控区域的锚框；使用训练集训练深度学习模型，得到安全带检测模型；调整安全带检测模型的模型置信度；基于深度学习的安全带检测模型对监控区域内安全带情况进行实时检测。本发明基于深度学习模型实现安全带实时检测，可适应实际复杂场景并提高了安全带检测的mAP，有助于提高相关人员安全意识，帮助工作有序开展。

技术领域

本发明属于智能视频监控安全技术领域，更具体地，涉及一种安全带检测方法。

背景技术

安全带是一项防止脑部损伤的措施。研究表明，在工作事故中，有接近60％的脑损伤是因为没有正确地安全带引起，对相关人员的安全带进行检测，可有效降低相关事故发生率。

早期通常会有专责的安全监督人员对驾驶员的安全带情况进行检测，但这种方式难以全方位监督，无法保证监督的有效性。因此，需要能够实时监督施工及巡检现场并降低监督成本的安全带检测方法。

一般的目标检测方法仅需在图片上判断是否存在检测目标，并获得目标数量，标记目标位置。对于安全带检测算法，在此基础上还要求针对动态视频实时识别、深度优化，达到较高的识别跟踪精度；对光线、阴天等不同环境适应性强，且不受人员眼镜、胡须、发型、表情等遮挡影响；也不受到人员正面、背面、侧面、跑动、低头等不同姿态影响。

近年来，研究人员在基于传感器与基于图像处理等两种检测方式上对安全带检测做了很多具有创新性的研究工作。但由于定位精度不高、测速度慢、准确率低等问题使得其不适用于复杂性较高的实际场景，无法达到安全带检测实际需求，基于卷积神经网络的检测算法依靠其网络简单、检测速度快准确性高等特点超过传统检测算法，成为当前安全带检测方面的主流算法。

但对于现场具体场景，卷积神经网络模型不能达到很高的检测效果，需要针对场景制定对应的模型及检测策略。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种全带检测方法，能够检测现场视频信息中人员是否安全带，并有效减少因为人员行进速度快、物体遮挡、光线昏暗等复杂情况造成的漏检错检问题。

本发明采用如下的技术方案。一种电厂作业人员是否佩戴安全带的检测方法，其包括以下步骤：

步骤1，从监控区域内的视频监控设备获取历史视频数据，将其转化为图片，形成安全带检测数据集；

步骤2，对安全带检测数据集图片中人员是否佩戴安全带进行标注，并将其按照设定的比例随机划分为训练集与测试集；

步骤3，根据步骤1获得的安全带检测数据集生成其对应的适用于监控区域的锚框；

步骤4，使用训练集训练卷积神经网络模型，使用测试集检测每一代训练后改进的卷积神经网络模型，筛选获得安全带检测模型；

步骤5，从监控区域内的视频监控设备获取实时视频数据，基于步骤4得到的安全带检测模型对监控区域内安全带佩戴情况进行实时检测。

优选地，步骤2具体包括：

步骤2.1，对安全带检测数据集中人物是否佩戴安全带逐一标注，其中被标注部分作为正样本，未标注部分作为负样本；

步骤2.2，获取每个标注对象的类别及检测框，形成标注对象文件；

步骤2.3，生成安全带检测数据集对应的文件路径，并存储在数据集文件中；

步骤2.4，随机分配步骤2.3中存储在数据集文件内的存有标注内容的标注对象文件，将其以设定的比例分为训练集与测试集。