[发明专利]双路U-Net深度神经网络矿山井下危险行为智能分级辨识方法

说明书

本发明公开了一种双路U‑Net深度神经网络矿山井下危险行为智能分级辨识方法，包括数据获取、图像预处理、危险行为样本制作、单路网络设计及参数训练、构建双路U‑Net网络结构、图像输入模块设计、双路U‑Net网络特征提取模块设计、预警模块设计等步骤。本发明将包含危险行为的影像作为输入数据，通过U‑Net网络对其中的危险行为进行识别、分类及预警的方法，及时发现井下生产过程中出现的危险行为并发出预警，从而最大程度地避免生产事故的发生。

技术领域

本发明属于视频图像处理技术领域，具体涉及一种通过U-Net深度神经网络分类实现对矿工在生产过程中可能出现的危险行为进行智能辨识、分类及预警的方法。

背景技术

传统的视频监控主要人眼观察，有研究表明，专业的监控人员在仅仅监视2个监控器的情况下，22分钟后将错过95％的行为。因此其无法有效监控大量的摄像头，视频监控系统因而丧失了其应有的预防危险和积极干预的能力，成为了一种只能提供事后提供取证录像的工具。总体来讲，传统视频监控存在以下几个难题：

(1)人类自身的弱点—难以长时间集中注意力；

(2)只能进行事后查验，无法实现事前、事中的预警和管理；

(3)无法在事前有效防止危险行为的发生；

(4)系统会出现误报，却忽视真正的警情；

(5)检索困难—需要花费大量时间才能找到需要的画面。

在这种情况下，智能视频监控技术受到各国政府和学者的密切关注，与传统的视频监控方式相比，智能监控技术能够及时、自动地从原始视频信息中提取有用的信息，用来实现视频的传输、保存和检索，从而轻而易举地完成人力难以完成的任务，大大提高监控效率。更重要的是，智能视频监控技术通过对所拍摄的视频进行分析，能够检测出危险活动、事件或行为模式，并及时预警，从而有效阻止生产事故的发生。

然而在智能识别领域中，目前缺乏通过神经网络技术对井下不安全行为的识别和预警的研究。

发明内容

为了解决上述技术问题，本发明提供了一种通过双路U-Net深度神经网络动态分级预警技术对井下生产过程中可能出现的不安全行为进行辨识、分类和预警的方法，及时发现和预警这些不安全行为，从而最大程度地避免生产事故的发生。

本发明所采用的技术方案是：一种双路U-Net深度神经网络矿山井下危险行为智能分级辨识方法，其特征在于，包括以下步骤：

步骤1：数据获取；

从井下按照一定时间间隔截取图像；

步骤2：图像预处理，包括色彩空间转换、去除噪声和图像增强；

步骤3：制作危险动作样本；

对监控视频截图的边界进行矢量化，圈出影像轮廓并赋类名编号，并对影像中的像素进行检查，以确定其是否表示一类危险行为，将所有能够表示一类危险行为的像素组成的影像作为样本供U-Net网络识别。

步骤4：单路网络结构设计及参数训练；

单路网络结构包括输入层、10个卷积层、6个Batchnorm层、10个ELU层、2个池化层、2个上采样层、2个Dropout层、1个Softmax层和输出层，并设置相关参数。将预分类的危险动作样本作为输入数据加入网络，对网络参数进行训练，保存结果及训练完成后的网络结构的各层的权重；

步骤5：构建双路U-Net结构；

双路U-Net结构为双路网络构成一个交替接受输入的结构，由图像输入、双路U-Net特征提取以及预警三步骤构成；

步骤6：图像输入；