[发明专利]一种基于深度学习图像处理的电焊施工检测方法

说明书

本发明公开一种基于深度学习图像处理的电焊施工检测方法，包括以下步骤：步骤(1)、通过监控摄像头，录制大量厂区的视频，包括不同俯视角度、不同时段、不同环境的场景画面，其中有正在进行电焊作业的和没有电焊作业的场景。步骤(2)、解析视频，依次提取帧数据保存为一张张的图片，并将图片分为两类：有电焊作业和没有电焊作业。有电焊作业的图片作为正样本数据集，没有电焊作业的图片作为负样本数据集。本发明针对电焊作业这类特定场景，创新性地运用图形学和深度学习技术，分析厂区的视频监控画面，检测出电焊作业行为，并记录下现场画面，将信息发给管理人员来处理，从而为管理人员提供了一套高效的智能监测解决方案。

技术领域

本发明涉及视频智能分析技术领域，具体涉及一种基于深度学习图像处理的电焊施工检测方法。

背景技术

随着制造业的迅速发展，在工业生产作业中，电焊施工作业日益频繁。作为一项明火作业，电焊具有高温、高压、易燃易爆的危险，而且作业现场电焊熔融的金属火花会到处飞溅或从高空掉落焊渣，极易引燃可燃物，造成火灾事故。按照《中华人民共和国消防法》的相关规定，电焊施工作业必须经过安全管理人员批准。办理审批手续后，方可在申请的时间段进行作业。然而，部分企业工作人员安全意识薄弱，存在侥幸心理，会违反规定进行作业，带来严重的安全隐患。

为了保证电焊作业都按照规定来操作，应急管理部门通过安装在工厂的摄像头进行远程监控，不定期对辖区内的企业进行巡检和抽查，确保电焊作业是在指定的时间段进行，并且符合作业规范。同类生产企业往往汇集在同一区域或同一个工业园区内，导致辖区内的企业较多，而管理人员人手有限，不足以覆盖所有的区域。另外，依靠人工肉眼监督，效率低，长时间的疲劳作业也会带来安全漏洞。

有鉴于此，本发明提出了一种基于深度学习图像处理的电焊施工检测方法，融合图形学和深度学习技术，对监控视频流进行实时分析，一旦检测到电焊施工作业，记录下画面，交由管理人员进行进一步的审核确认。该方法能够自动监测所有的作业现场，及时发现违规作业情况，极大提高管理人员的工作效率。

发明内容

本发明的目的在于提供一种基于深度学习图像处理的电焊施工检测方法，用于自动监测辖区内企业的电焊施工作业。在进行电焊施工时，焊接中心亮度高，且有持续的金属火花溅出，表现出明显的颜色特征和运动特征。本发明针对电焊作业这类特定场景，创新性地运用图形学和深度学习技术，分析厂区的视频监控画面，检测出电焊作业行为，并记录下现场画面，将信息发给管理人员来处理，从而为管理人员提供了一套高效的智能监测解决方案。

为实现上述目的，本发明提供如下技术方案：

一种基于深度学习图像处理的电焊施工检测方法，具体包括以下步骤：

步骤(1)、通过监控摄像头，录制大量厂区的视频，包括不同俯视角度、不同时段、不同环境的场景画面，其中有正在进行电焊作业的和没有电焊作业的场景。

步骤(2)、解析视频，依次提取帧数据保存为一张张的图片，并将图片分为两类：有电焊作业和没有电焊作业。有电焊作业的图片作为正样本数据集，没有电焊作业的图片作为负样本数据集。

步骤(3)、将正负样本数据集分别划分为训练数据集和测试数据集。

步骤(4)、构建MobileNet V2深度神经网络模型。

步骤(5)、使用训练数据集训练深度神经网络模型，输入正样本，即包括电焊作业画面的图片，该网络的输出为1；输入负样本，即不包括电焊作业画面的图片，该网络的输出应为0。训练过程中，每完成一次对整个样本集的遍历时，使用测试数据集对当前的深度神经网络模型进行性能测试，一旦发现测试结果满足精度要求，则结束训练。

步骤(6)、将训练好的深度神经网络模型部署在实时视频分析系统中，结合图形学，分析厂区视频监控设备采集的画面，检测有没有电焊作业行为。