[发明专利]基于深度学习的工业制造现场安全帽佩戴识别系统和方法

说明书

本发明涉及图像识别技术领域，特别是涉及基于深度学习的工业制造现场安全帽佩戴识别系统和方法，本系统包括数据采集模块、图像处理标注模块、模型训练模块和实时检测预警模块；基于该系统的方法包括：通过获取施工现场的实时视频数据，对所述实时视频数据进行取流，获取待识别的单帧图像数据输入预先构建的人体头部检测模型，然后基于颜色和形状特征对识别的人体头部信息进行安全帽识别，当识别出人员未佩戴安全帽时，发出报警信息并保留现场数据。通过本系统和方法，能有效解决安全帽佩戴识别效率低和识别效果差的问题，能适用于复杂的工业制造现场。

技术领域

本发明涉及图像识别技术领域，特别是涉及基于深度学习的工业制造现场安全帽佩戴识别系统和方法。

背景技术

随着安防监控摄像头的普及，各种不同场景下的识别需求也应运而生，尤其是针对人员安全方面的识别需求。在工地和工厂以及其他特定区域，现场经常有掉落物体，从安全的角度出发，所有进场的工作人员都必须佩戴安全帽，需要安检人员巡查或通过安防监控摄像头对该类区域进行24小时地实时监控，但由于点多面广，出现疏漏也在所难免，结果难以令人满意。

现有的监控方式大部分是通过人体识别加上安全帽识别的方式进行的安全帽佩戴判断，即先识别画面中有无人体，将整个人体部分的图像裁剪出来，再对上述裁剪后的图像判断是否存在安全帽。例如现有技术中，提出了公开号为CN108460358A，公开日为2018年08月28日的中国发明专利文件，该专利文献所公开的技术方案如下：基于视频流数据的安全帽识别方法，包括以下步骤：视频流数据获取；活动目标提取；人体目标匹配；头部定位；安全帽颜色匹配；安全帽规定颜色匹配；安全帽轮廓匹配。

上述技术方案在实际使用过程中，会出现以下问题：

(1)该方法只能适用于识别精度较高、非常近景的摄像头，针对的目标也必须是一个一个通过。由于工业制造现场的监控摄像头往往布置的离现场设备较远，使得该方案识别效率低，识别效果很不理想，容易出现误识别。

(2)在复杂的工业制造现实场景中，人体在视频画面中容易被遮挡，且图像采集装置的角度也对人体识别的精度有很大影响，容易造成误识别和漏检。并且该方案针对“活动目标”进行判断，当工人长时间不动或进行微小移动时，就无法识别到人的问题。当第一步人体识别出现问题，则后续安全帽识别操作则无法进行。

(3)人体识别后，通过截取前景图片中Y坐标最大值的30％矩形区域为头肩区域，作为判断安全帽的匹配区，不能准确识别安全帽的范围。最后通过颜色匹配再缩小安全帽区域进行轮廓匹配，提取的色块所在区域也不精确。

发明内容

为解决上述技术问题，本发明提出了基于深度学习的工业制造现场安全帽佩戴识别系统和方法，能有效解决安全帽佩戴识别效率低和识别效果差的问题，能适用于复杂的工业制造现场。

本发明是通过采用下述技术方案实现的：

基于深度学习的工业制造现场安全帽佩戴识别系统，其特征在于：包括数据采集模块、图像处理标注模块、模型训练模块和实时检测预警模块；所述数据采集模块用于采集原始视频数据；所述图像处理标注模块用于从视频数据中抽取图片数据并标注头部区域作为原始训练集；所述模型训练模块用于构建基于卷积神经网络的人体头部区域识别模型，并根据安全帽颜色和形状特征建立安全帽自动识别算法；所述实时检测预警模块用于根据所构建模型和算法，对实时视频进行检测，当识别出人员未佩戴安全帽时，发出报警信息并保留现场数据。

基于深度学习的工业制造现场安全帽佩戴识别系统的方法，其特征在于：包括以下步骤：

步骤S₁：视频数据采集，数据采集模块通过高清摄像机录制现场视频并上传至管理系统服务器；

步骤S₂：准备训练数据集，图像处理标注模块对视频数据进行取帧处理和标注工作，得到标注好的图像样本；