[发明专利]一种基于深度学习的厂区人员异常行为检测方法

说明书

本发明提供一种基于深度学习的厂区人员异常行为检测方法，包括：基于YOLOv4网络训练厂区人员模型；设定抓图帧率和检测间隔；通过摄像头获取生产区域的实时视频流，按设定的抓图帧率和检测间隔抓取图像，并对图像进行预处理；加载训练好的厂区人员模型，对预处理后的图像进行厂区人员检测，得到一个或多个厂区人员区域的目标框；利用Sort多目标跟踪算法对目标框进行目标追踪，得到目标区域图像；裁剪目标区域图像，对裁剪图像进行灰度变换，转换为灰度图像；利用Horn‑Schunck光流法计算两次异常检测之间同一个框内灰度图像的变化幅度；根据变化幅度判定该人员行为是否异常。本发明判断结果准确，可提高监控的效率与可靠性。

技术领域

本发明涉及智能监控技术领域，具体是一种基于深度学习的厂区人员异常行为检测方法。

背景技术

企业的安全、有序生产是国家经济持续发展和企业做大做强的关键，如何有效地做好生产场所的安全监控，做好安全防范，排除安全隐患，避免事故的发生，便成了安全生产中应长久关注的话题。

对于生产线，操作工人因误操作导致身体受伤，或者打盹、走神、闲聊、看手机等行为导致生产异常中断的情况经常发生。对于设备多、生产工艺复杂的生产车间，存在很多封闭区域的情况。在该区域内，当只有一个人在场作业且发生意外情况失去意识或无法移动(如晕倒)时，可能会因为无人发现而延误治疗以致情况恶化。

为保证高效、安全生产，目前主要是采用人工巡视的方式，岗位工人要7*24小时巡视所有生产线和封闭区域，效率低下，而且需要大量的人力、物力、财力。因此，迫切需要一种能自动发现这种异常情况并进行报警的检测方法。

发明内容

针对以上需求，本发明提供了一种基于深度学习的厂区人员异常行为检测方法，将最大限度的发挥视频监控技术的优势，做到视频图像人工智能分析判断，可节约大量的人力资源和成本，提高监控的效率与可靠性，对于工厂生产的安全运行及管理提供了重要的保障。

为实现上述目的，本发明提供了一种基于深度学习的厂区人员异常行为检测方法，包括以下步骤：

步骤一、基于YOLOv4网络训练厂区人员模型；

步骤二、设定抓图帧率r(单位：帧/秒)和检测间隔interval(单位：帧)；

步骤三、通过摄像头获取生产区域的实时视频流，按照步骤二设定的抓图帧率r和检测间隔interval抓取图像，并对图像进行预处理；

步骤四、加载训练好的厂区人员模型，对步骤三预处理后的图像进行厂区人员检测，得到一个或多个厂区人员区域的目标框；

步骤五、利用Sort多目标跟踪算法对目标框进行目标追踪，得到目标区域图像；

步骤六、裁剪目标区域图像，对裁剪图像进行灰度变换，转换为灰度图像；

步骤七、利用Horn-Schunck光流法计算两次异常检测之间同一个框内灰度图像的变化幅度；

步骤八、判断变化幅度是否小于阈值，如果小于阈值，则判定该人员行为异常，发出报警信息。

进一步地，所述步骤一基于YOLOv4网络训练厂区人员模型，包括以下步骤：

1)建立厂区人员专用数据集，按照9:1的比例划分训练集和测试集；

2)建立YOLOv4网络结构，以CSPdarknet53作为骨干网络，空间金字塔池化模块SPP和路径聚合网络模块PANet作为颈部，YOLOv3作为头部预测输出；

3)首先使用ImageNet大型数据集对2)步骤中得到的网络结构进行训练，得到预训练模型，然后再对网络结构进行特定训练参数设定；

4)使用训练集对预训练模型进行迭代训练，直到损失函数收敛，得到厂区人员检测模型；