[发明专利]一种基于机器视觉自动检测工人不安全行为的方法

权利要求书

1.一种基于机器视觉自动检测工人不安全行为的方法，其特征在于：包括如下步骤：步骤S10：获取工人不安全动作的原始图像；步骤S20：在每张图像上标出所述不安全行为的类别及位置，建立不安全行为标签图像；步骤S30：构建目标检测模型，将所述标签图像分为训练集和验证集，然后对该模型进行训练和验证；步骤S40：获取实时监控视频，将所得图像帧后输入目标检测模型进行检测，自动识别工人不安全行为并通过监控软件接收识别结果。

2.如权利要求1所述的一种基于机器视觉自动检测工人不安全行为的方法，其特征在于：所述步骤S10中，所述工人不安全行为原始图像包括平躺、倚靠、跳跃、抛掷和佩戴安全装备这5项，因为平躺容易造成物体打击，抛掷容易造成高处坠落，倚靠容易造成坍塌，跳跃容易造成机械伤害，安全装备可以保护工人的身体健康。

3.如权利要求1所述的一种基于机器视觉自动检测工人不安全行为的方法，其特征在于：所述步骤S20具体为：将所述原始图像打乱顺序依次编号并且以000001.jpg格式保存，使用裁剪工具将原始图像裁剪为大小500*375或375*500得到新样本；利用样本标注工具LabelImg对所述新样本进行标注，在每张图像上标出所述不安全行为的具体位置和类别，建立不安全行为标签图像。

4.如权利要求1所述的一种基于机器视觉自动检测工人不安全行为的方法，其特征在于：所述步骤S30具体包括：步骤S31:所述目标检测模型为Zeiler and Fergus(ZF)卷积神经网络模型，深度学习算法为Faster R-CNN；步骤S32：将所述标签图像分为训练集和验证集，将所述训练集输入目标检测模型进行训练，判别损失函数是否满足限定，若是，则进入步骤S33；若否，则重新训练；所述训练集与验证集的拆分比例优选为1:1；步骤S33:将所述验证集输入目标检测模型进行验证，判断是否到达训练次数或小于限定误差，判断不安全行为的类别及位置是否检测准确，若是，则完成训练，保存模型；若否，则进入步骤S32。

5.如权利要求1所述的一种基于机器视觉自动检测工人不安全行为的方法，其特征在于：所述步骤S40具体为：利用多媒体处理工具FFmpeg从符合要求的监控摄像头获取工人的实时监控视频，并输入Nginx服务器，利用Nginx服务器对获取的实时监控视频进行解码后，将监控视频图像输入模型中进行检测，自动识别存在不安全行为的跟踪目标，可通过监控软件接收识别结果并判断不安全行为类别。