[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

说明书

本发明公开了一种基于机器视觉自动检测工人不安全行为的方法，该方法包括：步骤S10、获取工人不安全行为的原始图像；步骤S20、制作不安全行为标签图像；步骤S30、构建目标检测模型，然后对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。本发明所提供的自动识别工人不安全行为的方法，其原理在于建立工人不安全行为数据库，通过深度学习算法自动识别工人的不安全动作并显示结果，从而降低工人不安全行为的发生率。相比于传统的监测方法，本发明具有自动化、监测效果好、操作简单等优点。

技术领域

本发明涉及安全监控、安全检测技术领域，具体是一种基于机器视觉自动检测工人不安全行为的方法。

背景技术

近年来我国建筑行业的发展突飞猛进，由于工程项目恶劣的地质环境与复杂的施工工艺，高处坠落、物体打击、车辆伤害、坍塌、碰撞以及触电等事故导致工人伤亡的现象在施工过程中频频发生。通过对近年来建筑工程安全生产事故及原因统计，发现工人的不安全行为是导致事故发生的重要因素，因此加强对工人不安全行为的监测管理迫在眉睫。

然而，传统的监测方法是通过观察法、访谈法以及调查法等方式以记录工人活动并对他们的行为作出分析，这种传统形式上的工人行为测量方法在实际应用中存在一定程度上的局限性，一方面，用于观察不安全行为的数据样本需求量巨大，数据获取工作量将消耗大量人力资源；另一方面，观察与报告不安全行为需要工人的积极配合，由于对于不安全行为的感受程度可能因人而异，过分依赖于工人的观察容易造成主观方面的影响。因此，需要一种能够轻松测量工人不安全行为的自动化的、可靠的客观技术以支持工人行为的观察。为解决传统工人活动观察方式的局限性，引入计算机视觉的手段检测工人不安全动作，或将在一定程度上提高对工人不安全行为的观察能力与效果。

发明内容

本发明要解决的技术问题是：自动检测工人不安全行为并接收识别结果，进而减少工人生产事故的发生。

为了实现上述目的，本发明所提供的基于机器视觉自动识别工人不安全行为的检测方法，包括以下步骤：

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。

进一步地，所述步骤S10中的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。

进一步地，所述步骤S20具体为：

步骤S21: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。

步骤S22: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。

进一步地，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。