[发明专利]采油作业现场吸烟人员识别处理方法及系统

说明书

本发明提供一种采油作业现场吸烟人员识别处理方法及系统，属于机器视觉技术领域，调用摄像头对采油作业现场进行拍照获取环境照片；使用识别模型确定环境照片中是否有烟头；其中，识别模型为使用多组数据通过机器学习训练得出；多组数据包括第一类数据和第二类数据；第一类数据中的每组数据均包括：包含烟头的照片和标识该照片中包含烟头的标签；第二类数据中的每组数据均包括：不包含烟头的照片和标识该照片中不包含烟头的标签；在环境照片存在烟头的情况下，则判定采油作业现场人员存在吸烟行为，并发出预警信号。本发明提取了图像的多尺度特征，得到多层特征映射，得到特征金字塔，解决了尺度变化问题，可快速准确的进行现场照片中的烟头识别。

技术领域

本发明涉及机器视觉技术领域，具体涉及一种基于无锚和多尺度特征自适应融合的采油作业现场吸烟人员识别处理方法及系统。

背景技术

由于采油作业现场环境复杂，采油施工人员的不规范操作存在着重大安全隐患，尤其是人员吸烟问题，可能会造成重大事故。能实时和准确的检测到采油现场人员的吸烟行为并在第一时间发起警报对于保证采油现场生产安全具有重要意义。快速且准确的检测到现场视频图像中的烟头对于识别现场人员是否吸烟至关重要，而烟头属于小目标问题，难以检测。

在计算机视觉领域，一张图片通常存在多个目标，目标的尺寸和姿态各有所异，多尺度问题，尤其是小目标问题一直阻碍检测精度的提升。由于小目标相比其他目标具有分辨率低，模糊，携带信息较少的问题，因此，检测网络提取该类目标的特征表达能力弱，且难以获取足够的特征来对目标进行精确的定位和标注。

目前采用的目标检测器都是以损失精度或速度为代价的。近几十年来，由于卷积神经网络(CNN)的出现，基于锚的两阶段和一阶段目标检测算法分别在精度和速度方面得到了巨大的提升。但是，两级检测器获得更好的精度但速度慢，而一级检测器具有高效率但精度较低。因此，融合不同的检测框架或方法以利用它们的优点并克服它们的缺点通常是有益的。

为了解决CNN存在参数量大和尺度限定的问题，全卷积网络(FCN)实现了参数共享，且可以对图像进行像素级的分类，可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生一个预测，同时保留原始输入图像中的空间信息，但是，全卷积网络(FCN)没有充分考虑像素与像素之间的关系。

发明内容

本发明的目的在于提供一种基于无锚和多尺度特征自适应融合的采油作业现场吸烟人员识别处理方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种采油作业现场人员吸烟检测识别处理方法，该方法包括：

调用摄像头对采油作业现场进行拍照获取环境照片；

使用识别模型对环境照片进行分析，确定所述环境照片中是否有烟头；其中，所述识别模型为使用多组数据通过机器学习训练得出；所述多组数据包括第一类数据和第二类数据；所述第一类数据中的每组数据均包括：包含烟头的照片和标识该照片中包含烟头的标签；第二类数据中的每组数据均包括：不包含烟头的照片和标识该照片中不包含烟头的标签；

在所述环境照片存在烟头的情况下，则判定采油作业现场人员存在吸烟行为，并发出预警信号。

优选的，使用多组数据通过机器学习训练所述识别模型包括：

分别获取第一类数据中照片的每个像素的第一预测信息和第二类数据中照片的每个像素的第二预测信息；

利用损失函数分别计算所述第一预测信息与所述第一类数据的标签信息的第一误差以及所述第二预测信息与所述第二类数据的标签信息的第二误差；

采用反向传播法对所述预先构建的检测识别网络的参数进行优化，直至所述第一误差和所述第二误差分别达到各自的期望值，得到所述识别模型。