[发明专利]一种AI视觉辨识违规行为的方法、系统及设备

说明书

本发明涉及视觉识别领域，公开了一种AI视觉辨识违规行为的方法、系统及设备，包括以下步骤:对工作人员进行人脸数据采集、注册，形成人脸数据库；获取工作人员的违规行为图像，依次进行灰度化处理、二值化处理以及去噪处理、归一化处理，并对违规行为类型进行标注，将违规行为图像的部分作为样本集，其余部分作为测试集；采用HOG算法对样本集中违规行为图像进行违规行为特征提取，得到HOG特征；将HOG特征导入到基于SSD‑300网络的违规行为识别模型中进行训练，并结合测试集计算违规行为识别模型的损失函数；将工作人员的实时行为图像进行前置处理后，输入到完成训练的违规行为识别模型中，输出包含违规行为类型的检测结果。

技术领域

本发明涉及视觉识别领域，具体涉及一种AI视觉辨识违规行为的方法、系统及设备。

背景技术

工作人员在进行危化品作业时，经常出现不规范的作业行为，例如工作人员未戴安全帽、未穿防化服、未系安全带、驾驶槽罐车未进入充装区、槽罐车周界未放置围栏、槽罐车未设置轮挡、其他人员闯入工作区内等，而这些不规范的作业行为存在安全隐患。

传统的做法是安全监管人员在现场进行监管，但是这种方式会有监管不到位的地方，且造成人力资源的浪费；较为先进的做法是通过摄像头进行作业行为的远程监管，但是监管人员长期观看视频内容会疲劳，同样也会造成监管疏漏。

发明内容

为解决上述技术问题，本发明提供一种AI视觉辨识违规行为的方法、系统及设备。

为解决上述技术问题，本发明采用如下技术方案：

一种AI视觉辨识违规行为的方法，用于对工作人员的违规行为进行识别，包括以下步骤:

步骤一：对工作人员进行人脸数据采集、注册，形成人脸数据库；

步骤二：获取工作人员的违规行为图像，依次进行灰度化处理、二值化处理以及去噪处理、归一化处理，并对违规行为类型进行标注，将违规行为图像的部分作为样本集，其余部分作为测试集；

步骤三：采用HOG算法对样本集中违规行为图像进行违规行为特征提取，得到HOG特征；

步骤四：将HOG特征导入到基于SSD-300网络的违规行为识别模型中进行训练，并结合测试集计算违规行为识别模型的损失函数；

步骤五：将工作人员的实时行为图像进行前置处理后，输入到完成训练的违规行为识别模型中，输出包含违规行为类型的检测结果。

具体地，步骤二中，采用MATLAB软件中的premnmx函数对违规行为图像进行归一化处理。

具体地，步骤二中，采用加权平均法对违规行为图像进行灰度化处理，获得灰度化图像；加权平均法为：

Gray(i,j)＝0.299R(i,j)+0.578G(i,j)+0.114B(i,j)；

其中Gray(i,j)、R(i,j)、G(i,j)、B(i，j)依次为像素点(i,j)的灰度值、红色通道值、绿色通道值、蓝色通道值；

对灰度化图像进行二值化处理得到二值化图像：使用灰度化图像的直方图确定二值化的阈值，即找到直方图的两个最高峰，则两个最高峰之间的峰谷即为二值化阈值。

具体地，对二值化图像进行去噪处理时，选取Haar小波函数对二值化图像进行多尺度分解，在各尺度上获得小波系数，共分解3层，计算每层的图像分解信息；其中小波函数

选用硬阈值去噪方法，对各尺度上的小波系数做阈值量化处理：其中w_jk为小波系数，为经过阈值量化处理后的小波系数，λ为采用固定阈值估计的方法计算出的阈值；