[发明专利]一种检测大型机械吊臂下是否有人的方法和系统

权利要求书

1.一种用于检测大型机械吊臂下是否有人的方法，其特征在于，包括以下步骤：

采集包含整个大型机械的工作场景图像；

利用标记框对采集的图像进行标注，标注对象包括所有的人员、整个大型机械、以及对应的类别，将标记后的图像所构成的数据集输入深度学习神经网络Faster RCNN中进行训练和测试，得到识别模型；

将采集的工作场景图像输入到训练后的识别模型中，获得各个标记框的位置坐标及对应的类别；

使用边缘检测Canny算子对输入图像进行边缘检测，然后将带有边缘信息的图像作为输入，使用分水岭算法，得到吊臂的覆盖范围；

提取与人员对应的所有标记框，并且计算各标记框与吊臂的覆盖范围是否有交集，若有交集则视为吊臂的覆盖范围内有人员出现即视为违规，发出警报。

2.一种用于检测大型机械吊臂下是否有人的系统，其特征在于，包括：

采集装置，用于采集包含整个大型机械的工作场景图像；

检测装置，在上存储有检测程序，该检测程序在执行时用于实现以下步骤：

将采集的工作场景图像输入到训练后的识别模型中，获得各个标记框的位置坐标及对应的类别；

使用边缘检测Canny算子对输入图像进行边缘检测；然后将带有边缘信息的图像作为输入，使用分水岭算法，得到吊臂的覆盖范围；

提取与人员对应的所有标记框，并且计算各标记框与吊臂的覆盖范围是否有交集，若有交集则视为吊臂的覆盖范围内有人员出现即视为违规，发出警报，其中，所述识别模型的获取方法如下：利用标记框对采集的图像进行标注，标注对象包括所有的人员、整个大型机械、以及对应的类别，将标记后的图像所构成的数据集输入深度学习神经网络Faster RCNN中进行训练和测试，得到识别模型。

3.一种用于检测大型机械吊臂下是否有人的方法，其特征在于，包括以下步骤：

采集包含整个大型机械的工作场景图像；

利用标记框对采集的图像进行标注，标注对象包括所有的人员、整个大型机械、以及整个吊臂及对应的类别，将标记后的图像所构成的数据集输入深度学习神经网络FasterRCNN中进行训练和测试，得到识别模型；

将采集的工作场景图像输入到训练后的识别模型中，获得各个标记框的位置坐标及对应的类别；

提取吊臂对应的标记框和整个大型机械对应的标记框，然后根据两标记框的几何位置关系判断吊臂位置，然后通过估算获得吊臂的覆盖范围；

提取所有人员对应的标记框，并且计算各标记框与吊臂的覆盖范围是否有交集，若有交集则视为吊臂的覆盖范围内有人员出现即视为违规，发出警报。

4.根据权利要求3所述的用于检测大型机械吊臂下是否有人的方法，其特征在于，判断吊臂位置的方法包括：获取吊臂对应的标记框和整个大型机械对应的标记框的近似重合的上角点，并将该上角点作为吊臂的末端点，然而将与该上角点对应的下角点作为吊臂的起始点。

5.一种用于检测大型机械吊臂下是否有人的系统，其特征在于，包括：

采集装置，用于采集包含整个大型机械的工作场景图像；

检测装置，在上存储有检测程序，该检测程序在执行时用于实现以下步骤：

将采集的工作场景图像输入到训练后的识别模型中，获得各个标记框的位置坐标及对应的类别；

提取吊臂对应的标记框和整个大型机械对应的标记框，然后根据两标记框的几何位置关系判断吊臂的位置，然后通过估算获得吊臂的覆盖范围；

提取所有人员对应的标记框，并且计算各标记框与吊臂的覆盖范围是否有交集，若有交集则视为吊臂的覆盖范围内有人员出现，即视为违规，发出警报，

其中，所述识别模型的获取方法如下：利用标记框对采集的图像进行标注，标注对象包括所有的人员、整个大型机械、以及对应的类别，将标记后的图像所构成的数据集输入深度学习神经网络Faster RCNN中进行训练和测试，得到识别模型。