[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

说明书

本发明公开了一种用于检测大型机械吊臂下是否有人的方法和系统，该方法包括：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，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，若有交集即视为违规，发出警报。本发明提升了施工现场的安全性，同时减轻了监控人员的工作负担。

技术领域

本发明属于深度学习计算机视觉技术领域，尤其涉及一种用于检测大型机械吊臂下是否有人的方法和系统。

背景技术

电力施工现场中对于机械吊臂的安全性有着极高的要求。在开始作业前，起重机指挥人员应当全面了解被吊物的具体信息，合适吊臂的作业半径，并且被吊物的重量不宜超过额定重量的80％。

在电力施工场景中，常常会有各类人员分散在场景各处，对于大型机械吊臂下是否有人的检测和警告常常是由现场巡逻人员人工干预的，这一机制具有很大的弊端。其滞后性太高，不管现场巡逻人员或安检人员如何检测并干预，总会存在检查死角和一定时间滞后，这样就具有了很大的安全隐患。

还有一部分施工现场采用监控摄像头摄录现场内容，让专人在监控室进行监控并警告违规人员，这样做也只是相对巡逻检测方便一些，并没有在流程上做更多简化。

发明内容

本发明的目的在于提供一种检测大型机械吊臂下是否有人的方法和系统，其将传统图像处理和深度学习方法进行结合，使得在电力监控场景中针对机械吊臂下有无人员的检测成为可能。

为此，本发明一方面提供了一种用于检测大型机械吊臂下是否有人的方法，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，使用分水领算法，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。

根据本发明的另一方面，提供了一种用于检测大型机械吊臂下是否有人的方法，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训练集输入深度学习神经网络Faster RCNN中进行训练，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。