[发明专利]一种智能头盔及其智能管控方法

权利要求书

1.一种智能头盔，其特征是，包括嵌入式多核处理组件(3)、耳麦(4)、摄像头组件(2)、头盔转动传感器(8)、GPS模块(7)、射频读卡芯片(5)、5G通信模块(6)、锂电池供电模组(10)和外壳(1)，所述的嵌入式多核处理组件(3)和摄像头组件(2)均安装在外壳(1)的前端且均与锂电池供电模组(10)连接，所述的摄像头组件(2)置于嵌入式多核处理组件(3)的上方，所述的锂电池供电模组(10)安装在外壳(1)内，所述外壳(1)的下边缘一侧设有安装座(9)，所述耳麦(4)的一端与安装座(9)转动连接，所述耳麦(4)的另一端设有麦克风，所述的头盔转动传感器(8)安装在安装座(9)上，所述GPS模块(7)和5G通信模块(6)均安装在耳麦(4)上且置于靠近耳麦(4)与安装座(9)的连接处，所述的射频读卡芯片(5)安装在耳麦(4)上且置于靠近麦克风所在的位置处，所述的耳麦(4)、摄像头组件(2)、头盔转动传感器(8)、GPS模块(7)、射频读卡芯片(5)和5G通信模块(6)均与嵌入式多核处理组件(3)连接。

2.根据权利要求1所述的一种智能头盔，其特征是，所述的嵌入式多核处理组件(3)包括嵌入式多核处理器和大容量内存，所述的嵌入式多核处理器内部集成一个GPU核，GPU核用于图像数据卷积运算，其他核用于其他数据处理及响应头盔转动传感器(8)信号、无线信号、定位信号并将处理后的数据通过5G通信模块(6)发送到后台，所述的大容量内存实时大容量图像数据处理。

3.根据权利要求1或2所述的一种智能头盔，其特征是，所述的摄像头组件(2)包括高清摄像头和与之配套的LED灯，所述高清摄像头具备低感光度和夜视功能的变焦镜头，实时拍摄高清的目标图像，目标图像经过模数信号转换后传输至嵌入式多核处理组件(3)处理。

4.一种智能头盔的智能管控方法，其特征是，基于云边端架构、面向带电作业现场全流程智能管控方法，具体包括如下步骤：

(1)作业人员在手机APP上收到任务工单，到库房领取智能头盔一套；

(2)作业人员带上智能头盔并且带上耳麦，启动智能头盔电源，智能头盔程序自动和后台联系；

(3)后台将作业任务清单发送给智能头盔，智能头盔将以语音方式通过耳麦

(4)播放给作业人员知悉；

(4)作业人员根据作业任务清单，到库房领取工器具，领取时，智能头盔通过射频读卡芯片读取工器具上面的ID，确保工器具型号匹配和出库登记；

(5)作业人员根据智能头盔集成的优化的作业导航地图和语音提示，到作业地点开始作业；在作业时候，智能头盔上的高清摄像头会实时拍摄作业现场环境和作业流程；

(6)等作业全部完成后，作业人员通过麦克风发出：“作业完成”语音提示，智能头盔收到语音后，自动生成作业任务完成清单上报到云台，同时语音提示作业人员：“作业已完成”，请返回并归还工器具；

(7)作业人员返回后将借出的工器具归还，智能头盔通过射频读卡芯片会进行入库登记到云台；

(8)作业任务结束。

5.根据权利要求4所述的一种智能头盔的智能管控方法，其特征是，在步骤(3)中，作业任务清单包括：作业地点、所需工器具、车辆、人员数量以及环境情况。

6.根据权利要求4所述的一种智能头盔的智能管控方法，其特征是，在步骤(5)中，如果需要对部分设备的作业流程和使用方法进行重点监管，作业人员通过麦克风发出：“目标检测”语音提示，智能头盔在收到检测提示音后，将立即关闭视频监测录像功能，自动切换到本地部署的目标检测程序，检测出目标设备会上报到云台，从云台下载相关目标设备的作业流程规范及使用方法语音资料，以语音提示给作业人员，供作业人员参考；目标检测完成后，智能头盔会自动切换到视频实时监测功能。

7.根据权利要求6所述的一种智能头盔的智能管控方法，其特征是，在步骤(5)中，智能头盔提出了一种资源受限条件下基于改进YOLOv5架构的目标检测算法，该算法的图像检测框架采用YOLOv5架构，在YOLOv5骨干网络BeckBone层使用改进的K-means算法重新设计先验框尺寸并将其匹配到相应的特征层，从而在解决嵌入式系统硬件资源受限条件下边界框标注时带来的偏差、回归不准确问题的同时，加快了收敛的速度，提高目标检测的精度，具体的算法流程如下：

(51)假设图像输入预测边界框b和真实边界框b^g，并且：

b＝(x₁,y₁,x₂,y₂),

其中，括号内的x₁，y₁，x₂，y₂分别对应边界框b的左边界x轴的值，上边界y轴的值，右边界x轴的值，下边界y轴的值，以上坐标点均为归一化值；x^g₁，y^g₁，x^g₂，y^g₂同理可得；

对于预测边界框b确保x₂x₁，y₂y₁，主要是为了方便之后点的对应关系:

(52)计算b^g的面积:

(53)计算b的面积：A＝(x₂-x₁)×(y₂-y₁)；

(54)计算预测边界框b和真实边界框b^g之间的重叠面积f：

(55)找到可以包含预测边界框b和真实的边界框b^g的最小边界框b^c

(56)计算b^c的面积和平衡交换比L_IoU:

(57)计算对于N个样本的KL散度最小化

其中，KL散度又称相对熵，是描述两组概率分布差异的一种方法；D_KL为KL系数，P_g(x)，P_(x)分别为真实边界框和预测边界框对应的两组概率分布；

(58)计算长宽比的一致性u和权衡参数E:

其中，w^g、h^g为真实边界框的宽度和高度；w、h为预测边界框的宽度和高度；

(59)计算优化后的平衡交换比L_OIoU：

其中，h(b,b^g)为预测边界框和真实边界框的高度差；h^c为最小边界框的高度，预测边界框的高度值和真实边界框的高度值是根据步骤(51)中各自y坐标值相减来获得，最小边界框的高度值是根据步骤(55)中y坐标值相减来获得；

(510)算法最终得到N个样本的KL散度最小化平衡交换比L_IoU、优化后的平衡交换比L_OIoU，这3个值用于目标检测算法的特征层面，最终用于提高目标检测的精度。