[发明专利]一种基于显著性神经网络模型的施工安全预警方法和装置

说明书

本发明公开了一种基于显著性神经网络模型的施工安全预警方法和装置，通过对施工设备和人员图像集进行图像预处理，生成训练样本数据，构建初始显著性神经网络模型，训练生成目标显著性神经网络模型，当接收到待识别施工现场图像时，采用待识别施工现场图像输入目标显著性神经网络模型，生成目标细化特征图，确定多个对应的目标本体区域，并对目标本体区域进行标识，基于是否满足预设条件的判断结果，判断目标本体数据关联的施工人员是否存在施工安全隐患；解决现有卷积神经网络无法准确的识别图片中施工人员与施工设备的像素点特征差异，突出施工人员局部区域的显著特征，从而造成未能及时给施工人员提供安全预警，存在施工安全隐患的技术问题。

技术领域

本发明涉及工地现场安全监测技术领域，尤其涉及一种基于显著性神经网络模型的施工安全预警方法和装置。

背景技术

随着人工智能技术的飞速发展，推动了计算机视觉领域的发展，当大量的图片数据信息在互联网上传输，可供利用的数据集也就越来越多，对图片信息的特征提取就愈发重要。

早期的显著性检测大多将研究重心放在人眼注意点的检测上，即检测图像中最吸引人类眼光的地方，检测结果为一组光亮点组成的感兴趣区域，随着计算机视觉的进一步发展，单一的视觉注意点检测逐渐难以满足其需求。

因此，研究者提出将显著性检测看作是一个图像分割问题，将图像的显著性目标区域从背景中分割出来，并将该任务称为显著性目标检测。

目前，通过利用卷积神经网络高效的特征提取能力，虽然极大地提升了显著性目标检测算法的性能，但是仅仅依靠卷积神经网络做简单的特征拼接或相加等融合策略还是无法有效地增强特征，导致检测算法在施工场景中出现图片噪声和冗余像素输入过多，无法准确的识别图片中施工人员与施工设备的像素点特征差异，突出施工人员局部区域的显著特征，从而造成未能及时给施工人员提供安全预警，存在施工安全隐患。

发明内容

本发明提供了一种基于显著性神经网络模型的施工安全预警方法和装置，解决了现有卷积神经网络无法有效地增强特征，导致检测算法在施工场景中出现图片噪声和冗余像素输入过多，无法准确的识别图片中施工人员与施工设备的像素点特征差异，突出施工人员局部区域的显著特征，从而造成未能及时给施工人员提供安全预警，存在施工安全隐患的技术问题。

本发明第一方面提供的一种基于显著性神经网络模型的施工安全预警方法，包括：

当接收到施工设备和人员图像集时，对所述施工设备和人员图像集进行图像预处理，生成训练样本数据；

采用预设VGGnet16卷积神经网络模型与预设交并空间型神经网络模型构建交并空间注意力机制卷积神经网络模型，并结合预设LSTM神经网络模型构建初始显著性神经网络模型；

采用所述训练样本数据对所述初始显著性神经网络模型进行训练，生成目标显著性神经网络模型；

当接收到待识别施工现场图像时，采用所述待识别施工现场图像输入所述目标显著性神经网络模型，生成目标细化特征图；

从所述目标细化特征图提取对应的目标本体数据，根据所述目标本体数据确定多个对应的目标本体区域，并对所述目标本体区域进行标识；

基于多个所述目标本体区域是否满足预设条件的判断结果，判断所述目标本体数据关联的施工人员是否存在施工安全隐患。

可选地，所述采用所述训练样本数据对所述初始显著性神经网络模型进行训练，生成目标显著性神经网络模型的步骤，包括：

将所述训练样本数据输入所述初始显著性神经网络模型，生成对应的训练细化特征图；

计算所述训练细化特征图与关联的标准细化特征图之间的训练损失值；

比较所述训练损失值与预设的训练标准阈值；