钢轨切割作业护目镜佩戴检测方法、装置、系统、设备及介质与流程

本技术涉及目标检测，特别是涉及钢轨切割作业护目镜佩戴检测方法、装置、系统、设备及介质。

背景技术：

1、随着铁路运输网络的持续扩展与重载化、高速化趋势的不断推进，钢轨维护与更换作业频次显著增加，作业安全风险也随之上升，在各类钢轨现场施工操作中，切割作业因伴随高温、强光、飞溅金属颗粒等高危因素，对作业人员眼部安全构成严重威胁。因此，规范佩戴符合标准的护目镜已成为保障一线工人职业健康与生命安全的关键措施。

2、目前，针对个人防护装备检测多基于通用目标检测模型，难以适应复杂光照、遮挡、姿态变化等实际工况场景，导致在复杂光照、遮挡、姿态变化等实际工况下的护目镜佩戴状态检测结果的准确度较低。

3、因此，如何提高实际工况下护目镜佩戴状态检测结果的准确度，是一个需要解决的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种钢轨切割作业护目镜佩戴检测方法、装置、系统、计算机设备、计算机可读存储介质和计算机程序产品，用以提高实际工况下护目镜佩戴状态检测结果的准确度。

2、第一方面，本技术提供了一种钢轨切割作业护目镜佩戴检测方法，包括：

3、获取包括目标对象面部区域的待检测图像；

4、将所述待检测图像输入训练好的护目镜识别模型的多个不同尺度的深度可分离卷积模块中，得到每一所述深度可分离卷积模块输出的卷积特征；

5、将所有所述卷积特征融合后的第一融合特征，分别输入所述护目镜识别模型的通道注意力模块以及空间注意力模块中，得到所述通道注意力模块输出的通道特征，以及所述空间注意力模块输出的空间特征；

6、将所述通道特征以及所述空间特征融合后的第二融合特征，分别输入所述护目镜识别模型的位置检测模块以及状态检测模块中，得到所述状态检测模块输出的所述目标对象的护目镜佩戴状态，以及所述位置检测模块输出的所述目标对象的护目镜佩戴位置；所述护目镜佩戴状态以及所述护目镜佩戴位置表征所述目标对象的护目镜佩戴检测结果。

7、在其中一个实施例中，所述护目镜识别模型通过如下步骤训练得到：

8、将护目镜样本图像输入初始识别模型中，得到所述初始识别模型输出的护目镜佩戴训练状态以及护目镜佩戴训练位置；

9、基于所述护目镜佩戴训练状态，以及所述护目镜样本图像中的护目镜佩戴实际状态，确定状态损失；

10、基于所述护目镜佩戴训练位置，以及所述护目镜样本图像中的护目镜佩戴实际位置，确定位置损失；

11、基于所述状态损失以及所述位置损失，对所述初始识别模型的模型参数进行调整，得到所述护目镜识别模型。

12、在其中一个实施例中，所述将所述待检测图像输入训练好的护目镜识别模型的多个不同尺度的深度可分离卷积模块中，得到每一所述深度可分离卷积模块输出的卷积特征，包括：

13、在每一所述深度可分离卷积模块中执行以下方法：

14、根据每一所述深度可分离卷积模块的通道数量，对相应的所述待检测图像进行逐通道卷积，得到相应通道的特征图；

15、在每一所述深度可分离卷积模块中，将所有通道的所述特征图在空间像素点上进行卷积，得到每一所述深度可分离卷积模块输出的卷积特征。

16、在其中一个实施例中，所述将所有所述卷积特征融合后的第一融合特征，分别输入所述护目镜识别模型的通道注意力模块以及空间注意力模块中，得到所述通道注意力模块输出的通道特征，以及所述空间注意力模块输出的空间特征，包括：

17、将所有所述卷积特征进行融合，得到所述第一融合特征；

18、将所述第一融合特征输入所述通道注意力模块中执行以下步骤：

19、将所述第一融合特征在空间维度上分别进行全局平均池化以及全局最大池化，对应得到平均池化特征以及最大池化特征；将所述平均池化特征以及所述最大池化特征进行跨通道融合，得到通道注意力特征；将所述通道注意力特征与所述第一融合特征，在通道维度上逐通道相乘，得到所述通道特征；

20、将所述第一融合特征输入所述空间注意力模块中执行以下步骤：

21、将所述第一融合特征在通道维度进行平均池化以及最大池化，对应得到的第一通道特征以及第二通道特征；将所述第一通道特征以及所述第二通道特征进行卷积，得到空间注意力特征；将所述空间注意力特征与所述第一融合特征，在空间维度上逐像素相乘，得到所述空间特征。

22、在其中一个实施例中，在所述将所述通道特征以及所述空间特征融合后的第二融合特征，分别输入所述护目镜识别模型的位置检测模块以及状态检测模块中，得到所述位置检测模块输出的所述目标对象的护目镜佩戴状态之后，所述方法还包括：

23、基于所述目标对象的护目镜佩戴检测结果，确定所述目标对象佩戴护目镜的安全等级；

24、基于所述安全等级以及预设违规等级，确定告警信息；

25、将所述告警信息传输至所述目标对象所处场景的终端中，以使所述终端对所述目标对象的护目镜佩戴状态进行警示。

26、在其中一个实施例中，所述获取包括目标对象面部区域的待检测图像，包括：

27、获取所述目标对象所处环境的环境参数；

28、基于所述环境参数，确定钢轨切割作业的干扰因子；

29、基于所述干扰因子调整图像采集设备的采集参数；

30、基于所述采集参数控制所述图像采集设备，采集所述目标对象面部区域的所述待检测图像。

31、第二方面，本技术还提供了一种钢轨切割作业护目镜佩戴检测装置，包括：

32、图像获取模块，用于获取包括目标对象面部区域的待检测图像；

33、卷积模块，用于将所述待检测图像输入训练好的护目镜识别模型的多个不同尺度的深度可分离卷积模块中，得到每一所述深度可分离卷积模块输出的卷积特征；

34、注意力模块，用于将所有所述卷积特征融合后的第一融合特征，分别输入所述护目镜识别模型的通道注意力模块以及空间注意力模块中，得到所述通道注意力模块输出的通道特征，以及所述空间注意力模块输出的空间特征；

35、检测模块，用于将所述通道特征以及所述空间特征融合后的第二融合特征，分别输入所述护目镜识别模型的位置检测模块以及状态检测模块中，得到所述状态检测模块输出的所述目标对象的护目镜佩戴状态，以及所述位置检测模块输出的所述目标对象的护目镜佩戴位置；所述护目镜佩戴状态以及所述护目镜佩戴位置表征所述目标对象的护目镜佩戴检测结果。

36、第三方面，本技术还提供了一种钢轨切割作业护目镜佩戴检测系统，所述系统包括：

37、图像采集模块、边缘处理模块以及告警反馈模块；

38、所述图像采集模块，用于采集所述目标对象面部区域的待检测图像，并将所述待检测图像传输至所述边缘处理模块；

39、所述边缘处理模块用于执行上述第一方面任一实施例所述的钢轨切割作业护目镜佩戴检测方法，以得到目标对象的护目镜佩戴检测结果，并将所述护目镜佩戴检测结果传输至所述告警反馈模块；

40、所述告警反馈模块，用于基于所述护目镜佩戴检测结果对护目镜佩戴状态进行警示。

41、第四方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一实施例中的钢轨切割作业护目镜佩戴检测方法的步骤。

42、第五方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一实施例中的钢轨切割作业护目镜佩戴检测方法的步骤。

43、第六方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面任一实施例中的钢轨切割作业护目镜佩戴检测方法的步骤。

44、在上述实现过程中，将待检测图像通过护目镜识别模型的多个不同尺度的深度可分离卷积模块进行卷积，得到每一深度可分离卷积模块输出的卷积特征。相较于传统的标准卷积操作，深度可分离卷积模块能够减少护目镜识别模型的参数量和计算复杂度。并通过多尺度特征提取确保了护目镜识别模型既能识别出远处微小的护目镜特征，也能捕捉近处大目标的细节纹理，提高了护目镜识别模型对多尺度目标的适应能力，便于提高护目镜识别模型对实际工况下检测结果的准确度。将所有卷积特征融合为第一融合特征，有效地整合了多层次的语义信息。进一步地，将第一融合特征通过通道注意力模块进行处理，能够使通道注意力模块自动学习不同特征通道的重要信息；将第一融合特征通过空间注意力模块进行处理，能够使空间注意力模块引导模型关注图像中包含护目镜的关键空间区域（如眼部周围）；然后将通道注意力模块与空间注意力模块的输出融合为第二融合特征，使护目镜识别模型实现了对具体目标以及目标所在位置的聚焦。最后，将第二融合特征分别输入位置检测模块以及状态检测模块中，使护目镜识别模型能够实现对目标对象的护目镜佩戴状态以及护目镜佩戴位置的双任务检测，有效提高了实际工况下护目镜佩戴状态检测结果的准确度。