基于红外热成像的施工场所夜间非法闯入人员目标检测方法与流程
本发明属于施工场所人员入侵检测,涉及一种基于红外热成像的施工场所夜间非法闯入人员目标检测方法,适用于施工场所夜间环境下的非法闯入人员自动识别。
背景技术:
1、施工场所作为人员密集、设备贵重且安全风险高的特殊区域,夜间安防一直是安全生产管理的重点和难点。传统的夜间安防手段主要依赖人工巡逻和可见光监控,但人工巡逻效率低、覆盖范围有限且存在安全隐患;可见光监控在夜间完全依赖补光设备,不仅能耗高、易暴露监控位置,而且在扬尘、大雾、雨雪等恶劣天气下成像质量急剧下降,无法满足全天候安防需求。红外热成像技术通过检测物体自身的热辐射成像,不受光照条件影响,能够在完全黑暗、扬尘、大雾等恶劣环境下正常工作,已成为夜间安防监控的主流技术。
2、然而,将红外热成像技术应用于施工场所夜间闯入人员检测时,仍面临诸多特有挑战:施工场所夜间温差小,人员目标与背景(如水泥地面、钢材、建材)的热辐射差异不明显,导致图像对比度低、纹理缺失严重;同时,红外图像存在大量噪声,包括探测器噪声、大气散射噪声和热梯度噪声,进一步降低了图像质量。施工场所存在大量与人员热辐射相似的干扰源,包括电焊机、照明灯、挖掘机发动机等设备热斑,狗、猫等动物,以及临时堆放的建材热辐射;这些干扰源与人员目标在红外图像中特征相似,极易导致误检。施工场所监控范围大,远距离闯入人员在红外图像中仅占几十个甚至几个像素,特征信息极度稀缺,传统检测算法对这类小目标的召回率极低。施工场所通常位于偏远地区,网络条件有限,检测算法需要在jetson nano/xavier nx等边缘计算设备上实现实时运行,这对模型的轻量化提出了严格要求。
3、近年来,基于深度学习的目标检测技术快速发展,其中yolo系列算法因兼具检测速度与精度,成为安防领域的主流选择。然而,将原始yolov11直接应用于施工场所夜间红外闯入人员检测时,仍存在诸多适配性缺陷:骨干网络基于可见光数据集设计,对红外低纹理、低对比度特征提取能力不足。颈部网络的特征融合逻辑缺乏针对性,无法有效区分人员目标与背景干扰源。检测头未针对红外小目标优化,导致小目标定位精度低、漏检率高。现有改进方案多聚焦于通用红外目标检测,未结合施工场所的特有场景特性进行定向设计,导致误检率居高不下。
技术实现思路
1、本发明的目的在于提出一种基于红外热成像的施工场所夜间非法闯入人员目标检测方法,以实现对施工场所夜间闯入人员的精准检测、高效假阳性过滤和可靠判定。
2、为了实现上述目的,本发明采用如下技术方案:
3、基于红外热成像的施工场所夜间非法闯入人员目标检测方法,包括如下步骤:
4、步骤1. 采集红外图像数据,并构建训练数据集;
5、步骤2. 搭建基于改进yolov11的施工场所夜间红外闯入人员目标检测模型,该模型包括骨干网络、颈部网络及检测头;
6、在骨干网络之前,设计有温度边缘引导自适应红外图像增强模块与红外特征校准层,对红外图像数据进行特征增强及校准;
7、骨干网络与颈部网络中设计有红外适配型c2f特征提取模块c2f-ir,其利用n个串联的红外适配型c2f瓶颈特征提取模块c2f-ir-bottleneck提取人员目标特征;c2f-ir-bottleneck模块利用边缘多尺度注意力融合卷积模块ir-conv强化单模块对人员目标的特征表达能力;
8、颈部网络中设计有多尺度假阳性抑制模块mfpis,其包括三个并行的验证单元,分别从特征一致性、形态特征、温度特征三个维度计算特征图中每个像素的目标置信度,然后再进行融合;
9、检测头为红外专用检测头ir-detect,其通过轻量级特征增强单元、红外先验引导解耦检测单元、自适应置信度校准单元对输入特征图进行处理;
10、步骤3. 对搭建的基于改进yolov11的施工场所夜间红外闯入人员目标检测模型进行训练,并利用训练好的模型进行人员目标检测,将ir-detect检测头的输出送入时空上下文闯入行为验证模块,判定是否有非法闯入行为。
11、本发明具有如下优点:
12、如上所述,本发明提出了一种基于红外热成像的施工场所夜间非法闯入人员目标检测方法,该方法搭建了基于改进yolov11的施工场所夜间红外闯入人员目标检测模型。在骨干网络之前,设计了温度边缘引导自适应红外图像增强模块,具有温度处理分支(温度区间统计与自适应校准、分段伽马定向增强)与边缘提取分支(多方向边缘特征提取)的双分支并行架构,仅对人体热辐射区间进行定向增强,同时抑制了背景噪声与高温热斑干扰;该模块实现了人员目标的精准定向增强与背景干扰的有效抑制,突破了传统全图增强方法目标与噪声同步放大的固有缺陷,能够显著提升低对比度、低质量红外图像中人员目标的辨识度,为后续目标检测奠定了高质量的数据基础,有效降低了因图像质量差导致的目标识别难度。此外,模型中设计了c2f-ir模块,将红外图像的边缘特征与特征提取过程深度融合,同时通过轻量级金字塔分割注意力机制,兼顾了近距离大目标与远距离小目标的特征捕捉能力,在不显著增加模型计算量的前提下,有效提升了对红外低对比度、小尺寸人员目标的特征提取能力,降低了小目标的漏检概率。同时,本发明设计了mfpis模块,部署于颈部网络各尺度特征融合节点与检测头之间,通过多尺度特征自一致性验证、红外目标形态特征约束与温度特征映射匹配的三重协同机制,在特征层面就过滤掉施工场所特有的设备热斑、动物等非人员干扰,突破了传统nms仅能在检测框后处理环节去重的技术局限,从根源上降低了复杂背景下的假阳性误检概率,大幅提升了检测结果的纯净度。本发明设计了ir-detect检测头与场景优化损失函数,在保留yolov11解耦检测头基础架构的前提下,融入温度先验引导的分类分支与边缘约束的回归分支,设计了自适应置信度校准机制,同时新增温度加权分类约束项与边缘对齐回归约束项,针对红外场景的特性做了全链路定向适配,能够有效解决红外图像目标边缘模糊导致的定位不准和小目标置信度低导致的漏检问题,同时通过温度先验的融入,将mfpis模块输出的温度置信度与分类分支的类别置信度进行融合,进一步强化了人员目标与背景干扰的区分能力,提升了检测精度与定位准确性。此外,本发明设计了时空上下文闯入行为验证模块,通过空间区域约束、时间轨迹验证与红外目标合法性校验的三级判定逻辑,结合目标跟踪算法建立人员连续运动轨迹,突破了传统安防系统仅依赖单帧检测结果触发报警的局限,结合施工场所的安防管控规则,从空间、时间、目标物理属性三个维度完成非法闯入行为的交叉验证,能够有效区分正常活动与非法闯入行为,过滤大量无效报警与误报警,显著提升了安防系统的实用性与可靠性,更贴合施工场所的实际安防管控需求。本发明通过全链路轻量化设计与边缘部署优化,在保证检测性能的前提下,大幅压缩了模型的参数量与计算量,能够适配施工场所常用的低端边缘计算设备,实现本地实时检测与报警,无需依赖云端服务器,解决了施工场所网络条件有限的部署难题,具备极强的工程落地性与场景适配性。
1.一种基于红外热成像的施工场所夜间非法闯入人员目标检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于红外热成像的施工场所夜间非法闯入人员目标检测方法,其特征在于,所述步骤2中,骨干网络包括五个卷积、五个c2f-ir模块及一个sppf模块;
3.根据权利要求1所述的基于红外热成像的施工场所夜间非法闯入人员目标检测方法,其特征在于,所述步骤2中,颈部网络包括两个卷积、两个upsample模块、四个concat模块、四个c2f-ir模块及三个mfpis模块;定义两个卷积分别为第六、第七卷积;定义两个upsample模块分别为第一、第二upsample模块;定义四个concat模块分别为第一、第二、第三、第四concat模块;定义四个c2f-ir模块分别为第六、第七、第八、第九c2f-ir模块;定义三个mfpis模块分别为第一、第二、第三mfpis模块;颈部网络的处理流程如下:
4.根据权利要求1所述的基于红外热成像的施工场所夜间非法闯入人员目标检测方法,其特征在于,所述步骤2中,温度边缘引导自适应红外图像增强模块的处理流程如下:
5.根据权利要求1所述的基于红外热成像的施工场所夜间非法闯入人员目标检测方法,其特征在于,所述步骤2中,c2f-ir模块的处理流程如下:
6.根据权利要求1所述的基于红外热成像的施工场所夜间非法闯入人员目标检测方法,其特征在于,所述步骤2中,ir-conv模块的处理流程如下:
7.根据权利要求1所述的基于红外热成像的施工场所夜间非法闯入人员目标检测方法,其特征在于,所述步骤2中,mfpis模块的处理流程如下:
8.根据权利要求1所述的基于红外热成像的施工场所夜间非法闯入人员目标检测方法,其特征在于,所述步骤2中,ir-detect检测头的处理流程如下:
9.根据权利要求1所述的基于红外热成像的施工场所夜间非法闯入人员目标检测方法,其特征在于,ir-detect检测头的损失函数包括分类损失、边界框回归损失、目标置信度损失、温度加权分类约束项及边缘对齐回归约束项,总损失的计算公式为:
10.根据权利要求1所述的基于红外热成像的施工场所夜间非法闯入人员目标检测方法,其特征在于,所述步骤3中,时空上下文闯入行为验证模块的处理流程如下:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com