高处作业场景的检测方法、装置及电子设备与流程

1.本发明涉及图像处理技术领域，具体涉及高处作业场景的检测方法、装置及电子设备。


背景技术：

2.凡在坠落高度基准面2m以上(含2m)有可能坠落的高处进行作业，都称为高处作业。高处作业场景一个常见的应用是检测工人是否佩戴安全带，这类应用大多都是基于监控场景。其中，对于监控场景下采集到的图像，是先判断是否处于高处作业场景，再基于高处作业场景进行后续的检测判断。
3.现有对于高处作业场景的检测，一般是通过固定监控摄像机视角，默认在该监控视角内出现的人员均为高处作业人员。然而，这种检测方法只能在固定位置进行检测，而在一些不便于固定安装监控摄像机的环境下，该方法并不适用。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种高处作业场景的检测方法、装置及电子设备，以解决现有高处作业场景的检测问题。
5.根据第一方面，本发明实施例提供了一种高处作业场景的检测方法，包括：
6.获取目标图像并对所述目标图像进行目标识别；
7.判断所述目标图像中是否存在人员且所述目标图像中目标设备的检测结果是否不符合预设条件；
8.当所述目标图像中存在人员且所述目标图像中目标设备的检测结果不符合预设条件时，对所述目标图像进行作业场景的识别；
9.基于所述目标作业场景的识别结果，确定所述目标图像是否为高处作业场景的图像。
10.本发明实施例提供的高处作业场景的检测方法，对采集目标图像的设备并无安装位置的限制，由于在检测过程中加入了作业场景的识别，从而能够准确地识别出更多的、常见的高处作业场景，具有通用性。
11.结合第一方面，在第一方面第一实施方式中，所述当所述目标图像中存在人员且所述目标设备的检测结果不符合预设条件时，对所述目标图像进行作业场景的识别，包括：
12.当所述目标图像中存在所述人员以及所述目标设备时，获取所述人员以及所述目标设备在所述目标图像中的位置；
13.基于所述人员与所述目标设备的位置，确定所述人员与所述目标设备是否匹配；
14.当所述人员与所述目标设备不匹配时，对所述目标图像进行作业场景的识别。
15.本发明实施例提供的高处作业场景的检测方法，在目标图像中同时存在人和目标设备时，利用人与目标设备的位置进行匹配，直接进行高处作业场景的确定，只有在不匹配的情况下才进行高处作业场景的识别，提高了检测效率。
16.结合第一方面第一实施方式，在第一方面第二实施方式中，所述位置包括目标对应的检测框在所述目标图像中的坐标以及所述检测框的中心点，所述基于所述人员与所述目标设备的位置，确定所述人员与所述目标设备是否匹配，包括：
17.计算所述人员对应的第一检测框与所述目标设备对应的第二检测框的重合度，以确定重合度匹配结果；
18.基于所述第一检测框的坐标以及中心点与所述第二检测框的坐标以及中心点的关系，确定坐标匹配结果；
19.利用所述坐标匹配结果以及所述重合度匹配结果，确定所述人员与所述目标设备是否匹配。
20.本发明实施例提供的高处作业场景的检测方法，利用重合度匹配结果与坐标匹配结果，整合两个结果确定人员与目标设备是否匹配，提高了确定结果的可靠性。
21.结合第一方面第二实施方式，在第一方面第三实施方式中，当所述目标设备为支撑平台时，所述基于所述第一检测框的坐标以及中心点与所述第二检测框的坐标以及中心点的关系，确定坐标匹配结果，包括：
22.判断所述第二检测框的中心点中的纵坐标是否大于所述第一检测框的中心点中的纵坐标；
23.当所述第二检测框的中心点中的纵坐标大于所述第一检测框的中心点中的纵坐标时，判断所述第一检测框的中心点中的横坐标是否位于所述第二检测框的左右角点的横坐标之间；
24.当所述第一检测框的中心点中的横坐标位于所述第二检测框的左右角点的横坐标之间时，确定所述人员与所述目标设备坐标匹配。
25.本发明实施例提供的高处作业场景的检测方法，针对支撑平台而言，基于检测框的中心点之间的位置关系进行坐标匹配结果的确定，使得确定结果更适用于支撑平台这种目标设备，提高了检测的准确性。
26.结合第一方面第二实施方式，在第一方面第四实施方式中，当所述目标设备为升降装置时，所述基于所述第一检测框的坐标以及中心点与所述第二检测框的坐标以及中心点的关系，确定坐标匹配结果，包括：
27.判断所述第二检测框的右下角的纵坐标是否大于所述第一检测框的右下角的纵坐标；
28.当所述第二检测框的右下角的纵坐标大于所述第一检测框的右下角的纵坐标时，判断所述第一检测框的中心点中的横坐标是否位于所述第二检测框的左右角点的横坐标之间；
29.当所述第一检测框的中心点中的横坐标位于所述第二检测框的左右角点的横坐标之间时，确定所述人员与所述目标设备坐标匹配。
30.本发明实施例提供的高处作业场景的检测方法，针对升降装置而言，基于检测框的中心点以及检测框的坐标进行坐标匹配结果的确定，使得确定结果更适用于升降装置这种目标设备，提高了检测的准确性。
31.结合第一方面，在第一方面第五实施方式中，所述当所述目标图像中存在人员且所述目标设备的检测结果不符合预设条件时，对所述目标图像进行作业场景的识别，包括：
32.当所述目标图像中存在人员且不存在所述目标设备时，对所述目标图像进行作业场景的识别。
33.本发明实施例提供的高处作业场景的检测方法，在存在人员且不存在目标设备时，进一步对目标图像进行作业场景的识别，可以检测出人员并不在目标设备上，但仍然在高空作业的情形，提高了检测结果的可靠性。
34.结合第一方面，或第一方面第一实施方式至第五实施方式中任一项，在第一方面第六实施方式中，所述检测方法，还包括：
35.当确定所述目标图像为高处作业场景的图像时，对所述目标图像中的人员进行安全检测；
36.当所述安全检测的结果不符合安全条件时，确定存在安全隐患。
37.本发明实施例提供的高处作业场景的检测方法，在检测出处于高处作业场景且人员的安全检测结果不符合安全条件时，确定存在安全隐患，使得该方法能够应用到巡检员的日常巡检中，以提高安全隐患的检测效率。
38.根据第二方面，本发明实施例还提供了一种高处作业场景的检测装置，包括：
39.获取模块，用于获取目标图像；
40.判断模块，用于判断所述目标图像中是否存在人员且所述目标图像中目标设备的检测结果是否不符合预设条件；
41.场景识别模块，用于当所述目标图像中存在人员且所述目标图像中目标设备的检测结果不符合预设条件时，对所述目标图像进行作业场景的识别；
42.确定模块，用于基于所述目标作业场景的识别结果，确定所述目标图像是否为高处作业场景的图像。
43.本发明实施例提供的高处作业场景的检测装置，对采集目标图像的设备并无安装位置的限制，由于在检测过程中加入了作业场景的识别，能够识别出更多的、常见的高处作业场景，具有通用性。
44.根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的高处作业场景的检测方法。
45.根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的高处作业场景的检测方法。
附图说明
46.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
47.图1是根据本发明实施例的高处作业场景的检测方法的流程图；
48.图2是根据本发明实施例的高处作业场景的检测方法的流程图；
49.图3是本发明实施例中人与目标设备对应的检测框的示意图；
50.图4是根据本发明实施例的高处作业场景的检测方法的流程图；
51.图5是根据本发明实施例的高处作业场景的检测方法的流程图；
52.图6是根据本发明实施例的高处作业场景的检测装置的结构框图；
53.图7是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
54.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
55.当人员在进行高处作业时，其是依赖特定的设备才能够进行的，所述特定的设备可以是云梯、吊篮、升降机等等。基于此，一般是通过检测目标图像中是否同时存在人员和特定的设备，再判断人员是否在特定的设备上，确定其是否为高处作业的。这种检测方式虽然能够检测出部分的高处作业场景，但是对于未检测到特定的设备时，该方法给出的结论就是此时不是高处作业场景。然而，未检测到特定的设备并不代表不是高处作业场景，例如，人员在楼层临边或阳台临边施工区域等等，这些场景下虽然未检测到特定的设备，但是也是属于高处作业场景的。基于此，本发明实施例提供一种高处作业场景的检测方法，该方法不仅对监控设备的安装位置不限定，还具有一定的检测全面性。
56.本发明实施例中所述的高处作业场景的检测方法，可以应用在电力场景下的高处作业场景检测，也可以应用在建筑场景下的高处作业场景检测，等等，在此对其应用场景并不做任何限制。
57.进一步地，在确定处于高处作业场景时，还可以在此基础上进行后续应用的拓展。例如，检测人员是否佩戴安全带、是否佩戴安全帽、是否操作规范等等。
58.根据本发明实施例，提供了一种高处作业场景的检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
59.在本实施例中提供了一种高处作业场景的检测方法，可用于电子设备，如电脑、手机、智能眼镜、巡检设备等。图1是根据本发明实施例的高处作业场景的检测方法的流程图，如图1所示，该流程包括如下步骤：
60.s11，获取目标图像并对目标图像进行目标识别。
61.电子设备所获取到的目标图像可以是电子设备采集的，也可以是第三方设备采集发送给电子设备的，在此对电子设备获取目标图像的方式并不做任何限制。例如，电子设备为巡检设备，巡检人员利用巡检设备采集工作区域的图像，相应地，巡检设备就获取到对应的目标图像；再例如，电子设备为智能眼镜，巡检人员佩戴该智能眼镜采集工作区域的图像，相应地，智能眼镜就获取到对应的目标图像。
62.电子设备在获取到目标图像之后，对其进行目标识别，确定目标图像中是否有相应的目标，例如，人员，目标设备等。所述的目标识别可以采用识别网络的方式实现，具体
地，电子设备将获取到的模板图像输入到识别网络中，即可输出识别结果。或者，电子设备也可以对目标图像进行特征提取，从而识别出目标图像中的目标。
63.可选地，在建筑场景下，识别网络用于识别人员和目标设备，常见的目标设备有吊篮、升降机、人字梯和门式脚手架等。所述的识别网络可以基于yolov5构建，也可以基于其他网络构建，在此对其并不做任何限定，只需保证该识别网络能够识别出目标图像中的相应目标即可。
64.s12，判断目标图像中是否存在人员且目标图像中目标设备的检测结果是否不符合预设条件。
65.由于检出高处作业场景的目的在于为了保证人员安全，若目标图像中不存在人员的话，就可以直接认定当前为非高处作业场景。若目标图像中存在人员，再看目标图像中目标设备的检测结果是否不符合预设条件。其中，目标图像中目标设备，并不限定目标图像中一定是存在目标设备的，也可以是不存在目标设备；相应地，当目标图像中存在目标设备，将该检测结果与第一预设条件进行比较，确定是否不符合预设条件；当目标图像中不存在目标设备，就可以直接确定其不符合预设条件。当所述目标图像中存在人员且目标设备的检测结果不符合预设条件时，执行s13；否则，执行其他操作。
66.所述的其他操作包括当目标图像中不存在人员时，可以确定目标图像为非高处作业场景的图像；或者存在人员且人员与目标设备匹配时，确定目标图像为高处作业场景的图像。与上文对应，目标设备的检测结果符合预设条件也分为两种情况，即目标图像中存在目标设备时，以及目标图像中不存在目标设备。
67.s13，对目标图像进行作业场景的识别。
68.电子设备在确定出目标图像中存在人员且目标设备的检测结果不符合预设条件时，并不是直接确定其处于非高作作业场景，而是对目标图像再次进行作业场景的识别。其中，对于作业场景的识别，可以利用场景分类模型实现，将目标图像输入到场景分类型中，输出为预测得到的分类结果。或者，电子设备也可以对目标图像进行图像识别，提取出目标图像的特征，对特征进行分析进而对目标图像进行作业场景的识别。
69.对于不同的应用场景，训练该场景分类模型所采用的样本场景数据也不同，在训练样本中包括正样本以及负样本，其中正样本为高处作业场景，负样本为非高处作业场景。例如，对于建筑场景下，训练该场景分类模型用于识别高处作业场景，即脚手架施工区域、楼层临边或阳台临边施工区域、建筑顶层施工区域等正样本场景。所述的场景分类模型可以基于resnet50构建，也可以基于其他模型构件，在此对其并不做任何限定，只需保证该场景分类模型能够识别出目标图像中的作业场景即可。
70.需要说明的是，上述的目标以及作业场景的识别，均可以根据实际情况进行相应的设置，对其并无任何特殊限定。
71.s14，基于目标作业场景的识别结果，确定目标图像是否为高处作业场景的图像。
72.如上文所述，场景分类模型对目标图像进行作业场景的识别，该模型的输出即为预测出的作业场景及其概率值，将概率值最大的作业场景确定为目标作业场景。相应地，即可确定目标图像是否为高处作业场景的图像。
73.本实施例提供的高处作业场景的检测方法，对采集目标图像的设备并无安装位置的限制，由于在检测过程中加入了作业场景的识别，从而能够准确地识别出更多的、常见的
高处作业场景，具有通用性。
74.在本实施例中提供了一种高处作业场景的检测方法，可用于电子设备，如电脑、手机、智能眼镜、巡检设备等，图2是根据本发明实施例的高处作业场景的检测方法的流程图，如图2所示，该流程包括如下步骤：
75.s21，获取目标图像并对所述目标图像进行目标识别。
76.详细请参见图1所示实施例的s11，在此不再赘述。
77.s22，判断目标图像中是否存在人员且目标图像中目标设备的检测结果是否不符合预设条件。
78.具体地，上述s22包括：
79.s221，当目标图像中存在人员时，判断目标图像中是否存在目标设备。
80.如上文所述，利用识别网络对目标图像进行目标识别，该识别网络输出目标图像中的各个目标，利用该识别网络就能够同时识别出目标图像中的人员以及目标设备。
81.当目标图像中存在人员以及所述目标设备时，执行s222；否则，执行s23。
82.s222，获取人员以及目标设备在目标图像中的位置。
83.识别网络在输出目标图像中的各个目标时，相应地，输出各个目标在目标图像中的位置。或者，当采用图像分析的方式确定目标图像中的人员以及目标设备时，相应地，给出各个目标在目标图像中的位置。
84.s223，基于人员与目标设备的位置，确定人员与目标设备是否匹配。
85.所述的确定人员与目标设备是否匹配，即确定人员与目标设备之间的位置，或者，确定人员是否在目标设备上。其中，人员与目标设备之间的位置，可以采用对应的检测框的交并比确定；也可以利用对应的检测框的中心点坐标确定，等等，在此对其并不做任何限定。
86.当所述人员与所述目标设备不匹配时，执行s23；否则，表示人员与目标设备匹配，即可确定目标图像为高处作业场景的图像。在本实施例的一些可选实施方式中，上述s223可以包括：
87.(1)计算人员对应的第一检测框与目标设备对应的第二检测框的重合度，以确定重合度匹配结果。
88.以识别网络为例，识别网络在输出目标图像中的各个目标时，同时也会输出对应的检测框坐标。如图3所示，在目标图像中识别出人员以及目标设备，相应给出人员对应的第一检测框的左上角坐标(x1,y1)以及右下角坐标(x2,y2)，以及目标设备对应的第二检测框的左上角坐标(x1,y1)以及右下角坐标(x2,y2)。
89.第一检测框与第二检测框的重合度可以利用相交面积计算得到，也可以利用交并比计算得到，在此对其并不做任何限定。电子设备在计算出第一检测框与第二检测框的重合度之后，即可确定出重合度匹配结果。
90.(2)基于第一检测框的坐标以及中心点与第二检测框的坐标以及中心点的关系，确定坐标匹配结果。
91.其中，检测框的中心点可以利用检测框的左上角坐标与右下角坐标计算得到。例如，第一检测框的中心点记为(p1,p2)，p1＝(x1 x2)/2，p2＝(y1 y2)/2；第二检测框的中心点记为(p1,p2)，p1＝(x1 x2)/2，p2＝(y1 y2)/2。
92.通过将第一检测框的坐标以及中心点与第二检测框的坐标以及中心点进行大小比较，即可确定坐标匹配结果。
93.在本实施例中，依据目标设备的种类采用对应的方式确定坐标匹配结果。其中，目标设备分为支撑平台以及升降装置，所述支撑平台例如，门式脚手架或人字梯；所述升降装置例如，吊篮或升降机。针对不同的目标设备，采用不同的方式确定坐标匹配结果。具体地，
94.当目标设备为支撑平台时，上述步骤(2)包括：
95.2.11)判断第二检测框的中心点中的纵坐标是否大于第一检测框的中心点中的纵坐标。
96.2.12)当第二检测框的中心点中的纵坐标大于第一检测框的中心点中的纵坐标时，判断第一检测框的中心点中的横坐标是否位于第二检测框的左右角点的横坐标之间。
97.2.13)当第一检测框的中心点中的横坐标位于第二检测框的左右角点的横坐标之间时，确定人员与目标设备坐标匹配。
98.针对支撑平台而言，基于检测框的中心点之间的位置关系进行坐标匹配结果的确定，使得确定结果更适用于支撑平台这种目标设备，提高了检测的准确性
99.当目标设备为升降装置时，上述步骤(2)包括：
100.2.21)判断第二检测框的右下角的纵坐标是否大于第一检测框的右下角的纵坐标。
101.2.22)当第二检测框的右下角的纵坐标大于第一检测框的右下角的纵坐标时，判断第一检测框的中心点中的横坐标是否位于第二检测框的左右角点的横坐标之间。
102.2.23)当第一检测框的中心点中的横坐标位于第二检测框的左右角点的横坐标之间时，确定人员与目标设备坐标匹配。
103.针对升降装置而言，基于检测框的中心点以及检测框的坐标进行坐标匹配结果的确定，使得确定结果更适用于升降装置这种目标设备，提高了检测的准确性。
104.(3)利用坐标匹配结果以及重合度匹配结果，确定人员与目标设备是否匹配。
105.具体地，人员与支撑平台的匹配策略为：
106.若p2<p2且x1<p1<x2且iou(第一检测框，第二检测框)>th1，则匹配；反之不匹配。
107.具体地，人员与升降装置的匹配策略为：
108.如果y2<y2且x1<p1<x2且iou(第一检测框，第二检测框)>th2，则匹配；反之不匹配。
109.利用重合度匹配结果与坐标匹配结果，整合两个结果确定人员与目标设备是否匹配，提高了确定结果的可靠性。
110.s23，对目标图像进行作业场景的识别。
111.详细请参见图1所示实施例的s13，在此不再赘述。
112.s24，基于目标作业场景的识别结果，确定目标图像是否为高处作业场景的图像。
113.详细请参见图1所示实施例的s14，在此不再赘述。
114.本实施例提供的高处作业场景的检测方法，在目标图像中同时存在人和目标设备时，利用人与目标设备的位置进行匹配，直接进行高处作业场景的确定，只有在不匹配的情况下才进行高处作业场景的识别，提高了检测效率；在存在人员且不存在目标设备时，进一步对目标图像进行作业场景的识别，可以检测出人员并不在目标设备上，但仍然在高空作
业的情形，提高了检测结果的可靠性。
115.作为本实施例的一个具体应用实例，如图4所示，所述的高处作业场景的检测方法，包括：
116.s(1)，获取目标图像；
117.s(2)，检测模型，即利用检测模型对目标图像进行目标识别；
118.s(3)，判断是否检测到人，当检测到人时，执行s(4)，否则，返回非高处作业场景；
119.s(4)，判断是否检测到目标设备，当检测到目标设备时，执行s(6)，否则，执行s(5)；
120.s(5)，场景分类模型，即利用场景分类模型对目标图像进行场景识别，执行s(7)；
121.s(6)，判断人与目标设备是否匹配，当匹配时，返回高处作业场景，否则，执行s(5)；
122.s(7)，判断是否为高处作业场景，当为高处作业场景时，返回高处作业场景，否则，返回非高处作业场景。
123.所述的高处作业场景的检测方法可以部署在工地的监控摄像机中，不需要固定视角，可识别多种场景的高处作业场景。同时，本方法还可以拓展到例如手机、智能眼镜等其他终端设备上，帮助巡检员更快地上报隐患。
124.在本实施例中提供了一种高处作业场景的检测方法，可用于电子设备，如电脑、手机、智能眼镜、巡检设备等，图5是根据本发明实施例的高处作业场景的检测方法的流程图，如图5所示，该流程包括如下步骤：
125.s31，获取目标图像并对所述目标图像进行目标识别。
126.详细请参见图1所示实施例的s11，在此不再赘述。
127.s32，判断目标图像中是否存在人员且目标图像中目标设备的检测结果是否不符合预设条件。
128.当所述目标图像中存在人员且所述目标设备的检测结果不符合预设条件时，执行s33；否则，执行其他操作。
129.详细请参见图2所示实施例的s22，在此不再赘述。
130.s33，对目标图像进行作业场景的识别。
131.详细请参见图1所示实施例的s13，在此不再赘述。
132.s34，基于目标作业场景的识别结果，确定目标图像是否为高处作业场景的图像。
133.具体地，上述s34包括：
134.s341，当确定目标图像为高处作业场景的图像时，对目标图像中的人员进行安全检测。
135.所述的安全检测，可以包括检测人员是否佩戴安全帽，是否佩戴安全带，或者其他方面，在此对其并无任何特殊限定，具体可以根据实际需求进行相应的设置即可。
136.s342，当安全检测的结果不符合安全条件时，确定存在安全隐患。
137.在检测出不符合安全条件时，电子设备确认当前存在安全隐患，可以发出报警，也可以将报警信息发送给监控系统，以统一进行管理等等。
138.本实施例提供的高处作业场景的检测方法，在检测出处于高处作业场景且人员的安全检测结果不符合安全条件时，确定存在安全隐患，使得该方法能够应用到巡检员的日
常巡检中，以提高安全隐患的检测效率。
139.在本实施例中还提供了一种高处作业场景的检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
140.本实施例提供一种高处作业场景的检测装置，如图6所示，包括：
141.获取模块41，用于获取目标图像；
142.判断模块42，用于判断所述目标图像中是否存在人员且所述目标图像中目标设备的检测结果是否不符合预设条件；
143.场景识别模块43，用于当所述目标图像中存在人员且所述目标图像中目标设备的检测结果不符合预设条件时，对所述目标图像进行作业场景的识别；
144.确定模块44，用于基于所述目标作业场景的识别结果，确定所述目标图像是否为高处作业场景的图像。
145.本实施例提供的高处作业场景的检测装置，对采集目标图像的设备并无安装位置的限制，由于在检测过程中加入了作业场景的识别，从而能够准确地识别出更多的、常见的高处作业场景，具有通用性。
146.本实施例中的高处作业场景的检测装置是以功能单元的形式来呈现，这里的单元是指asic电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
147.上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
148.本发明实施例还提供一种电子设备，具有上述图6所示的高处作业场景的检测装置。
149.请参阅图7，图7是本发明可选实施例提供的一种终端的结构示意图，如图7所示，该终端可以包括：至少一个处理器51，例如cpu(central processing unit，中央处理器)，至少一个通信接口53，存储器54，至少一个通信总线52。其中，通信总线52用于实现这些组件之间的连接通信。其中，通信接口53可以包括显示屏(display)、键盘(keyboard)，可选通信接口53还可以包括标准的有线接口、无线接口。存储器54可以是高速ram存储器(random access memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。存储器54可选的还可以是至少一个位于远离前述处理器51的存储装置。其中处理器51可以结合图6所描述的装置，存储器54中存储应用程序，且处理器51调用存储器54中存储的程序代码，以用于执行上述任一方法步骤。
150.其中，通信总线52可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。通信总线52可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
151.其中，存储器54可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random
‑
access memory，缩写：ram)；存储器也可以包括非易失性存储器(英文：non
‑
volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：hdd)或固态硬盘(英文：solid
‑
state drive，缩写：ssd)；存储器54还可以包括
上述种类的存储器的组合。
152.其中，处理器51可以是中央处理器(英文：central processing unit，缩写：cpu)，网络处理器(英文：network processor，缩写：np)或者cpu和np的组合。
153.其中，处理器51还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application
‑
specific integrated circuit，缩写：asic)，可编程逻辑器件(英文：programmable logic device，缩写：pld)或其组合。上述pld可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：cpld)，现场可编程逻辑门阵列(英文：field
‑
programmable gate array，缩写：fpga)，通用阵列逻辑(英文：generic array logic,缩写：gal)或其任意组合。
154.可选地，存储器54还用于存储程序指令。处理器51可以调用程序指令，实现如本技术图1、2、4或5任一实施例中所示的高处作业场景的检测方法。
155.本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的高处作业场景的检测方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid
‑
state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
156.虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。