工装穿戴检测方法、装置、计算机设备和存储介质与流程

1.本发明涉及图像检测领域，特别是涉及一种工装穿戴检测方法、装置、计算机设备和存储介质。


背景技术：

2.建筑施工是指工程建设实施阶段的生产活动，是各类建筑物的建造过程，通常施工安全对于建筑施工十分重要，而施工人员的安全着装是施工安全标准的重要组成部分。
3.目前，对于工地中人员的工装穿戴情况多是针对工作服、安全帽或安全带其中的一种进行检测。这种检测检测方式过于单一，无法全面地对施工现场的工作人员的工装穿戴情况进行核查，不能有效保证施工人员在施工现场的安全。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种工装穿戴检测方法、装置、计算机设备和存储介质。
5.一种工装穿戴检测方法，所述方法包括：
6.对施工现场图像进行检测，得到所述施工现场图像中的人物区域和安全帽区域；
7.根据所述人物区域和安全帽区域判断所述人物区域内是否存在安全帽区域，得到安全帽检测结果；
8.将所述人物区域进行区域分割，得到上衣检测区域，裤子检测区域以及安全带检测区域；
9.将所述安全带检测区域输入预先训练的安全带检测模型，对所述安全带检测区域进行检测，得到与所述安全带检测区域对应的安全带检测结果；获取所述上衣检测区域和所述裤子检测区域的颜色信息，对所述颜色信息进行分类检测，得到与所述上衣检测区域和所述裤子检测区域对应的工作服检测结果；
10.根据所述安全帽检测结果、所述安全带检测结果和所述工作服检测结果得到人物着装安全检测结果。
11.在其中一个实施例中，所述对施工现场图像进行检测，得到所述施工现场图像中的人物区域和安全帽区域，包括：将所述施工现场图像输入预先训练的目标人物检测模型，得到所述施工现将所述施工现场图像输入预先训练的安全帽检测模型，得到所述施工现场图像中的安全帽区域。
12.在其中一个实施例中，所述安全带检测模型包含第一卷积层、最大池化层、第二卷积层、全局平均池化层以及全连接层；所述将所述安全带检测区域输入预先训练的安全带检测模型，对所述安全带检测区域进行检测，得到与所述安全带检测区域对应的安全带检测结果，包括：通过所述第一卷积层对所述安全带检测区域进行图像特征提取，得到所述第一卷积层对应的第一特征提取结果；通过所述最大池化层对所述第一特征提取结果进行池化操作，得到所述最大池化层对应的第二特征提取结果；通过所述第二卷积层对所述第二
特征提取结果进行卷积操作，得到所述第二卷积层对应的第三特征提取结果；通过所述全局平均池化层对所述第三特征提取结果进行池化操作，得到所述全局平均池化层对应的第四特征提取结果；通过所述全连接层对所述第四特征提取结果进行分类操作，得到所述安全带检测区域对应的安全带检测结果。
13.在其中一个实施例中，所述通过所述第二卷积层对所述第二特征提取结果进行卷积操作，得到所述第二卷积层对应的第三特征提取结果，包括：通过所述第二卷积层的当前卷积单元对所述第二特征提取结果进行卷积操作，得到所述当前卷积单元对应的图像特征提取结果；将所述当前卷积单元对应的图像特征提取结果作为所述当前卷积单元的下一个卷积单元的检测对象；将所述下一个卷积单元作为所述当前卷积单元，重复执行上述操作，直到在所述第二卷积层的最后一个卷积单元的检测对象中提取出所述最后一个卷积单元对应的特征提取结果；将所述最后一个卷积单元对应的特征提取结果作为所述第二卷积层对应的第三特征提取结果。
14.在其中一个实施例中，所述全连接层包含第一全连接层、第二全连接层以及第三全连接层；所述通过所述全连接层对所述第四特征提取结果进行分类操作，得到所述安全带检测区域对应的安全带检测结果，包括：通过所述第一全连接层对所述第四特征提取结果进行分类操作，得到所述第一全连接层对应的特征提取结果；将所述第一全连接层对应的特征提取结果作为所述第二全连接层的检测对象，得到所述第二全连接层对应的特征提取结果；将所述第二全连接层对应的特征提取结果作为所述第三全连接层的检测对象，得到所述第三全连接层对应的特征提取结果；将所述第三全连接层对应的特征提取结果作为所述安全带检测区域对应的安全带检测结果。
15.在其中一个实施例中，所述获取所述上衣检测区域和所述裤子检测区域的颜色信息，对所述颜色信息进行分类检测，得到与所述上衣检测区域和所述裤子检测区域对应的工作服检测结果，包括：获取所述上衣检测区域和裤子检测区域图像的rgb颜色空间信息；将所述rgb颜色空间信息转换为hsv颜色空间信息，所述hsv颜色空间信息中包含色调信息、饱和度信息和亮度信息；根据所述色调信息检测上衣检测区域和裤子检测区域是否为工作服，得到工作服检测结果。
16.在其中一个实施例中，所述根据所述色调信息来检测上衣检测区域和裤子检测区域是否为工作服，得到工作服检测结果，包括：统计所述上衣检测区域和裤子检测区域图像上所有像素点的色调信息；若根据所述色调信息确定与工作服相同色调的像素点占整个检测区域像素点的比例达到预设占比时，则判断上衣检测区域和裤子检测区域为工作服。
17.一种工装穿戴检测装置，所述装置包括：
18.定位处理模块，用于对施工现场图像进行检测，得到所述施工现场图像中的人物区域和安全帽区域；
19.安全帽检测模块，用于根据所述人物区域和安全帽区域判断所述人物区域内是否存在安全帽区域，得到安全帽检测结果；
20.区域分割模块，用于将所述人物区域进行区域分割，得到上衣检测区域，裤子检测区域以及安全带检测区域；
21.安全带检测模块，将所述安全带检测区域输入预先训练的安全带检测模型，对所述安全带检测区域进行检测，得到与所述安全带检测区域对应的安全带检测结果；
22.工作服检测模块，用于获取所述上衣检测区域和所述裤子检测区域的颜色信息，对所述颜色信息进行分类检测，得到与所述上衣检测区域和所述裤子检测区域对应的工作服检测结果；
23.综合检测模块，用于根据所述安全帽检测结果、所述安全带检测结果和所述工作服检测结果得到人物着装安全检测结果。
24.一种计算机设备，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以下步骤：对施工现场图像进行检测，得到所述施工现场图像中的人物区域和安全帽区域；根据所述人物区域和安全帽区域判断所述人物区域内是否存在安全帽区域，得到安全帽检测结果；将所述人物区域进行区域分割，得到上衣检测区域，裤子检测区域以及安全带检测区域；将所述安全带检测区域输入预先训练的安全带检测模型，对所述安全带检测区域进行检测，得到与所述安全带检测区域对应的安全带检测结果；获取所述上衣检测区域和所述裤子检测区域的颜色信息，对所述颜色信息进行分类检测，得到与所述上衣检测区域和所述裤子检测区域对应的工作服检测结果；根据所述安全帽检测结果、所述安全带检测结果和所述工作服检测结果得到人物着装安全检测结果。
25.一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以下步骤：对施工现场图像进行检测，得到所述施工现场图像中的人物区域和安全帽区域；根据所述人物区域和安全帽区域判断所述人物区域内是否存在安全帽区域，得到安全帽检测结果；将所述人物区域进行区域分割，得到上衣检测区域，裤子检测区域以及安全带检测区域；将所述安全带检测区域输入预先训练的安全带检测模型，对所述安全带检测区域进行检测，得到与所述安全带检测区域对应的安全带检测结果；获取所述上衣检测区域和所述裤子检测区域的颜色信息，对所述颜色信息进行分类检测，得到与所述上衣检测区域和所述裤子检测区域对应的工作服检测结果；根据所述安全帽检测结果、所述安全带检测结果和所述工作服检测结果得到人物着装安全检测结果。
26.上述工装穿戴检测方法、装置、计算机设备和存储介质，通过对施工现场图像进行检测，得到施工现场图像中的人物区域和安全帽区域，并根据人物区域和安全帽区域判断人物区域内是否存在安全帽区域，得到安全帽检测结果，将人物区域进行区域分割，得到上衣检测区域，裤子检测区域以及安全带检测区域，将安全带检测区域输入预先训练的安全带检测模型，对安全带检测区域进行检测，得到与安全带检测区域对应的安全带检测结果，然后再获取上衣检测区域和裤子检测区域的颜色信息，对颜色信息进行分类检测，得到与上衣检测区域和裤子检测区域对应的工作服检测结果，最后根据安全帽检测结果、安全带检测结果和工作服检测结果得到人物着装安全检测结果，可以全面有效地检测施工人员的工装穿戴情况，保障施工人员的安全。
附图说明
27.图1为一个实施例中工装穿戴检测方法的应用环境图；
28.图2为一个实施例中工装穿戴检测方法的流程示意图；
29.图3为一个实施例中安全带检测步骤的流程示意图；
30.图4为另一个实施例中工作服检测步骤的流程示意图；
31.图5为另一个实施例中工装穿戴检测方法的流程示意图；
32.图6为另一个实施例中安全带检测模型示意图；
33.图7为另一个实施例中安全带检测模型训练过程示意图；
34.图8为一个实施例中工装穿戴检测装置的结构框图；
35.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
36.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
37.本技术提供的工装穿戴检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102获取施工现场图像，并将发送给服务器104，服务器104对施工现场图像进行检测，得到施工现场图像中的人物区域和安全帽区域；根据人物区域和安全帽区域判断人物区域内是否存在安全帽区域，得到安全帽检测结果；将人物区域进行区域分割，得到上衣检测区域，裤子检测区域以及安全带检测区域；将安全带检测区域输入预先训练的安全带检测模型，对安全带检测区域进行检测，得到与安全带检测区域对应的安全带检测结果；获取上衣检测区域和裤子检测区域的颜色信息，对所述颜色信息进行分类检测，得到与上衣检测区域和裤子检测区域对应的工作服检测结果；根据安全帽检测结果、安全带检测结果和工作服检测结果得到人物着装安全检测结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，摄像机等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。可以理解的是，终端102也可以直接对获取的施工现场图像进行检测，实现服务器104所实现的功能。
38.在一个实施例中，如图2所示，提供了一种工装穿戴检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
39.s202，对施工现场图像进行检测，得到施工现场图像中的人物区域和安全帽区域。
40.具体地，服务器通过目标检测模型对施工现场图像进行检测识别，分别得到施工现场图像中的人物区域和安全帽区域。在一具体的实施例中，电子终端设备可以将待识别的施工现场图像输入目标检测模型，其中该目标检测模型可以是r
‑
cnn(region cnn，区域卷积神经网络)，首先通过选择性搜索算法将输入的施工现场图像分解成1000～2000个候选区域，并使用卷积神经网络对候选区域的特征进行提取，并将提取出来的特征送入每一类的分类器，判别属于人物和安全帽的类别的区域，并使用回归器精修修正候选框的位置并对其进行标记，从而从施工现场图像中分别获取到人物区域和安全帽区域。
41.s204，根据人物区域和安全帽区域判断人物区域内是否存在安全帽区域，得到安全帽检测结果。
42.根据s202得到的施工现场图像的人物区域和安全帽区域，遍历施工现场图像中所有人物区域和安全帽区域，判断每个人物区域是否存在安全帽区域。若目标人物区域中存在安全帽区域，则判断该目标人物佩戴了安全帽；若目标人物区域中不存在安全帽区域，则判断该目标人物没有佩戴安全帽。
43.s206，将人物区域进行区域分割，得到上衣检测区域，裤子检测区域以及安全带检
测区域。
44.同样地，服务器通过分割网络对从施工现场图像中得到的人物区域进行分割，分别得到上衣检测区域，裤子检测区域和安全带检测区域。在一可选的实施方式中，由于在人物检测区域中，对于人物的上衣和裤子分割可以根据预设比例对人物检测区域进行分割，从而将预设比例之上的部分确定为上衣检测区域，将预设比例之下的部分确定为裤子检测区域。
45.由于安全带佩戴区域通常位于人体的腹部到大腿部位，因此当识别安全带检测区域时，可以直接按照人体比例截取。一般来说，安全带检测区域的范围是从人体高度的四分之一处往上，到人体高度的四分之三为止。
46.s208，将安全带检测区域输入预先训练的安全带检测模型，对安全带检测区域进行检测，得到与安全带检测区域对应的安全带检测结果。
47.其中，安全带检测模型可以由大量安全带训练数据集训练而成。其具体过程包括：将一批包含没安全带和有安全带的数据送入安全带检测模型，得到分类结果；根据结果与实际类别的偏差，利用反向传播更新模型参数；然后获取下一批安全带训练数据，重复上述操作，直至安全带检测模型能够准确分辨有安全带和没安全带的两类数据。
48.具体地，将s206得到的安全带检测区域输入到训练好的安全带检测模型，对安全带检测区域进行进一步地检测，得到与安全带检测区域对应的安全带检测结果。
49.步骤210，获取上衣检测区域和裤子检测区域的颜色信息，对颜色信息进行分类检测，得到与上衣检测区域和裤子检测区域对应的工作服检测结果。
50.由于施工现场人员的工作服通常具有鲜明的色彩，且工作服的颜色通常为纯色。因此可以通过判断上衣检测区域和裤子检测区域的色调分布是否在工装颜色范围达到一定的阈值来判断现场施工人员是否穿了工作服。
51.具体地，分别统计上衣检测区域和裤子检测区域的各种颜色信息，并计算各种颜色信息在总的颜色信息的占比，如果工装颜色信息超过了预设占比时，则可认为上衣检测区域和裤子检测区域存在大面积单色系，从而判定上衣检测区域和裤子检测区域存在工作服；若没有一种颜色信息数量超过预设占比，则可认为上衣检测区域和裤子检测区域不存在大面积单色系，则判定上衣检测区域和裤子检测区域不存在工作服。
52.s212，根据安全帽检测结果、安全带检测结果和工作服检测结果得到人物着装安全检测结果。
53.根据s204得到的安全帽检测结果，s208得到的安全带检测结果和s210得到的工作服检测结果来评估施工现场人员的着装安全检测结果。
54.上述工装穿戴检测方法中，通过对施工现场图像进行检测，得到施工现场图像中的人物区域和安全帽区域，并根据人物区域和安全帽区域判断人物区域内是否存在安全帽区域，得到安全帽检测结果，将人物区域进行区域分割，得到上衣检测区域，裤子检测区域以及安全带检测区域，将安全带检测区域输入预先训练的安全带检测模型，对安全带检测区域进行检测，得到与安全带检测区域对应的安全带检测结果，然后再获取上衣检测区域和裤子检测区域的颜色信息，对颜色信息进行分类检测，得到与上衣检测区域和裤子检测区域对应的工作服检测结果，最后根据安全帽检测结果、安全带检测结果和工作服检测结果得到人物着装安全检测结果，可以全面有效地检测施工人员的工装穿戴情况，保障施工
人员的安全。
55.在一个实施例中，对施工现场图像进行检测，得到施工现场图像中的人物区域和安全帽区域，包括：
56.将施工现场图像输入预先训练的目标人物检测模型，得到施工现场图像中的人物区域。
57.其中，目标人物检测模型是指从图像中找出特定人物目标及其所在的位置信息，并将其进行标记的模型。采用的训练模型可以是机器学习、深度学习中的具体一种或者多种算法，例如支持向量机、adaboosting、卷积神经网络等。得到目标人物检测模型就是具体的算法根据训练数据学习后的结果。在一些应用场景中，要预先训练一个针对人物的目标检测模型，需要在训练数据集上进行全人工标注，标注内容包括人物边框。使用标注后的数据集训练来训练目标人物检测模型。然后将施工现场图像或者视频帧输入预先训练的目标人物检测模型，从而得到施工现场图像中的人物区域。通过训练学习建立的人体位置检测模型对现场视频图像进行检测得到人体位置，采用的训练模型可以是机器学习、深度学习中的具体一种或者多种算法，例如支持向量机、adaboosting、卷积神经网络等。得到的检测模型就是具体的算法根据训练数据学习后的结果。可通过离线训练的方式采用大量的训练数据得到准确的模型。其中人体位置检测模型的训练过程是让模型画出的人物框与标注的真实人物框重合度逐渐升高，从而得到一个能够准确画出人物框的人物检测模型。得到人体位置检测模型后，再输入测试图片，就能自动计算出对应的人体位置。由于前期通过大量的真实拍摄场景图片建立了模型，使得模型的输出结果准确度高。
58.将施工现场图像输入预先训练的安全帽检测模型，得到施工现场图像中的安全帽区域。
59.其中，安全帽检测模型通过训练学习建立的人头安全帽联合检测模型对现场视频图像进行检测得到安全帽区域，采用的训练模型可以是机器学习、深度学习中的具体一种或者多种算法，通过离线训练的方式采用大量的训练数据对训练模型进行训练，得到准确的安全帽检测模型。
60.具体地，当施工现场图像输入至安全帽检测模型，获取安全帽区域，然后将之与同时获取的人物区域进行匹配，如果某个人物区域包含了安全帽区域，则该人物带了安全帽，反之没带安全帽。在一实施例中，如图3所示，安全带检测模型包含第一卷积层、最大池化层、第二卷积层、全局平均池化层以及全连接层；将安全带检测区域输入预先训练的安全带检测模型，对安全带检测区域进行检测，得到与安全带检测区域对应的安全带检测结果，包括：
61.s302，通过第一卷积层对安全带检测区域进行图像特征提取，得到第一卷积层对应的第一特征提取结果。
62.安全带检测网络中的卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，其中第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。
63.具体地，服务器将安全带检测区域输入至安全带检测模型中的第一卷积层，通过第一卷积层对安全带检测区域进行卷积操作，得到第一卷积层对应的特征提取结果。
64.s304，通过所述最大池化层对所述第一特征提取结果进行池化操作，得到所述最大池化层对应的第二特征提取结果。
65.池化层的每个节点的输入也是上一层(卷积层)的一小块，这个小块的大小由池化核的窗口大小决定，池化层不会改变节点矩阵的深度，但它可以改变矩阵的大小。对于图像处理，池化层中池化操作可以理解为是将一张分辨率高的图片转化为分辨率低的图片。常用的池化操作有最大池化、平均池化等，通过卷积层和池化层后，可以进一步缩小网络模型中的参数个数。其中最大池化层可以卷积层参数误差造成估计均值的偏移。
66.在本技术的具体实施例中，服务器可以将卷积层对应的特征提取结果输入至安全带检测网络中的最大池化层，通过最大池化层对第一卷积层对应的特征提取结果进行池化操作，得到最大池化层对应的特征提取结果。
67.s306，通过所述第二卷积层对所述第二特征提取结果进行卷积操作，得到所述第二卷积层对应的第三特征提取结果。
68.其中，第二卷积层包含多个卷积单元，可以逐级提取更高级的安全带特征，例如安全带两端点之间的直线的角度信息等。服务器可以将第三特征提取结果输入至安全带检测网络中的第二卷积层，通过第二卷积层对第而特征提取结果进行卷积操作，得到更为高级的第三特征提取结果。
69.在一具体实施例中，通过第二卷积层的当前卷积单元对第二特征提取结果进行卷积操作，得到所述当前卷积单元对应的图像特征提取结果；将当前卷积单元对应的图像特征提取结果作为当前卷积单元的下一个卷积单元的检测对象；将下一个卷积单元作为当前卷积单元，重复执行上述操作，直到在第二卷积层的最后一个卷积单元的检测对象中提取出最后一个卷积单元对应的特征提取结果；将最后一个卷积单元对应的特征提取结果作为第二卷积层对应的第三特征提取结果。
70.s308，通过所述全局平均池化层对所述第三特征提取结果进行池化操作，得到所述全局平均池化层对应的第四特征提取结果。
71.其中，全局平均池化层用于将从卷积层输出的特征图进行均值运算，从而减少安全带检测模型的参数，增大检测效率。
72.服务器可以将第三特征提取结果输入至安全带检测网络层中的全局平均池化层进行池化操作，得到全局池化层对应的特征提取结果。
73.s310，通过全连接层对第四特征提取结果进行分类操作，得到安全带检测区域对应的安全带检测结果。
74.在一具体实施例中，全连接层包含三个全连接层单元，第一全连接层、第二全连接层以及第三全连接层。通过第一全连接层对第四特征提取结果进行分类操作，得到第一全连接层对应的特征提取结果；将第一全连接层对应的特征提取结果作为第二全连接层的检测对象，得到第二全连接层对应的特征提取结果；将第二全连接层对应的特征提取结果作为第三全连接层的检测对象，得到第三全连接层对应的特征提取结果；将第三全连接层对应的特征提取结果作为安全带检测区域对应的安全带检测结果。
75.在本实施例中，采用了先在人物区域中分割出安全带检测区域，然后基于安全带检测区域利用安全带检测模型再进一步检测，进行检测的技术手段，测克服了传统技术方案中由于安全带在识别图像中存在面积较小，可提取出的特征稀少，同时周围又存在大量
干扰信息从而导致在真实检测场景中识别准确率较低的技术问题，有效地提高了对施工现场人员的佩戴安全带的检测效率和准确率。
76.在一实施例中，获取上衣检测区域和裤子检测区域的颜色信息，对颜色信息进行分类检测，得到与上衣检测区域和裤子检测区域对应的工作服检测结果，包括：
77.s402，获取所述上衣检测区域和裤子检测区域图像的rgb颜色空间信息。
78.其中，rgb颜色空间信息是指以r(red:红)、g(green:绿)、b(blue:蓝)三种基本色为基础，进行不同程度的叠加，产生丰富而广泛的颜色，所以俗称三基色模式。
79.具体地，获取上衣检测区域和裤子检测区域图像上每一个像素点的三原色光对应的像素值。
80.s404，将rgb颜色空间信息转换为hsv颜色空间信息，hsv颜色空间信息中包含色调信息、饱和度信息和亮度信息。
81.hsv颜色空间是根据颜色的直观特性，色调(h)，饱和度(s)，明度(v)生成的一种颜色空间。该模型中颜色的参数分别是：色调(h)，饱和度(s)，明度(v)。
82.s406，根据色调信息检测上衣检测区域和裤子检测区域是否为工作服，得到工作服检测结果。
83.具体地，统计上衣检测区域和裤子检测区域图像上所有像素点的色调信息；若根据色调信息确定同一色调的像素点占整个检测区域像素点的比例达到预设占比时，则认定该检测区域是为工作服。则判断上衣检测区域和裤子检测区域为工作服。例如，以蓝色工作服上衣为例，在上衣检测区域上统计所有像素点的色调，当色调分布在214
°
～230
°
的像素点占整个上衣区域的50％以上，则判断为穿了蓝色工作服上衣。
84.在本实施例中，通过对上衣检测区域和裤子检测区域像素的色调信息进行统计，并判断某一色调的像素点占整个检测区域像素点的比例，来判断上衣检测区域和裤子检测区域是否存在工作服，无需训练复杂的神经网络模型，可以简单高效地完成对施工现场人员是否穿了工作服进行检测。
85.在一实施例中，可在建筑工地内的高点、升降梯的出入口等关键位置部署摄像头。其中工装穿戴检测方法可以应用于摄像头，则直接获取摄像头采集的现场视频图像；如果工装穿戴检测方法应用于服务器，可将现场视频图像发送至服务器进行处理，并可以实时检测，根据计算机算力的不同，检测速度达到每秒十几到几十帧。以工装穿戴检测方法应用于服务器为例，该方法步骤如图5所示。
86.首先，服务器利用标注好的人物位置数据集和安全帽数据集分别训练两个目标检测模型：“yolo人物模型”和“yolo安全帽模型”。其中yolo人物模型能够在画面中定位出所有人体的位置，yolo安全帽模型能够定位出所有安全帽或头部的位置。得到以上位置之后，服务器遍历所有安全帽区域与人物区域，找到每个人物区域所包含的安全帽区域，然后依据安全帽区域的类别判断该人物是否带了安全帽。
87.然后服务器将人物区域分成上衣区域，裤子区域和安全带区域。由于安全带本身的面积小，而且在人物行动过程中不可能保持固定的形状，所以依靠传统的边缘检测、平行线匹配等方法不能取得良好的检测效果。因此在参考经典的图像分类网络的前提下，设计了一个由六个卷积层、两个池化层和三个全连接层组成的轻量化分类网络，该网络结构如图6所示。该网络模型使用采集到的2万余帧安全带数据进行训练，得到的分类模型在多个
场景下都有很高的检测准确率，整个数据采集和模型训练的流程如图7所示。
88.当输入卷积层1的图像特征尺寸为图像通道为3、图像宽度为96、图像高度为96时，卷积层1对3
×
96
×
96的图像进行卷积操作后，输出的图像特征尺寸为64
×
48
×
48；将输出的特征结果输入到最大池化层，对该结果进行池化操作后，得到的图像特征尺寸为64
×
24
×
24；然后将该特征结果输入到卷积层2
‑
6中，进行卷积操作之后得到图像特征尺寸为1024
×3×
3；将该特征结果输入到全局平均池化层后，进行池化操作后得到的图像特征尺寸为1024
×
1，再将该特征结果输入到3层全连接层后，最后得到的图像特征尺寸为2
×
1。
89.其中，安全带检测模型的训练过程为先从实时视频画面中获取视频帧数据，然后利用yolo人物模型检测出人物区域，分割出安全带区域，并且收集安全带数据集，并利用该安全带数据集来训练深度学习网络，采用的训练模型可以是机器学习、深度学习中的具体一种或者多种算法，例如支持向量机、adaboosting、卷积神经网络等；得到的检测模型就是具体的算法根据训练数据学习后的结果。可通过离线训练的方式采用大量的训练数据得到准确的模型。对于安全带检测模型，对于含有安全带的正样本图片可构建与安全带区域位置相关的第一向量，不含有安全带的负样本图片可构建第二向量，将不同的图片和对应的向量输入训练模型进行训练后得到训练模型未知参数从而确定得到安全带检测模型。
90.最后对上衣区域和裤子区域进行色调统计，从而判定目标人物是否穿了工作服。工作服有十分明显的颜色特征，可以利用其色调分布的情况判断是否穿了工作服。具体来说，我们首先将视频画面从rgb颜色空间转换成hsv颜色空间，其中h指的是色调，分布范围是0
°
～360
°
。以蓝色工作服上衣为例，我们统计所有像素点的色调，当色调分布在214
°
～230
°
的像素点占整个上衣区域的50％以上，则判断为穿了蓝色工作服上衣。
91.应该理解的是，虽然图2
‑
7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2
‑
7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
92.在一个实施例中，如图8所示，提供了一种工装穿戴检测装置800，包括：定位处理模块802、安全帽检测模块804、区域分割模块806、安全带检测模块808、工作服检测模块810和综合检测模块812，其中：
93.定位处理模块，用于对施工现场图像进行检测，得到所述施工现场图像中的人物区域和安全帽区域；
94.安全帽检测模块，用于根据所述人物区域和安全帽区域判断所述人物区域内是否存在安全帽区域，得到安全帽检测结果；
95.区域分割模块，用于将所述人物区域进行区域分割，得到上衣检测区域，裤子检测区域以及安全带检测区域；
96.安全带检测模块，将所述安全带检测区域输入预先训练的安全带检测模型，对所述安全带检测区域进行检测，得到与所述安全带检测区域对应的安全带检测结果；
97.工作服检测模块，用于获取所述上衣检测区域和所述裤子检测区域的颜色信息，对所述颜色信息进行分类检测，得到与所述上衣检测区域和所述裤子检测区域对应的工作
服检测结果；
98.综合检测模块，用于根据所述安全帽检测结果、所述安全带检测结果和所述工作服检测结果得到人物着装安全检测结果。
99.上述工装穿戴检测装置，通过对施工现场图像进行检测，得到施工现场图像中的人物区域和安全帽区域，并根据人物区域和安全帽区域判断人物区域内是否存在安全帽区域，得到安全帽检测结果，将人物区域进行区域分割，得到上衣检测区域，裤子检测区域以及安全带检测区域，将安全带检测区域输入预先训练的安全带检测模型，对安全带检测区域进行检测，得到与安全带检测区域对应的安全带检测结果，然后再获取上衣检测区域和裤子检测区域的颜色信息，对颜色信息进行分类检测，得到与上衣检测区域和裤子检测区域对应的工作服检测结果，最后根据安全帽检测结果、安全带检测结果和工作服检测结果得到人物着装安全检测结果，可以全面有效地检测施工人员的工装穿戴情况，保障施工人员的安全。
100.在一个实施例中，定位处理模块包括：人物检测子模块，用于将所述施工现场图像输入预先训练的目标人物检测模型，得到所述施工现场图像中的人物区域；安全帽检测子模块，用于将所述施工现场图像输入预先训练的安全帽检测模型，得到所述施工现场图像中的安全帽区域。
101.在一个实施例中，安全带检测模块包括：第一卷积层检测子模块，用于通过所述第一卷积层对所述安全带检测区域进行图像特征提取，得到所述第一卷积层对应的第一特征提取结果；最大池化检测子模块，用于通过所述最大池化层对所述第一特征提取结果进行池化操作，得到所述最大池化层对应的第二特征提取结果；第二卷积层检测子模块，用于通过所述第二卷积层对所述第二特征提取结果进行卷积操作，得到所述第二卷积层对应的第三特征提取结果；平均池化检测子模块，用于通过所述全局平均池化层对所述第三特征提取结果进行池化操作，得到所述全局平均池化层对应的第四特征提取结果；全连接检测子模块，用于通过所述全连接层对所述第四特征提取结果进行分类操作，得到所述安全带检测区域对应的安全带检测结果。
102.在一个实施例中，第二卷积层检测子模块包括：当前卷积单元，用于通过所述第二卷积层的当前卷积单元对所述第二特征提取结果进行卷积操作，得到所述当前卷积单元对应的图像特征提取结果；特征结果传递单元，用于将所述当前卷积单元对应的图像特征提取结果作为所述当前卷积单元的下一个卷积单元的检测对象；重复卷积单元，用于将所述下一个卷积单元作为所述当前卷积单元，重复执行上述操作，直到在所述第二卷积层的最后一个卷积单元的检测对象中提取出所述最后一个卷积单元对应的特征提取结果；第三特征提取结果确定单元，用于将所述最后一个卷积单元对应的特征提取结果作为所述第二卷积层对应的第三特征提取结果。
103.在一个实施例中，全连接检测子模块包括：第一检测单元，用于通过所述第一全连接层对所述第四特征提取结果进行分类操作，得到所述第一全连接层对应的特征提取结果；第二检测单元，用于将所述第一全连接层对应的特征提取结果作为所述第二全连接层的检测对象，得到所述第二全连接层对应的特征提取结果；第三检测单元，用于将所述第三全连接层对应的特征提取结果作为所述安全带检测区域对应的安全带检测结果。
104.在一个实施例中，工作服检测模块包括：rgb颜色信息获取子模块，用于获取所述
上衣检测区域和裤子检测区域图像的rgb颜色空间信息；颜色信息转换子模块，用于将所述rgb颜色空间信息转换为hsv颜色空间信息，所述hsv颜色空间信息中包含色调信息、饱和度信息和亮度信息；工作服确定子模块，用于根据所述色调信息检测上衣检测区域和裤子检测区域是否为工作服，得到工作服检测结果。
105.在一个实施例中，工作服确定子模块包括：色调统计单元，用于统计所述上衣检测区域和裤子检测区域图像上所有像素点的色调信息；占比计算单元，用于若根据所述色调信息确定与工作服相同色调的像素点占整个检测区域像素点的比例达到预设占比时，则判断上衣检测区域和裤子检测区域为工作服。
106.关于工装穿戴检测装置的具体限定可以参见上文中对于工装穿戴检测方法的限定，在此不再赘述。上述工装穿戴检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
107.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储安全带检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种工装穿戴检测方法。
108.本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
109.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：对施工现场图像进行检测，得到所述施工现场图像中的人物区域和安全帽区域；根据所述人物区域和安全帽区域判断所述人物区域内是否存在安全帽区域，得到安全帽检测结果；将所述人物区域进行区域分割，得到上衣检测区域，裤子检测区域以及安全带检测区域；将所述安全带检测区域输入预先训练的安全带检测模型，对所述安全带检测区域进行检测，得到与所述安全带检测区域对应的安全带检测结果；获取所述上衣检测区域和所述裤子检测区域的颜色信息，对所述颜色信息进行分类检测，得到与所述上衣检测区域和所述裤子检测区域对应的工作服检测结果；根据所述安全帽检测结果、所述安全带检测结果和所述工作服检测结果得到人物着装安全检测结果。
110.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述施工现场图像输入预先训练的目标人物检测模型，得到所述施工现场图像中的人物区域；将所述施工现场图像输入预先训练的安全帽检测模型，得到所述施工现场图像中的安全帽区域。
111.在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过所述第一卷积层对所述安全带检测区域进行图像特征提取，得到所述第一卷积层对应的第一特征提取结果；通过所述最大池化层对所述第一特征提取结果进行池化操作，得到所述最大池化层对
应的第二特征提取结果；通过所述第二卷积层对所述第二特征提取结果进行卷积操作，得到所述第二卷积层对应的第三特征提取结果；通过所述全局平均池化层对所述第三特征提取结果进行池化操作，得到所述全局平均池化层对应的第四特征提取结果；通过所述全连接层对所述第四特征提取结果进行分类操作，得到所述安全带检测区域对应的安全带检测结果。
112.在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过所述第二卷积层的当前卷积单元对所述第二特征提取结果进行卷积操作，得到所述当前卷积单元对应的图像特征提取结果；将所述当前卷积单元对应的图像特征提取结果作为所述当前卷积单元的下一个卷积单元的检测对象；将所述下一个卷积单元作为所述当前卷积单元，重复执行上述操作，直到在所述第二卷积层的最后一个卷积单元的检测对象中提取出所述最后一个卷积单元对应的特征提取结果；将所述最后一个卷积单元对应的特征提取结果作为所述第二卷积层对应的第三特征提取结果。
113.在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过所述第一全连接层对所述第四特征提取结果进行分类操作，得到所述第一全连接层对应的特征提取结果；将所述第一全连接层对应的特征提取结果作为所述第二全连接层的检测对象，得到所述第二全连接层对应的特征提取结果；将所述第二全连接层对应的特征提取结果作为所述第三全连接层的检测对象，得到所述第三全连接层对应的特征提取结果；将所述第三全连接层对应的特征提取结果作为所述安全带检测区域对应的安全带检测结果。
114.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述上衣检测区域和裤子检测区域图像的rgb颜色空间信息；将所述rgb颜色空间信息转换为hsv颜色空间信息，所述hsv颜色空间信息中包含色调信息、饱和度信息和亮度信息；根据所述色调信息检测上衣检测区域和裤子检测区域是否为工作服，得到工作服检测结果。
115.在一个实施例中，处理器执行计算机程序时还实现以下步骤：统计所述上衣检测区域和裤子检测区域图像上所有像素点的色调信息；若根据所述色调信息确定与工作服相同色调的像素点占整个检测区域像素点的比例达到预设占比时，则判断上衣检测区域和裤子检测区域为工作服。
116.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：对施工现场图像进行检测，得到所述施工现场图像中的人物区域和安全帽区域；根据所述人物区域和安全帽区域判断所述人物区域内是否存在安全帽区域，得到安全帽检测结果；将所述人物区域进行区域分割，得到上衣检测区域，裤子检测区域以及安全带检测区域；将所述安全带检测区域输入预先训练的安全带检测模型，对所述安全带检测区域进行检测，得到与所述安全带检测区域对应的安全带检测结果；获取所述上衣检测区域和所述裤子检测区域的颜色信息，对所述颜色信息进行分类检测，得到与所述上衣检测区域和所述裤子检测区域对应的工作服检测结果；根据所述安全帽检测结果、所述安全带检测结果和所述工作服检测结果得到人物着装安全检测结果。
117.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过所述第一卷积层对所述安全带检测区域进行图像特征提取，得到所述第一卷积层对应的第一特征提取结果；通过所述最大池化层对所述第一特征提取结果进行池化操作，得到所述最大池化层对应的第二特征提取结果；通过所述第二卷积层对所述第二特征提取结果进行卷积操作，
得到所述第二卷积层对应的第三特征提取结果；通过所述全局平均池化层对所述第三特征提取结果进行池化操作，得到所述全局平均池化层对应的第四特征提取结果；通过所述全连接层对所述第四特征提取结果进行分类操作，得到所述安全带检测区域对应的安全带检测结果。
118.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过所述第二卷积层的当前卷积单元对所述第二特征提取结果进行卷积操作，得到所述当前卷积单元对应的图像特征提取结果；将所述当前卷积单元对应的图像特征提取结果作为所述当前卷积单元的下一个卷积单元的检测对象；将所述下一个卷积单元作为所述当前卷积单元，重复执行上述操作，直到在所述第二卷积层的最后一个卷积单元的检测对象中提取出所述最后一个卷积单元对应的特征提取结果；将所述最后一个卷积单元对应的特征提取结果作为所述第二卷积层对应的第三特征提取结果。
119.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过所述第一全连接层对所述第四特征提取结果进行分类操作，得到所述第一全连接层对应的特征提取结果；将所述第一全连接层对应的特征提取结果作为所述第二全连接层的检测对象，得到所述第二全连接层对应的特征提取结果；将所述第二全连接层对应的特征提取结果作为所述第三全连接层的检测对象，得到所述第三全连接层对应的特征提取结果；将所述第三全连接层对应的特征提取结果作为所述安全带检测区域对应的安全带检测结果。
120.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取所述上衣检测区域和裤子检测区域图像的rgb颜色空间信息；将所述rgb颜色空间信息转换为hsv颜色空间信息，所述hsv颜色空间信息中包含色调信息、饱和度信息和亮度信息；根据所述色调信息检测上衣检测区域和裤子检测区域是否为工作服，得到工作服检测结果。
121.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：统计所述上衣检测区域和裤子检测区域图像上所有像素点的色调信息；若根据所述色调信息确定与工作服相同色调的像素点占整个检测区域像素点的比例达到预设占比时，则判断上衣检测区域和裤子检测区域为工作服。
122.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read
‑
only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
123.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
124.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来
说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。