一种基于深度学习技术的安全穿戴规范检测系统的制作方法

1.本发明涉及安全穿戴规范检测系统，尤其是涉及一种基于深度学习技术的安全穿戴规范检测系统。


背景技术：

2.现如今，生产安全成为了各企业最为重视的一环，随着现代化的发展及工业智能制造的需求，安全生产也越来越成为各个企业中最为重要的环节。目前企业的安全穿戴规范检测系统的防护措施依然处于较为落后的阶段，仍存在许多原始的人工监管方式进行安全穿戴规范检测。现实中发生了许多由于生产一线的工作人员缺乏安全意识进入高危区域或未戴安全帽、穿防护服，导致安全事故的发生。因此在提高工作人员安全意识的同时，对现场的安全监管和预警也起到关键性的作用。不过目前安全穿戴规范检测系统对人工的依赖仍然十分严重，然而由于工作区域大、工作人员多和工作时间长等原因，使得人工监管难度大、监管效率低。近年来，凭借着深度学习的不断发展，深度学习与计算机视觉技术的结合也越来越紧密。在视觉领域中，深度学习起着举足轻重的作用，深度学习在安全检测，目标检测等不同的方向都有着广泛的应用。同时，随着硬件与电子技术的不断发展，从而推进了监控设备与计算器视觉的相结合，在利用深度学习的目标检测算法，使监控系统智能化变成了现实。
3.目前，将深度学习应用于安全穿戴规范检测系统中的研究还比较少，主要是将人工监管及传统的机器视觉相结合，在一定程度上保护了工作人员的安全，但还存在以下几个问题：
4.智能化不足。现有的安全穿戴规范检测系统主要依赖人工进行监管与判断，人工也存在疲劳及判断错误，存在很大的安全隐患。
5.功能比较单一。传统的机器视觉进行安全穿戴规范检测依赖于固定的环境，应用场景单一，使用起来不够灵活。
6.检测精度较低。传统的机器视觉对安全穿戴规范检测依赖于工作环境的稳定，光线的稳定，在天气变化及不同工作场景下检测精度都会降低，不同的人员姿态都会影响判断，这样就会产生漏检与误检等问题。
7.所以急需开发一套高效、灵活、可靠的智能安全穿戴规范检测系统，本文通过以上问题进行分析，确定了系统的功能和性能的需求，将深度学习目标检测算法应用于安全穿戴规范检测系统中，提出了一种深度学习技术的安全穿戴规范检测系统。本系统对于安全防护的监管更为智能和高效，适用于不同场景检测，检测精度高远大于人工与传统机器视觉检测率，同时通过该系统进行安全预警，大大减少了人力相关的检查与管理工作，从而降低企业的监管成本。为此，需要设计相应的技术方案给予解决。


技术实现要素：

8.本发明的目的就是为了解决上述问题，提供一种安全可靠且操作便捷的基于深度
学习技术的安全穿戴规范检测系统。
9.为了实现上述目的，本发明采用如下技术方案：一种基于深度学习技术的安全穿戴规范检测系统，包括：
10.(1)监控相机图像采集模块
11.监控相机需要采集一定数量的图片供给模型训练，模型训练使模型具备智能检测识别的能力；
12.模型完成生成pt模型，pt模型部署在服务器端，整个检测系统上线时，监控相机需要实时采集图像传送到模型中进行识别检测；
13.(2)算法检测识别模块
14.本文算法模型主要选用深度学习目标侦测模型yolo模型，主要是分两步走原则，首先利用模型进行人员检测识别，在进行安全穿戴检测识别；
15.(2.1)one-stage人员检测识别
16.将训练好的pt模型部署到服务端之后，通过软件将部署的pt模型和监控相机连接起来，监控相机采集到图像传送给模型做前向推理，最终得到当前帧的图像中所有人员所在的像素位置坐标；
17.(2.2)two-stage安全穿戴检测识别
18.根据one-stage中得到的所有人员的像素位置坐标进行截图，将截图的图片依次传入安全穿戴检测模型进行图片安全穿戴规范检测。将识别结果发送给报警模块；
19.(3)报警模块
20.报警模块接受到识别结果之后，若发现有工作人员不符合安全穿戴规范行为，进行语音报警，若全部正常，则继续实时监测。
21.与现有技术相比，本发明具有如下有益效果：
22.(1)本发明通过深度学习与硬件的结合，实现了无人监控工作人员是否符合安全穿戴规范，实现了智能化的管理。
23.(2)本发明通过实时监测，极大的预防了安全隐患的发生，从而进一步保障了工作人员的人生安全。
24.(3)提高了工业生产的效果，解放了人工监管，降低了企业人工成本。
附图说明
25.图1为安全穿戴规范检测系统整体流程图。
具体实施方式
26.为使本发明实施例的目的、技术方案、有益效果及显著进步更加清楚，下面，将结合本发明实施例中所提供的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所有描述的这些实施例仅是本发明的部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作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。
27.需要说明的是：
28.本发明的说明书和权利要求书以及本发明实施例附图中的术语“第一”、“第二”和“第三”(如果存在)等，仅是用于区别不同对象，而非用于描述特定的顺序；
29.此外，术语“包括”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
30.需要理解的是：
31.在本发明实施例的描述中，术语“上”、“下”、“顶部”、“底部”等指示性方位或位置用词，仅为基于本发明实施例附图所示的方位或位置关系，是为了便于描述本发明的实施例和简化说明，而不是指示或暗示所述的装置或元件必须具有的特定方位、特定的方位构造和操作，因此，不能理解为是对本发明的限制。
32.在本发明中，除非另有明确的规定和限定，术语“安装”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接或活动连接，亦可是成为一体；可以是直接连接，也可以是通过中间媒介的间接连接，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
33.还需要说明的是：
34.以下的具体实施例可以相互结合，对于其中相同或相似的概念或过程可能在某些实施例中不再赘述。
35.下面，以具体的实施例对本发明的技术方案进行详细说明。
36.一种基于深度学习技术的安全穿戴规范检测系统，包括：
37.(1)监控相机图像采集模块
38.监控相机需要采集一定数量的图片供给模型训练，模型训练使模型具备智能检测识别的能力；
39.模型完成生成pt模型，pt模型部署在服务器端，整个检测系统上线时，监控相机需要实时采集图像传送到模型中进行识别检测；
40.(2)算法检测识别模块
41.本文算法模型主要选用深度学习目标侦测模型yolov6模型，主要是分两步走原则，首先利用模型进行人员检测识别，在进行安全穿戴检测识别；
42.(2.1)one-stage人员检测识别
43.将训练好的pt模型部署到服务端之后，通过软件将部署的pt模型和监控相机连接起来，监控相机采集到图像传送给模型做前向推理，最终得到当前帧的图像中所有人员所在的像素位置坐标；
44.(2.2)two-stage安全穿戴检测识别
45.根据one-stage中得到的所有人员的像素位置坐标进行截图，将截图的图片依次传入安全穿戴检测模型进行图片安全穿戴规范检测。将识别结果发送给报警模块；
46.(3)报警模块
47.报警模块接受到识别结果之后，若发现有工作人员不符合安全穿戴规范行为，进行语音报警，若全部正常，则继续实时监测。
48.实施例1
49.参见图1为安全穿戴规范检测系统整体流程图，本实施例涉及一种基于深度学习技术的安全穿戴规范检测系统，包括监控相机图像采集模块、算法检测模型识别模块、报警模块三个模块，主要是对是否安全佩戴安全帽的的规范行为进行检测。
50.在前期安全生产的过程中利用监控相机进行工作人员佩戴安全帽的图像采集，本次采集1万张数量的图片，对图片中安全帽及人员进行分别标注，将标注的json格式的文件单独放置两个文件夹中，对json文件进行数据处理之后用yolov6目标侦测模型对hat标注数据和people标注数据进行分别训练，得到工作人员识别检测模型及安全帽识别检测模型。
51.本次利用tensorrt部署框架对模型进行部署，选择tensorrt7.2.2.3的版本，服务器上安装cuda10.2版本，利用yolov6的训练出安全帽识别检测模型重命名为hat.pt,工作人员识别检测模型为people.pt,训练完成之后把两个模型分别转成hat.onnx和people.onnx两个onnx模型，在结合tensorrt7.2.2.3用c 部署到服务器上，做前向推理。
52.将tensorrt部署的软件与前端进行对接，通过监控相机实时采集图片，将采集的图片首先发送给people.onnx模型进行前向推理，根据推理结果给出的工作人员的像素位置坐标对图片进行相应的crop。对crop出的图片进行一定的缩放及填充成一个(640,640)的图片，将这些图片依次传入hat.onnx模型进行前向推理，最后得出结果。
53.最后是语音报警部分，服务器通过socket通讯和hmi客户端进行联系，通过服务器传送指令控制hmi客户端是否发送报警指令，当hat.onnx模型推理结果中发现有没有检测到安全帽的工作人员图片，程序就会发出指令，通过socket通讯控制hmi客户端实现语音报警的功能，若所有工作人员的图片都检测到安全帽，则不发出指令，继续进行监控。
54.在上述说明书的描述过程中：
55.术语“本实施例”、“本发明实施例”、“如
……
所示”、“进一步的”、“进一步改进的技术分方案”等的描述，意指该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中，在本说明书中，对上述术语的示意性表述不是必须针对相同的实施例或示例，而且，描述的具体特征、结构、材料或者特点等可以在任意一个或者多个实施例或示例中以合适的方式结合或组合；
56.此外，在不产生矛盾的前提下，本领域的普通技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合或组合。
57.最后应说明的是：
58.以上各实施例仅用以说明本发明的技术方案，而非是对其的限制，尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，本领域技术人员根据本说明书内容所做出的非本质改进和调整或者替换，均属本发明所要求保护的范围。