本發(fā)明涉及工業(yè)安全人員防護(hù)，尤其涉及一種基于目標(biāo)檢測模型的工業(yè)場所人員檢測方法。

背景技術(shù)：

1、事故對工業(yè)企業(yè)的生產(chǎn)和員工安全帶來嚴(yán)重影響。事故往往不僅是單一事件，更可能引發(fā)連鎖反應(yīng)，對企業(yè)正常運(yùn)營和員工生命安全構(gòu)成巨大威脅。傳統(tǒng)檢測方法受技術(shù)限制，對事故發(fā)生時(shí)的檢測精度低，無法提供及時(shí)生產(chǎn)線管理和緊急處理支持，對員工安全的影響不可忽視。目前現(xiàn)行人員的檢測方式主要可以分為以下兩類：1)傳統(tǒng)視頻監(jiān)控方式：依賴于人工判斷確定人員的具體位置和活動(dòng)狀態(tài)。這一過程需要專業(yè)的監(jiān)控人員不斷地觀看監(jiān)控畫面，進(jìn)行繁瑣的分析和判斷。這種方式會(huì)消耗顯著的人力成本和時(shí)間成本。2)基于深度學(xué)習(xí)的目標(biāo)檢測方式：計(jì)算機(jī)視覺領(lǐng)域的進(jìn)步和深度學(xué)習(xí)算法的日益成熟，為檢測任務(wù)提供了更

2、中國專利公開號：cn117315538a公開了一種基于改進(jìn)yolov8的智慧車間內(nèi)違規(guī)行為檢測方法，該發(fā)明在檢測各種違規(guī)行為如人員進(jìn)入禁止區(qū)域、未戴安全帽、設(shè)備操作不當(dāng)、吸煙等方向有一定通用性，為解決車間內(nèi)檢測攝像頭質(zhì)量不一，圖像分辨率不同和復(fù)雜場景從而導(dǎo)致的檢測精度低漏檢率較高和定位不夠準(zhǔn)確問題，提出改進(jìn)yolov8的工廠內(nèi)工人違規(guī)行為檢測算法，利用dconv替代了傳統(tǒng)的conv，可變形卷積在采樣時(shí)更貼近物體的形狀和尺寸，更具有魯棒性，并在c2f模塊內(nèi)添加了biformer注意力機(jī)制，以此來增加模型的表征能力；為了提高對候選框合理的選取率，對yolov8的解耦頭進(jìn)行修改，添加了wiou損失函數(shù)，優(yōu)化檢測模型，使其能夠更好地預(yù)測目標(biāo)的位置；本發(fā)明具有更好的實(shí)時(shí)性，對不同分辨率圖像的識別具有更高的精度。由此可見，所述工業(yè)場所人員檢測方法存在以下問題：雖然現(xiàn)有技術(shù)中的yolov8能夠應(yīng)用于不同場景，但是由于其本身性能限制，導(dǎo)致在使用其對人員行為狀態(tài)進(jìn)行判定時(shí)無法得到準(zhǔn)確地判定結(jié)果，從而導(dǎo)致yolov8針對人員行為狀態(tài)的判定精度低。

3、現(xiàn)有模型雖能應(yīng)用于不同領(lǐng)域，但是由于其本身性能限制，如果將其應(yīng)用于本技術(shù)領(lǐng)域，那么模型運(yùn)行過程中得到的結(jié)果精度低。

技術(shù)實(shí)現(xiàn)思路

1、為此，本發(fā)明提供一種基于目標(biāo)檢測模型的工業(yè)場所人員檢測方法，用以克服現(xiàn)有技術(shù)中檢測精度低的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于目標(biāo)檢測模型的工業(yè)場所人員檢測方法，包括：

3、步驟s1，針對網(wǎng)絡(luò)交換機(jī)中的目標(biāo)檢測模型進(jìn)行改進(jìn)，以獲取改進(jìn)后的目標(biāo)檢測模型，將改進(jìn)后的目標(biāo)檢測模型部署至開發(fā)板中；

4、步驟s2，在工業(yè)車間中部署若干攝像頭以采集車間內(nèi)工作人員在不同時(shí)間區(qū)間的工作狀態(tài)，各攝像頭的初始仰俯角度均不相同，通過逐漸調(diào)節(jié)各攝像頭與水平線的夾角以獲取若干圖像信息；

5、步驟s3，對獲取的若干所述圖像進(jìn)行篩選和剪裁處理以獲取圖像特征，并依次對處理后的各圖像特征進(jìn)行人員行為狀態(tài)標(biāo)注處理，基于標(biāo)注完成后的各圖像特征和與各圖像特征對應(yīng)的人員行為狀態(tài)建立初始數(shù)據(jù)集；

6、步驟s4，對所述初始數(shù)據(jù)集中的信息進(jìn)行擴(kuò)增處理以建立針對所述目標(biāo)檢測模型的數(shù)據(jù)集；

7、步驟s5，控制預(yù)先設(shè)置在所述車間內(nèi)對應(yīng)位置的各傳感器運(yùn)行以檢測車間內(nèi)的環(huán)境參數(shù)，并基于獲取的環(huán)境參數(shù)和所述目標(biāo)檢測模型計(jì)算針對所述車間內(nèi)的安全概率，將安全概率記為針對車間的信息融合結(jié)果；

8、步驟s6，所述開發(fā)板將求得的所述信息融合結(jié)果推送至遠(yuǎn)程用戶響應(yīng)終端和現(xiàn)場警示終端以完成對所述車間內(nèi)的人員檢測，其中，遠(yuǎn)程用戶響應(yīng)終端記錄前一預(yù)設(shè)周期內(nèi)各所述攝像頭采集的視頻信息與各所述傳感器采集的環(huán)境信息，現(xiàn)場警示終端通過警示燈與遠(yuǎn)程對講方式發(fā)出提醒。

9、進(jìn)一步地，針對所述網(wǎng)絡(luò)交換機(jī)中的目標(biāo)檢測模型的改進(jìn)方式包括，使用動(dòng)態(tài)多分支結(jié)構(gòu)卷積替換所述目標(biāo)檢測模型內(nèi)骨干網(wǎng)絡(luò)中所有c2f層的卷積模塊。

10、進(jìn)一步地，針對所述網(wǎng)絡(luò)交換機(jī)中的目標(biāo)檢測模型的改進(jìn)方式還包括，在所述骨干網(wǎng)絡(luò)中最后一個(gè)c2f層和sppf層間添加坐標(biāo)融合注意力模塊。

11、進(jìn)一步地，針對所述網(wǎng)絡(luò)交換機(jī)中的目標(biāo)檢測模型的改進(jìn)方式包括，使用加權(quán)雙向特征金字塔網(wǎng)絡(luò)替換所述目標(biāo)檢測模型網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)頭部網(wǎng)絡(luò)中的特征金字塔網(wǎng)絡(luò)。

12、進(jìn)一步地，針對所述網(wǎng)絡(luò)交換機(jī)中的目標(biāo)檢測模型的改進(jìn)方式包括，使用slou損失函數(shù)替換所述目標(biāo)檢測模型中的ciou損失函數(shù)以通過siou損失函數(shù)獲得改進(jìn)后的目標(biāo)檢測模型，其中，slou損失函數(shù)包括角度損失、距離損失、形狀損失以及iou損失。

13、進(jìn)一步地，針對所述網(wǎng)絡(luò)交換機(jī)中的目標(biāo)檢測模型的改進(jìn)方式包括，采用剪枝基于層自適應(yīng)幅度的剪枝方法以獲得最終的目標(biāo)檢測模型。

14、進(jìn)一步地，在所述步驟s2中，針對各所述攝像頭采集工作人員工作狀態(tài)的方法包括：

15、步驟s21，在所述工業(yè)車間內(nèi)的對應(yīng)位置分別設(shè)置攝像頭，對于相鄰的兩攝像頭，其仰俯角差值設(shè)置為15°；

16、步驟s22，控制各所述攝像頭運(yùn)行以進(jìn)行拍攝，在拍攝過程中，各攝像頭從水平角度開始逐漸向下移動(dòng)直至攝像頭采集的視線與墻面的夾角達(dá)到15°。

17、進(jìn)一步地，在所述步驟s3中，建立所述初始數(shù)據(jù)集的步驟包括：

18、步驟s31，對各所述攝像頭采集到的視頻進(jìn)行抽幀截取以獲取若干圖像信息；

19、步驟s32，從若干所述圖像中篩選存在人員行為狀態(tài)的圖像信息，并裁剪成統(tǒng)一大?。?/p>

20、步驟s33，將裁剪后的工業(yè)人員行為狀態(tài)圖像使用標(biāo)注模塊進(jìn)行人員行為狀態(tài)標(biāo)注，工作人員行為狀態(tài)包括安全裝備佩戴、跌倒和站立；

21、步驟s34，建立所述工業(yè)車間中工作人員行為狀態(tài)初始數(shù)據(jù)集。

22、進(jìn)一步地，在所述步驟s4中，對所述初始數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)處理以完成對初始數(shù)據(jù)集中的信息的擴(kuò)增，其中，數(shù)據(jù)增強(qiáng)方法包括剪裁、翻轉(zhuǎn)、鏡像、圖像曝光和添加噪聲。

23、進(jìn)一步地，在所述步驟s5中，各所述傳感器獲取的環(huán)境參數(shù)包括車間內(nèi)的煙霧濃度、危險(xiǎn)氣體濃度和車間內(nèi)溫度，所述安全概率通過以下公式求得：

24、p安全＝w1·p目標(biāo)程測+w2·p煙霧+w3·p氣體+w4·p溫度

25、其中，p目標(biāo)檢測是所述目標(biāo)檢測模型的結(jié)果，表示視覺圖像感知中人不同行為發(fā)生的概率；p煙霧表示車間內(nèi)煙霧濃度高于預(yù)設(shè)值的概率；p氣體表示車間內(nèi)危險(xiǎn)氣體濃度高于預(yù)設(shè)值概率；p溫度表示車間內(nèi)出現(xiàn)異常溫度的概率；wi為與各因素對應(yīng)的權(quán)重系數(shù)，i＝1，2，3，4。

26、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：本發(fā)明通過對yolov8模型中不同的結(jié)構(gòu)分別進(jìn)行針對性改進(jìn)，能夠使其在具有更強(qiáng)的邊界精度的同時(shí)，有效提高了該模型在采集不同尺度或特征層次的情況下的目標(biāo)檢測精度，有效提高了本發(fā)明所述方法的map和檢測準(zhǔn)確度，同時(shí)，通過對該模型的改進(jìn)，使其更加輕量化，從而能夠使其適用于不同的復(fù)雜場景中，并在不同的環(huán)境下均能夠針對數(shù)據(jù)得到較高的檢測精度。

27、進(jìn)一步地，本發(fā)明還使用動(dòng)態(tài)多分支結(jié)構(gòu)卷積替換所述目標(biāo)檢測模型內(nèi)骨干網(wǎng)絡(luò)中所有c2f層的卷積模塊，通過對c2f層中卷積模塊的替換以將模型中的卷積設(shè)置為動(dòng)態(tài)多分支結(jié)構(gòu)卷積，可以將模型中k×k大小的卷積操作替換為動(dòng)態(tài)多分枝卷積(dbb)，從而向模型中引入了多個(gè)具有不同感受野和復(fù)雜度的分支結(jié)構(gòu)，從而使改進(jìn)后的模型在推理階段通過六種結(jié)構(gòu)重參數(shù)轉(zhuǎn)換方法將動(dòng)態(tài)多分枝卷積等效地再轉(zhuǎn)換成一個(gè)k×k卷積，在模型結(jié)構(gòu)、計(jì)算量和推理時(shí)間保持不變的前提下，進(jìn)一步提高了本發(fā)明所述方法針對數(shù)據(jù)的檢測精度。

28、進(jìn)一步地，本發(fā)明還在所述骨干網(wǎng)絡(luò)中最后一個(gè)c2f層和sppf層間添加坐標(biāo)融合注意力模塊，通過坐標(biāo)融合注意力模塊中額外的卷積層基于整合的坐標(biāo)信息生成注意力權(quán)重，并通過通過sigmoid函數(shù)對注意力權(quán)重的歸一化，能夠使生成的注意力權(quán)重強(qiáng)調(diào)在不同坐標(biāo)位置的重要信息，能夠在有效提高模型針對全局信息和局部信息的整合能力的同時(shí)，有效提高了模型的動(dòng)態(tài)調(diào)整注意力和模型感知能力并在增強(qiáng)神經(jīng)網(wǎng)絡(luò)對輸入數(shù)據(jù)的建模能力的同時(shí)，進(jìn)一步提高了本發(fā)明所述方法針對數(shù)據(jù)的檢測精度。

29、進(jìn)一步地，本發(fā)明還使用加權(quán)雙向特征金字塔網(wǎng)絡(luò)替換所述目標(biāo)檢測模型網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)頭部網(wǎng)絡(luò)中的特征金字塔網(wǎng)絡(luò)，通過采用雙向連接機(jī)制使其能夠更好的保留和傳遞不同尺度上的特征信息，并通過引入可學(xué)習(xí)權(quán)重使其動(dòng)態(tài)調(diào)整自頂向下和自底向上的特征貢獻(xiàn)，使得加權(quán)雙向特征金字塔網(wǎng)絡(luò)能夠靈活調(diào)整不同尺度上特征的重要性以適應(yīng)不同目標(biāo)尺度的變化，同時(shí)，雙向特征金字塔網(wǎng)絡(luò)通過使用雙線性插值和歸一化操作平衡不同尺度特征的信息傳遞，在有效確保針對不同尺度特征的有效整合的同時(shí)，增強(qiáng)了神經(jīng)網(wǎng)絡(luò)對不同尺度目標(biāo)的感知和表達(dá)能力，從而進(jìn)一步提高了本發(fā)明所述方法針對數(shù)據(jù)的檢測精度。

30、進(jìn)一步地，本發(fā)明還使用siou損失函數(shù)替換所述目標(biāo)檢測模型中的ciou損失函數(shù)以通過siou損失函數(shù)獲得改進(jìn)后的目標(biāo)檢測模型，siou損失函數(shù)通過添加預(yù)測框與真實(shí)框之間的相對方位角，并通過將角度成本納入到距離損失函數(shù)中以加強(qiáng)siou損失函數(shù)的限定性，從而有效提高本發(fā)明所述模型的收斂速度，在有效提高了模型推理的準(zhǔn)確性和對障礙物目標(biāo)的定位精度的同時(shí)，進(jìn)一步提高了本發(fā)明所述方法針對數(shù)據(jù)的檢測精度。

31、進(jìn)一步地，本發(fā)明還采用剪枝基于層自適應(yīng)幅度的剪枝方法以獲得最終的目標(biāo)檢測模型，通過引入該方法，能夠使本發(fā)明所述模型能夠在保持計(jì)算簡便性和高效性的同時(shí)自動(dòng)設(shè)置層次稀疏度，在降低模型的參數(shù)量和計(jì)算量的同時(shí)能夠有效維持最終目標(biāo)檢測模型的精度，從而進(jìn)一步提高了本發(fā)明所述方法針對數(shù)據(jù)的檢測精度。

32、進(jìn)一步地，本發(fā)明通過調(diào)節(jié)相鄰兩攝像頭之間的采集視線的夾角，以及各攝像頭的臨界采集范圍，能夠使各攝像頭捕捉全時(shí)間段和全方位的工作人員行為狀態(tài)，并為目標(biāo)檢測模型提供詳盡的素材，從而在有效保證本發(fā)明所述模型的學(xué)習(xí)樣本量的前提下，有效提高了該模型基于學(xué)習(xí)樣本的自學(xué)習(xí)完整度，并進(jìn)一步提高了本發(fā)明所述方法針對數(shù)據(jù)的檢測精度。

33、進(jìn)一步地，本發(fā)明通過對各所述攝像頭采集到的視頻進(jìn)行抽幀截取、篩選和剪裁處理，能夠有效提升數(shù)據(jù)的一致性，同時(shí)，通過對處理后的圖像中人員行為狀態(tài)的標(biāo)注處理，能夠使模型基于標(biāo)注的狀態(tài)完成對數(shù)據(jù)的分類，并有效提升針對數(shù)據(jù)的可管理性，通過針對所述工業(yè)車間中工作人員行為狀態(tài)建立初始數(shù)據(jù)集，能夠在進(jìn)一步保證本發(fā)明所述模型的學(xué)習(xí)樣本量的前提下，進(jìn)一步提高了該模型基于學(xué)習(xí)樣本的自學(xué)習(xí)完整度，并進(jìn)一步提高了本發(fā)明所述方法針對數(shù)據(jù)的檢測精度。

34、進(jìn)一步地，本發(fā)明對所述初始數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)處理以完成對初始數(shù)據(jù)集中的信息的擴(kuò)增，能夠在進(jìn)一步保證本發(fā)明所述模型的學(xué)習(xí)樣本量的前提下，進(jìn)一步提高了該模型基于學(xué)習(xí)樣本的自學(xué)習(xí)完整度，并進(jìn)一步提高了本發(fā)明所述方法針對數(shù)據(jù)的檢測精度。

35、進(jìn)一步地，本發(fā)明所述目標(biāo)檢測模型通過使用特定的公式求得所述工業(yè)車間內(nèi)人員行為狀態(tài)的安全概率，基于參數(shù)通過信息融合綜合判斷所述車間內(nèi)的人員行為狀態(tài)，不會(huì)由于單一參數(shù)的影響導(dǎo)致誤判的情況發(fā)生，并針對人員行為狀態(tài)異常情況進(jìn)行信息推送，能夠在復(fù)雜場景中高精度快速檢測人員行為狀態(tài)，從而進(jìn)一步提高了本發(fā)明所述方法針對數(shù)據(jù)的檢測精度。