一种基于图像识别的安全判别方法

本发明涉及图像识别，具体涉及一种基于图像识别的安全判别方法。

背景技术：

1、在化工厂正常生产过程中，化工厂安全区域通常会根据可能的危险情况来划分不同等级的安全区域，通常会根据危险程度分为一级区域、二级区域、三级区域与四级区域。其中，一级区域：也称作非危险区域，不容易发生火灾、爆炸或泄漏等危险情况不容易发生火灾、爆炸或泄漏等危险情况；二级区域：也称作轻度危险区域，可能会有少量的危险物质存在或在生产过程中产生，但不容易引发火灾、爆炸或泄漏等重大危险；三级区域：也称作中度危险区域，可能会有较多的危险物质存在或在生产过程中产生，可能会引发火灾、爆炸或泄漏等危险情况；四级区域：也称作重度危险区域，存在大量的危险物质或在生产过程中容易产生大量危险物质。

2、每等级的安全区域都有其特定的安全要求和措施，其中包括限制出入各个安全区域安全员的安全等级要求，比如对于工地普通工人和外来参观人员会被严格限制进入二级区域集以上区域，如果再高等级区域存在不符合该区域要求的员工，一般这种情况可以被判定为异物入侵的情况，这种情形会存在很多的危险因素，不管是为了工作人员的人身安全与化工厂正常生产，异物入侵的情况都应该被提前预警，从而减少此类危险事故的发生。

3、防止异物入侵情况发生的情况技术比较多，常见的技术有双电网、激光、雷达、视频监控等。因为视频监控拥有安装简单，成本低，结果直观等优点，在异物入侵检测中运用的越来越广泛。但是，目前的视频监控系统大多有专人定期抽查重点区域的异物入侵情况，监控操作人员工作量大容易出现疏漏，导致入侵不能够及时准确的处理。

技术实现思路

1、针对上述的技术问题，本技术方案提供了一种基于图像识别的安全判别方法，可以检测工作人员是否佩戴安全帽，若是有人未佩戴安全帽时，则会自动发出警报，当工作人员在佩戴安全帽后，则会自动消除警报；同时，当区域人员都正规佩戴安全帽后，可以对检测区域中安全帽的颜色进行分类，获取当前视频流中各人员佩戴安全帽颜色，从而判断该员工的职位安全等级，通过装置的预设值来判断当前员工是否属于异物入侵的情况，对于异物入侵的情况，通过装置进行报警，降低了错误率的发生；能有效的解决上述问题。

2、本发明通过以下技术方案实现：

3、一种基于图像识别的安全判别方法，在指定区域采用高清摄像头获取目标区域的实时视频流,将实时视频流按帧处理为待检测图片；对待检测图片，通过混合高斯模型进行背景建模和前景检测，过滤掉背景中的干扰物，提取出前景目标；再将前景目标传递给连续帧检测模块处理，当检测结果为未佩戴安全帽时，继续对待检测图片接下来的连续n帧进行检测，若其检测结果均为未佩戴安全帽且n大于等于第一预设值n时，发出警报；同时，通过预设在系统内的安全等级阈值参数，改进的yolov7算法模型识别视频监控流中工作人员安全帽颜色，从而系统自动根据安全帽颜色获取此区域工作人员的安全等级，对于安全等级达不到区域要求的情况，发出警报；达到预警的效果，从而实现根据区域人员安全等级来判断是否存在异物入侵的情况；具体步骤为：

4、步骤1：在指定区域安装高清摄像头，初始化设备，设置相应的安全区域参数，手动设置当前指定区域的人员安全等级阈值；

5、步骤2：对高清摄像头获取的特定区域的视频流进行逐帧提取，获得对应的图片流，对获取的图片流采取混合高斯背景建模的方法，通过混合高斯模型的方法对背景与前景进行分离；

6、将背景与前景分离之后，再进行连续帧检测，当视频中某帧图片检测结果为有人未佩戴安全帽时，继续对待检测图片接下来的连续n帧进行检测，若其检测结果均为有人未佩戴安全帽，且n大于等于第一预设值n时，则可以判断此时视频中存在有人员未佩戴安全帽的情况；

7、步骤3：对未佩戴安全帽的情况，通过嵌入式终端直接发送指令，触发配套的报警装置发出警报，达到预警的效果；

8、步骤4：之后再对第n帧后接下来的连续m帧图片进行检测，若其检测结果均为所有人员佩戴安全帽且m大于等于第二预设值m时，则可以判断此时视频中的人员都已佩戴安全帽的情况；

9、步骤5：对于图片流中已佩戴安全帽的情况，采用yolo的anchor机制对目标区域进行判别，通过yolo v7算法的yolo head对目标区域中佩戴的安全帽根据颜色进行分类处理，获取当前视频流中各人员佩戴安全帽颜色，从而判断该员工的职位安全等级，通过设置的阈值来判断当前员工是否属于异物入侵的情况；

10、步骤6：如不存在异物入侵的情况，则本次检测结束，回到步骤2进行循环检测；如存在异物入侵的情况，则通过嵌入式终端直接发送指令，触发配套的报警装置发出警报，达到预警的效果；

11、步骤7：之后再对后期的图片进行检测，查看异物入侵是否消除；若未消除，则继续警报；若以消除，则判断本次检测结束，回到步骤2进行循环检测。

12、进一步的，步骤1所述的设置相应的安全区域参数，所述的参数包括：当前区域的安全等级限制要求参数和安全员异物入侵情况监测阈值参数；所述的当前区域的安全等级限制要求参数为摄像头所在区域的安全等级，安全等级从高到低可分为level4、level3、level2、level1,安全帽等级与安全帽颜色对应如下所示：

13、level->蓝色安全帽->普通工人；

14、leve2->黄色安全帽->技术人员；

15、leve3->红色安全帽->高级技术人员与中低管理人员；

16、leve4->白色安全帽->监理或者甲方；

17、如果目标区域只允许管理人员以及以上权限人员进入，就可以将该目标区域的阈值设置为leve3；设置好区域阈值后，为该系统载入通过大量测试数据训练好的数据模型。

18、进一步的，所述的通过大量测试数据训练好的数据模型是通过预先获取的大量图片流训练获取的数据模型，数据模型的训练步骤包括：

19、步骤s1：使用摄像头分别安装在化工厂每处有安全等级需求的区域，获取化工厂作业人员的工作视频流文件，将视频流文件按照每秒一张图片的形式逐帧提取，从而分别获取每个区域的图片，总数为5000张图片；

20、步骤s2：将获取5000张图片按照8：1：1的比例进行划分，划分出4000张图片为训练集，用来训练模型的；使用500张图片作为验证集来进行评估和调整算法模型；使用500张图片作为测试集，用来测试算法模型的泛化能力；

21、步骤s3：使用开源labelimg数据集标注工具对4500张图片进行标注，标注内容分别为图片流中安全帽的颜色，分别为黄色、蓝色、红色、橙色及白色,每张图片对目标区域标注后会生成对应的xml标签文件，标签文件xml中主要存放对应图片的存放的文件名、图片名、图片所在的位置、图片的整体长、宽、通道数以及标记的对象的位置等信息；

22、步骤s4：通过改进后的yolo7算法模型进行训练，整体算法模型主干网络采用了cspdarknet53，通过csp来连接网络框架中的网络层；再由yolov7的head网络部分采用改进的多尺度特征聚合模块，该模块主要将尺寸从大到小的将各层特征集成，再通过交叉特征细化模块，将不同尺寸特征通过映射卷积获得最终有效的信息，从而提高训练后算法模型的鲁棒性，最后通过最少50次算法迭代后，获得训练集与验证集损失值都最低的权重；在获得可对目标区域工作人员的安全帽的颜色准确识别的模型算法权重后，将权重载入到改进yolo7算法模型中，得到对应的化工厂安全帽颜色检测算法模型。

23、进一步的，步骤2中所述的对背景与前景进行分离的具体操作方式为：在进行前景检测前，先对背景进行训练，对每一帧图像中每个背景采用一个混合高斯模型进行模拟，检查像素是否与背景的高斯模型匹配，匹配的是背景，不匹配就是前景。

24、进一步的，步骤2中所述的连续帧检测主要通过对连续的视频帧进行处理，获取视频中的动态变化信息，以实现对视频的各种分析和处理。

25、进一步的，步骤2中所述的对视频流进行逐帧提取，对获取的图片流采取通过混合高斯模型进行处理，混合高斯模型是由k个单高斯模型组合而成的模型，混合高斯模型由如下形式的概率分布：

26、

27、其中,χ表示为观测数据,αk是观测数据属于第k个子模型的概率，αk≥0，φ(x|θk)是第k个子模型的高斯分布密度函数，p(x|θ)表示在θ个子模型中样本x的分布。

28、进一步的，所述的混合高斯模型中的第k个子模型，其具体数学表达式为：

29、

30、其中，φ(y|θk)为单模型的高斯分布；μk为数据期望值，σ为数据标准差，为高斯分布的方差，y为输入的变量值。

31、进一步的，步骤5所述的yolo v7，其损失函数采用ciou损失函数,完成ciou损失函数的数学公式如下所示：

32、

33、其中β是权重参数，v用来度量长宽比的相似性，iou就是两个区域的交并比，b,bgt分别表示预测框和gt的中心点，ρ2表示计算两个中心点的欧氏距离。

34、有益效果

35、本发明提出的一种基于图像识别的安全判别方法,与现有技术相比较，其具有以下有益效果：

36、(1)本发明采用全自动的方式来解决化工厂未佩戴安全帽和异物入侵检测的复杂性，主要在目标区域安装高清摄像头，配合已设置好的目标区域安全等级参数和训练好的模型以及嵌入式终端，实现自动预警的效果；较传统的人工监督，很大程度上节约了人力和财力实时监控成本，同时还解决人力实时监控过程中注意力不集中导致出现异物入侵的，无法及时发出警告的情况。

37、(2)本方法采用全新的异物入侵检测方式，通过直接采用目标识别的方法来识别化工厂工人安全帽颜色，来判断工人的安全等级，从而判断目标区域是否存在有与区域安全等级不符的工作人员进入，从而达到基于图像识别化工安全员等级的异物入侵判别。相较传统的异物入侵检测方法，可以快速有效的实现对非指定安全等级安全员的异物入侵检测情况的识别。

38、(3)本方法在通过在前端获得视频流之后，采用混合高斯模型实现分离视频流中的前景与背景，通过改进的yolov7算法模型判别目标区域中的运动目标是否有异物入侵的情况，并可以根据判断及时发出警报，在化工厂24小时光线变化较大的情况下，对目标区域中的小目标有更好的识别效果，和更强的系统鲁棒性。