一种基于SAM的围栏移动检测方法与流程

本发明涉及图像检测，尤其为一种基于sam的围栏移动检测方法。

背景技术：

1、工厂黄色防护栏被广泛应用于机械传动区域的保护，以防止人员无意中触碰到可能运行的机器部件，从而引发安全事故。此外，在设备进行维修或调试时，确实需要关闭机器并获得相关的操作许可证。为了确保这一点，通常会设置围栏来阻止未经授权的人员进入危险区域。黄色防护栏因其醒目的颜色和坚固耐用的特性，成为了理想的选择。它不仅能有效地提醒人们注意安全，还能在紧急情况下为救援人员提供明确的指示。因此设置了一种围栏移动检测的技术来检测围栏的状态，现有技术中，检测系统可能会产生较高的误报率，导致资源浪费和安全隐患，并且检测系统在能够准确识别围栏移动下，会漏掉了关键性的移动事件，例如人员，给安全监控带来盲区。鉴于以上问题，本发明提出一种基于sam的围栏移动检测方法以解决上述问题。

技术实现思路

1、本发明的主要目的在于提供一种基于sam的围栏移动检测方法，以解决相关技术中提出的问题。

2、为了实现上述目的，根据本发明的一个方面，提供了一种基于sam的围栏移动检测方法，包括如下步骤：

3、s1：利用sam分割场景区域，并将分割出来的所有颜色区域合并成一个区域，标定为当前场景的区域；

4、s2：需要检测的时候调用sam模型来分割待检测的区域，将分割出的区域合并成一个区域，与标定的区域进行对比；

5、s3：如果区域相同则表示待检测区域没有被移动，如果区域不同，利用目标检测网络判断待检测区域内是否有人；

6、s4：如果有人，则将人所在的区域排除掉，如果没人则报警；

7、s5：判断将人排除掉的区域与标定的区域是否相同，不同则报警。

8、进一步地，s1中sam分割场景区域的具体步骤如下：

9、s11：收集场景区域的图片，并标记出需要检测区域的位置和范围，将这些图片作为训练数据集；

10、s11：利用数据集训练sam模型并将训练好的模型加载到运行环境中；

11、s12：将正常状态下场景区域的图片加载到sam模型中；

12、s13：sam的图像编码器将输入的图像数据转换为模型可以理解的特征表示形式；

13、s14：sam中的掩码解码器会将编码器生成的特征向量解码成最终的分割掩码，实现对图像的精准分割。

14、进一步地，s13中sam的图像编码器将输入的图像数据转换为模型可以理解的特征向量表示形式的具体步骤如下：

15、步骤一：对原始输入的图像进行预处理；

16、步骤二：将原始图像分割成多个小块，每个小块转换成一个深度特征向量；

17、步骤三：将分割后的特征向量输入到图像编码器中，得到图像的编码表示；

18、步骤四：利用自注意力机制对图像编码进行自编码，得到图像的特征向量。

19、进一步地，步骤四中利用自注意力机制对图像编码进行自编码的计算公式为：

20、

21、其中，h表示图像的高度，w表示图像的宽度，m＝{1，2，...，h}，n＝{1，2，...w}，(i，j)表示每个像素的位置；qij表示(i，j)位置特征映射的查询向量；kmn和vmn分别表示位置(m，n)的键向量和值向量，d表示新的特征空间的维度；softmax是计算注意力权重的函数；

22、在自注意力机制的基础上，引入spp函数和残差连接，用于提高模型的性能和表示能力，计算公式如下：

23、

24、其中，xij为输入的(i，j)点的特征，layernorm为残差连接函数，spp为spp函数，d为权重。

25、进一步地，s14中sam中的掩码解码器会将编码器生成的特征向量解码成与原始图像大小相同的二位掩码数组，掩码数组用于对图像进行像素级分割，指示图像中的每个像素应该被保留还是删除。

26、进一步地，s1中将分割出来的所有颜色区域合并成一个区域的步骤如下：

27、s15：在图像处理软件中，创建一个与原始图像相同大小的画布；

28、s16：在画布上，将各个颜色区域按照自身的位置和范围进行排列；

29、s17：根据各个颜色区域的位置和范围，使用相应的填充工具将它们合并成一个区域；

30、s18：将合并区域保存为图像文件。

31、进一步地，s2中与标定的区域进行对比基于曼哈顿距离方法，用于得出两个图像的差异程度，计算公式如下：

32、

33、其中，a为标定区域的图像；b为待检测区域的图像；a和b可表示为大小为n的向量，a＝{a1，a2，...，an}，b＝{b1，b2，...，bn}，i＝{1，2，...，n}，｜ai-bi｜表示两个图像对应位置元素的差的绝对值。

34、进一步地，s3中判断围栏区域是否有人基于目标检测网络，步骤如下：

35、s31：基于cspnet的目标检测网络提取待检测图像中不同尺度的特征；

36、s32：利用ssp技术和pan技术对图像进行特征融合；

37、s33：计算特征融合后图像的边界框和类别概率；

38、s34：通过边界框和类别概率实现行人目标的检测。

39、进一步地，s34通过边界框和类别概率实现行人目标的检测的具体步骤如下：

40、s341：预测每个边界框在图像中的位置，对这个位置周围的像素进行像素级的特征提取和分类；

41、s342：计算出每个像素距离边界框中心的距离，根据距离判断这个像素是否在边界框内；

42、s343：如果像素在边界框内则这个像素属于边界框内的行人；

43、s344：将所有属于行人的像素的类别概率加起来得到边界框对应行人的概率；

44、s345：通过对所有边界框的行人类别概率进行平均或者加权平均，可以得到最终的行人目标检测结果。

45、进一步地，报警的方式为声光报警和无线射频报警，会声光报警会发出高分贝的警声和闪烁的灯光，无线射频报警会向预设的接收设备发送无线信号。

46、与现有技术相比，本发明具有以下有益效果：

47、本发明在检测标定区域与待检测区域是否相同的情况下，增加了检测人员情况，通过判断是否有人员以及检测将人员排除后的画面，避免了系统产生较高的误报率，提高了检测系统的可靠性，并且检测方法基于sam，可以实现快速、准确、灵活、实时的对信息分析和处理，为围栏管理和监控提供有力支持。

技术特征：

1.一种基于sam的围栏移动检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于sam的围栏移动检测方法，其特征在于，s1中sam分割场景区域的具体步骤如下：

3.根据权利要求2所述的一种基于sam的围栏移动检测方法，其特征在于，s13中sam的图像编码器将输入的图像数据转换为模型可以理解的特征向量表示形式的具体步骤如下：

4.根据权利要求3所述的一种基于sam的围栏移动检测方法，其特征在于，步骤四中利用自注意力机制对图像编码进行自编码的计算公式为：

5.根据权利要求2所述的一种基于sam的围栏移动检测方法，其特征在于，s14中sam中的掩码解码器会将编码器生成的特征向量解码成与原始图像大小相同的二位掩码数组，掩码数组用于对图像进行像素级分割，指示图像中的每个像素应该被保留还是删除。

6.根据权利要求1所述的一种基于sam的围栏移动检测方法，其特征在于，s1中将分割出来的所有颜色区域合并成一个区域的步骤如下：

7.根据权利要求1所述的一种基于sam的围栏移动检测方法，其特征在于，s2中与标定的区域进行对比基于曼哈顿距离方法，用于得出两个图像的差异程度，计算公式如下：

8.根据权利要求1所述的一种基于sam的围栏移动检测方法，其特征在于，s3中判断围栏区域是否有人基于目标检测网络，步骤如下：

9.根据权利要求7所述的一种基于sam的围栏移动检测方法，其特征在于，s34通过边界框和类别概率实现行人目标的检测的具体步骤如下：

10.根据权利要求1所述的一种基于sam的围栏移动检测方法，其特征在于，报警的方式为声光报警和无线射频报警，会声光报警会发出高分贝的警声和闪烁的灯光，无线射频报警会向预设的接收设备发送无线信号。

技术总结本发明涉及图像检测技术领域，具体涉及一种基于SAM的围栏移动检测方法，包括如下步骤：利用SAM分割场景区域，将分割出来的所有颜色区域合并成一个区域，标定为当前场景的区域；需要检测的时候调用SAM模型来分割待检测的区域，与标定的区域进行对比；如果区域相同则表示待检测区域没有被移动，如果不同，利用目标检测网络判断待检测区域内是否有人；如果有人，则将人所在的区域排除掉，如果没人则报警；判断将人排除掉的区域与标定的区域是否相同，不同则报警。本发明通过判断是否有人员以及检测将人员排除后的画面，避免了系统产生较高的误报率，提高了检测系统的可靠性，并且检测方法基于SAM，可以实现快速、准确、灵活、实时的对信息分析和处理。技术研发人员：蒋若翔,田蕾,王飞受保护的技术使用者：中建材信息技术股份有限公司技术研发日：技术公布日：2024/6/2