一种基于目标检测模型的工业场所人员检测方法

本发明涉及工业安全人员防护，尤其涉及一种基于目标检测模型的工业场所人员检测方法。

背景技术：

1、事故对工业企业的生产和员工安全带来严重影响。事故往往不仅是单一事件，更可能引发连锁反应，对企业正常运营和员工生命安全构成巨大威胁。传统检测方法受技术限制，对事故发生时的检测精度低，无法提供及时生产线管理和紧急处理支持，对员工安全的影响不可忽视。目前现行人员的检测方式主要可以分为以下两类：1)传统视频监控方式：依赖于人工判断确定人员的具体位置和活动状态。这一过程需要专业的监控人员不断地观看监控画面，进行繁琐的分析和判断。这种方式会消耗显著的人力成本和时间成本。2)基于深度学习的目标检测方式：计算机视觉领域的进步和深度学习算法的日益成熟，为检测任务提供了更

2、中国专利公开号：cn117315538a公开了一种基于改进yolov8的智慧车间内违规行为检测方法，该发明在检测各种违规行为如人员进入禁止区域、未戴安全帽、设备操作不当、吸烟等方向有一定通用性，为解决车间内检测摄像头质量不一，图像分辨率不同和复杂场景从而导致的检测精度低漏检率较高和定位不够准确问题，提出改进yolov8的工厂内工人违规行为检测算法，利用dconv替代了传统的conv，可变形卷积在采样时更贴近物体的形状和尺寸，更具有鲁棒性，并在c2f模块内添加了biformer注意力机制，以此来增加模型的表征能力；为了提高对候选框合理的选取率，对yolov8的解耦头进行修改，添加了wiou损失函数，优化检测模型，使其能够更好地预测目标的位置；本发明具有更好的实时性，对不同分辨率图像的识别具有更高的精度。由此可见，所述工业场所人员检测方法存在以下问题：虽然现有技术中的yolov8能够应用于不同场景，但是由于其本身性能限制，导致在使用其对人员行为状态进行判定时无法得到准确地判定结果，从而导致yolov8针对人员行为状态的判定精度低。

3、现有模型虽能应用于不同领域，但是由于其本身性能限制，如果将其应用于本技术领域，那么模型运行过程中得到的结果精度低。

技术实现思路

1、为此，本发明提供一种基于目标检测模型的工业场所人员检测方法，用以克服现有技术中检测精度低的问题。

2、为实现上述目的，本发明提供一种基于目标检测模型的工业场所人员检测方法，包括：

3、步骤s1，针对网络交换机中的目标检测模型进行改进，以获取改进后的目标检测模型，将改进后的目标检测模型部署至开发板中；

4、步骤s2，在工业车间中部署若干摄像头以采集车间内工作人员在不同时间区间的工作状态，各摄像头的初始仰俯角度均不相同，通过逐渐调节各摄像头与水平线的夹角以获取若干图像信息；

5、步骤s3，对获取的若干所述图像进行筛选和剪裁处理以获取图像特征，并依次对处理后的各图像特征进行人员行为状态标注处理，基于标注完成后的各图像特征和与各图像特征对应的人员行为状态建立初始数据集；

6、步骤s4，对所述初始数据集中的信息进行扩增处理以建立针对所述目标检测模型的数据集；

7、步骤s5，控制预先设置在所述车间内对应位置的各传感器运行以检测车间内的环境参数，并基于获取的环境参数和所述目标检测模型计算针对所述车间内的安全概率，将安全概率记为针对车间的信息融合结果；

8、步骤s6，所述开发板将求得的所述信息融合结果推送至远程用户响应终端和现场警示终端以完成对所述车间内的人员检测，其中，远程用户响应终端记录前一预设周期内各所述摄像头采集的视频信息与各所述传感器采集的环境信息，现场警示终端通过警示灯与远程对讲方式发出提醒。

9、进一步地，针对所述网络交换机中的目标检测模型的改进方式包括，使用动态多分支结构卷积替换所述目标检测模型内骨干网络中所有c2f层的卷积模块。

10、进一步地，针对所述网络交换机中的目标检测模型的改进方式还包括，在所述骨干网络中最后一个c2f层和sppf层间添加坐标融合注意力模块。

11、进一步地，针对所述网络交换机中的目标检测模型的改进方式包括，使用加权双向特征金字塔网络替换所述目标检测模型网络结构内头部网络中的特征金字塔网络。

12、进一步地，针对所述网络交换机中的目标检测模型的改进方式包括，使用slou损失函数替换所述目标检测模型中的ciou损失函数以通过siou损失函数获得改进后的目标检测模型，其中，slou损失函数包括角度损失、距离损失、形状损失以及iou损失。

13、进一步地，针对所述网络交换机中的目标检测模型的改进方式包括，采用剪枝基于层自适应幅度的剪枝方法以获得最终的目标检测模型。

14、进一步地，在所述步骤s2中，针对各所述摄像头采集工作人员工作状态的方法包括：

15、步骤s21，在所述工业车间内的对应位置分别设置摄像头，对于相邻的两摄像头，其仰俯角差值设置为15°；

16、步骤s22，控制各所述摄像头运行以进行拍摄，在拍摄过程中，各摄像头从水平角度开始逐渐向下移动直至摄像头采集的视线与墙面的夹角达到15°。

17、进一步地，在所述步骤s3中，建立所述初始数据集的步骤包括：

18、步骤s31，对各所述摄像头采集到的视频进行抽帧截取以获取若干图像信息；

19、步骤s32，从若干所述图像中筛选存在人员行为状态的图像信息，并裁剪成统一大小；

20、步骤s33，将裁剪后的工业人员行为状态图像使用标注模块进行人员行为状态标注，工作人员行为状态包括安全装备佩戴、跌倒和站立；

21、步骤s34，建立所述工业车间中工作人员行为状态初始数据集。

22、进一步地，在所述步骤s4中，对所述初始数据集进行数据增强处理以完成对初始数据集中的信息的扩增，其中，数据增强方法包括剪裁、翻转、镜像、图像曝光和添加噪声。

23、进一步地，在所述步骤s5中，各所述传感器获取的环境参数包括车间内的烟雾浓度、危险气体浓度和车间内温度，所述安全概率通过以下公式求得：

24、p安全＝w1·p目标程测+w2·p烟雾+w3·p气体+w4·p温度

25、其中，p目标检测是所述目标检测模型的结果，表示视觉图像感知中人不同行为发生的概率；p烟雾表示车间内烟雾浓度高于预设值的概率；p气体表示车间内危险气体浓度高于预设值概率；p温度表示车间内出现异常温度的概率；wi为与各因素对应的权重系数，i＝1，2，3，4。

26、与现有技术相比，本发明的有益效果在于：本发明通过对yolov8模型中不同的结构分别进行针对性改进，能够使其在具有更强的边界精度的同时，有效提高了该模型在采集不同尺度或特征层次的情况下的目标检测精度，有效提高了本发明所述方法的map和检测准确度，同时，通过对该模型的改进，使其更加轻量化，从而能够使其适用于不同的复杂场景中，并在不同的环境下均能够针对数据得到较高的检测精度。

27、进一步地，本发明还使用动态多分支结构卷积替换所述目标检测模型内骨干网络中所有c2f层的卷积模块，通过对c2f层中卷积模块的替换以将模型中的卷积设置为动态多分支结构卷积，可以将模型中k×k大小的卷积操作替换为动态多分枝卷积(dbb)，从而向模型中引入了多个具有不同感受野和复杂度的分支结构，从而使改进后的模型在推理阶段通过六种结构重参数转换方法将动态多分枝卷积等效地再转换成一个k×k卷积，在模型结构、计算量和推理时间保持不变的前提下，进一步提高了本发明所述方法针对数据的检测精度。

28、进一步地，本发明还在所述骨干网络中最后一个c2f层和sppf层间添加坐标融合注意力模块，通过坐标融合注意力模块中额外的卷积层基于整合的坐标信息生成注意力权重，并通过通过sigmoid函数对注意力权重的归一化，能够使生成的注意力权重强调在不同坐标位置的重要信息，能够在有效提高模型针对全局信息和局部信息的整合能力的同时，有效提高了模型的动态调整注意力和模型感知能力并在增强神经网络对输入数据的建模能力的同时，进一步提高了本发明所述方法针对数据的检测精度。

29、进一步地，本发明还使用加权双向特征金字塔网络替换所述目标检测模型网络结构内头部网络中的特征金字塔网络，通过采用双向连接机制使其能够更好的保留和传递不同尺度上的特征信息，并通过引入可学习权重使其动态调整自顶向下和自底向上的特征贡献，使得加权双向特征金字塔网络能够灵活调整不同尺度上特征的重要性以适应不同目标尺度的变化，同时，双向特征金字塔网络通过使用双线性插值和归一化操作平衡不同尺度特征的信息传递，在有效确保针对不同尺度特征的有效整合的同时，增强了神经网络对不同尺度目标的感知和表达能力，从而进一步提高了本发明所述方法针对数据的检测精度。

30、进一步地，本发明还使用siou损失函数替换所述目标检测模型中的ciou损失函数以通过siou损失函数获得改进后的目标检测模型，siou损失函数通过添加预测框与真实框之间的相对方位角，并通过将角度成本纳入到距离损失函数中以加强siou损失函数的限定性，从而有效提高本发明所述模型的收敛速度，在有效提高了模型推理的准确性和对障碍物目标的定位精度的同时，进一步提高了本发明所述方法针对数据的检测精度。

31、进一步地，本发明还采用剪枝基于层自适应幅度的剪枝方法以获得最终的目标检测模型，通过引入该方法，能够使本发明所述模型能够在保持计算简便性和高效性的同时自动设置层次稀疏度，在降低模型的参数量和计算量的同时能够有效维持最终目标检测模型的精度，从而进一步提高了本发明所述方法针对数据的检测精度。

32、进一步地，本发明通过调节相邻两摄像头之间的采集视线的夹角，以及各摄像头的临界采集范围，能够使各摄像头捕捉全时间段和全方位的工作人员行为状态，并为目标检测模型提供详尽的素材，从而在有效保证本发明所述模型的学习样本量的前提下，有效提高了该模型基于学习样本的自学习完整度，并进一步提高了本发明所述方法针对数据的检测精度。

33、进一步地，本发明通过对各所述摄像头采集到的视频进行抽帧截取、筛选和剪裁处理，能够有效提升数据的一致性，同时，通过对处理后的图像中人员行为状态的标注处理，能够使模型基于标注的状态完成对数据的分类，并有效提升针对数据的可管理性，通过针对所述工业车间中工作人员行为状态建立初始数据集，能够在进一步保证本发明所述模型的学习样本量的前提下，进一步提高了该模型基于学习样本的自学习完整度，并进一步提高了本发明所述方法针对数据的检测精度。

34、进一步地，本发明对所述初始数据集进行数据增强处理以完成对初始数据集中的信息的扩增，能够在进一步保证本发明所述模型的学习样本量的前提下，进一步提高了该模型基于学习样本的自学习完整度，并进一步提高了本发明所述方法针对数据的检测精度。

35、进一步地，本发明所述目标检测模型通过使用特定的公式求得所述工业车间内人员行为状态的安全概率，基于参数通过信息融合综合判断所述车间内的人员行为状态，不会由于单一参数的影响导致误判的情况发生，并针对人员行为状态异常情况进行信息推送，能够在复杂场景中高精度快速检测人员行为状态，从而进一步提高了本发明所述方法针对数据的检测精度。