一種復雜環境下市政施工安全問題檢測方法技術

本發明專利技術公開了一種復雜環境下市政施工安全問題檢測方法，包括：獲取訓練模型的圖像數據集進行標注，并劃分為訓練集和測試集；對圖像數據集預處理，送入改進的YOLOv5

【技術實現步驟摘要】
一種復雜環境下市政施工安全問題檢測方法


[0001]本專利技術屬于市政施工安全檢測
，具體涉及一種復雜環境下市政施工安全問題檢測方法。

技術介紹

[0002]在施工現場中，安全問題一直是備受重視和關注的問題，施工場所存在大量的潛在危險和安全隱患。這些安全隱患包括但不限于高處墜物、摔倒、電氣火災、行人違規闖入等。因此，對施工現場的安全問題進行檢測和監管是至關重要的。
[0003]傳統的人工現場監督費時費力，且存在許多不利因素，例如人為疏忽、偏見等。隨著技術的發展，施工現場的攝像頭數量越來越多，因而產生了大量的視頻數據。進幾年，基于深度學習的目標檢測技術的發展為施工現場安全檢測提供了新的思路和方法。
[0004]然而，對于市政施工，其施工現場的實際情況非常復雜，存在許多挑戰和困難。例如，施工現場監控視頻流的曝光受到天氣和光線的影響、市政施工現場周圍有行人走動等因素會影響目標檢測的效果和精確度、市政施工現場可能出現多種安全隱患等。以往的檢測方法大多僅考慮單一目標，且未能考慮這些復雜的環境因素。

技術實現思路

[0005]本專利技術針對現有技術中的不足，提供一種復雜環境下市政施工安全問題檢測方法，更好地適應施工現場的實際情況，提高安全檢測的準確性和效率。
[0006]為實現上述目的，本專利技術采用以下技術方案：
[0007]一種復雜環境下市政施工安全問題檢測方法，包括如下步驟：
[0008]S1：獲取圖像數據集并標注圖像數據集中圖像數據的類型；
[0009]S2：預處理圖像數據集，用預處理后的圖像數據集訓練YOLOv5
?
s網絡模型；
[0010]S3：對施工現場攝像頭視頻流數據中的每一幀圖像進行自適應處理，并劃定YOLOv5
?
s網絡模型的作業區域；
[0011]S4：將自適應處理后的施工現場攝像頭視頻流數據輸入訓練好的YOLOv5
?
s網絡模型中實時檢測作業區域內的安全問題，將有安全問題的圖像輸出。
[0012]為優化上述技術方案，采取的具體措施還包括：
[0013]進一步地，所述復雜環境至少包括以下情況中的一種：光照強度低于或高于設定閾值，施工圍擋外有行人通行。
[0014]進一步地，步驟S1具體為：
[0015]S1.1：使用python網絡爬蟲技術以“反光錐”、“鐵馬”、“水馬”、“圍擋”、“煙霧”、“明火”、“安全帽”和“反光衣”為關鍵詞從互聯網上收集圖像，保存至本地存儲單元，對圖像進行人為篩選，檢查圖像是否真實，是否有檢測所需對象，若否，則剔除，將圖像保存至圖像數據集中；
[0016]S1.2：通過實際施工現場的云攝像頭采集視頻流并存儲至本地存儲單元，使用
FFmpeg提取視頻流中包含檢測對象的關鍵幀圖像，將圖像保存至圖像數據集中；所述檢測對象包括人、安全帽、反光衣、衣服、反光錐、鐵馬、水馬、圍擋、煙霧和明火；
[0017]S1.3：將圖像數據集轉化為VOC2007格式數據集，所述VOC2007格式數據集包含三個文件夾，分別是用于存儲每個圖像的邊界框位置信息的Annotations文件夾、存儲train.txt、val.txt和test.txt文件的ImageSets文件夾以及指定訓練、驗證和測試數據集中包含哪些圖像和存儲所有圖像文件的目錄的JPEGImages文件夾；
[0018]S1.4：使用lableImg對圖像數據集中的圖像進行標注，標簽類型包括head、helmet、reflective
?
vest、clothes、reflective
?
cone、barricade、smoke和flame，標簽文件為XML格式；
[0019]S1.5：按照80％和20％的訓練集和測試集的比例隨機將標注好的圖像數據集寫入train.txt和test.txt文件中。
[0020]進一步地，S2中，所述預處理包括使用HSV隨機圖像增強、隨機shear錯切變換、隨機水平翻轉和Mosaic隨機裁剪對數據集預處理，以增強數據并擴充數據集；所述HSV隨機圖像增強中，增益使用[
?
1,1]之間的均勻分布隨機生成，h色調增強分數為0.1，s飽和度增強分數為0.4，v值增強分數為0.4，發生概率為0.3；所述隨機shear錯切變換的x軸和y軸的錯切系數范圍均為[0,1]之間的均勻分布隨機生成，發生概率為0.3；所述隨機水平翻轉的發生概率為0.5；所述Mosaic隨機裁剪的發生概率為0.9。
[0021]進一步地，S2中，所述YOLOv5
?
s網絡模型包括Input層、Backbone層、Neck層和Prediction層；所述Backbone層包括Focus模塊、C3模塊和SPP模塊；
[0022]在所述C3模塊后加入CA注意力機制，具體位置在最后一個C3模塊之后，堆疊1次，具體方法為：在common文件中添加CA注意力機制代碼塊，在yolo文件中引用CA代碼類，在YOLOv5
?
s的yaml結構模型文件中的Backbone層的C3模塊之后加入CA模塊；
[0023]所述Prediction層為預測部分，在其中增加一個小目標檢測層，用于檢測4
×
4以上的目標，具體操作為：修改Prediction層中檢測頭Head部分，在第17層后，繼續對特征圖進行上采樣處理，使得特征圖繼續擴大，同時在第20層時，將獲取到的大小為160
×
160的特征圖與Backbone層中第2層特征圖進行concat融合，以獲取更大的特征圖進行小目標檢測；第31層為小目標檢測層，第31層選擇第21層、第24層、第27層和第30層這四層特征圖層檢測小目標；
[0024]所述Prediction層采用CIOU損失函數losS
CIoU
，其定義為：
[0025]Ioss
CIoU
＝1
?
CIoU
[0026][0027][0028][0029]其中D2表示預測框中心與真實框中心的距離，D
c
為最小外界框的對角線長度，v為預測框和真實框的寬高比相似度，α為v的影響因子，w
gt
和h
gt
分別為預測框的寬度與高度，w和h為真實框的寬度與高度，IoU表示交并比，CIoU表示完全交并比。
[0030]進一步地，S3具體包括如下步驟：
[0031]S3.1：使用OpenCV讀取施工現場攝像頭視頻流數據；
[0032]S3.2：使用OpenCV對視頻流數據的每一幀圖像進行自適應處理，采用直方圖均衡，調整圖像的亮度和對比度；
[0033]S3.3：在YOLOv5
?
s網絡模型的detect文件中添加mask蒙板，結合施工現場的實際情況，調整detect文件中的區域參數，從而在YOLOv5本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種復雜環境下市政施工安全問題檢測方法，其特征在于，包括如下步驟：S1：獲取圖像數據集并標注圖像數據集中圖像數據的類型；S2：預處理圖像數據集，用預處理后的圖像數據集訓練YOLOv5
?
s網絡模型；S3：對施工現場攝像頭視頻流數據中的每一幀圖像進行自適應處理，并劃定YOLOv5
?
s網絡模型的作業區域；S4：將自適應處理后的施工現場攝像頭視頻流數據輸入訓練好的YOLOv5
?
s網絡模型中實時檢測作業區域內的安全問題，將有安全問題的圖像輸出。2.如權利要求1所述的復雜環境下市政施工安全問題檢測方法，其特征在于，所述復雜環境至少包括以下情況中的一種：光照強度低于或高于設定閾值，施工圍擋外有行人通行。3.如權利要求1所述的復雜環境下市政施工安全問題檢測方法，其特征在于，步驟S1具體為：S1.1：使用python網絡爬蟲技術以“反光錐”、“鐵馬”、“水馬”、“圍擋”、“煙霧”、“明火”、“安全帽”和“反光衣”為關鍵詞從互聯網上收集圖像，保存至本地存儲單元，對圖像進行人為篩選，檢查圖像是否真實，是否有檢測所需對象，若否，則剔除，將圖像保存至圖像數據集中；S1.2：通過實際施工現場的云攝像頭采集視頻流并存儲至本地存儲單元，使用FFmpeg提取視頻流中包含檢測對象的關鍵幀圖像，將圖像保存至圖像數據集中；所述檢測對象包括人、安全帽、反光衣、衣服、反光錐、鐵馬、水馬、圍擋、煙霧和明火；S1.3：將圖像數據集轉化為VOC2007格式數據集，所述VOC2007格式數據集包含三個文件夾，分別是用于存儲每個圖像的邊界框位置信息的Annotations文件夾、存儲train.txt、val.txt和test.txt文件的ImageSets文件夾以及指定訓練、驗證和測試數據集中包含哪些圖像和存儲所有圖像文件的目錄的JPEGImages文件夾；S1.4：使用lableImg對圖像數據集中的圖像進行標注，標簽類型包括head、helmet、reflective
?
vest、clothes、reflective
?
cone、barricade、smoke和flame，標簽文件為XML格式；S1.5：按照80％和20％的訓練集和測試集的比例隨機將標注好的圖像數據集寫入train.txt和test.txt文件中。4.如權利要求1所述的復雜環境下市政施工安全問題檢測方法，其特征在于，S2中，所述預處理包括使用HSV隨機圖像增強、隨機shear錯切變換、隨機水平翻轉和Mosaic隨機裁剪對數據集預處理，以增強數據并擴充數據集；所述HSV隨機圖像增強中，增益使用[
?
1,1]之間的均勻分布隨機生成，h色調增強分數為0.1，s飽和度增強分數為0.4，v值增強分數為0.4，發生概率為0.3；所述隨機shear錯切變換的x軸和y軸的錯切系數范圍均為[0,1]之間的均勻分布隨機生成，發生概率為0.3；所述隨機水平翻轉的發生概率為0.5；所述Mosaic隨機裁剪的發生概率為0.9。5.如權利要求1所述的復雜環境下市政施工安全問題檢測方法，其特征在于，S2中，所述YOLOv5
?
s網絡模型包括Input層、Backbone層、Neck層和Prediction層；所述Backbone層包括Focus模塊、C3模塊和SPP模塊；在所述C3模塊后加入CA注意力機制，具體位置在最后一個C3模塊之后，堆疊1次，具體方法為：在common文件中添加CA注意力機制代碼塊，在yolo文件中引用CA代碼類，在
YOLOv5
?
s的yaml結構模型文件中的Backbone層的C3模塊之后加入CA模塊；所述Prediction層為預測部分，在其中增加一個小目標檢測層，用...

【專利技術屬性】
技術研發人員：豐慧，張焱，劉穎，解春艷，
申請(專利權)人：南京工程學院，
類型：發明
國別省市：