【技術實現步驟摘要】
本專利技術涉及圖像處理技術，具體地說是一種基于三維場景先驗及注意力引導的跌倒檢測方法，適用于面向工廠車間斜面場景下基于場景先驗的工廠智能安全防護系統。
技術介紹
1、安全是發展的前提，發展是安全的保障。近年來，中國堅持發展和安全并重，實現高質量發展和高水平安全的良性互動。值得一提的是，隨著制造業加快轉型升級，越來越多的制造企業開始新建智能工廠，或者對現有工廠進行智能化改造。由于多種自動化、智能化設備在制造企業應用日益廣泛，如果管理與使用不當，就會存在安全隱患。因此，增強安全生產意識，構建智能工廠安全防護系統，防范風險發生，受到越來越多企業的高度重視。隨著計算機和人工智能技術的革命性創新，越來越多的學者開始探索并提出了許多跌倒檢測算法，但是現有的跌倒檢測算法大多應用在醫療、家居、養老院等結構單一場景下，難以適用于工廠車間的斜面場景下，工廠車間斜面包含斜面、狹小空間場景，例如：扶梯、樓梯、臨時搭建的構筑板等場景。傳統的檢測方法主要通過逐幀分析人體姿態特征是否滿足預先設定的判別閾值來進行跌倒檢測，例如人體中線與地面夾角小于預先設定的閾值時，即判定為跌倒。而在工廠車間斜面場景下，由于人體姿態受斜面傾角等因素的影響，導致上述跌倒判別閾值出現隨機化，從而給傳統人體跌倒檢測帶來了很大的挑戰。
技術實現思路
1、本專利技術的目的在于提出了一種基于三維場景先驗及注意力引導的跌倒檢測方法，該方法能夠準確的檢測出工廠車間人員的跌倒狀態，實現智慧工廠的智能安全防護。
2、為了實現上述目的，本專
3、一種基于三維場景先驗及注意力引導的跌倒檢測方法，將三維斜面的數據作為先驗條件進行跌倒檢測，包括以下步驟：
4、步驟1)獲取空間數據：選用intelrealsensed435i相機進行圖像獲取；
5、步驟2)圖像處理：利用特征區域數據增強算法，增加判別的準確性；
6、步驟3)跌倒判別：引入時空注意力算法以實現聚焦判別特征和減少背景噪聲干擾的效果，將數據引入自適應的圖卷積神經網絡，與獲取的場景先驗信息、人體空間位置信息相結合，構建一個更具有魯棒性、泛化能力和判斷力的跌倒檢測模型。
7、所述的基于三維場景先驗及注意力引導的跌倒檢測方法，步驟1)中，采用雙目視覺的方式對三維斜面場景中每一個像素點的深度進行采集，并利用紅外投射器投射出固定的紅外紋理樣式。
8、所述的基于三維場景先驗及注意力引導的跌倒檢測方法，步驟2)中，計算原始點云張量信息特征值；
9、ti＝∑ci(i3-(rtei)2)
10、
11、設定閾值，對點云數據進行判斷，找出邊界附近的點云數據集；
12、
13、用自適應點云區域法線傳播機制統一調整穩定源點的法向，經多場景、多角度測試后，當θ＞0.7時本場景下點云增強效果最好。
14、所述的基于三維場景先驗及注意力引導的跌倒檢測方法，步驟3)中，定義場景先驗信息模型，利用高斯分布來模擬斜面區域的像素分布，那么工人p在確定的區域內由式表示：
15、
16、當σ＝(ri-li)/3的時候效果最佳，能最大限度地捕捉工人的行動路徑ri(i＝1,2,…,m)，從而獲得相應的斜面區域分布a(x,y)；然后將所有可能的結果相加并作標準化處理，最終得到有效的斜面區域概率分布a(x,y)如式所示：
17、
18、所述的基于三維場景先驗及注意力引導的跌倒檢測方法，步驟3)中，引入場景先驗注意力機制，通過構建時空注意力模塊，輔助模型關注點云數據中最具判別性的區域，提高圖卷積神經網絡的特征學習能力；
19、空間注意力模塊輸入特征表示為：
20、
21、經高斯函數計算輸入數據間的相關性，并對不同特征進行加權有：
22、
23、為了使得加權結果維度與初始相同，則引入參數則有：
24、
25、時間注意力模塊輸入特征表示為重復上述過程，得到時間注意力信息將其與空間注意力信息和輸入特征融合生成維數為c×m×n的時空注意力信息：
26、
27、所述的基于三維場景先驗及注意力引導的跌倒檢測方法，步驟3)中，時空注意力模塊特征融合：使用場景先驗信息作為注意力機制，并將其與高層次卷積特征圖結合起來，獲得相應數量特征圖，再將斜面區域分布概率經過縮放并在通道方向擴展形成與特征圖相同大小的空間注意力掩膜，基于hadamard乘法運算得到注意力特征融合結果，如式所示：
28、mfij＝expand(d(a))θcij
29、其中，mfij為基于時空注意力特征融合結果，a為工廠車間中斜面區域的概率分布，d描述的是神經網絡中的下采樣操作，并利用python廣播機制擴大通道數量；cij為i組卷積階段產生的通道為的特征圖，θ表示元素逐項相乘操作。
30、所述的基于三維場景先驗及注意力引導的跌倒檢測方法，步驟3)中，自適應神經卷積網絡：第n層的自適應圖卷積網絡表示為：
31、
32、其中，wk為權重系數，ak為輸入數據的鄰接矩陣，為先驗信息提高指導，λ為比例系數，隨著訓練次數的增加而逐漸減小，bk為掩碼矩陣表示特征之間的依賴關系，ck用于捕捉全局依賴信息，是自適應卷積的關鍵。
33、所述的基于三維場景先驗及注意力引導的跌倒檢測方法，步驟3)中，擬采用具有加權特征的交叉熵損失函數，用樣本先驗分布的倒數作為權重對占比低的跌倒樣本賦予更高的損失權重，而對占比高的的樣品賦予較少的損失權重，具體如下：
34、l＝ωfall×y×ln(yi)+ωnfall×(1-y)×ln(1-yi)
35、
36、其中，y為樣本的實際分類，yi為預測類別，將正分類設為1，負分類設為0；ωfall表示的是樣本實際分類為1時的損失函數權重，ωnfall表示的是樣本實際分類為0時的損失函數權重，nfall為總體樣本數量，nnfall為非跌倒樣本數量。
37、所述的基于三維場景先驗及注意力引導的跌倒檢測方法，步驟3)中，通過對多個情景的先驗信息進行表決，進一步確認跌倒檢測結果，減少誤檢率，將數據增強后的圖像和原始圖像同時輸入網絡，并對預測結果進行投票，從而得到最終的預測類別。
38、本專利技術的優點及有益效果是：
39、本專利技術提出一種基于三維場景先驗及注意力引導的跌倒檢測方法。首先，選用intel?realsensed435i相機進行圖像獲取，并構建感興趣區域以聚焦重點信息，降低背景噪音的干擾。然后，提出特征區域數據增強算法，以提高數據表達能力較少冗余信息對模型的干擾。其次，構建時空注意力模塊，輔助模型關注輸入數據中最具判別性的幀和區域，以提高圖卷積神經網絡的特征學習能力。最后，構建自適應的圖卷積網絡作為基本框架，與獲取的場景先驗信息、人體空間位置信息相結合，經由平均池化本文檔來自技高網...
【技術保護點】
1.一種基于三維場景先驗及注意力引導的跌倒檢測方法，其特征在于，將三維斜面的數據作為先驗條件進行跌倒檢測，包括以下步驟：
2.根據權利要求1所述的基于三維場景先驗及注意力引導的跌倒檢測方法，其特征在于，步驟1)中，采用雙目視覺的方式對三維斜面場景中每一個像素點的深度進行采集，并利用紅外投射器投射出固定的紅外紋理樣式。
3.根據權利要求1所述的基于三維場景先驗及注意力引導的跌倒檢測方法，其特征在于，步驟2)中，計算原始點云張量信息特征值；
4.根據權利要求1所述的基于三維場景先驗及注意力引導的跌倒檢測方法，其特征在于，步驟3)中，定義場景先驗信息模型，利用高斯分布來模擬斜面區域的像素分布，那么工人P在確定的區域內由式表示：
5.根據權利要求4所述的基于三維場景先驗及注意力引導的跌倒檢測方法，其特征在于，步驟3)中，引入場景先驗注意力機制，通過構建時空注意力模塊，輔助模型關注點云數據中最具判別性的區域，提高圖卷積神經網絡的特征學習能力；
6.根據權利要求5所述的基于三維場景先驗及注意力引導的跌倒檢測方法，其特征在于，步驟3)
7.根據權利要求6所述的基于三維場景先驗及注意力引導的跌倒檢測方法，其特征在于，步驟3)中，自適應神經卷積網絡：第n層的自適應圖卷積網絡表示為：
8.根據權利要求7所述的基于三維場景先驗及注意力引導的跌倒檢測方法，其特征在于，步驟3)中，擬采用具有加權特征的交叉熵損失函數，用樣本先驗分布的倒數作為權重對占比低的跌倒樣本賦予更高的損失權重，而對占比高的的樣品賦予較少的損失權重，具體如下：
9.根據權利要求8所述的基于三維場景先驗及注意力引導的跌倒檢測方法，其特征在于，步驟3)中，通過對多個情景的先驗信息進行表決，進一步確認跌倒檢測結果，減少誤檢率，將數據增強后的圖像和原始圖像同時輸入網絡，并對預測結果進行投票，從而得到最終的預測類別。
...【技術特征摘要】
1.一種基于三維場景先驗及注意力引導的跌倒檢測方法，其特征在于，將三維斜面的數據作為先驗條件進行跌倒檢測，包括以下步驟：
2.根據權利要求1所述的基于三維場景先驗及注意力引導的跌倒檢測方法，其特征在于，步驟1)中，采用雙目視覺的方式對三維斜面場景中每一個像素點的深度進行采集，并利用紅外投射器投射出固定的紅外紋理樣式。
3.根據權利要求1所述的基于三維場景先驗及注意力引導的跌倒檢測方法，其特征在于，步驟2)中，計算原始點云張量信息特征值；
4.根據權利要求1所述的基于三維場景先驗及注意力引導的跌倒檢測方法，其特征在于，步驟3)中，定義場景先驗信息模型，利用高斯分布來模擬斜面區域的像素分布，那么工人p在確定的區域內由式表示：
5.根據權利要求4所述的基于三維場景先驗及注意力引導的跌倒檢測方法，其特征在于，步驟3)中，引入場景先驗注意力機制，通過構建時空注意力模塊，輔助模型關注點云數據中最具判別性的區域，提高圖卷積神經網絡的特征學習能力；
6.根據權利要求5所述的基于三維場景先驗及注意力引導的跌倒檢...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。