【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及人數(shù)統(tǒng)計，尤其涉及一種基于井下掘進面的人數(shù)統(tǒng)計方法。
技術(shù)介紹
1、井下掘進面作業(yè)人員的人數(shù)統(tǒng)計是建設(shè)智慧礦山的重要一環(huán)，這一環(huán)節(jié)不僅關(guān)乎礦山生產(chǎn)的安全性與效率，也是實現(xiàn)礦山智能化、精細(xì)化管理的關(guān)鍵步驟。隨著科技的進步，特別是物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等技術(shù)的廣泛應(yīng)用，井下掘進面作業(yè)人員的人數(shù)統(tǒng)計工作正逐步邁向智能化、自動化。
2、在傳統(tǒng)的礦山管理中，井下掘進面作業(yè)人員的人數(shù)統(tǒng)計主要依賴于人工點名或紙質(zhì)記錄，這種方式不僅效率低下，而且容易出錯，難以實時監(jiān)控人員動態(tài)，給礦山的安全生產(chǎn)帶來隱患。隨著智慧礦山建設(shè)的推進，各種先進技術(shù)手段被引入，使得井下掘進面作業(yè)人員的人數(shù)統(tǒng)計更加精準(zhǔn)、高效。
3、如人員定位技術(shù)通過在井下部署定位基站和給作業(yè)人員佩戴定位標(biāo)簽，利用無線信號等技術(shù)，實現(xiàn)對井下掘進面作業(yè)人員的實時定位與跟蹤；智能視頻監(jiān)控系統(tǒng)通過在井下關(guān)鍵區(qū)域安裝高清攝像頭，結(jié)合人臉識別和體態(tài)識別技術(shù)，對進入掘進面的作業(yè)人員進行自動識別與統(tǒng)計。
4、通過上述智能化統(tǒng)計方案的實施，井下掘進面作業(yè)人員的人數(shù)統(tǒng)計工作得到了顯著提升。一方面，提高了統(tǒng)計的準(zhǔn)確性和實時性，減少了人為錯誤；另一方面，增強了礦山的安全管理水平，為礦山的智能化、精細(xì)化管理奠定了堅實基礎(chǔ)。
5、但也存在一些問題和挑戰(zhàn)：人員定位技術(shù)存在信號覆蓋不全面、穩(wěn)定性差、設(shè)備可靠性無法保證、成本高等問題；智能視頻監(jiān)控系統(tǒng)存在成像質(zhì)量差、數(shù)據(jù)處理能力有限、隱私保護難以保證等技術(shù)問題。
技術(shù)實現(xiàn)思路
1、為解決現(xiàn)有技術(shù)存在的技術(shù)問題，本專利技術(shù)提供了一種基于井下掘進面的人數(shù)統(tǒng)計方法，結(jié)合目標(biāo)檢測與語義分割以增強目標(biāo)特征表達(dá)的精度，并應(yīng)用于目標(biāo)追蹤，該方法通過高效的目標(biāo)檢測、精細(xì)的語義分割及魯棒的多目標(biāo)跟蹤技術(shù)，實現(xiàn)對掘進面作業(yè)人員數(shù)量的實時、準(zhǔn)確統(tǒng)計。
2、為實現(xiàn)上述目的，本專利技術(shù)所采用的技術(shù)方案為：一種基于井下掘進面的人數(shù)統(tǒng)計方法，具體步驟如下：
3、步驟一、對熱成像攝像頭的視頻流進行抽幀處理獲取視頻幀；
4、步驟二、對獲取的每個視頻幀進行目標(biāo)檢測與語義分割，得到包含更豐富特征信息的目標(biāo)描述；
5、步驟三、將目標(biāo)描述輸入到改進的目標(biāo)追蹤模塊，輸出作業(yè)人員的軌跡信息；
6、步驟四、根據(jù)軌跡信息進行人數(shù)統(tǒng)計，超員則報警。
7、步驟一所述的視頻幀需要保存為圖像數(shù)據(jù)集，用于步驟二、步驟三的模型訓(xùn)練，保存連續(xù)的視頻幀，使用labelimg標(biāo)注作業(yè)人員用于yolov5模型訓(xùn)練，生成相應(yīng)的位置信息，根據(jù)位置信息裁剪出作業(yè)人員用于deepsort模型訓(xùn)練。特別地，篩選出包含重疊或遮擋人員用于bisenet模型訓(xùn)練。
8、步驟二所述的目標(biāo)檢測與語義分割需要先訓(xùn)練yolov5與bisenet網(wǎng)絡(luò)模型，根據(jù)所述步驟一獲取的數(shù)據(jù)集分別訓(xùn)練目標(biāo)檢測與語義分割模型。
9、在訓(xùn)練階段，首先利用獲取的數(shù)據(jù)集對yolov5模型進行訓(xùn)練，使其能夠準(zhǔn)確地識別出視頻幀中的作業(yè)人員，并給出初步的位置和邊界框。同時，利用數(shù)據(jù)集對bisenet模型進行訓(xùn)練，使其能夠進行語義分割，描繪視頻幀中每個人的輪廓并獲取輪廓點的坐標(biāo)，從而得到更為精確的人員區(qū)域和邊緣信息。
10、bisenet模型結(jié)構(gòu)主要分為三部分：spatial?path(空間路徑)、context?path(上下文路徑)和feature?fusion?module(特征融合模塊)。
11、空間路徑模塊采用卷積層、歸一化、relu激活函數(shù)，旨在提取圖像的低級細(xì)節(jié)信息，如邊緣、紋理等，以保留充足的空間信息。
12、上下文路徑模塊首先通過骨干網(wǎng)絡(luò)進行快速下采樣，以減小特征圖的尺寸并增加感受野，同時，為了優(yōu)化特征表示，采用注意力機制模塊(arm模塊)對特征進行加權(quán)和重標(biāo)定，該模塊旨在提取圖像的高級語義信息，以獲取較大的感受野。
13、特征融合模塊首先將兩個路徑的輸出特征圖進行拼接，然后通過一系列卷積層、批歸一化和relu激活函數(shù)對拼接后的特征圖進行整合和優(yōu)化，該模塊將空間路徑和上下文路徑的輸出特征圖進行高效融合，以實現(xiàn)細(xì)節(jié)信息和語義信息的互補。
14、在推理階段，構(gòu)造yolov5檢測融合bisenet分割模塊：
15、input模塊主要負(fù)責(zé)接收待檢測的圖像，并進行預(yù)處理操作，如調(diào)整圖像大小、歸一化等，為后續(xù)的特征提取做好準(zhǔn)備。
16、backbone模塊負(fù)責(zé)提取輸入圖像的特征，通過多次卷積和池化操作，逐步降低特征圖的尺寸并增加特征圖的深度，從而提取到不同層次的特征信息。
17、neck模塊連接骨干網(wǎng)絡(luò)和頭部結(jié)構(gòu)，負(fù)責(zé)進一步融合來自骨干網(wǎng)絡(luò)的不同層次特征圖，并生成用于檢測的特征圖。
18、head模塊負(fù)責(zé)生成最終的檢測與分割結(jié)果，包括目標(biāo)的位置、尺寸和類別等信息，本專利技術(shù)在此模塊添加了3個與detect檢測頭平行的分割頭，并調(diào)整參數(shù)，使模型能夠同時進行目標(biāo)檢測和語義分割任務(wù)，提升模型效率，增強特征表示。
19、output模塊輸出檢測與分割結(jié)果。
20、步驟三所述的目標(biāo)追蹤模塊采用deepsort算法，并對其進行改進以適應(yīng)井下掘進面的特殊環(huán)境；將步驟二生成的目標(biāo)描述輸入到改進后的deepsort模型，模型會輸出每個作業(yè)人員的軌跡信息，包括每個作業(yè)人員在不同視頻幀中的位置、速度、加速度等運動狀態(tài)。
21、步驟三中的改進deepsort算法在于對級聯(lián)匹配模塊的優(yōu)化——級聯(lián)匹配模塊的改進包含以下兩個部分：
22、(1)、外觀特征提取器的改進：本專利技術(shù)提供的deepsort模塊采用基于resnest50骨干模型的bot(bag?of?tricks，策略庫)作為新的外觀特征提取器，bot能夠提取出更加豐富和具有鑒別性的外觀特征，從而更有效地區(qū)分不同的目標(biāo)個體，在處理遮擋及目標(biāo)再出現(xiàn)時的身份恢復(fù)等方面更具魯棒性。
23、(2)、目標(biāo)追蹤后進行高斯平滑插值(gsi)：本專利技術(shù)提供的gsi方法旨在對那些在跟蹤過程中遺漏的檢測進行插值，補償由于遮擋、檢測失敗等原因造成的軌跡缺失，提高軌跡的完整性和精度，其實現(xiàn)過程分為以下四個部分：
24、1、定義高斯過程：該過程由均值m和協(xié)方差k給出。
25、2、訓(xùn)練模型：使用已知的數(shù)據(jù)點(即已檢測到的目標(biāo)位置)來訓(xùn)練高斯過程回歸模型。
26、3、預(yù)測位置：預(yù)測未知數(shù)據(jù)點(即缺失的檢測)的位置，預(yù)測結(jié)果是一個概率分布，表示在給定已知數(shù)據(jù)點的情況下，未知點位置的不確定性。
27、4、生成插值軌跡：最后，根據(jù)預(yù)測結(jié)果生成插值軌跡。
28、當(dāng)從a預(yù)測b時，對于一些觀察到的數(shù)據(jù)a、b，則有：
29、p(b|a)＝n(m(a),k(a))
30、其中，n()表示正態(tài)分布(normal?distribution)，m(a)為均值，k(a)為協(xié)方差，p(b|a)是一個以預(yù)測均值m(本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于井下掘進面的人數(shù)統(tǒng)計方法，其特征在于，具體步驟如下：
2.根據(jù)權(quán)利要求1所述的一種基于井下掘進面的人數(shù)統(tǒng)計方法，其特征在于，在步驟一中，視頻幀被保存為圖像數(shù)據(jù)集并用于步驟二、步驟三的模型訓(xùn)練，保存連續(xù)的視頻幀，使用LabelImg標(biāo)注作業(yè)人員用于YOLOv5模型訓(xùn)練生成相應(yīng)的位置信息，根據(jù)位置信息裁剪出作業(yè)人員用于DeepSORT模型訓(xùn)練，篩選出包含重疊或遮擋人員用于BiSeNet模型訓(xùn)練。
3.根據(jù)權(quán)利要求2所述的一種基于井下掘進面的人數(shù)統(tǒng)計方法，其特征在于，在步驟二中，根據(jù)步驟一獲取的數(shù)據(jù)集分別訓(xùn)練目標(biāo)檢測與語義分割模型，在訓(xùn)練階段，首先利用獲取的數(shù)據(jù)集對YOLOv5模型進行訓(xùn)練，識別出視頻幀中的作業(yè)人員，并給出初步的位置和邊界框；利用數(shù)據(jù)集對BiSeNet模型進行訓(xùn)練和語義分割，描繪視頻幀中每個人的輪廓并獲取輪廓點的坐標(biāo)，得到人員區(qū)域和邊緣信息；
4.根據(jù)權(quán)利要求3所述的一種基于井下掘進面的人數(shù)統(tǒng)計方法，其特征在于，在步驟二中，在推理階段，構(gòu)造YOLOv5檢測融合BiSeNet分割模塊，具體包括：
5.根據(jù)權(quán)利要求
6.根據(jù)權(quán)利要求5所述的一種基于井下掘進面的人數(shù)統(tǒng)計方法，其特征在于，在步驟三中，改進后的DeepSORT算法在于對級聯(lián)匹配模塊的優(yōu)化：
7.根據(jù)權(quán)利要求6所述的一種基于井下掘進面的人數(shù)統(tǒng)計方法，其特征在于，當(dāng)從a預(yù)測b時，對于觀察到的數(shù)據(jù)a、b，則有：
8.根據(jù)權(quán)利要求7所述的一種基于井下掘進面的人數(shù)統(tǒng)計方法，其特征在于，在步驟四中，通過統(tǒng)計不同時間點上檢測到的作業(yè)人員數(shù)量，并結(jié)合軌跡信息判斷人員是否重復(fù)計數(shù)，從而實現(xiàn)準(zhǔn)確的人數(shù)統(tǒng)計，設(shè)定一個最大允許人數(shù)閾值，當(dāng)統(tǒng)計到的人數(shù)超過此閾值時，系統(tǒng)自動觸發(fā)報警機制。
...【技術(shù)特征摘要】
1.一種基于井下掘進面的人數(shù)統(tǒng)計方法，其特征在于，具體步驟如下：
2.根據(jù)權(quán)利要求1所述的一種基于井下掘進面的人數(shù)統(tǒng)計方法，其特征在于，在步驟一中，視頻幀被保存為圖像數(shù)據(jù)集并用于步驟二、步驟三的模型訓(xùn)練，保存連續(xù)的視頻幀，使用labelimg標(biāo)注作業(yè)人員用于yolov5模型訓(xùn)練生成相應(yīng)的位置信息，根據(jù)位置信息裁剪出作業(yè)人員用于deepsort模型訓(xùn)練，篩選出包含重疊或遮擋人員用于bisenet模型訓(xùn)練。
3.根據(jù)權(quán)利要求2所述的一種基于井下掘進面的人數(shù)統(tǒng)計方法，其特征在于，在步驟二中，根據(jù)步驟一獲取的數(shù)據(jù)集分別訓(xùn)練目標(biāo)檢測與語義分割模型，在訓(xùn)練階段，首先利用獲取的數(shù)據(jù)集對yolov5模型進行訓(xùn)練，識別出視頻幀中的作業(yè)人員，并給出初步的位置和邊界框；利用數(shù)據(jù)集對bisenet模型進行訓(xùn)練和語義分割，描繪視頻幀中每個人的輪廓并獲取輪廓點的坐標(biāo)，得到人員區(qū)域和邊緣信息；
4.根據(jù)權(quán)利要求3所述的一種基于井下掘進面的人數(shù)統(tǒng)計方法，其特征在于，在步驟...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：魏佳鑫，高佳鋒，袁少博，呂斌，賈顏興，侯晉紅，楊靜，魏志強，呂偉佳，
申請(專利權(quán))人：山西陽光三極科技股份有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。