【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及危險區(qū)識別，尤其涉及一種改進yolov8的工地危險區(qū)識別方法及系統(tǒng)。
技術(shù)介紹
1、在工地等危險區(qū)域的安全監(jiān)控中，計算機視覺技術(shù)的應(yīng)用正日益廣泛。利用深度學(xué)習(xí)技術(shù)，尤其是實時目標(biāo)檢測算法(如yolo系列模型)，可以有效提升安全管理水平，減少事故發(fā)生率。這些方法依賴yolo模型提取圖像特征信息，進行目標(biāo)檢測。然而，這些方法仍存在特征提取能力有限、多尺度目標(biāo)檢測效果不足、注意力機制應(yīng)用不足等局限性，導(dǎo)致識別效果不好。
技術(shù)實現(xiàn)思路
1、有鑒于此，本專利技術(shù)的目的在于提出一種改進yolov8的工地危險區(qū)識別方法及系統(tǒng)，以解決目前識別方法仍存在特征提取能力有限、多尺度目標(biāo)檢測效果不足和注意力機制應(yīng)用不足導(dǎo)致識別效果不好的問題。
2、基于上述目的，本專利技術(shù)提供了一種改進yolov8的工地危險區(qū)識別方法，包括：
3、采集視頻信息，從視頻信息進行視頻幀提取，獲取第一圖像信息；
4、對所述第一圖像信息進行預(yù)處理，獲取處理后的第二圖像信息；
5、將所述第二圖像信息輸入到第一yolov8模型中，基于所述第二圖像信息通過特征提取模塊、多尺度融合模塊和注意力模塊對第一yolov8模型進行訓(xùn)練，獲得訓(xùn)練后的第二yolov8模型；
6、通過第二yolov8模型對實時的第二圖像信息進行檢測，判斷是否有人員進入危險區(qū)域，當(dāng)判斷無人員進入危險區(qū)域時，繼續(xù)監(jiān)控，重復(fù)視頻幀提取和檢測過程，當(dāng)判斷有人員進入危險區(qū)域時，觸發(fā)報警系統(tǒng)。
8、通過姿態(tài)估計算法，對人員骨骼點進行檢測，識別其姿態(tài)；
9、基于人員的姿態(tài)和深度學(xué)習(xí)的方法通過頭部、軀干和關(guān)鍵點的朝向，判斷人員的面向方向；
10、基于人員的姿態(tài)和人員的面向方向判斷人員是否符合安全要求，當(dāng)不符合安全要求時，觸發(fā)報警系統(tǒng)。
11、可選的，所述特征提取模塊包括在yolov8基礎(chǔ)架構(gòu)上額外增加的卷積層和池化層，額外增加的所述卷積層和池化層通過下述公式實現(xiàn)更深的特征提取，f＝f(wc·f+bc)
12、其中，f′表示改進后的特征圖，wc和bc分別是卷積層的權(quán)重和偏置，f表示激活函數(shù)，f表示原始特征圖。
13、可選的，所述多尺度融合模塊引入fpn結(jié)構(gòu)和自適應(yīng)加權(quán)機制，引入fpn結(jié)構(gòu)和自適應(yīng)加權(quán)機制后的多尺度融合模塊的特征融合公式如下：
14、其中，p1表示第1層特征圖，f1表示第1層的原始特征，w1和w2為自適應(yīng)權(quán)重，pl+1代表的是在fpn結(jié)構(gòu)中第l+1層的特征圖。
15、可選的，所述注意力模塊使用se模塊并引入位置注意力機制，所述注意力模塊的注意力計算公式如下：
16、z＝σ(w2·δ(w1·u))
17、其中，u為輸入特征圖，w1和w2為全連接層的權(quán)重，δ表示relu激活函數(shù)，σ表示sigmoid激活函數(shù)。
18、可選的，所述方法還包括將檢測結(jié)果和視頻記錄保存到數(shù)據(jù)庫中，用于后續(xù)回放和分析。
19、可選的，所述報警系統(tǒng)包括通過現(xiàn)場喇叭發(fā)出聲音警報，并通過短信或移動app通知相關(guān)安全人員。
20、基于相同的專利技術(shù)創(chuàng)造，本專利技術(shù)還提供了一種改進yolov8的工地危險區(qū)識別方法的系統(tǒng)，其特征在于，包括：
21、采集模塊：用于采集視頻信息，從視頻信息進行視頻幀提取，獲取第一圖像信息；
22、預(yù)處理模塊：對所述第一圖像信息進行預(yù)處理，獲取處理后的第二圖像信息；
23、訓(xùn)練模塊：將所述第二圖像信息輸入到第一yolov8模型中，基于所述第二圖像信息通過特征提取模塊、多尺度融合模塊和注意力模塊對第一yolov8模型進行訓(xùn)練，獲得訓(xùn)練后的第二yolov8模型；
24、檢測識別模塊：通過第二yolov8模型對實時的第二圖像信息進行檢測，判斷是否有人員進入危險區(qū)域，當(dāng)判斷無人員進入危險區(qū)域時，繼續(xù)監(jiān)控，重復(fù)視頻幀提取和檢測過程，當(dāng)判斷有人員進入危險區(qū)域時，觸發(fā)報警系統(tǒng)。
25、利用本方法對工地危險區(qū)識別時，首先采集視頻信息，從視頻信息進行視頻幀提取，獲取第一圖像信息，然后對所述第一圖像信息進行預(yù)處理，獲取處理后的第二圖像信息，將所述第二圖像信息輸入到第一yolov8模型中，基于所述第二圖像信息通過特征提取模塊、多尺度融合模塊和注意力模塊對第一yolov8模型進行訓(xùn)練，獲得訓(xùn)練后的第二yolov8模型，通過第二yolov8模型對實時的第二圖像信息進行檢測，判斷是否有人員進入危險區(qū)域，當(dāng)判斷無人員進入危險區(qū)域時，繼續(xù)監(jiān)控，重復(fù)視頻幀提取和檢測過程，當(dāng)判斷有人員進入危險區(qū)域時，觸發(fā)報警系統(tǒng)。
26、由上述可知，本方法通過特征提取模塊、多尺度融合模塊和注意力模塊的設(shè)計，解決了目前識別方法仍存在特征提取能力有限、多尺度目標(biāo)檢測效果不足和注意力機制應(yīng)用不足的問題，能夠準(zhǔn)確識別和監(jiān)測復(fù)雜工地環(huán)境中的各種危險區(qū)域，提升了檢測結(jié)果的準(zhǔn)確性和魯棒性。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種改進YOLOv8的工地危險區(qū)識別方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種改進YOLOv8的工地危險區(qū)識別方法，其特征在于，所述當(dāng)判斷有人員進入危險區(qū)域時之后還包括：
3.根據(jù)權(quán)利要求1所述的一種改進YOLOv8的工地危險區(qū)識別方法，其特征在于，所述特征提取模塊包括在YOLOv8基礎(chǔ)架構(gòu)上額外增加的卷積層和池化層，額外增加的所述卷積層和池化層通過下述公式實現(xiàn)更深的特征提取，
4.根據(jù)權(quán)利要求1所述的一種改進YOLOv8的工地危險區(qū)識別方法，其特征在于，所述多尺度融合模塊引入FPN結(jié)構(gòu)和自適應(yīng)加權(quán)機制，引入FPN結(jié)構(gòu)和自適應(yīng)加權(quán)機制后的多尺度融合模塊的特征融合公式如下：
5.根據(jù)權(quán)利要求1所述的一種改進YOLOv8的工地危險區(qū)識別方法，其特征在于，所述注意力模塊使用SE模塊并引入位置注意力機制，所述注意力模塊的注意力計算公式如下：
6.根據(jù)權(quán)利要求1所述的一種改進YOLOv8的工地危險區(qū)識別方法，其特征在于，所述方法還包括將檢測結(jié)果和視頻記錄保存到數(shù)據(jù)庫中，用于后續(xù)回放和分析。
7.根據(jù)權(quán)利
8.一種執(zhí)行如權(quán)利要求1-7任一所述的一種改進YOLOv8的工地危險區(qū)識別方法的系統(tǒng)，其特征在于，包括：
...【技術(shù)特征摘要】
1.一種改進yolov8的工地危險區(qū)識別方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種改進yolov8的工地危險區(qū)識別方法，其特征在于，所述當(dāng)判斷有人員進入危險區(qū)域時之后還包括：
3.根據(jù)權(quán)利要求1所述的一種改進yolov8的工地危險區(qū)識別方法，其特征在于，所述特征提取模塊包括在yolov8基礎(chǔ)架構(gòu)上額外增加的卷積層和池化層，額外增加的所述卷積層和池化層通過下述公式實現(xiàn)更深的特征提取，
4.根據(jù)權(quán)利要求1所述的一種改進yolov8的工地危險區(qū)識別方法，其特征在于，所述多尺度融合模塊引入fpn結(jié)構(gòu)和自適應(yīng)加權(quán)機制，引入fpn結(jié)構(gòu)和自適應(yīng)加權(quán)機制后的多尺度融合模塊的特征融合公式如下：...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：武浩梅，周師雨，張濤，殷振華，
申請(專利權(quán))人：安徽信息工程學(xué)院，
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。