一种基于深度学习的茶山采摘人员异常行为监控方法与流程

本发明公开一种基于深度学习的茶山采摘人员异常行为监控方法，属于计算机视觉智能监控技术领域。

背景技术：

目前随着人们生活品味的提升，人们对茶叶的需求也越来越多。例如现在的信阳毛尖、太平猴魁、普洱茶的等，目前采用的都只是手工采摘技术依。从古至今，茶叶一般的生长大多位于大范围山坡上的区域，所以采摘起来还是相对与人来说不免有危险系数存在。目前，去山上采摘茶叶的大多是农村中长期在家中的中老年妇女，由于长期在家中劳作，可能存在着身体疾病等，会导致在阶梯状的茶山上工作时导致摔倒的可能。并且如果一旦当这些采摘茶叶的中老年人有出现在山坡上滑倒或者是疾病等出现异常行为等，在偌大的茶山上很难被人发或者及时救援，很容易导致采摘人员出现生命危险。

技术实现要素：

本发明要解决的技术问题是针对现有茶山采摘人员的异常状态不能得到有效监控而容易导致安全事故等不足，提出一种基于深度学习的茶山采摘人员异常行为监控方法，有效检测茶山上的采摘人员的摔倒、失踪等异常情况，保障茶叶采摘人员生命安全。

为解决上述技术问题，本发明提供一种基于深度学习的茶山采摘人员异常行为监控方法，具体步骤是：

(1)在茶山上部署摄像头并配置图像信息处理与监控系统，通过摄像头采集图像数据集，采用局部直方图、retinex算法对雾气较大或光照不良等图像进行预处理，获得清晰的视频图像；

(2)将经步骤(1)得到的视频图像送入图像信息处理系统的深度学习神经网络中，提取图像信息中最能反映茶山上的人体行为信息内在本质的特征向量并进行标记，再将处理后带标记的视频图像送入深度学习网络经行训练，生成驯化模型；

(3)实时提取茶山上人体征数据和行为数据，结合茶山上采摘人员当前位置数据与驻留时长，通过驯化模型对提取到的茶山上人体征数据和行为数据进行模糊逻辑推理判断，确定采摘人员是否存在摔倒等异常情况；

(4)当经步骤(3)判断出茶山上出现人体异常行为时，在监控终端显示出红色框并经行报警，提醒茶山管理监控人员，进行有效救援。

所述最能反映茶山上的人体行为信息内在本质的特征向量包括图像中的跌倒、瘫倒、跌行、求救动作部分。

所述步骤(2)中，特征向量的提取和训练模型，采用深度学习中cnn发展成熟的lenet、alexnet、googlenet、vgg等深度学习网络进行。

所述步骤(3)中，判断采摘人员是否存在摔倒等异常情况，采用多特征融合与svm、softmax、或者贝叶斯分类器进行。

本发明所采用的摄像头、图像信息处理系统、监控系统均为现有常规技术。

本发明通过在茶山上搭建监控系统，行检测，然后运用计算机视觉中的深度学习的方法，通过监控采集到的茶山上茶山采摘人员的视频行为序列作为深度学习网络的输入，采用发展成熟的cnn等深度学习网络对视频图像进处理，然后将处理后带标记的视频图像送入深度学习网络经行训练、生成模型，最后通过生成的模型来检测未知视频序列，检测出异常行为时进行报警。

本发明只需一般的高清摄像头设备，通过摄像头监控，利用目前ai中成熟的技术，对监控到的视频图像进行实时检测，而由深度学习的方法具有较强的泛化能力，能让管理人员能实时的关注整个茶山采摘人员的行为是否存在异常，有效地解决茶山上的气候环境等成像问题，减少人们在山区的地形中茶叶采摘人员面临的危险，保障茶叶采摘人员的人身安全，具有实现方式简单、可扩展性能强、检测效果好、有利于茶生命安全保障等优点。

附图说明

图1是本发明基于深度学习网络模型的茶山采摘人员异常行为识别流程图。

图2是本发明基于深度学习网络的茶山采摘人员行为检测模型训练流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步详尽描述，实施例中未注明的技术或产品，均为现有技术或可以通过购买获得的常规产品。

实施例1：如图1-2所示，本基于深度学习的茶山采摘人员异常行为监控方法的具体步骤是：

(1)在茶山上部署摄像头并配置图像信息处理与监控系统，通过摄像头采集图像数据集，采用局部直方图、retinex算法对雾气较大或光照不良等图像进行预处理，获得清晰的视频图像；

(2)将经步骤(1)得到的视频图像送入图像信息处理系统的深度学习神经网络中，提取图像信息中最能反映茶山上的人体行为信息内在本质的特征向量并进行标记，再将处理后带标记的视频图像送入深度学习网络经行训练，生成驯化模型；

(3)实时提取茶山上人体征数据和行为数据，结合茶山上采摘人员当前位置数据与驻留时长，通过驯化模型对提取到的茶山上人体征数据和行为数据进行模糊逻辑推理判断，确定采摘人员是否存在摔倒等异常情况；

(4)当经步骤(3)判断出茶山上出现人体异常行为时，在监控终端显示出红色框并经行报警，提醒茶山管理监控人员，进行有效救援。

本实施例中，最能反映茶山上的人体行为信息内在本质的特征向量包括图像中的跌倒、瘫倒、跌行、求救动作部分。步骤(2)中特征向量的提取和训练模型，采用深度学习中cnn发展成熟的googlenet深度学习网络进行。步骤(3)中判断采摘人员是否存在摔倒等异常情况，采用多特征融合与贝叶斯分类器进行。

实施例2：如图1-2所示，本基于深度学习的茶山采摘人员异常行为监控方法的具体步骤是：

(1)在茶山上部署摄像头并配置图像信息处理与监控系统，通过摄像头采集图像数据集，采用局部直方图、retinex算法对雾气较大或光照不良等图像进行预处理，获得清晰的视频图像；

(2)将经步骤(1)得到的视频图像送入图像信息处理系统的深度学习神经网络中，提取图像信息中最能反映茶山上的人体行为信息内在本质的特征向量并进行标记，再将处理后带标记的视频图像送入深度学习网络经行训练，生成驯化模型；

(3)实时提取茶山上人体征数据和行为数据，结合茶山上采摘人员当前位置数据与驻留时长，通过驯化模型对提取到的茶山上人体征数据和行为数据进行模糊逻辑推理判断，确定采摘人员是否存在摔倒等异常情况；

(4)当经步骤(3)判断出茶山上出现人体异常行为时，在监控终端显示出红色框并经行报警，提醒茶山管理监控人员，进行有效救援。

本实施例中，最能反映茶山上的人体行为信息内在本质的特征向量包括图像中的跌倒、瘫倒、跌行、求救动作部分。步骤(2)中特征向量的提取和训练模型，采用深度学习中cnn发展成熟的alexnet深度学习网络进行。步骤(3)中判断采摘人员是否存在摔倒等异常情况，采用多特征融合与softmax分类器进行。

实施例3：如图1-2所示，本基于深度学习的茶山采摘人员异常行为监控方法的具体步骤是：

(1)在茶山上部署摄像头并配置图像信息处理与监控系统，通过摄像头采集图像数据集，采用局部直方图、retinex算法对雾气较大或光照不良等图像进行预处理，获得清晰的视频图像；

(2)将经步骤(1)得到的视频图像送入图像信息处理系统的深度学习神经网络中，提取图像信息中最能反映茶山上的人体行为信息内在本质的特征向量并进行标记，再将处理后带标记的视频图像送入深度学习网络经行训练，生成驯化模型；

(3)实时提取茶山上人体征数据和行为数据，结合茶山上采摘人员当前位置数据与驻留时长，通过驯化模型对提取到的茶山上人体征数据和行为数据进行模糊逻辑推理判断，确定采摘人员是否存在摔倒等异常情况；

(4)当经步骤(3)判断出茶山上出现人体异常行为时，在监控终端显示出红色框并经行报警，提醒茶山管理监控人员，进行有效救援。

本实施例中，最能反映茶山上的人体行为信息内在本质的特征向量包括图像中的跌倒、瘫倒、跌行、求救动作部分。步骤(2)中特征向量的提取和训练模型，采用深度学习中cnn发展成熟的lenet深度学习网络进行。步骤(3)中，判断采摘人员是否存在摔倒等异常情况，采用多特征融合与svm分类器进行。

上面结合附图对本发明的技术内容作了说明，但本发明的保护范围并不限于所述内容，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下对本发明的技术内容做出各种变化，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。