一种视频监控实时监测违章作业的方法与流程
本发明涉及计算机图形识别技术领域，更具体地，涉及一种视频监控实时监测违章作业的方法。
背景技术：
安全监护及现场督察工作是电网安全作业的重要组成部分，是确保工作人员的人身安全和设备的正常运行的基础工作。目前，电网作业的前提是，工作负责人和工作班成员须经过供电公司组织的安全规程考试，并取得合格成绩，且人员资质在审核期内。所有人员在电力设备的作业的时候，必须严格执行“十个规定动作”，凭票工作、凭票操作、戴安全帽、穿工作服、系安全带、停电、验电、接地、挂牌装遮拦、现场交底。作业前，设备运行人员提前做好安全措施，包括停电、验电、接地、挂牌装遮拦等，而工作负责人则携带工作票进行开工许可，凭票在现场进行工作，在高压场地严格执行戴安全帽、穿工作服制度，对超过1.5米的高空作业须系安全带。作业风险等级包括可接受风险、低风险、中等风险、高风险，对于风险等级较高的工作，设备管理人须在现场进行安全督查工作，而安全监督部门（以下简称安监）则不定期对管辖区域的工作进行抽样督查。督查的内容主要包括是否戴安全帽、穿工作服、1.5米以上的高空作业是否系安全带、核查工作票或操作票的正确性、安全措施是否要求等。
目前，在供电公司的电力设备同时开展工作，每天达成百上千单，现场督察工作任务十分繁重。由于工作数量基数大，安监督察人员无法对每单工作都进行督察，存在督察不到位，不全面的现象，因此，无法保证电力设备上工作的安全性。而部分没被督察到的现场工作的人员，存在工作疏忽和巧幸心里，放松十个规定动作的执行力度，存在极大的安全隐患。另外，对于现场作业的不规范行为，由于督察人员不一定长期督察在场，无法抓拍到其不规范的行为，因此惩治证据也难以获得。缺少督察人员的现场工作，在一定程度上减低了工作人员的安全重视程度，容易造成工作疏忽，导致安全事件的发生。
技术实现要素：
本发明的目的是解决目前电网安监督查人员无法对每单工作都进行督查的缺陷，设计一种视频监控实时监测违章作业的方法。
为实现以上发明目的，采用的技术方案是：
一种视频监控实时检测违章作业的方法，包括以下步骤：
s1：收集施工人员现场施工图片作为样本并对样本进行标记、处理、归类；
s2：建立违章行为检测识别模型；
s3：将违章行为检测识别模型应用在施工现场摄像头并进行监测；
s4：对违章作业行为进行记录并通知安监管理人员。
其中步骤s1中现场施工图片为网络照片，对样本进行处理包括对样本进行归一化处理并将样本长度统一，对样本进行归类包括将样本分为训练样本、测试样本和校验样本，训练样本占总样本的50%，测试样本和校验样本各占总样本的25%。
优选的是，所述网络照片通过python语言爬虫抓包获得。
在上述方案中，步骤s2包括以下步骤：
s2.1：输入测试样本；
s2.2：通过卷积神经网络cnn对测试样本进行特征提取；
s2.3：利用rpn网络生成区域proposals的数目，交叉训练rpn网络和faster-rcnn网络；
s2.4：在卷积神经网络cnn的最后一层featuremap中映射步骤s2.3的proposals；
s2.5：在最后一个conv的roipooling层中每个roi生成固定尺寸的featuremap；
s2.6：采用探测分类概率（softmaxloss）和探测边框回归（smoothl1loss）对分类概率和边框回归（boundingboxregression）联合训练；
s2.7：采用反向传播（back-propagation）和随机梯度下降（stochasticgradientdescent）对网络进行训练。
其中步骤s2.3包括以下步骤：
s2.3.1：采用imagenet的模型初始化rpn网络，然后对框选区域进行微调；
s2.3.2：利用步骤s2.3.1得到的框选区域proposals作为fast-rcnn网络的输入，然后进行网络的训练；
s2.3.3：利用步骤s2.3.2中训练好的fast-rcnn初始化rpn网络，继续训练rpn网络；
s2.3.4：固定convlayers，仅微调属于fast-rcnn的全连接层fc。
其中所述步骤s2所述违章行为识别包括安全帽检测、工作服检测、安全带检测。
优选的是，步骤s4中通知安监管理人员为通过短信进行通知。
与现有技术相比，本发明的有益效果是：
1）采用rpn网络和fast-rcnn网络，收敛速度快，提高了模型的训练速度的应用速度。
2）使用卷积神经网络，简化了程序编写的复杂度。
3）对违规作业行为自动识别记录，节省人力物力。
附图说明
图1为物体检测效果图；
图2为rpn网络的实现流程图；
图3为分类与位置调整的数据结构图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
一种视频监控实时监测违章作业的方法，包括以下步骤：
s1：收集施工人员现场施工图片作为样本并对样本进行标记、处理、归类；
s2：建立违章行为检测识别模型；
s3：将违章行为检测识别模型应用在施工现场摄像头并进行监测；
s4：对违章作业行为进行记录并通知安监管理人员。
其中步骤s1中现场施工图片为网络照片，对样本进行处理包括对样本进行归一化处理并将样本长度统一，对样本进行归类包括将样本分为训练样本、测试样本和校验样本，训练样本占总样本的50%，测试样本和校验样本各占总样本的25%。
如图1所示，识别模型的训练样本包括安全帽、工作服或安全带的照片素材，且每张相片具有标记；在归一化处理中，短边的长度统一伸缩至600像素；相片的标记格式如下：
若图片中只包含一个检测对象，则标记格式如下：
0000001.jpghelmet6976215223
0000002.jpgcoverall8358113162
若图片中包含多个检测对象，则标记格式如下：
000001.jpghelmet6976215223
000001.jpgcoverall8358113162
000001.jpgsafetybelt8358113162
优选的是，所述网络照片通过python语言爬虫抓包获得。
在上述方案中，步骤s2包括以下步骤：
s2.1：输入测试样本；
s2.2：通过卷积神经网络cnn对测试样本进行特征提取；
s2.3：利用rpn网络生成区域proposals的数目，交叉训练rpn网络和faster-rcnn网络；
s2.4：在卷积神经网络cnn的最后一层featuremap中映射步骤s2.3的proposals；
s2.5：在最有一个conv的roipooling层中每个roi生成固定尺寸的featuremap；
s2.6：采用探测分类概率（softmaxloss）和探测边框回归（smoothl1loss）对分类概率和边框回归（boundingboxregression）联合训练；
s2.7：采用反向传播（back-propagation）和随机梯度下降（stochasticgradientdescent）对网络进行训练。
通过搭建基于rpn网络和faster-rcnn网络的违章检测识别模型，其特征在融合rpn和fast-rcnn网络，固定了生成区域proposals的数目，在rpn网络和fast-rcnn网络之间交替微调参数，实现卷积特征参数共享，提高训练和应用算法的速度。
其中利用rpn网络生成区域proposals的数目，建议为300个区域；
区域proposals生成的具体实现是：通过卷积核中心，即用于生成推荐区域的anchor，进行尺度、宽高比的采样。如图2所示，在每个滑动的区域产生了k=9的anchors。
其中卷积核的中心（anchor）可分为两类，与标签重叠面积最高的anchor和重叠面积大于70%的anchor归类为正标签；与标签重叠面积小于30%的所有anchor归类为负标签；其余非正非负的anchor丢掉。
同时，如图2所示，在步骤s2.6中对于每个anchor，损失函数（lossfunction）定义为：
其中，pi是第i个anchor预测结果是其中一个类别的概率，若anchor为正标签，则为p*i为1，否则为0，ti=｛tx，ty，tw，th｝是预测的边框区域，边框的起始坐标x，y及宽度和高度w，h；t*i是与这个anchor对应样本原始的边框区域；ncls是训练过程中产生的anchor的数量，nreg是一次训练中的样本数量。
其中步骤s2.3还包括以下步骤：
s2.3.1：采用imagenet的模型初始化rpn网络，然后对框选区域进行微调；
s2.3.2：利用步骤s2.3.1得到的框选区域proposals作为fast-rcnn网络的输入，然后进行网络的训练；
s2.3.3：利用步骤s2.3.2中训练好的fast-rcnn初始化rpn网络，继续训练rpn网络；
s2.3.4：固定convlayers，仅微调属于fast-rcnn的全连接层fc。
进入模型实测阶段，步骤现场摄像头的相片进行测试，检测相片中的现场人员是否戴有安全帽、穿工作服、系安全带，可以实时做出判断并标注在监控的视频中，一旦发现违规行为，后台监控视频立即截图并发出告警，并通过短信形式通知安监管理人员。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！