一种基于深度学习的护栏检测方法、装置及相关介质与流程

本发明涉及计算机软件，特别涉及一种基于深度学习的护栏检测方法、装置及相关介质。

背景技术：

1、临边防护栏在建筑建设中的应用十分广泛，是地铁、建筑等施工场地不可缺少的安全防护产品。施工场地临边护栏结构的常见颜色为红、白相间，防护类型主要包括：钢管、扣件式防护和网片式工具化防护围栏。钢管、扣件式防护适用于基坑边缘、楼层边缘、阳台边缘和屋面边缘，防护栏杆主要为横杆，上杆距地面高度应为1.2m,下杆应在上杆和档脚板中间设置。防护栏杆立杆间距不应大于2m，下设不小于180mm高挡脚板。网片式工具化防护围栏适用于加工车间围护、塔吊基础处维护、消防泵房围护、室内电梯井门、地面施工区域分隔，基坑周边防护，首层(或上部楼层)结构临边防护，主体结构采用钢板网。在实际的施工场所中，为了节约施工成本，常常出现临边护栏缺失的情况。或是由于施工方的疏忽，导致护栏的安装不符合工程安全技术规范，如护栏安装过低、未设置挡脚板的情况。或者施工方拆除、护栏遭受损坏后未及时恢复，导致护栏倾斜的状况。上述这些情况存在严重的安全隐患，无法保障施工人员的生命安全。

2、现有临边护栏安全检测一般都是通过安全员巡视、发现护栏安全问题、拍摄、记录、然后加以整改。这种方式大大增加了人力成本，具有严重的滞后性，且有可能因为安全员的疏忽导致安全隐患未被发现。针对护栏遭受破坏、拆除的情况，现有技术手段是：在已安装护栏的周边安装红外线或是其他远程检测终端实时监控临边护栏防护的安全状态。当临边防护栏遭受损坏、防护栏位移等异常情况时立即报警，帮助管理人员及时排查危险情况。这种技术手段虽然能够获取已安装护栏的安全状态信息，但无法解决护栏缺失的问题，并且采用这项技术将安装大量的远程监测终端，这也极大的增加了施工成本。

技术实现思路

1、本发明实施例提供了一种基于深度学习的护栏检测方法、装置、计算机设备及存储介质，旨在提高对临边护栏的安全管理效果，降低安全管理成本。

2、第一方面，本发明实施例提供了一种基于深度学习的护栏检测方法，包括：

3、获取护栏视频数据，并从所述护栏视频数据中截取得到视频帧图像；

4、利用canny算法对所述视频帧图像进行边缘检测，得到边缘检测图像，并将所述视频帧图像与所述边缘检测图像在通道维度上进行拼接，得到目标图像；

5、通过改进的resnet50模型对所述目标图像进行训练，以此构建临边护栏检测模型；

6、利用所述临边护栏检测模型对指定的护栏视频数据进行护栏检测。

7、第二方面，本发明实施例提供了一种基于深度学习的护栏检测装置，包括：

8、视频获取单元，用于获取护栏视频数据，并从所述护栏视频数据中截取得到视频帧图像；

9、边缘检测单元，用于利用canny算法对所述视频帧图像进行边缘检测，得到边缘检测图像，并将所述视频帧图像与所述边缘检测图像在通道维度上进行拼接，得到目标图像；

10、护栏模型单元，用于通过改进的resnet50模型对所述目标图像进行训练，以此构建临边护栏检测模型；

11、护栏检测单元，用于利用所述临边护栏检测模型对指定的护栏视频数据进行护栏检测。

12、第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于深度学习的护栏检测方法。

13、第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于深度学习的护栏检测方法。

14、本发明实施例提供了一种基于深度学习的护栏检测方法、装置、计算机设备及存储介质，该方法包括：获取护栏视频数据，并从所述护栏视频数据中截取得到视频帧图像；利用canny算法对所述视频帧图像进行边缘检测，得到边缘检测图像，并将所述视频帧图像与所述边缘检测图像在通道维度上进行拼接，得到目标图像；通过改进的resnet50模型对所述目标图像进行训练，以此构建临边护栏检测模型；利用所述临边护栏检测模型对指定的护栏视频数据进行护栏检测。本发明实施例通过canny边缘检测算法和改进的resnet50模型构建的临边护栏检测模型，并进一步通过临边护栏检测模型进行护栏检测，如此可以准确识别临边护栏的安全状态，有效处理临边护栏防护检测中的图像识别准确率低、数据集类间分布不均衡和场景复杂三大难点问题，准确识别临边护栏的安全状态，降低护栏安全管理的成本。

技术特征：

1.一种基于深度学习的护栏检测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于深度学习的护栏检测方法，其特征在于，所述获取护栏视频数据，并从所述护栏视频数据中截取得到视频帧图像，包括：

3.根据权利要求1所述的一种基于深度学习的护栏检测方法，其特征在于，所述利用canny算法对所述视频帧图像进行边缘检测，得到边缘检测图像，包括：

4.根据权利要求1所述的一种基于深度学习的护栏检测方法，其特征在于，所述将所述视频帧图像与所述边缘检测图像在通道维度上进行拼接，得到目标图像，包括：

5.根据权利要求1所述的一种基于深度学习的护栏检测方法，其特征在于，所述通过改进的resnet50模型对所述目标图像进行训练，以此构建临边护栏检测模型，包括：

6.根据权利要求1所述的一种基于深度学习的护栏检测方法，其特征在于，所述利用所述临边护栏检测模型对指定的护栏视频数据进行护栏检测，包括：

7.根据权利要求1所述的一种基于深度学习的护栏检测方法，其特征在于，还包括：

8.一种基于深度学习的护栏检测装置，其特征在于，包括：

9.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于深度学习的护栏检测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于深度学习的护栏检测方法。

技术总结
本发明公开了一种基于深度学习的护栏检测方法、装置及相关介质，该方法包括：获取护栏视频数据，并从护栏视频数据中截取得到视频帧图像；利用Can ny算法对视频帧图像进行边缘检测，得到边缘检测图像，并将视频帧图像与边缘检测图像在通道维度上进行拼接，得到目标图像；通过改进的ResNet50模型对目标图像进行训练，以此构建临边护栏检测模型；利用临边护栏检测模型对指定的护栏视频数据进行护栏检测。本发明结合Canny算法和改进的ResNet50模型构建临边护栏检测模型，以对临边护栏进行检测，能够有效处理临边护栏防护检测中的图像识别准确率低、数据集类间分布不均衡和场景复杂三大难点问题，准确识别临边护栏的安全状态，降低护栏安全管理的成本。

技术研发人员：刘军,张芳健
受保护的技术使用者：深圳英飞拓智能技术有限公司
技术研发日：
技术公布日：2024/1/12