一种基于边缘计算的智能安全帽佩戴监测系统的制作方法

本发明涉及安全帽佩戴监测领域，特别是涉及一种基于边缘计算的智能安全帽佩戴监测系统。

背景技术：

安全帽作为施工场合所必备防护用品，工人需正确佩戴以防出现安全事故。但由于部分工人安全意识不高以及监管力度不足等原因，施工场合依然存在因工人未戴安全帽而带来的安全隐患。因此为了降低人工监管所带来的大量人力成本，出现了一些利用计算机视觉的方法如针对安全帽进行边缘与轮廓检测，甚至可以基于深度学习算法开发一种可实时监测并智能识别工人安全帽佩戴情况。传统的安全帽监测系统平台通常是依赖租用云计算服务来提供计算能力，实现算法的识别与检测，rgb摄像头将采集到的视频流集中发送到云服务器上，然后通过云服务器端的程序将识别的结果发送回工地现场来实现算法的流程。而在这一类平台的架构中严重依赖云计算服务商提供的服务，并通过较大的数据流量甚至通过建设网络专线来实现多个rgb摄像头所产生的视频流的上传。而该平台的另外一个缺点在于当由于云计算服务的不确定性，使得算法的识别与检测的实时性无法得到保证，而当网络拥塞或者云计算中心发生中断时，整个系统受到影响，甚至无法工作。

技术实现要素：

发明目的：本发明的目的是提供一种基于边缘计算的智能安全帽佩戴监测系统，视频流数据无需连接云服务软件，工地状况的监测和识别也无需通过云服务软件即可实现，极大地节约了带宽，降低了延迟，保证了数据安全。

技术方案：本发明所述的基于边缘计算的智能安全帽佩戴监测系统，包括设于各个监测点的基于多核处理器的嵌入式系统，每个基于多核处理器的嵌入式系统均连接若干rgb监控摄像头，rgb监控摄像头用于将工地的状况以视频流的形式发送给基于多核处理器的嵌入式系统。

进一步，还包括中央控制室，中央控制室通过内网连接各个基于多核处理器的嵌入式系统。这样能够给管理方提供一种主动的由管理方参与的监测方式，进一步提高了系统的识别率，降低了误判率。

进一步，所述中央控制室包括显示屏和本地数据库，中央控制室接收基于多核处理器的嵌入式系统传来的视频信息，将视频信息显示在显示屏上并保存至本地数据库。

进一步，还包括用户程序端和基于云端的后端服务软件，基于云端的后端服务软件分别与用户程序端及基于多核处理器的嵌入式系统通信。

进一步，所述基于云端的后端服务软件包括数据库，基于云端的后端服务软件的工作流程包括以下步骤：

s11：判断基于多核处理器的嵌入式系统是否出现故障：如果出现故障，则进行步骤s12；否则，进行步骤s13；

s12：将故障信息及时报告给用户程序端；

s13：等待接收来自基于多核处理器的嵌入式系统的现场检测结果信息，进行以下判断：如果在预设时间间隔内接收到了现场检测结果信息，则将现场检测结果信息存入数据库，再回到步骤s11；否则，直接回到步骤s11。

进一步，所述用户程序端的工作流程包括以下步骤：

s31：当用户登录用户程序端后，用户程序端与基于云端的后端服务软件建立连接；

s32：如果用户程序端接收到基于云端的后端服务软件发送的基于多核处理器的嵌入式系统的设备故障信息，则进入步骤s33；否则，进入步骤s34；

s33：用户程序端发出故障报警提示，进入步骤s38；

s34：如果用户主动查询工地的状况，则进入步骤s35；否则，回到步骤s36；

s35：用户程序端发送查询命令给基于云端的后端服务软件，当用户程序端接收到基于云端的后端服务软件发来的现场检测结果信息时，将其显示至用户程序端的屏幕；

s36：判断来自基于云端的后端服务软件的现场检测结果信息是否包含工地异常信息，工地异常信息包括有哪些人未正确佩戴安全帽的信息：如果包含工地异常信息，则进入步骤s37；否则，回到步骤s32；

s37：用户程序端发出异常报警提示，进入步骤s38；

s38：如果用户选择退出程序，则用户程序端与基于云端的后端服务软件断开连接；否则，回到步骤s32。

进一步，所述基于多核处理器的嵌入式系统的工作流程包括以下步骤：

s21：初始化基于多核处理器的嵌入式系统自身以及rgb监控摄像头，提醒用户选择输入视频的来源；

s22：读取视频流中的第一个视频帧，导入深度学习模型；

s23：通过深度学习模型识别当前视频帧中的人和安全帽；

s24：判断是否有违规人员：如果有，则进行步骤s25；否则，进行步骤s26；

s25：报警；

s26：判断是否已读取完视频流中的所有视频帧：如果是，则结束；否则，则读取视频流中的下一个视频帧，返回步骤s23。

有益效果：本发明公开了一种基于边缘计算的智能安全帽佩戴监测系统，视频流直接传输给基于多核处理器的嵌入式系统，无需传输给云服务软件，工地状况的监测和识别也是通过基于多核处理器的嵌入式系统来完成，无需通过云服务软件即可实现，极大地节约了带宽，降低了延迟，保证了数据安全。

附图说明

图1为本发明具体实施方式中系统的示意图；

图2为本发明具体实施方式中基于云端的后端服务软件的工作流程图；

图3为本发明具体实施方式中用户程序端的工作流程图；

图4为本发明具体实施方式中基于多核处理器的嵌入式系统的工作流程图；

图5为本发明具体实施方式中中央控制室的工作流程图。

具体实施方式

本具体实施方式公开了一种基于边缘计算的智能安全帽佩戴监测系统，如图1所示，包括设于各个监测点的基于多核处理器的嵌入式系统3，每个基于多核处理器的嵌入式系统3均连接若干rgb监控摄像头4，rgb监控摄像头4用于将工地的状况以视频流的形式发送给基于多核处理器的嵌入式系统3。

系统还包括中央控制室5，如图1，中央控制室5通过内网连接各个基于多核处理器的嵌入式系统3。中央控制室5包括显示屏和本地数据库，如图5所示，中央控制室5接收基于多核处理器的嵌入式系统3传来的视频信息，将视频信息显示在显示屏上并保存至本地数据库。

此外，系统还包括用户程序端2和基于云端的后端服务软件1，如图1所示，基于云端的后端服务软件1分别与用户程序端2及基于多核处理器的嵌入式系统3通信。用户程序端2包括移动程序端和桌面程序端。

基于云端的后端服务软件1包括数据库，基于云端的后端服务软件1的工作流程如图2所示，包括以下步骤：

s11：判断基于多核处理器的嵌入式系统3是否出现故障：如果出现故障，则进行步骤s12；否则，进行步骤s13；

s12：将故障信息及时报告给用户程序端2；

s13：等待接收来自基于多核处理器的嵌入式系统3的现场检测结果信息，进行以下判断：如果在预设时间间隔内接收到了现场检测结果信息，则将现场检测结果信息存入数据库，再回到步骤s11；否则，直接回到步骤s11。

用户程序端2的工作流程如图3所示，包括以下步骤：

s31：当用户登录用户程序端2后，用户程序端2与基于云端的后端服务软件1建立连接；

s32：如果用户程序端2接收到基于云端的后端服务软件1发送的基于多核处理器的嵌入式系统3设备故障信息，则进入步骤s33；否则，进入步骤s34；

s33：用户程序端2发出故障报警提示，进入步骤s38；

s34：如果用户主动查询工地的状况，则进入步骤s35；否则，回到步骤s36；

s35：用户程序端2发送查询命令给基于云端的后端服务软件1，当用户程序端2接收到基于云端的后端服务软件1发来的现场检测结果信息时，将其显示至用户程序端2的屏幕；

s36：判断来自基于云端的后端服务软件1的现场检测结果信息是否包含工地异常信息，工地异常信息包括有哪些人未正确佩戴安全帽的信息：如果包含工地异常信息，则进入步骤s37；否则，回到步骤s32；

s37：用户程序端2发出异常报警提示，进入步骤s38；

s38：如果用户选择退出程序，则用户程序端2与基于云端的后端服务软件1断开连接；否则，回到步骤s32。

基于多核处理器的嵌入式系统3的工作流程如图4所示，包括以下步骤：

s21：初始化基于多核处理器的嵌入式系统3自身以及rgb监控摄像头4，提醒用户选择输入视频的来源；

s22：读取视频流中的第一个视频帧，导入深度学习模型；

s23：通过深度学习模型识别当前视频帧中的人和安全帽；

s24：判断是否有违规人员：如果有，则进行步骤s25；否则，进行步骤s26；

s25：报警；

s26：判断是否已读取完视频流中的所有视频帧：如果是，则结束；否则，则读取视频流中的下一个视频帧，返回步骤s23。

中央控制室5的工作流程如图5所示，包括以下步骤：

s41：与基于多核处理器的嵌入式系统3建立连接；

s42：等待基于多核处理器的嵌入式系统3传来视频信息；

s43：如果在一个时间间隔tp无视频相应，则显示错误然后返回步骤s42；否则，进入步骤s44；

s44：将捕捉到的视频信息直接显示在屏幕上并保存至本地数据库，返回步骤s42。