发明内容

为此，本发明提供一种基于机器视觉的人员行为监控应急处置方法，用以克服现有技术中未能及时对施工现场发生的安全问题进行处理导致的施工安全性低的问题。

为实现上述目的，本发明提供一种基于机器视觉的人员行为监控应急处置方法，包括：

步骤S1、视频处理模块获取视觉检测装置拍摄的施工现场的若干视频数据，并对施工现场视频数据进行分析处理，生成训练数据和验证数据；

步骤S2、所述视频处理模块将分析处理完成的训练数据输入训练模块进行模型训练，并在训练结束时，将验证数据输入训练模块对模型进行验证；

步骤S3、将验证完成的所述模型嵌入施工现场的视觉检测装置内对施工现场和施工人员的行为进行监测；

步骤S4、事件处理模块根据所述视觉检测装置和所述模型的输出结果向安保人员发送对应的预警信息；

在所述步骤S2中，当对模型进行训练时，所述训练模块的输入单元将所述训练数据的施工设备特征图像作为所述模型的输入，对应的将所述施工设备特征图像的风险系数作为所述模型的输出，并将所述训练数据的施工人员特征图像作为所述模型的输入，对应的将所述施工人员特征图像的护具配戴合格率作为所述模型的输出进行模型训练，当训练至预设迭代次数时，结束训练；

在所述步骤S3中，当对所述模型验证完成时，所述训练模块的对比单元获取所述模型在每次输入所述验证数据完成时输出的实际护具配戴合格率E和实际风险系数F，并根据该实际护具配戴合格率E与所述验证数据的护具配戴合格率E0的比对结果和该实际风险系数F与所述验证数据对应的风险系数F0的比对结果判定是否完成单次验证，当对所述模型验证至预设验证次数C0时，获取所述模型验证达标率P，并根据该验证达标率P判定所述模型是否训练达标，并在判定训练不达标时，对所述模型的预设迭代次数调节后再次训练所述模型。

进一步地，在所述步骤S1，所述视频处理模块对施工现场视频数据进行分析处理包括：

步骤S11、获取单元获取所述施工现场若干所述视频数据；

步骤S12、处理单元将若干所述施工现场视频拆分为若干帧施工现场图像，将所述施工现场图像划分为未施工图像和施工图像，并将该未施工图像和施工图像按照预设比例B划分为训练数据和验证数据；

步骤S13、分析单元将划分完成的训练数据中的未施工图像和施工图像进行分析，提取未施工图像和施工图像中施工设备特征图像以及施工图像中的施工人员特征图像；

步骤S14、所述分析单元分析施工设备特征图像的设备风险系数和施工人员特征图像的护具配戴合格率，输出单元将施工设备特征图像及其对应的设备风险系数F和施工人员特征图像及其对应的护具配戴合格率E输出至所述训练模块。

进一步地，在所述步骤S2中，当对所述模型进行训练时，所述训练模块将所述模型的卷积核的初始大小设置为A，初始数量设置为R，初始通道数设置为D，初始步长设置为λ，所述训练模块的输入单元将训练数据中的施工设备特征图像及施工设备特征图像的风险系数和施工人员特征图像及施工人员特征图像的护具配戴合格率分别输入所述模型进行迭代训练，并当训练至预设迭代次数G时，停止训练，将验证数据中的施工设备特征图像和施工人员特征图像分别输入所述模型进行验证，并获取验证结果。

进一步地，当对所述模型进行验证时，所述对比模块将所述模型输出实际风险系数F与所述验证数据中的风险系数F0进行对比，并将所述模型输出的实际护具配戴合格率E与所述验证数据中的护具配戴合格率E0和进行比对，若所述模型输出的实际护具配戴合格率E与所述验证数据中的护具配戴合格率E0以及所述模型输出的实际风险系数F与所述验证数据中的风险系数F0均一致，则判定此次验证达标，若所述模型输出的护具配戴合格率E与所述护具配戴合格率E0不一致和/或所述模型输出的实际风险系数F所述风险系数F0不一致，则判定此次验证不达标，所述分析模块在对所述模型验证至预设次数C0时，获取所述模型验证达标率P，并将该达标率与预设达标率P0进行比对，设定P=C/C0，其中C为验证达标次数，

若P≥P0，所述对比单元判定所述模型训练达标；

若P＜P0，所述对比单元判定所述模型训练不达标，所述训练模块的调整单元对所述迭代次数进行调节。

进一步地，当所述调整单元对所述迭代次数G进行调节时，所述对比单元计算所述达标率P与预设达标率P0的达标率差值△P，所述调整单元根据该达标率差值与预设达标率差值的比对结果选取对应的迭代次数调节系数对预设迭代次数进行调节，并在调节完成时再次训练所述模型，

其中，所述调整单元还设有第一预设达标率差值△P1、第二预设达标率差值△P2、第三预设达标率差值△P3、第一迭代次数调节系数K1、第二迭代次数调节系数K2以及第三迭代次数调节系数K3，其中△P1＜△P2＜△P3，设定1＜K1＜K2＜K3＜2，

当△P≤△P1时，所述调整单元选取第一迭代次数调节系数K1对预设迭代次数进行调节；

当△P1＜△P≤△P2时，所述调整单元选取第二迭代次数调节系数K2对预设迭代次数进行调节；

当△P2＜△P≤△P3时，所述调整单元选取第三迭代次数调节系数K3对预设迭代次数进行调节；

当所述调整单元选取第i迭代次数调节系数Ki对预设迭代次数进行调节时，所述调整单元将调节后的预设迭代次数设置为G1，设定G1=G×Ki。

进一步地，当对所述模型进行再次验证时，若P＜P0，所述对比单元获取验证后的实际护具配戴合格率E和实际风险系数F，并将将实际护具配戴合格率E与所述验证数据对应的护具配戴合格率E0进行比对，以及将实际风险系数F与所述验证数据对应的风险系数F0进行比对，根据该比对结果确定训练是否达标，

若E≥E0且F≥F0，所述分析单元判定所述模型训练达标；

若E＜E0且/或F＜F0，所述分析单元判定所述模型训练不达标。

进一步地，当所述对比单元判定所述模型训练不达标且E＜E0时，计算所述实际护具配戴合格率E与所述验证数据中的护具配戴合格率E0的合格率差值△E，设定△E=E0-E，所述调整单元根据该合格率差值选取对应的卷积核大小调节系数对卷积核大小进行调节，并在调节完成时再次训练所述模型，

其中，所述调整单元还设有第一预设合格率差值△E1、第二预设合格率差值△E2、第三预设合格率差值△E3、第一卷积核大小调节系数Ka1、第二卷积核大小调节系数Ka2以及第三卷积核大小调节系数Ka3，其中△E1＜△E2＜△E3，设定1＜Ka1＜Ka2＜Ka3＜2，

当△E≤△E1时，所述调整单元选取第一卷积核大小调节系数Ka1对卷积核的大小进行调节；

当△E1＜△E≤△E2时，所述调整单元选取第二卷积核大小调节系数Ka2对卷积核的大小进行调节；

当△E2＜△E≤△E3时，所述调整单元选取第三卷积核大小调节系数Ka3对卷积核的大小进行调节；

当所述调整单元选取第j卷积核大小调节系数Kaj对卷积核的大小进行调节时，设定j=1，2，3，所述调整单元将调节后的卷积核的大小设置为A1，设定A1=A×Kaj。

进一步地，当所述对比单元判定所述模型训练不达标且F＜F0时，所述分析单元计算该实际风险系数F与所述验证数据中的风险系数F0的风险系数差值△F，设定△F=F0-F，所述调整单元根据该风险系数差值与预设风险系数差值的比对结果选取对应的卷积核大小调节系数对卷积核的大小进行调节，并在调节完成时再次训练所述模型，

其中，所述调整单元还设有第一预设风险系数差值△F1、第二预设风险系数差值△F2、第三预设风险系数差值△F3、第四卷积核大小调节系数Ka4、第五卷积核大小调节系数Ka5以及第六卷积核大小调节系数Ka6，其中△F1＜△F2＜△F3，设定1＜Ka4＜Ka5＜Ka6＜1.5，

当△F≤△F1时，所述调整单元选取第四卷积核大小调节系数Ka4对卷积核的大小进行调节；

当△F1＜△F≤△F2时，所述调整单元选取第五卷积核大小调节系数Ka5对卷积核大小进行调节；

当△F2＜△F≤△F3时，所述调整单元选取第六卷积核大小调节系数Ka6对卷积核大小进行调节；

当所述调整单元选取第u卷积核大小调节系数Kau对卷积核的大小进行调节时，设定u=4，5，6，所述调整模块将调节后的卷积核的大小设置为A2，设定A2=A×Kau。

进一步地，当述分析模块判定所述模型训练不达标、E＜E0且F＜F0时，所述调整单元计算所述实际护具配戴合格率对应调节后的卷积核的大小A1与所述实际风险系数对应的调节后的卷积核大小A2之和A3，设定A3=A1+A2，所述调整单元将所述模型的卷积核的大小设置为A3；

当所述调整单元将所述卷积核的大小调节为Az并对所述模型训练且验证完成时，设定z=1，2，3，所述分析模块判定所述模型训练不达标，所述分析单元将所述实际护具配戴合格率E与实际风险系数F的之和作为所述模型的输出的实际风险值M，将所述验证数据对应的护具配戴合格率E0与所述验证数据对用的风险系数F之和作为预设风险值M0，所述分析单元该实际风险值M与预设风险值M0的风险值差值△M，设定△M=M0-M，所述调整单元该风险值差值与与色号风险值差值的比对结果选取对应的迭代次数修正系数对所述预设迭代次数进行修正，

其中，所述调整单元还设有第一预设风险值差值△M1、第二预设风险值差值△M2、第三预设风险值差值△M3、第一迭代次数修正系数X1、第二迭代次数修正系数X2以及第三迭代次数修正系数X3，其中△M1＜△M2＜△M3，设定1＜X1＜X2＜X3＜2，

当△M≤△M1时，所述调整单元选取第一迭代次数修正系数X1对预设迭代次数进行修正；

当△M1＜△M≤△M2时，所述调整单元选取第二迭代次数修正系数X2对预设迭代次数进行修正；

当△M2＜△M≤△M3时，所述调整单元选取第三迭代次数修正系数X3对预设迭代次数进行修正；

当所述调整单元选取第e迭代次数修正系数Xe对预设迭代次数进行修正时，设定e=1，2，3，所述调整单元将修正后的预设迭代次数设置为G2，设定G2=G1×Xe。

进一步地，所述调整模块中还设有卷积核最大值Amax，当所述调整单元将所述模型的卷积核的大小调节为A3时，所述调整单元将该卷积核的大小A3与卷积核最大值Amax进行比对，若A3＞Amax，所述调整单元判断卷积核的大小不合格；A3≤Amax，所述调整单元判断卷积核的大小合格；

当所述调整单元判断卷积核的大小不合格时，所述调整单元计算所述调节后的卷积核的大小A3和卷积核最大值Amax的卷积核大小差值△A，设定△A=A3-Amax，并根据该卷积核大小差值与预设卷积核大小差值选取对应的数量调节系数对卷积核的数量进行调节，

其中，所述第一预设卷积核大小差值△A1、第二预设卷积核大小差值△A2、第三预设卷积核大小差值△A3、第一数量调节系数W1、第二数量调节系数W2以及第三数量调节系数W3，其中△A1＜△A2＜△A3，设定1＜W1＜W2＜W3＜2，

当△A≤△A1时，所述调整单元选取第一数量调节系数W1对卷积核的数量进行调节；

当△A1＜△A≤△A2时，所述调整单元选取第二数量调节系数W2对卷积核的数量进行调节；

当△A2＜△A≤△A3时，所述调整单元选取第三数量调节系数W3对卷积核的数量进行调节；

当所述调整单元选取第n数量调节系数Wn对卷积核的数量进行调节时，设定n=1，2，3，所述调整单元将调整后的卷积核的数量设置为R1，设定R1=R×Wn。

与现有技术相比，本发明的有益效果在于，本发明通过视频处理模块对施工现场的视频进行处理，生成用于训练和验证深度神经网络模型的训练数据和验证数据，并在生成训练数据和验证数据时，用训练数据对模型进行训练，并通过验证数据对模型进行验证，当对模型多次验证达标时，通过所述模型对所述视觉检测装置检测的施工现场风险和施工人员护具配戴是否合格进行监控和分析，并根据施工现场风险系数和施工人员护具配戴不合格时，通过事件处理模块向安保人员发送预警信息，降低了数据处理时的数据量，提高了数据处理的效率，从而提高了施工现场的安全性。

尤其，本发明在训练所述模型时，通过提取施工设备特征图像和施工人员特征图像，并对应分析施工设备特征图像的风险系数和施工人员特征图像的护具配戴合格率，根据该风险系数和护具配戴合格率作为训练所述模型时，模型的输出，提高了所述模型精确度，从而进一步提高了施工现场的安全性。

尤其，本发明在验证所述模型时，根据验证时所述模型输出的实际风险系数和实际护具配戴合格率与验证数据的风险系数与护具配戴合格率的比对结果判定是否完成单次验证，并在验证至预设次数且其结果均达标时，判定所述模型训练结果达标，进一步提高了所述模型的精确度，从而进一步提高了施工现场的安全性。

进一步地，本发明通过视频处理模块的处理单元将视觉检测装置拍摄的施工现场视频处理为若干帧的施工现场图像，并对施工现场图像进行在处理，分为可用于训练和验证所述模型的训练数据和验证数据，同时将所述训练数据的施工设备特征图像作为模型的输入，将施工设备特征图像对应的风险系数作为所述模型的输出，且将施工人员特征图像作为所述模型的输入，将施工人员特征图像作为所述模型的输出对模型进行训练，进一步提高了所述模型的精准度，从而进一步提高了施工现场的安全性。

进一步地，本发明在对所述模型进行验证且验证至预设次数时，获取模型的验证达标率，并根据该验证达标率与预设达标率的比对结果判定模型训练是否达标，并在不达标时，计算达标率与预设达标率的达标率差值，并根据该达标率差值对所述模型的预设迭代次数进行调节，进一步提高了所述模型精准度，从而进一步提高了施工现场的安全性。

进一步地，通过在调整单元设置多个预设达标率差值和迭代次数调节系数，并在判定对预设迭代次数进行调节时，根据所述达标率差值与预设达标率差值的比对结果选取对应的调节系数对迭代次数进行调节，节约了模型时的训练成本，进一步提高了对模型调节的精确性。

进一步地，本发明在以调节后的迭代次数调节训练所述模型完成并验证时，根据所述模型输出的实际护具配戴合格率与验证数据对应的护具配戴合格率的比对结果，以及根据所述模型输出的实际风险系数与验证数据对应的风险系数的比对结果造次确定模型的训练是否达标，并在不达标时，对所述模型的卷积核的大小和/或卷积核的数量进行调节，进一步提高了所述模型的精确度，从而进一步提高了施工现场的安全性。