买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：武汉市德发电子信息有限责任公司

摘要：本发明公开了基于物联网和视觉AI的高空安全作业检测方法及系统，涉及安全作业检测技术领域。该基于物联网和视觉AI的高空安全作业检测方法，获取高空安全作业人员的视频数据并进行预处理，基于物联网通信实时传输预处理后的高空安全作业人员的视频数据至数据处理中心；数据处理中心基于训练好的视觉AI模型对接收到的高空安全作业人员的视频数据进行处理，输出安全检测结果；将安全检测结果基于物联网通信发送至现场报警设备，由现场报警设备进行声光警报，解决了现有技术存在不便对未正确佩戴安全帽、安全绳的时间进行检测，导致存在误报的问题。

主权项：1.基于物联网和视觉AI的高空安全作业检测方法，其特征在于，包括以下步骤：获取高空安全作业人员的视频数据并进行预处理，基于物联网通信实时传输预处理后的高空安全作业人员的视频数据至数据处理中心；数据处理中心基于训练好的视觉AI模型对接收到的高空安全作业人员的视频数据进行处理，输出安全检测结果；将安全检测结果基于物联网通信发送至现场报警设备，由现场报警设备进行声光警报；其中，对视觉AI模型进行训练的过程如下：获取视频训练数据集并对视频数据训练集进行分帧处理形成图片训练数据集；将图片训练数据集划分为多组图片训练数据子集；对图片训练数据子集进行增强处理后划分为增强后图片训练集和增强后图片验证集；基于增强后图片训练集和增强后图片验证集分别对视觉AI模型进行训练和验证，在训练的过程中对增强后图片训练集和增强后图片验证集进行特征融合，在验证的过程中最小化损失函数；通过增强后图片训练集对视觉AI模型训练完成后，基于增强后图片验证集对训练后的视觉AI模型进行验证，获得验证数据集；基于验证数据集对训练后的视觉AI模型进行评估，获得评估指数；若评估指数小于或等于设定性能阈值，则训练完成；若评估指数大于设定性能阈值，则对视觉AI模型进行优化后重新训练，所述优化包括调整视觉AI模型的超参数，所述超参数包括学习率、批量大小、正则化参数；在训练的过程中对增强后图片训练集和增强后图片验证集进行特征融合的过程如下：获取每个卷积层从增强后图片训练集中的训练图片或增强后图片验证集中的验证图片中提取的特征；基于特征融合算法对每个卷积层提取的特征进行融合，获得融合后特征；获得所述融合后特征的公式为： ；式中，为增强后图片训练集中的训练图片或增强后图片验证集中的验证图片，为第一层卷积层对增强后图片训练集中的训练图片或增强后图片验证集中的验证图片进行特征提取的第一层卷积特征，为第二层卷积层对增强后图片训练集中的训练图片或增强后图片验证集中的验证图片进行特征提取的第二层卷积特征，为第三层卷积层对增强后图片训练集中的训练图片或增强后图片验证集中的验证图片进行特征提取的第三层卷积特征，为第一层卷积特征权重因子，为第二层卷积特征权重因子，为第三层卷积特征权重因子；所述验证数据集包括每个增强后图片验证集对训练后的视觉AI模型进行验证后获得的验证数据子集，每个所述验证数据子集均包括准确率、精确率、召回率、未佩戴安全帽偏差时间均值和未穿戴安全绳偏差时间均值；其中，未佩戴安全帽偏差时间均值的获取过程为：获取每个增强后图片验证集中识别到的未佩戴安全帽识别时间，将每个未佩戴安全帽识别时间与对应的未佩戴安全帽实际时间做差，将所有的差值进行求平均得到未佩戴安全帽偏差时间均值;未穿戴安全绳偏差时间均值的获取过程为：获取每个增强后图片验证集中识别到的未穿戴安全绳识别时间，将每个未穿戴安全绳识别时间与对应的未穿戴安全绳实际时间做差，将所有的差值进行求平均得到未穿戴安全绳偏差时间均值;基于验证数据集对训练后的视觉AI模型进行评估，获得评估指数的过程如下：对验证数据集中的验证数据子集进行融合处理，获得准确率均值、精确率均值、召回率均值、未佩戴安全帽偏差时间值和未穿戴安全绳偏差时间值；对准确率均值、精确率均值、召回率均值、未佩戴安全帽偏差时间值和未穿戴安全绳偏差时间值进行融合分析，基于评估模型获得评估指数；获得评估指数的评估模型如下： ；式中，为评估指数，为未佩戴安全帽偏差时间值，为未穿戴安全绳偏差时间值，为准确率均值，为精确率均值，为召回率均值，为常数项。

全文数据：

权利要求：

百度查询： 武汉市德发电子信息有限责任公司 基于物联网和视觉AI的高空安全作业检测方法及系统