本发明涉及工业安全检测、计算机视觉及图像识别，特别是多算法融合的工业环境抽烟行为智能监测识别方法及系统。
背景技术：
1、抽烟对于工业生产来说是巨大的安全隐患，科技快速发展的今天，人力监督已不能满足企业日常安全管理需求，随着ai视觉的不断发展，目前针对工业生产过程中的抽烟行为，已经开始采用集成了抽烟识别模型的监控视频服务，通过对摄像头采集的视频进行实时分析，进而检测出抽烟行为。
2、传统的抽烟识别模型通常基于单一或较少的算法来训练识别模型，为了提高识别的效率及准确度，需要对训练模型的素材有较高的要求，主要体现在以下两点：
3、数量取胜，通过对大量的真实素材进行标记、训练，从而提高识别的效率和准确度，但大量的素材意味着素材采集、标记工作的繁重，也在一定程度上影响了模型的大小和实际性能。
4、通过技术手段对采集的人脸图像进行抽烟图像合成，从而标记香烟关键标签，进而训练识别模型，这种方法需要事先采集人脸图像，且对识别场景有一定要求，需按照采集的人脸方向进行识别。
5、因此不通过对素材特殊要求，就能显著提高识别效率及准确度具有一定的现实意义。
技术实现思路
1、鉴于上述存在的问题，提出了本发明。
2、因此，本发明所要解决的问题是：如何解决现有方法抽烟识别模型通常基于单一或较少的算法来训练识别模型的问题。
3、为解决上述技术问题，本发明提供如下技术方案：多算法融合的工业环境抽烟行为智能监测识别方法，包括，实时获取监控视频帧；进行人体检测，判断视频帧中是否存在人体；对存在人体的视频帧截取人体图像进行人体关节点检测，判断是否为抽烟动作；对判断为抽烟动作的人体图像截取头部图像，对头部区域进行烟头检测判断是否抽烟。
4、作为本发明所述多算法融合的工业环境抽烟行为智能监测识别方法的一种优选方案，其中：所述进行人体检测包括收集人体图片素材，对素材进行标记，使用yolov5对标记好的素材集进行训练，产出人体检测模型，训练使用损失函数表示为：
5、，
6、其中，为人体检测模型损失函数，为坐标损失的权重，为没有人体时的置信度损失权重，为网格的大小，为每个网格单元预测的边界框数量，为网格单元中的第个边界框是否包含人体，为网格单元是否包含人体，为网格单元中不包含人体，、为边界框的中心坐标，为边界框的宽度，为边界框的高度，为置信度，为类别概率，、为预测的边界框的中心坐标，为预测的边界框的宽度，为预测的边界框的高度，为预测的置信度，为预测的类别概率；利用训练好的人体检测模型对视频帧进行判断，判断视频帧中是否存在人体，若不存在人体，则认定为未识别到抽烟行为，若存在人体，则截取人体区域图像。
7、作为本发明所述多算法融合的工业环境抽烟行为智能监测识别方法的一种优选方案，其中：所述人体关节点检测包括收集包含人体关节点的图像数据集，对数据集进行标记，使用人体姿态估计网络hrnet对标记好的数据集进行训练，提取多尺度高分辨率特征图，对特征图进行融合，通过卷积层将融合后的特征图转换为关节点热图，产出人体关节点检测模型，利用损失函数对人体关节点检测模型进行训练，表示为：
8、，
9、其中，为人体关节点检测模型损失函数，为批量大小，为关节点数量，为预测的热图，为真实热图；利用训练好的人体关节点检测模型对截取的人体区域图像提取人体关节点，每个关节点坐标表示为每个关节点热图中的最大值的位置，表示为：
10、，
11、其中，为人体关节点坐标，为关节点热力图中坐标位置的热图值，为返回使函数值最大的参数。
12、作为本发明所述多算法融合的工业环境抽烟行为智能监测识别方法的一种优选方案，其中：所述判断是否为抽烟动作包括对提取的人体关节点进行计算，得出人体图像展现的是否为抽烟动作；获取关节点二维坐标，其中手腕坐标为，肩膀坐标为，手肘坐标为，鼻子坐标为，左眼坐标为，右眼坐标为；所述对提取的人体关节点进行计算包括计算手臂弯曲角度及计算手臂延长线和双眼中点与鼻子的延长线交点；所述计算手臂弯曲角度包括计算手腕、手肘、肩膀的角度和计算手肘、肩膀与垂直的角度；所述计算手腕、手肘、肩膀的角度表示为：
13、，
14、其中，为手腕、手肘、肩膀的角度，为计算三个点形成的夹角的逻辑；所述计算手肘、肩膀与垂直的角度表示为：
15、，
16、其中，为手肘、肩膀与垂直的角度。
17、作为本发明所述多算法融合的工业环境抽烟行为智能监测识别方法的一种优选方案，其中：所述计算手臂延长线和双眼中点与鼻子的延长线交点包括获取双眼中点坐标，表示为：
18、，
19、其中，为双眼中点坐标；判断手臂延长线和双眼中点与鼻子的延长线是否相交，若相交，则计算交点，表示为：
20、，
21、其中，等于1则平行，等于0则相交，为交点坐标，为双眼中点坐标，为计算连线与连线是否相交，相交则计算交点的逻辑；若不平行即相交，则计算手腕到手肘的距离表示为：
22、，
23、其中，为手腕到手肘的距离，为计算两点间距离的逻辑；计算交点到鼻子的距离表示为：
24、，
25、其中，为交点到鼻子的距离，为交点坐标；所述判断是否为抽烟动作表示为：
26、，
27、其中，为抽烟动作，为预设的角度阈值，为等于0相交，为预设的空间大小阈值，为逻辑与；手臂弯曲角度小于，且手臂延长线与双眼中点与鼻子延长线相交，且距离时，认定为抽烟动作，否则判断为不是抽烟动作，则认定为未识别到抽烟行为。
28、作为本发明所述多算法融合的工业环境抽烟行为智能监测识别方法的一种优选方案，其中：所述截取头部图像包括当判断存在抽烟动作后，利用训练好的头部检测模型识别人体头部区域，若或者，则丢弃当前视频帧，对未丢弃的视频帧截取头部图像，表示为：
29、，
30、，
31、，
32、，
33、，
34、其中，为识别的头部区域宽高，为预设的尺寸过滤阈值，为尺寸标准值，为放大头部区域的倍数阈值，为头部区域中心点坐标，为视频帧宽高，和分别为实际截取的头部区域的左上角及右下角坐标，为边界阈值；识别的头部区域宽高小于预设的尺寸过滤阈值时丢弃当前视频帧，表示不满足烟头识别模型的检测标准，若大于等于预设的尺寸过滤阈值，则将宽高中的大值乘以预设的倍数阈值，表示放大到指定大小，与预设的尺寸标准值比较，取大值作为实际截取头部区域的边界阈值，随后根据边界阈值计算实际截取头部区域的坐标。
35、作为本发明所述多算法融合的工业环境抽烟行为智能监测识别方法的一种优选方案，其中：所述对头部区域进行烟头检测包括收集烟头图片素材，对素材进行标记，使用轻量级目标检测网络picodet对标记好的素材集进行训练，产出烟头检测模型，表示为：
36、，
37、，
38、，
39、，
40、，
41、其中，为卷积神经网络提取的特征图上每个锚点预测的边界框的偏移量，为边界框的中心坐标，为边界框的宽高，为sigmoid函数，为锚点的中心坐标，为锚点的宽高，为第个锚点，为锚点总数，为边界损失，为置信损失，为分类损失；利用训练好的烟头检测模型对截取的头部图像进行判断，是否存在烟头，若存在烟头，则认定存在人员抽烟行为，若不存在烟头，认定为不存在抽烟行为。
42、本发明的另外一个目的是提供多算法融合的工业环境抽烟行为智能监测识别方法的系统，其能通过构建工业环境抽烟行为智能监测识别系统，解决了多算法融合的工业环境抽烟行为智能监测识别问题。
43、为解决上述技术问题，本发明提供如下技术方案：多算法融合的工业环境抽烟行为智能监测识别系统，包括，数据采集模块、人体检测模块、人体关节点检测模块及头部区域检测模块；所述数据采集模块用于实时获取监控视频帧；所述人体检测模块用于进行人体检测，判断视频帧中是否存在人体；所述人体关节点检测模块用于对存在人体的视频帧截取人体图像进行人体关节点检测，判断是否为抽烟动作；所述头部区域检测模块用于对判断为抽烟动作的人体图像截取头部图像，对头部区域进行烟头检测判断是否抽烟。
44、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述多算法融合的工业环境抽烟行为智能监测识别方法的步骤。
45、一种计算机可读存储介质，其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上所述多算法融合的工业环境抽烟行为智能监测识别方法的步骤。
46、本发明有益效果为：本发明提供的多算法融合的工业环境抽烟行为智能监测识别方法无需根据实际场景单独收集素材、标记、训练，具备一定的通用性，模型部署即用。通过分析抽烟行为具备的特点对识别步骤进行了拆分，能够第一时间判断出错误条件，提高了识别效率。相应步骤分别采用了不同的有针对性的专业算法，并根据抽烟行为增加了一定的算法调优，提高了识别的准确性。
1.多算法融合的工业环境抽烟行为智能监测识别方法，其特征在于：包括，
2.如权利要求1所述的多算法融合的工业环境抽烟行为智能监测识别方法，其特征在于：所述进行人体检测包括收集人体图片素材，对素材进行标记，使用yolov5对标记好的素材集进行训练，产出人体检测模型，训练使用损失函数表示为，
3.如权利要求2所述的多算法融合的工业环境抽烟行为智能监测识别方法，其特征在于：所述人体关节点检测包括收集包含人体关节点的图像数据集，对数据集进行标记，使用人体姿态估计网络hrnet对标记好的数据集进行训练，提取多尺度高分辨率特征图，对特征图进行融合，通过卷积层将融合后的特征图转换为关节点热图，产出人体关节点检测模型，利用损失函数对人体关节点检测模型进行训练，表示为，
4.如权利要求3所述的多算法融合的工业环境抽烟行为智能监测识别方法，其特征在于：所述判断是否为抽烟动作包括对提取的人体关节点进行计算，得出人体图像展现的是否为抽烟动作；
5.如权利要求4所述的多算法融合的工业环境抽烟行为智能监测识别方法，其特征在于：所述计算手臂延长线和双眼中点与鼻子的延长线交点包括获取双眼中点坐标，表示为，
6.如权利要求5所述的多算法融合的工业环境抽烟行为智能监测识别方法，其特征在于：所述截取头部图像包括当判断存在抽烟动作后，利用训练好的头部检测模型识别人体头部区域，若或者，则丢弃当前视频帧，对未丢弃的视频帧截取头部图像，表示为，
7.如权利要求6所述的多算法融合的工业环境抽烟行为智能监测识别方法，其特征在于：所述对头部区域进行烟头检测包括收集烟头图片素材，对素材进行标记，使用轻量级目标检测网络picodet对标记好的素材集进行训练，产出烟头检测模型，表示为，
8.一种采用如权利要求1~7任一所述的多算法融合的工业环境抽烟行为智能监测识别方法的系统，其特征在于：包括，数据采集模块、人体检测模块、人体关节点检测模块及头部区域检测模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1~7中任一项所述的多算法融合的工业环境抽烟行为智能监测识别方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1~7中任一项所述的多算法融合的工业环境抽烟行为智能监测识别方法的步骤。
