基于深度学习的机械厂人员安全监测方法，属于智能识别。
背景技术：
1、机械制造产业能够生产各种基础产品和设备，如机械零部件、工具和装备等，这些产品是其他行业的基础，支撑了工业生产的进行。机械厂在生产运行中使用铣边机、预弯机、扩径机、倒棱机，机械臂爪等运动设备。若旋转部分防护不好或者作业人员思想不集中、配合不当，在操作过程中极易造成绞、碾、刺、割、压、戳等机械伤害。严重危害工作人员的生命健康安全。
2、传统预防机械伤害方法依赖于安全员监察、红外报警装置和深度距离摄像系统等。然而，安全员监察存在人力不足、监察范围有限、能力不足和无法有效处理紧急情况等问题；红外报警装置需要专业人员安装和定期维护，可能导致误报或漏报，同时工人面临心理压力可能影响工作效率；深度距离摄像系统安装成本高，数据处理需求大，易受外部环境如光线，温度等因素影响。
3、本项发明提出了基于深度学习的机械厂人员安全监测方法，该方法适用于各种复杂机械厂环境，并能高效及时地判断工作人员的安全状态。通过使用该方法，可以更好地监测机械厂工作人员的安全情况，从而有效保障他们的生命安全。
技术实现思路
1、本发明要解决的技术问题是：克服实际检测环境中由于外界环境等因素干扰导致监测不准确和不及时，工作效率低、成本高等问题，提出了基于深度学习的机械厂人员安全监测方法。该方法通过简单的坐标转换，进行距离计算，判断工作人员是否处于安全状态，大大提高了监测效率，使机械厂人员的安全监测更加可靠与有效。
2、本发明解决其技术问题所采用的技术方案是：基于深度学习的机械厂人员安全监测方法，其特征在于：包含如下步骤：
3、步骤a，由于机械厂的机械种类繁多，环境复杂，且机械设备运行位置是固定的，用摄像头拍摄图像，然后手动标注图像中多个危险区域，得到多个矩形区域，形成集合a＝{a1,a2…an}，得到其每个子集得中心点坐标跟宽和高，并以此推算出矩形框四个角的坐标；
4、步骤b，对手动标注过的图像，使用yolov5目标检测算法，对图中所有工作人员进行定位，得到多个矩形框，形成集合b＝{b1,b2…bn}，输出其每个子集中心点的坐标跟宽和高，以此推算出矩形框四个角的坐标；
5、步骤c，用tvtm(top view transformation model)模型，将得到的集合a与集合b的图像坐标从侧视图转换为顶视图坐标(即俯视图)，形成新的映射区域，得到更新的集合与集合
6、步骤d，设置一个安全距离阈值s，在俯视图中的危险区域上生成一个安全围栏，得到新的矩形框，再次更新集合a*，形成防护区的集合m＝{m1,m2…mn},并更新其所有坐标；
7、步骤e，在俯视图坐标系中，遍历集合m，分别与集合b*中的每一个子集计算距离，检查是否有人闯入防护区域内，若存在，就发出报警提示。
8、优选的，在所述步骤a中，使用图像标注工具手动标注出图像相关危险区域，得到多个矩形区域，形成集合a＝{a1,a2…an}，得到每个子集的(w1，h1，x1，y1)，其中w1、h1分别为矩形框的宽和高，(x1，y1)为其中心点的坐标，以此计算出其四角坐标。
9、其计算方式如下：
10、
11、式中分别为危险区域左侧跟右侧的x轴坐标；分别为下侧跟上侧的y轴坐标。分别为危险区域左上角跟右上角的坐标；分别为危险区域左下角跟右下角的坐标。
12、优选的，在所述步骤b中，使用yolov5目标检测算法，然后对拍摄图像中的所有工作人员进行识别和定位，形成集合b＝{b1,b2…bn}，输出其每个子集的(w2，h2，x2，y2)，其中w2、h2分别为矩形框的宽和高，(x2，y2)为其中心点的坐标，以此计算出其四角坐标。
13、其计算方式如下：
14、
15、式中分别为工作人员范围左侧跟右侧的x轴坐标；分别为工作人员范围下侧跟上侧的y轴坐标。分别为危险区域左上角跟右上角的坐标；分别为工作人员范围左下角跟右下角的坐标。
16、yolov5是一种基于yolo(you only look once)算法改进的目标检测模型。它采用了一种单阶段检测模型，能够在一次前向传播中直接预测出目标的类别和位置。相比于传统的两阶段检测模型，yolov5在准确性和速度上都有很大的优势。
17、优选的，在所述步骤c中，则使用顶视图转换模型tvtm(top view transformationmodel)将检测到工作人员区域与手动标注的危险区域从侧视图映射到顶视图(即俯视图)，形成新的映射区域，得到更新的集合与集合在tvtm中，使用以下公式将原始图像坐标(x,y)转换为顶视图坐标(x*,y*)。
18、
19、
20、
21、式中(x,y)为原始图像坐标，(x*,y*)为目标图像坐标，h为相机与地面的距离，f为相机焦距，θ为相机倾斜角。从第一个式中可以看出变换后的x*和y*的分量值可以小于等于零。为了使变换后的x*和y*的分量值大于零，并保持原图像上的坐标点映射到目的图像坐标上的坐标点的条件，则加上常数d，则原始图像坐标点已映射到目标图像中的坐标点上。
22、得到更新危险区域的集合并更新其子集的所有坐标。
23、中心点坐标为(x1*，y1*)，分别为危险区域左上角跟右上角的坐标；分别为危险区域左下角跟右下角的坐标。其中分别为俯视图上危险区域左侧跟右侧的x轴坐标；为俯视图上危险区域下侧跟上侧的y轴坐标。
24、得到更新工作人员的集合并更新其子集的所有坐标。
25、中心点坐标为分别为工作人员区域左上角跟右上角的坐标；分别为工作人员左下角跟右下角的坐标。其中分别为俯视图上工作人员左侧跟右侧的x轴坐标；为俯视图上工作人员下侧跟上侧的y轴坐标。
26、优选的，所述步骤d中，根据实际工作状态，在俯视图上的不同的危险区域按实际需求设置一个安全距离阈值s，在危险区域的基础上生成一个安全围栏，得到防护区的坐标，得到集合m＝{m1,m2…mn}，更新其子集的所有坐标。
27、其具体的坐标计算方式如下：
28、x3*＝x1*；y3*＝y1*
29、中心点坐标为(x3*，y3*)，式中分别为防护区左侧跟右侧的x轴坐标；为防护区下侧跟上侧的y轴坐标。分别为防护区左上角跟右上角的坐标；分别为防护区左下角跟右下角的坐标。
30、优选的，在所述步骤e，在俯视图坐标系中，遍历集合m，分别与集合b*中的子集计算距离，检查是否有人闯入防护区域内，如存在，就发出报警提示，提醒工作人员远离。其具体的计算方式如下：
31、计算俯视图坐标系中工作人员与防护区两个中心坐标的水平距离：
32、x-distance＝|x3*-x2*|
33、计算俯视图坐标系中工作人员与防护区两个中心坐标的垂直距离：
34、y-distance＝|y3*-y2*|
35、防护区矩形框的宽度跟高度计算：
36、
37、工作人员矩形框的宽度跟高度计算：
38、
39、是否发出报警提示，其距离计算公式：
40、当
41、当两个条件同时满足时，就发出警报提示，提醒工作人员进行远离。
42、与现有技术相比，本发明所具有的有益效果是：
43、该方法监测效率和准确性高：通过自动监测系统，可以及时、准确地监测机械运行过程中的安全情况，避免出现监测盲区或监测不及时的问题。降低人力成本：无需大量人力投入监测，提高了生产效率，降低了对人力的依赖性。减少误报和漏报：相比于红外传感器的方法，自动智能化监测系统更可靠，减少了误报和漏报的风险，提高了工作的准确性和效率。
44、同时，该方法还考虑到了深度距离测算系统易受外部环境因素(如光线、温度等)影响的问题，并采用了tvtm顶视图转换系统。通过简单的坐标转换，进行距离计算，使机械厂人员的安全监测更加可靠与有效。这种方法展现出很好的鲁棒性，能够适应各种复杂机械厂环境，且环境因素对其影响较小。
1.基于深度学习的机械厂人员安全监测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于深度学习的机械厂人员安全监测方法，其特征在于：在所述步骤a中，使用图像标注工具手动标注出图像相关危险区域，得到多个矩形区域，形成集合a＝{a1,a2…an}，得到每个子集的(w1，h1，x1，y1)，其中w1、h1分别为矩形框的宽和高，为其中心点的坐标，以此计算出其四角坐标。其计算方式如下：
3.根据权利要求1所述的基于深度学习的机械厂人员安全监测方法，其特征在于：在所述步骤b中，使用yolov5目标检测算法，然后对拍摄图像中的所有工作人员进行识别和定位，形成集合b＝{b1,b2…bn}，输出其每个子集的(w2，h2，x2，y2)，其中w2、h2分别为矩形框的宽和高，(x2，y2)为其中心点的坐标，以此计算出其四角坐标。其计算方式如下：
4.根据权利要求1所述的基于深度学习的机械厂人员安全监测方法，其特征在于：在所述步骤c中，则使用顶视图转换模型tvtm(top view transformation model)将检测到工作人员区域与手动标注的危险区域从侧视图映射到顶视图(即俯视图)。得到更新的集合与集合在tvtm中，使用以下公式将原始图像坐标(x,y)转换为顶视图坐标(x*,y*)。
5.根据权利要求1所述的基于深度学习的机械厂人员安全监测方法，其特征在于：在所述步骤d中，根据实际工作状态，在俯视图上的不同的危险区域按实际需求设置一个安全距离阈值s，在危险区域的基础上生成一个安全围栏，得到防护区的坐标，得到集合m＝{m1,m2…mn}。更新其子集的所有坐标。其具体的坐标计算方式如下：
6.根据权利要求1所述的基于深度学习的机械厂人员安全监测方法，其特征在于：在所述步骤e中，在俯视图坐标系中，遍历集合m，分别与集合b*中的子集计算距离，检查是否有人闯入防护区域内，如存在，就发出报警提示，提醒工作人员远离。其具体的计算方式如下：
