CN115690693B - 一种建筑吊篮的智能监控***及监控方法 - Google Patents
一种建筑吊篮的智能监控***及监控方法 Download PDFInfo
- Publication number
- CN115690693B CN115690693B CN202211592162.XA CN202211592162A CN115690693B CN 115690693 B CN115690693 B CN 115690693B CN 202211592162 A CN202211592162 A CN 202211592162A CN 115690693 B CN115690693 B CN 115690693B
- Authority
- CN
- China
- Prior art keywords
- hanging basket
- construction
- construction hanging
- image
- basket
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种建筑吊篮的智能监控***及监控方法。该方法获取建筑吊篮图像内各建筑吊篮,通过分析建筑吊篮的底板区域得到建筑吊篮的高度,基于建筑吊篮的高度获取建筑吊篮与背景图像的差异程度,依据建筑吊篮连通域的列重要程度将建筑吊篮划分图像块并得到图像块的重要程度,基于图像块的重要程度得到对应建筑吊篮的增强程度,基于建筑吊篮的增强程度获取对应建筑吊篮在拉普拉斯锐化算法中的自适应增强系数,使用自适应增强系数对建筑吊篮图像进行增强。本发明根据建筑吊篮图像内各建筑吊篮高度和差异程度分析对应建筑吊篮的增强程度,增加了建筑吊篮图像的增强效果,提高了对建筑吊篮智能监控的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种建筑吊篮的智能监控***及监控方法。
背景技术
高处作业吊篮具有作业高度高、架设方便、施工成本低等优点,在高层建筑的外墙施工和装修上得到了广泛应用。随着吊篮使用量的日益增加,针对高处作业的建筑吊篮***是高空作业员工生命健康的保障,因此需要一种全面、准确的建筑吊篮智能监控***。
监控***可以提高高空作业的安全系数,增加对施工人员的制约力度,能够有效规范其行为,提高其安全意识。然而监控摄像头拍摄的高空环境下的建筑吊篮区域会存在光照变化、阴影遮挡和距离较远等干扰,造成图像质量下降、对比度低,影响后续对施工人员在作业过程中出现违反作业规范行为的检测,因此需要对图像进行增强处理。由于图像内不同建筑吊篮所处的位置不同,造成不同建筑吊篮区域需要与其相适应的的增强系数。而传统的基于拉普拉斯算子的图像增强方式,算法对所处不同位置的建筑吊篮使用相同的增强系数,会导致图像增强效果不佳或者过度增强,使得监控摄像头拍摄的高空环境下的建筑吊篮区域的图像模糊不清,难以准确监控施工人员在作业过程中违反作业规范的不安全行为。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种建筑吊篮的智能监控***及监控方法,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种建筑吊篮的智能监控方法,该方法包括:
采集施工时的建筑吊篮图像,获取所述建筑吊篮图像内的至少两个建筑吊篮连通域;
根据像素点的连续性分别得到每个建筑吊篮连通域中底板区域的宽度和长度;根据所述宽度、长度和建筑吊篮连通域得到对应建筑吊篮连通域的差异程度;去除建筑吊篮连通域内的底板区域得到第一建筑吊篮连通域;分别获取第一建筑吊篮连通域内每列的高度,根据所述每列的高度和对应每个像素点的灰度值获取第一建筑吊篮连通域内每列的列重要程度;根据所述列重要程度将第一建筑吊篮连通域划分为至少两个图像块,并依据所述图像块内的所述列重要程度获取所述图像块的重要程度;
基于所述图像块获取第一建筑吊篮连通域进行下采样后对应第一图像块,根据所述图像块和对应所述第一图像块之间的梯度差异、所述图像块的重要程度以及所述差异程度获取对应建筑吊篮连通域的增强程度;
获取每个建筑吊篮连通域的增强程度,通过所述增强程度分别获取每个建筑吊篮连通域内像素点在拉普拉斯锐化算法中的自适应增强系数;通过所述自适应增强系数对建筑吊篮图像进行图像增强,得到建筑吊篮增强图像;利用由所述建筑吊篮增强图像训练好的识别异常行为网络进行建筑吊篮的智能监控。
进一步地,所述获取所述建筑吊篮图像内的至少两个建筑吊篮连通域包括:
将施工前的建筑图像作为背景图像,分别对背景图像和建筑吊篮图像进行灰度化处理,将灰度化后的背景图像和建筑吊篮图像进行图像差分,获取建筑吊篮图像内的建筑吊篮区域和线缆区域,将建筑吊篮图像内的建筑吊篮区域和线缆区域的像素点的灰度值置为1,其他像素点的灰度值置为0,得到建筑吊篮图像的第一二值图像;
将每行中灰度值为1的像素点数量作为对应行的行数值,从上至下逐行统计第一二值图像中所述行数值,使用聚类算法将所述行数值分为线缆区域行数值和建筑吊篮区域行数值,将所述线缆区域行数值对应的行中像素点作为线缆像素点,将所述建筑吊篮区域行数值对应的行中像素点作为建筑吊篮像素点;使用窗口逐个对第一二值图像中的像素点进行形态学开运算,去除第一二值图像中的孤立点和所述线缆像素点得到第二二值图像,将第二二值图像中所述建筑吊篮像素点构成的区域作为建筑吊篮连通域。
进一步地,所述根据像素点的连续性分别得到每个建筑吊篮连通域中底板区域的宽度和长度包括:
对于第二二值图像中的每个建筑吊篮连通域,从上至下逐行统计建筑吊篮连通域内像素点一直连续对应的行作为连通行,直至行内像素点出现断裂,将上下连续的连通行形成的区域作为建筑吊篮连通域的底板区域,将底板区域内连通行的行数作为宽度、底板区域内连通行的长度的均值作为长度。
进一步地,所述根据所述宽度、长度和建筑吊篮连通域得到对应建筑吊篮连通域的差异程度包括:
将任意一个建筑吊篮连通域的底板区域的长度作为第一分子、底板区域的宽度作为第一分母得到第一比值,获取建筑吊篮连通域内每个边缘像素点的八邻域内非建筑吊篮像素点的灰度均值,将每个边缘像素点的灰度值与对应的灰度均值的差值绝对值作为第一差值,计算建筑吊篮连通域内所有边缘像素点的第一差值的第一均值,将第一均值与第一比值的乘积作为建筑吊篮连通域的差异程度。
进一步地,所述根据所述每列的高度和对应每个像素点的灰度值获取第一建筑吊篮连通域内每列的列重要程度包括:
将第一建筑吊篮连通域内每列的高度与建筑吊篮图像的纵向长度的比值作为第二比值,对每列的像素点逐个进行形态学顶帽运算得到每个像素点对应的顶帽灰度值,并将每列内所有像素点对应的顶帽灰度值从大至小排列组成顶帽序列,计算顶帽序列中TOP-K个顶帽灰度值的第二均值,将第二比值与第二均值的乘积作为对应列的列重要程度。
进一步地,所述根据所述列重要程度将第一建筑吊篮连通域划分为至少两个图像块,并依据所述图像块内的所述列重要程度获取所述图像块的重要程度包括:
基于第一建筑吊篮连通域内每列的列重要程度,利用聚类算法将第一建筑吊篮连通域内每列对应列区域划分为两个类别,将第一建筑吊篮连通域内相邻且属于同一个类别的列区域合并为一个图像块;获取图像块内每列的列重要程度的均值作为对应图像块的重要程度。
进一步地,所述根据图像块和对应第一图像块之间的梯度差异、图像块的重要程度以及差异程度获取对应建筑吊篮连通域的增强程度包括:
计算图像块内每列对应的列重要程度的均值作为图像块的重要程度,计算第一建筑吊篮连通域内每个图像块的重要程度,将图像块内像素点的梯度均值与第一图像块内像素点的梯度均值的差值绝对值作为第三差值,将对应图像块的重要程度作为第三分子、所有图像块的重要程度相加的总和作为第三分母得到第三比值,将第三比值与第三差值的乘积作为第三结果,计算所有图像块的第三结果的第三均值,将第三均值与对应建筑吊篮连通域的差异程度的比值作为该建筑吊篮连通域的增强程度。
进一步地,所述通过所述增强程度分别获取每个建筑吊篮连通域内像素点在拉普拉斯锐化算法中的自适应增强系数包括:
选取建筑吊篮图像中建筑吊篮连通域的增强程度的最大值作为最大增强程度,分别获取每个建筑吊篮连通域的增强程度与最大增强程度的比值作为对应建筑吊篮连通域的第一结果,将常数1与第一结果的和作为对应建筑吊篮连通域内的像素点在拉普拉斯锐化算法中的自适应增强系数。
第二方面,本发明另一个实施例提供了一种建筑吊篮的智能监控***,该***包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序时,实现上述任意一项方法的步骤。
本发明具有如下有益效果:
本发明实施例为了判断建筑吊篮内施工人员在作业过程中出现的不安全行为,获取建筑吊篮图像内的建筑吊篮连通域;基于建筑吊篮连通域内像素点的连续性得到每个的建筑吊篮连通域中底板区域的长度和宽度,由于每个底板区域的长度与宽度的比值表征了对应建筑吊篮的高度,所以结合底板区域的长度、宽度和对应建筑吊篮连通域边缘像素点的灰度值得到对应建筑吊篮连通域的差异程度;为提取建筑吊篮连通域内的重要区域,去除建筑吊篮连通域内的底板区域,得到第一建筑吊篮连通域;由于需要判断第一建筑吊篮连通域中的重要列,则根据第一建筑吊篮连通域每列的高度、建筑吊篮图像的纵向长度、以及每个像素点的灰度值获取对应列的列重要程度;为判断第一建筑吊篮连通域各部分所属重要性区域,基于各列的列重要程度对第一建筑吊篮连通域划分图像块并获取图像块的重要程度;由于图像块经过一次金字塔下采样后的模糊程度能够反映对应建筑吊篮连通域的模糊程度,而图像块和对应第一图像块之间的梯度差异能够体现对应建筑吊篮连通域所处景深,而建筑吊篮连通域所处景深可以体现建筑吊篮连通域的模糊程度,所以根据图像块和对应第一图像块之间的梯度差异、图像块的重要程度以及所述差异程度获取对应建筑吊篮连通域的增强程度;依据各建筑吊篮连通域的增强程度获取对应建筑吊篮连通域内像素点在拉普拉斯锐化算法中的自适应增强系数;为了保证图像中异常行为的识别,使用自适应增强系数对建筑吊篮图像进行增强以获取增强后的建筑吊篮图像,之后利用增强后的建筑吊篮图像对网络进行训练,以达到对建筑吊篮图像中异常行为的智能监控。根据建筑吊篮图像内各建筑吊篮连通域的高度、与其背景图像的差异程度以及在建筑吊篮图像内的所处景深,实现了对应建筑吊篮连通域内像素点在拉普拉斯锐化算法中对应自适应增强系数的选取,从而使得对不同位置以及升降变化的建筑吊篮进行精准的自适应增强,增加了图像的增强效果,进一步精确地判断施工人员在作业过程中出现违反作业规范的不安全行为,提高了建筑吊篮智能监控的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种建筑吊篮的智能监控方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种建筑吊篮的智能监控***及监控方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明所针对的具体场景:监控摄像头拍摄的高空环境下的建筑吊篮区域会存在光照变化、阴影遮挡和距离较远等干扰,造成图像质量下降、对比度低,图像模糊。传统的基于拉普拉斯算子的图像增强方式效果不佳。本发明根据图像内各建筑吊篮的高度、与其背景建筑的差异以及在图像内的所处景深,实现增强系数的自适应选取,对不同位置以及升降变化的建筑吊篮进行精准的自适应增强,提高图像的增强效果。最后根据高质量视频图像,实现施工人员的不安全行为的精准识别。
下面结合附图具体的说明本发明所提供的一种建筑吊篮的智能监控***及监控方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种建筑吊篮的智能监控***及监控方法的步骤流程图,该方法包括:
步骤S1:采集施工时的建筑吊篮图像,获取所述建筑吊篮图像内的至少两个建筑吊篮连通域。
首先取监控设备仰视正面拍摄的施工前的建筑图像作为背景图像,背景图像中仅包含需要被施工人员施工的建筑物,再取当前施工时的建筑图像作为建筑吊篮图像,建筑吊篮图像中不仅包含被施工的建筑物,还包含建筑吊篮、线缆以及施工人员。
将施工前的建筑图像作为背景图像,分别对背景图像和建筑吊篮图像进行灰度化处理,将灰度化后的背景图像和建筑吊篮图像进行图像差分,获取建筑吊篮图像内的建筑吊篮区域和线缆区域,将建筑吊篮图像内的建筑吊篮区域和线缆区域的像素点的灰度值置为1,其他像素点的灰度值置为0,得到建筑吊篮图像的第一二值图像。
基于建筑吊篮图像的第一二值图像,由于第一二值图像中灰度值为1的像素点属于建筑吊篮区域或者线缆区域,所以去除第一二值图像中孤立点和线缆区域的像素点之后灰度值为1的像素点均属于建筑吊篮区域,则建筑吊篮连通域的获取方法为:将每行中灰度值为1的像素点数量作为对应行的行数值,从上至下逐行统计第一二值图像中所述行数值,使用聚类算法将所述行数值分为线缆区域行数值和建筑吊篮区域行数值,将所述线缆区域行数值对应的行中像素点作为线缆像素点,将所述建筑吊篮区域行数值对应的行中像素点作为建筑吊篮像素点;使用窗口逐个对第一二值图像中的像素点进行形态学开运算,去除第一二值图像中的孤立点和所述线缆像素点得到第二二值图像,将第二二值图像中所述建筑吊篮像素点构成的区域作为建筑吊篮连通域。
作为一个示例,将每行中灰度值为1的像素点数量作为对应行的行数值,在第一二
值图像中从上至下逐行统计每行对应的行数值,获得行数值集合,其中
n表示第一二值图像的行数,表示第1行的行数值,表示第2行的行数值,表示第n行
的行数值。由于线缆区域内各行中灰度值为1的像素点数量较少,则各行对应的行数值较
小,而建筑吊篮区域内各行中内灰度值为1的像素点数量较多,则各行对应的行数值较大;
进而使用K-means聚类算法,K=2,将行数值集合中的行数值分为线缆区域行数值集合和建筑吊篮区域行数值集合,分别计算线缆区域行数值集合内的行数值总和
与建筑吊篮区域行数值集合内的行数值总和,其中线缆区域行数值集合内的行数
值总和较小,则线缆区域行数值集合内各行数值所对应的行中的像素点为线缆像素
点,而建筑吊篮区域行数值内的行数值总和较大,则建筑吊篮区域行数值内各行数
值所对应的行中的像素点为建筑吊篮像素点。为了去除第一二值图像内的孤立点和线缆区
域,取线缆区域行数值中每行中行数值,将每行的行数值的均值作为单根线缆的宽度
B,利用纵向长度为1、横向长为的窗口对第一二值图像中的像素点逐个进行形态学
开运算处理,去除第一二值图像内的孤立点和线缆像素点获得第二二值图像,将第二二值
图像中建筑吊篮像素点所构成的区域作为建筑吊篮连通域,从第二二值图像中能够获取多
个建筑吊篮连通域。
步骤S2:根据像素点的连续性分别得到每个建筑吊篮连通域中底板区域的宽度和长度;根据所述宽度、长度和建筑吊篮连通域得到对应建筑吊篮连通域的差异程度;去除建筑吊篮连通域内的底板区域得到第一建筑吊篮连通域;分别获取第一建筑吊篮连通域内每列的高度,根据所述每列的高度和对应每个像素点的灰度值获取第一建筑吊篮连通域内每列的列重要程度;根据所述列重要程度将第一建筑吊篮连通域划分为至少两个图像块,并依据所述图像块内的所述列重要程度获取所述图像块的重要程度。
由于监控图像内各建筑吊篮所处位置和光照环境的不同,即监控图像内各建筑吊篮的清晰程度各不相同,因此需要对监控图像内各建筑吊篮的高度、与其背景建筑的差异程度以及在图像内的所处景深进行分析,从而获取拉普拉斯锐化算法的自适应增强系数,以达到对监控图像实现高效增强的目的,进而实现自适应增强系数的准确选取。
由于监控设备位置固定,对建筑吊篮为俯视正面拍摄,因此当一个建筑吊篮升高时,由于拍摄角度导致监控图像内建筑吊篮的底板露出越多,则底板的宽度变大,而底板的长度不变,因此底板的宽度与底板的长度的比值表示建筑吊篮所处的高度。由此可知,建筑吊篮图像内建筑吊篮连通域的底板区域的长度和宽度能够反映对应建筑吊篮的高度,故建筑吊篮连通域的底板区域的长度和宽度的获取方法为:对于第二二值图像中的每个建筑吊篮连通域,从上至下逐行统计建筑吊篮连通域内像素点一直连续对应的行作为连通行,直至行内像素点出现断裂,将上下连续的连通行形成的区域作为建筑吊篮连通域的底板区域,将底板区域内连通行的行数作为宽度、底板区域内连通行的长度的均值作为长度。
当建筑吊篮所处的高度越高,即建筑吊篮距离监控摄像头越远,拍摄建筑吊篮图像内的建筑吊篮越模糊,并且此模糊程度只受建筑吊篮升降高度的影响,所以建筑吊篮连通域与背景图像的差异程度能够表示建筑吊篮所处高度与背景图像对建筑吊篮识别的影响,因此对应建筑吊篮连通域与背景图像的差异程度越大,则建筑吊篮图像内的建筑吊篮越显著,需要增强的系数越小。
建筑吊篮连通域与背景图像的差异程度的获取方法为:将任意一个建筑吊篮连通域的底板区域的长度作为第一分子、底板区域的宽度作为第一分母得到第一比值,获取建筑吊篮连通域内每个边缘像素点的八邻域内非建筑吊篮像素点的灰度均值,将每个边缘像素点的灰度值与对应的灰度均值的差值绝对值作为第一差值,计算建筑吊篮连通域内所有边缘像素点的第一差值的第一均值,将第一均值与第一比值的乘积作为建筑吊篮连通域的差异程度。
作为一个示例,建筑吊篮连通域与背景图像的差异程度D的计算公式如下:
式中,表示建筑吊篮连通域的底板区域的宽度,表示建筑吊篮连通域的底板
区域的长度,m表示建筑吊篮连通域边缘像素点的数量,表示建筑吊篮连通域内第j个边
缘像素点的灰度值,表示建筑吊篮连通域内第j个边缘像素点的八邻域内的非建筑吊篮
像素点的灰度均值;为绝对值函数。
需要说明的是,由于仰视正面拍摄的建筑吊篮所处的高度越高,导致对应建筑吊
篮的底板露出的越多,则底板区域内连通行的行数越多,而连通行内像素点的数量不变,则
连通行的长度的均值不变,即对应建筑吊篮连通域的底板区域的宽度变大,而对应建筑
吊篮连通域的底板区域的长度不变,则越小,表示建筑吊篮所处高度越高,拍摄的建筑
吊篮图像内的建筑吊篮越模糊,则建筑吊篮连通域与背景图像的差异程度越大;表示对应建筑吊篮边缘处与背景图像的差异,当建筑吊篮连通域内的边缘
像素点的灰度值与对应边缘像素点的八邻域内的非建筑吊篮像素点的灰度均值的差异越
大,则建筑吊篮连通域与背景图像的差异程度越大。
由于施工时对建筑吊篮的监控重点为施工人员在作业过程中出现的违反作业规范的行为,例如常见的摘下安全帽的行为,其需要被及时制止,所以去除建筑吊篮连通域内不重要的底板区域,留存建筑吊篮连通域的重要区域,将保留下的栏杆、设备和施工人员区域作为第一建筑吊篮连通域,之后获取建筑吊篮图像内建筑吊篮连通域所处的景深需要基于第一建筑吊篮连通域进行分析。
将每列中起始像素点至终止像素点的距离作为对应列的高度,在第一建筑吊篮连
通域内从左至右逐列统计每列对应的高度,获得高度集合,其中q表示
对应第一建筑吊篮连通域的列数,表示第1列的高度,表示第2列的高度,表示第q列
的高度。然后利用横向长度为1、纵向长度为3的窗口对第一建筑吊篮连通域内每列的像素
点逐个进行形态学顶帽运算,获得对应列中每个像素点对应的顶帽灰度值,将每列内所有
像素点对应的顶帽灰度值从大至小排列组成顶帽序列,由此对第一建筑吊篮连通域内每列
获取一个对应列的顶帽序列。
需要说明的是,形态学顶帽运算,具体方法在此不做介绍,为本领域技术人员熟知的技术手段。
建筑吊篮的高度不变,故建筑吊篮对应的第一建筑吊篮连通域中施工人员所处的位置处的列高度发生变化,且一般会高于建筑吊篮的高度,最高处往往为安全帽区域。并且建筑吊篮内施工人员和一些重要设备上会有高亮区域,如施工人员的安全帽、安全带上的反光条和反光背心,设备上的安全标志等。
第一建筑吊篮连通域每列的重要程度的获取方法为:将第一建筑吊篮连通域内每列的高度与建筑吊篮图像的纵向长度的比值作为第二比值,对每列的像素点逐个进行形态学顶帽运算得到每个像素点对应的顶帽灰度值,并将每列内所有像素点对应的顶帽灰度值从大至小排列组成顶帽序列,计算顶帽序列中TOP-K个顶帽灰度值的第二均值,将第二比值与第二均值的乘积作为对应列的列重要程度。
需要说明的是,形态学顶帽运算,具体方法在此不做介绍,为本领域技术人员熟知的技术手段。
需要说明的是,由于建筑吊篮图像的纵向长度不会改变,而第一建筑吊篮连通域
内第g列的高度会影响对应建筑吊篮在建筑吊篮图像中显示的大小,所以当第一建筑吊篮
连通域内每列的高度越大,使得对应列的列重要程度越大;由于形态学顶帽运算的目的
是获取建筑吊篮图像内的高亮部分,若第一建筑吊篮连通域内对应列属于建筑吊篮图像的
高亮区域,则该列中像素点经过形态学顶帽运算后得到的顶帽灰度值越大,致使对应列的
顶帽序列中的顶帽灰度值越大,导致越大,进而使对应列的列重要程度越大。
基于第一建筑吊篮连通域内的图像块对第一建筑吊篮连通域的增强程度进行分析,所以图像块的获取是分析第一建筑吊篮连通域的增强程度的前提。图像块的获取方法如下:基于第一建筑吊篮连通域内每列的列重要程度,利用聚类算法将第一建筑吊篮连通域内每列对应列区域划分为两个类别,将第一建筑吊篮连通域内相邻且属于同一个类别的列区域合并为一个图像块;获取图像块内每列的列重要程度的均值作为对应图像块的重要程度。
作为一个示例,获取第一建筑吊篮连通域内每列对应的列重要程度,依据这些列
重要程度组成列重要程度集合,其中m表示第一建筑吊篮连通域的列
数,表示第1行对应的列重要程度,表示第2行对应的列重要程度,表示第m行对应
的列重要程度;进而使用K-means聚类算法,K=2,将列重要程度集合中的列重要程度分
为非重要区域对应的列重要程度集合和重要区域对应的列重要程度集合。对于第
一建筑吊篮连通域内的列,每列所属区域为非重要区域或者重要区域,根据每列所属区域,
对第一建筑吊篮连通域从左至右逐列将相邻且所属区域相同的列合并为一个图像块;由此
获得对应第一建筑吊篮连通域中的所有图像块,将图像块内每列对应的列重要程度的均值
作为对应图像块的重要程度,从左至右计算第一建筑吊篮连通域内每个图像块的对应的重
要程度,获得重要程度集合,其中t表示图像块数量,表示第t个图像
块的重要程度。
步骤S3:基于所述图像块获取第一建筑吊篮连通域进行下采样后对应第一图像块,根据所述图像块和对应所述第一图像块之间的梯度差异、所述图像块的重要程度以及所述差异程度获取对应建筑吊篮连通域的增强程度。
建筑吊篮图像内第一建筑吊篮连通域所处景深越大,建筑吊篮距离监控摄像头越远,建筑吊篮图像内建筑吊篮被缩放,导致第一建筑吊篮连通域越模糊。由于对建筑吊篮图像进行金字塔下采样时,越模糊的图像糊的越快,而建筑吊篮连通域内施工人员和设备所处区域为检测的重要区域,故建筑吊篮连通域内施工人员和设备所处区域在下采样时的变化为对应建筑吊篮所处景深的重要判断标准。
对第一建筑吊篮连通域进行一次金字塔下采样,分别获得下采样后第一建筑吊篮连通域中各图像块对应的第一图像块,根据第一建筑吊篮连通域对应的图像块和第一图像块之间的差异,分析对应建筑吊篮连通域的增强程度,则建筑吊篮连通域的增强程度的获取方法如下:计算图像块内每列对应的列重要程度的均值作为图像块的重要程度,计算第一建筑吊篮连通域内每个图像块的重要程度,将图像块内像素点的梯度均值与第一图像块内像素点的梯度均值的差值绝对值作为第三差值,将对应图像块的重要程度作为第三分子、所有图像块的重要程度相加的总和作为第三分母得到第三比值,将第三比值与第三差值的乘积作为第三结果,计算所有图像块的第三结果的第三均值,将第三均值与对应建筑吊篮连通域的差异程度的比值作为该建筑吊篮连通域的增强程度。
需要说明的是,金字塔下采样,具体方法在此不做介绍,为本领域技术人员熟知的技术手段。
作为一个示例,建筑吊篮连通域的增强程度P的计算方法如下:
式中,t表示第一建筑吊篮连通域内的图像块数量,表示第h个图像块的重要程
度,表示第h个图像块内像素点的梯度均值,表示第h个图像块对应的第一图像块内像
素点的梯度均值,D表示建筑吊篮连通域和背景图像的差异程度;为绝对值函数。
需要说明的是,图像块内像素点的梯度均值与第一图像块内像素点的梯度均值的
差值的绝对值越大,表示建筑吊篮经过一次金字塔下采样后的模糊程度越大,即建
筑吊篮图像本身较为模糊,即景深较大;表示对各图像块的重要程度进行归一化,其
值越大表示图像块越重要,即下采样后的模糊程度变化的可信度越高;故越大,表示对应建筑吊篮连通域所处景深越大,建筑吊篮图像越
模糊,对应建筑吊篮连通域的增强程度越大;建筑吊篮连通域与背景图像的差异程度越大,
表示建筑吊篮的位置高度越底,使对应建筑吊篮连通域与背景图像差异越大,导致建筑吊
篮图像越清晰,对应建筑吊篮连通域的增强程度越小。
步骤S4:获取每个建筑吊篮连通域的增强程度,通过所述增强程度分别获取每个建筑吊篮连通域内像素点在拉普拉斯锐化算法中的自适应增强系数;通过所述自适应增强系数对建筑吊篮图像进行图像增强,得到建筑吊篮增强图像;利用由所述建筑吊篮增强图像训练好的识别异常行为网络进行建筑吊篮的智能监控。
考虑传统的基于拉普拉斯算子的图像增强方式,算法对所处不同位置的建筑吊篮使用相同的增强系数,会导致图像增强效果不佳或者过度增强,使得监控摄像头拍摄的高空环境下的建筑吊篮区域的图像模糊不清,难以准确监控施工人员在作业过程中违反作业规范的不安全行为,因此对传统的拉普拉斯算法进行改进,也即是对传统的拉普拉斯算法中的增强系数进行改进,以获取建筑吊篮图像中每个像素点对应的自适应增强系数,具体获取如下:
获取建筑吊篮图像中所有建筑吊篮连通域对应的增强程度,依据这些增强程度获
得增强程度集合,其中w表示建筑吊篮图像中建筑吊篮连通域的数量,表示第w个建筑吊篮连通域的增强程度,选取增强程度集合中的最大的增强程度作为
最大增强程度。
建筑吊篮连通域的自适应增强系数的获取方法如下:选取建筑吊篮图像中建筑吊篮连通域的增强程度的最大值作为最大增强程度,分别获取每个建筑吊篮连通域的增强程度与最大增强程度的比值作为对应建筑吊篮连通域的第一结果,将常数1与第一结果的和作为对应建筑吊篮连通域内的像素点在拉普拉斯锐化算法中的自适应增强系数。
需要说明的是,表示对第e个建筑吊篮连通域的增强程度进行归一化处理,得
到第e个建筑吊篮连通域的归一化增强程度,第e个建筑吊篮连通域的增强程度越大,则对
应的归一化增强程度越大,进而对应建筑吊篮连通域内的像素点在拉普拉斯锐化算法中的
自适应增强系数越大;其中自适应增强系数的取值范围为[1,2]。
获取建筑吊篮连通域对应的自适应增强系数,则建筑吊篮连通域内的每个像素点的自适应增强系数为对应建筑吊篮连通域对应的自适应增强系数,故以建筑吊篮图像任意一个像素点为例,根据该像素点所在建筑吊篮连通域对应的自适应增强系数,利用如下公式得到该像素点增强后的值:
通过获取的建筑吊篮图像内每个建筑吊篮连通域对应的自适应增强系数,对建筑吊篮连通域内的各像素点使用对应的自适应增强系数进行增强,直至完成对建筑吊篮图像内所有建筑吊篮连通域的增强,获得高质量视频图像。
本方案将步骤S4获取的高质量监控视频图像作为建筑吊篮工人异常行为识别网络的训练集,对异常行为识别网络进行训练,其中异常行为识别网络可以为YOLO,Net-SE等网络模型,本方案中为YOLO网络模型。通过对监控视频的图像质量进行增强,将增强后的图像作为已训练好的异常行为输入到识别网络中进行异常识别,这个方法使异常识别的准确率更高,当出现施工人员做出违规行为时,通过语音报警对不安全行为进行纠正,由此实现了当前监控视频中实时的施工人员的不安全行为的精准识别,相对于直接利用现有的监控图像训练网络模型的方法,该方法存在一定的网络泛化能力,但是当图像质量较差时,很难保证较高的识别准确率。
需要说明的是,通过训练集对YOLO网络模型进行训练的过程为现有模型的公开技术,详细描述在此不做介绍,为本领域技术人员熟知的技术手段。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种建筑吊篮的智能监控***,该***包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序时,实现上述一种建筑吊篮的智能监控方法实施例中的步骤,例如图1所示的步骤。该一种建筑吊篮的智能监控方法在上述实施例中已经详细说明,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种建筑吊篮的智能监控方法,其特征在于,该方法包括:
采集施工时的建筑吊篮图像,获取所述建筑吊篮图像内的至少两个建筑吊篮连通域;
根据像素点的连续性分别得到每个建筑吊篮连通域中底板区域的宽度和长度;根据所述宽度、长度和建筑吊篮连通域得到对应建筑吊篮连通域的差异程度;去除建筑吊篮连通域内的底板区域得到第一建筑吊篮连通域;分别获取第一建筑吊篮连通域内每列的高度,根据所述每列的高度和对应每个像素点的灰度值获取第一建筑吊篮连通域内每列的列重要程度;根据所述列重要程度将第一建筑吊篮连通域划分为至少两个图像块,并依据所述图像块内的所述列重要程度获取所述图像块的重要程度;
基于所述图像块获取第一建筑吊篮连通域进行下采样后对应第一图像块,根据所述图像块和对应所述第一图像块之间的梯度差异、所述图像块的重要程度以及所述差异程度获取对应建筑吊篮连通域的增强程度;
获取每个建筑吊篮连通域的增强程度,通过所述增强程度分别获取每个建筑吊篮连通域内像素点在拉普拉斯锐化算法中的自适应增强系数;通过所述自适应增强系数对建筑吊篮图像进行图像增强,得到建筑吊篮增强图像;利用由所述建筑吊篮增强图像训练好的识别异常行为网络进行建筑吊篮的智能监控;
所述增强程度的获取方法包括:
计算图像块内每列对应的列重要程度的均值作为图像块的重要程度,计算第一建筑吊篮连通域内每个图像块的重要程度,将图像块内像素点的梯度均值与第一图像块内像素点的梯度均值的差值绝对值作为第三差值,将对应图像块的重要程度作为第三分子、所有图像块的重要程度相加的总和作为第三分母得到第三比值,将第三比值与第三差值的乘积作为第三结果,计算所有图像块的第三结果的第三均值,将第三均值与对应建筑吊篮连通域的差异程度的比值作为该建筑吊篮连通域的增强程度。
2.根据权利要求1所述的一种建筑吊篮的智能监控方法,其特征在于,所述获取所述建筑吊篮图像内的至少两个建筑吊篮连通域包括:
将施工前的建筑图像作为背景图像,分别对背景图像和建筑吊篮图像进行灰度化处理,将灰度化后的背景图像和建筑吊篮图像进行图像差分,获取建筑吊篮图像内的建筑吊篮区域和线缆区域,将建筑吊篮图像内的建筑吊篮区域和线缆区域的像素点的灰度值置为1,其他像素点的灰度值置为0,得到建筑吊篮图像的第一二值图像;
将每行中灰度值为1的像素点数量作为对应行的行数值,从上至下逐行统计第一二值图像中所述行数值,使用聚类算法将所述行数值分为线缆区域行数值和建筑吊篮区域行数值,将所述线缆区域行数值对应的行中像素点作为线缆像素点,将所述建筑吊篮区域行数值对应的行中像素点作为建筑吊篮像素点;使用窗口逐个对第一二值图像中的像素点进行形态学开运算,去除第一二值图像中的孤立点和所述线缆像素点得到第二二值图像,将第二二值图像中所述建筑吊篮像素点构成的区域作为建筑吊篮连通域。
3.根据权利要求2所述的一种建筑吊篮的智能监控方法,其特征在于,所述根据像素点的连续性分别得到每个建筑吊篮连通域中底板区域的宽度和长度包括:
对于第二二值图像中的每个建筑吊篮连通域,从上至下逐行统计建筑吊篮连通域内像素点一直连续对应的行作为连通行,直至行内像素点出现断裂,将上下连续的连通行形成的区域作为建筑吊篮连通域的底板区域,将底板区域内连通行的行数作为宽度、底板区域内连通行的长度的均值作为长度。
4.根据权利要求1所述的一种建筑吊篮的智能监控方法,其特征在于,所述根据所述宽度、长度和建筑吊篮连通域得到对应建筑吊篮连通域的差异程度包括:
将任意一个建筑吊篮连通域的底板区域的长度作为第一分子、底板区域的宽度作为第一分母得到第一比值,获取建筑吊篮连通域内每个边缘像素点的八邻域内非建筑吊篮像素点的灰度均值,将每个边缘像素点的灰度值与对应的灰度均值的差值绝对值作为第一差值,计算建筑吊篮连通域内所有边缘像素点的第一差值的第一均值,将第一均值与第一比值的乘积作为建筑吊篮连通域的差异程度。
5.根据权利要求1所述的一种建筑吊篮的智能监控方法,其特征在于,所述根据所述每列的高度和对应每个像素点的灰度值获取第一建筑吊篮连通域内每列的列重要程度包括:
将第一建筑吊篮连通域内每列的高度与建筑吊篮图像的纵向长度的比值作为第二比值,对每列的像素点逐个进行形态学顶帽运算得到每个像素点对应的顶帽灰度值,并将每列内所有像素点对应的顶帽灰度值从大至小排列组成顶帽序列,计算顶帽序列中TOP-K个顶帽灰度值的第二均值,将第二比值与第二均值的乘积作为对应列的列重要程度。
6.根据权利要求1所述的一种建筑吊篮的智能监控方法,其特征在于,所述根据所述列重要程度将第一建筑吊篮连通域划分为至少两个图像块,并依据所述图像块内的所述列重要程度获取所述图像块的重要程度包括:
基于第一建筑吊篮连通域内每列的列重要程度,利用聚类算法将第一建筑吊篮连通域内每列对应列区域划分为两个类别,将第一建筑吊篮连通域内相邻且属于同一个类别的列区域合并为一个图像块;获取图像块内每列的列重要程度的均值作为对应图像块的重要程度。
7.根据权利要求1所述的一种建筑吊篮的智能监控方法,其特征在于,所述通过所述增强程度分别获取每个建筑吊篮连通域内像素点在拉普拉斯锐化算法中的自适应增强系数包括:
选取建筑吊篮图像中建筑吊篮连通域的增强程度的最大值作为最大增强程度,分别获取每个建筑吊篮连通域的增强程度与最大增强程度的比值作为对应建筑吊篮连通域的第一结果,将常数1与第一结果的和作为对应建筑吊篮连通域内的像素点在拉普拉斯锐化算法中的自适应增强系数。
8.一种建筑吊篮的智能监控***,其特征在于,该***包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序时,实现上述权利要求1-7任意一项所述一种建筑吊篮的智能监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211592162.XA CN115690693B (zh) | 2022-12-13 | 2022-12-13 | 一种建筑吊篮的智能监控***及监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211592162.XA CN115690693B (zh) | 2022-12-13 | 2022-12-13 | 一种建筑吊篮的智能监控***及监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115690693A CN115690693A (zh) | 2023-02-03 |
CN115690693B true CN115690693B (zh) | 2023-03-21 |
Family
ID=85056043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211592162.XA Active CN115690693B (zh) | 2022-12-13 | 2022-12-13 | 一种建筑吊篮的智能监控***及监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115690693B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543238B (zh) * | 2023-07-06 | 2023-09-01 | 深圳市天迈通信技术有限公司 | 一种电缆绝缘层的图像检测方法 |
CN116883411B (zh) * | 2023-09-08 | 2023-12-19 | 浙江诺电电力科技有限公司 | 一种开关柜智能远程监测*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369465A (zh) * | 2020-03-04 | 2020-07-03 | 沈阳先进医疗设备技术孵化中心有限公司 | Ct动态图像增强方法及装置 |
CN111986098A (zh) * | 2020-05-14 | 2020-11-24 | 南京航空航天大学 | 一种含固定背景的被动式太赫兹图像增强方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330465B (zh) * | 2017-06-30 | 2019-07-30 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
CN112767538B (zh) * | 2021-01-11 | 2024-06-07 | 浙江商汤科技开发有限公司 | 三维重建及相关交互、测量方法和相关装置、设备 |
CN113469920B (zh) * | 2021-09-02 | 2021-11-19 | 中国建筑第五工程局有限公司 | 用于智能化设备管理的图像处理方法及*** |
CN115272334B (zh) * | 2022-09-29 | 2023-08-25 | 研索仪器科技(上海)有限公司 | 用于复杂背景下的钢轨表面微小缺陷检测方法 |
CN115311176B (zh) * | 2022-10-12 | 2023-03-07 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
CN115311507B (zh) * | 2022-10-12 | 2023-01-31 | 南通宏梁建筑科技有限公司 | 基于数据处理的建筑板材分类方法 |
-
2022
- 2022-12-13 CN CN202211592162.XA patent/CN115690693B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369465A (zh) * | 2020-03-04 | 2020-07-03 | 沈阳先进医疗设备技术孵化中心有限公司 | Ct动态图像增强方法及装置 |
CN111986098A (zh) * | 2020-05-14 | 2020-11-24 | 南京航空航天大学 | 一种含固定背景的被动式太赫兹图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115690693A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115690693B (zh) | 一种建筑吊篮的智能监控***及监控方法 | |
CN110310261B (zh) | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 | |
Wu et al. | Detection and counting of banana bunches by integrating deep learning and classic image-processing algorithms | |
CN111047655B (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
CN111179232A (zh) | 基于图像处理的钢筋尺寸检测***及方法 | |
CN114926436A (zh) | 一种用于周期性花纹织物的缺陷检测方法 | |
CN112437280A (zh) | 一种基于大数据分析的智慧监控安防数据处理管理*** | |
CN111860143B (zh) | 一种面向巡检机器人的火焰实时检测方法 | |
CN117876971B (zh) | 基于机器视觉的建筑施工安全监测及预警方法 | |
CN116757972B (zh) | 一种抗光影噪声影响的织物缺陷检测方法 | |
CN113222992B (zh) | 基于多重分形谱的裂纹特征表征方法及*** | |
CN116563293B (zh) | 一种基于机器视觉的光伏载具生产质量检测方法及*** | |
CN111915558B (zh) | 一种高压输电线销钉状态检测方法 | |
CN107527356B (zh) | 一种基于懒交互方式的视频跟踪方法 | |
CN115797473A (zh) | 一种土建工程用混凝土成型评估方法 | |
CN111860324A (zh) | 基于小波变换的高频分量检测及色彩识别的火灾预警方法 | |
CN113936034A (zh) | 一种结合帧间光流的表观运动联合弱小运动目标检测方法 | |
CN113936299A (zh) | 建筑工地中危险区域检测方法 | |
CN113222941A (zh) | 连铸铸坯的切割状态确定方法、***、设备及介质 | |
CN116596428B (zh) | 一种基于无人机的乡村物流智能配送*** | |
CN109657577B (zh) | 一种基于熵和运动偏移量的动物检测方法 | |
CN114418983A (zh) | 基于智能物联网的设备风险检测方法 | |
CN118172296B (zh) | 一种基于图像处理的火源精确定位方法 | |
CN117079141B (zh) | 一种矿山数据智能采集方法及*** | |
CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、***及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |