[发明专利]一种基于改进S2ANet与轨迹跟踪的传送带站人违规行为检测方法

说明书

本发明涉及一种基于改进S2ANet与轨迹跟踪的传送带站人违规行为检测方法，包括获取视频并按帧分割为图像，将图像输入S2ANet‑CBAM算法进行传送带目标检测得到传送带数据信息；将图像输入YOLOv5算法进行工人目标检测，得到工人数据信息；通过传送带数据信息与工人数据信息判断判断传送带是否属于水平状态；利用卡尔曼滤波器预测下一帧图像中工人和传送带的位置信息，并利用匈牙利关联算法进行工人和传送带的轨迹匹配和跟踪，最后进行轨迹修正并绘制工人轨迹和传送带轨迹，并判断是否存在违规行为。本发明解决了工业中由于传送带目标过大，传送带与人的水平目标框重叠问题，避免了目标被遮挡后轨迹误匹配问题及摄像头抖动造成的误差。

技术领域

本发明属于行为检测技术领域，更具体地，涉及一种基于改进S2ANet与轨迹跟踪的传送带站人违规行为检测方法。

背景技术

传送带作为物流与运输的一种有效工具，已经在工业领域得到了大量应用，给人们带来了大量的便利，但是也带来了很多隐患。工人在作业期间，容易出现违规下钻、跨越或踩踏传送带等不安全行为，一旦出现这种行为，对于人身安全会造成巨大的威胁，严重者甚至会失去生命，因此我们需要在宣传安全规章制度的同时，对作业行为进行有效的安全监督。

目前，人工智能技术飞速发展，各种算法层出不穷，已经有很多用人工智能算法解决实际问题的应用，将目标检测和轨迹跟踪算法应用于违规行为监测也是一种有效的避免安全隐患的方法。现有专利文献也公开了相关的解决方案，例如：

中国专利文献CN111814594A公开物流违规行为识别方法、装置、设备和存储介质，包括S1：采集获取物流违规行为的若干图片；S2：对若干图片中出现的物流违规行为进行数据标注，并转化生成TFRecord格式的图片数据集；S3：基于TensorFlow物体检测API，通过图片数据集训练预先转化为TensorFlow固化模型的YOLOv3模型，并验证训练后的YOLOv3模型，获取违规识别模型；S4：通过违规识别模型对物流场景进行识别，判断是否存在物流违规行为，得到识别结果。

中国专利文献CN113076899A公开一种基于目标跟踪算法的高压输电线路异物检测方法，包括输电塔上摄像装置的安放和数据传输；高压输电线异物的收集和标注；训练yolov5模型，并进行优化；对检测范围使用Hough直线检测，得出高压输电线路大致范围；对视频流进行检测，使用softnms算法对检测结果进行优化，并选取待跟踪的目标；基于DeepSort目标跟踪算法，使用卡尔曼滤波预测跟踪目标位置；使用匈牙利关联算法对预测目标和检测目标求关联度，并进行匹配；根据已有的跟踪目标轨迹，得出其是否会达到高压输电线路区域；根据跟踪目标的最终位置，得出其是否是影响高压输电线路的异常目标。

综上，但是当将YOLO等水平目标检测算法应用到传送带站人违规行为检测时，由于传送带目标过大，在使用YOLO等目标检测方法时，水平的边界框不能很好的贴合传送带，不仅带有许多的背景信息，将很多无用的背景信息加入模型训练，而且将后面的工人包含在传送带的目标框内，传送带和人没有做到有效分离，造成工人踩踏传送带违规行为大量误识别的问题。此外，由于工厂场景复杂，容易出现目标被长期遮挡后轨迹误匹配问题。

发明内容

本发明旨在克服上述现有技术的至少一种缺陷，提供一种基于改进S2ANet与轨迹跟踪的传送带站人违规行为检测方法。用于解决目前工业中由于传送带目标过大，传送带与人的水平目标框重叠等造成的工人踩踏传送带违规行为误识别的问题，避免了目标被长期遮挡后轨迹误匹配问题，能够在成本增加较小的情况下大幅度减少误报。

本发明详细的技术方案如下：

一种基于改进S2ANet与轨迹跟踪的传送带站人违规行为检测方法，包括

首先，使用S2ANet-CBAM算法对传送带进行旋转目标检测，本发明采用旋转目标检测不仅能生成贴合传送带的旋转边界框，而且还能得到每一帧传送带的方向和角度等信息，结合轨迹跟踪，更容易得到工人和传送带的位置关系，更准确地识别违规行为；