一种基于YOLOv5的掘进机炮头区域入侵检测方法

摘要

本发明公开了一种基于YOLOv5的掘进机炮头区域入侵检测方法，涉及人工智能领域，包括以下步骤：(1)工人和“炮头”的图像采集；(2)YoloV5检测人与“炮头”；(3)根据预测框进行越界检测；(4)发出预警。本发明采用YOLOv5算法进行掘进机炮头区域入侵检测模型的构建，提出了多维度的入侵检测方法，通过计算工人和“炮头”预测框的IOU占比和两者预测框对角线交点的距离，来判断工人是否入侵到掘进机炮头区域，并对其进行分级预警。此方法，从两个维度对工人的入侵行为进行判断，提高了检测的准确度；此方法，通过人工智能部署实现，可以快速，便捷的实现掘进机炮头区域入侵检测，大量的节省的人力，物力。

说明书

技术领域

本发明涉及一种基于YOLOv5的掘进机炮头区域入侵检测方法，属于人工智能的领域。

背景技术

目前煤矿安全始终威胁着采矿人员的身体健康和生命安全。一方面煤矿井下自然条件恶劣，在采矿过程中会受到了瓦斯、顶板、透水等自然灾害的威胁；另一方面，煤矿井下人员众多，不可避免的在操作的过程中会出现各种错误和违规。以上两点是威胁采矿人员身体健康和生命安全的主要方面，其中人为操作的错误和不规范是主要问题。这就需要管理人员对错误操作和不规范行为进行视频截图取证，由于视频太多，需要大量人力，效率也十分低下，而且不能及时保障工人的生命安全。

因此本文提出一种新型的掘进机炮头区域入侵检测方法，主要针对“入侵检测”，该系统能检测掘进机炮头区域入侵并保存相应记录，并在检测出入侵时给出提示，在不影响工人正常操作的情况下快速检测，更好的提高工人的安全保障。

发明内容

针对上述问题，本发明提出一种快速简单的掘进机炮头区域入侵检测的方法。

为实现上述目的，本发明发采用的技术方案为：一种基于YOLOv5的掘进机炮头区域入侵检测方法，包括以下步骤：

(1)工人和“炮头”的图像采集；

(2)YoloV5检测工人与“炮头”；

(3)根据预测框进行入侵检测；

(4)发出预警。

所述步骤(1)中，为了本发明更好的应用到实际的井下环境，我们从真实井下环境采集到工人和“炮头”的图像数据集。

所述步骤(2)中，我们将其分为以下方面：

训练：井下环境较为恶劣，在识别的过程中不可避免的会产生干扰。首先，我们采集的数据集包括模糊和清楚两个部分，其中模糊图像占比20％，清楚图像占比百分之80％；然后，我们采取随机抽样的形式，从清楚和模糊图像中进行随机抽样，按一定比例划分为独立不重复的训练集和测试集，训练集占70％，测试集占30％。最后，将训练集输入YoloV5算法进行训练。此步骤保证了在训练的过程模拟井下环境，让其产生一定的噪声干扰，避免模型发生过拟合；

预测：完成模型训练之后，我们将测试集输入进训练好的模型，对测试集进行预测，然后查看预测结果。

所述步骤(3)中，我们根据输出的预测框进行检测。首先，我们根据工人预测框和“炮头”预测框的IOU占比来确定两者之间是否即将接近，如果 IOU一直为0，说明他们之间的预测框处在不相交的位置，因此不存在入侵的情况；然后，当两者IOU大于0时，说明两者预测框已经相交，此时不适合再用两者之间的IOU占比来判断工人是否入侵到掘进机炮头区域，针对此种情况，我们采用计算两者预测框对角线交点的距离来判断工人是否入侵到掘进机炮头区域。

所述步骤(4)中，我们根据步骤(3)中的检测入侵策略来进行分级预警，此过程中我们通过蜂鸣式报警器来发出预警。当工人和“炮头”预测框的IOU 占比一直为0时，此时工人处在安全区域，报警器不会发出预警信号；当工人和“炮头”预测框的IOU占比大于0时，此时我们通过计算工人和“炮头”预测框对角线交点的距离来判断工人是否入侵到掘进机炮头区域，通过对大量真实井下情况的勘察，我们统计出当工人和“炮头”预测框对角线交点的距离小于2米且大于0.5米时，此时工人已经处在一个相对不安全的位置，蜂鸣报警器就会亮黄灯，提示工人注意操作安全，我们统计出当工人和“炮头”预测框对角线交点的距离小于0.5米，此时工人已经处在一个危险位置，报警器就会亮红灯，发出警报，提醒工人快速退到安全距离之内。

附图说明

图1本发明实施掘进机炮头区域入侵检测方法的训练流程图；

图2本发明实施获得的掘进机炮头区域入侵检测结果。

具体实施方式

下面结合说明书附图，对本发明作进一步说明，以让本领域技术人员参照说明书文字能够具体实施。

本发明在Ubuntu16.04.4LTS环境下工作，采用PyTorch为框架进行搭建，主要参数有：初始学习率为0.01，动量参数为0.937，权重系数为 0.0005，训练阈值为0.65，imagesize为640*640，epoch为300等。

如图1所示，我们先从煤矿井下采集工人和“炮头”的真实图片数据集，其中包含模糊和清楚两个部分，其中模糊图像占比20％，清楚图像占比百分之80％，并对获取的数据集使用labellmg进行标注。

进一步地，我们将标注好的按照训练集70％,测试集30％的比例将标注好的图像数据划分为独立且不重复的训练集和测试集。

进一步地，将训练集输入到yolov5算法中，经过多次调整各种参数的大小，寻找到一个最好的模型，进行保存，完成了模型的训练。

进一步地，调用模型，进行测试，输入测试集，得到测试结果，计算工人预测框和“炮头”预测框之间的IOU占比和预测框对角线交点的距离，我们在上述分级检测策略和蜂鸣器之间建立触发器，当IOU占比和预测框对角线交点的距离达到我们设定的阈值时，触发蜂鸣器，发出相应的预警。

通过计算工人预测框和“炮头”预测框之间的IOU占比和预测框对角线交点的距离两种方案的结合，从两个维度实现了真实矿井下掘进机炮头区域的入侵检测，在不影响工人正常操作的情况下快速检测保障了采矿人员生命安全，对国家煤矿安全提供了一种保障。