(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210248908.9 (22)申请日 2022.03.14 (71)申请人 中建西南咨询顾问有限公司 地址 610000 四川省成 都市中国(四川)自 由贸易试验区成都高新区天府大道北 段866号 申请人 四川交达预应力工程检测科技有限 公司　 西南交通大 学 (72)发明人 杨海平　陈涛　陈梦月　唐思琪　 苟先太　钱照国　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 专利代理师 吕春艳(51)Int.Cl. G06V 20/52(2022.01) G06V 40/20(2022.01) H04N 7/18(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06K 9/00(2022.01) G06V 10/764(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于边缘计算的违规行为智能监测头 盔及其监测方法 (57)摘要 本发明公开了一种基于边缘计算的违规行 为智能监测头盔及其监测方法， 该头盔包括场景 摄像头、 场景检测模块、 4G通信模块、 头盔自带边 缘设备， 用于根据场景检测结果和远程服务器。 本发明中的监测方法有效地实现了异常行为监 测， 当施工现场出现违规行为时， 会自动触发头 盔的声光报警装置， 进行人员识别， 达到安全生 产的目的； 在网络不通畅的情况下仍能完成违规 行为的识别， 不仅降低了头盔自带边缘自带设备 的计算量， 还满足了实时性的要求； 可 以随人员 移动完成违规行为识别， 提升了监测范围， 降低 了成本及操作人员的工作量。 权利要求书3页 说明书8页 附图2页 CN 114708544 A 2022.07.05 CN 114708544 A 1.一种基于边 缘计算的违规行为智能监测头盔， 其特 征在于， 包括： 场景摄像头， 用于采集 不同场景 下的施工现场图像； 场景检测模块， 用于根据场景摄 像头采集的施工现场图像 检测是否发生场景变化； 4G通信模块， 用于将当前场景检测结果对应的场景图像发送至远程 服务器； 头盔自带边缘设备， 用于根据场景检测结果， 调用智能监测头盔内置的违规行为识别 模型对当前场景图像进行违规行为识别； 远程服务器， 用于根据接收到的当前场景检测结果对应的图像， 调用违规行为识别模 型进行违规行为识别。 2.根据权利要求1所述的基于边缘计算的违规行为智能监测头盔， 其特征在于， 所述场 景摄像头包括红外摄 像头和可 见光摄像头； 所述红外摄像头用于采集夜 晚施工现场的图像， 所述可见光摄像头用于采集白天施工 现场的图像； 当4G通信模块的信号弱或场景发生变化 时， 通过头盔自带边缘设备调用内置违规行为 识别模型进行违规行为的识别； 当4G通信模块的信号强且场景未发生变化时， 通过4G通信模块将当前场景图像发送至 远程服务器， 调用其内置的违规行为识别模型进行违规行为的识别。 3.一种基于权利要求1～2任意一条权利要求所述的基于边缘计算的违规行为智能监 测头盔的智能监测方法， 其特 征在于， 包括以下步骤： S1、 采集施工现场的场景图像； S2、 确定当前4G通信模块的信号强弱情况； 当信号弱时， 进入步骤S4； 当信号强时， 进入步骤S3； S3、 根据采集的施工现场的图像， 判断场景 是否发生变化； 若是， 则进入步骤S4； 若否， 则进入步骤S5； S4、 将当前场景图像直接传输 至头盔自带边 缘设备， 进入步骤S6； S5、 通过4G通信模块将当前场景图像发送至远程 服务器， 进入步骤S6； S6、 通过头盔自带边缘设备或远程服务器 内置的违规行为识别模型对当前场景图像的 违规行为进行识别， 获取违规行为识别结果。 4.根据权利要求3所述的基于边缘计算的违规行为智能监测方法， 其特征在于， 所述步 骤S3具体为： S31、 提取施工现场的图像的特 征点； S32、 对相邻两张图像的进行 特征点匹配； S33、 基于特 征点匹配结果， 判断 是否成立； 若是， 则场景发生变化， 进入步骤S4； 若否， 则场景 未发生变化， 进入步骤S5； 式中， b为前后两张图像的进行匹配的特征点数量， a为前一张图像的特征点数量， k为 设定的场景变化阈值。权　利　要　求　书 1/3 页 2 CN 114708544 A 25.根据权利要求4所述的基于边缘计算的违规行为智能监测方法， 其特征在于， 所述步 骤S6中的违规行为识别模型包括依次连接的图像预处理层、 卷积层、 卷积网络层、 池化层、 全连接层和回归分类层； 所述全连接层的输入输出关系为： 式中， ai为全连接层的输出， Wij为当前输入所占的权重， bi为偏置参数， xj为全连接层的 输入。 6.根据权利要求5所述的基于边缘计算的违规行为智能监测方法， 其特征在于， 所述步 骤S6中， 通过违规行为识别模型对当前场景图像的违规行为进行识别的方法具体为： A1、 通过图像预处 理层采用区域 合并算法提取当前场景图像的候选区域； A2、 通过卷积层提取当前场景图像的特 征区域； A3、 将提取的候选区域对应的四元组坐标通过 卷积网络映射到特 征区域上； A4、 将取映射后的特 征区域输入到池化层中， 获取对应的目标 特征图； A5、 将目标特征图依次输入到全连接层和回归分类层中， 获取目标特征图中的结果识 别框， 即获得当前场景图像中的违规行为识别结果。 7.根据权利要求6所述的基于边缘计算的违规行为智能监测方法， 其特征在于， 所述步 骤A1具体为： A11、 基于当前场景图像， 生成包 含两个以上区域的区域 集； A12、 计算区域 集中相邻两个区域的相似度； A13、 将相似度最高的两个区域 合并为一个区域； A14、 判断当前区域 集中的区域个数 是否大于1； 若是， 则返回步骤A12； 若否， 则进入步骤A15； A15， 将当前区域 集中的区域作为当前场景区域中的候选区域。 8.根据权利要求7所述的基于边缘计算的违规行为智能监测方法， 其特征在于， 所述步 骤A12中计算的相似度S(ri,rj)为： S(ri,rj)＝a1Scolor(ri,rj)+a2Stexture(ri,rj)+a3Ssize(ri,rj)+a4Sfill(ri,rj) 式中， Scolor(ri,rj)为颜色相似度， a1为对应的预定取值概率， Stexture(ri,rj)为纹理相似 度， a2为对应的预定取值概率， Ssize(ri,rj)为尺寸相似度， a3为对应的预定取值概率， Sfill (ri,rj)为交叠相似度， a4为对应的预定取值 概率， 且a1+a2+a3+a4＝1； 其中， 颜色相似度Scolor(ri,rj)为： 纹理相似度Stexture(ri,rj)为： 尺寸相似度Ssize(ri,rj)为： 权　利　要　求　书 2/3 页 3 CN 114708544 A 3