本發(fā)明涉及電子安防，具體為一種基于單目攝像頭的3d電子圍欄檢測方法。

背景技術(shù)：

1、隨著工業(yè)4.0、智慧城市以及安全監(jiān)控技術(shù)的快速發(fā)展，3d電子圍欄作為一種先進的空間限制和行為監(jiān)測技術(shù)，在工廠安全、智能家居、公共場所監(jiān)控等領(lǐng)域展現(xiàn)出巨大的應(yīng)用潛力。傳統(tǒng)的電子圍欄大多基于二維平面進行邊界劃定，無法有效應(yīng)對三維空間中的復雜情況，如人員攀爬、跳躍或繞過圍欄等行為。當前的電子圍欄算法基于二維圖像的檢測模型來實現(xiàn)，二維圖像缺乏深度信息，檢測模型的結(jié)果也只是圖片中人體目標的二維坐標信息，這樣將會導致算法出現(xiàn)誤報。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于單目攝像頭的3d電子圍欄檢測方法，以解決上述背景技術(shù)中提出當前的電子圍欄算法基于二維圖像的檢測模型來實現(xiàn)，二維圖像缺乏深度信息的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于單目攝像頭的3d電子圍欄檢測方法，具體包括如下步驟：

4、s10數(shù)據(jù)采集與模型訓練

5、s11：收集來自多個工廠場景、工人穿著不同顏色工服的圖片數(shù)據(jù)，用于微調(diào)開源的yolov5-1人體檢測模型，提升模型在特定環(huán)境下的檢測精度；

6、s12：利用zoedepth單目深度估計模型，zoedepth單目深度估計模型在多個開源數(shù)據(jù)集上訓練并微調(diào)，直接用于估計圖片中各目標的深度信息；

7、s20人體檢測與深度估計

8、s21：利用微調(diào)后的yolov5-l模型對輸入的圖片進行人體檢測，識別出圖片中是否存在人員；

9、s22：若檢測到人員，則利用zoedepth模型對圖片進行深度估計，生成與原圖寬高一致的深度矩陣，每個元素代表對應(yīng)位置的深度值；

10、s30危險區(qū)域設(shè)定與入侵判斷

11、s31：估計出圖片各個位置的深度值之后，需要根據(jù)深度值判斷人體是否進入危險區(qū)域；

12、s32：通過單目深度估計模型，得到圖片中人體目標的深度值，假定人體目標中進入檢測區(qū)域的位置為(x，y)，其深度值表示為dxy-person；當圖片中不存在人體時，得到危險區(qū)域內(nèi)各個位置的深度值，進而通過查詢的方式得到相同位置(x，y)的深度值dxy-area；設(shè)置一個深度差值閾值dthreshold，當|dxy-person-dxy-area|＜dxy-area條件成立時，可以判定人員已經(jīng)進入危險區(qū)域，算法將輸出告警；深度差值閾值dthreshold通過測試結(jié)果進行設(shè)置，并且作為算法的接口參數(shù)來匹配不同的場景；

13、s40告警輸出與參數(shù)調(diào)整

14、s41：當檢測到人體進入危險區(qū)域時，系統(tǒng)立即輸出告警信號，如聲音報警、郵件通知或遠程推送等；

15、s42：深度差值閾值可根據(jù)實際應(yīng)用場景和測試結(jié)果進行調(diào)整，作為算法的接口參數(shù)，以適應(yīng)不同環(huán)境和需求。

16、作為優(yōu)選，步驟s10中數(shù)據(jù)采集具體為：

17、收集來自多個工廠場景、工人穿著不同顏色工服的圖片數(shù)據(jù)，所述圖片數(shù)據(jù)用于訓練和驗證人體檢測模型；

18、對收集到的圖片進行標注，采用邊界框標記出圖片中人體的位置，形成標注數(shù)據(jù)集其中m是圖片數(shù)量，ij是第j張圖片，bj是對應(yīng)圖片中所有人體的邊界框集合。

19、作為優(yōu)選，所述收集的圖片數(shù)據(jù)還包括每張圖片的拍攝時間、地點信息。

20、作為優(yōu)選，所述數(shù)據(jù)采集與模型訓練之后還包括模型優(yōu)化，具體是將訓練后的yolov5-l模型和zoedepth模型進行聯(lián)合優(yōu)化，通過同時考慮人體檢測精度和深度估計的準確性，調(diào)整模型參數(shù)，以進一步提升整體系統(tǒng)的性能。

21、作為優(yōu)選，步驟s10中模型訓練使用開源的yolov5-1模型作為基礎(chǔ)框架，yolov5-l模型是基于深度學習的目標檢測模型，其結(jié)構(gòu)包括骨干網(wǎng)絡(luò)、特征金字塔網(wǎng)絡(luò)和檢測頭。

22、作為優(yōu)選，步驟s20中所述人體檢測與深度估計具體為：

23、利用微調(diào)后的yolov5-l模型對輸入的圖片進行人體檢測，設(shè)檢測到的人體目標在圖片中的位置為集合其中n為檢測到的人體數(shù)量，(xi，yi)為第i個人體的中心點坐標。

24、若檢測到人員，則利用zoedepth模型對圖片進行深度估計，生成深度矩陣d，其中d(x，y)表示圖片中位置(x，y)的深度值，對于每個人體，獲取其中心點的深度值di＝d(xi，yi)。

25、作為優(yōu)選，步驟s21中利用yolov5-l模型進行人體檢測時，還包括對檢測到的每個人體目標進行姿態(tài)估計，通過姿態(tài)信息進一步確認人體的活動狀態(tài)，如行走、站立或彎腰狀態(tài)，以輔助判斷其是否可能接近或已進入危險區(qū)域。

26、作為優(yōu)選，在s30步驟中，危險區(qū)域的設(shè)定不僅基于空間位置，還結(jié)合時間因素，設(shè)置動態(tài)危險區(qū)域，即根據(jù)生產(chǎn)流程、機器運行狀態(tài)或工人活動規(guī)律，動態(tài)調(diào)整危險區(qū)域的范圍和深度閾值。

27、作為優(yōu)選，在s40步驟中，告警輸出還包括視頻錄制功能，即在檢測到人體進入危險區(qū)域時，自動啟動視頻錄制，保存相關(guān)視頻片段作為證據(jù)，便于后續(xù)分析和處理。

28、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

29、(1)成本效益高：僅使用單目攝像頭作為主要的感知設(shè)備，相比多攝像頭系統(tǒng)或雷達、激光雷達(lidar)等傳感器，成本更低，易于部署和維護。

30、(2)靈活性強：單目攝像頭可以靈活安裝在各種位置，不受環(huán)境限制，如工廠車間、倉庫、建筑工地等，適應(yīng)性強。

31、(3)實時性高：利用深度學習模型(如yolov5-1)進行人體檢測，結(jié)合高效的單目深度估計模型(如zoedepth)，可以實現(xiàn)實時或接近實時的3d空間感知和入侵檢測。

32、(4)智能判斷：通過結(jié)合深度信息和空間位置，能夠智能判斷人體是否進入預設(shè)的危險區(qū)域，減少誤報和漏報，提高檢測的準確性。

33、(5)可擴展性和可定制性：系統(tǒng)可以根據(jù)不同場景的需求進行定制，如調(diào)整危險區(qū)域的范圍、深度閾值等參數(shù)，以適應(yīng)不同的環(huán)境和應(yīng)用需求。同時，通過不斷訓練和優(yōu)化模型，可以進一步提升系統(tǒng)的性能和準確性。

34、(6)多源數(shù)據(jù)融合：雖然本方法主要基于單目攝像頭，但可以輕松集成其他傳感器數(shù)據(jù)(如溫度傳感器、壓力傳感器等)，實現(xiàn)多源數(shù)據(jù)的融合分析，提高系統(tǒng)的綜合感知能力。

35、(7)豐富的告警輸出方式：系統(tǒng)支持多種告警輸出方式，如聲音報警、郵件通知、手機app推送等，滿足不同用戶的告警接收需求，確保及時響應(yīng)和處理。

36、(8)視頻記錄功能：在檢測到入侵時，自動啟動視頻錄制功能，保存相關(guān)視頻片段作為證據(jù)，便于后續(xù)分析和處理，提高了系統(tǒng)的可追溯性和安全性。

37、(9)智能化升級潛力：隨著人工智能技術(shù)的不斷發(fā)展，本系統(tǒng)可以通過引入更先進的算法和模型，實現(xiàn)更高級的功能，如人體姿態(tài)分析、行為預測等，進一步提升系統(tǒng)的智能化水平。

38、(10)環(huán)境適應(yīng)性：通過微調(diào)和優(yōu)化模型，本系統(tǒng)可以在不同光照條件、天氣變化等復雜環(huán)境下保持較高的檢測精度和穩(wěn)定性，具有較強的環(huán)境適應(yīng)性。