安全带佩戴状态的检测方法、系统、存储介质及设备与流程

1.本发明涉及物联网的信息和通信技术领域，尤其涉及安全带佩戴状态的检测方法、系统、存储介质及设备。


背景技术：

2.现有技术中，通常由巡查人员在人工作业前检查工作人员是否佩戴安全带或在人工作业中通过采集视频或图像对工作人员佩戴安全带的状态进行检测，但是在配网作业中，同一设备上经常出现多人进行高空作业，由于工作人员之间存在遮挡和不同角度的重合等问题，导致摄像头难以拍摄到工作人员佩戴安全带的状态，从而影响检测工作人员是否佩戴安全带的准确率，存在很大的安全隐患。


技术实现要素：

3.基于此，有必要针对上述问题，提出了一种安全带佩戴状态的检测方法。
4.一种安全带佩戴状态的检测方法，所述方法包括下列步骤：
5.根据uwb模块，获取安全带数量参数；根据检测设备信息，获取安全带连接状态参数；根据画面采集设备信息，获取视频数据；根据所述安全带数量参数、安全带连接状态参数和视频数据训练综合模型；根据所述综合模型确定当前安全带佩戴状态的检测结果。
6.上述方案中，所述uwb模块包括基站和定位标签，通过所述定位标签的数量确定安全带数量参数。
7.上述方案中，所述根据画面采集设备信息，获取视频数据，具体包括：通过摄像设备从至少两个角度采集画面中包含有安全带佩戴人员的视频数据。
8.上述方案中，所述根据所述安全带数量参数、安全带连接状态参数和视频数据训练综合模型，具体包括：
9.将所述安全带数量参数、安全带连接状态参数和视频数据作为训练数据输入综合模型进行特征提取；当所述综合模型的迭代损失值为固定值时，输出训练数据类标签即安全带佩戴状态；根据所述获取所述训练数据类标签人工确定对应的评分值；将所述评分值进行模糊聚类，确定所述训练数据类标签隶属各类状态等级的概率x；使用改进的层次分析法对所述训练数据类标签隶属各类状态等级的概率x进行权重分析，获取各类状态指标的权重向量ω；根据所述安全带佩戴状态和各类状态对应评分值获取隶属度的评价集矩阵m；根据所述训练数据类标签隶属各类状态等级的概率x、各类状态指标的权重向量ω和隶属度的评价集矩阵m获取最终所述训练数据对应的评分值。
10.上述方案中，所述根据所述综合模型确定当前安全带佩戴状态的检测结果，具体包括：
11.利用卷积神经网络算法提取输入数据的卷积特征，获取对应的数据类标签；确定所述数据类标签隶属各类状态等级的概率x；对所述数据类标签隶属各类状态等级的概率x进行权重分析，获取各类状态指标的权重向量ω；获取隶属度的评价集矩阵m；根据所述测
试数据类标签隶属各类状态等级的概率x、各类状态指标的权重向量ω和隶属度的评价集矩阵m获取最终所述测试数据对应的评分值。
12.上述方案中，所述利用卷积神经网络算法提取输入数据的卷积特征，获取对应的数据类标签，具体包括：
13.将当前样本数据作为测试数据输入到卷积神经网络；提取所述测试数据的卷积特征；利用elm算法处理所述测试数据的卷积特征，获取测试数据类标签；对所述测试数据类标签执行多数表决，输出最终的测试数据类标签。
14.上述方案中，所述确定所述数据类标签隶属各类状态等级的概率x，具体包括：
15.根据所述输出测试数据的数据类标签匹配数据类标签对应的指标分数；对所述指标分数进行模糊聚类分析；获取所述指标分数隶属各类状态等级的概率。
16.上述方案中，所述对所述数据类标签隶属各类状态等级的概率x进行权重分析，获取各类状态指标的权重向量ω，具体包括：根据改进层次分析算法对所述数据类标签隶属各类状态等级的概率x进行权重分析。
17.上述方案中，所述根据改进层次分析算法对所述数据类标签隶属各类状态等级的概率x进行权重分析，具体包括：
18.确定重要性矩阵a和判断矩阵c；根据所述重要性矩阵a和判断矩阵c确定拟优一致矩阵l；获取拟优一致矩阵l最大特征值对应的特征向量；对所述特征向量进行归一化处理，获取权重向量ω。
19.上述方案中，所述获取隶属度的评价集矩阵m，具体包括：
20.m＝(m1,m2,m3)；其中，m1为安全带未佩戴状态，对应的检测分值为30、m2为安全带佩戴不规范状态，对应的检测分值为70、m3为安全带佩戴正确状态，对应的检测分值为90。
21.本发明还提出了一种安全带佩戴状态的检测系统，所述系统包括：数量参数获取单元、连接状态参数获取单元、画面采集单元、模型构建单元和检测单元；
22.所述数量参数获取单元，用于获取安全带数量参数；
23.所述连接状态参数获取单元，用于获取安全带连接状态参数；
24.所述画面采集单元，用于获取视频数据；
25.所述模型构建单元，用于根据所述安全带数量参数、安全带连接状态参数和视频数据构建综合模型；
26.所述检测单元，用于根据所述综合模型确定安全带佩戴状态的检测结果。
27.本发明还提出了一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
28.根据uwb模块，获取安全带数量参数；
29.根据检测设备信息，获取安全带连接状态参数；
30.根据画面采集设备信息，获取视频数据；
31.根据所述安全带数量参数、安全带连接状态参数和视频数据训练综合模型；
32.根据所述综合模型确定当前安全带佩戴状态的检测结果。
33.本发明还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行执行以下步骤：
34.根据uwb模块，获取安全带数量参数；
35.根据检测设备信息，获取安全带连接状态参数；
36.根据画面采集设备信息，获取视频数据；
37.根据所述安全带数量参数、安全带连接状态参数和视频数据训练综合模型；
38.根据所述综合模型确定当前安全带佩戴状态的检测结果。
39.采用本发明实施例，具有如下有益效果：先根据uwb模块，获取安全带数量参数；再根据检测设备信息，获取安全带连接状态参数；以及根据画面采集设备信息，获取视频数据；最后通过上述安全带数量参数、安全带连接状态参数和视频数据训练综合模型并利用该模型确定当前安全带佩戴状态的检测结果；本技术将视频检测技术和传感器技术相结合，从而获取各个维度的安全带佩戴状态信息，有利于确保检测的源头数据的完整性和有效性，并且在此基础了使用混合cnn-elm-iahp模型，能够进一步确保输出的安全带佩戴状态的准确性。
附图说明
40.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，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地介绍，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他的附图。
41.其中：
42.图1为一个实施例中安全带佩戴状态的检测方法流程示意图；
43.图2为混合cnn-elm-iahp模型的架构图示意图；
44.图3为一个实施例中基于安全带数量参数、安全带连接状态参数和视频数据训练综合模型流程示意图；
45.图4为一个实施例中基于综合模型确定当前安全带佩戴状态的检测结果流程示意图；
46.图5为卷积神经网络的架构示意图。
具体实施方式
47.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都隶属本发明保护的范围。
48.在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
49.应当理解的是，本发明能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本发明的范围完全地传递给本领域技术人员。
50.在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使
用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式，还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。
51.为了彻底理解本发明，将在下列的描述中提出详细的结构，以便阐释本发明提出的技术方案。本发明的可选实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。
52.在配电网作业人员作业过程中，对于安全带佩戴状态的规范检测具有重要意义，这有利于降低因某些工作条件所导致不安全行为或不安全事件的发生；而现有的安全带佩戴检测技术一般难以处理一些特殊作业环境，并且其检测结果的精度也相对较低。因此，本技术提出了一种安全带佩戴状态的检测方法，能够获取多维配电网工作人员佩戴安全带的相关数据，并且对上述数据进行处理从而能够通过获取的综合信息，更加精准的检测配电网工作人员佩戴安全带的状况，为作业风险管控部门提供更准确的检测结果便于该部门进行后续的决策依据。
53.如图1所示，在一个实施例中，提供了一种安全带佩戴状态的检测方法，该安全带佩戴状态的检测方法包括步骤s101至步骤s105，详述如下：
54.s101、根据uwb模块，获取安全带数量参数；
55.其中，uwb模块包括基站和定位标签，可以通过定位标签的数量确定安全带数量参数。
56.在一些实施例中，在安全带和安全帽上加装型号为dwm1000的uwb模块，将安全帽上放置的uwb模块设置为基站，安全带上放置的uwb模块设置为定位标签，即每位作业人员身上均携带两个uwb设备，分别作为定位标签和基站，其中，定位标签是可移动的被定位目标，其向周围发送纳秒级的脉冲信号，固定安装在周围的基站接收该脉冲信号，从而实现对定位标签的定位，也在一定程度上反映出定位标签是否有效，因此可以通过判断安全带上uwb标签的数量从而判断作业人员是否有安全带。
57.s102、根据检测设备信息，获取安全带连接状态参数；
58.在一些实施例中，使用型号hl-20n1的安全带卡扣检测设备检测安全带卡扣与安全带卡板之间的连接状态，并生成安全带连接状态参数。
59.其中，安全带卡扣检测设备所生成的安全带连接状态参数以二进制编码的形式呈现，具体的：
60.当安全带卡扣与安全带卡板连接成功时，安全带连接状态参数为：0xxxxxxx；
61.当安全带卡扣与安全带卡板连接失败时，安全带连接状态参数为：1xxxxxxx。
62.s103、根据画面采集设备信息，获取视频数据；
63.在一些实施例中，根据画面采集设备信息，获取视频数据具体包括：通过摄像设备从至少两个角度采集画面中包含有安全带佩戴人员的视频数据。
64.在一些实施例中，使用型号为e14s的hikvision摄像机对作业人员作业整个过程进行录制，该相机定焦为3.6mm，像素为400万，可生成清晰的现场作业视频数据，以便后续的视频处理。
65.优选的，采集某实验场地15天内的配网作业视频数据，可以利用free video视频剪辑软件将作业视频按照每秒10帧剪切成图片并构成样本集，并使用开源的labelimg图片标注软件对样本集进行标注，框选出每幅样本图片中的安全带。
66.s104、根据安全带数量参数、安全带连接状态参数和视频数据训练综合模型；
67.具体的，上述综合模型为混合cnn-elm-iahp模型，如图2所示为混合cnn-elm-iahp模型的架构示意图；其中，cnn为卷积神经网络算法、elm为极限学习机算法、iahp为改进的层次分析算法。
68.优选的，层次分析法已广泛应用于多层次、多变量、结构复杂系统的权重确定，是一种定量与定性分析相结合的有效权重计算方法，但由于其重要性程度划分过于细致，在确定状态指标的重要性程度时易误判，容易导致评判矩阵一致性和思维一致性不等价，因此本发明采用改进的层次分析算法iahp。
69.如图3所示，在一些实施例中根据安全带数量参数、安全带连接状态参数和视频数据训练综合模型具体包括：
70.s401、将安全带数量参数、安全带连接状态参数和视频数据作为训练数据输入综合模型进行特征提取；
71.s402、当综合模型的迭代损失值为固定值时，输出训练数据类标签即安全带佩戴状态；
72.s403、根据获取训练数据类标签人工确定对应的评分值；
73.s404、将评分值进行模糊聚类，确定训练数据类标签隶属各类状态等级的概率x；
74.s405、使用改进的层次分析法对训练数据类标签隶属各类状态等级的概率x进行权重分析，获取各类状态指标的权重向量ω；
75.s406、根据安全带佩戴状态和各类状态对应评分值获取隶属度的评价集矩阵m；
76.s407、根据训练数据类标签隶属各类状态等级的概率x、各类状态指标的权重向量ω和隶属度的评价集矩阵m获取最终训练数据对应的评分值。
77.在一些实施例中，将安全带数量参数、安全带连接状态参数和视频数据作为训练数据输入综合模型具体包括：将用于训练的安全带数量参数、安全带连接状态信息及视频数据，构建为样本集，即(pi,pj,pk)；其中，对于单个作业人员所携带的uwb基站和标签坐标信息进行相对距离运算，只有当定位标签和对应的基站满足一定的距离条件，才说明该定位标签是有效的并根据所有有效的定位标签构成样本集pi、将安全带卡扣检测设备所生成的安全带连接状态信息以二进制编码的形式呈现，连接成功状态为0xxxxxxx，连接失败为1xxxxxxx，并构成样本集pj、采集某实验场地15天内的配网作业视频数据，按照每秒10帧剪切成图片，一共可得9800张图片并构成样本集pk。
78.在一些实施例中，根据输入数据训练综合模型时，需要使用积神经网络算法先对输入的数据进行特征提取。其中，cnn包含2个卷积层(卷积滤波器大小为(3,3)，每个卷积层的滤波器数量为100)，2个最大池化层(池化大小为(2,2))，用于提取低级特征、中级特征和高级特征，训练时的批处理大小(batch)设置为64，即每轮迭代随机选取64个样本数据参与训练，分组(subdivision)设为8，即将样本分为8组送至网络训练，以减轻内存占用的压力，使用bn(batch normalization)规范网络模型，以提升模型的收敛速度。动量(momentum)设置为0.8，权重衰减(decay)设置为0.0006，以防止模型过拟合，初始学习率(learningrate)
设置为0.002，每迭代3000次学习率衰减为原来的1/12。模型最终迭代15000次，试验表明随着迭代次数的增加，模型的损失在逐渐下降，在前3000次的迭代过程中模型迅速拟合，损失值下降速度快，当迭代12000次后损失值趋于稳定，只有些许振荡，说明模型训练完成，然后将提取的卷积特征在[-1,+1]范围内进行归一化，并输入极限学习机进行分类。
[0079]
由于卷积神经网络具有良好的容错能力、并行处理能力和自学习能力，可处理环境信息复杂，背景知识不清楚，推理规则不明确情况下的问题，允许样品有较大的缺损、畸变，运行速度快，自适应性能好，具有较高的分辨率，适合处理本发明中输入数据复杂，数据量庞大等问题。因此，本发明使用卷积神经网络进行特征提取。
[0080]
s105、根据综合模型确定当前安全带佩戴状态的检测结果；
[0081]
其中，最终输出的检测结果为具体的检测分数值，配电网的工作人员根据检测分值区间与安全带佩戴状态的对应关系判断当前配电网作业过程中的安全带佩戴状态情况：
[0082]
当分值为60分及60分以下时：工作人员未佩戴安全带；
[0083]
当分值为61分-79分时：工作人员未正确佩戴安全带；
[0084]
当分值为80分及80分以上，上限为100分时：工作人员正确佩戴安全带。
[0085]
如图4所示，在一些实施例中根据综合模型确定当前安全带佩戴状态的检测结果具体包括：
[0086]
s501、利用卷积神经网络算法提取输入数据的卷积特征，获取对应的数据类标签；
[0087]
s502、确定数据类标签隶属各类状态等级的概率x；
[0088]
s503、对数据类标签隶属各类状态等级的概率x进行权重分析，获取各类状态指标的权重向量ω；
[0089]
s504、获取隶属度的评价集矩阵m；
[0090]
s505、根据测试数据类标签隶属各类状态等级的概率x、各类状态指标的权重向量ω和隶属度的评价集矩阵m获取最终测试数据对应的评分值。
[0091]
优选的，利用卷积神经网络算法提取输入数据的卷积特征，获取对应的数据类标签，具体包括：将当前样本数据作为测试数据输入到卷积神经网络并提取测试数据的卷积特征，再利用elm算法处理测试数据的卷积特征，获取测试数据类标签，并且对测试数据类标签执行多数表决，输出最终的测试数据类标签。
[0092]
如图5所示的卷积神经网络的架构，卷积神经网络主要由三种类型的层组成：卷积层、池化层和softmax层；在卷积层中，输入图像与多个内核进行卷积，cnn始终保留空间信息并生成多个特征图，池化层通过空间不变平均或最大操作来减小特征图的大小，卷积层和池化层都组成了特征提取模块，这里将卷积神经网络用作特征提取器，卷积神经网络是最好的特征表示技术之一，它在其较高到较低的层中表示抽象的较高到较低的特征。
[0093]
在一些实施例中，确定数据类标签隶属各类状态等级的概率x，具体包括：
[0094]
确定衡量指标的状态量，并通过分析该状态量的特征，建立历史状态量测量值与指标评分值的映射关系，通过多数投票集成的输出，计算出该指标属于各类状态等级的概率x＝[μ1μ2…
μn]，其中，μi为第i类状态出现的概率。
[0095]
在一些实施例中，获取各类状态指标的权重向量ω，具体包括：
[0096]
根据输出测试数据的数据类标签匹配数据类标签对应的指标分数并对指标分数进行模糊聚类分析，获取指标分数隶属各类状态等级的概率，并且对数据类标签隶属各类
状态等级的概率x进行权重分析，获取各类状态指标的权重向量ω。
[0097]
具体的，根据改进层次分析算法对数据类标签隶属各类状态等级的概率x进行权重分析，获取各类状态指标的权重向量ω具体包括：
[0098]
先确定重要性矩阵a和判断矩阵c；可以采用三标度法比较状态指标间的重要性：对于3个状态指标，可构造3行3列的重要性矩阵a＝(a
ij
)3×3，矩阵a中的元素含义如下:
[0099][0100]
构造判断矩阵c＝(c
ij
)3×3，矩阵b中的元素定义如下所示：
[0101][0102]
其中，式中r
max
＝max(ri)，r
min
＝min(ri)，
[0103]
再根据重要性矩阵a和判断矩阵c确定拟优一致矩阵l；
[0104]
具体的，计算拟优一致矩阵l＝(l
ij
)3×3，矩阵l中的元素定义如下所示。
[0105][0106]
其中，μi为概率x＝[μ
1 μ2ꢀ…ꢀ
μn]中第i个状态的概率，μj为概率x＝[μ
1 μ2ꢀ…ꢀ
μn]中第j个状态的概率。
[0107]
最后获取拟优一致矩阵l最大特征值对应的特征向量，并对特征向量进行归一化处理，获取权重向量ω＝[ω
1 ω
2 ω3]，向量集合ω中隶属度的值越大，则该指标类别隶属于对应级别的可能性就越大。
[0108]
在一些实施例中，获取隶属度的评价集矩阵m，具体包括：
[0109]
m＝(m1m2m3)；其中，m1为安全带未佩戴状态，对应的检测分值为30、m2为安全带佩戴不规范状态，对应的检测分值为70、m3为安全带佩戴正确状态，对应的检测分值为90。
[0110]
优选的，根据测试数据类标签隶属各类状态等级的概率x、各类状态指标的权重向量ω和隶属度的评价集矩阵m获取最终测试数据对应的评分值即将上述三个参数x、ω、m所表示的矩阵相乘获取对应的检测分值，并根据分值所在的区间判断安全带佩戴状态的检测状态。
[0111]
综上，通过使用非视觉传感器和视觉方法相结合的技术手段，利用cnn的特征表示、elm的快速学习算法和iahp的权重分析算法可以更加精确的检测安全带佩戴状态，从而有效的降低了配网作业中因安全带使用不规范所造成的安全事故等问题。
[0112]
在一些实施例中，本技术还提出了一种安全带佩戴状态的检测系统，系统包括：数量参数获取单元、连接状态参数获取单元、画面采集单元、模型构建单元和检测单元；
[0113]
数量参数获取单元，用于获取安全带数量参数；
[0114]
连接状态参数获取单元，用于获取安全带连接状态参数；
[0115]
画面采集单元，用于获取视频数据；
[0116]
模型构建单元，用于根据安全带数量参数、安全带连接状态参数和视频数据构建综合模型；
[0117]
检测单元，用于根据综合模型确定安全带佩戴状态的检测结果。
[0118]
在一些实施例中，本技术还提出了一种可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
[0119]
根据uwb模块，获取安全带数量参数；
[0120]
根据检测设备信息，获取安全带连接状态参数；
[0121]
根据画面采集设备信息，获取视频数据；
[0122]
根据安全带数量参数、安全带连接状态参数和视频数据训练综合模型；
[0123]
根据综合模型确定当前安全带佩戴状态的检测结果。
[0124]
在一些实施例中，本技术还提出了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行执行以下步骤：
[0125]
根据uwb模块，获取安全带数量参数；
[0126]
根据检测设备信息，获取安全带连接状态参数；
[0127]
根据画面采集设备信息，获取视频数据；
[0128]
根据安全带数量参数、安全带连接状态参数和视频数据训练综合模型；
[0129]
根据综合模型确定当前安全带佩戴状态的检测结果。
[0130]
本领域普通技术人员能够理解实现上述实施例方法中的全部或部分流程，是能够通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0131]
以上实施例的各技术特征能够进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0132]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还能够做出若干变形和改进，这些都隶属本技术的保护范围，以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

技术特征：
1.一种安全带佩戴状态的检测方法，其特征在于，所述方法包括下列步骤：根据uwb模块，获取安全带数量参数；根据检测设备信息，获取安全带连接状态参数；根据画面采集设备信息，获取视频数据；根据所述安全带数量参数、安全带连接状态参数和视频数据训练综合模型；根据所述综合模型确定当前安全带佩戴状态的检测结果。2.根据权利要求1所述的安全带佩戴状态的检测方法，其特征在于，所述根据uwb模块，获取安全带数量参数，具体包括：所述uwb模块包括基站和定位标签，通过所述定位标签的数量确定安全带数量参数。3.根据权利要求1所述的安全带佩戴状态的检测方法，其特征在于，所述根据画面采集设备信息，获取视频数据，具体包括：通过摄像设备从至少两个角度采集画面中包含有安全带佩戴人员的视频数据。4.根据权利要求1所述的安全带佩戴状态的检测方法，其特征在于，所述根据所述安全带数量参数、安全带连接状态参数和视频数据训练综合模型，具体包括：将所述安全带数量参数、安全带连接状态参数和视频数据作为训练数据输入综合模型进行特征提取；当所述综合模型的迭代损失值为固定值时，输出训练数据类标签即安全带佩戴状态；根据所述获取所述训练数据类标签人工确定对应的评分值；将所述评分值进行模糊聚类，确定所述训练数据类标签隶属各类状态等级的概率x；使用改进的层次分析法对所述训练数据类标签隶属各类状态等级的概率x进行权重分析，获取各类状态指标的权重向量ω；根据所述安全带佩戴状态和各类状态对应评分值获取隶属度的评价集矩阵m；根据所述训练数据类标签隶属各类状态等级的概率x、各类状态指标的权重向量ω和隶属度的评价集矩阵m获取最终所述训练数据对应的评分值。5.根据权利要求1所述的安全带佩戴状态的检测方法，其特征在于，所述根据所述综合模型确定当前安全带佩戴状态的检测结果，具体包括：利用卷积神经网络算法提取输入数据的卷积特征，获取对应的数据类标签；确定所述数据类标签隶属各类状态等级的概率x；对所述数据类标签隶属各类状态等级的概率x进行权重分析，获取各类状态指标的权重向量ω；获取隶属度的评价集矩阵m；根据所述测试数据类标签隶属各类状态等级的概率x、各类状态指标的权重向量ω和隶属度的评价集矩阵m获取最终所述测试数据对应的评分值。6.根据权利要求5所述的安全带佩戴状态的检测方法，其特征在于，所述利用卷积神经网络算法提取输入数据的卷积特征，获取对应的数据类标签，具体包括：将当前样本数据作为测试数据输入到卷积神经网络；提取所述测试数据的卷积特征；利用elm算法处理所述测试数据的卷积特征，获取测试数据类标签；对所述测试数据类标签执行多数表决，输出最终的测试数据类标签。
7.根据权利要求5所述的安全带佩戴状态的检测方法，其特征在于，所述确定所述数据类标签隶属各类状态等级的概率x，具体包括：根据所述输出测试数据的数据类标签匹配数据类标签对应的指标分数；对所述指标分数进行模糊聚类分析；获取所述指标分数隶属各类状态等级的概率。8.根据权利要求5所述的安全带佩戴状态的检测方法，其特征在于，所述对所述数据类标签隶属各类状态等级的概率x进行权重分析，获取各类状态指标的权重向量ω，具体包括：根据改进层次分析算法对所述数据类标签隶属各类状态等级的概率x进行权重分析。9.根据权利要求8所述的安全带佩戴状态的检测方法，其特征在于，所述根据改进层次分析算法对所述数据类标签隶属各类状态等级的概率x进行权重分析，具体包括：确定重要性矩阵a和判断矩阵c；根据所述重要性矩阵a和判断矩阵c确定拟优一致矩阵l；获取拟优一致矩阵l最大特征值对应的特征向量；对所述特征向量进行归一化处理，获取权重向量ω。10.根据权利要求5所述的安全带佩戴状态的检测方法，其特征在于，所述获取隶属度的评价集矩阵m，具体包括：m＝(m1,m2,m3)；其中，m1为安全带未佩戴状态，对应的检测分值为30、m2为安全带佩戴不规范状态，对应的检测分值为70、m3为安全带佩戴正确状态，对应的检测分值为90。11.一种安全带佩戴状态的检测系统，其特征在于，所述系统包括：数量参数获取单元、连接状态参数获取单元、画面采集单元、模型构建单元和检测单元；所述数量参数获取单元，用于获取安全带数量参数；所述连接状态参数获取单元，用于获取安全带连接状态参数；所述画面采集单元，用于获取视频数据；所述模型构建单元，用于根据所述安全带数量参数、安全带连接状态参数和视频数据构建综合模型；所述检测单元，用于根据所述综合模型确定安全带佩戴状态的检测+果。12.一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至10中任一一项所述方法的步骤。13.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至10中任一一项中所述方法的步骤。

技术总结
本发明实施例公开了安全带佩戴状态的检测方法、系统、存储介质及设备。所述方法包括根据UWB模块，获取安全带数量参数；再根据检测设备信息，获取安全带连接状态参数；以及根据画面采集设备信息，获取视频数据；最后通过上述安全带数量参数、安全带连接状态参数和视频数据训练综合模型并利用该模型确定当前安全带佩戴状态的检测结果。本申请将视频检测技术和传感器技术相结合，获取各个维度的安全带佩戴状态信息，并且在此基础了使用混合CNN-ELM-IAHP模型，确保输出的安全带佩戴状态的准确性。性。性。


技术研发人员：赵旭 罕天玺 杨迎春 李正志 唐立军 李宏杰
受保护的技术使用者：云南电网有限责任公司电力科学研究院
技术研发日：2023.05.15
技术公布日：2023/8/14