(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 202211186388.X (22)申请日 2022.09.28 (71)申请人 济南驰昊电力科技有限公司 地址 250000 山东省济南市高新区新 泺大 街1299号鑫盛大厦2# -602室 (72)发明人 陈岩　王书堂　徐学来　朱华卿　 许云晓　张广鑫　 (74)专利代理 机构 济南竹森知识产权代理事务 所(普通合伙) 37270 专利代理师 王臣超 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/40(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种矿山场景下智能告警方法、 可读介质及 告警终端 (57)摘要 本发明公开一种矿山场景下智能告警方法、 可读介质及告警终端， 属于基于特定计算模型计 算机系统的技术领域， 包括： 采集含有违规现象 的图像； 基于YOL OV5网络结构增加卷积注意力机 制模块CBAM构建YOLOV5 ‑CBAM目标检测模型； 对 所述的YOLOV5 ‑CBAM模型进行训练， 获得YOLOV5 ‑ CBAM目标检测模型， 基于所述的测试集， 对所述 的YOLOV5 ‑CBAM目标检测模型进行评估， 获得评 估合格的目标检测模型； 基于YOLOV5 ‑CBAM目标 检测模型检测结果， 结合DeepSort目标跟踪模型 对人员进行跟踪， 获得人员的跟踪ID， 设置上下 电梯人员跟踪 ID撞线区域， 保证人员统计的可靠 性。 权利要求书3页 说明书8页 附图1页 CN 115331177 A 2022.11.11 CN 115331177 A 1.一种矿山场景 下智能告警方法， 其特 征在于， 包括： S1： 采集含有违规现象的图像， 对采集到的违规现 象图像进行预处理， 基于预处理后的 图像构建数据集， 将所述数据集划分为训练集、 验证集和 测试集； S2： 基于YOLOV5网络结构增加 卷积注意力机制模块CBAM构建YOLOV5 ‑CBAM目标检测模 型； S3： 基于所述的训练集和验证集， 对所述的YOLOV5 ‑CBAM模型进行训练， 获得YOLOV5 ‑ CBAM目标检测 模型， 基于所述的测试集， 对所述的YOLOV5 ‑CBAM目标检测模型进行评估， 获 得评估合格的目标检测模型； S4： 基于YOLOV5 ‑CBAM目标检测模型检测结果， 结合D eepSort目标跟踪模型对人员进行 跟踪， 获得 人员的跟踪ID， 设置上 下电梯人员跟踪ID撞线区域。 2.根据权利要求1所述一种矿山场景下智能告警方法， 其特征在于， 所述步骤S1中所采 集到的违规现象图像包括： 含有违规现象的图像包括： 含有违规现象的网络爬取图像和监拍装置拍摄的矿山场景 图像， 将以上两种数据进行合并， 并使用Label Img软件对图像中的违规现象进行矩形 标注。 3.根据权利 要求1所述一种矿山场景下智能告警方法， 其特征在于， 基于YOLOV5 网络结 构增加卷积注意力机制模块CBAM， 构建YOLOV5+CBAM目标检测模型的方法包括： S21： YOLOV5网络结构包括Backbone模块、 Neck模块、 Prediction模块； 在所述Backbone 模块中的最后一个C3结构后增加CBAM模块， CBAM模块包括通道注 意力模块和空间注 意力模 块； S22： 在步骤S21所述的C3结构输出H ×W×C特征图F， H ×W为特征图高宽， C为特征图的 通道数， 通道 注意力模块和空间注意力模块采用串联的方式作用于特 征图F； S23： 将步骤S22所述的H ×W×C特征图F作为通道注意力模块的输入， 基于特征图的高 度和宽度对特征图F进行全局最大池化和全局平均池化， 生成两个1 ×1×C特征图， 两个特 征图分别经过一个两层的神经网络MLP， 将神经网络MLP输出的两个特征图特征进 行加和操 作， 生成通道注意力权重， 然后通过  Sigmoid 激活函数获得归一化通道注意力权重， 通过 乘法操作将归一化通道注意力权重作用于原始输入特征图， 输出H ×W×C通道注意力特征 图 ： （I） （II） （Ⅲ） 在公式 （I） ‑（II） 中， 表示归一化通道注意力权重； 表示通道注意力模块的输入特征图； 和 分别表示平均 池化操作和最大池化操作； MLP表示多层感知机网络； 表示Sigmo id激活函数； 表示特征图在高度和宽度维度上的平均池化操作输出特征图；权　利　要　求　书 1/3 页 2 CN 115331177 A 2表示特征图在高度和宽度维度上的最大池化操作输出特征图； 表示多层感知机的权 重； S24： 将通道注意力模块输出的H ×W×C通道注意力特征图作为空间注意力模块的输 入， 基于特征图的通道 维度对特征图 进行全局最大池化和全局平均池化， 生成两个H ×W ×1特征图， 将所述的两个特征图在通道维度进行拼接， 通过7 ×7 的卷积层生成空间注意 力权重， 然后通过  Sigmoid 激活函数获得归一化空间注意力权重， 通过乘法操作将归一化 通道注意力权 重作用于空间注意力模块的输入特 征图， 输出H ×W×C空间注意力特 征图 ： （IV） （V） 在公式 （IV） 、 （V） 中， 表示归一化空间注意力权重； 表示通道注意力模块输出特征图； 表示特征图在通道维度上的平 均池化操作输出特征图； 表示特征图在通道维度上的最大池化操作 输出特征图， 表示卷积核为7 ×7的卷积操作； 表示 特征图在通道维度上的拼接操作； S25： 使用 CIoU作为YOLOV5+CBAM目标检测模型的损失函数， CIoU损失函数计算公式： （VI） 在公式 （VI） 中， b表示模型预测矩 形框中心坐标； bgt表示真实矩 形框中心坐标； ρ （·）表 示欧氏距离； c表示两个矩形框的最小外接矩形对角线长度； α、 ν均为预测框长宽比拟合目 标框的长宽比的影响因子： α 表示总体权衡 参数， ν表示衡 量长宽比一致性的参数； wgt表示模 型预测矩形框的宽度； hgl表示模型预测矩形框的高度； w表示真实矩形框的宽度； h表示真实 矩形框的宽度； IoU表示目标真实矩形框和模型预测矩形框的交并比； CIoULoss表示预测结 果和真实结果的距离 。 4.根据权利要求1所述一种矿山场景下智能告警方法， 其特征在于， 所述步骤S3 中评估 合格的目标检测模型的方法， 包括： 使用mAP、 FPS作为评价指标对标检测模型进行评估； 其 中， mAP为全类平均精度， 表示所有检测类别的平均正确率加 权平均； FPS为每秒传输帧数， 表示每秒检测图像的张数。权　利　要　求　书 2/3 页 3 CN 115331177 A 3