基于机器视觉的工厂人员异常行为识别

作者：李昊朋; 王景成; 黄姣茹

来源：计算机与数字工程, 2022, 50(10): 2176-2181.

• 机器视觉
• 目标检测
• yolov5
• Blaze Pose
• ST—SVM
• 行为识别

工厂内异常人员行为是造成一些人力资源浪费和安全事故发生的主要原因。论文针对此问题初步制定了5种决策融合策略，使用机器视觉的方法检测工厂人员的异常行为。首先使用YOLOv5算法对多人图像进行切割；之后利用Blaze-Pose算法计算分割图像中的单人关键点，以此作为特征使用角度识别和ST-SVM分类器识别分割后图像中人员的行为，分别得到两种图像行为信息；最后通过制定的决策融合策略，对两种图像行为进行决策融合，得到最终的人员行为信息。论文使用1000张图片作为数据集，进行试验；实验结果表明，文中方法可以准确识别常见的工厂人员异常行为，精确率大于0.80，召回率可达到89%以上，F1指数大于0.91，预期可以为工厂内人员异常行为检测与预警提供技术支持。

• 单位
  电子信息工程学院; 西安工业大学; 上海交通大学