[發(fā)明專(zhuān)利]一種電力領(lǐng)域危險(xiǎn)工作區(qū)域內(nèi)安全帽佩戴狀態(tài)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910318878.2
• 申請(qǐng)日: 2019-04-19
• 公開(kāi)（公告）號(hào): CN110070033B
• 公開(kāi)（公告）日: 2020-04-24
• 發(fā)明（設(shè)計(jì)）人: 聶禮強(qiáng);尹建華;王英龍;戰(zhàn)新剛;姚一楊;朱建飛
• 申請(qǐng)（專(zhuān)利權(quán)）人: 山東大學(xué);智洋創(chuàng)新科技股份有限公司;國(guó)網(wǎng)浙江省電力有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62
• 代理公司: 濟(jì)南金迪知識(shí)產(chǎn)權(quán)代理有限公司 37219
• 代理人: 陳桂玲

1.一種電力領(lǐng)域危險(xiǎn)工作區(qū)域內(nèi)安全帽佩戴狀態(tài)檢測(cè)方法，其特征在于，所述檢測(cè)方法包括以下步驟：

S1：對(duì)安全帽的數(shù)據(jù)集進(jìn)行預(yù)處理；在此基礎(chǔ)上構(gòu)造難樣本，完成具體場(chǎng)景的標(biāo)注，在改進(jìn)的tiny-yolo模型上進(jìn)行訓(xùn)練，完成對(duì)：人、佩戴安全帽的人、未佩戴安全帽的人，上述三類(lèi)情況的分類(lèi)；

S2：對(duì)移動(dòng)端捕獲的視頻進(jìn)行抽幀處理，并通過(guò)神經(jīng)網(wǎng)絡(luò)模型得到抽取圖片的深層表示；

S3：通過(guò)檢測(cè)網(wǎng)絡(luò)完成對(duì)特征的分類(lèi)，實(shí)現(xiàn)對(duì)：人、佩戴安全帽的人、未佩戴安全帽的人上述三類(lèi)檢測(cè)，在TensorFlow Lite學(xué)習(xí)框架上完成對(duì)移動(dòng)端的加速優(yōu)化；

S4：對(duì)檢測(cè)得到的所有bounding boxes進(jìn)行非極大值抑制操作來(lái)過(guò)濾掉多余的邊界框，實(shí)現(xiàn)對(duì)目標(biāo)的分類(lèi)檢測(cè)；

所述步驟S1包括以下子步驟：

S11：采用的數(shù)據(jù)集來(lái)自實(shí)際應(yīng)用場(chǎng)景，采用以下預(yù)處理方法：

針對(duì)目標(biāo)尺寸差異大的問(wèn)題：構(gòu)造數(shù)據(jù)集時(shí)考慮不同尺度下的安全帽，使近、中、遠(yuǎn)距離佩戴的安全帽圖片數(shù)量相近，在訓(xùn)練時(shí)加入圖像增強(qiáng)技術(shù)，對(duì)同一張圖片進(jìn)行旋轉(zhuǎn)得到新的訓(xùn)練數(shù)據(jù)來(lái)增強(qiáng)模型的識(shí)別力；

針對(duì)安全帽部分遮擋的問(wèn)題：采用魯棒誤差編碼中的加法模型，將有遮擋的圖像y看作原始圖像y⁰和誤差e的加性合成體：y＝y(tǒng)⁰+e；

針對(duì)光線變化的問(wèn)題：對(duì)數(shù)據(jù)集中的圖片進(jìn)行基于HDR的圖像提亮操作，增強(qiáng)暗光下圖片的亮度；

S12：在tiny-yolo模型的卷積運(yùn)算中對(duì)網(wǎng)絡(luò)的第3到第9層進(jìn)行了裁剪；

S13：優(yōu)化后的損失函數(shù)如下：

上述公式中，S²：表示tiny-yolo中分塊的網(wǎng)格數(shù)目，橫縱各S個(gè)，最終形成S²個(gè)網(wǎng)格；A:每個(gè)網(wǎng)格中的預(yù)測(cè)的邊框數(shù)目；λ_coord：坐標(biāo)中心和長(zhǎng)寬的系數(shù)；λ_noord：預(yù)測(cè)沒(méi)有物體的分?jǐn)?shù)的系數(shù)；C:預(yù)測(cè)的是否存在物體的置信度；P(c):分類(lèi)的類(lèi)別的分?jǐn)?shù)；I_ij^obj：當(dāng)預(yù)測(cè)和groundtruth的IoU大于規(guī)定閾值時(shí)為1，其他情況為0；I_ij^nobj：當(dāng)預(yù)測(cè)和groundtruth的IOU小于規(guī)定閾值時(shí)為1，其他情況為0；

最終形成修改后的神經(jīng)網(wǎng)絡(luò)模型。

2.根據(jù)權(quán)利要求1所述一種電力領(lǐng)域危險(xiǎn)工作區(qū)域內(nèi)安全帽佩戴狀態(tài)檢測(cè)方法，其特征在于，所述步驟S2包括以下子步驟：

S21：對(duì)移動(dòng)端拍攝的視頻進(jìn)行抽幀處理，將圖片送入修改后的神經(jīng)網(wǎng)絡(luò)模型；

S22：采用背景虛化的算法，突出前景工人，當(dāng)人物檢測(cè)的面積占整張圖的面積比例大于閾值α?xí)r，啟用背景虛化算法：

1)獲取像素矩陣；

2)計(jì)算相似矩陣；

3)獲取邊緣像素點(diǎn)；

4)分割圖像；

5)虛化背景值；

6)得到背景虛化圖像。

3.根據(jù)權(quán)利要求1所述一種電力領(lǐng)域危險(xiǎn)工作區(qū)域內(nèi)安全帽佩戴狀態(tài)檢測(cè)方法，其特征在于，所述步驟S3包括以下子步驟：

S31：檢測(cè)時(shí)，每個(gè)網(wǎng)格預(yù)測(cè)的類(lèi)信息P_r(Class_i|Object)和bounding box預(yù)測(cè)的置信度信息相乘，得到每個(gè)bounding box的分類(lèi)置信度得分：

S32：移動(dòng)端檢測(cè)將tiny-yolo訓(xùn)練的模型轉(zhuǎn)成tensorflow的.h5文件。

4.根據(jù)權(quán)利要求1所述一種電力領(lǐng)域危險(xiǎn)工作區(qū)域內(nèi)安全帽佩戴狀態(tài)檢測(cè)方法，其特征在于，所述步驟S4包括以下子步驟：

S41：檢測(cè)網(wǎng)絡(luò)對(duì)目標(biāo)檢測(cè)過(guò)后會(huì)產(chǎn)生疊加的邊框，利用非極大值抑制算法進(jìn)行過(guò)濾，具體流程如下：

1)獲得bounding Box列表B對(duì)應(yīng)的分?jǐn)?shù)S；

2)從所述列表B中選擇具有最大分?jǐn)?shù)的bounding Box M；

3)將bounding Box M從列表B集合中移除并加入最終返回結(jié)果D中；

4)計(jì)算其余bounding box與當(dāng)前最大分?jǐn)?shù)的bounding box M的IoU，去除IoU大于設(shè)定閾值的bounding Box；

5)重復(fù)以上過(guò)程，直至列表B為空，返回結(jié)果D；

S42：在統(tǒng)計(jì)結(jié)果時(shí)采用平均準(zhǔn)確公式：

公式中，P(k)：在IoU閾值為k時(shí)的準(zhǔn)確性；Δ_r(k)：在IoU閾值為k時(shí)的召回率；TP：表示被模型預(yù)測(cè)為正值的正樣本；FP：表示被模型預(yù)測(cè)為負(fù)值的正樣本；FN：表示被模型預(yù)測(cè)為負(fù)值的負(fù)樣本。