[發明專利]一種電力領域危險工作區域內安全帽佩戴狀態檢測方法

有效

• 申請號: 201910318878.2
• 申請日: 2019-04-19
• 公開（公告）號: CN110070033B
• 公開（公告）日: 2020-04-24
• 發明（設計）人: 聶禮強;尹建華;王英龍;戰新剛;姚一楊;朱建飛
• 申請（專利權）人: 山東大學;智洋創新科技股份有限公司;國網浙江省電力有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 濟南金迪知識產權代理有限公司 37219
• 代理人: 陳桂玲

1.一種電力領域危險工作區域內安全帽佩戴狀態檢測方法，其特征在于，所述檢測方法包括以下步驟：

S1：對安全帽的數據集進行預處理；在此基礎上構造難樣本，完成具體場景的標注，在改進的tiny-yolo模型上進行訓練，完成對：人、佩戴安全帽的人、未佩戴安全帽的人，上述三類情況的分類；

S2：對移動端捕獲的視頻進行抽幀處理，并通過神經網絡模型得到抽取圖片的深層表示；

S3：通過檢測網絡完成對特征的分類，實現對：人、佩戴安全帽的人、未佩戴安全帽的人上述三類檢測，在TensorFlow Lite學習框架上完成對移動端的加速優化；

S4：對檢測得到的所有bounding boxes進行非極大值抑制操作來過濾掉多余的邊界框，實現對目標的分類檢測；

所述步驟S1包括以下子步驟：

S11：采用的數據集來自實際應用場景，采用以下預處理方法：

針對目標尺寸差異大的問題：構造數據集時考慮不同尺度下的安全帽，使近、中、遠距離佩戴的安全帽圖片數量相近，在訓練時加入圖像增強技術，對同一張圖片進行旋轉得到新的訓練數據來增強模型的識別力；

針對安全帽部分遮擋的問題：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＝y⁰+e；

針對光線變化的問題：對數據集中的圖片進行基于HDR的圖像提亮操作，增強暗光下圖片的亮度；

S12：在tiny-yolo模型的卷積運算中對網絡的第3到第9層進行了裁剪；

S13：優化后的損失函數如下：

上述公式中，S²：表示tiny-yolo中分塊的網格數目，橫縱各S個，最終形成S²個網格；A:每個網格中的預測的邊框數目；λ_coord：坐標中心和長寬的系數；λ_noord：預測沒有物體的分數的系數；C:預測的是否存在物體的置信度；P(c):分類的類別的分數；I_ij^obj：當預測和groundtruth的IoU大于規定閾值時為1，其他情況為0；I_ij^nobj：當預測和groundtruth的IOU小于規定閾值時為1，其他情況為0；

最終形成修改后的神經網絡模型。

2.根據權利要求1所述一種電力領域危險工作區域內安全帽佩戴狀態檢測方法，其特征在于，所述步驟S2包括以下子步驟：

S21：對移動端拍攝的視頻進行抽幀處理，將圖片送入修改后的神經網絡模型；

S22：采用背景虛化的算法，突出前景工人，當人物檢測的面積占整張圖的面積比例大于閾值α時，啟用背景虛化算法：

1)獲取像素矩陣；

2)計算相似矩陣；

3)獲取邊緣像素點；

4)分割圖像；

5)虛化背景值；

6)得到背景虛化圖像。

3.根據權利要求1所述一種電力領域危險工作區域內安全帽佩戴狀態檢測方法，其特征在于，所述步驟S3包括以下子步驟：

S31：檢測時，每個網格預測的類信息P_r(Class_i|Object)和bounding box預測的置信度信息相乘，得到每個bounding box的分類置信度得分：

S32：移動端檢測將tiny-yolo訓練的模型轉成tensorflow的.h5文件。

4.根據權利要求1所述一種電力領域危險工作區域內安全帽佩戴狀態檢測方法，其特征在于，所述步驟S4包括以下子步驟：

S41：檢測網絡對目標檢測過后會產生疊加的邊框，利用非極大值抑制算法進行過濾，具體流程如下：

1)獲得bounding Box列表B對應的分數S；

2)從所述列表B中選擇具有最大分數的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果D中；

4)計算其余bounding box與當前最大分數的bounding box M的IoU，去除IoU大于設定閾值的bounding Box；

5)重復以上過程，直至列表B為空，返回結果D；

S42：在統計結果時采用平均準確公式：

公式中，P(k)：在IoU閾值為k時的準確性；Δ_r(k)：在IoU閾值為k時的召回率；TP：表示被模型預測為正值的正樣本；FP：表示被模型預測為負值的正樣本；FN：表示被模型預測為負值的負樣本。