[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

一種電力領域危險工作區域內安全帽佩戴狀態檢測方法，包括：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到多余的邊界框，實現對目標的分類檢測。

技術領域

本發明涉及一種電力領域危險工作區域內安全帽佩戴狀態檢測方法，屬于智能識別的技術領域。

背景技術

變電站、電塔作業與輸電線路巡視等場地環境復雜，存在著威脅人身的眾多因素。頭部作為人體的最關鍵部位，對其保護尤為重要，因此在此類作業場景中要求工作人員必須佩帶安全帽。近年來，開展了許多工作嘗試解決安全帽佩戴檢測問題。傳統的安全帽檢測方法過程復雜、計算量大、誤報以及漏報多。隨著人工智能的發展，不少研究人員開始把深度學習技術和安全帽檢測問題結合起來。然而現有的技術主要依賴于大量的標記數據進行模型的訓練，進而在后端進行檢測識別，沒有充分利用前端的計算資源，在數據的傳輸上消耗太大，也降低了適用性。

本發明通過修改tiny-yolo模型，將其移植到安卓端進行安全帽佩戴狀態檢測。降低了圖片傳輸的時間和流量消耗，最大程度地增加資源的利用率，同時修改后的模型在安卓端檢測耗時少，結合多尺度訓練以及難樣本的挖掘，解決了目標尺寸差異大、安全帽部分遮擋、光線變化等因素的影響，進一步提高了安全帽檢測的準確率。

中國文獻《改進YOLO_v3的安全帽佩戴檢測方法》作者施輝等，雖然公開了Yolo模型，但是改進的Yolo_v3和本發明所述tiny-yolo模型的層數不一樣，yolo_v3的層數為107層，而tiny-yolo的層數為24層，層數的減小可以達到更快的檢測效率，使得模型可以更好的在安卓端發揮優勢。文獻中的yolov3模型未對網絡層數做實質修改。本發明在試驗后發現網絡的第3到第9層中存在著大量接近0的權值，在考慮網絡稀疏性的前提下，對此部分網絡進行了適當地裁剪，縮小后的網絡權值移植到安卓端性能更佳。同樣的安卓設備，實驗環境下yolo_v3檢測一張照片需要5秒左右，而改進的tiny-yolo不到0.5秒。

中國專利文獻CN103745226B公開了一種電力設施作業現場人員著裝安全檢測方法，基于HOG特征訓練SVM分類器識別電力設施作業現場人員以及基于人員識別結果判斷人員裝備是否整齊，所述方法首先通過訓練基于HOG特征的分類器檢測電力設施作業現場中出現的人員目標，接著基于所識別到的人員目標判斷該人員的著裝裝備是否符合作業現場安全要求，主要包括安全帽是否佩戴，安全服裝是否完整穿著(無皮膚露出)，桿上變工作人員是否正確佩戴安全帶等安全項目。針對專利文獻CN103745226B：其中安全帽檢測為傳統的圖像處理方法，針對顏色進行安全帽佩戴檢測，本發明中采用機器學習的方法，對數據進行訓練，提取安全帽的特征進行檢測識別。

中國專利文獻CN106446926A公開一種基于視頻分析的變電站工人安全帽佩戴檢測方法。該方法基于變電站場景下選用VIBE算法檢測運動目標區域和HSV顏色特征初步定位安全帽區域，然后選用融合得Haar特征、HSV顏色空間特征，采集現場場景下安全帽正負樣本，利用Adaboost算法進行分類器訓練，對定位的安全帽區域提取融合特征，送入到訓練好的安全帽分類器進行特征匹配檢測，實現對安全帽精確識別定位。針對專利文獻CN106446926A：其發明中采用的是Adaboost算法進行訓練，需要先對圖像進行處理得到行人上半身區域，提取Haar特征和HSV顏色空間特征，發明采用的是改進的tiny-yolo，針對標注區域進行特征提取。