[發明專利]一種基于深度學習的施工現場違章智能識別方法

在審

• 申請號: 201911105719.0
• 申請日: 2019-11-13
• 公開（公告）號: CN110826514A
• 公開（公告）日: 2020-02-21
• 發明（設計）人: 郝強;范克強;許宏洋;李朝瑞;劉廣東;尹吉昌;張淼鑫;唐紅燕;丁再賢;段一平;徐璐瑤;喬海春;吳青武
• 申請（專利權）人: 國網青海省電力公司海東供電公司;國網青海省電力公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 西寧工道知識產權代理事務所(普通合伙) 63102
• 代理人: 全宏毅

一種基于深度學習的施工現場違章智能識別方法，涉及電力施工巡視技術領域，包括視頻圖像樣本數據收集、人工圖像標定、構建模型、模型訓練、模型評估等步驟，模型訓練是基于深度學習的智能算法，采用改進的SSD算法進行目標檢測，通過在不同卷積層的特征圖上預測物體區域，輸出離散化的多尺度、多比例的默認框坐標，同時利用小卷積核預測一系列候選框的邊框坐標補償和每個類別的置信度。本發明的有益效果在于：本發明采用深度學習的智能算法進行模型訓練，速度更快，精度更高，實現對基建現場常見的違章操作及行為進行智能識別，實現自動在線識別告警。

技術領域

本發明涉及電力施工巡視技術領域，具體是涉及一種基于深度學習的施工現場違章智能識別方法。

背景技術

隨著社會經濟的飛速發展、城市規模的不斷擴大、工業經濟的不斷增長，為滿足社會及經濟的快速提升需要，電網工程建設規模也日益增加。早期的現場安全管控工作僅僅依靠文件要求、文字反饋、現場檢查、暗訪等手段來提高作業現場安全管理水平，但對于電力施工“點多、面廣、周期不定”的特點，卻不能全方位、全過程、全天候的對作業現場進行監督，同時還需要耗費大批人力物力。

目前主要采用視頻監控系統對電力施工場景、重點工作區域及特定的施工場地出入口的視頻和圖像進行遠程采樣和識別分析，但由于大部分電網工程的施工周期較短，因此布置固定的視頻監控系統并不適合，因此通常在施工作業現場中的監控設備采用移動監控設備，如移動布控球和單兵，以縮短前期設備布置周期。而移動監控設備采集到的視頻畫面通常存在著場景不固定，環境復雜、光線多變等情況，傳統的數據處理識別方法不能達到準確、快速的識別和判斷。

亟需基于人工智能技術，實現了違章智能識別功能，對現場違章行為自動研判、主動報警、日志記錄，實現了從遠程巡檢到智能巡檢的突破。

發明內容

為了克服現有技術存在的缺點，本發明提出了一種基于深度學習的施工現場違章智能識別方法。基于深度學習智能算法，訓練算法模型，實現對基建現場常見的腳手架搭設、高空作業人員行為、防墜自鎖器使用、大型起吊設備掛鉤保險、鋼絲繩緊固線卡、基坑堆土高度及圍欄臨邊距離等違章行為進行智能識別，實現自動在線識別告警。

本發明提供一種基于深度學習的施工現場違章智能識別方法，包括以下步驟：

第一步，視頻圖像樣本數據收集，針對每類目標違章行為收集圖像素材樣本；

第二步，人工圖像標定，通過人工將搜集到的目標圖像進行分類，并分別在圖像素材上進行手動標定，將圖像中的違章行為通過不同的矩形框標注；如未佩戴安全帽、未穿戴紅黃馬甲、現場無人等，違章行為樣本作為算法學習的正樣本，無違章行為作為算法排除的負樣本；

第三步，構建模型，利用Tensorflow算法將目標違章行為的紋理特征、形狀特征、空間關系特征進行提取，并對提取出來的特征信息進行分類訓練，輸出形成可識別各類目標違章行為的檢測模型；

第四步，模型訓練，基于已標定的正負樣本進行自主特征學習，優化模型特征參數，并根據檢測結果進行糾偏及標定，標定后的素材進行重新訓練，通過不斷迭代形成高可用的分析模型；

第五步，模型評估，通過現場測試驗證違章智能識別模型，違章信息進行智能識別。對未佩戴安全帽告警、作業負責人未到場（無紅黃馬甲人員）等違章信息進行智能識別。

所述的視頻圖像樣本數據收集，針對每類目標違章行為搜集大量圖像素材樣本，保證素材的多樣化；每類目標違章行為的素材場景越豐富、圖像質量越高、施工現場畫面越清晰，越有利于算法的學習，越能夠提高識別的準確率；