[發明專利]一種安全帽佩戴識別方法、系統及設備

在審

• 申請號: 202010579042.0
• 申請日: 2020-06-23
• 公開（公告）號: CN111723749A
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 陳永洪;黃滔;曾深明;黃建瑩;蔡振華;王流火;孫強
• 申請（專利權）人: 廣東電網有限責任公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06Q10/06;G06Q50/06;G06N3/04;G07C1/20
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 沈闖

1.一種安全帽佩戴識別方法，其特征在于，所述方法適用于預先訓練好的神經網絡模型以及訓練好的隨機森林分類器模型，所述神經網絡模型為CNN雙通道模型；方法包括以下步驟：

獲取無人機拍攝的電網施工巡檢圖像，對電網施工巡檢圖像進行預處理；

將經過預處理后的電網施工巡檢圖像輸入到訓練好的神經網絡模型中，訓練好的神經網絡模型輸出電網施工巡檢圖像的工人特征；

采用線性判別法對電網施工巡檢圖像的工人特征進行評價，根據評價結果選取出安全帽相關特征；

將安全帽相關特征輸入到訓練好的隨機森林分類器模型中，訓練好的隨機森林分類器輸出電網施工巡檢圖像中的安全帽佩戴識別結果。

2.根據權利要求1所述的一種安全帽佩戴識別方法，其特征在于，CNN雙通道模型包括CNNa模型以及CNNb模型，CNNa模型以及CNNb模型均為9層網絡結構，包括5個卷積層和4個全連接層，且最后一個全連接層輸出512個神經單元。

3.根據權利要求2所述的一種安全帽佩戴識別方法，其特征在于，對電網施工巡檢圖像進行預處理的過程包括：

對電網施工巡檢圖像進行縮放，分別將電網施工巡檢圖像的長和寬縮放至256像素，將縮放后的圖像作為CNNa模型的輸入；

將縮放后的電網施工巡檢圖像進行HSV變換，得到V通道圖像，將V通道圖像作為CNNb模型的輸入。

4.根據權利要求2所述的一種安全帽佩戴識別方法，其特征在于，訓練好的神經網絡模型輸出電網施工巡檢圖像的工人特征的具體過程為：

神經網絡模型對CNNa模型最后一個全連接層的輸出與CNNb模型最后一個全連接層的輸出進行交叉連接，將CNNa模型最后一個全連接層的輸出和CNNb模型最后一個全連接層的輸出分解成兩個部分，對兩個部分進行第二次混合，得到256維的特征向量，即電網施工巡檢圖像的工人特征。

5.根據權利要求2所述的一種安全帽佩戴識別方法，其特征在于，得到預先訓練好的神經網絡模型的具體過程為：

設置神經網絡模型中的CNNa模型的網絡參數以及CNNb模型的網絡參數；

將歷史電網施工巡檢圖像以及歷史電網施工巡檢圖像相對應的工人特征輸入到神經網絡模型中；

采用BP算法對神經網絡模型進行訓練，對神經網絡模型的權重進行調整，直至神經網絡模型輸出的工人特征和歷史電網施工巡檢圖像相對應的工人特征相同，得到訓練好的神經網絡模型。

6.根據權利要求5所述的一種安全帽佩戴識別方法，其特征在于，采用常數分割模型對隨機森林分類器模型進行訓練，得到訓練好的隨機森林分類器模型。

7.根據權利要求6所述的一種安全帽佩戴識別方法，其特征在于，采用常數分割模型對隨機森林分類器模型進行訓練的具體過程為：

獲取訓練樣本，訓練樣本包括歷史電網施工巡檢圖像的安全帽特征以及歷史電網施工巡檢圖像中安全帽所對應的類別標簽；

建立隨機森林分類器模型，將訓練樣本輸入到隨機森林分類器模型中進行訓練；

定義分割函數，在訓練過程中對隨機森林分類器模型中每一個樹的每一個節點，計算訓練樣本的基尼系數，采用分割函數對基尼系數最小的訓練樣本進行分割，將訓練樣本劃分為左子節點和右子節點，直至所有訓練樣本分割完畢。

8.根據權利要求7所述的一種安全帽佩戴識別方法，其特征在于，采用線性判別法對電網施工巡檢圖像的工人特征進行評價的過程為：

計算電網施工巡檢圖像的每一個工人特征的類內離散度；

根據類內離散度計算電網施工圖像的工人特征類離差；

基于類內離散度和類離差對電網施工圖像的工人特征進行評分。