[發(fā)明專利]一種安全帽佩戴識(shí)別方法、系統(tǒng)及設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202010579042.0
• 申請(qǐng)日: 2020-06-23
• 公開(kāi)（公告）號(hào): CN111723749A
• 公開(kāi)（公告）日: 2020-09-29
• 發(fā)明（設(shè)計(jì)）人: 陳永洪;黃滔;曾深明;黃建瑩;蔡振華;王流火;孫強(qiáng)
• 申請(qǐng)（專利權(quán)）人: 廣東電網(wǎng)有限責(zé)任公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06Q10/06;G06Q50/06;G06N3/04;G07C1/20
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 沈闖

本發(fā)明公開(kāi)了一種安全帽佩戴識(shí)別方法、系統(tǒng)及設(shè)備，包括：獲取電網(wǎng)施工巡檢圖像并進(jìn)行預(yù)處理，將圖像輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中得到電網(wǎng)施工巡檢圖像的工人特征；對(duì)工人特征進(jìn)行評(píng)價(jià)，選取出安全帽相關(guān)特征；將安全帽相關(guān)特征輸入到訓(xùn)練好的隨機(jī)森林分類器模型中，得到電網(wǎng)施工巡檢圖像中的安全帽佩戴識(shí)別結(jié)果。本發(fā)明實(shí)施例利用雙通道CNN數(shù)據(jù)流提取出電網(wǎng)施工巡檢圖像的工人特征，精度更高，能更準(zhǔn)確地識(shí)別出圖像中的工人特征；利用隨機(jī)森林分類器模型對(duì)安全帽相關(guān)特征進(jìn)行識(shí)別，隨機(jī)森林分類器模型利用隨機(jī)森林算法預(yù)測(cè)精度高、抗噪聲能力強(qiáng)、擬合性能好的特點(diǎn)，從而能夠在工人特征中的準(zhǔn)確識(shí)別出安全帽的佩戴情況。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像識(shí)別領(lǐng)域，尤其涉及一種安全帽佩戴識(shí)別方法、系統(tǒng)以及設(shè)備。

背景技術(shù)

現(xiàn)有的電網(wǎng)線路故障多由降雨、大風(fēng)或泥石流等自然災(zāi)害引起，一旦發(fā)生故障，雖然一定區(qū)域內(nèi)電力巡檢能夠借助無(wú)人機(jī)進(jìn)行，但具體線路的檢修仍需要人工完成。通常的電網(wǎng)環(huán)境包括變電站、森林、河流等，具有復(fù)雜環(huán)境、危險(xiǎn)等級(jí)高、遮蓋物多的特點(diǎn)，使得無(wú)人機(jī)所獲得的圖像背景復(fù)雜，且由于發(fā)生故障的地方多是地勢(shì)險(xiǎn)峻、山高林密或江河跨越的地方，人員發(fā)生意外的可能性大，因而需要對(duì)檢修的人員進(jìn)行精確的識(shí)別以通過(guò)位置確保其安全性，而通過(guò)電力工人工作時(shí)佩戴的安全帽對(duì)其進(jìn)行人員的識(shí)別是主要的定位和保護(hù)人員的方式。

現(xiàn)有安全帽識(shí)別主要采用傳統(tǒng)的模式識(shí)別，通過(guò)圖像預(yù)處理、圖像特征提取、圖像中安全帽識(shí)別等步驟進(jìn)行佩戴識(shí)別，或采用神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)對(duì)安全帽進(jìn)行識(shí)別。然而由于無(wú)人機(jī)巡檢拍攝的安全帽的圖像信息包含不同角度、不同光照或不同地區(qū)的信息，甚至是不同品牌的安全帽其數(shù)據(jù)特征也不相同，使得安全帽識(shí)別方法存在識(shí)別率波動(dòng)大、易受周圍環(huán)境干擾和顏色識(shí)別不精確等問(wèn)題。因而如何提高安全帽在電力作業(yè)環(huán)境下的識(shí)別是亟需解決的問(wèn)題。

綜上所述，現(xiàn)有技術(shù)中對(duì)無(wú)人機(jī)采集到的電網(wǎng)施工巡檢圖像進(jìn)行安全帽識(shí)別時(shí)，存在著識(shí)別精確度較低的技術(shù)問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明提供了一種安全帽佩戴識(shí)別方法、系統(tǒng)以及設(shè)備，用于解決現(xiàn)有技術(shù)中對(duì)無(wú)人機(jī)采集到的電網(wǎng)施工巡檢圖像進(jìn)行安全帽識(shí)別時(shí)，存在著識(shí)別精確度較低的技術(shù)問(wèn)題。

本發(fā)明提供的一種安全帽佩戴識(shí)別方法，所述方法適用于預(yù)先訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型以及訓(xùn)練好的隨機(jī)森林分類器模型，所述神經(jīng)網(wǎng)絡(luò)模型為CNN雙通道模型；方法包括以下步驟：

獲取無(wú)人機(jī)拍攝的電網(wǎng)施工巡檢圖像，對(duì)電網(wǎng)施工巡檢圖像進(jìn)行預(yù)處理；

將經(jīng)過(guò)預(yù)處理后的電網(wǎng)施工巡檢圖像輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型輸出電網(wǎng)施工巡檢圖像的工人特征；

采用線性判別法對(duì)電網(wǎng)施工巡檢圖像的工人特征進(jìn)行評(píng)價(jià)，根據(jù)評(píng)價(jià)結(jié)果選取出安全帽相關(guān)特征；

將安全帽相關(guān)特征輸入到訓(xùn)練好的隨機(jī)森林分類器模型中，訓(xùn)練好的隨機(jī)森林分類器輸出電網(wǎng)施工巡檢圖像中的安全帽佩戴識(shí)別結(jié)果。

優(yōu)選的，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(wǎng)絡(luò)結(jié)構(gòu)，包括5個(gè)卷積層和4個(gè)全連接層，且最后一個(gè)全連接層輸出512個(gè)神經(jīng)單元。

優(yōu)選的，對(duì)電網(wǎng)施工巡檢圖像進(jìn)行預(yù)處理的過(guò)程包括：

對(duì)電網(wǎng)施工巡檢圖像進(jìn)行縮放，分別將電網(wǎng)施工巡檢圖像的長(zhǎng)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(wǎng)施工巡檢圖像進(jìn)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。

優(yōu)選的，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型輸出電網(wǎng)施工巡檢圖像的工人特征的具體過(guò)程為：