[發明專利]一種電力作業場景下人員識別方法

有效

• 申請號: 202210745758.2
• 申請日: 2022-06-29
• 公開（公告）號: CN114821486B
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 劉軍;姜明華;李會引;趙雅欣;朱佳龍;余鋒
• 申請（專利權）人: 武漢紡織大學
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/774;G06K9/62;G06N3/04;G06V10/82
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

1.一種電力作業場景下人員識別方法，其特征在于，包括以下步驟：

步驟1，收集電力施工現場工作人員圖像、非施工人員圖像和沒有檢測目標的圖像，并將不同人員進行打標區分，構成訓練的數據集；

步驟2，將收集到的數據集進行擴充；

步驟 3，使用擴充后的數據集對目標檢測網絡進行訓練，獲得人員識別模型；

所述目標檢測網絡包括三個部分：特征提取部分、特征融合部分和結果輸出部分；

所述特征提取部分包括7個卷積模塊，其中第一卷積模塊包括1個3×3卷積，1個2×2卷積以及一個通道空間注意模塊；第二卷積模塊包括2個1×1卷積和1個3×3卷積，第三卷積模塊包括1個2×2卷積和一個通道空間注意模塊；第四個卷積模塊包括2個1×1卷積和1個3×3卷積，第五卷積模塊包括1個2×2卷積和一個通道空間注意模塊，第六個卷積模塊包括2個1×1卷積和1個3×3卷積，第七卷積模塊包括1個2×2卷積和一個通道空間注意模塊；另外將第一卷積模塊的輸出進行深度可分離卷積之后與第二卷積模塊的輸出進行加和得到第三卷積模塊的輸入，第三卷積模塊的輸出進行深度可分離卷積之后與第四卷積模塊的輸出進行加和得到第五卷積模塊的輸入，第五卷積模塊的輸出進行深度可分離卷積之后與第六卷積模塊的輸出進行加和得到第七卷積模塊的輸入；

所述特征融合部分包括1個卷積操作模塊，1個分支結構和3個上采樣模塊，其輸入為第七卷積模塊的輸出，其中卷積操作模塊包括2個1×1卷積和1個3×3卷積，分支結構對卷積操作模塊的輸出分別進行3×3、7×7和9×9的卷積，然后將3個分支的輸出和卷積操作模塊的輸出進行拼接作為上采樣模塊的輸入，每個上采樣模塊包括2個1×1卷積、1個3×3卷積和1個上采樣操作；結果輸出部分包括三個輸出，分別為用于預測大目標的輸出、用于預測中目標的輸出和用于預測小目標的輸出，其中預測大目標的輸出是通過第七卷積模塊與第一上采樣模塊拼接之后經過1個3×3卷積和1個1×1卷積實現，預測中目標的輸出是通過第五卷積模塊與第二上采樣模塊拼接之后經過1個3×3卷積和1個1×1卷積實現，預測小目標的輸出是通過第三卷積模塊與第三上采樣模塊拼接之后經過1個3×3卷積和1個1×1卷積實現；

特征提取部分的具體處理過程如下；

訓練圖像輸入第一卷積模塊，先進行3×3卷積將其深度變為32層，接著使用一個2×2步距為2的卷積將特征圖高寬縮小成原來的1/2，通道數不變，通過通道空間注意模塊獲取全局特征，不改變特征圖的高寬和通道數；然后進入第二卷積模塊，先通過1×1的卷積把特征圖的通道數調整為64，再通過3×3卷積將通道數變為128，最后執行1×1的卷積把特征圖的通道數調整為64，再將第一卷積模塊的輸出進行深度可分離卷積之后與第二卷積模塊的輸出進行加和得到第三卷積模塊的輸入；

再執行第三卷積模塊至第六卷積模塊，得到高寬為原圖1/8的特征圖，其深度為256層，將這個特征圖送入第七卷積模塊，先進行2×2步距為2的卷積，將特征圖高寬縮小為原來的1/16，然后送入通道空間注意模塊，不改變特征圖的高寬和通道數；

其中，每一個卷積操作之后都會進行歸一化操作和激活操作，這里激活操作使用的激活函數是Leaky ReLU；

步驟4，使用訓練好的人員識別模型實時檢測現場采集的圖像，檢測到人員時輸出人員的身份，當識別到的人員身份為非施工人員時進行提醒。

2.如權利要求1所述的一種電力作業場景下人員識別方法，其特征在于：通道空間注意模塊的具體操作如下；

首先，將輸入特征圖先進行3×3卷積操作，不改變特征圖高寬和通道數，然后送入通道注意模塊，通道注意模塊具體操作是分別對特征圖進行全局平均池化和全局最大池化，得到兩個向量，再將這兩個向量相加，得到通道維上的向量權重，將這個權重向量與原輸入特征圖相乘，得到具有通道注意的特征圖；

然后，在獲得具有通道注意的特征圖后先進行3×3卷積操作，然后送入空間注意模塊，空間注意模塊具體操作是通過兩個分支生成兩個與原圖大小相同的特征圖，其中一個分支是1×1步長為1的最大池化操作和一個分支是1×1步長為1的平均池化操作，然后將這兩個特征圖進行拼接再進行卷積操作生成通道維為1維的特征圖，使用這個1維特征圖與原具有通道注意的特征圖相乘得到空間注意特征圖，最后再將得到的空間注意特征圖直接與通道注意模塊中的通道維向量權重進行相乘，輸出既有通道注意又有空間注意的特征圖。