[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

本發明公開了一種電力作業場景下人員識別方法，包括：收集電力施工現場工作人員圖像、非施工人員圖像和一些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。將收集到的數據集通過圖像拼接、圖像翻轉和增加噪點等技術，對數據集進行擴充。目標檢測網絡使用擴充后的數據集進行訓練，獲得人員識別模型。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。本發明可以避免非施工人員誤入電力施工現場的狀況，有效實施對電力施工現場人員情況的監督，有力保證了電力施工現場的生命財產安全。

技術領域

本發明涉及目標檢測領域，并且更具體地，涉及一種電力作業場景下人員識別方法。

背景技術

近年來，隨著計算機視覺計算的逐漸成熟，尤其是神經網絡技術的飛速發展，深度學習技術開始應用于各類生產環境中。深度學習的概念最早起源于西方的數學家和計算機科學家對人工神經網絡的研究。人工神經網絡，它是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法模型，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。深度學習出現在生活中并且發揮著巨大的作用，目前也應用到了電力施工場景中。

在電力、建筑等作業現場存在特殊帶電或其他危險設備，且環境復雜，容易出現安全事故，如果非沒有達到電力工作要求的人員進入到電力施工現場，很容易造成人員傷亡。在日常電力作業階段，需要對這種現象進行監督，減少這種事情發生的概率。但是，由于作業人員自身安全意識不夠，容易出現非施工人員進入施工現場的情況，需要監護人員時刻在場監督，及時制止。通過數據統計發現，人工識別作業人員的身份會導致監護人員的勞動強度大，識別效率低下，智能化水平低下。

公開號為CN113378622A的中國專利公開了“一種特定人員識別方法、設備、系統及介質”根據獲取攝像系統抓拍的人臉圖像進行特征識別后的圖像特征值，判斷被抓拍人員是否為特定人員。但是這項技術對于圖像要求比較高，靈活性不夠，而且當前疫情期間使用人臉作為特定人員識別的特征，需要檢測人員摘下口罩，不符合當前現狀。

發明內容

針對現用技術的以上缺陷或者改進需求，本發明提供了一種電力作業場景下人員識別方法，其目的在于解決非施工人員誤入電力施工現場的狀況，有效實施對電力施工現場安全情況的監督，有力保證了電力施工現場人員的生命財產安全。

為實驗上述目的，按照本發明的一個方面，提供了一種電力作業場景下人員識別方法，包括如下步驟：

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；

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。

進一步的，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。