CN111723749A - 一种安全帽佩戴识别方法、系统及设备 - Google Patents

一种安全帽佩戴识别方法、系统及设备 Download PDF

Info

Publication number
CN111723749A
CN111723749A CN202010579042.0A CN202010579042A CN111723749A CN 111723749 A CN111723749 A CN 111723749A CN 202010579042 A CN202010579042 A CN 202010579042A CN 111723749 A CN111723749 A CN 111723749A
Authority
CN
China
Prior art keywords
model
power grid
grid construction
inspection image
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010579042.0A
Other languages
English (en)
Inventor
陈永洪
黄滔
曾深明
黄建莹
蔡振华
王流火
孙强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202010579042.0A priority Critical patent/CN111723749A/zh
Publication of CN111723749A publication Critical patent/CN111723749A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/20—Checking timed patrols, e.g. of watchman

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Human Computer Interaction (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)

Abstract

本发明公开了一种安全帽佩戴识别方法、系统及设备，包括：获取电网施工巡检图像并进行预处理，将图像输入到训练好的神经网络模型中得到电网施工巡检图像的工人特征；对工人特征进行评价，选取出安全帽相关特征；将安全帽相关特征输入到训练好的随机森林分类器模型中，得到电网施工巡检图像中的安全帽佩戴识别结果。本发明实施例利用双通道CNN数据流提取出电网施工巡检图像的工人特征，精度更高，能更准确地识别出图像中的工人特征；利用随机森林分类器模型对安全帽相关特征进行识别，随机森林分类器模型利用随机森林算法预测精度高、抗噪声能力强、拟合性能好的特点，从而能够在工人特征中的准确识别出安全帽的佩戴情况。

Description

一种安全帽佩戴识别方法、系统及设备
技术领域
本发明涉及图像识别领域，尤其涉及一种安全帽佩戴识别方法、系统以及设备。
背景技术
现有的电网线路故障多由降雨、大风或泥石流等自然灾害引起，一旦发生故障，虽然一定区域内电力巡检能够借助无人机进行，但具体线路的检修仍需要人工完成。通常的电网环境包括变电站、森林、河流等，具有复杂环境、危险等级高、遮盖物多的特点，使得无人机所获得的图像背景复杂，且由于发生故障的地方多是地势险峻、山高林密或江河跨越的地方，人员发生意外的可能性大，因而需要对检修的人员进行精确的识别以通过位置确保其安全性，而通过电力工人工作时佩戴的安全帽对其进行人员的识别是主要的定位和保护人员的方式。
现有安全帽识别主要采用传统的模式识别，通过图像预处理、图像特征提取、图像中安全帽识别等步骤进行佩戴识别，或采用神经网络等深度学习对安全帽进行识别。然而由于无人机巡检拍摄的安全帽的图像信息包含不同角度、不同光照或不同地区的信息，甚至是不同品牌的安全帽其数据特征也不相同，使得安全帽识别方法存在识别率波动大、易受周围环境干扰和颜色识别不精确等问题。因而如何提高安全帽在电力作业环境下的识别是亟需解决的问题。
综上所述，现有技术中对无人机采集到的电网施工巡检图像进行安全帽识别时，存在着识别精确度较低的技术问题。
发明内容
本发明提供了一种安全帽佩戴识别方法、系统以及设备，用于解决现有技术中对无人机采集到的电网施工巡检图像进行安全帽识别时，存在着识别精确度较低的技术问题。
本发明提供的一种安全帽佩戴识别方法，所述方法适用于预先训练好的神经网络模型以及训练好的随机森林分类器模型，所述神经网络模型为CNN双通道模型；方法包括以下步骤：
获取无人机拍摄的电网施工巡检图像，对电网施工巡检图像进行预处理；
将经过预处理后的电网施工巡检图像输入到训练好的神经网络模型中，训练好的神经网络模型输出电网施工巡检图像的工人特征；
采用线性判别法对电网施工巡检图像的工人特征进行评价，根据评价结果选取出安全帽相关特征；
将安全帽相关特征输入到训练好的随机森林分类器模型中，训练好的随机森林分类器输出电网施工巡检图像中的安全帽佩戴识别结果。
优选的，CNN双通道模型包括CNNa模型以及CNNb模型，CNNa模型以及CNNb模型均为9层网络结构，包括5个卷积层和4个全连接层，且最后一个全连接层输出512个神经单元。
优选的，对电网施工巡检图像进行预处理的过程包括：
对电网施工巡检图像进行缩放，分别将电网施工巡检图像的长和宽缩放至256像素，将缩放后的图像作为CNNa模型的输入；
将缩放后的电网施工巡检图像进行HSV变换，得到V通道图像，将V通道图像作为CNNb模型的输入。
优选的，训练好的神经网络模型输出电网施工巡检图像的工人特征的具体过程为：
神经网络模型对CNNa模型最后一个全连接层的输出与CNNb模型最后一个全连接层的输出进行交叉连接，将CNNa模型最后一个全连接层的输出和CNNb模型最后一个全连接层的输出分解成两个部分，对两个部分进行第二次混合，得到256维的特征向量，即电网施工巡检图像的工人特征。
优选的，得到预先训练好的神经网络模型的具体过程为：
设置神经网络模型中的CNNa模型的网络参数以及CNNb模型的网络参数；
将历史电网施工巡检图像以及历史电网施工巡检图像相对应的工人特征输入到神经网络模型中；
采用BP算法对神经网络模型进行训练，对神经网络模型的权重进行调整，直至神经网络模型输出的工人特征和历史电网施工巡检图像相对应的工人特征相同，得到训练好的神经网络模型。
优选的，采用常数分割模型对随机森林分类器模型进行训练，得到训练好的随机森林分类器模型。
优选的，采用常数分割模型对随机森林分类器模型进行训练的具体过程为：
获取训练样本，训练样本包括历史电网施工巡检图像的安全帽特征以及历史电网施工巡检图像中安全帽所对应的类别标签；
建立随机森林分类器模型，将训练样本输入到随机森林分类器模型中进行训练；
定义分割函数，在训练过程中对随机森林分类器模型中每一个树的每一个节点，计算训练样本的基尼系数，采用分割函数对基尼系数最小的训练样本进行分割，将训练样本划分为左子节点和右子节点，直至所有训练样本分割完毕。
优选的，采用线性判别法对电网施工巡检图像的工人特征进行评价的过程为：
计算电网施工巡检图像的每一个工人特征的类内离散度；
根据类内离散度计算电网施工图像的工人特征类离差；
基于类内离散度和类离差对电网施工图像的工人特征进行评分。
一种安全帽佩戴识别系统，包括图像获取模块、图像预处理模块、神经网络模型模块、评价模块以及随机森林分类器模型模块；
图像获取模块用于获取无人机拍摄的电网施工巡检图像；
图像预处理模块用于对电网施工巡检图像进行预处理，将经过预处理后的电网施工巡检图像输入到神经网络模型模块中；
神经网络模型模块用于提供神经网络模型，对神经网络模型进行训练，得到训练好的神经网络模型；训练好的神经网络模型用于输出电网施工巡检图像的工人特征；其中，神经网络模型为CNN双通道模型；
评价模块用于采用线性判别法对电网施工巡检图像的工人特征进行评价，根据评价结果选取出安全帽相关特征，将安全帽相关特征输入到训练好的随机森林分类器模型中；
随机森林分类器模型模块用于提供随机森林分类器模型，对随机森林分类器模型进行训练，得到训练好的随机森林分类器模型，训练好的随机森林分类器模型用于输出电网施工巡检图像中的安全帽佩戴识别结果。
一种安全帽佩戴识别设备，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述的一种安全帽佩戴识别方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例通过建立包含有CNN双通道模型的神经网络模型，利用双通道CNN数据流提取出电网施工巡检图像的工人特征，与传统方式相比，通过双通道交叉混合运算得到的工人特征的精度更高，能更准确地识别出图像中的工人特征；之后，通过线性判别法从工人特征中选取出安全帽相关特征，减小后续算随机森林分类器模型的计算维度；利用随机森林分类器模型对安全帽相关特征进行识别，从而得到电网施工巡检图像中的安全帽佩戴识别结果，随机森林分类器模型利用随机森林算法预测精度高、抗噪声能力强、拟合性能好的特点，从而能够在工人特征中的识别出安全帽的佩戴情况，进一步提了对安全帽佩戴的识别率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种安全帽佩戴识别方法、系统及设备的方法流程图。
图2为本发明实施例提供的一种用户用电量预测方法、系统及设备的CNN双通道模型的结构示意图。
图3为本发明实施例提供的一种用户用电量预测方法、系统及设备的系统框架图。
图4为本发明实施例提供的一种用户用电量预测方法、系统及设备的设备框架图。
具体实施方式
本发明实施例提供了一种用户用电量预测方法、系统以及设备，用于解决现有技术中智能用电技术仅有少数研究立足于电网侧，使得电力企业无法准确地对用户的未来用电量趋势进行合理预测的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种用户用电量预测方法、系统及设备的方法流程图。
实施例1
本发明实施例提供的一种安全帽佩戴识别方法，所述方法适用于预先训练好的神经网络模型以及训练好的随机森林分类器模型，所述神经网络模型为CNN双通道模型；方法包括以下步骤：
在本实施例中，通过无人机来拍摄需要进行施工巡检的输电线路的图像，在无人机拍摄到电网施工巡检图像以后，实时获取无人机拍摄的电网施工巡检图像，对电网施工巡检图像进行预处理，使得电网施工巡检图像能够输入到神经网络模型中进行识别；
将经过预处理后的电网施工巡检图像输入到训练好的神经网络模型中，神经网络模型中的CNN双通道对电网施工巡检图像的工人特征进行识别，在识别完成后输出电网施工巡检图像的工人特征；
采用线性判别法对电网施工巡检图像的工人特征进行评价，根据评价结果选取出安全帽相关特征；从而减小后续算随机森林分类器模型的计算维度以及搜索范围，避免进行无意义的计算，提高计算效率；
头盔的颜色有很多种，变电站等地复杂的环境导致了图像背景的复杂。考虑到通常使用logistic分类器来实现二分类问题，虽然softmax分类器可以解决多个分类问题，但是对于复杂和容易混淆的目标，softmax的分类错误率很高。因此，logistic分类器和softmax分类器不适用于头盔识别。
本发明将深度学习与传统的机器学习理论相结合，提出了一种结合深度学习的随机森林分类方法。随机森林作为一种统计学习理论，主要实现了投票决策的功能来决定预测结果，具有预测精度高、抗噪声能力强、拟合性能好等特点。因此，本发明采用一个随机森林分类器，通过生成多个随机选择的样本子集和由特征子空间生成的决策树，形成一个决策森林，在分类阶段通过投票得到分类结果。
将安全帽相关特征输入到训练好的随机森林分类器模型中，随机森林分类器模型中，每棵随机树根据分配器函数从根节点下降，直至到达叶节点。由于是基于像素级的训练，所以需要每个像素都需要标签，这个标签包括每个像素所属的安全帽相关特征以及对应的二维图像坐标。线性判别法选择出安全帽相关特征的集合，用于区分不同的安全帽。在得到每个像素的安全帽相关特征后，通过安全帽相关特征来训练随机森林，其中，上一个随机森林的输出是下一个随机森林的输入，相邻的随机森林互相关联。
在叶节点处获得安全帽相关特征的类别预测值，最后使用来自随机森林分类器模型的最大投票数的类别预测值作为安全帽相关特征的标签，即安全帽佩戴识别结果。
由于是在像素级进行训练与预测，通常一幅图像中的某个物体由大量像素组成，所以在实际训练的时候不需要太大的样本(样本过多的话需要在训练数据上花费很长时间)，不过要尽量包含各个姿态下的数据，这样模型才能尽可能的准确，一般100张图像(对每类物体来说)即可。
实施例2
本发明实施例提供的一种安全帽佩戴识别方法，所述方法适用于预先训练好的神经网络模型以及训练好的随机森林分类器模型，所述神经网络模型为CNN双通道模型；CNN双通道模型包括CNNa模型以及CNNb模型，CNNa模型以及CNNb模型均为9层网络结构，包括5个卷积层和4个全连接层，且最后一个全连接层输出512个神经单元。
需要进一步说明的是，如图2所示，CNNa模型以及CNNb模型的第1-5层为CL，卷积核个数分别为96、256、384、384、256；卷积核的大小分别为11*11*3，5*5*48，3*3*56，3*3*192，3*3*192；卷积运算的步骤分别为4、1、1、1、1。第五层是卷积网络层，第6层、第7层、第8层、第9层均为FCL，神经单位数分别为4096、2048、1024、512。
在本实施例中，通过无人机来拍摄需要进行施工巡检的输电线路的图像，在无人机拍摄到电网施工巡检图像以后，实时获取无人机拍摄的电网施工巡检图像，对电网施工巡检图像进行预处理，对电网施工巡检图像进行预处理的过程包括：
对电网施工巡检图像进行缩放，分别将电网施工巡检图像的长和宽缩放至256像素，将缩放后的图像作为CNNa模型的输入；
需要进一步说明的是，对于长度和宽度相同的图像，首先将图像缩放到256像素长和256像素宽。然而，对于不同长度和宽度的图像，直接缩放会改变图像的长宽比，导致图像失真。因此，首先将不同长度和宽度的图像的长边固定为256像素，然后根据长边的比例变换图像的宽度，对于变换后的空部分，则填充0。
将缩放后的电网施工巡检图像进行HSV变换，得到V通道图像，将V通道图像作为CNNb模型的输入。由于人眼对亮度成分比对色调和饱和度更敏感，因此将HSV变换后的V通道网施工巡检图像作为CNNb的输入。
将经过预处理后的电网施工巡检图像输入到训练好的神经网络模型中，神经网络模型中的CNN双通道对电网施工巡检图像的工人特征进行识别，神经网络模型对CNNa模型最后一个全连接层的输出与CNNb模型最后一个全连接层的输出进行交叉连接，将CNNa模型最后一个全连接层的输出和CNNb模型最后一个全连接层的输出分解成两个部分，每个部分包含512个神经元，对两个部分进行第二次混合，得到256维的特征向量，即电网施工巡检图像的工人特征。
采用线性判别法对电网施工巡检图像的工人特征进行评价，根据评价结果选取出安全帽相关特征；从而减小后续算随机森林分类器模型的计算维度以及搜索范围，避免进行无意义的计算，提高计算效率；
将安全帽相关特征输入到训练好的随机森林分类器模型中，随机森林分类器模型中，每棵随机树根据分配器函数从根节点下降，直至到达叶节点。在叶节点处获得安全帽相关特征的类别预测值，最后使用来自随机森林分类器模型的最大投票数的类别预测值作为安全帽相关特征的标签，即安全帽佩戴识别结果。
作为一个优选的实施例，得到预先训练好的神经网络模型的具体过程为：
设置神经网络模型中的CNNa模型的网络参数以及CNNb模型的网络参数；需要进一步说明的是，对于CNN模型，模型的参数反映了模型的拟合能力，神经元和参数的数量与卷积核的大小有关，卷积核的减少和步长的减小会导致功能图的增加，从而导致特征数量的增加，因此，需要对CNN模型的参数进行设置，从而调整最终的特征数量，具体的参数数据如表1所示。
Figure BDA0002552440210000081
表1
将历史电网施工巡检图像以及历史电网施工巡检图像相对应的工人特征输入到神经网络模型中；
采用BP算法对神经网络模型进行训练，对神经网络模型的权重进行调整，直至神经网络模型输出的工人特征和历史电网施工巡检图像相对应的工人特征相同，得到训练好的神经网络模型，具体过程如下：
设XL为CNN网络中上一层的输出，wL为权值矩阵，gL表示激活函数，则CNN网络的输出Z表示为:
z＝gL(XL；wL)
在CNN网络的顶部，使用对数损失误差函数来计算输出结果与实际结果的差值，则L层的损失函数表示为:
Figure BDA0002552440210000091
其中，xi是输入值，n是历史电网施工巡检图像的图像数量，yi是xi所属的工人特征的类型，λ是L2的正则化系数，L是L层的权重矩阵，k0是k次更新权重矩阵。
假设CNN网络的目标函数表示为:
Figure BDA0002552440210000092
其中，wL的值根据下式不断更新：
Figure BDA0002552440210000093
在得到目标函数的最优解的过程中，通过上式迭代可以收敛神经网络模型的输出值与实际值之间的误差。YL是特征值矩阵。
使用下式更新CNN输出层的权值矩阵wL：
Figure BDA0002552440210000094
使用下式更新神经网络模型中CNNa和CNNb的两个交叉混合层的权值：
Figure BDA0002552440210000101
其中，A、B分别代表CNNa和CNNb的变换矩阵，gA和gB分别表示A和B的转换系数，wA和wB分别代表A和B的权重，
对于CNN网络的卷积层L，如果下一层是MPL，则卷积层L的误差表示为：
Figure BDA0002552440210000102
yL是MPL误差；gL是MPL的转换函数；upsample(·)是MPL函数的转换函数。当使用unsample(·)对最大值进行采样时，找到并记录采样块中最大值的位置。
作为一个优选的实施例，采用常数分割模型对随机森林分类器模型进行训练，得到训练好的随机森林分类器模型，具体过程为：
获取训练样本，训练样本包括历史电网施工巡检图像的安全帽特征以及历史电网施工巡检图像中安全帽所对应的类别标签；
建立随机森林分类器模型，将训练样本输入到随机森林分类器模型中进行训练；
为了在随机森林中训练一棵树，输入空间被递归地划分为一组不相交的分区，从与整个输入空间对应的根节点开始。在每个节点上，每个分区需要确定一组分割规则和预测模型以减少损失。考虑到神经网络模型提取的图像特征维数，本实施例中选择常数分割模型对随机森林分类器模型进行训练。通过定义分割函数，在训练过程中对随机森林分类器模型中每一个树的每一个节点，计算训练样本的基尼系数，采用分割函数对基尼系数最小的训练样本进行分割，将训练样本划分为左子节点和右子节点，直至所有训练样本分割完毕，具体过程如下：
对于随机森林中的每个节点，随机选取维度和阈值，生成多个假设检验。考虑到广泛应用于选择分割属性的决策树算法中的基尼系数标准最小值，选取训练样本后，将训练样本分别划分为左子节点和右子节点。
假设随机森林是一组树F＝{Ti}，Ti是F其中的一棵树，对随机选取的训练样本进行训练，S＝{si＝(Xi,yi)}Xi∈Rd为训练样本的特征向量，si为对应图像的类别标签。yi给定特征，在每个节点，分割函数定义为:
Figure BDA0002552440210000111
其中，T0为阈值。
Figure BDA0002552440210000112
是向量的维数。Xi在每个节点上，使用所选的维度和阈值将每个训练样本发送到左子树或右子树，并被分割为Sl和Sr，训练继续分离训练样本，直到所有训练样本都被分离。
假设训练样本S来自m个不同的类，构成集合Ci(i＝1,…,m)。集合的基尼系数定义为S：
Figure BDA0002552440210000113
其中pi为类中样本个数Ci与集合中样本个数S的比值。
基尼系数是一种不纯测度，当集合中的所有训练样本都属于一个类时，基尼系数达到最小值。当集合中所有训练样本分布均匀时，基尼系数达到最大值。在假设检验中，S被分为两个子集，Sl和Sr。则基尼系数可表示为:
Figure BDA0002552440210000114
因此，在随机森林中的每个节点，随机选择测试维度和测试阈值，选择给出最小值的节点进行训练样本分割。
作为一个优选的实施例，采用线性判别法对电网施工巡检图像的工人特征进行评价的过程为：
计算电网施工巡检图像的每一个工人特征的类内离散度，具体如下：
在特征的选择中，独立处理图像的每一个工人特征的维度，并以类似于Filch标准的方式评估每个特征的有效性，对于每个维度的类内离散度
Figure BDA0002552440210000115
的计算公式为：
Figure BDA0002552440210000121
Figure BDA0002552440210000122
Figure BDA0002552440210000123
其中，k是为图像所表示的维数；m表示要分隔的类别的数目；X表示图像特征向量；Di为类别i的样本集；ni为类别i的样本个数。类内散射给出了同一类别样本在测试维度上的方差。
根据类内离散度计算电网施工图像的工人特征类离差，工人特征类离差
Figure BDA0002552440210000124
的计算公式为：
Figure BDA0002552440210000125
Figure BDA0002552440210000126
其中n为所有类别的样本总数；D类间离散矩阵给出了不同类别的样本在维数k上的不同。
基于类内离散度和类离差对电网施工图像的工人特征进行评分，评分标准f(k)为：
Figure BDA0002552440210000127
但如果直接根据评分标准进行特征选择，则后续随机森林分类器模型的分类性能会出现不稳定的情况。为了降低所选维度之间的相关性，本实施例对特征进行了顺序选择，使得每个新选择的特征的维度与之前所选特征的维度的相关性最小。
设K为所选特征的维数的集合，为了给K添加的新的维度，定义L为未选择的维度的候选集，其概率由所有未选择维度的分数加权。l是L候选集合中被选中的维度，l与维度K的相关性Cor(l,k)可以通过以下公式计算：
Figure BDA0002552440210000131
然后，选择要加到l的维数k，得到：
Figure BDA0002552440210000132
如图3所示，一种安全帽佩戴识别系统，包括图像获取模块201、图像预处理模块202、神经网络模型模块203、评价模块204以及随机森林分类器模型模块205；
图像获取模块201用于获取无人机拍摄的电网施工巡检图像；
图像预处理模块202用于对电网施工巡检图像进行预处理，将经过预处理后的电网施工巡检图像输入到神经网络模型模块中；
神经网络模型模块203用于提供神经网络模型，对神经网络模型进行训练，得到训练好的神经网络模型；训练好的神经网络模型用于输出电网施工巡检图像的工人特征；其中，神经网络模型为CNN双通道模型；
评价模块204用于采用线性判别法对电网施工巡检图像的工人特征进行评价，根据评价结果选取出安全帽相关特征，将安全帽相关特征输入到训练好的随机森林分类器模型中；
随机森林分类器模型模块205用于提供随机森林分类器模型，对随机森林分类器模型进行训练，得到训练好的随机森林分类器模型，训练好的随机森林分类器模型用于输出电网施工巡检图像中的安全帽佩戴识别结果。
如图4所示，一种安全帽佩戴识别设备30，所述设备包括处理器300以及存储器301；
所述存储器301用于存储程序代码302，并将所述程序代码302传输给所述处理器；
所述处理器300用于根据所述程序代码302中的指令执行上述的一种安全帽佩戴识别方法中的步骤。
示例性的，所述计算机程序302可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器301中，并由所述处理器300执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序302在所述终端设备30中的执行过程。
所述终端设备30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器300、存储器301。本领域技术人员可以理解，图4仅仅是终端设备30的示例，并不构成对终端设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器300可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-ProgrammaBle GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器301可以是所述终端设备30的内部存储单元，例如终端设备30的硬盘或内存。所述存储器301也可以是所述终端设备30的外部存储设备，例如所述终端设备30上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器301还可以既包括所述终端设备30的内部存储单元也包括外部存储设备。所述存储器301用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器301还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种安全帽佩戴识别方法，其特征在于，所述方法适用于预先训练好的神经网络模型以及训练好的随机森林分类器模型，所述神经网络模型为CNN双通道模型；方法包括以下步骤：
获取无人机拍摄的电网施工巡检图像，对电网施工巡检图像进行预处理；
将经过预处理后的电网施工巡检图像输入到训练好的神经网络模型中，训练好的神经网络模型输出电网施工巡检图像的工人特征；
采用线性判别法对电网施工巡检图像的工人特征进行评价，根据评价结果选取出安全帽相关特征；
将安全帽相关特征输入到训练好的随机森林分类器模型中，训练好的随机森林分类器输出电网施工巡检图像中的安全帽佩戴识别结果。
2.根据权利要求1所述的一种安全帽佩戴识别方法，其特征在于，CNN双通道模型包括CNNa模型以及CNNb模型，CNNa模型以及CNNb模型均为9层网络结构，包括5个卷积层和4个全连接层，且最后一个全连接层输出512个神经单元。
3.根据权利要求2所述的一种安全帽佩戴识别方法，其特征在于，对电网施工巡检图像进行预处理的过程包括：
对电网施工巡检图像进行缩放，分别将电网施工巡检图像的长和宽缩放至256像素，将缩放后的图像作为CNNa模型的输入；
将缩放后的电网施工巡检图像进行HSV变换，得到V通道图像，将V通道图像作为CNNb模型的输入。
4.根据权利要求2所述的一种安全帽佩戴识别方法，其特征在于，训练好的神经网络模型输出电网施工巡检图像的工人特征的具体过程为：
神经网络模型对CNNa模型最后一个全连接层的输出与CNNb模型最后一个全连接层的输出进行交叉连接，将CNNa模型最后一个全连接层的输出和CNNb模型最后一个全连接层的输出分解成两个部分，对两个部分进行第二次混合，得到256维的特征向量，即电网施工巡检图像的工人特征。
5.根据权利要求2所述的一种安全帽佩戴识别方法，其特征在于，得到预先训练好的神经网络模型的具体过程为：
设置神经网络模型中的CNNa模型的网络参数以及CNNb模型的网络参数；
将历史电网施工巡检图像以及历史电网施工巡检图像相对应的工人特征输入到神经网络模型中；
采用BP算法对神经网络模型进行训练，对神经网络模型的权重进行调整，直至神经网络模型输出的工人特征和历史电网施工巡检图像相对应的工人特征相同，得到训练好的神经网络模型。
6.根据权利要求5所述的一种安全帽佩戴识别方法，其特征在于，采用常数分割模型对随机森林分类器模型进行训练，得到训练好的随机森林分类器模型。
7.根据权利要求6所述的一种安全帽佩戴识别方法，其特征在于，采用常数分割模型对随机森林分类器模型进行训练的具体过程为：
获取训练样本，训练样本包括历史电网施工巡检图像的安全帽特征以及历史电网施工巡检图像中安全帽所对应的类别标签；
建立随机森林分类器模型，将训练样本输入到随机森林分类器模型中进行训练；
定义分割函数，在训练过程中对随机森林分类器模型中每一个树的每一个节点，计算训练样本的基尼系数，采用分割函数对基尼系数最小的训练样本进行分割，将训练样本划分为左子节点和右子节点，直至所有训练样本分割完毕。
8.根据权利要求7所述的一种安全帽佩戴识别方法，其特征在于，采用线性判别法对电网施工巡检图像的工人特征进行评价的过程为：
计算电网施工巡检图像的每一个工人特征的类内离散度；
根据类内离散度计算电网施工图像的工人特征类离差；
基于类内离散度和类离差对电网施工图像的工人特征进行评分。
9.一种安全帽佩戴识别系统，其特征在于，包括图像获取模块、图像预处理模块、神经网络模型模块、评价模块以及随机森林分类器模型模块；
图像获取模块用于获取无人机拍摄的电网施工巡检图像；
图像预处理模块用于对电网施工巡检图像进行预处理，将经过预处理后的电网施工巡检图像输入到神经网络模型模块中；
神经网络模型模块用于提供神经网络模型，对神经网络模型进行训练，得到训练好的神经网络模型；训练好的神经网络模型用于输出电网施工巡检图像的工人特征；其中，神经网络模型为CNN双通道模型；
评价模块用于采用线性判别法对电网施工巡检图像的工人特征进行评价，根据评价结果选取出安全帽相关特征，将安全帽相关特征输入到训练好的随机森林分类器模型中；
随机森林分类器模型模块用于提供随机森林分类器模型，对随机森林分类器模型进行训练，得到训练好的随机森林分类器模型，训练好的随机森林分类器模型用于输出电网施工巡检图像中的安全帽佩戴识别结果。
10.一种安全帽佩戴识别设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1～8任一项所述的一种安全帽佩戴识别方法。
CN202010579042.0A 2020-06-23 2020-06-23 一种安全帽佩戴识别方法、系统及设备 Pending CN111723749A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010579042.0A CN111723749A (zh) 2020-06-23 2020-06-23 一种安全帽佩戴识别方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010579042.0A CN111723749A (zh) 2020-06-23 2020-06-23 一种安全帽佩戴识别方法、系统及设备

Publications (1)

Publication Number Publication Date
CN111723749A true CN111723749A (zh) 2020-09-29

Family

ID=72568267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010579042.0A Pending CN111723749A (zh) 2020-06-23 2020-06-23 一种安全帽佩戴识别方法、系统及设备

Country Status (1)

Country Link
CN (1) CN111723749A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906533A (zh) * 2021-02-07 2021-06-04 成都睿码科技有限责任公司 一种基于自适应检测区域的安全帽佩戴检测方法
CN113052107A (zh) * 2021-04-01 2021-06-29 北京华夏启信科技有限公司 一种检测安全帽佩戴情况的方法、计算机设备及存储介质
CN114003058A (zh) * 2021-10-25 2022-02-01 上海宝冶冶金工程有限公司 一种安全帽佩戴智慧巡检系统及方法
CN114783078A (zh) * 2022-04-07 2022-07-22 华能武汉发电有限责任公司 一种近电安全报警的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106323937A (zh) * 2016-08-08 2017-01-11 大连海事大学 一种高辨识力的原油指纹谱构建及鉴别方法
CN109932627A (zh) * 2019-04-30 2019-06-25 国网山东省电力公司烟台供电公司 一种gis耐压试验局部放电的定位方法及系统
CN110414483A (zh) * 2019-08-13 2019-11-05 山东浪潮人工智能研究院有限公司 一种基于深度神经网络和随机森林的人脸识别方法及系统
CN110598560A (zh) * 2019-08-15 2019-12-20 重庆特斯联智慧科技股份有限公司 基于神经网络增强的夜间监控识别方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106323937A (zh) * 2016-08-08 2017-01-11 大连海事大学 一种高辨识力的原油指纹谱构建及鉴别方法
CN109932627A (zh) * 2019-04-30 2019-06-25 国网山东省电力公司烟台供电公司 一种gis耐压试验局部放电的定位方法及系统
CN110414483A (zh) * 2019-08-13 2019-11-05 山东浪潮人工智能研究院有限公司 一种基于深度神经网络和随机森林的人脸识别方法及系统
CN110598560A (zh) * 2019-08-15 2019-12-20 重庆特斯联智慧科技股份有限公司 基于神经网络增强的夜间监控识别方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马仪等: "双通道卷积神经网络模型电力设备图像识别方法", 《云南电力技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906533A (zh) * 2021-02-07 2021-06-04 成都睿码科技有限责任公司 一种基于自适应检测区域的安全帽佩戴检测方法
CN113052107A (zh) * 2021-04-01 2021-06-29 北京华夏启信科技有限公司 一种检测安全帽佩戴情况的方法、计算机设备及存储介质
CN113052107B (zh) * 2021-04-01 2023-10-24 北京华夏启信科技有限公司 一种检测安全帽佩戴情况的方法、计算机设备及存储介质
CN114003058A (zh) * 2021-10-25 2022-02-01 上海宝冶冶金工程有限公司 一种安全帽佩戴智慧巡检系统及方法
CN114003058B (zh) * 2021-10-25 2024-01-26 上海宝冶冶金工程有限公司 一种安全帽佩戴智慧巡检系统及方法
CN114783078A (zh) * 2022-04-07 2022-07-22 华能武汉发电有限责任公司 一种近电安全报警的方法及装置
CN114783078B (zh) * 2022-04-07 2023-11-28 华能武汉发电有限责任公司 一种近电安全报警的方法及装置

Similar Documents

Publication Publication Date Title
CN111027378B (zh) 行人重识别的方法、装置、终端及存储介质
CN111723749A (zh) 一种安全帽佩戴识别方法、系统及设备
Esmaeili et al. Hyperspectral image band selection based on CNN embedded GA (CNNeGA)
US9805293B2 (en) Method and apparatus for object recognition in image processing
CN114445785B (zh) 基于物联网的荔枝虫害监测预警方法、系统及存储介质
CN110414541B (zh) 用于识别物体的方法、设备和计算机可读存储介质
CN112528058B (zh) 基于图像属性主动学习的细粒度图像分类方法
CN111275058B (zh) 一种基于行人重识别的安全帽佩戴与颜色识别方法及装置
Hao et al. Growing period classification of Gynura bicolor DC using GL-CNN
CN112991362B (zh) 一种基于混合高斯模型的色选机粘连物料图像分割方法
CN116071600B (zh) 一种基于多分类概率的农作物遥感识别方法及装置
CN116863345A (zh) 一种基于双重注意力和尺度融合的高分影像农田识别方法
CN112287957A (zh) 目标匹配方法与装置
CN111767943A (zh) 地膜识别方法、装置、电子设备及存储介质
CN112380985A (zh) 变电站入侵异物实时检测方法
CN116052082A (zh) 一种基于深度学习算法的配电站房异常检测方法及装置
CN109035223A (zh) 一种用于卫星遥感图像可用度的智能评估方法
CN110874835B (zh) 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质
CN110659585B (zh) 一种基于交互属性监督的行人检测方法
CN116416523A (zh) 一种基于机器学习的水稻生长阶段的识别系统和方法
CN110855474A (zh) Kqi数据的网络特征提取方法、装置、设备及存储介质
CN114842006B (zh) 一种数字孪生台区电力线检测方法及其相关装置
CN112084953B (zh) 一种人脸属性识别的方法、系统、设备及可读存储介质
Zhang et al. Visual fusion of network security data in image recognition
Junos et al. Improved hybrid feature extractor in lightweight convolutional neural network for postharvesting technology: automated oil palm fruit grading

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200929