CN111914743A - 一种变电站员工安全帽检测方法及装置 - Google Patents
一种变电站员工安全帽检测方法及装置 Download PDFInfo
- Publication number
- CN111914743A CN111914743A CN202010758405.7A CN202010758405A CN111914743A CN 111914743 A CN111914743 A CN 111914743A CN 202010758405 A CN202010758405 A CN 202010758405A CN 111914743 A CN111914743 A CN 111914743A
- Authority
- CN
- China
- Prior art keywords
- picture
- pictures
- safety helmet
- training
- detection
- 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
Links
- 238000000034 method Methods 0.000 title abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 171
- 238000001514 detection method Methods 0.000 claims abstract description 141
- 238000012360 testing method Methods 0.000 claims abstract description 80
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000003321 amplification Effects 0.000 claims description 13
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 13
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 102100024061 Integrator complex subunit 1 Human genes 0.000 description 2
- 101710092857 Integrator complex subunit 1 Proteins 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 101000767160 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) Intracellular protein transport protein USO1 Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明实施例公开了一种变电站员工安全帽检测方法及装置,变电站员工安全帽检测方法包括:获取多张图片;基于MSRCP算法对多张图片进行数据预处理,得到多张对比度增强的图片,并将多张对比度增强的图片中的一部分图片作为训练图片,另一部分图片作为测试图片;使用多张训练图片对FasterRCNN目标检测网络进行训练,得到训练好的网络训练权重模型,并通过测试图片对训练好的网络训练权重模型进行测试,以确保网络训练权重模型的检测性能;基于测试后的网络训练权重模型确定待检测图片中的目标特征区域,并检测目标特征区域是否有对应安全帽的目标特征。本发明实施例提供的变电站员工安全帽检测方法及装置,能够提高变电站员工安全帽检测效率和检测的可靠性。
Description
技术领域
本发明实施例涉及变电站检测技术,尤其涉及一种变电站员工安全帽检测方法及装置。
背景技术
在变电站施工现场,需要确保工作人员始终佩戴安全帽。然而,一些工作人员缺乏安全意识,经常忘记或不戴安全帽。根据我国电网公司的统计,绝大多数事故都是由于职工操作不规范造成的,其中,未佩戴安全帽是最大的问题。因此,为了员工安全减少事故发生,需及时检测员工是否佩戴安全帽。
目前,现有的变电站员工安全帽检测方法,在对变电站作业现场的员工是否佩戴安全帽进行检测时大多依赖人工对作业视频进行监控,检测速度较慢,耗费大量的人力,会带来工作量较大且工作效率较低的问题。
发明内容
本发明实施例提供一种变电站员工安全帽检测方法及装置,以提高变电站员工安全帽检测效率和检测的可靠性。
第一方面,本发明实施例提供了一种变电站员工安全帽检测方法,该方法包括:
获取多张图片;其中,多张图片中包括人员佩戴安全帽的图片和人员未佩戴安全帽的图片;
基于MSRCP算法对多张图片进行数据预处理,得到多张对比度增强的图片,并将多张对比度增强的图片中的一部分图片作为训练图片,另一部分图片作为测试图片;
使用多张训练图片对Faster RCNN目标检测网络进行训练,得到训练好的网络训练权重模型,并通过测试图片对训练好的网络训练权重模型进行测试,以确保网络训练权重模型的检测性能;
基于测试后的网络训练权重模型确定待检测图片中的目标特征区域,并检测目标特征区域是否有对应安全帽的目标特征。
可选的,基于MSRCP算法对多张图片进行数据预处理,得到多张对比度增强的图片,包括:
基于MSRCP算法确定图片对应的强度通道图像;
基于MSR增强算法确定强度通道图像的增强图像;
根据强度通道图像和增强图像确定图片的每个通道的放大系数;
对图片的每个通道以放大系数对应的数值进行放大,得到对比度增强的图片。
可选的,使用多张训练图片对Faster RCNN目标检测网络进行训练,包括:
对训练图片中对应的人员头部位置进行标注,并将标注后的训练图片输入到Faster RCNN目标检测网络;
Faster RCNN目标检测网络基于聚类算法对训练图片中目标特征区域的尺寸进行聚类分析,确定目标特征区域对应的边界框的长宽比和边界框的类别以及网络损失值;
当网络损失值收敛到预设损失阈值时,停止训练。
可选的,通过测试图片对训练好的网络训练权重模型进行测试,包括:
将测试图片输入训练好的网络训练权重模型,基于网络训练权重模型对测试图片进行检测,得到检测结果;
根据检测结果确定网络训练权重模型的检测性能。
可选的,检测性能为TP/(TP+FP);其中,TP为测试图片中人员安全帽佩戴情况被预测正确的图片数量,FP为测试图片中人员安全帽佩戴情况被预测成设备的图片数量。
可选的,训练图片的数量大于测试图片的数量。
可选的,训练图片和测试图片均包括人员佩戴安全帽的图片和人员未佩戴安全帽的图片。
可选的,训练图片和测试图片均包括人员佩戴安全帽的图片和人员未佩戴安全帽的图片。
第二方面,本发明实施例还提供了一种变电站员工安全帽检测装置,包括:
图片获取模块,用于获取多张图片;其中,多张图片中包括人员佩戴安全帽的图片和人员未佩戴安全帽的图片;
数据处理模块,用于基于MSRCP算法对多张图片进行数据预处理,得到多张对比度增强的图片,并将多张对比度增强的图片中的一部分图片作为训练图片,另一部分图片作为测试图片;
网络训练模块,用于使用多张训练图片对Faster RCNN目标检测网络进行训练,得到训练好的网络训练权重模型,并通过测试图片对训练好的网络训练权重模型进行测试,以确保网络训练权重模型的检测性能;
目标检测模块,用于基于测试后的网络训练权重模型确定待检测图片中的目标特征区域,并检测目标特征区域是否有对应安全帽目标特征。
本发明实施例提供的变电站员工安全帽检测方法及装置,基于MSRCP算法对获取的多张图片进行数据预处理,得到多张对比度增强的图片,并将多张对比度增强的图片中的一部分图片作为训练图片,另一部分图片作为测试图片,使用多张训练图片对FasterRCNN目标检测网络进行训练,得到训练好的网络训练权重模型,并通过测试图片对训练好的网络训练权重模型进行测试,以确保网络训练权重模型的检测性能,基于测试后的网络训练权重模型确定待检测图片中的目标特征区域,并检测目标特征区域是否有对应安全帽的目标特征。与现有的变电站员工安全帽检测方法相比,本发明实施例提供的变电站员工安全帽检测方法及装置,基于对Faster RCNN目标检测网络进行训练后得到的训练好的网络训练权重模型确定待检测图片中的目标特征区域,并检测目标特征区域是否有对应安全帽的目标特征,不需人工辅助即可自动完成检测,可提高检测效率,并且基于MSRCP算法增强图片的对比度保证图片质量,减少图片对比度较低对训练可靠性和测试可靠性的影响,确保网络训练权重模型的检测性能,从而提高变电站员工安全帽检测的可靠性。
附图说明
图1是本发明实施例一提供的一种变电站员工安全帽检测方法的流程图;
图2是本发明实施例一提供的一种图像对比度增强的示意图;
图3是本发明实施例二提供的一种变电站员工安全帽检测方法的流程图;
图4是本发明实施例二提供的一种检测变电站员工佩戴安全帽和未佩戴安全帽的示意图;
图5是本发明实施例三提供的一种变电站员工安全帽检测装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种变电站员工安全帽检测方法的流程图,本实施例可适用于变电站施工现场的变电站员工安全帽检测等情况,该方法可以由变电站员工安全帽检测装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在具有变电站员工安全帽检测功能的电子设备如计算机中,该方法具体包括如下步骤:
步骤110、获取多张图片。
其中,多张图片中包括人员佩戴安全帽的图片和人员未佩戴安全帽的图片。变电站员工安全帽检测装置可通过自身设置与图像采集设备电连接的输入端口获取多张如一千张图片,获取的图片包括变电站施工现场人员佩戴安全帽的图片和人员未佩戴安全帽的图片,还可包括其它场景有人员的图片如人员在室内或室外的图片。
步骤120、基于MSRCP算法对多张图片进行数据预处理,得到多张对比度增强的图片,并将多张对比度增强的图片中的一部分图片作为训练图片,另一部分图片作为测试图片。
具体的,可基于MSRCP算法确定图片对应的强度通道图像,并基于MSR增强算法确定强度通道图像的增强图像,根据强度通道图像和增强图像确定图片的每个通道的放大系数,对图片的每个通道以放大系数对应的数值进行放大,得到对比度增强的图片,如图2所示,图2是本发明实施例一提供的一种图像对比度增强的示意图。图2中(a)图为原图片,(b)图为原图片对应的对比度增强的图片,基于MSRCP算法对图片如(a)图进行数据预处理,得到的对比度增强的图片即如(b)图所示,从图2中可以看出,当天气恶劣或图像较暗时,MSRCP增强算法在保持原始图像颜色的同时,在一定程度上也保留了图像的细节,图像对比度增强,从而提高了图像质量,以通过高质量的训练图片提高训练结果的可靠性。在多张对比度增强的图片中得到的训练图片的数量大于测试图片的数量,如对比度增强的图片有一千张,可随机选取其中九百张作为训练图片,另外一百张作为测试图片,即训练图片的数量远远多于测试图片的数量,以保证训练图片足够多,使训练更可靠;训练图片和测试图片均包括人员佩戴安全帽的图片和人员未佩戴安全帽的图片这两类图片,从而确保训练和测试过程中使用的图片均包括以上两类图片,以使训练和测试更可靠。
步骤130、使用多张训练图片对Faster RCNN目标检测网络进行训练,得到训练好的网络训练权重模型,并通过测试图片对训练好的网络训练权重模型进行测试,以确保网络训练权重模型的检测性能。
具体的,对训练图片中对应的人员头部位置进行标注,并将标注后的训练图片输入到Faster RCNN目标检测网络,Faster RCNN目标检测网络基于聚类算法对训练图片中目标特征区域的尺寸进行聚类分析,确定目标特征区域对应的边界框的长宽比和边界框的类别以及网络损失值,当网络损失值收敛到预设损失阈值时,表示训练达到了较好的程度,则停止训练,得到训练好的网络训练权重模型。并将测试图片输入训练好的网络训练权重模型,基于网络训练权重模型对测试图片进行检测,得到检测结果,根据检测结果确定网络训练权重模型的检测性能。如检测结果中包括检测速度和检测准确率,若检测速度和检测准确率均达到各自对应的预设阈值,则表示网络训练权重模型的检测性能较好,可以基于网络训练权重模型对待检测图片进行检测,以确定待检测图片中有无目标特征。
步骤140、基于测试后的网络训练权重模型确定待检测图片中的目标特征区域,并检测目标特征区域是否有对应安全帽的目标特征。
其中,待检测图片可以是通过变电站监测设备拍摄的变电站员工作业现场的图片,将待检测图片输入到测试后的网络训练权重模型,测试后的网络训练权重模型有自身已训练好的权重参数,网络训练权重模型基于训练好的权重参数可确定待检测图片中的目标特征区域,并检测目标特征区域是否有对应安全帽的目标特征,从而达到检测图片中人员是否佩戴安全帽的目的。
本实施例提供的变电站员工安全帽检测方法,基于MSRCP算法对获取的多张图片进行数据预处理,得到多张对比度增强的图片,并将多张对比度增强的图片中的一部分图片作为训练图片,另一部分图片作为测试图片,使用多张训练图片对Faster RCNN目标检测网络进行训练,得到训练好的网络训练权重模型,并通过测试图片对训练好的网络训练权重模型进行测试,以确保网络训练权重模型的检测性能,基于测试后的网络训练权重模型确定待检测图片中的目标特征区域,并检测目标特征区域是否有对应安全帽的目标特征。与现有的变电站员工安全帽检测方法相比,本实施例提供的变电站员工安全帽检测方法,基于对Faster RCNN目标检测网络进行训练后得到的训练好的网络训练权重模型确定待检测图片中的目标特征区域,并检测目标特征区域是否有对应安全帽的目标特征,不需人工辅助即可自动完成检测,可提高检测效率,并且基于MSRCP算法增强图片的对比度保证图片质量,减少图片对比度较低对训练可靠性和测试可靠性的影响,确保网络训练权重模型的检测性能,从而提高变电站员工安全帽检测的可靠性。
实施例二
图3是本发明实施例二提供的一种变电站员工安全帽检测方法的流程图,本实施例可适用于变电站施工现场的变电站员工安全帽检测等情况,该方法可以由变电站员工安全帽检测装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在具有变电站员工安全帽检测功能的电子设备如计算机中,该方法具体包括如下步骤:
步骤210、获取多张图片。
其中,多张图片中包括人员佩戴安全帽的图片和人员未佩戴安全帽的图片。变电站员工安全帽检测装置可通过自身设置与图像采集设备电连接的输入端口获取多张如一千张图片,获取的图片包括变电站施工现场人员佩戴安全帽的图片和人员未佩戴安全帽的图片,还可包括其它场景有人员的图片如人员在室内或室外的图片。
步骤220、基于MSRCP算法确定图片对应的强度通道图像。
具体的,基于MSRCP算法计算图片对应的强度通道图像,强度通道图像的像素值Int=(IB+IG+IR)/3,其中,IR、IG和IB分别表示图片的RGB三通道的像素值。
步骤230、基于MSR增强算法确定强度通道图像的增强图像。
其中,基于MSR增强算法计算强度通道图像的增强图像,计算结果记为Int1。MSR增强算法是为了平衡色彩和细节的影响,在计算过程中对高斯函数的方差进行了3次不同取值后加权求和,因为高斯函数的方差取值大时图像颜色失真小但细节恢复差,较小时图像的细节恢复较好但是颜色失真变大,即基于MSR增强算法得到的增强图像平衡了色彩和细节对图像的影响,以保证得到的增强图像效果较好。
步骤240、根据强度通道图像和增强图像确定图片的每个通道的放大系数。
具体的,针对图像的每个像素点i,设B为i点三个通道像素值的最大值,比较255/B与Int1[i]/Int[i]的大小,取255/B与Int1[i]/Int[i]中的较小值为每个通道的放大系数。
步骤250、对图片的每个通道以放大系数对应的数值进行放大,得到对比度增强的图片,并将多张对比度增强的图片中的一部分图片作为训练图片,另一部分图片作为测试图片。
具体的,对图片的像素点的RGB三个通道均以放大系数对应的数值进行放大,通道放大后的图片即为对比度增强的图片。经过MSRCP算法的图像增强能够增强图像的对比度,在一定程度上还能减轻背景的复杂度。可将多张对比度增强的图片中的一部分图片作为训练图片,另一部分图片作为测试图片,训练图片组成训练集,测试图片组成测试集,训练集用来训练出目标检测网络的各参数,而测试集则用来对该网络的性能进行测试。有关佩戴安全帽或未佩戴安全帽的具体数据情况如表1所示:
表1数据详细情况
类别 | 训练集数量/张 | 测试集数量/张 | 总数/张 |
佩戴安全帽 | 421 | 111 | 532 |
未佩戴安全帽 | 431 | 102 | 533 |
总数/张 | 852 | 213 | 1065 |
其中,训练集数量远大于测试集数量,以保证训练图片足够多,使训练更可靠;训练集和测试集均包括人员佩戴安全帽的图片和人员未佩戴安全帽的图片这两类图片,从而确保训练和测试过程中使用的图片均包括以上两类图片,以使训练和测试更可靠
步骤260、对训练图片中对应的人员头部位置进行标注,并将标注后的训练图片输入到Faster RCNN目标检测网络。
具体的,可通过垂直边界框标记图像中每个人的头部,记录并存储边界框的左上顶点坐标、右下顶点坐标及其类别信息(有安全帽或无安全帽)。
步骤270、Faster RCNN目标检测网络基于聚类算法对训练图片中目标特征区域的尺寸进行聚类分析,确定目标特征区域对应的边界框的长宽比和边界框的类别以及网络损失值。
其中,聚类分析采用的边界框之间的距离计算公式为其中,d(A,B)表示边界框A和边界框B之间的距离,IOU(A,B)代表边界框A和边界框B之间的IOU距离。可根据K-means++聚类分析算法聚类分析得出训练图片中目标特征区域的边界框并计算边界框的长宽比,从而对Faster RCNN网络中边界框模板的长宽比参数进行修改。通过K-means++算法聚类分析结果如表2所示,由表2可以发现安全帽的尺寸长宽比小于1,综合所有数值,将Faster RCNN网络中的边界框模板的长宽比参数修改为0.8,0.9和1。
表2kmeans++聚类分析结果
安全帽尺寸 | 25×28 | 37×42 | 51×57 |
长宽比 | 0.89 | 0.88 | 0.89 |
安全帽尺寸 | 67×77 | 84×100 | 110×128 |
长宽比 | 0.87 | 0.84 | 0.86 |
安全帽尺寸 | 137×166 | 191×226 | 310×365 |
长宽比 | 0.83 | 0.85 | 0.85 |
步骤280、当网络损失值收敛到预设损失阈值时,停止训练,得到训练好的网络训练权重模型。
具体的,在聚类分析后,还对应得到有Faster RCNN目标检测网络的网络损失值,该网络损失值与安全帽的尺寸误差有关,当网络损失值收敛到预设损失阈值时,表示训练达到了较好的程度,则停止训练,得到训练好的网络训练权重模型。
步骤290、将测试图片输入训练好的网络训练权重模型,基于网络训练权重模型对测试图片进行检测,得到检测结果。
其中,基于网络训练权重模型对测试图片进行检测,确定测试图片中是否对应有人员佩戴安全帽的目标特征,检测结果可包括检测速度和检测准确率,根据确定的测试图片中是否有目标特征可得到检测结果中的检测准确率。如对测试图片检测后测试图片中人员是否佩戴安全帽的情况与该测试图片的实际人员是否佩戴安全帽的情况一致,则表示检测准确;若上述两种情况不一致则表示检测不准确。并且每次检测对应有检测速度,从而对所述测试图片进行测试后,可得到包括检测速度和检测准确率的检测结果,以根据检测结果确定网络训练权重模型的检测性能。
步骤291、根据检测结果确定网络训练权重模型的检测性能。
其中,检测性能为TP/(TP+FP),TP为测试图片中人员安全帽佩戴情况被预测正确的图片数量,FP为测试图片中人员安全帽佩戴情况被预测成设备的图片数量。根据检测结果确定网络训练权重模型的检测性能如表3所示:
表3网络训练权重模型的检测性能
AP(安全帽) | AP(无安全帽) | mAP | FPS(帧/s) |
94.7% | 94.0% | 94.3% | 11.62 |
其中,AP代表平均检测精确率,mAP为平均检测精确率均值,网络训练权重模型的检测速度是检测图像总数与检测时间的比值,检测速度为每秒11.62幅图像,mAP达到94.3%,表示网络训练权重模型的检测性能较好,可以基于网络训练权重模型对待检测图片进行检测,以确定待检测图片中有无目标特征。
步骤292、基于测试后的网络训练权重模型确定待检测图片中的目标特征区域,并检测目标特征区域是否有对应安全帽的目标特征。
具体的,图4是本发明实施例二提供的一种检测变电站员工佩戴安全帽和未佩戴安全帽的示意图,图4中(a)图为检测到变电站员工佩戴安全帽的图片,图4中(b)图为检测到变电站员工未佩戴安全帽的图片。无论图片大小或图片中光强如何,都能准确定位图像中的目标特征区域,即使在极端情况下,仍可检测到图片中目标特征区域是否有对应安全帽的目标特征,确保检测的可靠性。
本实施例提供的变电站员工安全帽检测方法,基于MSRCP算法确定图片对应的强度通道图像,并基于MSR增强算法确定强度通道图像的增强图像,根据强度通道图像和增强图像得到多张对比度增强的图片,Faster RCNN目标检测网络基于聚类算法对从对比度增强的图片中得到的训练图片的目标特征区域的尺寸进行聚类分析,确定目标特征区域对应的边界框的长宽比和边界框的类别以及网络损失值,当网络损失值收敛到预设损失阈值时停止训练,得到训练好的网络训练权重模型,并通过测试图片对训练好的网络训练权重模型进行测试,以确保网络训练权重模型的检测性能,基于测试后的网络训练权重模型确定待检测图片中的目标特征区域,并检测目标特征区域是否有对应安全帽的目标特征。与现有的变电站员工安全帽检测方法相比,本实施例提供的变电站员工安全帽检测方法,基于对Faster RCNN目标检测网络进行训练后得到的训练好的网络训练权重模型确定待检测图片中的目标特征区域,并检测目标特征区域是否有对应安全帽的目标特征,不需人工辅助即可自动完成检测,可提高检测效率,并且基于MSRCP算法增强图片的对比度保证图片质量,减少图片对比度较低对训练可靠性和测试可靠性的影响,确保网络训练权重模型的检测性能,从而提高变电站员工安全帽检测的可靠性。
实施例三
图5是本发明实施例三提供的一种变电站员工安全帽检测装置的结构框图,该装置包括图片获取模块310、数据处理模块320、网络训练模块330和目标检测模块340;其中,图片获取模块310用于获取多张图片;其中,多张图片中包括人员佩戴安全帽的图片和人员未佩戴安全帽的图片;数据处理模块320用于基于MSRCP算法对多张图片进行数据预处理,得到多张对比度增强的图片,并将多张对比度增强的图片中的一部分图片作为训练图片,另一部分图片作为测试图片;网络训练模块330用于使用多张训练图片对Faster RCNN目标检测网络进行训练,得到训练好的网络训练权重模型,并通过测试图片对训练好的网络训练权重模型进行测试,以确保网络训练权重模型的检测性能;目标检测模块340用于基于测试后的网络训练权重模型确定待检测图片中的目标特征区域,并检测目标特征区域是否有对应安全帽目标特征。
在上述实施例的基础上,数据处理模块320包括通道图像确定单元、增强图像确定单元、放大系数确定单元和通道放大单元,通道图像确定单元用于基于MSRCP算法确定图片对应的强度通道图像;增强图像确定单元用于基于MSR增强算法确定强度通道图像的增强图像;放大系数确定单元用于根据强度通道图像和增强图像确定图片的每个通道的放大系数;通道放大单元用于对图片的每个通道以放大系数对应的数值进行放大,得到对比度增强的图片。
优选的,网络训练模块330包括位置标注单元、聚类分析单元和损失确定单元,位置标注单元用于对训练图片中对应的人员头部位置进行标注,并将标注后的训练图片输入到Faster RCNN目标检测网络;聚类分析单元用于Faster RCNN目标检测网络基于聚类算法对训练图片中目标特征区域的尺寸进行聚类分析,确定目标特征区域对应的边界框的长宽比和边界框的类别以及网络损失值;损失确定单元用于当网络损失值收敛到预设损失阈值时,停止训练。
优选的,网络训练模块330包括图片检测单元和性能确定单元,图片检测单元用于将测试图片输入训练好的网络训练权重模型,基于网络训练权重模型对测试图片进行检测,得到检测结果;性能确定单元用于根据检测结果确定网络训练权重模型的检测性能。
本实施例提供的变电站员工安全帽检测装置与本发明任意实施例提供的变电站员工安全帽检测方法属于相同的发明构思,具备相应的有益效果,未在本实施例详尽的技术细节详见本发明任意实施例提供的变电站员工安全帽检测方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整、结合和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种变电站员工安全帽检测方法,其特征在于,包括:
获取多张图片;其中,所述多张图片中包括人员佩戴安全帽的图片和人员未佩戴安全帽的图片;
基于MSRCP算法对所述多张图片进行数据预处理,得到多张对比度增强的图片,并将多张所述对比度增强的图片中的一部分图片作为训练图片,另一部分图片作为测试图片;
使用多张所述训练图片对Faster RCNN目标检测网络进行训练,得到训练好的网络训练权重模型,并通过所述测试图片对所述训练好的所述网络训练权重模型进行测试,以确保所述网络训练权重模型的检测性能;
基于测试后的所述网络训练权重模型确定待检测图片中的目标特征区域,并检测所述目标特征区域是否有对应安全帽的目标特征。
2.根据权利要求1所述的变电站员工安全帽检测方法,其特征在于,所述基于MSRCP算法对所述多张图片进行数据预处理,得到多张对比度增强的图片,包括:
基于MSRCP算法确定图片对应的强度通道图像;
基于MSR增强算法确定所述强度通道图像的增强图像;
根据所述强度通道图像和所述增强图像确定所述图片的每个通道的放大系数;
对所述图片的每个通道以所述放大系数对应的数值进行放大,得到对比度增强的图片。
3.根据权利要求1所述的变电站员工安全帽检测方法,其特征在于,所述使用多张所述训练图片对Faster RCNN目标检测网络进行训练,包括:
对所述训练图片中对应的人员头部位置进行标注,并将标注后的所述训练图片输入到Faster RCNN目标检测网络;
所述Faster RCNN目标检测网络基于聚类算法对所述训练图片中目标特征区域的尺寸进行聚类分析,确定目标特征区域对应的边界框的长宽比和边界框的类别以及网络损失值;
当所述网络损失值收敛到预设损失阈值时,停止训练。
5.根据权利要求1所述的变电站员工安全帽检测方法,其特征在于,所述通过所述测试图片对所述训练好的网络训练权重模型进行测试,包括:
将所述测试图片输入所述训练好的网络训练权重模型,基于所述网络训练权重模型对所述测试图片进行检测,得到检测结果;
根据所述检测结果确定所述网络训练权重模型的检测性能。
6.根据权利要求5所述的变电站员工安全帽检测方法,其特征在于,所述检测性能为TP/(TP+FP);其中,TP为所述测试图片中人员安全帽佩戴情况被预测正确的图片数量,FP为所述测试图片中人员安全帽佩戴情况被预测成设备的图片数量。
7.根据权利要求1所述的变电站员工安全帽检测方法,其特征在于,所述训练图片的数量大于所述测试图片的数量。
8.根据权利要求1所述的变电站员工安全帽检测方法,其特征在于,所述训练图片和所述测试图片均包括人员佩戴安全帽的图片和人员未佩戴安全帽的图片。
9.根据权利要求1所述的变电站员工安全帽检测方法,其特征在于,所述待检测图片是通过变电站监测设备拍摄的变电站员工作业现场的图片。
10.一种变电站员工安全帽检测装置,其特征在于,包括:
图片获取模块,用于获取多张图片;其中,所述多张图片中包括人员佩戴安全帽的图片和人员未佩戴安全帽的图片;
数据处理模块,用于基于MSRCP算法对所述多张图片进行数据预处理,得到多张对比度增强的图片,并将多张所述对比度增强的图片中的一部分图片作为训练图片,另一部分图片作为测试图片;
网络训练模块,用于使用多张所述训练图片对Faster RCNN目标检测网络进行训练,得到训练好的网络训练权重模型,并通过所述测试图片对所述训练好的所述网络训练权重模型进行测试,以确保所述网络训练权重模型的检测性能;
目标检测模块,用于基于测试后的所述网络训练权重模型确定待检测图片中的目标特征区域,并检测所述目标特征区域是否有对应安全帽目标特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010758405.7A CN111914743A (zh) | 2020-07-31 | 2020-07-31 | 一种变电站员工安全帽检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010758405.7A CN111914743A (zh) | 2020-07-31 | 2020-07-31 | 一种变电站员工安全帽检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111914743A true CN111914743A (zh) | 2020-11-10 |
Family
ID=73287651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010758405.7A Pending CN111914743A (zh) | 2020-07-31 | 2020-07-31 | 一种变电站员工安全帽检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914743A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762339A (zh) * | 2021-08-02 | 2021-12-07 | 广东电网有限责任公司 | 电力现场作业中的安全帽检测算法 |
CN115985044A (zh) * | 2022-11-21 | 2023-04-18 | 重庆市信息通信咨询设计院有限公司 | 基于安全帽佩戴状态的监测方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263686A (zh) * | 2019-06-06 | 2019-09-20 | 温州大学 | 一种基于深度学习的施工工地图像安全帽检测方法 |
CN110728223A (zh) * | 2019-10-08 | 2020-01-24 | 济南东朔微电子有限公司 | 一种基于深度学习的安全帽佩戴识别方法 |
CN110738127A (zh) * | 2019-09-19 | 2020-01-31 | 福建师范大学福清分校 | 基于无监督深度学习神经网络算法的安全帽识别方法 |
CN111241959A (zh) * | 2020-01-06 | 2020-06-05 | 重庆大学 | 一种通过工地视频流检测未佩戴安全帽人员的方法 |
-
2020
- 2020-07-31 CN CN202010758405.7A patent/CN111914743A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263686A (zh) * | 2019-06-06 | 2019-09-20 | 温州大学 | 一种基于深度学习的施工工地图像安全帽检测方法 |
CN110738127A (zh) * | 2019-09-19 | 2020-01-31 | 福建师范大学福清分校 | 基于无监督深度学习神经网络算法的安全帽识别方法 |
CN110728223A (zh) * | 2019-10-08 | 2020-01-24 | 济南东朔微电子有限公司 | 一种基于深度学习的安全帽佩戴识别方法 |
CN111241959A (zh) * | 2020-01-06 | 2020-06-05 | 重庆大学 | 一种通过工地视频流检测未佩戴安全帽人员的方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762339A (zh) * | 2021-08-02 | 2021-12-07 | 广东电网有限责任公司 | 电力现场作业中的安全帽检测算法 |
CN115985044A (zh) * | 2022-11-21 | 2023-04-18 | 重庆市信息通信咨询设计院有限公司 | 基于安全帽佩戴状态的监测方法和系统 |
CN115985044B (zh) * | 2022-11-21 | 2024-04-05 | 重庆市信息通信咨询设计院有限公司 | 基于安全帽佩戴状态的监测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
CN108537154B (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN111949809B (zh) | 一种输电线路红外巡检数据智能处理方法 | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
CN110502965A (zh) | 一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法 | |
CN111401314A (zh) | 着装信息检测方法、装置、设备及存储介质 | |
CN111539276B (zh) | 一种在电力场景下安全帽实时检测的方法 | |
CN111914743A (zh) | 一种变电站员工安全帽检测方法及装置 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN105447859A (zh) | 一种田间麦蚜虫计数方法 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN112149543A (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
CN110473199A (zh) | 一种基于深度学习实例分割的色斑痤疮检测与健康评价方法 | |
CN111401310B (zh) | 基于人工智能的厨房卫生安全监督管理方法 | |
CN113297913B (zh) | 一种配网现场作业人员穿衣规范的识别方法 | |
CN104598914A (zh) | 一种肤色检测的方法及装置 | |
CN111753645A (zh) | 一种光伏电站的巡检方法、巡检装置以及存储介质 | |
CN108416304B (zh) | 一种利用上下文信息的三分类人脸检测方法 | |
CN113269234B (zh) | 一种基于目标检测的连接件装配检测方法和系统 | |
CN110580697A (zh) | 一种从超声视频图像中测量胎儿颈背透明物厚度的视频图像处理方法及系统 | |
CN112967221A (zh) | 一种盾构管片生产与拼装信息管理系统 | |
CN113536842A (zh) | 电力作业人员安全着装识别方法及装置 | |
CN108564037B (zh) | 一种敬礼姿势检测校正方法 | |
CN115995097A (zh) | 一种基于深度学习的安全头盔佩戴标准判断方法 |
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 |