CN113536842A - 电力作业人员安全着装识别方法及装置 - Google Patents

Abstract

本发明实施例提供一种电力作业人员安全着装识别方法及装置，所述方法包括：采集电力作业人员着装图像；将所述电力作业人员着装图像输入至预置的着装识别模型中进行人员头部和身体的检测以及安全帽分类识别和工装分类识别，获得安全帽识别结果和工装识别结果。本发明实施例提供的电力作业人员安全着装识别方法及装置，采用轻量级网络MobileNet作为基础特征提取网络，结合优化的SSD目标检测算法，对人员头部与身体部位初步判定，然后将网络不同层次特征、不同尺度拼接特征应用于不同分类识别任务，降低计算量同时，提升对安全着装分类识别性能。

Description

电力作业人员安全着装识别方法及装置

技术领域

本发明涉及计算机技术领域，更具体地，涉及一种电力作业人员安全着装识别方法及装置。

背景技术

在电力行业的日常作业与施工中，出于对作业人员的安全考虑，对相关作业人员进入作业现场的着装有着严格的要求。作业人员必须佩戴好安全帽、正确穿好工作服才可以进入施工现场。由于行业的特殊性，安全着装能够对作业人员的人身安全起到保障作用，对进入作业现场内的作业人员进行视频监控，更加能够起到监督作用，从而降低作业人员的安全隐患。

近年来，随着人工智能与计算机视觉的不断发展，基于视频监控的安全着装自动检测与识别方法不断提出，减少了人工查看视频监控的工作量。但所出现的方案中，大多是针对是否佩戴安全帽的检测，针对是否穿着工作服、是否正确穿着工作服的检测方案较少。

电力作业场所较多、分布较广，需要视频智能分析的硬件设备满足体积小、成本低、实时性高，同时精度仍要有所保证。现有技术方案大多基于Faster R-CNN、YOLO等目标检测算法，无法实现对安全帽的检测，此类方案功能单一，并且算法由于计算量较大，对硬件要求高，无法应用在边缘终端移动设备中。

发明内容

本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的电力作业人员安全着装识别方法及装置。

第一方面，本发明实施例提供一种电力作业人员安全着装识别方法，包括：

采集电力作业人员着装图像；

将所述电力作业人员着装图像输入至预置的着装识别模型中进行人员头部和身体的检测以及安全帽分类识别和工装分类识别，获得安全帽识别结果和工装识别结果；

其中，所述着装识别模型是预先以电力作业人员着装图像为样本，以所述电力作业人员着装图像中人员戴安全帽和穿工装情况为样本标签进行训练获得，所述着装识别模型包括MobileNet网络、SSD目标检测模块、安全帽分类识别模块和工装分类识别模块。

进一步地，所述将所述电力作业人员着装图像输入至预置的着装识别模型中进行人员头部和身体的检测以及安全帽分类识别和工装分类识别，获得安全帽识别结果和工装识别结果的步骤，具体包括：

将所述电力作业人员着装图像输入至所述MobileNet网络中，获得所述电力作业人员着装图像对应的基础特征；

将所述电力作业人员着装图像对应的基础特征输入至所述SSD目标检测模块，获得预测目标框位置与大小，并基于所述预测目标框位置与大小，确定所述预测目标框内部为人员头部或人员身体；

将内部为人员头部的预测目标框对应的基础特征输入至所述安全帽分类识别模块，获得安全帽识别结果，将内部为人员身体的预测目标框对应的基础特征作为浅层特征，将所述浅层特征输入至多个卷积层，获得深层特征，将所述浅层特征与深层特征拼接后输入至所述工装分类识别模块，获得工装识别结果。

进一步地，训练获得所述着装识别模型的步骤，具体包括：

采集不同人员的不同着装图像，将每张着装图像中的人员戴安全帽情况和穿工装情况打上相应的标签，构建样本集，将所述样本集划分为训练样本集和测试样本集；

利用所述训练样本集对所述着装识别模型进行训练，训练结束后，获得初步训练完成的着装识别模型；

利用所述测试样本集对所述初步训练完成的着装识别模型进行测试，若测试精度满足预设要求，则获得最终训练完成的着装识别模型；或者，若测试精度没有达到预设要求，则针对未标注的着装图像，通过利用所述初步训练完成的着装识别模型的预测结果、结合阈值比较和非极大值抑制计算结果进行自动标注，并通过自动标注与人工微调相结合的方式，优化所述样本集；

利用优化后的样本集对所述初步训练完成的着装识别模型进行迭代优化训练直至所述着装识别模型的测试精度满足所述预设要求。

进一步地，利用所述训练样本集对所述着装识别模型进行训练，具体包括：

将所述训练样本集中的着装图像输入至所述MobileNet网络中，获得所述着装图像对应的基础特征；

将所述基础特征输入至所述SSD目标检测模块，获得预测目标框位置与大小，并基于所述预测目标框位置与大小，确定所述预测目标框内部为人员头部或人员身体；

针对内部为人员头部的预测目标框，将所述内部为人员头部的预测目标框对应的基础特征输入至所述安全帽分类识别模块，获得安全帽识别结果；

针对内部为人员身体的预测目标框，将所述内部为人员身体的预测目标框对应的基础特征作为浅层特征，将所述浅层特征输入至多个卷积层进行更深层次的特征提取，获得深层特征，将所述浅层特征与深层特征进行拼接后输入至所述工装分类识别模块，获得工装识别结果；

基于所述着装图像对应的人员戴安全帽情况标签以及所述安全帽识别结果，计算安全帽识别损失，基于所述着装图像对应的人员穿工装情况标签以及所述工装识别结果，计算工装识别损失；

通过反向传播算法，调整所述着装识别模型的各个参数，以使所述损失朝最小化方向移动；

判断是否达到训练结束条件，若是，则保存当前迭代所述着装识别模型的各个参数，获得初步训练完成的着装识别模型。

进一步地，针对未标注的着装图像，通过利用所述初步训练完成的着装识别模型的预测结果、结合阈值比较和非极大值抑制计算结果进行自动标注，具体包括：

将所述未标注的着装图像输入至所述初步训练完成的着装识别模型，获得若干个预测结果，每个预测结果包括预测目标框的位置、预测目标框所属类别与预测目标框的分数；

将所有预测目标框的分数与所设定的分数阈值进行比较，若某一预测目标框的分数高于所述分数阈值，将所述预测目标框所对应的位置、大小与类别信息作为标注信息；或者，

利用预测目标框的分数低于所述分数阈值的所有预测结果构造一个集合，若所述集合中存在N个预测目标框属于同一区域，且N小于所设定的目标框数目阈值，则丢弃所述预测结果，或者，若N大于所设定的目标框数目阈值，则取N个预测目标框中大多数框所属的类别，记为M个框所属的类别，作为所述未标注的着装图像的类别属性，并利用所述M个框的位置与大小信息、采用非极大值抑制NMS计算的方式找到最佳的预测目标框位置与大小作为标住信息。

第二方面，本发明实施例提供一种电力作业人员安全着装识别装置，包括：

图像采集模块，用于采集电力作业人员着装图像；

识别模块，用于将所述电力作业人员着装图像输入至预置的着装识别模型中进行人员头部和身体的检测以及安全帽分类识别和工装分类识别，获得安全帽识别结果和工装识别结果；

其中，所述着装识别模型是预先以电力作业人员着装图像为样本，以所述电力作业人员着装图像中人员戴安全帽和穿工装情况为样本标签进行训练获得，所述着装识别模型包括MobileNet网络、SSD目标检测模块、安全帽分类识别模块和工装分类识别模块。

进一步地，所述识别模块具体用于：

将所述电力作业人员着装图像输入至所述MobileNet网络中，获得所述电力作业人员着装图像对应的基础特征；

将所述电力作业人员着装图像对应的基础特征输入至所述SSD目标检测模块，获得预测目标框位置与大小，并基于所述预测目标框位置与大小，确定所述预测目标框内部为人员头部或人员身体；

将内部为人员头部的预测目标框对应的基础特征输入至所述安全帽分类识别模块，获得安全帽识别结果，将内部为人员身体的预测目标框对应的基础特征作为浅层特征，将所述浅层特征输入至多个卷积层，获得深层特征，将所述浅层特征与深层特征拼接后输入至所述工装分类识别模块，获得工装识别结果。

进一步地，还包括：训练模块，用于训练获得所述着装识别模型；

其中，所述训练模块具体用于：

采集不同人员的不同着装图像，将每张着装图像中的人员戴安全帽情况和穿工装情况打上相应的标签，构建样本集，将所述样本集划分为训练样本集和测试样本集；

利用所述训练样本集对所述着装识别模型进行训练，训练结束后，获得初步训练完成的着装识别模型；

利用所述测试样本集对所述初步训练完成的着装识别模型进行测试，若测试精度满足预设要求，则获得最终训练完成的着装识别模型；或者，若测试精度没有达到预设要求，则针对未标注的着装图像，通过利用所述初步训练完成的着装识别模型的预测结果、结合阈值比较和非极大值抑制计算结果进行自动标注，并通过自动标注与人工微调相结合的方式，优化所述样本集；

利用优化后的样本集对所述初步训练完成的着装识别模型进行迭代优化训练直至所述着装识别模型的测试精度满足所述预设要求。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的电力作业人员安全着装识别方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的电力作业人员安全着装识别方法的步骤。

本发明实施例提供的电力作业人员安全着装识别方法及装置，采用轻量级网络MobileNet作为基础特征提取网络，结合优化的SSD目标检测算法，对人员头部与身体部位初步判定，然后将网络不同层次特征、不同尺度拼接特征应用于不同分类识别任务，降低计算量同时，提升对安全着装分类识别性能。

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一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的电力作业人员安全着装识别方法的流程示意图；

图2为本发明实施例提供的着装识别模型的结构示意图；

图3为本发明实施例提供的将所述电力作业人员着装图像输入至预置的着装识别模型中获得安全帽识别结果和工装识别结果的流程示意图；

图4为发明实施例提供的训练获得所述着装识别模型的流程示意图；

图5为本发明实施例提供的自动标注的流程示意图；

图6为本发明实施例提供的电力作业人员安全着装识别装置的结构示意图；

图7为本发明实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例的主要目标是通过对监控视频的实时分析，兼顾边缘终端移动设备中效率与精度的要求，实现对电力作业现场中作业人员安全着装情况的实时检测。

如图1所示，为本发明实施例提供的电力作业人员安全着装识别方法的流程示意图，包括：

步骤100、采集电力作业人员着装图像；

步骤101、将所述电力作业人员着装图像输入至预置的着装识别模型中进行人员头部和身体的检测以及安全帽分类识别和工装分类识别，获得安全帽识别结果和工装识别结果；

其中，所述着装识别模型是预先以电力作业人员着装图像为样本，以所述电力作业人员着装图像中人员戴安全帽和穿工装情况为样本标签进行训练获得，所述着装识别模型包括MobileNet网络、SSD目标检测模块、安全帽分类识别模块和工装分类识别模块。

具体地，本发明实施例提出了一种基于SSD目标检测的电力作业人员安全着装识别方法，首先对电力作业人员着装图像中的人员头部和身体进行检测，获得检测结果，包括预测目标框位置与大小，由于同一人在同一幅图像中头部与身体的尺寸、形状、相对位置存在明显差异性，根据所述预测目标框位置与大小可初步确定目标类别，即确定目标为人员头部或人员身体。

然后基于检测结果执行安全帽分类识别任务和工装分类识别任务，具体包括：若预测目标框内为人体头部，则执行安全帽分类识任务；若目标框内为人身体部位，则执行工装分类识别任务。其中，安全帽分类任务相对简单，具体包括：人戴不同颜色安全帽或人未戴安全帽；工装分类识别任务相对复杂、对目标细节特征需要充分提取，具体包括：人未穿工装、人正确穿工装、人穿工装但任一袖子/裤腿挽起等。

原始SSD目标检测算法以计算量较大的VGG16为基础特征提取网络，利用6种不同尺度的特征图分别进行目标检测，对小目标检测效果较差。本发明实施例采用轻量级网络MobileNet作为基础特征提取网络，结合优化的SSD目标检测算法，将包含细节信息的网络浅层特征与包含更多语义特征的深层特征拼接融合，降低模型计算量同时，提升小目标检测精度与工装衣袖、裤长等细节信息分类识别精度。如图2所示，为本发明实施例提供的着装识别模型的结构示意图。所述着装识别模型包括MobileNet网络、SSD目标检测模块、安全帽分类识别模块和工装分类识别模块。其中，MobileNet网络用于对输入的电力作业人员着装图像进行基础特征提取，获得基础特征向量，SSD目标检测模块用于基于所述基础特征向量进行目标检测，获得预测目标框的位置和大小，安全帽分类识别模块用于进行安全帽分类识别，工装分类识别模块用于进行工装分类识别。

本发明实施例提供的电力作业人员安全着装识别方法，采用轻量级网络MobileNet作为基础特征提取网络，结合优化的SSD目标检测算法，对人员头部与身体部位初步判定，然后将网络不同层次特征、不同尺度拼接特征应用于不同分类识别任务，降低计算量同时，提升对安全着装分类识别性能。

基于上述实施例的内容，所述将所述电力作业人员着装图像输入至预置的着装识别模型中进行人员头部和身体的检测以及安全帽分类识别和工装分类识别，获得安全帽识别结果和工装识别结果的步骤，具体包括：

将所述电力作业人员着装图像输入至所述MobileNet网络中，获得所述电力作业人员着装图像对应的基础特征；

将所述电力作业人员着装图像对应的基础特征输入至所述SSD目标检测模块，获得预测目标框位置与大小，并基于所述预测目标框位置与大小，确定所述预测目标框内部为人员头部或人员身体；

将内部为人员头部的预测目标框对应的基础特征输入至所述安全帽分类识别模块，获得安全帽识别结果，将内部为人员身体的预测目标框对应的基础特征作为浅层特征，将所述浅层特征输入至多个卷积层，获得深层特征，将所述浅层特征与深层特征拼接后输入至所述工装分类识别模块，获得工装识别结果。

具体地，如图3所示，为本发明实施例提供的将所述电力作业人员着装图像输入至预置的着装识别模型中获得安全帽识别结果和工装识别结果的流程示意图。

首先，用MobileNet网络对所述电力作业人员着装图像进行基础特征提取。然后，将所述电力作业人员着装图像对应的基础特征输入至SSD目标检测模块，获得预测目标框位置与大小，并基于所述预测目标框位置与大小，确定所述预测目标框内部为人员头部或人员身体。

若确定预测目标框内为人员头部，则直接将内部为人员头部的预测目标框对应的基础特征输入至安全帽分类识别模块，确定人员佩戴安全帽情况。

若确定预测目标框内为人员身体，则将内部为人员身体的预测目标框对应的基础特征作为浅层特征，将所述浅层特征输入至3至5个卷积层进行更深层次的特征提取，获得多个深层特征，将浅层特征与所有深层特征进行拼接后再输入工装分类识别模块，充分利用不同尺度特征信息，提升工装分类识别精度。

基于上述实施例的内容，训练获得所述着装识别模型的步骤，具体包括：

采集不同人员的不同着装图像，将每张着装图像中的人员戴安全帽情况和穿工装情况打上相应的标签，构建样本集，将所述样本集划分为训练样本集和测试样本集；

利用所述训练样本集对所述着装识别模型进行训练，训练结束后，获得初步训练完成的着装识别模型；

利用所述测试样本集对所述初步训练完成的着装识别模型进行测试，若测试精度满足预设要求，则获得最终训练完成的着装识别模型；或者，若测试精度没有达到预设要求，则针对未标注的着装图像，通过利用所述初步训练完成的着装识别模型的预测结果、结合阈值比较和非极大值抑制计算结果进行自动标注，并通过自动标注与人工微调相结合的方式，优化所述样本集；

利用优化后的样本集对所述初步训练完成的着装识别模型进行迭代优化训练直至所述着装识别模型的测试精度满足所述预设要求。

具体地，图4为本发明实施例提供的训练获得所述着装识别模型的流程示意图。

本发明实例化需要首先采集不同人员的不同着装图像，具体可采用以下方式：从不同电力作业现场的监控视频中每隔N帧截取保存为图像；让不同人员穿着电力作业工服、佩戴安全帽，模拟作业人员工作中正确和错误的着装方式进行视频录制，同样在监控视频中每隔N帧截取保存为图像。

所述错误着装方式具体为：未戴安全帽，未穿工装，穿工装但卷起任何一只手袖，穿工装但卷起任何一只裤脚，穿工装但未扣工装扣子并露出内部衣服或皮肤等情况。正确着装方式为戴安全帽、且工装衣裤穿着完整。

基于上述所保存图像，将每张图像中人戴安全帽、穿工装等情况分别打上相应的标签，构建样本集，并将所述样本集划分为训练样本集和测试样本集。

构建如图2所示的着装识别模型，利用所述训练样本集对所述着装识别模型进行训练，训练结束后，获得初步训练完成的着装识别模型。然后，利用所述测试样本集对所述初步训练完成的着装识别模型进行测试，判断初步训练完成的着装识别模型是否满足精度要求。

若测试精度满足预设要求，则获得最终训练完成的着装识别模型，最终训练完成的着装识别模型可以直接应用于作业现场中对作业人员着装情况进行检测。

若测试精度没有达到预设要求，则进一步采集着装图像，针对未标注的着装图像，通过利用所述初步训练完成的着装识别模型的预测结果、结合阈值比较和非极大值抑制计算结果进行自动标注，并通过自动标注与人工微调相结合的方式，优化所述样本集；

利用优化后的样本集对所述初步训练完成的着装识别模型进行迭代优化训练直至所述着装识别模型的测试精度满足所述预设要求。

基于上述实施例的内容，利用所述训练样本集对所述着装识别模型进行训练，具体包括：

将所述训练样本集中的着装图像输入至所述MobileNet网络中，获得所述着装图像对应的基础特征；

将所述基础特征输入至所述SSD目标检测模块，获得预测目标框位置与大小，并基于所述预测目标框位置与大小，确定所述预测目标框内部为人员头部或人员身体；

针对内部为人员头部的预测目标框，将所述内部为人员头部的预测目标框对应的基础特征输入至所述安全帽分类识别模块，获得安全帽识别结果；

针对内部为人员身体的预测目标框，将所述内部为人员身体的预测目标框对应的基础特征作为浅层特征，将所述浅层特征输入至多个卷积层进行更深层次的特征提取，获得深层特征，将所述浅层特征与深层特征进行拼接后输入至所述工装分类识别模块，获得工装识别结果；

基于所述着装图像对应的人员戴安全帽情况标签以及所述安全帽识别结果，计算安全帽识别损失，基于所述着装图像对应的人员穿工装情况标签以及所述工装识别结果，计算工装识别损失；

通过反向传播算法，调整所述着装识别模型的各个参数，以使所述损失朝最小化方向移动；

判断是否达到训练结束条件，若是，则保存当前迭代所述着装识别模型的各个参数，获得初步训练完成的着装识别模型。

基于上述实施例的内容，所述针对未标注的着装图像，通过利用所述初步训练完成的着装识别模型的预测结果、结合阈值比较和非极大值抑制计算结果进行自动标注的步骤，具体包括：

将所述未标注的着装图像输入至所述初步训练完成的着装识别模型，获得若干个预测结果，每个预测结果包括预测目标框的位置、预测目标框所属类别与预测目标框的分数；

将所有预测目标框的分数与所设定的分数阈值进行比较，若某一预测目标框的分数高于所述分数阈值，将所述预测目标框所对应的位置、大小与类别信息作为标注信息；或者，

利用预测目标框的分数低于所述分数阈值的所有预测结果构造一个集合，若所述集合中存在N个预测目标框属于同一区域，且N小于所设定的目标框数目阈值，则丢弃所述预测结果，或者，若N大于所设定的目标框数目阈值，则取N个预测目标框中大多数框所属的类别，记为M个框所属的类别，作为所述未标注的着装图像的类别属性，并利用所述M个框的位置与大小信息、采用非极大值抑制NMS计算的方式找到最佳的预测目标框位置与大小作为标住信息。

图5为本发明实施例提供的自动标注的流程示意图。本发明实施例提出一种优化的数据标注方法，利用初步训练完成的着装识别模型的预测结果、结合阈值比较、非极大值抑制计算结果，提升自动标注性能，辅助人工标注，减小人工工作量。

其中，N，M均为大于1的自然数。

如图6所示，为本发明实施例提供的电力作业人员安全着装识别装置的结构示意图，包括：图像采集模块610和识别模块620，其中，

图像采集模块610，用于采集电力作业人员着装图像；

识别模块620，用于将所述电力作业人员着装图像输入至预置的着装识别模型中进行人员头部和身体的检测以及安全帽分类识别和工装分类识别，获得安全帽识别结果和工装识别结果；

其中，所述着装识别模型是预先以电力作业人员着装图像为样本，以所述电力作业人员着装图像中人员戴安全帽和穿工装情况为样本标签进行训练获得，所述着装识别模型包括MobileNet网络、SSD目标检测模块、安全帽分类识别模块和工装分类识别模块。

本发明实施例提供的电力作业人员安全着装识别装置，用于实现前述电力作业人员安全着装识别方法实施例，因此，对于所述电力作业人员安全着装识别装置的各功能模块的理解，可以参照前述电力作业人员安全着装识别方法实施例，在此不再赘述。

本发明实施例提供的电力作业人员安全着装识别装置，采用轻量级网络MobileNet作为基础特征提取网络，结合优化的SSD目标检测算法，对人员头部与身体部位初步判定，然后将网络不同层次特征、不同尺度拼接特征应用于不同分类识别任务，降低计算量同时，提升对安全着装分类识别性能。

基于上述实施例的内容，所述识别模块具体用于：

将所述电力作业人员着装图像输入至所述MobileNet网络中，获得所述电力作业人员着装图像对应的基础特征；

将所述电力作业人员着装图像对应的基础特征输入至所述SSD目标检测模块，获得预测目标框位置与大小，并基于所述预测目标框位置与大小，确定所述预测目标框内部为人员头部或人员身体；

将内部为人员头部的预测目标框对应的基础特征输入至所述安全帽分类识别模块，获得安全帽识别结果，将内部为人员身体的预测目标框对应的基础特征作为浅层特征，将所述浅层特征输入至多个卷积层，获得深层特征，将所述浅层特征与深层特征拼接后输入至所述工装分类识别模块，获得工装识别结果。

基于上述实施例的内容，电力作业人员安全着装识别装置还包括：训练模块，用于训练获得所述着装识别模型；

其中，所述训练模块具体用于：

采集不同人员的不同着装图像，将每张着装图像中的人员戴安全帽情况和穿工装情况打上相应的标签，构建样本集，将所述样本集划分为训练样本集和测试样本集；

利用所述训练样本集对所述着装识别模型进行训练，训练结束后，获得初步训练完成的着装识别模型；

利用所述测试样本集对所述初步训练完成的着装识别模型进行测试，若测试精度满足预设要求，则获得最终训练完成的着装识别模型；或者，若测试精度没有达到预设要求，则针对未标注的着装图像，通过利用所述初步训练完成的着装识别模型的预测结果、结合阈值比较和非极大值抑制计算结果进行自动标注，并通过自动标注与人工微调相结合的方式，优化所述样本集；

利用优化后的样本集对所述初步训练完成的着装识别模型进行迭代优化训练直至所述着装识别模型的测试精度满足所述预设要求。

图7为本发明实施例提供的电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储在存储器730上并可在处理器710上运行的计算机程序，以执行上述各方法实施例所提供的电力作业人员安全着装识别方法，例如包括：采集电力作业人员着装图像；将所述电力作业人员着装图像输入至预置的着装识别模型中进行人员头部和身体的检测以及安全帽分类识别和工装分类识别，获得安全帽识别结果和工装识别结果；其中，所述着装识别模型是预先以电力作业人员着装图像为样本，以所述电力作业人员着装图像中人员戴安全帽和穿工装情况为样本标签进行训练获得，所述着装识别模型包括MobileNet网络、SSD目标检测模块、安全帽分类识别模块和工装分类识别模块。

此外，上述的存储器730中的逻辑指令可以通过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，本发明实施例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部分可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-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例提供的电力作业人员安全着装识别方法，例如包括：采集电力作业人员着装图像；将所述电力作业人员着装图像输入至预置的着装识别模型中进行人员头部和身体的检测以及安全帽分类识别和工装分类识别，获得安全帽识别结果和工装识别结果；其中，所述着装识别模型是预先以电力作业人员着装图像为样本，以所述电力作业人员着装图像中人员戴安全帽和穿工装情况为样本标签进行训练获得，所述着装识别模型包括MobileNet网络、SSD目标检测模块、安全帽分类识别模块和工装分类识别模块。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：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)

1.一种电力作业人员安全着装识别方法，其特征在于，包括：

采集电力作业人员着装图像；

将所述电力作业人员着装图像输入至预置的着装识别模型中进行人员头部和身体的检测以及安全帽分类识别和工装分类识别，获得安全帽识别结果和工装识别结果；

其中，所述着装识别模型是预先以电力作业人员着装图像为样本，以所述电力作业人员着装图像中人员戴安全帽和穿工装情况为样本标签进行训练获得，所述着装识别模型包括MobileNet网络、SSD目标检测模块、安全帽分类识别模块和工装分类识别模块。

2.根据权利要求1所述的电力作业人员安全着装识别方法，其特征在于，所述将所述电力作业人员着装图像输入至预置的着装识别模型中进行人员头部和身体的检测以及安全帽分类识别和工装分类识别，获得安全帽识别结果和工装识别结果的步骤，具体包括：

将所述电力作业人员着装图像输入至所述MobileNet网络中，获得所述电力作业人员着装图像对应的基础特征；

将所述电力作业人员着装图像对应的基础特征输入至所述SSD目标检测模块，获得预测目标框位置与大小，并基于所述预测目标框位置与大小，确定所述预测目标框内部为人员头部或人员身体；

将内部为人员头部的预测目标框对应的基础特征输入至所述安全帽分类识别模块，获得安全帽识别结果，将内部为人员身体的预测目标框对应的基础特征作为浅层特征，将所述浅层特征输入至多个卷积层，获得深层特征，将所述浅层特征与深层特征拼接后输入至所述工装分类识别模块，获得工装识别结果。

3.根据权利要求1所述的电力作业人员安全着装识别方法，其特征在于，训练获得所述着装识别模型的步骤，具体包括：

采集不同人员的不同着装图像，将每张着装图像中的人员戴安全帽情况和穿工装情况打上相应的标签，构建样本集，将所述样本集划分为训练样本集和测试样本集；

利用所述训练样本集对所述着装识别模型进行训练，训练结束后，获得初步训练完成的着装识别模型；

利用所述测试样本集对所述初步训练完成的着装识别模型进行测试，若测试精度满足预设要求，则获得最终训练完成的着装识别模型；或者，若测试精度没有达到预设要求，则针对未标注的着装图像，通过利用所述初步训练完成的着装识别模型的预测结果、结合阈值比较和非极大值抑制计算结果进行自动标注，并通过自动标注与人工微调相结合的方式，优化所述样本集；

利用优化后的样本集对所述初步训练完成的着装识别模型进行迭代优化训练直至所述着装识别模型的测试精度满足所述预设要求。

4.根据权利要求3所述的电力作业人员安全着装识别方法，其特征在于，利用所述训练样本集对所述着装识别模型进行训练，具体包括：

将所述训练样本集中的着装图像输入至所述MobileNet网络中，获得所述着装图像对应的基础特征；

将所述基础特征输入至所述SSD目标检测模块，获得预测目标框位置与大小，并基于所述预测目标框位置与大小，确定所述预测目标框内部为人员头部或人员身体；

针对内部为人员头部的预测目标框，将所述内部为人员头部的预测目标框对应的基础特征输入至所述安全帽分类识别模块，获得安全帽识别结果；

针对内部为人员身体的预测目标框，将所述内部为人员身体的预测目标框对应的基础特征作为浅层特征，将所述浅层特征输入至多个卷积层进行更深层次的特征提取，获得深层特征，将所述浅层特征与深层特征进行拼接后输入至所述工装分类识别模块，获得工装识别结果；

基于所述着装图像对应的人员戴安全帽情况标签以及所述安全帽识别结果，计算安全帽识别损失，基于所述着装图像对应的人员穿工装情况标签以及所述工装识别结果，计算工装识别损失；

通过反向传播算法，调整所述着装识别模型的各个参数，以使所述损失朝最小化方向移动；

判断是否达到训练结束条件，若是，则保存当前迭代所述着装识别模型的各个参数，获得初步训练完成的着装识别模型。

5.根据权利要求3所述的电力作业人员安全着装识别方法，其特征在于，针对未标注的着装图像，通过利用所述初步训练完成的着装识别模型的预测结果、结合阈值比较和非极大值抑制计算结果进行自动标注，具体包括：

将所述未标注的着装图像输入至所述初步训练完成的着装识别模型，获得若干个预测结果，每个预测结果包括预测目标框的位置、预测目标框所属类别与预测目标框的分数；

将所有预测目标框的分数与所设定的分数阈值进行比较，若某一预测目标框的分数高于所述分数阈值，将所述预测目标框所对应的位置、大小与类别信息作为标注信息；或者，

利用预测目标框的分数低于所述分数阈值的所有预测结果构造一个集合，若所述集合中存在N个预测目标框属于同一区域，且N小于所设定的目标框数目阈值，则丢弃所述预测结果，或者，若N大于所设定的目标框数目阈值，则取N个预测目标框中大多数框所属的类别，记为M个框所属的类别，作为所述未标注的着装图像的类别属性，并利用所述M个框的位置与大小信息、采用非极大值抑制NMS计算的方式找到最佳的预测目标框位置与大小作为标住信息。

6.一种电力作业人员安全着装识别装置，其特征在于，包括：

图像采集模块，用于采集电力作业人员着装图像；

识别模块，用于将所述电力作业人员着装图像输入至预置的着装识别模型中进行人员头部和身体的检测以及安全帽分类识别和工装分类识别，获得安全帽识别结果和工装识别结果；

其中，所述着装识别模型是预先以电力作业人员着装图像为样本，以所述电力作业人员着装图像中人员戴安全帽和穿工装情况为样本标签进行训练获得，所述着装识别模型包括MobileNet网络、SSD目标检测模块、安全帽分类识别模块和工装分类识别模块。

7.根据权利要求6所述的电力作业人员安全着装识别装置，其特征在于，所述识别模块具体用于：

将所述电力作业人员着装图像输入至所述MobileNet网络中，获得所述电力作业人员着装图像对应的基础特征；

将所述电力作业人员着装图像对应的基础特征输入至所述SSD目标检测模块，获得预测目标框位置与大小，并基于所述预测目标框位置与大小，确定所述预测目标框内部为人员头部或人员身体；

将内部为人员头部的预测目标框对应的基础特征输入至所述安全帽分类识别模块，获得安全帽识别结果，将内部为人员身体的预测目标框对应的基础特征作为浅层特征，将所述浅层特征输入至多个卷积层，获得深层特征，将所述浅层特征与深层特征拼接后输入至所述工装分类识别模块，获得工装识别结果。

8.根据权利要求6所述的电力作业人员安全着装识别装置，其特征在于，还包括：训练模块，用于训练获得所述着装识别模型；

其中，所述训练模块具体用于：

采集不同人员的不同着装图像，将每张着装图像中的人员戴安全帽情况和穿工装情况打上相应的标签，构建样本集，将所述样本集划分为训练样本集和测试样本集；

利用所述训练样本集对所述着装识别模型进行训练，训练结束后，获得初步训练完成的着装识别模型；

利用所述测试样本集对所述初步训练完成的着装识别模型进行测试，若测试精度满足预设要求，则获得最终训练完成的着装识别模型；或者，若测试精度没有达到预设要求，则针对未标注的着装图像，通过利用所述初步训练完成的着装识别模型的预测结果、结合阈值比较和非极大值抑制计算结果进行自动标注，并通过自动标注与人工微调相结合的方式，优化所述样本集；

利用优化后的样本集对所述初步训练完成的着装识别模型进行迭代优化训练直至所述着装识别模型的测试精度满足所述预设要求。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述电力作业人员安全着装识别方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述电力作业人员安全着装识别方法的步骤。

Images