CN113887634B - 基于改进两步检测的电力安全带检测及预警方法 - Google Patents
基于改进两步检测的电力安全带检测及预警方法 Download PDFInfo
- Publication number
- CN113887634B CN113887634B CN202111169497.6A CN202111169497A CN113887634B CN 113887634 B CN113887634 B CN 113887634B CN 202111169497 A CN202111169497 A CN 202111169497A CN 113887634 B CN113887634 B CN 113887634B
- Authority
- CN
- China
- Prior art keywords
- detection
- safety belt
- model
- image
- module
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000003416 augmentation Effects 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 2
- 230000003190 augmentative effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 238000007670 refining Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000013135 deep learning Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
Classifications
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
一种基于改进两步检测的电力安全带检测及预警方法,该方法包括以下步骤:步骤1,采集实际应用场景的图像数据;步骤2,对操作人员戴上安全带的图像进行随机擦除;步骤3,设计两步检测的电力安全带检测模型;步骤4,训练两步检测的电力安全带检测模型;步骤5,将训练获得的改进两步检测的电力安全带检测模嵌入传感器及其采集系统中,并实际应用;步骤6,开启安全带检测报警功能。本发明为了泛化检测模型,对带有安全带标签的图像进行随机擦除,同时利用安全带检测图像增广模型完成对电力安全带检测数据的增广,增强检测模型的鲁棒性和泛化能力,最后在YOLOv3的主干模块中加入多感受野机制,细化模型的输出特征,提高模型分类精度。
Description
技术领域
本发明涉及安全带检测领域,特别是涉及基于改进两步检测的电力安全带检测及预警方法。
背景技术
坠落事故是电力系统最主要的伤亡事故之一,电力系统高空作业的施工人员需要佩戴电力安全带,来保障高处作业施工人员的安全,保证电力生产运营安全。电力安全带由腰带和安全绳组成,常用于电力施工检修场景中。然而早期对未佩戴电力安全带的危险排查主要依靠人力监督,人力监督反应速度慢,且无法同时监督多个施工现场。随着深度学习的发展,基于深度学习的安全带检测算法可以实时检测作业人员是否正确佩带安全带,有着反馈速度快且可同时检测多个施工场景的优点。
电力安全带检测属于计算机视觉中的目标检测范畴。深度网络可以自动学习到图像多层次的特征,包括丰富的底层纹理特征和深层的语义特征。近年来,越来越多的深度学习算法被应用于目标检测,并极大提高了检测精度。基于深度学习的目标检测算法主要分为两类:双步检测方法和单步检测方法。双步检测方法首先要提取候选区域,随后使用分类器检测候选区域。
发明内容
为解决上述问题,本发明在实时图像采集系统采集检测图像数据的基础上,提出了基于改进两步检测的电力安全带检测及预警方法,具体步骤如下,其特征在于:
步骤1,采集实际应用场景的图像数据:将采集到的图像进行增广,并使用图像标注工具Labellmg进行标注,同时分类建立数据集,将数据集划分为训练样本和测试样本;
步骤2,对操作人员戴上安全带的图像进行随机擦除:由于图像数据中操作人员的动作幅度和是否佩戴安全带的标签呈强关联性,在动作幅度大的操作人员中有很大比例佩戴了安全带,为了泛化检测模型,需要对带有安全带标签的图像进行随机擦除;
步骤3,设计两步检测的电力安全带检测模型:首先设计由卷积层和连接层组成的目标区域检测模型,用于确定检测目标区域,再设计一个是否正确佩戴安全带分类模型;
步骤4,训练两步检测的电力安全带检测模型:将带有标注的训练样本用于训练两步检测的电力安全带检测模型,获得训练完成的两步检测的电力安全带检测模型;
步骤5,将训练获得的改进两步检测的电力安全带检测模嵌入传感器及其采集系统中,并实际应用;
步骤6,开启安全带检测报警功能,如发现有人员未佩戴安全帽,可以在监控室进行语音报警、提醒处理,同时在视频的位置播放警示声音,并将监控记录存入监控管理系统。
进一步,步骤1中为采集图像进行数据增广的过程可以表示为:
为了增强检测模型的泛化能力和鲁棒性,本发明利用生成对抗网络对数据进行增广,具体步骤如下:
步骤1.1,设计生成对抗网络,网络模型由一个生成网络G和一个对抗网络D组成;
步骤1.2,将随机噪声输入至生成网络,并输出生成后的安全带检测图像;
步骤1.3,将生成网络输出的图像数据和真实检测的安全带检测图像数据输入至对抗网络,对抗网络输出生成网络G输出图像数据为真实图片的概率;
步骤1.4,根据网络输出循环更新网络模型参数,使得满足目标损失函数的优化目标,获得训练完成的安全带检测图像增广模型,损失函数f公式如下:
f=Ex~μ[logD(x)]+Ez~γ[log(1-D(G(z)))] (1)
式中E是分布期望,x是训练样本,μ是训练样本x的概率分布,z是生成器的随机样本,γ是随机样本z的概率分布,D(x)是对抗网络的鉴别函数,G(z)是生成网络的输出数据;
步骤1.5,利用训练完成的安全带检测图像增广模型完成对电力安全带检测数据的增广。
进一步,步骤2中对安全带标签图像的随机擦除的过程可以表示为:
步骤2.1,随机选定图像中的一个矩形区域,将矩形区域的像素值置0,其中矩形区域的高宽为:
式中H为矩形区域的高,W为矩形区域的宽,S是矩形区域面积,R是矩形区域的高宽比;
步骤2.2,随机选取图像中的点(a,b),改点需满足下列条件:
a+W≤W0 (4)
b+H≤H0 (5)
式中,W0是图像的高,H0是图像的宽;
步骤2.3,将图像中的(a,b,a+W,b+H)的矩形区域作为随机擦除区,将该区域的像素值置0。
进一步,步骤3中设计两步检测的电力安全带检测模型的过程可以表示为:
目标区域检测模型主要由YOLOv3构成,模型包含三部分:主干模块、特征融合模块和预测模块,在主干模块中加入多感受野机制,使用卷积核大小为1×1和5×5的DBL模块与原始的DBL模块并行连接,DBL模块和多感受野模块的映射关系表示为下式:
xmulti=H1(x)+H3(x)+H5(x) (6)
式中,xmulti是多感受野模块的输出;H1()、H3()和H5()分别表示卷积核大小分别为:1×1、3×3和5×5的映射;x表示YOLOv3原本的特征图输出;
安全带分类检测模型主要通过计算YOLOv3特征图输出特征值与已知类别训练样本特征值的距离来对输入的图像数据进行分类,距离公式d如下式所示:
式中xmulti是测试样本的多感受野模块的输出,x’multi是训练样本的多感受野模块的输出;在训练样本集中找出与测试样本最近邻的k个点,涵盖这k个训练样本点的领域记作Nk,根据分类决策规则决定测试样本的类别
其中,yi∈{0,1}是训练样本的实际类别,I是指示函数,当yi=1的数量多于yi=0时,I为1,否则为0;最后交叉验证,根据识别率来确定k值。
进一步,步骤4中训练两步检测的电力安全带检测模型的过程可以表示为:
步骤4.1把图像化为小网格,同时在每个小网格中,都预测两个锚框;
步骤4.2通过阈值去除概率低的锚框,再根据非极大值抑制去除冗余锚框;
步骤4.3设置模型损失函数,损失函数是用来评价模型预测值和真实值不一样的程度,用于更新模型参数、收敛模型,本发明的损失函数loss如下式:
loss=∑coorError+iouError+classError (9)
式中,coorError是坐标误差,iouError是IOU误差,classError是分类误差。
进一步,步骤5中将两步检测模型实际应用的过程可以表示为:
通过两步检测模型检测对操作人员佩戴安全带进行检测,首先通过模型对检测目标区域进行定位,确定操作人员所在的区域;再通过训练好的模型对目标区域进行分类识别,检测操作人员是否正确佩戴安全带。
本发明基于改进两步检测的电力安全带检测及预警方法,有益效果:本发明的技术效果在于:
本发明为了泛化检测模型,对带有安全带标签的图像进行随机擦除,同时利用安全带检测图像增广模型完成对电力安全带检测数据的增广,增强检测模型的鲁棒性和泛化能力,最后在YOLOv3的主干模块中加入多感受野机制,细化模型的输出特征,提高模型分类精度。
1.本发明为了泛化检测模型,对带有安全带标签的图像进行随机擦除,增强了检测模型的泛化能力;
2.本发明对带有安全带标签的图像进行随机擦除,增强了检测模型的鲁棒性和泛化能力;
3.本发明在YOLOv3的主干模块中加入多感受野机制,细化模型的输出特征,提高模型分类精度。
附图说明
图1为本发明的流程图;
图2为本发明的生成对抗网络结构图;
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提出了基于改进两步检测的电力安全带检测及预警方法,为了泛化检测模型,对带有安全带标签的图像进行随机擦除,再利用安全带检测图像增广模型完成对电力安全带检测数据的增广,增强检测模型的鲁棒性和泛化能力,最后在YOLOv3的主干模块中加入多感受野机制,细化模型的输出特征,提高模型分类精度,图1为本发明的流程图,下面结合流程图对本发明的步骤作详细介绍。
步骤1,采集实际应用场景的图像数据:将采集到的图像进行增广,并使用图像标注工具Labellmg进行标注,同时分类建立数据集,将数据集划分为训练样本和测试样本;
为了增强检测模型的泛化能力和鲁棒性,本发明利用生成对抗网络对数据进行增广,具体步骤如下:
步骤1.1,设计生成对抗网络,网络模型由一个生成网络G和一个对抗网络D组成,生成对抗网络结构图如图2;
步骤1.2,将随机噪声输入至生成网络,并输出生成后的安全带检测图像;
步骤1.3,将生成网络输出的图像数据和真实检测的安全带检测图像数据输入至对抗网络,对抗网络输出生成网络G输出图像数据为真实图片的概率;
步骤1.4,根据网络输出循环更新网络模型参数,使得满足目标损失函数的优化目标,获得训练完成的安全带检测图像增广模型,损失函数f公式如下:
f=Ex~μ[log D(x)]+Ez~γ[log(1-D(G(z)))] (1)
式中E是分布期望,x是训练样本,μ是训练样本x的概率分布,z是生成器的随机样本,γ是随机样本z的概率分布,D(x)是对抗网络的鉴别函数,G(z)是生成网络的输出数据;
步骤1.5,利用训练完成的安全带检测图像增广模型完成对电力安全带检测数据的增广。
步骤2,对操作人员戴上安全带的图像进行随机擦除:由于图像数据中操作人员的动作幅度和是否佩戴安全带的标签呈强关联性,在动作幅度大的操作人员中有很大比例佩戴了安全带,为了泛化检测模型,需要对带有安全带标签的图像进行随机擦除,对安全带标签图像的随机擦除步骤如下所示:
步骤2.1,随机选定图像中的一个矩形区域,将矩形区域的像素值置0,其中矩形区域的高宽为:
式中H为矩形区域的高,W为矩形区域的宽,S是矩形区域面积,R是矩形区域的高宽比;
步骤2.2,随机选取图像中的点(a,b),改点需满足下列条件:
a+W≤W0 (4)
b+H≤H0 (5)
式中,W0是图像的高,H0是图像的宽;
步骤2.3,将图像中的(a,b,a+W,b+H)的矩形区域作为随机擦除区,将该区域的像素值置0。
步骤3,设计两步检测的电力安全带检测模型:首先设计由卷积层和连接层组成的目标区域检测模型,用于确定检测目标区域,再设计一个是否正确佩戴安全带分类模型;
目标区域检测模型主要由YOLOv3构成,模型包含三部分:主干模块、特征融合模块和预测模块,在主干模块中加入多感受野机制,使用卷积核大小为1×1和5×5的DBL模块与原始的DBL模块并行连接,DBL模块和多感受野模块的映射关系表示为下式:
xmulti=H1(x)+H3(x)+H5(x) (6)
式中,xmulti是多感受野模块的输出;H1()、H3()和H5()分别表示卷积核大小分别为:1×1、3×3和5×5的映射;x表示YOLOv3原本的特征图输出;
安全带分类检测模型主要通过计算YOLOv3特征图输出特征值与已知类别训练样本特征值的距离来对输入的图像数据进行分类,距离公式d如下式所示:
式中xmulti是测试样本的多感受野模块的输出,x’multi是训练样本的多感受野模块的输出;在训练样本集中找出与测试样本最近邻的k个点,涵盖这k个训练样本点的领域记作Nk,根据分类决策规则决定测试样本的类别
其中,yi∈{0,1}是训练样本的实际类别,I是指示函数,当yi=1的数量多于yi=0时,I为1,否则为0;最后交叉验证,根据识别率来确定k值。
步骤4,训练两步检测的电力安全带检测模型:将带有标注的训练样本用于训练两步检测的电力安全带检测模型,获得训练完成的两步检测的电力安全带检测模型,训练步骤如下所示:
步骤4.1把图像化为小网格,同时在每个小网格中,都预测两个锚框;
步骤4.2通过阈值去除概率低的锚框,再根据非极大值抑制去除冗余锚框;
步骤4.3设置模型损失函数,损失函数是用来评价模型预测值和真实值不一样的程度,用于更新模型参数、收敛模型,本发明的损失函数loss如下式:
loss=∑coorError+iouError+classError (9)
式中,coorError是坐标误差,iouError是IOU误差,classError是分类误差。
步骤5,将训练获得的改进两步检测的电力安全带检测模嵌入传感器及其采集系统中,并实际应用;
通过两步检测模型检测对操作人员佩戴安全带进行检测,首先通过模型对检测目标区域进行定位,确定操作人员所在的区域;再通过训练好的模型对目标区域进行分类识别,检测操作人员是否正确佩戴安全带。
步骤6,开启安全带检测报警功能,如发现有人员未佩戴安全帽,可以在监控室进行语音报警、提醒处理,同时在视频的位置播放警示声音,并将监控记录存入监控管理系统。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (5)
1.基于改进两步检测的电力安全带检测及预警方法,具体步骤如下,其特征在于:
步骤1,采集实际应用场景的图像数据:将采集到的图像进行增广,并使用图像标注工具Labellmg进行标注,同时分类建立数据集,将数据集划分为训练样本和测试样本;
步骤2,对操作人员戴上安全带的图像进行随机擦除:由于图像数据中操作人员的动作幅度和是否佩戴安全带的标签呈强关联性,在动作幅度大的操作人员中有很大比例佩戴了安全带,为了泛化检测模型,需要对带有安全带标签的图像进行随机擦除;
步骤3,设计两步检测的电力安全带检测模型:首先设计由卷积层和连接层组成的目标区域检测模型,用于确定检测目标区域,再设计一个是否正确佩戴安全带分类模型;
步骤3中设计两步检测的电力安全带检测模型的过程表示为:
目标区域检测模型由YOLOv3构成,模型包含三部分:主干模块、特征融合模块和预测模块,在主干模块中加入多感受野机制,使用卷积核大小为1×1和5×5的DBL模块与原始的DBL模块并行连接,DBL模块和多感受野模块的映射关系表示为下式:
xmulti=H1(x)+H3(x)+H5(x) (6)
式中,xmulti是多感受野模块的输出;H1()、H3()和H5()分别表示卷积核大小分别为:1×1、3×3和5×5的映射;x表示YOLOv3原本的特征图输出;
安全带分类检测模型通过计算YOLOv3特征图输出特征值与已知类别训练样本特征值的距离来对输入的图像数据进行分类,距离公式d如下式所示:
式中xmulti是测试样本的多感受野模块的输出,x’multi是训练样本的多感受野模块的输出;
在训练样本集中找出与测试样本最近邻的k个点,涵盖这k个训练样本点的领域记作Nk,根据分类决策规则决定测试样本的类别
其中,yi∈{01}是训练样本的实际类别,I是指示函数,当yi=1的数量多于yi=0时,I为1,否则为0;最后交叉验证,根据识别率来确定k值;
步骤4,训练两步检测的电力安全带检测模型:将带有标注的训练样本用于训练两步检测的电力安全带检测模型,获得训练完成的两步检测的电力安全带检测模型;
步骤5,将训练获得的改进两步检测的电力安全带检测模嵌入传感器及其采集系统中,并实际应用;
步骤6,开启安全带检测报警功能,如发现有人员未佩戴安全带,在监控室进行语音报警、提醒处理,同时在视频的位置播放警示声音,并将监控记录存入监控管理系统。
2.根据权利要求1所述的基于改进两步检测的电力安全带检测及预警方法,其特征在于:步骤1中为采集图像进行数据增广的过程表示为:
为了增强检测模型的泛化能力和鲁棒性,利用生成对抗网络对数据进行增广,具体步骤如下:
步骤1.1,设计生成对抗网络,网络模型由一个生成网络G和一个对抗网络D组成;
步骤1.2,将随机噪声输入至生成网络,并输出生成后的安全带检测图像;
步骤1.3,将生成网络输出的图像数据和真实检测的安全带检测图像数据输入至对抗网络,对抗网络输出生成网络G输出图像数据为真实图片的概率;
步骤1.4,根据网络输出循环更新网络模型参数,使得满足目标损失函数的优化目标,获得训练完成的安全带检测图像增广模型,损失函数f公式如下:
f=Ex~μ[log D(x)]+Ez~γ[1og(l-D(G(z)))] (1)
式中E是分布期望,x是训练样本,μ是训练样本x的概率分布,z是生成器的随机样本,γ是随机样本z的概率分布,D(x)是对抗网络的鉴别函数,G(z)是生成网络的输出数据;
步骤1.5,利用训练完成的安全带检测图像增广模型完成对电力安全带检测数据的增广。
3.根据权利要求1所述的基于改进两步检测的电力安全带检测及预警方法,其特征在于:步骤2中对安全带标签图像的随机擦除的过程表示为:
步骤2.1,随机选定图像中的一个矩形区域,将矩形区域的像素值置0,其中矩形区域的高宽为:
式中H为矩形区域的高,W为矩形区域的宽,S是矩形区域面积,R是矩形区域的高宽比;
步骤2.2,随机选取图像中的点(a,b),改点需满足下列条件:
a+W≤W0 (4)
b+H≤H0 (5)
式中,W0是图像的高,H0是图像的宽;
步骤2.3,将图像中的(a,b,a+W,b+H)的矩形区域作为随机擦除区,将该区域的像素值置0。
4.根据权利要求1所述的基于改进两步检测的电力安全带检测及预警方法,其特征在于:步骤4中训练两步检测的电力安全带检测模型的过程表示为:
步骤4.1把图像化为小网格,同时在每个小网格中,都预测两个锚框;
步骤4.2通过阈值去除概率低的锚框,再根据非极大值抑制去除冗余锚框;
步骤4.3设置模型损失函数,损失函数是用来评价模型预测值和真实值不一样的程度,用于更新模型参数、收敛模型,损失函数loss如下式:
loss=∑coorError+iouError+classError (9)
式中,coorError是坐标误差,iouError是IOU误差,classError是分类误差。
5.根据权利要求1所述的基于改进两步检测的电力安全带检测及预警方法,
其特征在于:步骤5中将两步检测模型实际应用的过程表示为:
通过两步检测模型检测对操作人员佩戴安全带进行检测,首先通过模型对检测目标区域进行定位,确定操作人员所在的区域;再通过训练好的模型对目标区域进行分类识别,检测操作人员是否正确佩戴安全带。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111169497.6A CN113887634B (zh) | 2021-10-08 | 2021-10-08 | 基于改进两步检测的电力安全带检测及预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111169497.6A CN113887634B (zh) | 2021-10-08 | 2021-10-08 | 基于改进两步检测的电力安全带检测及预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113887634A CN113887634A (zh) | 2022-01-04 |
CN113887634B true CN113887634B (zh) | 2024-05-28 |
Family
ID=79005243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111169497.6A Active CN113887634B (zh) | 2021-10-08 | 2021-10-08 | 基于改进两步检测的电力安全带检测及预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887634B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742180B (zh) * | 2022-06-13 | 2022-09-20 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 高空作业安全等级确定方法、装置和计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020100705A4 (en) * | 2020-05-05 | 2020-06-18 | Chang, Jiaying Miss | A helmet detection method with lightweight backbone based on yolov3 network |
CN112347938A (zh) * | 2020-11-09 | 2021-02-09 | 南京机电职业技术学院 | 一种基于改进YOLOv3的人流检测方法 |
CN112560741A (zh) * | 2020-12-23 | 2021-03-26 | 中国石油大学(华东) | 一种基于人体关键点的安全穿戴检测方法 |
CN112990232A (zh) * | 2021-04-14 | 2021-06-18 | 广东工业大学 | 面向多种高空作业施工现场的安全带佩戴识别与检测方法 |
CN113361425A (zh) * | 2021-06-11 | 2021-09-07 | 珠海路讯科技有限公司 | 一种基于深度学习的检测工人是否佩戴安全帽的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950348A (zh) * | 2020-06-29 | 2020-11-17 | 北京百度网讯科技有限公司 | 安全带的佩戴状态识别方法、装置、电子设备和存储介质 |
-
2021
- 2021-10-08 CN CN202111169497.6A patent/CN113887634B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020100705A4 (en) * | 2020-05-05 | 2020-06-18 | Chang, Jiaying Miss | A helmet detection method with lightweight backbone based on yolov3 network |
CN112347938A (zh) * | 2020-11-09 | 2021-02-09 | 南京机电职业技术学院 | 一种基于改进YOLOv3的人流检测方法 |
CN112560741A (zh) * | 2020-12-23 | 2021-03-26 | 中国石油大学(华东) | 一种基于人体关键点的安全穿戴检测方法 |
CN112990232A (zh) * | 2021-04-14 | 2021-06-18 | 广东工业大学 | 面向多种高空作业施工现场的安全带佩戴识别与检测方法 |
CN113361425A (zh) * | 2021-06-11 | 2021-09-07 | 珠海路讯科技有限公司 | 一种基于深度学习的检测工人是否佩戴安全帽的方法 |
Non-Patent Citations (1)
Title |
---|
YoloV3算法在安全帽检测中的应用;梁思成等;《智能计算机与应用》;20200901;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113887634A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020100705A4 (en) | A helmet detection method with lightweight backbone based on yolov3 network | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
CN111753985B (zh) | 基于神经元覆盖率的图像深度学习模型测试方法与装置 | |
CN109657592B (zh) | 一种智能挖掘机的人脸识别方法 | |
CN104063722B (zh) | 一种融合hog人体目标检测和svm分类器的安全帽识别方法 | |
CN111881730A (zh) | 一种火电厂现场安全帽佩戴检测方法 | |
CN108596221B (zh) | 标尺读数的图像识别方法及设备 | |
CN114241548A (zh) | 一种基于改进YOLOv5的小目标检测算法 | |
CN110728252B (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
CN109815904B (zh) | 一种基于卷积神经网络的火灾识别方法 | |
CN104268529A (zh) | 指纹图像质量的判断方法和装置 | |
CN113887634B (zh) | 基于改进两步检测的电力安全带检测及预警方法 | |
CN114429577B (zh) | 一种基于高置信标注策略的旗帜检测方法及系统及设备 | |
CN117636400B (zh) | 基于图像可识别动物身份的方法及系统 | |
CN110472608A (zh) | 图像识别跟踪处理方法及系统 | |
CN113569656A (zh) | 一种基于深度学习的考场监控方法 | |
CN117437562A (zh) | 一种基于无人机遥感图像的野外烟火快速检测方法 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
CN115116119A (zh) | 一种基于数字图像处理技术的人脸识别系统 | |
CN112597842B (zh) | 基于人工智能的运动检测面瘫程度评估系统 | |
CN115965883A (zh) | 一种基于Transformer的烟雾检测算法 | |
CN112883889A (zh) | 一种适用于电力施工场景下违章行为检测方法 | |
CN114187559B (zh) | 一种建筑施工现场不同机械设备识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |