CN113920535A - 一种基于YOLOv5的电子区域检测方法 - Google Patents
一种基于YOLOv5的电子区域检测方法 Download PDFInfo
- Publication number
- CN113920535A CN113920535A CN202111186782.9A CN202111186782A CN113920535A CN 113920535 A CN113920535 A CN 113920535A CN 202111186782 A CN202111186782 A CN 202111186782A CN 113920535 A CN113920535 A CN 113920535A
- Authority
- CN
- China
- Prior art keywords
- image
- transformer substation
- data set
- image data
- detection model
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种基于YOLOv5的电子区域检测方法。摄像头采集包含有闯入对象的变电站现场图像;用包围框进行标记处理,组建图像数据集A;对图像数据集A图像缩放后训练YOLOv5检测模型,获得检测模型A;图像中的每个检测框中的闯入对象用关键点标记触地点组建图像数据集B,用图像数据集B图像缩放后训练HRNet关键点检测网络,获得检测模型B;将实时采集的变电站现场图像依次输入经过检测模型A和触地点检测模型B处理获得触地点是否在电子区域内。本发明方法解决了普通检测框难以界定是否闯入的问题,变电站现场的识别结果表明,该识别方法的准确率更高,可应用于变电站电子区域检测的识别系统当中。
Description
技术领域
本发明涉及了一种变电站电子区域拒止的方法,尤其是涉及了一种基于YOLOv5的电子区域检测方法。
背景技术
随着我国电力系统的规模化发展,变电站数量激增,仅35千伏变电站数量达到了25000座以上。然而,由于能量属性,变电站中存在很多可能威胁到人员生命安全的设施。因此,现有变电站都会设置危险警示牌,对进入的人员进行安全警示。然而,简单的警示牌对于变电站电子区域拒止作用有限,每年因为变电站设备而发生的灾安全事故时有发生,因此亟需研发自动化的变电站电子区域拒止方法,降低安全风险。
发明内容
为了解决背景技术中的问题,本发明提出了一种基于YOLOv5的电子区域检测方法,能高效进行变电站电子区域拒止并具有良好稳定性。
本发明的技术方案包括以下步骤:
1)通过摄像头拍摄采集包含有闯入对象的变电站现场图像(如图1所示);
所述的闯入对象通常是指闯入电子区域的车或者人。
2)遍历所有变电站现场图像,对每张图像用矩形包围框针对闯入对象进行标记处理,获得对应的label文件,将label文件与原始的变电站现场图像共同构成图像数据集A;
3)针对图像数据集A中的变电站现场图像进行图像缩放,调整图像尺寸为640×640,对应的label文件也作同比例缩放,再通过缩放后的图像数据集A训练YOLOv5检测模型,获得检测模型A;
4)遍历图像数据集A,对每张图像中的每个包围框中的闯入对象用关键点进行标记触地点,获得对应的label文件,它与截取出的包围框中的闯入对象共同构成图像数据集B;
5)针对图像数据集B中的变电站现场图像进行图像缩放,调整图像尺寸为224×224,对应的label文件也作同比例缩放,再通过缩放后的图像数据集B训练HRNet关键点检测网络,获得触地点检测模型B;
6)将实时采集的变电站现场图像按照与步骤3)中相同的图像缩放方法进行缩放为640×640,作为检测模型A的输入,经过检测模型A处理获得闯入对象的位置框坐标;
7)将步骤6)得到的位置框对应的部分截取出来,按照与步骤5)中相同的图像缩放方法进行缩放为224×224,作为触地点检测模型B的输入,经过触地点检测模型B处理获得闯入对象的触地点坐标;
8)判断步骤7)得到的触地点坐标是否在预置的电子区域内,若在则发出预警信息,若不在则不预警。
所述的步骤1)中的变电站现场图像是指通过变电站内的摄像头采集获得的图像。
所述的步骤2)中的包围框为长方形框,表示成1×4的行向量,包含记录了长方形框的左上角和右下角对应的横纵坐标,包围框的横纵坐标被记录在label文件中,每个包围框对应一个label文件,每张变电站现场图像最多只含有一个包围框。
所述的步骤4)中的触地点指的是闯入对象与地面的接触点,若存在多个接触点的情况,则取多个触点的中心。
本发明方法首先基于YOLOv5目标检测检测闯入物体,接着将检测框截取出来输入到HRNet关键点检测网络,输出得到闯入物体的触地点,通过判断触地点的坐标是否在预置电子管控区域内,即可知道该物体是否闯入了电子管控区域,进而决定是否发出预警信息。
本发明具有的有益的效果是:
本发明方法解决了普通检测框难以界定是否闯入的问题,基于变电站场景的识别结果表明,该识别方法的准确率达到93.5%,相比传统直接用检测框界定是否闯入的方法,提高了9.56个百分点,可应用于变电站明火检测的识别系统当中。
附图说明
图1为实施例数据样本图片。
图2为实施例数据集A的图片与label样例。
图3为缩放后的实施例数据集A的图片与label样例。
图4为实施例数据集B的图片与label样例。
图5为缩放后的实施例数据集B的图片与label样例。
图6为实施例本方法触地点检测模型B的输出结果图,×位置为网络预测的触地点。图7为本方法与传统方法的比较示例图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
按照本发明方法完整实施的实施例如下:
首先通过摄像头拍摄采集包含有闯入对象的变电站现场图像,如图1所示,本实施例一共采集到6000张,原始图片的大小为1920×1080像素,其中用于训练的图片有4000张,其余2000张图片作为测试图片;
遍历实施例所有4000张训练图片,对每张图像用矩形包围框针对闯入对象进行标记处理,如图2所示,获得对应的label文件,将label文件与训练图片共同构成图像数据集A;
针对图像数据集A中的变电站现场图像进行图像缩放,调整图像尺寸为640×640,对应的label文件也作同比例缩放,如图3所示,再通过缩放后的图像数据集A训练YOLOv5检测模型,获得检测模型A;
遍历图像数据集A,对每张图像中的每个包围框中的闯入对象用关键点进行标记触地点,如图4所示,获得对应的label文件,它与截取出的包围框中的闯入对象共同构成图像数据集B;
针对图像数据集B中的变电站现场图像进行图像缩放,调整图像尺寸为224×224,对应的label文件也作同比例缩放,如图5所示,再通过缩放后的图像数据集B训练HRNet关键点检测网络,获得触地点检测模型B;
将测试集图像缩放为640×640,作为检测模型A的输入,经过检测模型A处理获得闯入对象的位置框坐标;
将步骤得到的位置框对应的部分截取出来,缩放为224×224,作为触地点检测模型B的输入,经过触地点检测模型B处理获得闯入对象的触地点坐标,如图6所示;
判断得到的触地点坐标是否在预置的电子区域内,若在则发出预警信息,若不在则不预警。
本发明的优势在于,如图7所示,预设虚线右边为电子管控区域,用传统的检测框难以判断是否闯入,但是通过本发明,可以清晰的界定为未闯入。
实验结果显示,采用基于YOLOv5的电子区域检测方法测试变电站现场测试集图片,电子区域检测方法的平均准确率为93.5%,相比传统直接用检测框界定是否闯入的方法,提高了9.56个百分点。
由此可见,本发明能够实现电子区域检测的高精度检测,并且具有稳定性好,抗干扰能力强,通用性高等优点。
上述具体实施方式用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (4)
1.一种基于YOLOv5的电子区域检测方法,其特征在于方法包括以下步骤:
1)通过摄像头拍摄采集包含有闯入对象的变电站现场图像;
2)遍历所有变电站现场图像,对每张图像用包围框针对闯入对象进行标记处理,获得对应的label文件,将label文件与原始的变电站现场图像共同构成图像数据集A;
3)针对图像数据集A中的变电站现场图像进行图像缩放,对应的label文件也作同比例缩放,再通过缩放后的图像数据集A训练YOLOv5检测模型,获得检测模型A;
4)遍历图像数据集A,对每张图像中的每个包围框中的闯入对象用关键点进行标记触地点,获得对应的label文件,它与截取出的包围框中的闯入对象共同构成图像数据集B;
5)针对图像数据集B中的变电站现场图像进行图像缩放,对应的label文件也作同比例缩放,再通过缩放后的图像数据集B训练HRNet关键点检测网络,获得触地点检测模型B;
6)将实时采集的变电站现场图像按照与步骤3)中相同的图像缩放方法进行缩放,作为检测模型A的输入,经过检测模型A处理获得闯入对象的位置框坐标;
7)将步骤6)得到的位置框对应的部分截取出来,按照与步骤5)中相同的图像缩放方法进行缩放,作为触地点检测模型B的输入,经过触地点检测模型B处理获得闯入对象的触地点坐标;
8)判断步骤7)得到的触地点坐标是否在预置的电子区域内,若在则发出预警信息,若不在则不预警。
2.根据权利要求1所述的一种基于YOLOv5的电子区域检测方法,其特征在于:所述的步骤1)中的变电站现场图像是指通过变电站内的摄像头采集获得的图像。
3.根据权利要求1所述的一种基于YOLOv5的电子区域检测方法,其特征在于:所述的步骤2)中的包围框为长方形框,表示成1×4的行向量,包含记录了长方形框的左上角和右下角对应的横纵坐标,包围框的横纵坐标被记录在label文件中,每个包围框对应一个label文件,每张变电站现场图像最多只含有一个包围框。
4.根据权利要求1所述的一种基于YOLOv5的电子区域检测方法,其特征在于:所述的步骤4)中的触地点指的是闯入对象与地面的接触点,若存在多个接触点的情况,则取多个触点的中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111186782.9A CN113920535B (zh) | 2021-10-12 | 2021-10-12 | 一种基于YOLOv5的电子区域检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111186782.9A CN113920535B (zh) | 2021-10-12 | 2021-10-12 | 一种基于YOLOv5的电子区域检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113920535A true CN113920535A (zh) | 2022-01-11 |
CN113920535B CN113920535B (zh) | 2023-11-17 |
Family
ID=79239394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111186782.9A Active CN113920535B (zh) | 2021-10-12 | 2021-10-12 | 一种基于YOLOv5的电子区域检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920535B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387558A (zh) * | 2022-03-24 | 2022-04-22 | 成都诺比侃科技有限公司 | 一种基于多维视频的变电站监控方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100328644A1 (en) * | 2007-11-07 | 2010-12-30 | Yuesheng Lu | Object Detection and Tracking System |
CN103729614A (zh) * | 2012-10-16 | 2014-04-16 | 上海唐里信息技术有限公司 | 基于视频图像的人物识别方法及人物识别装置 |
CN110782681A (zh) * | 2019-09-11 | 2020-02-11 | 平安科技(深圳)有限公司 | 交通指示灯自适应控制方法、装置、终端及存储介质 |
CN111476184A (zh) * | 2020-04-13 | 2020-07-31 | 河南理工大学 | 一种基于双注意力机制的人体关键点检测方法 |
CN112417946A (zh) * | 2020-09-17 | 2021-02-26 | 国网天津静海供电有限公司 | 电力施工现场指定区域的越界检测方法及系统 |
CN112509325A (zh) * | 2020-12-04 | 2021-03-16 | 公安部交通管理科学研究所 | 一种基于视频深度学习的非现场违法自动甄别方法 |
CN112712516A (zh) * | 2021-01-08 | 2021-04-27 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于YOLOv5的高铁底部胶条故障检测方法及系统 |
CN112802302A (zh) * | 2020-12-31 | 2021-05-14 | 国网浙江省电力有限公司双创中心 | 一种基于多源算法的电子围栏方法及系统 |
CN112906464A (zh) * | 2021-01-15 | 2021-06-04 | 上海东普信息科技有限公司 | 行人检测识别方法、装置、设备及存储介质 |
CN113139521A (zh) * | 2021-05-17 | 2021-07-20 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种用于电力监控的行人越界标监测方法 |
CN113255533A (zh) * | 2021-05-31 | 2021-08-13 | 中再云图技术有限公司 | 一种禁区闯入行为识别方法,存储装置及服务器 |
CN113392754A (zh) * | 2021-06-11 | 2021-09-14 | 成都掌中全景信息技术有限公司 | 一种基于yolov5行人检测算法减少行人误检测率的方法 |
CN113435278A (zh) * | 2021-06-17 | 2021-09-24 | 华东师范大学 | 一种基于yolo的行吊安全检测方法及系统 |
-
2021
- 2021-10-12 CN CN202111186782.9A patent/CN113920535B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100328644A1 (en) * | 2007-11-07 | 2010-12-30 | Yuesheng Lu | Object Detection and Tracking System |
CN103729614A (zh) * | 2012-10-16 | 2014-04-16 | 上海唐里信息技术有限公司 | 基于视频图像的人物识别方法及人物识别装置 |
CN110782681A (zh) * | 2019-09-11 | 2020-02-11 | 平安科技(深圳)有限公司 | 交通指示灯自适应控制方法、装置、终端及存储介质 |
CN111476184A (zh) * | 2020-04-13 | 2020-07-31 | 河南理工大学 | 一种基于双注意力机制的人体关键点检测方法 |
CN112417946A (zh) * | 2020-09-17 | 2021-02-26 | 国网天津静海供电有限公司 | 电力施工现场指定区域的越界检测方法及系统 |
CN112509325A (zh) * | 2020-12-04 | 2021-03-16 | 公安部交通管理科学研究所 | 一种基于视频深度学习的非现场违法自动甄别方法 |
CN112802302A (zh) * | 2020-12-31 | 2021-05-14 | 国网浙江省电力有限公司双创中心 | 一种基于多源算法的电子围栏方法及系统 |
CN112712516A (zh) * | 2021-01-08 | 2021-04-27 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于YOLOv5的高铁底部胶条故障检测方法及系统 |
CN112906464A (zh) * | 2021-01-15 | 2021-06-04 | 上海东普信息科技有限公司 | 行人检测识别方法、装置、设备及存储介质 |
CN113139521A (zh) * | 2021-05-17 | 2021-07-20 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种用于电力监控的行人越界标监测方法 |
CN113255533A (zh) * | 2021-05-31 | 2021-08-13 | 中再云图技术有限公司 | 一种禁区闯入行为识别方法,存储装置及服务器 |
CN113392754A (zh) * | 2021-06-11 | 2021-09-14 | 成都掌中全景信息技术有限公司 | 一种基于yolov5行人检测算法减少行人误检测率的方法 |
CN113435278A (zh) * | 2021-06-17 | 2021-09-24 | 华东师范大学 | 一种基于yolo的行吊安全检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
DENG BENYANG 等: "Safety helmet detection method based on YOLO v4", 《2020 16TH INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND SECURITY (CIS)》, pages 155 - 158 * |
刘家辉 等: "基于深度学习的铁路行人细粒度检测", 《计算机与数字工程》, vol. 48, no. 6, pages 1367 - 1371 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387558A (zh) * | 2022-03-24 | 2022-04-22 | 成都诺比侃科技有限公司 | 一种基于多维视频的变电站监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113920535B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348312A (zh) | 一种区域视频人体动作行为实时识别方法 | |
CN110889339B (zh) | 基于头肩检测的危险区域分级预警方法与系统 | |
CN105404867B (zh) | 一种基于视觉的变电站隔离开关状态识别方法 | |
CN109495718B (zh) | 监控视频获取方法、装置及计算机可读存储介质 | |
CN210222962U (zh) | 一种智能电子围栏系统 | |
CN112183472A (zh) | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 | |
CN110598596A (zh) | 一种危险行为监测方法、装置及电子设备 | |
CN112270253A (zh) | 一种高空抛物的检测方法及装置 | |
CN115100813B (zh) | 基于数字孪生的智慧社区系统 | |
CN108898098A (zh) | 基于监控平台的早期视频烟雾检测方法 | |
CN115527158A (zh) | 一种基于视频监控的人员异常行为检测方法及装置 | |
CN112329688A (zh) | 一种公共场合用智能风险管控系统 | |
CN113435278A (zh) | 一种基于yolo的行吊安全检测方法及系统 | |
CN116246416A (zh) | 一种用于安防的智能分析预警平台及方法 | |
CN113920535B (zh) | 一种基于YOLOv5的电子区域检测方法 | |
CN108960131A (zh) | 机械式车库防人误入检测方法 | |
CN115880231A (zh) | 一种基于深度学习的输电线路隐患检测方法和系统 | |
CN113780119B (zh) | 基于静止摄像机应用场景的高精度运动目标检测方法 | |
CN112464765B (zh) | 一种基于单像素特征放大的安全帽检测方法及其应用 | |
CN115346170B (zh) | 一种燃气设施区域的智能监控方法及装置 | |
CN115171006B (zh) | 基于深度学习的自动识别人员进入电力危险区的检测方法 | |
JP2005284652A (ja) | 動きベクトルを用いた映像監視方法及び装置 | |
CN113780224A (zh) | 一种变电站无人化巡视方法及系统 | |
CN115049875A (zh) | 一种基于深度学习的变电站中佩戴绝缘手套的检测方法 | |
CN114332775A (zh) | 一种基于目标检测和无序特征的烟雾检测方法 |
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 |