CN116229522A - 一种变电站作业人员安全防护装备检测方法和系统 - Google Patents

一种变电站作业人员安全防护装备检测方法和系统 Download PDF

Info

Publication number
CN116229522A
CN116229522A CN202310518778.0A CN202310518778A CN116229522A CN 116229522 A CN116229522 A CN 116229522A CN 202310518778 A CN202310518778 A CN 202310518778A CN 116229522 A CN116229522 A CN 116229522A
Authority
CN
China
Prior art keywords
module
input
mcb
output
cbl
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
CN202310518778.0A
Other languages
English (en)
Inventor
吴悦园
李华轩
陈浩
林丽霞
李杏
康钱江
陈晓儒
陈智豪
庄凤彩
王斌
陈婷
吴瑜
陈江
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.)
Zhanjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Zhanjiang Power Supply Bureau of 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 Zhanjiang Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Zhanjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202310518778.0A priority Critical patent/CN116229522A/zh
Publication of CN116229522A publication Critical patent/CN116229522A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Human Computer Interaction (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种变电站作业人员安全防护装备检测方法和系统，考虑目标检测模型应用于变电站智能监控设备与后台处理系统时对实时处理与反馈的要求，利用轻量化的改进YOLOv7‑tiny目标检测模型快速进行作业人员安全防护装备所在区域图像的提取，针对于因复杂背景导致误判与漏判的问题，利用Siamese网络模型对经改进YOLOv7‑tiny目标检测模型提取的区域图像进行图像匹配，减少了误判与漏判，解决了现有的变电站作业人员安全防护装备检测方法效率低下，难以满足实时处理与反馈的需求，且易因复杂背景导致误判与漏判，不利于提高电力系统运行的安全稳定性的技术问题。

Description

一种变电站作业人员安全防护装备检测方法和系统
技术领域
本发明涉及电力作业安全防护技术领域，尤其涉及一种变电站作业人员安全防护装备检测方法和系统。
背景技术
变电站是电力系统中进行电压变换、电流变换和配电的主要场所，其安全稳定运行是减少停电事故发生的基础。变电站具有设备多、工作场景复杂和结构设施多样的特点，无论是内部设备故障还是外部环境故障，都可能造成重大经济损失甚至人员伤亡。为了减少经济损失和人员伤亡，通常要求作业人员穿戴安全防护装备，正确使用和维护安全防护装备也被认为是一种最低限度的安全行为，如使用安全防护装备中的安全帽防止物体撞击、使用安全带防止作业人员从高处坠落、穿着防护服和绝缘手套防止作业人员触电等。
在变电站实际工程环境中，变电站作业人员长期处于同一环境，运维人员为了追求工作效率，心态逐渐松动，安全意识不可避免地减弱，发生不使用安全防护装备或不正确穿戴安全防护设备的情况。最常见的包括缺少安全操作工具、绝缘手套、安全帽、防护服、绝缘靴等，这些都对作业人员和电气设备造成了极大的安全隐患。因此，有必要提供一种变电站作业人员安全防护装备检测方法，以确保作业人员是否正确使用安全防护设备。
现有的变电站作业人员安全防护装备检测方法是使用基于深度学习的目标检测模型进行安全防护装备检测，但将基于深度学习的目标检测模型应用于变电站智能监控设备与后台处理系统时，由于检测模型结构复杂、参数量大，检测速度大大降低，难以满足实时处理与反馈的需求，且易因复杂背景导致误判与漏判，不利于提高电力系统运行的安全稳定性。因此，提供一种能够快速且准确的变电站作业人员安全防护装备检测方法，是本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种变电站作业人员安全防护装备检测方法和系统，用于解决现有的变电站作业人员安全防护装备检测方法效率低下，难以满足实时处理与反馈的需求，且易因复杂背景导致误判与漏判，不利于提高电力系统运行的安全稳定性的技术问题。
有鉴于此，本发明第一方面提供了一种变电站作业人员安全防护装备检测方法，包括：
构建变电站作业人员穿戴安全防护装备作业的图像数据集，对图像数据集中的图像的作业人员关键部位进行标注，其中，作业人员关键部位为要求穿戴安全防护装备的部位；
基于图像数据集对改进YOLOv7-tiny目标检测模型进行训练，得到训练好的目标检测模型；
将实际变电站场景下的作业人员图像输入训练好的目标检测模型，得到训练好的目标检测模型输出的目标检测结果区域图；
将目标检测结果区域图输入训练好的Siamese网络模型中，得到Siamese网络模型输出的匹配结果，根据匹配结果判断作业人员是否按要求穿戴安全防护装备。
可选地，改进YOLOv7-tiny目标检测模型包括特征提取网络模块、特征融合网络模块和检测网络模块，特征提取网络模块、特征融合网络模块和检测网络模块依次连接；
特征提取网络模块包括依次连接的第一CBL模块、第二CBL模块、第一MCB模块、第一MP模块、第二MCB模块、第二MP模块、第三MCB模块、第三MP模块、第四MCB模块和SPPCSPC模块；
特征融合网络模块包括第三CBL模块、第一Concat模块、第五MCB模块、第一上采样模块、第四CBL模块、第五CBL模块、第二Concat模块、第六MCB模块、第二上采样模块、第六CBL模块、第七CBL模块、第三Concat模块、第七MCB模块、第八CBL模块、第四Concat模块和第八MCB模块；
第三CBL模块的输入与第二MCB模块连接，第三CBL模块的输出与第一Concat模块的输入连接，第一Concat模块的输出与第五MCB模块的输入连接，第五MCB模块的输出与第七CBL模块的输入以及检测网络模块连接；
第五CBL模块的输入与第三MCB模块的输出连接，第五CBL模块的输出与第二Concat模块的输入连接，第二Concat模块的输出与第六MCB模块的输入连接，第六MCB模块的输出与第四CBL模块的输入以及第三Concat模块的输入连接，第四CBL模块的输出与第一上采样模块的输入连接，第一上采样模块的输出与第一Concat模块的输入连接，第三Concat模块的输出与第七MCB模块的输入连接，第七MCB模块的输出与检测网络模块的输入以及第八CBL模块的输入连接，第八CBL模块的输出与第四Concat模块的输入连接；
第四Concat模块的输入还与SPPCSPC模块的输出连接，第四Concat模块的输出与第八MCB模块的输入连接，第八MCB模块的输出与检测网络模块的输入连接，
SPPCSPC模块的输出还与第六CBL模块的输入连接，第六CBL模块的输出与第二上采样模块的输入连接，第二上采样模块的输出与第二Concat模块的输入连接。
可选地，检测网络模型中的位置预测损失函数为：
Figure SMS_1
；
Figure SMS_2
；
其中，IoU为真实框与预测框的交集面积同并集面积的比值，
Figure SMS_4
为位置预测的回归损失函数，（/>
Figure SMS_5
，/>
Figure SMS_7
）为真实框的中心点坐标，（/>
Figure SMS_9
，/>
Figure SMS_10
）为预测框的中心点坐标，
Figure SMS_11
和/>
Figure SMS_12
分别为最小包围框的宽和高，/>
Figure SMS_3
和/>
Figure SMS_6
分别为真实框和预测框，/>
Figure SMS_8
为IoU损失。
可选地，Siamese网络模型采用VGG16网络结构对输入图像和样本图像进行特征向量提取，分别得到第一特征向量和第二特征向量，将第一特征向量和第二特征向量相减并计算差值的范数，利用Sigmoid函数将差值的范数归一化至[0,1]之间，根据归一化结果判断输入图像与样本图像是否匹配。
可选地，基于图像数据集对改进YOLOv7-tiny目标检测模型进行训练，得到训练好的目标检测模型，具体包括：
将图像数据集按9:1的比例划分为训练集和测试集，基于训练集和测试集图像数据集对改进YOLOv7-tiny目标检测模型进行训练和测试，得到训练好的目标检测模型。
本发明第二方面提供了一种变电站作业人员安全防护装备检测系统的实施例，包括：
数据集构建模块，用于构建变电站作业人员穿戴安全防护装备作业的图像数据集，对图像数据集中的图像的作业人员关键部位进行标注，其中，作业人员关键部位为要求穿戴安全防护装备的部位；
目标检测模型构建模块，用于基于图像数据集对改进YOLOv7-tiny目标检测模型进行训练，得到训练好的目标检测模型；
目标区域检测模块，用于将实际变电站场景下的作业人员图像输入训练好的目标检测模型，得到训练好的目标检测模型输出的目标检测结果区域图；
目标匹配模块，用于将目标检测结果区域图输入训练好的Siamese网络模型中，得到Siamese网络模型输出的匹配结果，根据匹配结果判断作业人员是否按要求穿戴安全防护装备。
可选地，改进YOLOv7-tiny目标检测模型包括特征提取网络模块、特征融合网络模块和检测网络模块，特征提取网络模块、特征融合网络模块和检测网络模块依次连接；
特征提取网络模块包括依次连接的第一CBL模块、第二CBL模块、第一MCB模块、第一MP模块、第二MCB模块、第二MP模块、第三MCB模块、第三MP模块、第四MCB模块和SPPCSPC模块；
特征融合网络模块包括第三CBL模块、第一Concat模块、第五MCB模块、第一上采样模块、第四CBL模块、第五CBL模块、第二Concat模块、第六MCB模块、第二上采样模块、第六CBL模块、第七CBL模块、第三Concat模块、第七MCB模块、第八CBL模块、第四Concat模块和第八MCB模块；
第三CBL模块的输入与第二MCB模块连接，第三CBL模块的输出与第一Concat模块的输入连接，第一Concat模块的输出与第五MCB模块的输入连接，第五MCB模块的输出与第七CBL模块的输入以及检测网络模块连接；
第五CBL模块的输入与第三MCB模块的输出连接，第五CBL模块的输出与第二Concat模块的输入连接，第二Concat模块的输出与第六MCB模块的输入连接，第六MCB模块的输出与第四CBL模块的输入以及第三Concat模块的输入连接，第四CBL模块的输出与第一上采样模块的输入连接，第一上采样模块的输出与第一Concat模块的输入连接，第三Concat模块的输出与第七MCB模块的输入连接，第七MCB模块的输出与检测网络模块的输入以及第八CBL模块的输入连接，第八CBL模块的输出与第四Concat模块的输入连接；
第四Concat模块的输入还与SPPCSPC模块的输出连接，第四Concat模块的输出与第八MCB模块的输入连接，第八MCB模块的输出与检测网络模块的输入连接，
SPPCSPC模块的输出还与第六CBL模块的输入连接，第六CBL模块的输出与第二上采样模块的输入连接，第二上采样模块的输出与第二Concat模块的输入连接。
可选地，检测网络模型中的位置预测损失函数为：
Figure SMS_13
；
Figure SMS_14
；
其中，IoU为真实框与预测框的交集面积同并集面积的比值，
Figure SMS_16
为位置预测的回归损失函数，（/>
Figure SMS_18
，/>
Figure SMS_20
）为真实框的中心点坐标，（/>
Figure SMS_21
，/>
Figure SMS_22
）为预测框的中心点坐标，
Figure SMS_23
和/>
Figure SMS_24
分别为最小包围框的宽和高，/>
Figure SMS_15
和/>
Figure SMS_17
分别为真实框和预测框，/>
Figure SMS_19
为IoU损失。
可选地，Siamese网络模型采用VGG16网络结构对输入图像和样本图像进行特征向量提取，分别得到第一特征向量和第二特征向量，将第一特征向量和第二特征向量相减并计算差值的范数，利用Sigmoid函数将差值的范数归一化至[0,1]之间，根据归一化结果判断输入图像与样本图像是否匹配。
可选地，目标检测模型构建模块具体用于：
将图像数据集按9:1的比例划分为训练集和测试集，基于训练集和测试集图像数据集对改进YOLOv7-tiny目标检测模型进行训练和测试，得到训练好的目标检测模型。
从以上技术方案可以看出，本发明提供的变电站作业人员安全防护装备检测方法和系统具有以下优点：
本发明提供的变电站作业人员安全防护装备检测方法，考虑目标检测模型应用于变电站智能监控设备与后台处理系统时对实时处理与反馈的要求，利用轻量化的改进YOLOv7-tiny目标检测模型快速进行作业人员安全防护装备所在区域图像的提取，针对于因复杂背景导致误判与漏判的问题，利用Siamese网络模型对经改进YOLOv7-tiny目标检测模型提取的区域图像进行图像匹配，减少了误判与漏判，解决了现有的变电站作业人员安全防护装备检测方法效率低下，难以满足实时处理与反馈的需求，且易因复杂背景导致误判与漏判，不利于提高电力系统运行的安全稳定性的技术问题。
本发明提供的变电站作业人员安全防护装备检测系统，用于执行本发明提供的变电站作业人员安全防护装备检测方法，其原理与所取得的技术效果与本发明提供的变电站作业人员安全防护装备检测方法相同，在此不再赘述。
附图说明
为了更清楚的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的介绍，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的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明中提供的变电站作业人员安全防护装备检测方法的流程示意图；
图2为本发明中提供的改进YOLOv7-tiny目标检测模型结构原理图；
图3为本发明中提供的Siamese网络模型匹配流程示意图；
图4为本发明中提供的变电站作业人员安全防护装备检测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅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做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。
为了便于理解，请参阅图1，本发明中提供了一种变电站作业人员安全防护装备检测方法的实施例，包括：
步骤101、构建变电站作业人员穿戴安全防护装备作业的图像数据集，对图像数据集中的图像的作业人员关键部位进行标注，其中，作业人员关键部位为要求穿戴安全防护装备的部位。
需要说明的是，本发明实施例中，首先需要构建变电站作业人员穿戴安全防护装备进行作业的图像数据集，其中，可结合变电站日常监控视频和相机拍摄变电站作业人员图像的方式，共同获取变电站作业人员穿戴安全防护装备作业的图像数据集，对于变电站日常监控视频，可采用固定间隔时长5s进行逐帧图像提取，获得单帧图像。然后采用LabelImg标签工具对作业人员穿戴安全防护装备作业的图像数据集中的图像进行作业人员关键部位的标注，作业人员关键部位为要求穿戴安全防护装备的部位，如安全帽位置、绝缘手套位置、绝缘靴位置、防护服位置和验电笔位置和操作杆位置。
步骤102、基于图像数据集对改进YOLOv7-tiny目标检测模型进行训练，得到训练好的目标检测模型。
需要说明的是，构建好变电站作业人员穿戴安全防护装备作业的图像数据集之后，可将图像数据集划分为训练集和测试集，训练集和测试集的比例为9:1。使用训练集和测试集分别对改进YOLOv7-tiny目标检测模型进行训练和测试，可获得最优的改进YOLOv7-tiny目标检测模型。通过改进YOLOv7-tiny目标检测模型，可检测出变电站作业人员图像中的目标检测结果区域图，即含有作业人员关键部位的区域图。
本发明中提供的改进YOLOv7-tiny目标检测模型的结构原理如图2所示，包括特征提取网络模块（Backbone）、特征融合网络模块（Neck）和检测网络模块（Head），特征提取网络模块（Backbone）、特征融合网络模块（Neck）和检测网络模块（Head）依次连接；
特征提取网络模块包括依次连接的第一CBL模块（CBL1）、第二CBL模块（CBL2）、第一MCB模块（MCB1）、第一MP模块（MP1）、第二MCB模块（MCB2）、第二MP模块（MP2）、第三MCB模块（MCB3）、第三MP模块（MP3）、第四MCB模块（MCB4）和SPPCSPC模块；
特征融合网络模块包括第三CBL模块（CBL3）、第一Concat模块（Concat1）、第五MCB模块（MCB5）、第一上采样模块（Sample1）、第四CBL模块（CBL4）、第五CBL模块（CBL5）、第二Concat模块（Concat2）、第六MCB模块（MCB6）、第二上采样模块（Sample2）、第六CBL模块（CBL6）、第七CBL模块（CBL7）、第三Concat模块（Concat3）、第七MCB模块（MCB7）、第八CBL模块（CBL8）、第四Concat模块和第八MCB模块；
第三CBL模块（CBL3）的输入与第二MCB模块（MCB2）连接，第三CBL模块（CBL3）的输出与第一Concat模块（Concat1）的输入连接，第一Concat模块（Concat1）的输出与第五MCB模块（MCB5）的输入连接，第五MCB模块（MCB5）的输出与第七CBL模块（CBL7）的输入以及检测网络模块连接；
第五CBL模块（CBL5）的输入与第三MCB模块（MCB3）的输出连接，第五CBL模块（CBL5）的输出与第二Concat模块（Concat2）的输入连接，第二Concat模块（Concat2）的输出与第六MCB模块（MCB6）的输入连接，第六MCB模块（MCB6）的输出与第四CBL模块（CBL4）的输入以及第三Concat模块（Concat3）的输入连接，第四CBL模块（CBL4）的输出与第一上采样模块（Sample1）的输入连接，第一上采样模块（Sample1）的输出与第一Concat模块（Concat1）的输入连接，第三Concat模块（Concat3）的输出与第七MCB模块（MCB7）的输入连接，第七MCB模块（MCB7）的输出与检测网络模块的输入以及第八CBL模块（CBL8）的输入连接，第八CBL模块（CBL8）的输出与第四Concat模块的输入连接；
第四Concat模块（Concat4）的输入还与SPPCSPC模块的输出连接，第四Concat模块（Concat4）的输出与第八MCB模块（MCB8）的输入连接，第八MCB模块（MCB8）的输出与检测网络模块的输入连接，
SPPCSPC模块的输出还与第六CBL模块（CBL6）的输入连接，第六CBL模块（CBL6）的输出与第二上采样模块（Sample2）的输入连接，第二上采样模块（Sample2）的输出与第二Concat模块（Concat2）的输入连接。
输入图像先通过特征提取网络模块（Backbone）中的第一CBL模块（CBL1）、第二CBL模块（CBL2）、第一MCB模块（MCB1）、第一MP模块（MP1）、第二MCB模块（MCB2），提取出尺寸大小为80×80×256的特征F1，然后再继续向下传递，经过第二MP模块（MP2）、第三MCB模块（MCB3）处理，获得尺寸大小为40×40×512的特征F2，再经过第三MP模块（MP3）、第四MCB模块（MCB4）和SPPCSPC模块处理，获得尺寸大小为20×20×1024的特征F3。
针对于特征融合网络模块（Neck），依然采用从下到上和从上到下的融合策略。首先特征F3经过第六CBL模块（CBL6）以及第二上采样模块（Sample2）处理后，与特征F2经过第五CBL模块（CBL5）处理后的特征在第二Concat模块（Concat2）中进行Concat堆叠，然后再利用第六MCB模块（MCB6）进行处理，获得特征P2。其次，第六MCB模块（MCB6）向上传输至第四CBL模块（CBL4）和第一上采样模块（Sample1）处理后，与特征F1经过第三CBL模块（CBL3）处理后的特征在第一Concat模块（Concat1）中进行Concat堆叠，再利用第五MCB模块（MCB5）进行处理，获得特征P1。随后进行从上到下的融合，特征P1经过第七CBL模块（CBL7）处理后，与特征P2在第三Concat模块（Concat3）中进行Concat堆叠，再利用第七MCB模块（MCB7）进行处理，获得特征Y2，然后继续向下传递至第八CBL模块（CBL8），再将其处理后的特征与特征F3在第四Concat模块（Concat4）中进行Concat堆叠，再利用第八MCB模块（MCB8）进行处理，获得特征Y3。特征P1、Y2、Y3的大小依然与输入特征融合网络模块的特征F1、F2、F3大小一致，但特征P1、Y2、Y3中的特征信息却是融合了深浅层特征信息，特征表达能力更强，结合检测网络模块（Head）实现多尺度目标位置和类别的回归预测。首先特征P1、Y2、Y3分别输入对应的检测头，也就是两个CBL模块，其作用就是将特征P1、Y2、Y3的大小归一化为80×80×[(4+1+N)×3]、40×40×[(4+1+N)×3]和20×20×[(4+1+N)×3]，其中，4代表安全防护装备目标边框中心点及宽高信息，1代表置信度分数，N表示安全防护装备的类别总数，本发明中为6类，3代表预先设置的先验框个数。
在检测网络模块（Head）回归预测中，主要包括类别预测、位置预测、置信度预测三部分，在位置预测中，一般当IoU的值大于0.5时，就认为获得到一个预测结果，而本发明采用新型Wise-IoU替代原有IoU计算原则，将检测网络模型中的位置预测损失函数配置为：
Figure SMS_25
；
Figure SMS_26
；
其中，IoU为真实框与预测框的交集面积同并集面积的比值，
Figure SMS_28
为位置预测的回归损失函数，（/>
Figure SMS_29
，/>
Figure SMS_31
）为真实框的中心点坐标，（/>
Figure SMS_33
，/>
Figure SMS_34
）为预测框的中心点坐标，
Figure SMS_35
和/>
Figure SMS_36
分别为最小包围框的宽和高，/>
Figure SMS_27
和/>
Figure SMS_30
分别为真实框和预测框，/>
Figure SMS_32
为IoU损失。
步骤103、将实际变电站场景下的作业人员图像输入训练好的目标检测模型，得到训练好的目标检测模型输出的目标检测结果区域图。
需要说明的是，本发明实施例中，在获得改进YOLOv7-tiny目标检测模型后，将实际变电站场景下的作业人员图像输入训练好的目标检测模型，即可得到训练好的目标检测模型输出的目标检测结果区域图。
步骤104、将目标检测结果区域图输入训练好的Siamese网络模型中，得到Siamese网络模型输出的匹配结果，根据匹配结果判断作业人员是否按要求穿戴安全防护装备。
需要说明的是，本发明实施例中，在利用改进YOLOv7-tiny目标检测模型检测目标检测结果区域图的基础上，将目标检测结果区域图输入至训练好的Siamese网络模型中，通过训练好的Siamese网络模型进行图像相似度检测，得到图像匹配结果。如图3所示，Siamese网络模型采用VGG16网络结构对输入图像和样本图像进行特征向量提取，分别得到第一特征向量V 1和第二特征向量V 2，将第一特征向量V 1和第二特征向量V 2相减并计算差值的范数L，利用Sigmoid函数将差值的范数L归一化至[0,1]之间，根据归一化结果判断输入图像与样本图像是否匹配。具体地，以相似度阈值为0.5为例，若归一化结果大于0.5，则说明目标检测结果区域图与样本输入图像（样本输入图像中的安全防护装备类别是已知的）的相似度相近，可认为目标检测结果区域图与样本输入图属于同种类别。若归一化结果小于0.5，则继续与下一张样本输入图像进行相似度比较，直至匹配到确定安全防护装备类别为止或比较完所有样本输入图像为止。
经验证，利用本发明提供的变电站作业人员安全防护装备检测方法进行变电站作业人员安全防护装备检测，准确度在97%以上。
本发明提供的变电站作业人员安全防护装备检测方法，考虑目标检测模型应用于变电站智能监控设备与后台处理系统时对实时处理与反馈的要求，利用轻量化的改进YOLOv7-tiny目标检测模型快速进行作业人员安全防护装备所在区域图像的提取，针对于因复杂背景导致误判与漏判的问题，利用Siamese网络模型对经改进YOLOv7-tiny目标检测模型提取的区域图像进行图像匹配，减少了误判与漏判，解决了现有的变电站作业人员安全防护装备检测方法效率低下，难以满足实时处理与反馈的需求，且易因复杂背景导致误判与漏判，不利于提高电力系统运行的安全稳定性的技术问题。
为了便于理解，请参阅图4本发明中提供了一种变电站作业人员安全防护装备检测系统的实施例，包括：
数据集构建模块，用于构建变电站作业人员穿戴安全防护装备作业的图像数据集，对图像数据集中的图像的作业人员关键部位进行标注，其中，作业人员关键部位为要求穿戴安全防护装备的部位；
目标检测模型构建模块，用于基于图像数据集对改进YOLOv7-tiny目标检测模型进行训练，得到训练好的目标检测模型；
目标区域检测模块，用于将实际变电站场景下的作业人员图像输入训练好的目标检测模型，得到训练好的目标检测模型输出的目标检测结果区域图；
目标匹配模块，用于将目标检测结果区域图输入训练好的Siamese网络模型中，得到Siamese网络模型输出的匹配结果，根据匹配结果判断作业人员是否按要求穿戴安全防护装备。
改进YOLOv7-tiny目标检测模型包括特征提取网络模块、特征融合网络模块和检测网络模块，特征提取网络模块、特征融合网络模块和检测网络模块依次连接；
特征提取网络模块包括依次连接的第一CBL模块、第二CBL模块、第一MCB模块、第一MP模块、第二MCB模块、第二MP模块、第三MCB模块、第三MP模块、第四MCB模块和SPPCSPC模块；
特征融合网络模块包括第三CBL模块、第一Concat模块、第五MCB模块、第一上采样模块、第四CBL模块、第五CBL模块、第二Concat模块、第六MCB模块、第二上采样模块、第六CBL模块、第七CBL模块、第三Concat模块、第七MCB模块、第八CBL模块、第四Concat模块和第八MCB模块；
第三CBL模块的输入与第二MCB模块连接，第三CBL模块的输出与第一Concat模块的输入连接，第一Concat模块的输出与第五MCB模块的输入连接，第五MCB模块的输出与第七CBL模块的输入以及检测网络模块连接；
第五CBL模块的输入与第三MCB模块的输出连接，第五CBL模块的输出与第二Concat模块的输入连接，第二Concat模块的输出与第六MCB模块的输入连接，第六MCB模块的输出与第四CBL模块的输入以及第三Concat模块的输入连接，第四CBL模块的输出与第一上采样模块的输入连接，第一上采样模块的输出与第一Concat模块的输入连接，第三Concat模块的输出与第七MCB模块的输入连接，第七MCB模块的输出与检测网络模块的输入以及第八CBL模块的输入连接，第八CBL模块的输出与第四Concat模块的输入连接；
第四Concat模块的输入还与SPPCSPC模块的输出连接，第四Concat模块的输出与第八MCB模块的输入连接，第八MCB模块的输出与检测网络模块的输入连接，
SPPCSPC模块的输出还与第六CBL模块的输入连接，第六CBL模块的输出与第二上采样模块的输入连接，第二上采样模块的输出与第二Concat模块的输入连接。
检测网络模型中的位置预测损失函数为：
Figure SMS_37
；
Figure SMS_38
；/>
其中，IoU为真实框与预测框的交集面积同并集面积的比值，
Figure SMS_40
为位置预测的回归损失函数，（/>
Figure SMS_42
，/>
Figure SMS_44
）为真实框的中心点坐标，（/>
Figure SMS_45
，/>
Figure SMS_46
）为预测框的中心点坐标，
Figure SMS_47
和/>
Figure SMS_48
分别为最小包围框的宽和高，/>
Figure SMS_39
和/>
Figure SMS_41
分别为真实框和预测框，/>
Figure SMS_43
为IoU损失。
Siamese网络模型采用VGG16网络结构对输入图像和样本图像进行特征向量提取，分别得到第一特征向量和第二特征向量，将第一特征向量和第二特征向量相减并计算差值的范数，利用Sigmoid函数将差值的范数归一化至[0,1]之间，根据归一化结果判断输入图像与样本图像是否匹配。
目标检测模型构建模块具体用于：
将图像数据集按9:1的比例划分为训练集和测试集，基于训练集和测试集图像数据集对改进YOLOv7-tiny目标检测模型进行训练和测试，得到训练好的目标检测模型。
本发明提供的变电站作业人员安全防护装备检测系统，用于执行本发明提供的变电站作业人员安全防护装备检测方法，其原理与所取得的技术效果与本发明提供的变电站作业人员安全防护装备检测方法相同，在此不再赘述。
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)

1.一种变电站作业人员安全防护装备检测方法，其特征在于，包括：
构建变电站作业人员穿戴安全防护装备作业的图像数据集，对图像数据集中的图像的作业人员关键部位进行标注，其中，作业人员关键部位为要求穿戴安全防护装备的部位；
基于图像数据集对改进YOLOv7-tiny目标检测模型进行训练，得到训练好的目标检测模型；
将实际变电站场景下的作业人员图像输入训练好的目标检测模型，得到训练好的目标检测模型输出的目标检测结果区域图；
将目标检测结果区域图输入训练好的Siamese网络模型中，得到Siamese网络模型输出的匹配结果，根据匹配结果判断作业人员是否按要求穿戴安全防护装备。
2.根据权利要求1所述的变电站作业人员安全防护装备检测方法，其特征在于，改进YOLOv7-tiny目标检测模型包括特征提取网络模块、特征融合网络模块和检测网络模块，特征提取网络模块、特征融合网络模块和检测网络模块依次连接；
特征提取网络模块包括依次连接的第一CBL模块、第二CBL模块、第一MCB模块、第一MP模块、第二MCB模块、第二MP模块、第三MCB模块、第三MP模块、第四MCB模块和SPPCSPC模块；
特征融合网络模块包括第三CBL模块、第一Concat模块、第五MCB模块、第一上采样模块、第四CBL模块、第五CBL模块、第二Concat模块、第六MCB模块、第二上采样模块、第六CBL模块、第七CBL模块、第三Concat模块、第七MCB模块、第八CBL模块、第四Concat模块和第八MCB模块；
第三CBL模块的输入与第二MCB模块连接，第三CBL模块的输出与第一Concat模块的输入连接，第一Concat模块的输出与第五MCB模块的输入连接，第五MCB模块的输出与第七CBL模块的输入以及检测网络模块连接；
第五CBL模块的输入与第三MCB模块的输出连接，第五CBL模块的输出与第二Concat模块的输入连接，第二Concat模块的输出与第六MCB模块的输入连接，第六MCB模块的输出与第四CBL模块的输入以及第三Concat模块的输入连接，第四CBL模块的输出与第一上采样模块的输入连接，第一上采样模块的输出与第一Concat模块的输入连接，第三Concat模块的输出与第七MCB模块的输入连接，第七MCB模块的输出与检测网络模块的输入以及第八CBL模块的输入连接，第八CBL模块的输出与第四Concat模块的输入连接；
第四Concat模块的输入还与SPPCSPC模块的输出连接，第四Concat模块的输出与第八MCB模块的输入连接，第八MCB模块的输出与检测网络模块的输入连接，
SPPCSPC模块的输出还与第六CBL模块的输入连接，第六CBL模块的输出与第二上采样模块的输入连接，第二上采样模块的输出与第二Concat模块的输入连接。
3.根据权利要求2所述的变电站作业人员安全防护装备检测方法，其特征在于，检测网络模型中的位置预测损失函数为：
Figure QLYQS_1
；
Figure QLYQS_2
；/>
其中，IoU为真实框与预测框的交集面积同并集面积的比值，
Figure QLYQS_4
为位置预测的回归损失函数，（/>
Figure QLYQS_6
，/>
Figure QLYQS_8
）为真实框的中心点坐标，（/>
Figure QLYQS_9
，/>
Figure QLYQS_10
）为预测框的中心点坐标，/>
Figure QLYQS_11
和
Figure QLYQS_12
分别为最小包围框的宽和高，/>
Figure QLYQS_3
和/>
Figure QLYQS_5
分别为真实框和预测框，/>
Figure QLYQS_7
为IoU损失。
4.根据权利要求1所述的变电站作业人员安全防护装备检测方法，其特征在于，Siamese网络模型采用VGG16网络结构对输入图像和样本图像进行特征向量提取，分别得到第一特征向量和第二特征向量，将第一特征向量和第二特征向量相减并计算差值的范数，利用Sigmoid函数将差值的范数归一化至[0,1]之间，根据归一化结果判断输入图像与样本图像是否匹配。
5.根据权利要求1所述的变电站作业人员安全防护装备检测方法，其特征在于，基于图像数据集对改进YOLOv7-tiny目标检测模型进行训练，得到训练好的目标检测模型，具体包括：
将图像数据集按9:1的比例划分为训练集和测试集，基于训练集和测试集图像数据集对改进YOLOv7-tiny目标检测模型进行训练和测试，得到训练好的目标检测模型。
6.一种变电站作业人员安全防护装备检测系统，其特征在于，包括：
数据集构建模块，用于构建变电站作业人员穿戴安全防护装备作业的图像数据集，对图像数据集中的图像的作业人员关键部位进行标注，其中，作业人员关键部位为要求穿戴安全防护装备的部位；
目标检测模型构建模块，用于基于图像数据集对改进YOLOv7-tiny目标检测模型进行训练，得到训练好的目标检测模型；
目标区域检测模块，用于将实际变电站场景下的作业人员图像输入训练好的目标检测模型，得到训练好的目标检测模型输出的目标检测结果区域图；
目标匹配模块，用于将目标检测结果区域图输入训练好的Siamese网络模型中，得到Siamese网络模型输出的匹配结果，根据匹配结果判断作业人员是否按要求穿戴安全防护装备。
7.根据权利要求6所述的变电站作业人员安全防护装备检测系统，其特征在于，改进YOLOv7-tiny目标检测模型包括特征提取网络模块、特征融合网络模块和检测网络模块，特征提取网络模块、特征融合网络模块和检测网络模块依次连接；
特征提取网络模块包括依次连接的第一CBL模块、第二CBL模块、第一MCB模块、第一MP模块、第二MCB模块、第二MP模块、第三MCB模块、第三MP模块、第四MCB模块和SPPCSPC模块；
特征融合网络模块包括第三CBL模块、第一Concat模块、第五MCB模块、第一上采样模块、第四CBL模块、第五CBL模块、第二Concat模块、第六MCB模块、第二上采样模块、第六CBL模块、第七CBL模块、第三Concat模块、第七MCB模块、第八CBL模块、第四Concat模块和第八MCB模块；
第三CBL模块的输入与第二MCB模块连接，第三CBL模块的输出与第一Concat模块的输入连接，第一Concat模块的输出与第五MCB模块的输入连接，第五MCB模块的输出与第七CBL模块的输入以及检测网络模块连接；
第五CBL模块的输入与第三MCB模块的输出连接，第五CBL模块的输出与第二Concat模块的输入连接，第二Concat模块的输出与第六MCB模块的输入连接，第六MCB模块的输出与第四CBL模块的输入以及第三Concat模块的输入连接，第四CBL模块的输出与第一上采样模块的输入连接，第一上采样模块的输出与第一Concat模块的输入连接，第三Concat模块的输出与第七MCB模块的输入连接，第七MCB模块的输出与检测网络模块的输入以及第八CBL模块的输入连接，第八CBL模块的输出与第四Concat模块的输入连接；
第四Concat模块的输入还与SPPCSPC模块的输出连接，第四Concat模块的输出与第八MCB模块的输入连接，第八MCB模块的输出与检测网络模块的输入连接，
SPPCSPC模块的输出还与第六CBL模块的输入连接，第六CBL模块的输出与第二上采样模块的输入连接，第二上采样模块的输出与第二Concat模块的输入连接。
8.根据权利要求7所述的变电站作业人员安全防护装备检测系统，其特征在于，检测网络模型中的位置预测损失函数为：
Figure QLYQS_13
；
Figure QLYQS_14
；
其中，IoU为真实框与预测框的交集面积同并集面积的比值，
Figure QLYQS_16
为位置预测的回归损失函数，（/>
Figure QLYQS_18
，/>
Figure QLYQS_20
）为真实框的中心点坐标，（/>
Figure QLYQS_21
，/>
Figure QLYQS_22
）为预测框的中心点坐标，/>
Figure QLYQS_23
和
Figure QLYQS_24
分别为最小包围框的宽和高，/>
Figure QLYQS_15
和/>
Figure QLYQS_17
分别为真实框和预测框，/>
Figure QLYQS_19
为IoU损失。
9.根据权利要求6所述的变电站作业人员安全防护装备检测系统，其特征在于，Siamese网络模型采用VGG16网络结构对输入图像和样本图像进行特征向量提取，分别得到第一特征向量和第二特征向量，将第一特征向量和第二特征向量相减并计算差值的范数，利用Sigmoid函数将差值的范数归一化至[0,1]之间，根据归一化结果判断输入图像与样本图像是否匹配。
10.根据权利要求6所述的变电站作业人员安全防护装备检测系统，其特征在于，目标检测模型构建模块具体用于：
将图像数据集按9:1的比例划分为训练集和测试集，基于训练集和测试集图像数据集对改进YOLOv7-tiny目标检测模型进行训练和测试，得到训练好的目标检测模型。
CN202310518778.0A 2023-05-10 2023-05-10 一种变电站作业人员安全防护装备检测方法和系统 Pending CN116229522A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310518778.0A CN116229522A (zh) 2023-05-10 2023-05-10 一种变电站作业人员安全防护装备检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310518778.0A CN116229522A (zh) 2023-05-10 2023-05-10 一种变电站作业人员安全防护装备检测方法和系统

Publications (1)

Publication Number Publication Date
CN116229522A true CN116229522A (zh) 2023-06-06

Family

ID=86589585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310518778.0A Pending CN116229522A (zh) 2023-05-10 2023-05-10 一种变电站作业人员安全防护装备检测方法和系统

Country Status (1)

Country Link
CN (1) CN116229522A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275041A (zh) * 2020-01-20 2020-06-12 腾讯科技（深圳）有限公司 内窥镜图像展示方法、装置、计算机设备及存储介质
CN111753767A (zh) * 2020-06-29 2020-10-09 广东小天才科技有限公司 一种作业自动批改的方法、装置、电子设备和存储介质
CN112633308A (zh) * 2020-09-15 2021-04-09 北京华电天仁电力控制技术有限公司 一种电厂作业人员是否佩戴安全带的检测方法及检测系统
CN114140750A (zh) * 2021-12-09 2022-03-04 浙江浙石油综合能源销售有限公司 一种基于YOLOv4-Tiny的加油站安全帽佩戴实时检测方法
CN115713786A (zh) * 2022-11-25 2023-02-24 天津大学四川创新研究院 一种猪只重识别方法及系统
CN116051812A (zh) * 2023-01-05 2023-05-02 智道网联科技(北京)有限公司 目标检测方法、装置及电子设备、存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275041A (zh) * 2020-01-20 2020-06-12 腾讯科技（深圳）有限公司 内窥镜图像展示方法、装置、计算机设备及存储介质
CN111753767A (zh) * 2020-06-29 2020-10-09 广东小天才科技有限公司 一种作业自动批改的方法、装置、电子设备和存储介质
CN112633308A (zh) * 2020-09-15 2021-04-09 北京华电天仁电力控制技术有限公司 一种电厂作业人员是否佩戴安全带的检测方法及检测系统
CN114140750A (zh) * 2021-12-09 2022-03-04 浙江浙石油综合能源销售有限公司 一种基于YOLOv4-Tiny的加油站安全帽佩戴实时检测方法
CN115713786A (zh) * 2022-11-25 2023-02-24 天津大学四川创新研究院 一种猪只重识别方法及系统
CN116051812A (zh) * 2023-01-05 2023-05-02 智道网联科技(北京)有限公司 目标检测方法、装置及电子设备、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LIU, Y. ET AL.: "SAR Ship Detection Based on Improved YOLOv7-Tiny", 《HTTPS://IEEEXPLORE.IEEE.ORG/STAMP/STAMP.JSP?TP=&ARNUMBER=10065775》, pages 2166 - 2170 *

Similar Documents

Publication Publication Date Title
CN111898514B (zh) 一种基于目标检测与动作识别的多目标视觉监管方法
CN110414400B (zh) 一种施工现场安全帽穿戴自动检测方法及系统
CN110991315A (zh) 一种基于深度学习的安全帽佩戴状态实时检测方法
CN111428617A (zh) 一种基于视频图像的配网违规检修行为的识别方法和系统
CN113807240A (zh) 基于非配合式人脸识别的变电站人员着装智能监控方法
CN113743256A (zh) 一种工地安全智能预警方法与装置
CN112560745A (zh) 一种电力作业现场人员甄别方法及相关装置
CN116740654A (zh) 基于图像识别技术的变电站作业防控方法
CN112949457A (zh) 基于增强现实技术的维修方法、装置及系统
Wang et al. A safety helmet and protective clothing detection method based on improved-yolo v 3
CN113537019A (zh) 基于关键点识别变电站人员安全帽佩戴的检测方法
CN114037873A (zh) 基于人工智能的变电站二次回路保护压板检测系统及方法
CN116311082B (zh) 基于关键部位与图像匹配的穿戴检测方法及系统
CN116229522A (zh) 一种变电站作业人员安全防护装备检测方法和系统
CN115240365B (zh) 一种融合多维信息的电力作业人员危险态势动态感知方法
CN114758286B (zh) 基于工作票事件的边缘智能安全监测方法和装置
CN116503809A (zh) 一种智慧工厂行为穿戴误告警过滤的后处理方法
CN116385962A (zh) 基于机器视觉的廊道内人员监控系统及其方法
CN115690687A (zh) 一种基于深度学习技术的安全穿戴规范检测系统
Jin et al. Video streaming helmet detection algorithm based on feature map fusion and faster RCNN
CN114821444A (zh) 一种基于视觉感知的无人天车作业区域安全检测方法
CN114359831A (zh) 一种面向险兆推理的工人临边坠落智能识别系统及方法
CN111414825B (zh) 一种安全帽佩戴检测方法
Nan et al. Safety Helmet Detection Dynamic Model Based on the Critical Area Attention Mechanism
CN110969127A (zh) 一种基于视觉的安全帽识别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230606

RJ01 Rejection of invention patent application after publication