电力作业现场安全带识别方法、装置、设备和存储介质制造方法及图纸

本发明专利技术公开了一种电力作业现场安全带识别方法、装置、设备和存储介质。识别方法过程如下：采集含有电力作业人员穿戴安全带及穿着电力作业工作服作业的图片，对图片标注后构建第一训练数据集，使用第一训练数据集训练并得到识别电力作业安全带和电力作业工作服的深度神经网络模型；根据人工标注的内容，将第一训练数据集中所有的电力作业安全带和电力作业工作服信息进行裁剪，构建第二训练数据集；提取第二训练数据集中图像的线条分布特征信息，训练所述支持向量机；使用深度神经网络模型和支持向量机确定待识别图像穿戴电力作业安全带的概率。通过实施本发明专利技术公开的电力作业现场安全带识别方法，可以提高电力作业安全带识别的准确率。的准确率。的准确率。

Safety belt identification method, device, equipment and storage medium at electric work site

The invention discloses a safety belt identification method, a device, a device and a storage medium at an electric power operation site. The process of the identification method is as follows: collect the pictures of electric power operators working with safety belts and electric power work clothes, mark the pictures and construct the first training data set, use the first training data set to train and obtain the deep neural network model to identify electric power work safety belts and electric power work clothes; According to the manually marked content, cut all the information of electric work safety belts and electric work clothes in the first training data set, and construct the second training data set; Extracting the line distribution feature information of the image in the second training data set and training the support vector machine; The deep neural network model and support vector machine are used to determine the probability that the image to be recognized wears the safety belt for electric work. By implementing the safety belt identification method of the electric power operation site disclosed by the invention, the accuracy of safety belt identification of electric power operation can be improved. Accuracy. Accuracy< br/>

【技术实现步骤摘要】
电力作业现场安全带识别方法、装置、设备和存储介质


[0001]本专利技术涉及图像处理
，具体涉及一种基于深度学习的电力作业现场电力作业安全带识别方法、装置、设备和存储介质。

技术介绍

[0002]电力作业人员在进行登高作业时要求穿戴安全带，传统监督电力作业人员是否正确穿戴安全带的方式是人工监督，受限于工作场景和工作时长，监督人员无法保证监督的完整性。目前应用的技术考虑应用计算机视觉的方法，采用目标识别算法对作业人员穿戴的安全带做识别，但是受限于算法的精确度，经常会出现误判。

技术实现思路

[0003]本专利技术的目的是为了解决现有技术中的上述缺陷，提供一种基于深度学习的电力作业现场电力作业安全带识别方法、装置、电子设备和存储介质，能够有效地提高安全带识别的准确率。
[0004]本专利技术实施例第一方面公开一种基于深度学习的电力作业现场电力作业安全带识别方法，所述安全带识别方法包括以下步骤：
[0005]采集含有电力作业人员穿戴电力作业安全带以及穿着电力作业工作服的图片，对所述图片进行人工标注，构建第一训练数据集；
[0006]使用所述第一训练数据集训练识别电力作业安全带和电力作业工作服的深度神经网络模型，得到经过训练的深度神经网络模型；
[0007]根据人工标注的内容，将第一训练数据集中所有的电力作业安全带和电力作业工作服信息进行裁剪，构建第二训练数据集；
[0008]提取所述第二训练数据集中所有图像的线条分布特征，通过线条分布特征训练支持向量机；其中，所述深度神经网络模型为识别工作服和电力作业安全带的EfficietDet
‑
D1单阶段目标检测深度神经网络模型，支持向量机为使用图像线条分布特征训练的二分类支持向量机，二者用于确定待识别图像穿戴电力作业安全带的概率；
[0009]使用所述深度神经网络模型确定待识别图像的目标位置信息l、以及目标作为电力作业安全带和电力作业工作服的概率p
b1
、p
c1
，根据目标位置信息l对所述待识别图像进行裁剪，将裁剪后的待识别图像输入支持向量机，得到目标作为电力作业安全带和电力作业工作服的概率p
b2
、p
c2
，计算所述待识别图像为电力作业安全带和电力作业工作服的概率p
b
、p
c
：p
b
＝λ
nn
·
p
b1
+λ
svm
·
p
b2
[0010]p
c
＝λ
nn
·
p
c1
+λ
svm
·
p
c2
[0011]其中，λ
nn
和λ
svm
分别为深度神经网络模型和支持向量机输出概率的预设权值，且p
b1
+p
c1
＝p
b2
+p
c2
＝λ
nn
+λ
svm
＝1；
[0012]若p
b
＞p
c
且p
b
＞p
th
，则认为该目标为电力作业安全带，其中p
th
为预设阈值。
[0013]作为较佳实施例，在本专利技术实施例的第一方面中，提取所述第二训练数据集中所
有图像的线条分布特征，支持向量机作为传统的机器学习方法，并不能像深度神经网络模型一样自动地提取图像中的特征信息，为了达到更好的识别效果需要手动地对图像中存在的特征信息进行提取，考虑到电力作业安全带自身的结构特性，在电力作业安全带的图像中存在着大量的线条分布特征，将提取的线条分布特征作为支持向量机的输入信息，包括：
[0014]提取所述第二训练数据集中所有图像线条分布特征信息，统计每张图像的线条分布，构建线条分布向量，并将所述线条分布向量作为支持向量机的输入信息。
[0015]作为较佳实施例，在本专利技术实施例的第一方面中，在提取所述第二训练数据集中所有图像的线条分布特征，之前，还包括：
[0016]将所述裁剪后的图像缩放至相同的尺寸，在进行特征提取之前需要保证数据集中所有样本的尺寸保持一致，以减小尺寸不一样本中存在特征信息的不均衡性，优选使用OpenCV对第二训练数据集中的图像进行双线性插值缩放。
[0017]作为较佳实施例，在本专利技术实施例的第一方面中，所述根据人工标注的内容，将第一训练数据集中所有的电力作业安全带和电力作业工作服信息进行裁剪，构建第二训练数据集的过程如下：
[0018]转换子步骤，将所述彩色图像转换为灰度图像；
[0019]计算子步骤，计算所述灰度图像的梯度信息；
[0020]构建子步骤，提取灰度图像的线条分布特征。
[0021]作为较佳实施例，在本专利技术实施例的第一方面中，所述转换子步骤的过程如下：
[0022]对于彩色图像中每个像素点，由R、G、B三个通道组成，每个通道有对应的像素值，通过R、G、B三个通道的像素值计算灰度值，将彩色图像转换为灰度图像，计算公式为：
[0023]Y＝0.3
×
R+0.59
×
G+0.11
×
B
[0024]其中Y为灰度图像的灰度值，R、G、B分别为彩色图像对应通道的像素值；
[0025]同时使用Gamma校正法对图像进行校正，调节图像的对比度，降低图像局部阴影和光照的影响，同时抑制噪音的干扰。对于提取图像的线条分布特征而言，灰度图像与彩色图像相比更加明显，同时使用灰度图像提取线条分布特征需要的计算量也更少。
[0026]作为较佳实施例，在本专利技术实施例的第一方面中，所述计算子步骤的过程如下：
[0027]计算灰度图像中每个像素点的梯度，捕获灰度图像轮廓相关信息，梯度包括大小和方向，灰度图像中像素点在位置(x,y)的梯度计算公式为：
[0028]G
x
(x,y)＝H(x+1,y)
‑
H(x
‑
1,y)
[0029]G
y
(x,y)＝H(x,y+1)
‑
H(x,y
‑
1)
[0030][0031][0032]其中G
x
(x,y)、G
y
(x,y)、H(x,y)分别代表灰度图像中像素点在位置(x,y)处的水平方向梯度、垂直方向梯度和像素值，x为像素点的横坐标，y为像素点的纵坐标；G(x,y)、α(x,y)为像素点(x,y)处梯度幅值和梯度方向。提取的梯度图像中包含了粗糙的图像线条特征信息，同时梯度信息是边缘结构特征，用来描述图像中各个部分的结构信息，也能够克服光照等因素对数据集中图像的影响。
[0033]作为较佳实施例，在本专利技术实施例的第一方面中，所述构建子步骤的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电力作业现场电力作业安全带识别方法，其特征在于，所述安全带识别方法包括以下步骤：采集含有电力作业人员穿戴电力作业安全带以及穿着电力作业工作服的图片，对所述图片进行人工标注，构建第一训练数据集；使用所述第一训练数据集训练识别电力作业安全带和电力作业工作服的深度神经网络模型，得到经过训练的深度神经网络模型；根据人工标注的内容，将第一训练数据集中所有的电力作业安全带和电力作业工作服信息进行裁剪，构建第二训练数据集；提取所述第二训练数据集中所有图像的线条分布特征，通过线条分布特征训练支持向量机；其中，所述深度神经网络模型和支持向量机用于确定待识别图像穿戴电力作业安全带的概率；使用所述深度神经网络模型确定待识别图像的目标位置信息l、以及目标作为电力作业安全带和电力作业工作服的概率p
b1
、p
c1
，根据目标位置信息/对所述待识别图像进行裁剪，将裁剪后的待识别图像输入支持向量机，得到目标作为电力作业安全带和电力作业工作服的概率p
b2
、p
c2
，计算所述待识别图像为电力作业安全带和电力作业工作服的概率p
b
、p
c
：p
b
＝λ
nn
·
p
b1
+λ
svm
·
p
b2
p
c
＝λ
nn
·
p
c1
+λ
svm
·
p
c2
其中，λ
nn
和λ
svm
分别为深度神经网络模型和支持向量机输出概率的预设权值，且p
b1
+p
c1
＝p
b2
+p
c2
＝λ
nn
+λ
svm
＝1；若p
b
＞p
c
且p
b
＞p
th
，则认为该目标为电力作业安全带，其中p
th
为预设阈值。2.根据权利要求1所述的基于深度学习的电力作业现场电力作业安全带识别方法，其特征在于，提取所述第二训练数据集中所有图像的线条分布特征，并将提取的线条分布特征作为支持向量机的输入信息，包括：提取所述第二训练数据集中所有图像线条分布特征信息，统计每张图像的线条分布，构建线条分布向量，并将所述线条分布向量作为支持向量机的输入信息。3.根据权利要求2所述的基于深度学习的电力作业现场电力作业安全带识别方法，其特征在于，所述根据人工标注的内容，将第一训练数据集中所有的电力作业安全带和电力作业工作服信息进行裁剪，构建第二训练数据集的过程如下：转换子步骤，将所述彩色图像转换为灰度图像；计算子步骤，计算所述灰度图像的梯度信息；构建子步骤，提取灰度图像的线条分布特征。4.根据权利要求3所述的基于深度学习的电力作业现场电力作业安全带识别方法，其特征在于，所述转换子步骤的过程如下：对于彩色图像中每个像素点，由R、G、B三个通道组成，每个通道有对应的像素值，通过R、G、B三个通道的像素值计算灰度值，将彩色图像转换为灰度图像，计算公式为：Y＝0.3
×
R+0.59
×
G+0.11
×
B其中Y为灰度图像的灰度值，R、G、B分别为彩色图像对应通道的像素值；同时使用Gamma校正法对图像进行校正，调节图像的对比度，降低图像局部阴影和光照
的影响，同时抑制噪音的干扰。5.根据权利要求3所述的基于深度学习的电力作业现场电力作业安全带识别方法，其特征在于，所述计算子步骤的过程如下：计算灰度图像中每个像素点的梯度，捕获灰度图像轮廓相关信息，梯度包括大小和方向，灰度图像中像素点在位置(x,y)的梯度计算公式为：G
x
(x,y)＝H(x+1,y)
‑
H(x
‑
1,y)G
y
(x,y)＝H(x,y+1)
‑
H(x,y
‑

【专利技术属性】
技术研发人员：田立斌，刘文涛，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：