【技术实现步骤摘要】
本专利技术涉及图像在线检测，特别是涉及一种提高检测违规穿戴准确性的方法、系统、计算机设备及计算机可读存储介质。
技术介绍
1、电力行业作为工业发展和人民生活的重要组成部分，更高的发电量和用电量给电网公司提出了更高的要求。定期检修和及时清除电网隐患故障是保障电网正常运行的重要一环，离不开电力作业人员的辛勤付出，与保障电网正常运行相比，更为重要的是保障电力作业人员的人身安全。通过视频监控系统进行人工监察来实现安全生产隐患的及时发现和排除所需要的人力成本过高，近些年在计算机视觉领域，目标检测技术取得了长足发展，使得其落地应用成为了可能。目标检测经历了基于手工提取特征和基于神经网络的两大阶段，基于神经网络的目标检测技术日趋成熟。即使神经网络在实验室的测试效果越来越好，但是在实际应用场景中，高精准度和高鲁棒性的目标识别网络也会受到噪声等外界因素的影响导致预测结果不稳定。因此在实际部署运行时，需要对网络的预测结果进行过滤和矫正，以避免误报。
技术实现思路
1、为了解决上述现有技术的不足，本专利技术提供了一种提高检测违规穿戴准确性的方法、装置、计算机设备及计算机可读存储介质，通过对邻近m帧图像的检测结果进行统计，可以根据历史识别结果对实时识别结果进行矫正，以提高识别结果的准确性和稳定性。
2、本专利技术的第一个目的在于提供一种提高检测违规穿戴准确性的方法。
3、本专利技术的第二个目的在于提供一种提高检测违规穿戴准确性的系统。
4、本专利技术的第三个目的在于提供
5、本专利技术的第四个目的在于提供一种计算机可读存储介质。
6、本专利技术的第一个目的可以通过采取如下技术方案达到：
7、一种提高检测违规穿戴准确性的方法，所述方法包括：
8、获取用于在电力生产中检测违规穿戴的目标识别数据集，所述目标识别数据集中的每个样本图像包含至少一个人物，部分样本图像中标注有各大类的预测框及其类别；
9、利用标注有类别的样本图像对目标识别网络进行初步训练；利用初步训练后的目标识别网络对未标注类别的样本图像进行标注，标注后的样本图像和标注有类别的样本图像构成样本数据集；利用样本数据集对初步训练后的目标识别网络进行训练，得到训练好的目标识别网络；
10、根据标注有类别的样本图像得到安全带分类数据集，利用安全带分类数据集对图像分类网络进行训练，得到训练好的图像分类网络；
11、在生产现场实时获取视频，对视频流逐帧图像利用训练好的目标识别网络和训练好的图像分类网络进行实时在线检测，得到预测结果；
12、通过对邻近m帧图像的检测结果进行统计以判断违规穿戴情况，从而提高检测违规穿戴的准确性；其中，m取帧率的倍数。
13、进一步的，所述通过对邻近m帧图像的检测结果进行统计以判断违规穿戴情况，包括：
14、采用目标识别算法对邻近m帧图像中所有预测框进行目标跟踪，在进行目标跟踪时仅对预测框进行跟踪而不考虑其类别的变化；其中，所述目标识别算法为sort或deepsort；
15、记录每个目标在邻近m帧图像中的类别信息，将记录次数最多的类别作为对应目标的最终输出类别；
16、若最终输出类别为异常类，则存在违规穿戴。
17、进一步的，所述通过对邻近m帧图像的检测结果进行统计以判断违规穿戴情况，包括：
18、将帧图像划分为若干个区块；
19、在每个区块内根据各大类的类别统计各大类的异常量，根据异常量确定区块是否为异常区块；若异常区块有重叠区域，则将异常区块进行融合并作为最终的异常区块；
20、若确定有异常区块，则存在违规穿戴；
21、其中，所述在每个区块内根据各大类的类别统计各大类的异常量，根据异常量确定区块是否为异常区块，包括：
22、设在t帧图像某一区块的大类c的异常量为ht,c＝αht-1,c+(1-α)kt,c，其中α为平衡系数，kt,c为当前该区块中大类c的类别检测结果，若区块内含有大类c的类别为异常类，则kt,c＝1，否则kt,c＝-1；其中大类c为任一大类；
23、若ht,c＞0，则该区块为异常区块，且出现异常的大类为c。
24、进一步的，在训练期间，采用通道剪枝对网络模型进行剪枝，以使网络模型轻量化；其中，所述网络模型为目标识别网络或图像分类网络。
25、进一步的，所述采用通道剪枝对网络模型进行剪枝，包括：
26、对网络模型进行基础训练，将训练后的网络模型作为原始模型；
27、根据剪枝策略对原始模型中各卷积层进行通道剪枝；
28、利用验证集对剪枝后原始模型进行评估，以所有类别的平均精确度为评估标准；
29、若本次剪枝后原始模型的评估效果优于最优网络模型，则将本次剪枝后原始模型记为最优网络模型，其中第一次剪枝后原始模型为初始最优网络模型；
30、返回根据剪枝策略对原始模型中各卷积层进行通道剪枝，并继续执行后续操作，直到达到预设迭代次数；
31、对最优网络模型进行微调，微调后网络模型为训练好的网络模型；
32、其中，所述剪枝策略，具体为：
33、对原始模型中的每一个卷积层生成一个剪枝率，剪枝率采用包括但不限于随机生成、聚类、最优化计算中的至少一种方法生成。
34、进一步的，所述对视频流逐帧图像利用训练好的目标识别网络和图像分类网络进行实时在线检测，得到预测结果，包括：
35、利用训练好的目标识别网络对帧图像进行标注，标注出大类的预测框及其类别；
36、若生产现场为高空作业，则从帧图像中截取出大类为躯干的图像，将截取出的图像输入训练好的图像分类网络中，输出分类结果；
37、若分类结果为佩戴安全带，则将对应的帧图像中躯干大类的类别替换为佩戴安全带。
38、进一步的，根据统计结果，若为违规穿戴，则发出警报并同时将异常信息上传生产安全穿戴数据库。
39、进一步的，大类包括头部、手部、躯干和脚部，头部对应的类别为安全帽和未佩戴安全帽，手部对应的类别为绝缘手套和未佩戴绝缘手套，躯干对应的类别为工作服、反光衣以及常服，脚部对应的类别为绝缘鞋和普通鞋；
40、在头部大类中，未佩戴安全帽为异常类；
41、在手部大类中，未佩戴绝缘手套为异常类；
42、在躯干大类中，若为非高空作业则常服为异常类，若为高空作业则常服、工作服和反光衣均为异常类；
43、在脚部大类中，普通鞋为异常类。
44、进一步的，所述目标识别数据集包括从网络上获取的生产安全穿戴相关的数据集，以及从拍摄生产现场和模拟作业场景穿戴视频中截取的图像组成的自建数据集。
45、本专利技术的第二个目的可以通过采取如下技术方案达到：
46、一种提高检测违规穿戴准确性的系统，所述系统包括：
47、获取模本文档来自技高网...
【技术保护点】
1.一种提高检测违规穿戴准确性的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过对邻近M帧图像的检测结果进行统计以判断违规穿戴情况，包括：
3.根据权利要求1所述的方法，其特征在于，所述通过对邻近M帧图像的检测结果进行统计以判断违规穿戴情况，包括：
4.根据权利要求1所述的方法，其特征在于，在训练期间，采用通道剪枝对网络模型进行剪枝，以使网络模型轻量化；其中，所述网络模型为目标识别网络或图像分类网络。
5.根据权利要求4所述的方法，其特征在于，所述采用通道剪枝对网络模型进行剪枝，包括：
6.根据权利要求1所述的方法，其特征在于，所述对视频流逐帧图像利用训练好的目标识别网络和图像分类网络进行实时在线检测，得到预测结果，包括：
7.根据权利要求1所述的方法，其特征在于，根据统计结果，若为违规穿戴，则发出警报并同时将异常信息上传生产安全穿戴数据库。
8.根据权利要求1～7任一项所述的方法，其特征在于，大类包括头部、手部、躯干和脚部，头部对应的类别为安全帽和未佩戴安全帽
9.根据权利要求1～7任一项所述的方法，其特征在于，所述目标识别数据集包括从网络上获取的生产安全穿戴相关的数据集，以及从拍摄生产现场和模拟作业场景穿戴视频中截取的图像组成的自建数据集。
10.一种提高检测违规穿戴准确性的系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种提高检测违规穿戴准确性的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过对邻近m帧图像的检测结果进行统计以判断违规穿戴情况，包括：
3.根据权利要求1所述的方法，其特征在于，所述通过对邻近m帧图像的检测结果进行统计以判断违规穿戴情况，包括：
4.根据权利要求1所述的方法，其特征在于，在训练期间，采用通道剪枝对网络模型进行剪枝，以使网络模型轻量化；其中，所述网络模型为目标识别网络或图像分类网络。
5.根据权利要求4所述的方法，其特征在于，所述采用通道剪枝对网络模型进行剪枝，包括：
6.根据权利要求1所述的方法，其特征在于，所述对视频流逐帧图像利用训练好的目标识别网络和图像分类网络进行实...
【专利技术属性】
技术研发人员：黄茜，何沛德，胡志辉，谢建龙，刘镇贤，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。