System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于神经网络的人员分类识别方法以及系统技术方案_技高网

一种基于神经网络的人员分类识别方法以及系统技术方案

技术编号:42078358 阅读:9 留言:0更新日期:2024-07-19 16:57
本发明专利技术提供一种基于神经网络的人员分类识别方法以及系统,属于雷达识别技术领域,具体包括:获取用于检测人员的两个或多个感知雷达的探测信号,对感知雷达的探测信号进行数据处理,构建人员和非人员信号标签数据集,构建神经网络模型,并对标签数据集进行有监督训练实现对人员和其他目标的分类识别模型的构建,根据分类识别模型分类的结果进行目标人员的坐标输出,按照设定时间间隔,不断向云平台发送代表信号,根据目标人员的坐标,判断物理通道附近是否有作业人员,基于误差范围内的两者之间的位置匹配情况来识别目标人员为作业人员或非法闯入人员,保证了分类识别的准确性。

【技术实现步骤摘要】

本专利技术属于雷达识别,尤其涉及一种基于神经网络的人员分类识别方法以及系统


技术介绍

1、在进行电力设施维护和检修过程中,往往存在着带电区域和非带电区域,因此在维护过程中,不可避免的会存在施工人员误入带电区域的情况的出现,因此如何避免施工维护人员误入带电区域成为亟待解决的技术问题。

2、为解决上述技术问题,现有技术方案中将相邻的两个单元防护栏之间通过激光信号连接,不再需要中间拉绳或围栏架,结构简单,铺设快捷、可靠,控制器连接有报警装置及智能探照装置,可以全方位实现对围栏范围的提示、告警和保护,此外在专利技术专利cn112487933a《一种基于自动化深度学习的雷达波形识别方法及系统》中实现了对雷达波形的分类识别处理,但是通过分析不难发现存在以下技术问题:

3、现有技术方案中无法准确的判断人员的准确位置,且无法识别人员身份,从而导致。

4、针对上述技术问题,本专利技术提供了一种基于神经网络的人员分类识别方法以及系统。


技术实现思路

1、为实现本专利技术目的,本专利技术采用如下技术方案:

2、根据本专利技术的一个方面,提供了一种基于神经网络的人员分类识别方法。

3、一种基于神经网络的人员分类识别方法,其特征在于,具体包括:

4、获取用于检测人员的两个或多个感知雷达的探测信号,对感知雷达的探测信号进行数据处理,构建人员和非人员信号标签数据集,构建神经网络模型,并对所述标签数据集进行有监督训练实现对人员和其他目标的分类识别模型的构建;

5、根据所述分类识别模型分类的结果进行目标人员的坐标输出,按照设定时间间隔,不断向云平台发送代表信号;

6、根据所述目标人员的坐标,判断物理通道附近是否有作业人员,基于误差范围内的两者之间的位置匹配情况来识别所述目标人员为作业人员或非法闯入人员。

7、进一步的技术方案在于,所述感知雷达位于水平面且处于一条直线上,通过预设距离进行布置,探测区域是圆心角为120°的扇形。

8、进一步的技术方案在于,构建人员和非人员信号标签数据集,具体包括:

9、对所述感知雷达的探测信号进行距离-fft处理,将所述探测信号转换为能够反映人员距离的距离-慢时间图,对距离-慢时间图进行胸腔和呼吸的高反射区域定位;

10、对所述高反射区域进行滤波去噪处理,以获取人员胸腔波形和呼吸波形,对所述人员胸腔波形和呼吸波形进行特征标签制作,构建人员和非人员信号标签数据集。

11、进一步的技术方案在于,所述距离-慢时间图的构建的具体步骤为:

12、从感知雷达中提取探测信号,对所述探测信号中的调频连续波的每个采样点应用距离-fft,并将经过距离-fft的采样点按列放入一个矩阵中,构成距离-慢时间矩阵;

13、对所述距离-慢时间矩阵的矩阵数据进行可视化处理,从而形成距离-慢时间图。

14、进一步的技术方案在于,在进行胸腔和呼吸的高反射区域定位之前,首先采用平均值去除法消除所述距离-慢时间图的直流波,然后采用移动平均法对直流波消除杂波。

15、进一步的技术方案在于,进行胸腔和呼吸的高反射区域定位,具体包括:

16、采用反正切函数提取所述距离-慢时间图的目标相位信息,并采用差分法消除所述目标相位信息的相位漂移,利用滑动中值解决所述目标相位信息的突变信号得到处理后的目标相位信息;

17、采用小波变换对所述处理后的目标相位信息进行去噪处理,对其进行小波逆变换后得到高反射区域波形,实现对胸腔和呼吸的高反射区域定位。

18、进一步的技术方案在于,所述神经网络模型采用基于改进的特征融合cnn-lstm神经网络模型进行构建。

19、进一步的技术方案在于,所述基于改进的特征融合cnn-lstm神经网络模型由4部分组成,第1部分由一维卷积模块、dwconv_bn_relu卷积块、最大池化层和flatten层组成,共12个阶段;第2部分由lstm层和faltten层组成,共2个阶段;第3部分由一维卷积模块、dwconv_bn_relu卷积块、最大池化层、lstm层和flatten层组成,共8个阶段;第4部分由全连接层组成,共1个阶段。

20、进一步的技术方案在于,基于误差范围内的两者之间的位置匹配情况来识别所述目标人员为作业人员或非法闯入人员,具体包括:

21、当两者之间的位置偏差在预设范围内时,则确定所述目标人员为作业人员;

22、当两者之间的位置偏差不在预设范围内时,则确定所述目标人员不属于作业人员。

23、进一步的技术方案在于,确定物理通道附近是否有作业人员,具体包括:

24、基于所述目标人员佩戴的智能安全帽的定位信息确定物理通道附近是否有作业人员。

25、第二方面,本专利技术提供了一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行上述的一种基于神经网络的人员分类识别方法。

26、本专利技术的有益效果在于:

27、本专利技术通过将人体存在感知雷达和智能安全帽定位结合起来,实现了对靠近的可疑人员的感知、定位和识别,方便了对施工区域的人员管理。

28、其他特征和优点将在随后的说明书中阐述,本专利技术的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

29、为使本专利技术的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。

本文档来自技高网...

【技术保护点】

1.一种基于神经网络的人员分类识别方法,其特征在于,具体包括:

2.如权利要求1所述的基于神经网络的人员分类识别方法,其特征在于,所述感知雷达位于水平面且处于一条直线上,通过预设距离进行布置,探测区域是圆心角为120°的扇形。

3.如权利要求1所述的基于神经网络的人员分类识别方法,其特征在于,构建人员和非人员信号标签数据集,具体包括:

4.如权利要求3所述的基于神经网络的人员分类识别方法,其特征在于,所述距离-慢时间图的构建的具体步骤为:

5.如权利要求3所述的基于神经网络的人员分类识别方法,其特征在于,在进行胸腔和呼吸的高反射区域定位之前,首先采用平均值去除法消除所述距离-慢时间图的直流波,然后采用移动平均法对直流波消除杂波。

6.如权利要求1所述的基于神经网络的人员分类识别方法,其特征在于,进行胸腔和呼吸的高反射区域定位,具体包括:

7.如权利要求1所述的基于神经网络的人员分类识别方法,其特征在于,所述神经网络模型采用基于改进的特征融合CNN-LSTM神经网络模型进行构建。

8.如权利要求1所述的基于神经网络的人员分类识别方法,其特征在于,基于误差范围内的两者之间的位置匹配情况来识别所述目标人员为作业人员或非法闯入人员,具体包括:

9.如权利要求1所述的基于神经网络的人员分类识别方法,其特征在于,确定物理通道附近是否有作业人员,具体包括:

10.一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行权利要求1-9任一项所述的一种基于神经网络的人员分类识别方法。

...

【技术特征摘要】

1.一种基于神经网络的人员分类识别方法,其特征在于,具体包括:

2.如权利要求1所述的基于神经网络的人员分类识别方法,其特征在于,所述感知雷达位于水平面且处于一条直线上,通过预设距离进行布置,探测区域是圆心角为120°的扇形。

3.如权利要求1所述的基于神经网络的人员分类识别方法,其特征在于,构建人员和非人员信号标签数据集,具体包括:

4.如权利要求3所述的基于神经网络的人员分类识别方法,其特征在于,所述距离-慢时间图的构建的具体步骤为:

5.如权利要求3所述的基于神经网络的人员分类识别方法,其特征在于,在进行胸腔和呼吸的高反射区域定位之前,首先采用平均值去除法消除所述距离-慢时间图的直流波,然后采用移动平均法对直流波消除杂波。

6.如权利要求1所述的基于神经网络的人员分类识别...

【专利技术属性】
技术研发人员:叶铱塬王兴宇许实龙申志豪
申请(专利权)人:杭州脉尖智能科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1