【技术实现步骤摘要】
本专利技术涉及图像识别，具体地涉及一种有限空间电力作业人员检测方法及装置。
技术介绍
1、电力生产作为社会的基石产业，不仅直接影响着国民经济的发展，也影响着人们的日常生活。水电站的电力生产场地通常位于山区或地下，在这种复杂而敏感的操作环境中，在有限空间工作的电力工人面临着巨大的安全风险，例如有限的空间和不足的通风条件。这些安全隐患构成了严重的威胁，可能导致重大事故，因此在水电站有限空间内检测电力工人起着至关重要的作用，其意义不仅限于确保电力生产的正常运行，还包括保障工人的安全。
技术实现思路
1、本专利技术实施方式的目的是提供一种有限空间电力作业人员检测方法及装置，该方法中的电力作业人员检测模型基于yolo模型与带互相关的联合检测模型的融合模型训练得到，联合检测模型可以产生更适合各任务的特征图，提高了水电站有限空间电力生产工人检测的精度，确保生产安全。
2、为了实现上述目的，本专利技术第一方面提供一种有限空间电力作业人员检测方法，所述方法包括：
3、获取有限空间电力作业图像数据；
4、对电力作业图像数据进行预处理，得到处理后的数据；
5、将处理后的数据输入训练好的电力作业人员检测模型，以识别出图像中的电力人员；所述电力作业人员检测模型基于yolo模型与带互相关的联合检测模型的融合模型训练得到。
6、根据上述技术手段，该方法中的电力作业人员检测模型基于yolo模型与带互相关的联合检测模型的融合模型训练得到，联合检测模型可以产
7、在一些可行实施例中，所述基于yolo模型与带互相关的联合检测模型的融合模型包括主干网络，主干网络不同倍数的输出之间融入了带互相关的联合检测模型，并将带互相关的联合检测模型输出的行人重识别结果嵌入到头部网络中输出。
8、根据上述技术手段，在yolo模型中融入带互相关的联合检测模型，在检测目标的同时，输出目标的表观特征。
9、在一些可行实施例中，所述带互相关的联合检测模型包括行人重识别分支和行人检测分支，各个分支对输入特征进行卷积后得到的卷积结果，卷积结果经过重塑得到重塑结果，重塑结果进行转置得到转置结果，同一分支的重塑结果与转置结果进行互相关运算后再与输入特征进行互相关计算，互相关计算结果再与输入特征进行相加，得到各个分支的特征。
10、根据上述技术手段，带互相关的联合检测模型通过互相关运算将行人重识别任务和行人检测任务的共性和差异性分别进行提取，从而产生更适合各任务的特征图。
11、在一些可行实施例中，所述yolo模型包括改进的主干网络，所述改进的主干网络包括多个cbna卷积块和多个csplayer层，输入的数字图像经由两个cbna卷积块下采样操作后再经过4次csplayer层的级联，在每次接入csplayer层之前先进行一次cbna卷积块的下采样的操作，同时将通道数增加一倍，在经过第二次csplayer层时输出第一特征图，在经过第三次csplayer层时输出第二特征图，在经过第四次csplayer层时输出第三特征图。
12、根据上述技术手段，形成三个尺度的特征图，为后面颈部网络的特征融合提供输入。
13、在一些可行实施例中，所述yolo模型包括改进的颈部网络，所述改进的颈部网络包括级联的基于多层次特征融合空间金字塔池化网络、特征金字塔网络和路径聚合网络，所述基于多层次特征融合空间金字塔池化网络分别对第一特征图、第二特征图和第三特征图进行不同数量池化核的最大层池化，当池化核小于预设尺度时，使用普通的最大层池化处理，当池化大于预设尺度时，使用空洞的池化处理，最后将池化后的特征图进行融合；所述特征金字塔网络分别对池化融合后的第一特征图、第二特征图和第三特征图进行特征金字塔融合处理，得到第一融合特征图、第二融合特征图和第三融合特征图；所述路径聚合网络分别对第一融合特征图、第二融合特征图和第三融合特征图进行下采样聚合，得到第一聚合特征图、第二聚合特征图和第三聚合特征图。
14、根据上述技术手段，通过基于多层次特征融合空间金字塔池化网络强化了同一特征图每个特征点在不同感受野下的表达，再经过特征金字塔网络增强了浅层特征图的高级语义信息，最后经过路径聚合网络给深层特征图添加了定位信息。经过颈部网络多种技巧的特征融合后，输出的多尺度特征具有很强的泛化能力，对于深层语义和浅层语义都能有效的表现。
15、在一些可行实施例中，所述yolo模型包括改进的头部网络，所述头部网络包括位置分支、前景分支和置信度分支，每一聚合特征图在输入头部网络后，首先分别进行一次cbna卷积块操作，然后再分别经过三个并联的cbna卷积块操作，以学习对应的聚合特征图在三个分支中各自的关联性，然后再分别接入一个普通的卷积层，在前景分支以及置信度分支上再接入一个激活函数得到对应的概率值，最后将三个分支进行合并，最后对第一聚合特征图、第二聚合特征图和第三聚合特征图的结果与嵌入的行人重识别结果再进行一次合并操作，得到电力作业人员识别结果。
16、根据上述技术手段，每个特征图建立三个分支分别对行人的位置、前景、置信度这三类任务进行预测，从而对yolo预测头的解耦，提升预测精度。
17、在一些可行实施例中，所述yolo模型采用基于无锚框的筛选匹配算法，首先对无锚框方式生成的预测结果进行初步筛选，然后对采用最优传输分配算法生成预设数量的候选框，最后通过非极大值抑制方法生成最后的预测框。
18、根据上述技术手段，可以筛选得到更准确更少量的预测框，减少计算量。
19、在一些可行实施例中，所述电力作业人员检测模型通过如下方式训练得到：
20、获取训练数据集并进行标注，所述训练数据集为摄像头采集的有限空间电力作业图像数据；
21、对训练数据进行预处理，得到处理后的训练数据；
22、设置模型训练周期以及训练策略；
23、构建基于yolo模型与带互相关的联合检测模型的融合模型；
24、将处理后的训练数据输入基于yolo模型与带互相关的联合检测模型的融合模型，按照设置的训练周期和训练策略训练得到电力作业人员检测模型。
25、在一些可行实施例中，所述训练策略至少包括：学习率预热策略、学习率函数、损失函数以及优化学习算法，所述学习率预热策略采用gradual warmup策略，所述学习率函数采用分段函数，所述损失函数包括iou函数、均方误差函数和l2正则化函数，所述优化学习算法采用随机梯度下降算法。
26、本申请第二方面提供一种有限空间电力作业人员检测装置，所述装置包括：
27、数据获取单元，用于获取有限空间电力作业图像数据；
28、数据处理单元，用于对电力作业图像数据进行预处理，得到处理后的数据；
29、检测单元，用于将处理后的数据输入训练好的电力作业人员检测模型本文档来自技高网...
【技术保护点】
1.一种有限空间电力作业人员检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的有限空间电力作业人员检测方法，其特征在于，所述基于YOLO模型与带互相关的联合检测模型的融合模型包括主干网络，主干网络不同倍数的输出之间融入了带互相关的联合检测模型，并将带互相关的联合检测模型输出的行人重识别结果嵌入到头部网络中输出。
3.根据权利要求2所述的有限空间电力作业人员检测方法，其特征在于，所述带互相关的联合检测模型包括行人重识别分支和行人检测分支，各个分支对输入特征进行卷积后得到的卷积结果，卷积结果经过重塑得到重塑结果，重塑结果进行转置得到转置结果，同一分支的重塑结果与转置结果进行互相关运算后再与输入特征进行互相关计算，互相关计算结果再与输入特征进行相加，得到各个分支的特征。
4.根据权利要求3所述的有限空间电力作业人员检测方法，其特征在于，所述YOLO模型包括改进的主干网络，所述改进的主干网络包括多个CBNA卷积块和多个CSPLayer层，输入的数字图像经由两个CBNA卷积块下采样操作后再经过4次CSPLayer层的级联，在每次接入CSPLa
5.根据权利要求4所述的有限空间电力作业人员检测方法，其特征在于，所述YOLO模型包括改进的颈部网络，所述改进的颈部网络包括级联的基于多层次特征融合空间金字塔池化网络、特征金字塔网络和路径聚合网络，所述基于多层次特征融合空间金字塔池化网络分别对第一特征图、第二特征图和第三特征图进行不同数量池化核的最大层池化，当池化核小于预设尺度时，使用普通的最大层池化处理，当池化大于预设尺度时，使用空洞的池化处理，最后将池化后的特征图进行融合；所述特征金字塔网络分别对池化融合后的第一特征图、第二特征图和第三特征图进行特征金字塔融合处理，得到第一融合特征图、第二融合特征图和第三融合特征图；所述路径聚合网络分别对第一融合特征图、第二融合特征图和第三融合特征图进行下采样聚合，得到第一聚合特征图、第二聚合特征图和第三聚合特征图。
6.根据权利要求5所述的有限空间电力作业人员检测方法，其特征在于，所述YOLO模型包括改进的头部网络，所述头部网络包括位置分支、前景分支和置信度分支，每一聚合特征图在输入头部网络后，首先分别进行一次CBNA卷积块操作，然后再分别经过三个并联的CBNA卷积块操作，以学习对应的聚合特征图在三个分支中各自的关联性，然后再分别接入一个普通的卷积层，在前景分支以及置信度分支上再接入一个激活函数得到对应的概率值，最后将三个分支进行合并，最后对第一聚合特征图、第二聚合特征图和第三聚合特征图的结果与嵌入的行人重识别结果再进行一次合并操作，得到电力作业人员识别结果。
7.根据权利要求6所述的有限空间电力作业人员检测方法，其特征在于，所述YOLO模型采用基于无锚框的筛选匹配算法，首先对无锚框方式生成的预测结果进行初步筛选，然后对采用最优传输分配算法生成预设数量的候选框，最后通过非极大值抑制方法生成最后的预测框。
8.根据权利要求1所述的有限空间电力作业人员检测方法，其特征在于，所述电力作业人员检测模型通过如下方式训练得到：
9.根据权利要求8所述的有限空间电力作业人员检测方法，其特征在于，所述训练策略至少包括：学习率预热策略、学习率函数、损失函数以及优化学习算法，所述学习率预热策略采用Gradual Warmup策略，所述学习率函数采用分段函数，所述损失函数包括IoU函数、均方误差函数和L2正则化函数，所述优化学习算法采用随机梯度下降算法。
10.一种有限空间电力作业人员检测装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种有限空间电力作业人员检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的有限空间电力作业人员检测方法，其特征在于，所述基于yolo模型与带互相关的联合检测模型的融合模型包括主干网络，主干网络不同倍数的输出之间融入了带互相关的联合检测模型，并将带互相关的联合检测模型输出的行人重识别结果嵌入到头部网络中输出。
3.根据权利要求2所述的有限空间电力作业人员检测方法，其特征在于，所述带互相关的联合检测模型包括行人重识别分支和行人检测分支，各个分支对输入特征进行卷积后得到的卷积结果，卷积结果经过重塑得到重塑结果，重塑结果进行转置得到转置结果，同一分支的重塑结果与转置结果进行互相关运算后再与输入特征进行互相关计算，互相关计算结果再与输入特征进行相加，得到各个分支的特征。
4.根据权利要求3所述的有限空间电力作业人员检测方法，其特征在于，所述yolo模型包括改进的主干网络，所述改进的主干网络包括多个cbna卷积块和多个csplayer层，输入的数字图像经由两个cbna卷积块下采样操作后再经过4次csplayer层的级联，在每次接入csplayer层之前先进行一次cbna卷积块的下采样的操作，同时将通道数增加一倍，在经过第二次csplayer层时输出第一特征图，在经过第三次csplayer层时输出第二特征图，在经过第四次csplayer层时输出第三特征图。
5.根据权利要求4所述的有限空间电力作业人员检测方法，其特征在于，所述yolo模型包括改进的颈部网络，所述改进的颈部网络包括级联的基于多层次特征融合空间金字塔池化网络、特征金字塔网络和路径聚合网络，所述基于多层次特征融合空间金字塔池化网络分别对第一特征图、第二特征图和第三特征图进行不同数量池化核的最大层池化，当池化核小于预设尺度时，使用普通的最大层池化处理，当池化大于预设尺度时，使用空洞的池化处理，最后将池化后的特征图进行融合...
【专利技术属性】
技术研发人员：万欣，刘敏，周洪杰，王成龙，叶亚林，
申请(专利权)人：国能大渡河大数据服务有限公司，
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。