【技术实现步骤摘要】
本专利技术涉及变电站安全监测，尤其是涉及一种基于深度学习和透视变换的安全距离监测方法及系统。
技术介绍
1、当前，变电站已经实施了多项安全措施用于防范触电事故，如设置围栏将带电部分与相关人员进行隔离，添加标识进行提醒，指定安全规程并进行培训等，以此避免相关人员与带电设备尤其是带电设备的带电部位进行接触。这些防范措施确实能够在一定程度上减少触电事故的发生，但在实际运营中，容易受到相关人员主观因素的影响，可能由于相关人员的疏忽、违规操作等失效。
2、现有技术中，在电力场景下的测距方法主要包含手动测量方法，基于激光雷达的测距方法和基于视觉的测距方法，基于视觉的测距方法又包括基于双目视觉的测距方法和基于单目视觉的测距方法。一、手动测量容易受到测量工具精度和主观因素的影响，其实时性、准确性都尚且欠佳。二、激光雷达通过发射激光脉冲并测量脉冲返回的时间来实现测距，具有高精度、远距离测量能力、不受光照条件影响的优点，通过获取到的点云数据便可计算出空间中任意两点的距离，然而激光雷达价格较为昂贵，计算成本也较大，并且不适用于实时监测与部署、三、基于双目视觉的测距方法通过三角测量原理获得图像上每个像素的深度值从而实现测距，其成本低于激光雷达，但是，双目测距需要对两张图像中的像素点进行匹配，计算量较大，缺乏纹理或极端光照条件可能导致性能降低。
3、近年来深度学习快速发展，即使对于单张图片，也能通过单目深度估计的方法对图像深度进行预测。然而，对于单目深度估计这类数据驱动型方法，对数据的依赖性较强，可能缺乏对新的复杂场景的泛化能力。
技术实现思路
1、本专利技术的主要目的在于提供一种基于深度学习和透视变换的安全距离监测方法及系统，解决当前因深度估计数据集的大量需求与泛化能力的不足，导致检测的安全距离精度低、检测成本高以及检测相对滞后的技术问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是：一种基于深度学习和透视变换的安全距离监测方法，包括以下步骤：
3、s1：获取实时的预设场景下相关人员的图像，并经过数据预处理后，输入搭建的检测模型，得到脚部关键点数据；
4、s2：基于相机成像模型，计算拍摄预设场景下进行透视变换的单应性矩阵，并获取所述图像的像素坐标与世界坐标之间的二维映射关系；
5、s3：根据脚部关键点数据和所述二维映射关系，计算并获得实时距离；
6、s4：将预设安全阈值与实时距离进行对比，获得检测结果；
7、所述检测模型为基于yolov8关键点检测模型，通过主干网络中采用dff模块，再拼接颈部网络中acc模块进行特征提取，再采用bifpn模块对图像进行特征融合，从而模型输出，获得脚部关键点数据。
8、优选方案中，训练所述检测模型，包括以下步骤：
9、获取相关人员脚部关键点检测数据集，将所述关键点检测数据集划分为训练集和测试集，并进行数据预处理；
10、设置迭代训练次数；
11、将数据预处理后的训练集输入所述检测模型进行迭代训练，直至达到所述迭代训练次数，保存最优检测模型；
12、其中，迭代训练包括所述检测模型计算损失函数，并反向传播，优化所述检测模型。
13、优选方案中，训练所述检测模型包括：
14、将迭代训练次数设置为128，优化器设置动量为0.9、权重衰减为0.001的adamw优化器；初始学习率为0.001，最终学习率为0.00001，并采用预热法策略进行调整。
15、优选方案中，所述数据预处理包括：
16、对所述关键点检测数据集的图像进行筛选，去除模糊图像；
17、对图像进行标注，并将标注文件转换为统一格式；
18、再进行增强、旋转和平移，对图像进行扩充；
19、采用基准数据集，并随机提取包含预设类别的图像并对其进行重标注，构建脚部关键点检测数据集。
20、优选方案中，所述主干网络中采用dff模块，具体为：yolov8模型主干网络中将原始的c2f模块替换为dff模块，dff模块将bottleneck拆分为两个cbs模块，保存每个cbs模块的输出，并将所有cbs模块的输出进行拼接；
21、颈部网络中采用acc模块，具体为：在yolov8模型颈部网络中将原始的c2f模块替换为acc模块，acc模块对于不同的输入，先通过通道注意力机制获取各个通道的权重，再对前半部分通道的权重与后半部分通道的权重进行求和，最后比较两者大小并选取较大权重的部分通道进行卷积，实现特征提取；
22、采用bifpn模块，具体为：将原始的pan结构替换为bifpn模块，bifpn模块针对单一输入节点，先删除只有一个输入边的节点，再对处于同一级别的节点引入跳跃连接；同时针对不同的输入，bifpn模块采用动态权重机制。
23、优选方案中，在dff模块中，将多尺度卷积与深度可分离卷积进行结合，获得mdconv模块，具体为：mdconv模块将通道均分为四组，并对这四组通道分别进行不同尺度的深度可分离卷积。
24、优选方案中，在acc模块中，采用eca模块来获取两部分通道的权重，具体为：eca模块先对输入的通道进行全局平均池化，再使用一维卷积进行跨通道交互并求取通道权重，最后使用sigmoid函数对权重进行非线性变换并对通道进行加权。
25、优选方案中，所述s2包括以下步骤：
26、s21：采用预设尺寸的棋盘格拍摄多张图像，并提取角点进行分析计算，确定相机的内部参数和外部参数，使用畸变校正算法进行校准，获取准确的图像，平面上的点与畸变点进行归一化，公式为：
27、；
28、；
29、式中，( x, y,1)为平面上的点，( xdis , ydis ,1)为畸变点，分别为理想情况下像素坐标系中像素点的横坐标与纵坐标，分别为由于畸变导致的实际情况下像素坐标系中像素点的横坐标与纵坐标，、分别为两个切向畸变参数，为径向距离，、、分别为三个径向畸变参数；
30、s22：选取图像中预设尺寸的参照矩形，并获取参照矩形四个角点的像素坐标，按照比例将其像素坐标进行恢复；根据图像中参照矩形实际的像素坐标与恢复的像素坐标获得单应性矩阵。
31、优选方案中，所述s3包括以下步骤：
32、s31：采用所述参照矩形的实际边长，进行透视变换后获得实际边长在图像中所占的像素长度，本文档来自技高网...
【技术保护点】
1.一种基于深度学习和透视变换的安全距离监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习和透视变换的安全距离监测方法，其特征在于，训练所述检测模型，包括以下步骤：
3.根据权利要求2所述的基于深度学习和透视变换的安全距离监测方法，其特征在于，训练所述检测模型包括：
4.根据权利要求2所述的基于深度学习和透视变换的安全距离监测方法，其特征在于，所述数据预处理包括：
5.根据权利要求1所述的基于深度学习和透视变换的安全距离监测方法，其特征在于，所述主干网络中采用DFF模块，具体为：YOLOv8模型主干网络中将原始的C2f模块替换为DFF模块，DFF模块将Bottleneck拆分为两个CBS模块，保存每个CBS模块的输出，并将所有CBS模块的输出进行拼接；
6.根据权利要求4所述的基于深度学习和透视变换的安全距离监测方法，其特征在于，在DFF模块中，将多尺度卷积与深度可分离卷积进行结合，获得MDConv模块，具体为：MDConv模块将通道均分为四组，并对这四组通道分别进行不同尺度的深度可分离卷积。p>
7.根据权利要求4所述的基于深度学习和透视变换的安全距离监测方法，其特征在于，在ACC模块中，采用ECA模块来获取两部分通道的权重，具体为：ECA模块先对输入的通道进行全局平均池化，再使用一维卷积进行跨通道交互并求取通道权重，最后使用Sigmoid函数对权重进行非线性变换并对通道进行加权。
8.根据权利要求1所述的基于深度学习和透视变换的安全距离监测方法，其特征在于，所述S2包括以下步骤：
9.根据权利要求8所述的基于深度学习和透视变换的安全距离监测方法，其特征在于，所述S3包括以下步骤：
10.根据权利要求1-9任一项所述的基于深度学习和透视变换的安全距离监测方法，其特征在于，所述S4包括以下步骤：
11.一种基于深度学习和透视变换的安全距离监测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于深度学习和透视变换的安全距离监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习和透视变换的安全距离监测方法，其特征在于，训练所述检测模型，包括以下步骤：
3.根据权利要求2所述的基于深度学习和透视变换的安全距离监测方法，其特征在于，训练所述检测模型包括：
4.根据权利要求2所述的基于深度学习和透视变换的安全距离监测方法，其特征在于，所述数据预处理包括：
5.根据权利要求1所述的基于深度学习和透视变换的安全距离监测方法，其特征在于，所述主干网络中采用dff模块，具体为：yolov8模型主干网络中将原始的c2f模块替换为dff模块，dff模块将bottleneck拆分为两个cbs模块，保存每个cbs模块的输出，并将所有cbs模块的输出进行拼接；
6.根据权利要求4所述的基于深度学习和透视变换的安全距离监测方法，其特征在于，在dff模块中，将多尺度卷积与深度可分离卷...
【专利技术属性】
技术研发人员：郑含博，徐世旗，李金恒，李培，梁炎燊，
申请(专利权)人：广西大学，
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。