CN112528855B - 一种电力作业着装规范识别方法和装置 - Google Patents
一种电力作业着装规范识别方法和装置 Download PDFInfo
- Publication number
- CN112528855B CN112528855B CN202011452940.6A CN202011452940A CN112528855B CN 112528855 B CN112528855 B CN 112528855B CN 202011452940 A CN202011452940 A CN 202011452940A CN 112528855 B CN112528855 B CN 112528855B
- Authority
- CN
- China
- Prior art keywords
- module
- dressing
- human body
- matrix
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 329
- 238000000605 extraction Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims description 68
- 238000004364 calculation method Methods 0.000 claims description 67
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000009825 accumulation Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 13
- 230000001502 supplementing effect Effects 0.000 claims description 8
- 238000003702 image correction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 29
- 238000001514 detection method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种电力作业着装规范识别方法和装置,包括:接收待识别人体图像;对待识别人体图像进行图像预处理,生成待识别图像矩阵;将待识别图像矩阵输入到目标人体着装特征矩阵提取网络,输出待识别图像矩阵对应的人体着装特征矩阵;其中,目标人体着装特征矩阵提取网络通过预置的模型训练过程所生成;基于人体着装特征矩阵是否满足预设条件的判断结果,确定待识别人体图像对应的人员着装是否规范。从而有效提高在复杂环境中对人员穿着识别的准确性,降低安全隐患的发生。
Description
技术领域
本发明涉及着装识别技术领域,尤其涉及一种电力作业着装规范识别方法和装置。
背景技术
随着社会经济的快速发展和科技水平的不断提升,近年来我国电力事业得到了迅猛发展,在电力生产过程,对作业人员着装穿戴有严格的要求,需要实时监测现场作业人员有没穿合适的工作服、戴安全帽,而且在整个工作过程中:不能敞胸露背,不能挽起袖子,卷起裤脚,工作服要保持完好,安全帽不能有破损,甚至还要求工作服须是棉质面料等等。在作业过程,如发现现场作业人员穿戴不合规要及时发出报警并将人员的图像进行记录。
但在电力生产过程,现场作业人员多在野外工作,现场光照情况变化无常、工作环境千差万别、工作位置时刻变化、人体姿态不断变化,这对人员穿戴合规性检测、识别算法提出了严苛的要求,尤其是遇到人员穿戴细微的不合规情况:敞胸露背、挽起袖子、卷起裤脚、服装的面料不合规、安全帽等有破损等问题时,现有的目标识别方法的识别率较低,难以准确识别人员穿着是否合规,可能会导致安全隐患。
发明内容
本发明提供了一种电力作业着装规范识别方法和装置,解决了现有的目标识别方法在复杂环境中识别率与准确率较低,难以准确识别人员穿着是否合规,可能会导致安全隐患的技术问题。
本发明提供的一种电力作业着装规范识别方法,包括:
接收待识别人体图像;
对所述待识别人体图像进行图像预处理,生成待识别图像矩阵;
将所述待识别图像矩阵输入到目标人体着装特征矩阵提取网络,输出所述待识别图像矩阵对应的人体着装特征矩阵;其中,所述目标人体着装特征矩阵提取网络通过预置的模型训练过程所生成;
基于所述人体着装特征矩阵是否满足预设条件的判断结果,确定所述待识别人体图像对应的人员着装是否规范。
可选地,所述对所述待识别人体图像进行图像预处理,生成待识别图像矩阵的步骤,包括:
将所述待识别人体图像转换为第一图像矩阵;
按照预设要求对所述第一图像矩阵执行图像矫正操作和图像增强操作,得到第二图像矩阵;
对所述第二图像矩阵执行图像标准化操作和图像归一化操作,生成待识别图像矩阵。
可选地,所述模型训练过程包括:
分别获取多种历史电力作业场景中的人体图像;
对所述人体图像进行图像预处理,生成标准化图像矩阵;
将所述标准化图像矩阵输入到预设的初始人体着装特征矩阵提取网络,得到着装特征矩阵;
采用预设双核优化算法结合所述着装特征矩阵,对所述初始人体着装特征矩阵提取网络进行训练,生成目标人体着装特征矩阵提取网络。
可选地,所述预设双核优化算法包括整体比对函数和斑块比对函数,所述着装特征矩阵包括整体着装特征矩阵和着装斑块特征矩阵,所述采用预设双核优化模型结合所述着装特征矩阵,对所述初始人体着装特征矩阵提取网络进行训练,生成目标人体着装特征矩阵提取网络的步骤,包括:
获取标准整体着装特征矩阵;
将所述标准整体着装特征矩阵和所述整体着装特征矩阵导入到所述整体比对函数,得到优化目标值和跟踪目标值;
基于所述优化目标值和所述跟踪目标值,采用反向传播算法调整所述初始人体着装特征矩阵提取网络的整体参数,直至所述跟踪目标值等于所述优化目标值。
获取标准着装斑块特征矩阵;
将所述着装斑块特征矩阵和所述标准着装斑块特征矩阵导入到所述斑块比对函数,得到斑块优化目标值和斑块跟踪目标值;
基于所述斑块优化目标值和所述斑块跟踪目标值,采用所述反向传播算法调整所述初始人体着装特征矩阵提取网络的斑块参数,直至所述斑块跟踪目标值等于所述斑块优化目标值;
当所述跟踪目标值等于所述优化目标值,且所述斑块跟踪目标值等于所述斑块优化目标值时,生成目标人体着装特征矩阵提取网络。
可选地,所述预设条件包括多个子条件,所述基于所述人体着装特征矩阵是否满足预设条件的判断结果,确定所述待识别人体图像对应的人员着装是否规范的步骤,包括:
若所述人体着装特征矩阵满足任一个所述子条件,则确定所述待识别人体图像对应的人员着装不符合规范;
若所述人体着装特征矩阵不满足全部所述子条件,则确定所述待识别人体图像对应的人员着装符合规范。
本发明还提供了一种电力作业着装规范识别装置,包括:
待识别人体图像接收模块,用于接收待识别人体图像;
待识别图像矩阵生成模块,用于对所述待识别人体图像进行图像预处理,生成待识别图像矩阵;
人体着装特征矩阵输出模块,用于将所述待识别图像矩阵输入到目标人体着装特征矩阵提取网络,输出所述待识别图像矩阵对应的人体着装特征矩阵;其中,所述目标人体着装特征矩阵提取网络通过预置的模型训练模块所生成;
人员着装规范判断模块,用于基于所述人体着装特征矩阵是否满足预设条件的判断结果,确定所述待识别人体图像对应的人员着装是否规范。
可选地,所述待识别图像矩阵生成模块包括:
图像转换子模块,用于将所述待识别人体图像转换为第一图像矩阵;
第一图像处理子模块,用于按照预设要求对所述第一图像矩阵执行图像矫正操作和图像增强操作,得到第二图像矩阵;
第二图像处理子模块,用于对所述第二图像矩阵执行图像标准化操作和图像归一化操作,生成待识别图像矩阵。
可选地,所述模型训练模块包括:
历史人体图像获取子模块,用于分别获取多种历史电力作业场景中的人体图像;
标准化图像矩阵生成子模块,用于对所述人体图像进行图像预处理,生成标准化图像矩阵;
着装特征矩阵生成子模块,用于将所述标准化图像矩阵输入到预设的初始人体着装特征矩阵提取网络,得到着装特征矩阵;
训练子模块,用于采用预设双核优化算法结合所述着装特征矩阵,对所述初始人体着装特征矩阵提取网络进行训练,生成目标人体着装特征矩阵提取网络。
可选地,所述预设双核优化算法包括整体比对函数和斑块比对函数,所述着装特征矩阵包括整体着装特征矩阵和着装斑块特征矩阵,所述训练子模块包括:
标准整体着装特征矩阵获取子模块,用于获取标准整体着装特征矩阵;
整体比对函数处理子模块,用于将所述标准整体着装特征矩阵和所述整体着装特征矩阵导入到所述整体比对函数,得到优化目标值和跟踪目标值;
整体参数调整子模块,用于基于所述优化目标值和所述跟踪目标值,采用反向传播算法调整所述初始人体着装特征矩阵提取网络的整体参数,直至所述跟踪目标值等于所述优化目标值。
标准着装斑块特征矩阵获取子模块,用于获取标准着装斑块特征矩阵;
斑块比对函数处理子模块,用于将所述着装斑块特征矩阵和所述标准着装斑块特征矩阵导入到所述斑块比对函数,得到斑块优化目标值和斑块跟踪目标值;
斑块参数调整子模块,用于基于所述斑块优化目标值和所述斑块跟踪目标值,采用所述反向传播算法调整所述初始人体着装特征矩阵提取网络的斑块参数,直至所述斑块跟踪目标值等于所述斑块优化目标值;
目标人体着装特征矩阵提取网络生成子模块,用于当所述跟踪目标值等于所述优化目标值,且所述斑块跟踪目标值等于所述斑块优化目标值时,生成目标人体着装特征矩阵提取网络。
可选地,所述预设条件包括多个子条件,所述人员着装规范判断模块包括:
不符合规范判定子模块,用于若所述人体着装特征矩阵满足任一个所述子条件,则确定所述待识别人体图像对应的人员着装不符合规范;
符合规范判定子模块,用于若所述人体着装特征矩阵不满足全部所述子条件,则确定所述待识别人体图像对应的人员着装符合规范。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过接收待识别人体图像,对待识别人体图像进行图像预处理,生成待识别图像矩阵,再采用目标人体着装特征矩阵提取网络提取待识别图像矩阵对应的人体着装特征矩阵,最后基于人体着装特征矩阵是否满足预设条件,确定待识别人体图像对应的人员着装是否规范。从而解决现有的目标识别方法在复杂环境中识别率与准确率较低,难以准确识别人员穿着是否合规,可能会导致安全隐患的技术问题,有效提高在复杂环境中对人员穿着识别的准确性,降低安全隐患的发生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种电力作业着装规范识别方法的步骤流程图;
图2为本发明可选实施例提供的一种电力作业着装规范识别方法的步骤流程图;
图3为本发明实施例中的初始人体着装特征矩阵提取网络训练过程的流程示意图;
图4为本发明实施例中计算优化目标值和跟踪目标值的流程示意图;
图5为本发明实施例中计算斑块优化目标值和斑块跟踪目标值的流程示意图;
图6为本发明实施例提供的一种电力作业监管平台的结构示意图;
图7为本发明实施例提供的一种电力作业着装规范识别装置的结构框图。
具体实施方式
本发明实施例提供了一种电力作业着装规范识别方法和装置,用于解决现有的目标识别方法在复杂环境中识别率与准确率较低,难以准确识别人员穿着是否合规,可能会导致安全隐患的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例提供的一种电力作业着装规范识别方法的步骤流程图。
本发明提供的一种电力作业着装规范识别方法,包括:
步骤101,接收待识别人体图像;
待识别人体图像指的是在电力作业场景中存在电力作业人员的图像。
在本发明实施例中,在电力作业场景中通常具有对应的监控设备例如摄像头,以确保电力作业的安全性,此时为确定电力作业人员的着装是否规范,可以从监控视频流中采用目标检测算法获取待识别人体图像,以确定存在作业人员的图像。
可选地,还可以预定周期为获取时刻,获取对应时刻的待识别人体图像。
值得一提的是,具体从视频流中获取到待识别人体图像所使用的目标检测算法本发明实施例并不限制。
步骤102,对所述待识别人体图像进行图像预处理,生成待识别图像矩阵;
在获取到待识别人体图像后,可以对待识别人体图像进行图像预处理,以得到例如不同光照不同场景不同角度下的待识别图像矩阵。
步骤103,将所述待识别图像矩阵输入到目标人体着装特征矩阵提取网络,输出所述待识别图像矩阵对应的人体着装特征矩阵;
人体着装特征矩阵包括但不限于以下特征:工作服内衬特征、长袖工作服特征、衣服敞开特征、衣服破损特征、安全帽佩戴特征和安全帽破损特征等
在具体实现中,所述目标人体着装特征矩阵提取网络通过预置的模型训练过程所生成,将待识别图像矩阵输入到目标人体着装特征矩阵提取网络,以获取到待识别图像矩阵对应的人体着装特征矩阵。
值得一提的是,为进一步提高识别的准确度,可以在步骤102的过程中生成不同尺度的待识别图像矩阵,以便于确定不同尺度下的人体着装特征矩阵。
步骤104,基于所述人体着装特征矩阵是否满足预设条件的判断结果,确定所述待识别人体图像对应的人员着装是否规范。
在获取到人体着装特征矩阵后,可以基于人体着装特征矩阵是否满足预设条件的判断结果,进一步确定待识别人体图像所对应的人员着装是否规范,从而确定是否需要发出警告,以降低安全隐患的发生。
在本发明实施例中,通过接收待识别人体图像,对待识别人体图像进行图像预处理,生成待识别图像矩阵,再采用目标人体着装特征矩阵提取网络提取待识别图像矩阵对应的人体着装特征矩阵,最后基于人体着装特征矩阵是否满足预设条件,确定待识别人体图像对应的人员着装是否规范。从而解决现有的目标识别方法在复杂环境中识别率与准确率较低,难以准确识别人员穿着是否合规,可能会导致安全隐患的技术问题,有效提高在复杂环境中对人员穿着识别的准确性,降低安全隐患的发生。
请参阅图2,图2为本发明可选实施例提供的一种电力作业着装规范识别方法的步骤流程图。
本发明提供的一种电力作业着装规范识别方法,包括:
步骤201,接收待识别人体图像;
在本发明实施例中,步骤201的具体实施过程与上述步骤102相同,在此不再赘述。
在本发明可选实施例中,上述步骤102中的技术特征“对所述待识别人体图像进行图像预处理,生成待识别图像矩阵”可以替换为以下步骤202-204:
步骤202,将所述待识别人体图像转换为第一图像矩阵;
在本发明实施例中,可以通过对待识别人体图像进行裁剪或缩放的转换操作,从而生成第一图像矩阵。
进一步地,为提高图像的检测精度,可以将待识别人体图像转换为多尺度的第一图像矩阵,以满足后续对不同尺度的图像处理。
步骤203,按照预设要求对所述第一图像矩阵执行图像矫正操作和图像增强操作,得到第二图像矩阵;
在本发明的一个示例中,可以按照预设要求例如用户输入的图像矫正幅度、图像增强的对象与增强幅度等,对所述第一图像矩阵执行对应的图像矫正操作和图像增强操作,以得到更为适合图像识别的第二图像矩阵。
图像矫正操作指的是根据图像特征自动检测图像倾斜方向和倾斜角度,进一步依据检测的信息对图像进行图像位置的矫正。
图像增强操作指的是增强图像中的有用信息,它可以是一个失真的过程,其目的是要改善图像的视觉效果,针对给定图像的应用场合。有目的地强调图像的整体或局部特性,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足某些特殊分析的需要。
步骤204,对所述第二图像矩阵执行图像标准化操作和图像归一化操作,生成待识别图像矩阵。
在得到第二图像矩阵后,对第二图像矩阵可以采用零均值规范处理以实现图像标准化操作,再对图像标准化后的图像矩阵进行图像归一化操作,将图像矩阵转换为[-1,1]的浮点型矩阵,以得到待识别图像矩阵。
零均值规范处理指的是采用图像矩阵中的每个变量减去它们的均值。
图像归一化操作指的是采用图像矩阵中的每个变量减去它们的均值,再除以标准差。
步骤205,将所述待识别图像矩阵输入到目标人体着装特征矩阵提取网络,输出所述待识别图像矩阵对应的人体着装特征矩阵;
可选地,所述待识别图像矩阵中还包括各个人员的框坐标和置信度,将待识别图像矩阵输入到目标人体着装特征矩阵提取网络,以获取到置信度较高,且位于框坐标内的人体着装特征矩阵。
其中,所述目标人体着装特征矩阵提取网络通过预置的模型训练过程所生成;
进一步地,所述模型训练过程包括以下步骤S1-S4:
S1、分别获取多种历史电力作业场景中的人体图像;
S2、对所述人体图像进行图像预处理,生成标准化图像矩阵;
S3、将所述标准化图像矩阵输入到预设的初始人体着装特征矩阵提取网络,得到着装特征矩阵;
在本发明实施例中,可以分别获取多种历史电力作业场景中的人体图像,例如不同光照、不同高度或不同角度等电力作业场景下的人体图像;对所述人体图像进行图像预处理,以生成标准化图像矩阵;再将所述标准化图像矩阵输入到预设的初始人体着装特征矩阵提取网络,以得到标准化图像矩阵内的着装特征矩阵。
可选地,初始人体着装特征矩阵提取网络可以选用卷积神经网络(ConvolutionalNeural Network,CNN)构建而成,并融合数据增强技术和锚设计策略,以提高在不同尺度、背景、照明下人体检测的准确度。
其中,图像预处理的具体实施过程与上述步骤202-204相同,在此不再赘述。
S4、采用预设双核优化算法结合所述着装特征矩阵,对所述初始人体着装特征矩阵提取网络进行训练,生成目标人体着装特征矩阵提取网络。
请参见图3,图3示出了本发明实施例中的初始人体着装特征矩阵提取网络训练过程的流程示意图。
其中包括将着装特征矩阵分别输入到整体比对函数计算模块31和斑块比对函数计算模块32,以整体比对函数计算模块的输出输入到整体比对模型参数优化模块33,得到最优的优化目标值和跟踪目标值;以斑块比对函数计算模块的输出输入到斑块比对模型参数优化模块34,得到最优的斑块优化目标值和斑块跟踪目标值。
在本发明的一个示例中,所述预设双核优化算法包括整体比对函数和斑块比对函数,所述着装特征矩阵包括整体着装特征矩阵和着装斑块特征矩阵,步骤S4可以包括以下子步骤S41-S47:
S41、获取标准整体着装特征矩阵;
S42、将所述标准整体着装特征矩阵和所述整体着装特征矩阵导入到所述整体比对函数,得到优化目标值和跟踪目标值;
S43、基于所述优化目标值和所述跟踪目标值,采用反向传播算法调整所述初始人体着装特征矩阵提取网络的整体参数,直至所述跟踪目标值等于所述优化目标值。
请参见图4,图4示出了本发明实施例中计算优化目标值和跟踪目标值的流程示意图;
在本实施例中,将所得到的整体着装特征矩阵送到第1加法器模块310的第1输入端,标准整体着装特征矩阵送到第1加法器模块310的第2输入端;第1加法器模块310的输出送到第1除法器模块311的第2输入端,第1加法器模块310的输出还送到第2除法器模块312的第2输入端。
整体着装特征矩阵还送到第1除法器模块311的第1输入端,这样就在第1除法器模块311里完成了整体着装特征矩阵除以第1加法器模块310的输出的矩阵运算。第1除法器模块311完成的除法输出值送到第1自然对数模块313,第1自然对数模块313计算出的对数值输出送到整体比对函数的第1输出端,得到优化目标值。
标准整体着装特征矩阵还送到第2除法器模块312的第1输入端,这样就在第2除法器模块312里完成了标准整体着装特征矩阵除以第1加法器模块310的输出的矩阵运算。第2除法器模块312完成的除法计算值送到第2自然对数模块314,第2自然对数模块314计算出的对数值输出送到整体比对函数的第2输出端,得到跟踪目标值。
最后,将优化目标值和跟踪目标值代入到反向传播算法调整初始人体着装特征矩阵提取网络的整体参数,计算初始人体着装特征矩阵提取网络的输出并持续计算跟踪目标值,直至跟踪目标值等于优化目标值,完成整体参数调整。
所述反向传播算法可以但不限于为双约束目标神经网络自寻优估计方法。
S44、获取标准着装斑块特征矩阵;
S45、将所述着装斑块特征矩阵和所述标准着装斑块特征矩阵导入到所述斑块比对函数,得到斑块优化目标值和斑块跟踪目标值;
S46、基于所述斑块优化目标值和所述斑块跟踪目标值,采用所述反向传播算法调整所述初始人体着装特征矩阵提取网络的斑块参数,直至所述斑块跟踪目标值等于所述斑块优化目标值;
请参见图5,图5示出了本发明实施例中计算斑块优化目标值和斑块跟踪目标值的流程示意图。其中,着装斑块特征矩阵包括负斑块数组、正斑块数组和补斑块数组。
在本实施例中,标准着装斑块特征矩阵送到第1乘法器320的第1输入端、还送到第2乘法器321的第1输入端、还送到第3乘法器322的第1输入端。
负斑块数组送到第1乘法器320的第2输入端,与标准着装斑块特征矩阵进行乘法运算,运算结果送到第1除法器323的第1输入端;正斑块数组送到第2乘法器321的第2输入端,与标准着装斑块特征矩阵进行乘法运算,运算结果送到第2除法器324的第1输入端;补斑块数组送到第3乘法器322的第2输入端,与标准着装斑块特征矩阵进行乘法运算,运算结果送到第3除法器326的第1输入端;由第1设定模块325给出的综合调整系数K送到第1除法器323的第2输入端、还送到第2除法器324的第2输入端、还送到第3除法器326的第2输入端。第1除法器323计算出的数值送到第1指数计算模块327的输入端,完成对323模块除出来的数进行指数运算;第2除法器324计算出的数值送到第2指数计算模块328的输入端,完成对324模块除出来的数进行指数运算;第3除法器326计算出的数值送到第3指数计算模块329的输入端,完成对326模块除出来的数进行指数运算。第1指数计算模块327的输出送到第1累加计算模块3210的输入端,进行负斑块运算数据的累加计算;第3指数计算模块329的输出送到第2累加计算模块3211的输入端,进行补斑块运算数据的累加计算;第1累加计算模块3210的输出送到第1加法模块3211的第1输入端,第2指数计算模块328的输出送到第1加法模块3213的第2输入端,实现负斑块累加运算数据叠加上正斑块运算数据,形成了负斑块综合计算数值;第2累加计算模块3213的输出还送到第2加法模块3212的第1输入端,第2指数计算模块328的输出送到第2加法模块3212的第2输入端,实现补斑块累加运算数据叠加上正斑块运算数据,形成了补斑块综合计算数值。第2指数计算模块328的输出还送到第4除法器模块3214的第1输入端,第1加法模块3211的输出送到第4除法器模块3214的第2输入端,这样完成了正斑块运算数据除以负斑块综合计算数值;第2指数计算模块328的输出还送到第5除法器模块3215的第1输入端,第2加法模块3212的输出送到第5除法器模块3215的第2输入端,这样完成了正斑块运算数据除以补斑块综合计算数值。第4除法器模块3214的输出送到第1自然对数模块3216,对以上计算出的综合数值进行对数运算;第5除法器模块3215的输出送到第2自然对数模块3217,对以上计算出的综合数值进行对数运算。第2设定模块3218给出的调整系数a送到第4乘法器3219的第1输入端,第1自然对数模块3216的输出送到第4乘法器3219的第2输入端,两者相乘的输出值送到斑块比对函数计算的第1输出端,得到斑块优化目标值。
第3设定模块3221给出的调整系数b送到第5乘法器3220的第1输入端,第2自然对数模块3217的输出送到第5乘法器3220的第2输入端,两者相乘的输出值送到斑块比对函数计算的第2输出端,得到斑块跟踪目标值。
最后,将斑块优化目标值和斑块跟踪目标值代入到反向传播算法调整初始人体着装特征矩阵提取网络的斑块参数,计算初始人体着装特征矩阵提取网络的输出并持续计算斑块跟踪目标值,直至斑块跟踪目标值等于斑块优化目标值,完成斑块参数调整。
S47、当所述跟踪目标值等于所述优化目标值,且所述斑块跟踪目标值等于所述斑块优化目标值时,生成目标人体着装特征矩阵提取网络。
步骤206,基于所述人体着装特征矩阵是否满足预设条件的判断结果,确定所述待识别人体图像对应的人员着装是否规范。
可选地,所述预设条件包括多个子条件,步骤206可以包括以下子步骤:
若所述人体着装特征矩阵满足任一个所述子条件,则确定所述待识别人体图像对应的人员着装不符合规范;
若所述人体着装特征矩阵不满足全部所述子条件,则确定所述待识别人体图像对应的人员着装符合规范。
在本发明实施例中,多个子条件可以包括但不限于没穿短衣,长袖衣不是工作服,衣服敞开,衣服有破损;安全帽佩戴不符合规范要求和安全帽有破损等,当所述人体着装特征矩阵满足以上任一个子条件时,确定待识别人体图像对应的人员着装不符合规范;反之,若是全部子条件都不符合,则确定所述待识别人体图像对应的人员着装符合规范。
可选地,当待识别人体图像对应的人员着装不符合规范时,可以输出警报以告知监控人员进行进一步处理。
本发明实施例通过接收待识别人体图像,对待识别人体图像进行图像预处理,生成待识别图像矩阵,再采用目标人体着装特征矩阵提取网络提取待识别图像矩阵对应的人体着装特征矩阵,最后基于人体着装特征矩阵是否满足预设条件,确定待识别人体图像对应的人员着装是否规范。从而解决现有的目标识别方法在复杂环境中识别率与准确率较低,难以准确识别人员穿着是否合规,可能会导致安全隐患的技术问题,有效提高在复杂环境中对人员穿着识别的准确性,降低安全隐患的发生。
请参阅图6,图6为本发明实施例提供的一种电力作业监管平台的结构示意图。
其中包括物理资源层601、调度管理层602、训练环境层603、业务应用层604,确保智能识别算法可正常稳定运行,并移植到边缘侧终端上,为用户提供模型训练、预测、评估和部署的全生命周期管理功能。
物理资源层601包括异构的计算硬件(CPU、GPU)、存储、网络设备、安全防护设备。
调度管理层602基于Kubernetes和docker开发,包含集群管理、资源虚拟化和任务调度等。
训练环境层603是以docker的形式提供的服务,包括主流学习框架TensorFlow、PyTorch、Caffe、scikit-learn、XGBoost等机器学习/深度学习环境,同时集成JupyterHub等交互式代码调试笔记本和MPI并行编程接口。***运行环境和学习环境通过docker仓库进行版本的迭代管理。
业务应用层604包括数据处理、数据标注、模型训练、模型发布。
模型训练模块基于各个机器学习、深度学习训练环境,通过预先编写好的训练脚本,配置好参数后挂起训练。整个训练流程由后台搭建的管道(pipeline)自动完成,围绕数据处理、数据标注、训练、模型管理流程展开模型生产。模型训练通过docker预置TensorFlow、PyTorch、Caffe、scikit-learn、XGBoost等学习环境。利用任务调度***,用户可以向集群提交学习任务代码,任务管理***将根据用户的配额为用户分配资源,创建用户指定的环境,并将学习任务加入任务队列,待资源空闲时,运行学习程序。用户可一键提交代码,生成分布式任务,极大减少开发成本和资源占用。
请参阅图7,图7为本发明实施例提供的一种电力作业着装规范识别方法的步骤流程图。
本发明提供的一种电力作业着装规范识别装置,包括:
待识别人体图像接收模块701,用于接收待识别人体图像;
待识别图像矩阵生成模块702,用于对所述待识别人体图像进行图像预处理,生成待识别图像矩阵;
人体着装特征矩阵输出模块703,用于将所述待识别图像矩阵输入到目标人体着装特征矩阵提取网络,输出所述待识别图像矩阵对应的人体着装特征矩阵;其中,所述目标人体着装特征矩阵提取网络通过预置的模型训练模块704所生成;
人员着装规范判断模块705,用于基于所述人体着装特征矩阵是否满足预设条件的判断结果,确定所述待识别人体图像对应的人员着装是否规范。
可选地,所述待识别图像矩阵生成模块702包括:
图像转换子模块,用于将所述待识别人体图像转换为第一图像矩阵;
第一图像处理子模块,用于按照预设要求对所述第一图像矩阵执行图像矫正操作和图像增强操作,得到第二图像矩阵;
第二图像处理子模块,用于对所述第二图像矩阵执行图像标准化操作和图像归一化操作,生成待识别图像矩阵。
可选地,所述模型训练模块704包括:
历史人体图像获取子模块,用于分别获取多种历史电力作业场景中的人体图像;
标准化图像矩阵生成子模块,用于对所述人体图像进行图像预处理,生成标准化图像矩阵;
着装特征矩阵生成子模块,用于将所述标准化图像矩阵输入到预设的初始人体着装特征矩阵提取网络,得到着装特征矩阵;
训练子模块,用于采用预设双核优化算法结合所述着装特征矩阵,对所述初始人体着装特征矩阵提取网络进行训练,生成目标人体着装特征矩阵提取网络。
可选地,所述预设双核优化算法包括整体比对函数和斑块比对函数,所述着装特征矩阵包括整体着装特征矩阵和着装斑块特征矩阵,所述训练子模块包括:
标准整体着装特征矩阵获取子模块,用于获取标准整体着装特征矩阵;
整体比对函数处理子模块,用于将所述标准整体着装特征矩阵和所述整体着装特征矩阵导入到所述整体比对函数,得到优化目标值和跟踪目标值;
整体参数调整子模块,用于基于所述优化目标值和所述跟踪目标值,采用反向传播算法调整所述初始人体着装特征矩阵提取网络的整体参数,直至所述跟踪目标值等于所述优化目标值。
标准着装斑块特征矩阵获取子模块,用于获取标准着装斑块特征矩阵;
斑块比对函数处理子模块,用于将所述着装斑块特征矩阵和所述标准着装斑块特征矩阵导入到所述斑块比对函数,得到斑块优化目标值和斑块跟踪目标值;
斑块参数调整子模块,用于基于所述斑块优化目标值和所述斑块跟踪目标值,采用所述反向传播算法调整所述初始人体着装特征矩阵提取网络的斑块参数,直至所述斑块跟踪目标值等于所述斑块优化目标值;
目标人体着装特征矩阵提取网络生成子模块,用于当所述跟踪目标值等于所述优化目标值,且所述斑块跟踪目标值等于所述斑块优化目标值时,生成目标人体着装特征矩阵提取网络。
可选地,所述预设条件包括多个子条件,所述人员着装规范判断模块705包括:
不符合规范判定子模块,用于若所述人体着装特征矩阵满足任一个所述子条件,则确定所述待识别人体图像对应的人员着装不符合规范;
符合规范判定子模块,用于若所述人体着装特征矩阵不满足全部所述子条件,则确定所述待识别人体图像对应的人员着装符合规范。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种电力作业着装规范识别方法,其特征在于,包括:
接收待识别人体图像;
对所述待识别人体图像进行图像预处理,生成待识别图像矩阵;
将所述待识别图像矩阵输入到目标人体着装特征矩阵提取网络,输出所述待识别图像矩阵对应的人体着装特征矩阵;其中,所述目标人体着装特征矩阵提取网络通过预置的模型训练过程所生成;
基于所述人体着装特征矩阵是否满足预设条件的判断结果,确定所述待识别人体图像对应的人员着装是否规范;
所述模型训练过程包括:
分别获取多种历史电力作业场景中的人体图像;
对所述人体图像进行图像预处理,生成标准化图像矩阵;
将所述标准化图像矩阵输入到预设的初始人体着装特征矩阵提取网络,得到着装特征矩阵;
采用预设双核优化算法结合所述着装特征矩阵,对所述初始人体着装特征矩阵提取网络进行训练,生成目标人体着装特征矩阵提取网络;
所述预设双核优化算法包括整体比对函数和斑块比对函数,所述着装特征矩阵包括整体着装特征矩阵和着装斑块特征矩阵,所述着装斑块特征矩阵包括负斑块数组、正斑块数组和补斑块数组,所述采用预设双核优化模型结合所述着装特征矩阵,对所述初始人体着装特征矩阵提取网络进行训练,生成目标人体着装特征矩阵提取网络的步骤,包括:
获取标准整体着装特征矩阵;
将所述标准整体着装特征矩阵和所述整体着装特征矩阵导入到所述整体比对函数,得到优化目标值和跟踪目标值;
基于所述优化目标值和所述跟踪目标值,采用反向传播算法调整所述初始人体着装特征矩阵提取网络的整体参数,直至所述跟踪目标值等于所述优化目标值;
其中,所述整体比对函数包括第1加法器模块、第1除法器模块、第2除法器模块、第1自然对数模块、第2自然对数模块,所述将所述标准整体着装特征矩阵和所述整体着装特征矩阵导入到所述整体比对函数,得到优化目标值和跟踪目标值的步骤,包括:
将所述标准整体着装特征矩阵和所述整体着装特征矩阵导入到所述第1加法器模块;
将所述整体着装特征矩阵导入到所述第1除法器模块,结合所述第1加法器模块的输出后,输入到所述第1自然对数模块,得到优化目标值;
将所述标准整体着装特征矩阵导入到所述第2除法器模块,结合所述第1加法器模块的输出后,输入所述第2自然对数模块,得到跟踪目标值;
获取标准着装斑块特征矩阵;
将所述着装斑块特征矩阵和所述标准着装斑块特征矩阵导入到所述斑块比对函数,得到斑块优化目标值和斑块跟踪目标值;
基于所述斑块优化目标值和所述斑块跟踪目标值,采用所述反向传播算法调整所述初始人体着装特征矩阵提取网络的斑块参数,直至所述斑块跟踪目标值等于所述斑块优化目标值;
当所述跟踪目标值等于所述优化目标值,且所述斑块跟踪目标值等于所述斑块优化目标值时,生成目标人体着装特征矩阵提取网络;
其中,所述斑块比对函数包括第1乘法器、第1除法器、第2乘法器、第2除法器、第3乘法器、第1设定模块、第3除法器、第1指数计算模块、第2指数计算模块、第3指数计算模块、第1累加计算模块、第2累加计算模块、第1加法模块、第2加法模块、第4除法器、第5除法器、第2设定模块、第3设定模块、第4乘法器、第5乘法器、第1自然对数模块和第2自然对数模块,所述将所述着装斑块特征矩阵和所述标准着装斑块特征矩阵导入到所述斑块比对函数,得到斑块优化目标值和斑块跟踪目标值的步骤,包括:
分别将所述负斑块数组、所述正斑块数组和所述补斑块数组输入至所述第1乘法器、所述第2乘法器和所述第3乘法器与所述标准着装斑块特征矩阵相乘;
将所述第1乘法器、所述第2乘法器和所述第3乘法器的输出一一导入到所述第1除法器、所述第2除法器和所述第3除法器,分别与所述第1设定模块输出的综合调整系数相除;
将所述第1除法器、所述第2除法器和所述第3除法器的输出一一导入到所述第1指数计算模块、所述第2指数计算模块和所述第3指数计算模块进行指数计算;
将所述第1指数计算模块的输出导入至所述第1累加计算模块进行累加,并将累加结果输入至所述第1加法模块与所述第2指数计算模块的输出进行相加;
将所述第3指数计算模块的输出导入至所述第2累加计算模块进行累加,并将累加结果输入至所述第2加法模块与所述第2指数计算模块的输出进行相加;
将所述第1加法模块的输出与所述第2指数计算模块的输出进行相除,并将相除结果输入至所述第1自然对数模块进行对数运算,将对数运算结果与所述第2设定模块输出的调整系数a在所述第4乘法器内相乘,得到斑块优化目标值;
将所述第2加法模块的输出与所述第2指数计算模块的输出进行相除,并将相除结果输入至所述第2自然对数模块进行对数运算,将对数运算结果与所述第3设定模块输出的调整系数b在所述第5乘法器内相乘,得到斑块跟踪目标值。
2.根据权利要求1所述的电力作业着装规范识别方法,其特征在于,所述对所述待识别人体图像进行图像预处理,生成待识别图像矩阵的步骤,包括:
将所述待识别人体图像转换为第一图像矩阵;
按照预设要求对所述第一图像矩阵执行图像矫正操作和图像增强操作,得到第二图像矩阵;
对所述第二图像矩阵执行图像标准化操作和图像归一化操作,生成待识别图像矩阵。
3.根据权利要求1所述的电力作业着装规范识别方法,其特征在于,所述预设条件包括多个子条件,所述基于所述人体着装特征矩阵是否满足预设条件的判断结果,确定所述待识别人体图像对应的人员着装是否规范的步骤,包括:
若所述人体着装特征矩阵满足任一个所述子条件,则确定所述待识别人体图像对应的人员着装不符合规范;
若所述人体着装特征矩阵不满足全部所述子条件,则确定所述待识别人体图像对应的人员着装符合规范。
4.一种电力作业着装规范识别装置,其特征在于,包括:
待识别人体图像接收模块,用于接收待识别人体图像;
待识别图像矩阵生成模块,用于对所述待识别人体图像进行图像预处理,生成待识别图像矩阵;
人体着装特征矩阵输出模块,用于将所述待识别图像矩阵输入到目标人体着装特征矩阵提取网络,输出所述待识别图像矩阵对应的人体着装特征矩阵;其中,所述目标人体着装特征矩阵提取网络通过预置的模型训练模块所生成;
人员着装规范判断模块,用于基于所述人体着装特征矩阵是否满足预设条件的判断结果,确定所述待识别人体图像对应的人员着装是否规范;
所述模型训练模块包括:
历史人体图像获取子模块,用于分别获取多种历史电力作业场景中的人体图像;
标准化图像矩阵生成子模块,用于对所述人体图像进行图像预处理,生成标准化图像矩阵;
着装特征矩阵生成子模块,用于将所述标准化图像矩阵输入到预设的初始人体着装特征矩阵提取网络,得到着装特征矩阵;
训练子模块,用于采用预设双核优化算法结合所述着装特征矩阵,对所述初始人体着装特征矩阵提取网络进行训练,生成目标人体着装特征矩阵提取网络;
所述预设双核优化算法包括整体比对函数和斑块比对函数,所述着装特征矩阵包括整体着装特征矩阵和着装斑块特征矩阵,所述着装斑块特征矩阵包括负斑块数组、正斑块数组和补斑块数组,所述训练子模块包括:
标准整体着装特征矩阵获取子模块,用于获取标准整体着装特征矩阵;所述整体比对函数包括第1加法器模块、第1除法器模块、第2除法器模块、第1自然对数模块、第2自然对数模块;
整体比对函数处理子模块,用于将所述标准整体着装特征矩阵和所述整体着装特征矩阵导入到所述整体比对函数,得到优化目标值和跟踪目标值;
整体参数调整子模块,用于基于所述优化目标值和所述跟踪目标值,采用反向传播算法调整所述初始人体着装特征矩阵提取网络的整体参数,直至所述跟踪目标值等于所述优化目标值;
其中,所述整体比对函数包括第1加法器模块、第1除法器模块、第2除法器模块、第1自然对数模块、第2自然对数模块,所述整体比对函数处理子模块具体用于:
将所述标准整体着装特征矩阵和所述整体着装特征矩阵导入到所述第1加法器模块;
将所述整体着装特征矩阵导入到所述第1除法器模块,结合所述第1加法器模块的输出后,输入到所述第1自然对数模块,得到优化目标值;
将所述标准整体着装特征矩阵导入到所述第2除法器模块,结合所述第1加法器模块的输出后,输入所述第2自然对数模块,得到跟踪目标值;
标准着装斑块特征矩阵获取子模块,用于获取标准着装斑块特征矩阵;
斑块比对函数处理子模块,用于将所述着装斑块特征矩阵和所述标准着装斑块特征矩阵导入到所述斑块比对函数,得到斑块优化目标值和斑块跟踪目标值;
斑块参数调整子模块,用于基于所述斑块优化目标值和所述斑块跟踪目标值,采用所述反向传播算法调整所述初始人体着装特征矩阵提取网络的斑块参数,直至所述斑块跟踪目标值等于所述斑块优化目标值;
目标人体着装特征矩阵提取网络生成子模块,用于当所述跟踪目标值等于所述优化目标值,且所述斑块跟踪目标值等于所述斑块优化目标值时,生成目标人体着装特征矩阵提取网络;
其中,所述斑块比对函数包括第1乘法器、第1除法器、第2乘法器、第2除法器、第3乘法器、第1设定模块、第3除法器、第1指数计算模块、第2指数计算模块、第3指数计算模块、第1累加计算模块、第2累加计算模块、第1加法模块、第2加法模块、第4除法器、第5除法器、第2设定模块、第3设定模块、第4乘法器、第5乘法器、第1自然对数模块和第2自然对数模块,所述斑块比对函数处理子模块具体用于:
分别将所述负斑块数组、所述正斑块数组和所述补斑块数组输入至所述第1乘法器、所述第2乘法器和所述第3乘法器与所述标准着装斑块特征矩阵相乘;
将所述第1乘法器、所述第2乘法器和所述第3乘法器的输出一一导入到所述第1除法器、所述第2除法器和所述第3除法器,分别与所述第1设定模块输出的综合调整系数相除;
将所述第1除法器、所述第2除法器和所述第3除法器的输出一一导入到所述第1指数计算模块、所述第2指数计算模块和所述第3指数计算模块进行指数计算;
将所述第1指数计算模块的输出导入至所述第1累加计算模块进行累加,并将累加结果输入至所述第1加法模块与所述第2指数计算模块的输出进行相加;
将所述第3指数计算模块的输出导入至所述第2累加计算模块进行累加,并将累加结果输入至所述第2加法模块与所述第2指数计算模块的输出进行相加;
将所述第1加法模块的输出与所述第2指数计算模块的输出进行相除,并将相除结果输入至所述第1自然对数模块进行对数运算,将对数运算结果与所述第2设定模块输出的调整系数a在所述第4乘法器内相乘,得到斑块优化目标值;
将所述第2加法模块的输出与所述第2指数计算模块的输出进行相除,并将相除结果输入至所述第2自然对数模块进行对数运算,将对数运算结果与所述第3设定模块输出的调整系数b在所述第5乘法器内相乘,得到斑块跟踪目标值。
5.根据权利要求4所述的电力作业着装规范识别装置,其特征在于,所述待识别图像矩阵生成模块包括:
图像转换子模块,用于将所述待识别人体图像转换为第一图像矩阵;
第一图像处理子模块,用于按照预设要求对所述第一图像矩阵执行图像矫正操作和图像增强操作,得到第二图像矩阵;
第二图像处理子模块,用于对所述第二图像矩阵执行图像标准化操作和图像归一化操作,生成待识别图像矩阵。
6.根据权利要求4所述的电力作业着装规范识别装置,其特征在于,所述预设条件包括多个子条件,所述人员着装规范判断模块包括:
不符合规范判定子模块,用于若所述人体着装特征矩阵满足任一个所述子条件,则确定所述待识别人体图像对应的人员着装不符合规范;
符合规范判定子模块,用于若所述人体着装特征矩阵不满足全部所述子条件,则确定所述待识别人体图像对应的人员着装符合规范。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011452940.6A CN112528855B (zh) | 2020-12-11 | 2020-12-11 | 一种电力作业着装规范识别方法和装置 |
PCT/CN2021/136040 WO2022121886A1 (zh) | 2020-12-11 | 2021-12-07 | 一种电力作业着装规范识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011452940.6A CN112528855B (zh) | 2020-12-11 | 2020-12-11 | 一种电力作业着装规范识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528855A CN112528855A (zh) | 2021-03-19 |
CN112528855B true CN112528855B (zh) | 2021-09-03 |
Family
ID=74998838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011452940.6A Active CN112528855B (zh) | 2020-12-11 | 2020-12-11 | 一种电力作业着装规范识别方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112528855B (zh) |
WO (1) | WO2022121886A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528855B (zh) * | 2020-12-11 | 2021-09-03 | 南方电网电力科技股份有限公司 | 一种电力作业着装规范识别方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180008246A (ko) * | 2016-07-14 | 2018-01-24 | 카페24 주식회사 | 드레스 코드 평가 방법, 장치 및 시스템, 드레스 코드 추천 방법 및 시스템 |
CN109034044A (zh) * | 2018-06-14 | 2018-12-18 | 天津师范大学 | 一种基于融合卷积神经网络的行人再识别方法 |
CN110222598A (zh) * | 2019-05-21 | 2019-09-10 | 平安科技(深圳)有限公司 | 一种视频行为识别方法、装置、存储介质和服务器 |
CN110956077A (zh) * | 2019-10-08 | 2020-04-03 | 福建和盛高科技产业有限公司 | 基于配电站房防误操作及作业安全的方法 |
CN111310592A (zh) * | 2020-01-20 | 2020-06-19 | 杭州视在科技有限公司 | 一种基于场景分析和深度学习的检测方法 |
CN111325806A (zh) * | 2020-02-18 | 2020-06-23 | 苏州科达科技股份有限公司 | 基于语义分割的服装颜色识别方法、装置和*** |
CN111401314A (zh) * | 2020-04-10 | 2020-07-10 | 上海东普信息科技有限公司 | 着装信息检测方法、装置、设备及存储介质 |
CN112001404A (zh) * | 2020-08-25 | 2020-11-27 | 华中农业大学 | 自适应全局和局部双层优化的图像生成模型和生成方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052900A (zh) * | 2017-12-12 | 2018-05-18 | 成都睿码科技有限责任公司 | 一种通过监控视频自动判断着装规范的方法 |
CN109635697A (zh) * | 2018-12-04 | 2019-04-16 | 国网浙江省电力有限公司电力科学研究院 | 基于YOLOv3目标检测的电力作业人员安全着装检测方法 |
CN110287804A (zh) * | 2019-05-30 | 2019-09-27 | 广东电网有限责任公司 | 一种基于移动视频监控的电力作业人员着装识别方法 |
CN110826610A (zh) * | 2019-10-29 | 2020-02-21 | 上海眼控科技股份有限公司 | 一种用于智能检测人员着装是否规范的方法与*** |
CN112528855B (zh) * | 2020-12-11 | 2021-09-03 | 南方电网电力科技股份有限公司 | 一种电力作业着装规范识别方法和装置 |
-
2020
- 2020-12-11 CN CN202011452940.6A patent/CN112528855B/zh active Active
-
2021
- 2021-12-07 WO PCT/CN2021/136040 patent/WO2022121886A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180008246A (ko) * | 2016-07-14 | 2018-01-24 | 카페24 주식회사 | 드레스 코드 평가 방법, 장치 및 시스템, 드레스 코드 추천 방법 및 시스템 |
CN109034044A (zh) * | 2018-06-14 | 2018-12-18 | 天津师范大学 | 一种基于融合卷积神经网络的行人再识别方法 |
CN110222598A (zh) * | 2019-05-21 | 2019-09-10 | 平安科技(深圳)有限公司 | 一种视频行为识别方法、装置、存储介质和服务器 |
CN110956077A (zh) * | 2019-10-08 | 2020-04-03 | 福建和盛高科技产业有限公司 | 基于配电站房防误操作及作业安全的方法 |
CN111310592A (zh) * | 2020-01-20 | 2020-06-19 | 杭州视在科技有限公司 | 一种基于场景分析和深度学习的检测方法 |
CN111325806A (zh) * | 2020-02-18 | 2020-06-23 | 苏州科达科技股份有限公司 | 基于语义分割的服装颜色识别方法、装置和*** |
CN111401314A (zh) * | 2020-04-10 | 2020-07-10 | 上海东普信息科技有限公司 | 着装信息检测方法、装置、设备及存储介质 |
CN112001404A (zh) * | 2020-08-25 | 2020-11-27 | 华中农业大学 | 自适应全局和局部双层优化的图像生成模型和生成方法 |
Non-Patent Citations (3)
Title |
---|
DeepFashion: Powering Robust Clothes Recognition and Retrieval with Rich Annotations;Ziwei Liu 等;《2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;20161212;第1096-1104页 * |
基于CNN的安全智能监测识别算法;卫潮冰;《电子设计工程》;20200229;第28卷(第4期);第64-68页 * |
对面部表情不敏感的三维人脸识别研究;王大为;《中国优秀硕士学位论文全文数据库信息科技辑》;20141215(第12期);第I138-344页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022121886A1 (zh) | 2022-06-16 |
CN112528855A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070033B (zh) | 一种电力领域危险工作区域内安全帽佩戴状态检测方法 | |
Seo et al. | Automated postural ergonomic risk assessment using vision-based posture classification | |
CN111539276B (zh) | 一种在电力场景下安全帽实时检测的方法 | |
CN114937232B (zh) | 医废处理人员防护用具穿戴检测方法、***和设备 | |
CN109325456A (zh) | 目标识别方法、装置、目标识别设备及存储介质 | |
CN112307886A (zh) | 行人重识别方法和装置 | |
CN113313186B (zh) | 一种不规范穿戴工作服识别方法及*** | |
CN111797773A (zh) | 一种人脸关键部位遮挡检测方法、装置和设备 | |
CN111931652A (zh) | 着装检测方法、装置和监测终端 | |
CN112528855B (zh) | 一种电力作业着装规范识别方法和装置 | |
CN111553327A (zh) | 一种服饰识别方法、装置、设备和介质 | |
CN117333929B (zh) | 基于深度学习实现道路施工下的异常人员识别方法及*** | |
CN112560880A (zh) | 目标分类方法、目标分类装置及计算机可读存储介质 | |
CN113435353A (zh) | 基于多模态的活体检测方法、装置、电子设备及存储介质 | |
CN113536842A (zh) | 电力作业人员安全着装识别方法及装置 | |
CN114550201A (zh) | 服装规范化检测方法及装置 | |
CN116311499A (zh) | 一种安全设备穿戴检测方法及装置 | |
CN112464897B (zh) | 一种电力作业人员甄别方法和装置 | |
CN114758286A (zh) | 基于工作票事件的边缘智能安全监测方法和装置 | |
CN112822393B (zh) | 图像处理方法、装置及电子设备 | |
CN112395999A (zh) | 基于图像识别的穿戴规范判定方法及相关设备 | |
CN113762221A (zh) | 人体检测方法及装置 | |
CN112949606A (zh) | 工服穿戴状态检测方法、装置、存储介质及电子装置 | |
CN111639641B (zh) | 一种针对未着装于人体的服装区域获取方法及装置 | |
CN115147526B (zh) | 服饰生成模型的训练、生成服饰图像的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |