CN114998830A - 一种变电站人员安全帽佩戴检测方法及*** - Google Patents
一种变电站人员安全帽佩戴检测方法及*** Download PDFInfo
- Publication number
- CN114998830A CN114998830A CN202210551125.8A CN202210551125A CN114998830A CN 114998830 A CN114998830 A CN 114998830A CN 202210551125 A CN202210551125 A CN 202210551125A CN 114998830 A CN114998830 A CN 114998830A
- Authority
- CN
- China
- Prior art keywords
- monitoring image
- detection result
- safety helmet
- model
- preprocessed
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像识别检测领域,提供了一种变电站人员安全帽佩戴检测方法及***,包括获取视频监控设备采集的原始监控图像并进行预处理;基于预处理后的监控图像和原始监控图像,利用预先训练好的安全帽佩戴检测模型进行检测,得到预处理后的监控图像检测结果和原始监控图像检测结果;将预处理后的监控图像检测结果和原始监控图像检测结果融合,生成最终的检测结果;本发明改进的YOLOv5系列模型,在现有YOLOv5模型基础上增加一种新的注意力模块CAM注意力模块可以将特征空间中的位置信息整合到通道注意中,使模型可以感知更大的区域,有效提升模型对于小目标、遮挡识别的准确率。
Description
技术领域
本发明属于图像识别检测技术领域,具体涉及一种变电站人员安全帽佩戴检测方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
各行业对施工人员安全作业提出很高的要求。佩戴安全帽可以减少危险事故对施工人员的伤害程度,有效降低对生命、财产的威胁。然而,通过人眼利用监控***或者现场检查施工作业人员安全帽佩戴情况的方式难以保证施工人员时刻佩戴安全帽,还会花费大量的时间和人力成本,且在实际推行时难以达到预期的效果,不符合现代施工安全管理的要求。
变电站监控是保证变电站安全运行的重要手段,对施工巡检人员是否佩戴安全帽的监测是变电站智能监控***的关键组成部分。
传统目标检测技术通常采用人工选择特征,并根据特定的检测对象设计和训练分类器。该方法主观性强,设计过程复杂,通用性差,在工程应用中有很大的局限性。
近年来,基于深度学习的目标检测方法广泛应用于智能监控***。基于深度学习的目标检测方式主要有两种,two-stage和one-stage。前者是基于候选区域的R-CNN系列目标检测算法,需要先生成候选区域,然后对候选区域进行分类和回归操作;后者是YOLO和SSD算法,这一系列算法只是用一个CNN网络直接预测不同目标的类别和位置。与two-stage系列算法相比,one-stage系列可以实现实时检测,但精度较低。
发明内容
为了解决上述问题,本发明提出了一种变电站人员安全帽佩戴检测方法及***,本发明改进的YOLOv5系列模型,在现有YOLOv5模型基础上增加一种新的注意力模块CAM注意力模块可以将特征空间中的位置信息整合到通道注意中,使模型可以感知更大的区域,有效提升模型对于小目标、遮挡识别的准确率。
根据一些实施例,本发明的第一方案提供了一种变电站人员安全帽佩戴检测方法,采用如下技术方案:
一种变电站人员安全帽佩戴检测方法,包括:
获取视频监控设备采集的原始监控图像并进行预处理;
基于预处理后的监控图像和原始监控图像,利用预先训练好的安全帽佩戴检测模型进行检测,得到预处理后的监控图像检测结果和原始监控图像检测结果;
将预处理后的监控图像检测结果和原始监控图像检测结果融合,生成最终的检测结果;
其中,所述安全帽检测模型采用YOLOv5网络模型,所述YOLOv5网络模型中的主干网络、颈部网络以及头部网络分别集成多个注意力模块,所述注意力模块将特征空间中的位置信息整合到通道注意中,增加所述YOLOv5网络模型的感知区域。
进一步地,所述获取视频监控设备采集的原始监控图像并进行预处理,包括:
获取视频监控设备采集的原始监控图像;
将原始监控图像切分为包含重叠区域的块,得到预处理后的监控图像。
进一步地,所述注意力模块进行图像处理的过程,包括:
通过平均池化对输入特征向量进行宽、高单向维度的编码,得到宽度方向的输入特征向量和高度方向的输入特征向量;
将宽度方向的输入特征向量和高度方向的输入特征向量进行融合;
对融合后的特征向量卷积降维,获得包含垂直方向和水平方向空间相关信息的特征图;
将包含垂直方向和水平方向空间相关信息的特征图变换为两个独立特征向量;
使用两个深度可分离卷积分别对两个独立特征向量进行变换,得到两个变换后的独立特征向量,获取两个独立特征向量的注意力权重;
将两个独立特征向量的注意力权重作用于输入特征向量,得到整个注意力模块的输出特征向量。
进一步地,将两个独立特征向量的注意力权重作用于输入特征向量,得到整个注意力模块的输出特征向量,具体为:
其中,gh和gw是两个独立特征向量,xc(i,j)是输入特征向量,yc(i,j)是输出特征向量;i,j是特征向量的坐标索引,c表示通道索引。
进一步地,训练安全帽佩戴检测模型的过程,包括:
获取视频监控设备采集的原始监控图像;
对原始监控图像使用labelme进行标注,得到标注监控图像;
对原始监控图像以及标注监控图像进行切分,得到预处理后的监控图像以及预处理后的标注监控图像;
将预处理后的监控图像进行缩放;
采用Mosaic、随机缩放、随机裁剪以及透视变换对缩放后的监控图像进行数据增强;
利用数据增强后的监控图像以及预处理后的标注监控图像,输入到安全帽佩戴检测模型中;
根据历史梯度的震荡情况和过滤震荡后的真实历史梯度对安全帽佩戴检测模型参数进行更新,损失函数逐渐趋于0,模型收敛,获得训练好的安全帽佩戴检测模型。
进一步地,对于标注监控图像,采用Kmeans++聚类算法得到9个锚框(anchor),并从小到大依次排列将其均匀分布于3个尺度的特征图上。
进一步地,所述将预处理后的监控图像检测结果和原始监控图像检测结果融合,生成最终的检测结果,具体为:
将预处理后的监控图像的检测结果与监控图像的检测结果进行融合,生成最终的检测结果;
如果两者的目标框之间的交集大于设定阈值,则删除得分较低的检测结果。
根据一些实施例,本发明的第二方案提供了一种变电站人员安全帽佩戴检测***,采用如下技术方案:
一种变电站人员安全帽佩戴检测***,包括:
图像采集模块,被配置为获取视频监控设备采集的原始监控图像并进行预处理;
图像检测模块,被配置为基于预处理后的监控图像和原始监控图像,利用预先训练好的安全帽佩戴检测模型进行检测,得到预处理后的监控图像检测结果和原始监控图像检测结果;
检测结果融合模块,被配置为将预处理后的监控图像检测结果和原始监控图像检测结果融合,生成最终的检测结果;
其中,所述安全帽检测模型采用YOLOv5网络模型,所述YOLOv5网络模型中的主干网络、颈部网络以及头部网络分别集成多个注意力模块,所述注意力模块将特征空间中的位置信息整合到通道注意中,增加所述YOLOv5网络模型的感知区域。
根据一些实施例,本发明的第三方案提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的一种变电站人员安全帽佩戴检测中的步骤。
根据一些实施例,本发明的第四方案提供了一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的一种变电站人员安全帽佩戴检测方法中的步骤。
与现有技术相比,本发明的有益效果为:
本发明改进的YOLOv5系列模型,在现有YOLOv5模型基础上增加一种新的注意力模块CAM注意力模块可以将特征空间中的位置信息整合到通道注意中,使模型可以感知更大的区域,有效提升模型对于小目标、遮挡识别的准确率。
本发明所述图像预处理方法,可广泛用于轻量级模型训练、推理框架中,有效提升模型对于小目标检出的精度。
本发明所述的改进的YOLOv5模型,可有效提升模型对于小目标、遮挡情况的识别准确率。结合所述图像预处理方法,应用于变电站安全帽佩戴检测的实际需求漏检率为3.47%,误检率为5.38%,精度为97.21%,满足变电站对安全帽佩戴检测的实际需求。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例所述一种变电站人员安全帽佩戴检测方法的流程图;
图2是本发明实施例所述的预处理流程图;
图3是本发明实施例所述的检测结果融合图;
图4是本发明实施例所述的检测结果融合示意图;
图5是本发明实施例所述注意力模块网络结构图;
图6是本发明实施例所述的YOLOv5模型中主干网络添加CAM模块的结构图;
图7是本发明实施例所述的YOLOv5模型中颈部网络添加CAM模块的结构图;
图8是本发明实施例所述的YOLOv5模型中头部网络添加CAM模块的结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1所示,本实施例提供了一种变电站人员安全帽佩戴检测方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和***,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。本实施例中,该方法包括以下步骤:
获取视频监控设备采集的原始监控图像并进行预处理;
基于预处理后的监控图像和原始监控图像,利用预先训练好的安全帽佩戴检测模型进行检测,得到预处理后的监控图像检测结果和原始监控图像检测结果;
将预处理后的监控图像检测结果和原始监控图像检测结果融合,生成最终的检测结果;
其中,所述安全帽检测模型采用YOLOv5网络模型,所述YOLOv5网络模型中的主干网络、颈部网络以及头部网络分别集成多个注意力模块,所述注意力模块将特征空间中的位置信息整合到通道注意中,增加所述YOLOv5网络模型的感知区域。
具体地,本实施例所述的方法,包括以下步骤:
1.待检测安全帽佩戴人员的场景图像来源于架设在变电站内的视频监控设备,获取监控设备实时采集的视频信息至分析服务器中,对采集得到的视频流截取获得监控图像,实现数据的实时采集和积累;
2.通过开源数据集和监控设备积累的数据建立变电站人员安全帽佩戴标注数据集,用于改进YOLOv5变电站安全帽佩戴检测模型的训练;
3.对视频监控设备采集截取获取的监控图像Ii进行预处理操作,获得预处理后的图像I'i,j。
4.将预处理后的图像I'i,j输入安全帽佩戴检测模型,获得预处理后图像I'i,j对应检测结果Ri,j,将检测结果进行融合,生成最终的检测结果。
数据集准备
数据集的准备包含两部分,对于监控设备采集积累的数据使用labelme进行标注。具体而言,佩戴安全帽的变电站人员头部区域标注为“Wear_helmet”,未佩戴安全帽的变电站人员头部区域标注为“No_helmet”;对于开源数据集将标注文件类别进行映射,并且对于标注方式不一致的开源数据进行修订。
图像预处理
由于图像分辨率越来越大(1920x1080,2k,无人机的4K、8K等),造成图像原始分辨率与模型输入分辨率相差越来越大。而输入模型分辨率受限于算力,带来不可避免的细节丢失问题。为进一步提升模型针对中小目标在高分辨率相机中的识别精度,需要进行图像预处理操作。
如图2所示,该预处理操作可同时作用于训练和推理阶段。
推理阶段中,将原始分辨率图像切分为包含重叠区域的小块,将这些裁剪后的图像和整个帧输入到安全帽佩戴检测模型中,得到裁剪后图像和整个帧的检测结果,并对这些结果进行融合;
训练阶段与推理阶段不同的是,由于图像的裁剪会影响标注文件,对原始图像的标注文件进行处理,保持与裁剪图像一致。
同时,兼顾落在裁剪边界目标的边界框。通过上述预处理操作,裁剪后的图像相对于原始图像的在输入模型时的目标尺寸增加,避免中小目标因图像缩放造成的细节丢失,减少模型对小目标的漏检。值得注意的是,由于原始图像也会进行模型训练和推理,对于检测图像较大的目标也可以检出。
由于图像进行了分块操作,也就是说,一张图像会变成多张图像。例如800x600的图像,按2x2进行分割,则每张图像的大小应该在400x300左右(未考虑overlap),那如果原图的标注文件中有一个[[500,330],[550,400]]的目标,它将会落在分块以后图像的外边,因此,也需要对标注文件进行修改,生成4个标注文件。也就是说,上述示例中,在训练阶段包含原图和标注文件,以及分块后的4张图和4个标注文件,共5张图和5个标注文件。
值得注意的是,对原始图像裁剪分块的数量线性增加了整个检测框架的复杂度。因此,该方法适用于轻量级网络,以满足实时推理而不增加内存使用。基于上述预处理方式,可明显提高小目标的检测精度。分块网格一般选择3x2。
安全帽佩戴检测模型建立
为进一步减少由于上述图像预处理操作带来耗时的影响,同时提升模型对小目标检测的能力。本方案优选但不限于改进的YOLOv5系列模型,在现有YOLOv5模型基础上增加一种新的注意力模块CAM(Coordinate Attention Module)注意力模块可以将特征空间中的位置信息整合到通道注意中,使模型可以感知更大的区域。该注意力模块网络结构如图5所示。具体而言,首先,使用池化大小为(H,1)和(1,W)的平均池化对维度为H×W×C的输入特征向量X进行宽、高方向单维度的编码。高度为h的各通道输出如式(1)所示;同理,宽度为w的各通道输出如式(2)所示。
对于上述得到的两个方向感知特征zh和zw进行CONCAT操作,然后使用1x1卷积进行降维,获得包含垂直和水平方向空间相关信息的特征图f,输出如式(3)所示。
f=δ(F1([zh,zw])) (3)
其中,F1表示1x1卷积操作;δ表示非线性激活函数。
然后,将f变换为两个独立的特征向量fh和fw,并使用两个深度可分离卷积(Dpthwise Sparable Cnvolution)分别对上述特征向量进行变换,变换后的特征向量gh和gw具有与输入特征向量X具有相同的通道数量,如式(4)和式(5)所示,得到的gh和gw为注意力权重。
gh=σ(Fh(fh)) (4)
gw=σ(Fw(fw)) (5)
其中,Fh和Fw分别表示作用于两个独立特征向量的深度可分离卷积;σ表示Sigmoid激活函数。
因此,将注意力权重作用于输入特征向量X,获得整个注意力模块的输出,如式(6)所示。
其中,xc(i,j)是输入特征向量,yc(i,j)是输出特征向量;i,j是特征向量的坐标索引,c表示通道索引;也就是说,i是特征向量宽上的索引,j是特征向量高上的索引。
该注意力模块可以集成到YOLOv5模型的主干结构(backbone)、颈部(neck)和头部(head)等多个位置,以YOLOv5s模型结构为例,在模型网络结构的主干结构、颈部和预测3个区域添加CAM的结构如图6、图7、图8所示。
具体地,如下:
主干网络,所述主干网络由Focus结构、CBL结构、CSP结构以及SPP结构构成,并且在每个CSP1_3结构之后连接注意力模块;
颈部网络,所述颈部网络由CBL结构、CSP结构以及上采样构成,并且在每次自下而上的特征融合之后,添加注意力模块;
头部网络,所述头部网络由卷积块模块conv和YOLO解耦构成,对于不同尺度特征融合之后的特征先连接注意力模块。
如图6所示,CAM模块集成在YOLOV5s骨干网的CSP1_3(特征融合)处;如图7所示,CAM模块集成在YOLOV5s颈部的CONCAT层之后;如图8所示,在YOLOv5s头部(head)分别对不同尺度的特征集成CAM后再输入到yolo-head的结构中。
进一步的,基于上述安全帽佩戴数据集,采用Kmeans++聚类算法得到9个锚框(anchor),并从小到大依次排列将其均匀分布于3个尺度的特征图上。
对于边界框损失使用CIoU_Loss,更好的衡量预测框与目标框相交的情况。如式(7)所示。
使用CIoU-NMS替换NMS,提高遮挡目标的辨识度。
安全帽佩戴检测模型训练过程,具体而言:
如前文中所述的预处理操作,对图像及其标注文件进行分块处理;
将图像缩放至640x640,缩放过程保持原图比例;
采用Mosaic、随机缩放、随机裁剪、透视变换、等数据增强方式;训练过程中,利用Adam优化器根据历史梯度的震荡情况和过滤震荡后的真实历史梯度对模型参数进行更新,损失函数逐渐趋于0,模型收敛,获得安全帽佩戴检测模型;
结果融合
如图3、图4所示,在推理过程中,由于对图像进行了分块处理,需要不同区块图像的检测结果与原图的检测结果进行融合,生成最终的检测结果。具体而言,由于不同区块图像和原图之间的重叠,在初始结果中会出现重复检测的对象。对于结果中存在重复检测的目标,如果目标框之间的交集大于25%,则接受得分较高的结果,将另一个结果从检测列表中删除。值得注意的是,合并过程中,小目标在区块图像中的结果分数要高于原图,而与区块图像大小相当的大目标则相反。这也是需要对区块图像和原图都进行推理的原因。
实施例二
本实施例提供了一种变电站人员安全帽佩戴检测***,包括:
图像采集模块,被配置为获取视频监控设备采集的原始监控图像并进行预处理;
图像检测模块,被配置为基于预处理后的监控图像和原始监控图像,利用预先训练好的安全帽佩戴检测模型进行检测,得到预处理后的监控图像检测结果和原始监控图像检测结果;
检测结果融合模块,被配置为将预处理后的监控图像检测结果和原始监控图像检测结果融合,生成最终的检测结果;
其中,所述安全帽检测模型采用YOLOv5网络模型,所述YOLOv5网络模型中的主干网络、颈部网络以及头部网络分别集成多个注意力模块,所述注意力模块将特征空间中的位置信息整合到通道注意中,增加所述YOLOv5网络模型的感知区域。
上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的***,可以通过其他的方式实现。例如以上所描述的***实施例仅仅是示意性的,例如上述模块的划分,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,例如多个模块可以结合或者可以集成到另外一个***,或一些特征可以忽略,或不执行。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的一种变电站人员安全帽佩戴检测方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的一种变电站人员安全帽佩戴检测方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种变电站人员安全帽佩戴检测方法,其特征在于,包括:
获取视频监控设备采集的原始监控图像并进行预处理;
基于预处理后的监控图像和原始监控图像,利用预先训练好的安全帽佩戴检测模型进行检测,得到预处理后的监控图像检测结果和原始监控图像检测结果;
将预处理后的监控图像检测结果和原始监控图像检测结果融合,生成最终的检测结果;
其中,所述安全帽检测模型采用YOLOv5网络模型,所述YOLOv5网络模型中的主干网络、颈部网络以及头部网络分别集成多个注意力模块,所述注意力模块将特征空间中的位置信息整合到通道注意中,增加所述YOLOv5网络模型的感知区域。
2.如权利要求1所述的一种变电站人员安全帽佩戴检测方法,其特征在于,所述获取视频监控设备采集的原始监控图像并进行预处理,包括:
获取视频监控设备采集的原始监控图像;
将原始监控图像切分为包含重叠区域的块,得到预处理后的监控图像。
3.如权利要求1所述的一种变电站人员安全帽佩戴检测方法,其特征在于,所述注意力模块进行图像处理的过程,包括:
通过平均池化对输入特征向量进行宽、高单向维度的编码,得到宽度方向的输入特征向量和高度方向的输入特征向量;
将宽度方向的输入特征向量和高度方向的输入特征向量进行融合;
对融合后的输入特征向量卷积降维,获得包含垂直方向和水平方向空间相关信息的特征图;
将包含垂直方向和水平方向空间相关信息的特征图变换为两个独立特征向量;
使用两个深度可分离卷积分别对两个独立特征向量进行变换,得到两个变换后的独立特征向量,获取两个独立特征向量的注意力权重;
将两个独立特征向量的注意力权重作用于输入特征向量,得到整个注意力模块的输出向量。
5.如权利要求1所述的一种变电站人员安全帽佩戴检测方法,其特征在于,训练安全帽佩戴检测模型的过程,包括:
获取视频监控设备采集的原始监控图像;
对原始监控图像使用labelme进行标注,得到标注监控图像;
对原始监控图像以及标注监控图像进行切分,得到预处理后的监控图像以及预处理后的标注监控图像;
将预处理后的监控图像进行缩放;
采用Mosaic、随机缩放、随机裁剪以及透视变换对缩放后的监控图像进行数据增强;
利用数据增强后的监控图像以及预处理后的标注监控图像,输入到安全帽佩戴检测模型中;
根据历史梯度的震荡情况和过滤震荡后的真实历史梯度对安全帽佩戴检测模型参数进行更新,损失函数逐渐趋于0,模型收敛,获得训练好的安全帽佩戴检测模型。
6.如权利要求5所述的一种变电站人员安全帽佩戴检测方法,其特征在于,对于标注监控图像,采用Kmeans++聚类算法得到9个锚框(anchor),并从小到大依次排列将其均匀分布于3个尺度的特征图上。
7.如权利要求1所述的一种变电站人员安全帽佩戴检测方法,其特征在于,所述将预处理后的监控图像检测结果和原始监控图像检测结果融合,生成最终的检测结果,具体为:
将预处理后的监控图像的检测结果与原始监控图像的检测结果进行融合,生成最终的检测结果;
如果两者的目标框之间的交集大于设定阈值,则删除得分低的检测结果。
8.一种变电站人员安全帽佩戴检测***,其特征在于,包括:
图像采集模块,被配置为获取视频监控设备采集的原始监控图像并进行预处理;
图像检测模块,被配置为基于预处理后的监控图像和原始监控图像,利用预先训练好的安全帽佩戴检测模型进行检测,得到预处理后的监控图像检测结果和原始监控图像检测结果;
检测结果融合模块,被配置为将预处理后的监控图像检测结果和原始监控图像检测结果融合,生成最终的检测结果;
其中,所述安全帽检测模型采用YOLOv5网络模型,所述YOLOv5网络模型中的主干网络、颈部网络以及头部网络分别集成多个注意力模块,所述注意力模块将特征空间中的位置信息整合到通道注意中,增加所述YOLOv5网络模型的感知区域。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的一种变电站人员安全帽佩戴检测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种变电站人员安全帽佩戴检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210551125.8A CN114998830A (zh) | 2022-05-20 | 2022-05-20 | 一种变电站人员安全帽佩戴检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210551125.8A CN114998830A (zh) | 2022-05-20 | 2022-05-20 | 一种变电站人员安全帽佩戴检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114998830A true CN114998830A (zh) | 2022-09-02 |
Family
ID=83027346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210551125.8A Pending CN114998830A (zh) | 2022-05-20 | 2022-05-20 | 一种变电站人员安全帽佩戴检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998830A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630350A (zh) * | 2023-07-26 | 2023-08-22 | 瑞茜时尚(深圳)有限公司 | 假发佩戴监测管理方法及*** |
CN116958883A (zh) * | 2023-09-15 | 2023-10-27 | 四川泓宝润业工程技术有限公司 | 一种安全帽检测方法、***、存储介质及电子设备 |
CN116958907A (zh) * | 2023-09-18 | 2023-10-27 | 四川泓宝润业工程技术有限公司 | 一种输气管道周边隐患目标巡检方法及*** |
CN117036327A (zh) * | 2023-08-22 | 2023-11-10 | 广州市疾病预防控制中心(广州市卫生检验中心、广州市食品安全风险监测与评估中心、广州医科大学公共卫生研究院) | 一种防护用品检视方法、***、设备及介质 |
-
2022
- 2022-05-20 CN CN202210551125.8A patent/CN114998830A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630350A (zh) * | 2023-07-26 | 2023-08-22 | 瑞茜时尚(深圳)有限公司 | 假发佩戴监测管理方法及*** |
CN116630350B (zh) * | 2023-07-26 | 2023-10-03 | 瑞茜时尚(深圳)有限公司 | 假发佩戴监测管理方法及*** |
CN117036327A (zh) * | 2023-08-22 | 2023-11-10 | 广州市疾病预防控制中心(广州市卫生检验中心、广州市食品安全风险监测与评估中心、广州医科大学公共卫生研究院) | 一种防护用品检视方法、***、设备及介质 |
CN117036327B (zh) * | 2023-08-22 | 2024-03-12 | 广州市疾病预防控制中心(广州市卫生检验中心、广州市食品安全风险监测与评估中心、广州医科大学公共卫生研究院) | 一种防护用品检视方法、***、设备及介质 |
CN116958883A (zh) * | 2023-09-15 | 2023-10-27 | 四川泓宝润业工程技术有限公司 | 一种安全帽检测方法、***、存储介质及电子设备 |
CN116958883B (zh) * | 2023-09-15 | 2023-12-29 | 四川泓宝润业工程技术有限公司 | 一种安全帽检测方法、***、存储介质及电子设备 |
CN116958907A (zh) * | 2023-09-18 | 2023-10-27 | 四川泓宝润业工程技术有限公司 | 一种输气管道周边隐患目标巡检方法及*** |
CN116958907B (zh) * | 2023-09-18 | 2023-12-26 | 四川泓宝润业工程技术有限公司 | 一种输气管道周边隐患目标巡检方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114998830A (zh) | 一种变电站人员安全帽佩戴检测方法及*** | |
CN109241985B (zh) | 一种图像识别方法及装置 | |
CN112200043A (zh) | 面向室外施工现场的危险源智能识别***及方法 | |
CN109672863A (zh) | 一种基于图像识别的施工人员安全装备智能监测方法 | |
CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
CN111539320B (zh) | 基于互相学习网络策略的多视角步态识别方法及*** | |
CN111222478A (zh) | 一种工地安全防护检测方法和*** | |
US20230017578A1 (en) | Image processing and model training methods, electronic device, and storage medium | |
Kumbhar et al. | Facial expression recognition based on image feature | |
CN104504377A (zh) | 一种公交车乘客拥挤程度识别***及方法 | |
CN113762201A (zh) | 基于yolov4的口罩检测方法 | |
Zhao et al. | Detection and location of safety protective wear in power substation operation using wear-enhanced YOLOv3 algorithm | |
CN113326773A (zh) | 识别模型训练方法、识别方法、装置、设备及存储介质 | |
CN112668672A (zh) | 基于TensorRT的目标检测模型加速方法及装置 | |
CN115965578A (zh) | 一种基于通道注意力机制的双目立体匹配检测方法及装置 | |
CN115620208A (zh) | 电网安全预警方法、装置、计算机设备和存储介质 | |
CN116597411A (zh) | 极端天气下无人驾驶车辆识别交通标志的方法及*** | |
Yang et al. | Safety helmet wearing detection based on an improved YOLOv3 scheme | |
CN113936299A (zh) | 建筑工地中危险区域检测方法 | |
CN116912774A (zh) | 一种基于边缘计算的输变电设备红外图像目标识别方法、电子装置及存储介质 | |
CN113052139A (zh) | 一种基于深度学习双流网络的攀爬行为检测方法及*** | |
CN117593689A (zh) | 一种基于计算机视觉的矿山人员危险行为识别方法及*** | |
Yu et al. | An Algorithm for Target Detection of Engineering Vehicles Based on Improved CenterNet. | |
CN116012363A (zh) | 一种变电站刀闸开合识别方法、装置、设备及存储介质 | |
CN115601674A (zh) | 一种输电工程烟雾隐患识别方法、装置及存储介质 |
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 |