[发明专利]一种电力领域危险工作区域内安全帽佩戴状态检测方法

权利要求书

1.一种电力领域危险工作区域内安全帽佩戴状态检测方法，其特征在于，所述检测方法包括以下步骤：

S1：对安全帽的数据集进行预处理；在此基础上构造难样本，完成具体场景的标注，在改进的tiny-yolo模型上进行训练，完成对：人、佩戴安全帽的人、未佩戴安全帽的人，上述三类情况的分类；

S2：对移动端捕获的视频进行抽帧处理，并通过神经网络模型得到抽取图片的深层表示；

S3：通过检测网络完成对特征的分类，实现对：人、佩戴安全帽的人、未佩戴安全帽的人上述三类检测，在TensorFlow Lite学习框架上完成对移动端的加速优化；

S4：对检测得到的所有bounding boxes进行非极大值抑制操作来过滤掉多余的边界框，实现对目标的分类检测；

所述步骤S1包括以下子步骤：

S11：采用的数据集来自实际应用场景，采用以下预处理方法：

针对目标尺寸差异大的问题：构造数据集时考虑不同尺度下的安全帽，使近、中、远距离佩戴的安全帽图片数量相近，在训练时加入图像增强技术，对同一张图片进行旋转得到新的训练数据来增强模型的识别力；

针对安全帽部分遮挡的问题：采用鲁棒误差编码中的加法模型，将有遮挡的图像y看作原始图像y⁰和误差e的加性合成体：y＝y⁰+e；

针对光线变化的问题：对数据集中的图片进行基于HDR的图像提亮操作，增强暗光下图片的亮度；

S12：在tiny-yolo模型的卷积运算中对网络的第3到第9层进行了裁剪；

S13：优化后的损失函数如下：

上述公式中，S²：表示tiny-yolo中分块的网格数目，横纵各S个，最终形成S²个网格；A:每个网格中的预测的边框数目；λ_coord：坐标中心和长宽的系数；λ_noord：预测没有物体的分数的系数；C:预测的是否存在物体的置信度；P(c):分类的类别的分数；I_ij^obj：当预测和groundtruth的IoU大于规定阈值时为1，其他情况为0；I_ij^nobj：当预测和groundtruth的IOU小于规定阈值时为1，其他情况为0；

最终形成修改后的神经网络模型。

2.根据权利要求1所述一种电力领域危险工作区域内安全帽佩戴状态检测方法，其特征在于，所述步骤S2包括以下子步骤：

S21：对移动端拍摄的视频进行抽帧处理，将图片送入修改后的神经网络模型；

S22：采用背景虚化的算法，突出前景工人，当人物检测的面积占整张图的面积比例大于阈值α时，启用背景虚化算法：

1)获取像素矩阵；

2)计算相似矩阵；

3)获取边缘像素点；

4)分割图像；

5)虚化背景值；

6)得到背景虚化图像。

3.根据权利要求1所述一种电力领域危险工作区域内安全帽佩戴状态检测方法，其特征在于，所述步骤S3包括以下子步骤：

S31：检测时，每个网格预测的类信息P_r(Class_i|Object)和bounding box预测的置信度信息相乘，得到每个bounding box的分类置信度得分：

S32：移动端检测将tiny-yolo训练的模型转成tensorflow的.h5文件。

4.根据权利要求1所述一种电力领域危险工作区域内安全帽佩戴状态检测方法，其特征在于，所述步骤S4包括以下子步骤：

S41：检测网络对目标检测过后会产生叠加的边框，利用非极大值抑制算法进行过滤，具体流程如下：

1)获得bounding Box列表B对应的分数S；

2)从所述列表B中选择具有最大分数的bounding Box M；

3)将bounding Box M从列表B集合中移除并加入最终返回结果D中；

4)计算其余bounding box与当前最大分数的bounding box M的IoU，去除IoU大于设定阈值的bounding Box；

5)重复以上过程，直至列表B为空，返回结果D；

S42：在统计结果时采用平均准确公式：

公式中，P(k)：在IoU阈值为k时的准确性；Δ_r(k)：在IoU阈值为k时的召回率；TP：表示被模型预测为正值的正样本；FP：表示被模型预测为负值的正样本；FN：表示被模型预测为负值的负样本。