[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

说明书

一种电力领域危险工作区域内安全帽佩戴状态检测方法，包括：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到多余的边界框，实现对目标的分类检测。

技术领域

本发明涉及一种电力领域危险工作区域内安全帽佩戴状态检测方法，属于智能识别的技术领域。

背景技术

变电站、电塔作业与输电线路巡视等场地环境复杂，存在着威胁人身的众多因素。头部作为人体的最关键部位，对其保护尤为重要，因此在此类作业场景中要求工作人员必须佩带安全帽。近年来，开展了许多工作尝试解决安全帽佩戴检测问题。传统的安全帽检测方法过程复杂、计算量大、误报以及漏报多。随着人工智能的发展，不少研究人员开始把深度学习技术和安全帽检测问题结合起来。然而现有的技术主要依赖于大量的标记数据进行模型的训练，进而在后端进行检测识别，没有充分利用前端的计算资源，在数据的传输上消耗太大，也降低了适用性。

本发明通过修改tiny-yolo模型，将其移植到安卓端进行安全帽佩戴状态检测。降低了图片传输的时间和流量消耗，最大程度地增加资源的利用率，同时修改后的模型在安卓端检测耗时少，结合多尺度训练以及难样本的挖掘，解决了目标尺寸差异大、安全帽部分遮挡、光线变化等因素的影响，进一步提高了安全帽检测的准确率。

中国文献《改进YOLO_v3的安全帽佩戴检测方法》作者施辉等，虽然公开了Yolo模型，但是改进的Yolo_v3和本发明所述tiny-yolo模型的层数不一样，yolo_v3的层数为107层，而tiny-yolo的层数为24层，层数的减小可以达到更快的检测效率，使得模型可以更好的在安卓端发挥优势。文献中的yolov3模型未对网络层数做实质修改。本发明在试验后发现网络的第3到第9层中存在着大量接近0的权值，在考虑网络稀疏性的前提下，对此部分网络进行了适当地裁剪，缩小后的网络权值移植到安卓端性能更佳。同样的安卓设备，实验环境下yolo_v3检测一张照片需要5秒左右，而改进的tiny-yolo不到0.5秒。

中国专利文献CN103745226B公开了一种电力设施作业现场人员着装安全检测方法，基于HOG特征训练SVM分类器识别电力设施作业现场人员以及基于人员识别结果判断人员装备是否整齐，所述方法首先通过训练基于HOG特征的分类器检测电力设施作业现场中出现的人员目标，接着基于所识别到的人员目标判断该人员的着装装备是否符合作业现场安全要求，主要包括安全帽是否佩戴，安全服装是否完整穿着(无皮肤露出)，杆上变工作人员是否正确佩戴安全带等安全项目。针对专利文献CN103745226B：其中安全帽检测为传统的图像处理方法，针对颜色进行安全帽佩戴检测，本发明中采用机器学习的方法，对数据进行训练，提取安全帽的特征进行检测识别。

中国专利文献CN106446926A公开一种基于视频分析的变电站工人安全帽佩戴检测方法。该方法基于变电站场景下选用VIBE算法检测运动目标区域和HSV颜色特征初步定位安全帽区域，然后选用融合得Haar特征、HSV颜色空间特征，采集现场场景下安全帽正负样本，利用Adaboost算法进行分类器训练，对定位的安全帽区域提取融合特征，送入到训练好的安全帽分类器进行特征匹配检测，实现对安全帽精确识别定位。针对专利文献CN106446926A：其发明中采用的是Adaboost算法进行训练，需要先对图像进行处理得到行人上半身区域，提取Haar特征和HSV颜色空间特征，发明采用的是改进的tiny-yolo，针对标注区域进行特征提取。