[发明专利]一种电网作业人员安全帽佩戴检测方法

权利要求书

1.一种电网作业人员安全帽佩戴检测方法，其特征在于，包括如下步骤：

步骤S1，实时采集当前的施工场地人员的状态视频数据；

步骤S2，针对采集的施工场地人员的状态视频数据进行匹配处理和安全帽佩戴特征的提取；

步骤S3，针对通过匹配处理的施工场地人员进行视频跟踪，未通过匹配处理的施工场地人员放弃视频跟踪；

步骤S4，判断目标人员是否携带安全帽，若检测已携带，则继续视频跟踪；若检测并未携带，则记录目标人员的视频数据；

步骤S5，若目标人员经安全帽佩戴特征检测为有效佩戴安全帽，则继续当前的目标施工人员视频跟踪；

步骤S6，若目标人员经安全帽佩戴特征检测为未有效佩戴安全帽，则警示目标人员按照要求有效佩戴安全帽。

2.根据权利要求1所述的一种电网作业人员安全帽佩戴检测方法，其特征在于，所述实时采集状态视频数据通过FFmpeg进行，具体包括如下：

步骤S11,获取施工场地人员的状态视频数据；

步骤S12,将状态视频数据进行音视频分离；

步骤S13,针对分离的音频数据和视频数据进行数据压缩；

步骤S14,分别针对压缩的音频和视频进行解码；

步骤S15,融合解码后的音频数据和视频数据，进行音视频同步。

3.根据权利要求1所述的一种电网作业人员安全帽佩戴检测方法，其特征在于，所述匹配处理基于施工人员人脸数据库，通过采集施工人员面部特征图像，构建施工人员人脸数据库。

4.根据权利要求1或3所述的一种电网作业人员安全帽佩戴检测方法，其特征在于，通过实时采集施工场地人员的状态视频数据，获取目标人员的面部特征，与施工人员人脸数据库进行面部特征匹配：

若目标人员在施工人员人脸数据库匹配成功，则继续当前的目标人员视频跟踪；

若目标人员在施工人员人脸数据库匹配成功，则放弃当前的目标人员视频跟踪。

5.根据权利要求1所述的一种电网作业人员安全帽佩戴检测方法，其特征在于，所述安全帽佩戴特征的提取基于改进的快速区域卷积神经网络算法，分别在区域生成网络RPN和快速区域卷积神经网络Fast R-CNN采用特征融合金字塔，进行安全帽佩戴特征的提取。

6.根据权利要求5所述的一种电网作业人员安全帽佩戴检测方法，其特征在于，采用卷积神经网络VGG16进行特征提取。

7.根据权利要求6所述的一种电网作业人员安全帽佩戴检测方法，其特征在于，基于所述卷积神经网络VGG16进行特征提取的特征图，将特征融合金字塔自高到低分别设置为F5、F4、F3和F2,且在F5、F4、F3和F2层分别采用(32×32、64×34、128×128、256×256)作为固定尺度。

8.根据权利要求1所述的一种电网作业人员安全帽佩戴检测方法，其特征在于，所述的警示目标人员通过设置在安全帽或其他。

9.根据权利要求1所述的一种电网作业人员安全帽佩戴检测方法，其特征在于，

(1)获取状态视频数据进行训练，以Tensorflow作为深度学习框架；

(2)在ImageNet数据集训练的模型基础上，调整增加数据集，调整Tensorflow训练参数，进行网络魔性的训练；

(3)采用微调的方法进行安全帽佩戴检测模型算法：以Faster R-CNN作为算法框架；采用VGG16深度卷积神经网络；

(4)调整训练参数配置，训练获取安全帽佩戴检测模型。

10.根据权利要求9所述的一种电网作业人员安全帽佩戴检测方法，其特征在于：

安全帽佩戴检测模型，包括如下步骤：

(1)以Faster R-CNN框架为基础，采用VGG16作为特征提取时的深度卷积神经网络；

(2)RPN是对卷积神经网络得到的特征图，使用一个3*3的滑动窗口在特征图上进行滑动，在每个滑动窗口位置上，RPN基于k个固定比例的Anchor Boxes生成多个可能的候选区域；

(3)对VGG16特征提取进行改进；基于待检测图像中目标框尺寸在32-256之间；对应于特征融合金字塔的F5、F4、F3、F2层分别采用(32*32，64*64，128*128，256*256)的作为固定的Anchor尺度，然后使用(1:1、1:2、2:1)三种长宽比；

(4)ROI Pooling的输入包括RPN输出的Proposal Boxes和卷积神经网络提取的特征图，利用ROI Pooling来计算特征出。