[发明专利]一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法

说明书

本发明公开了一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法。采集用于训练模型的电力施工现场的图像；对采集到的电力施工现场的图像进行图像增强；将图像及数据增强后的得到的目标区域用矩形框进行标注，获取矩形框的坐标与所包含的种类；根据采集到的施工现场的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与包含的种类对基于YOLOv4改进的模型进行训练；实时采集电力施工现场的图像，根据训练好的模型和实时采集到待检测的电力施工现场图像，并输出违规图像。本方法适用于施工现场的人员违规行为与施工车辆违规操作的检测，实现电力智慧工地可视、精细、智能管理，有效提升工程现场管理水平并降低安全风险。

技术领域

本发明适用于电力智慧工地监测领域，涉及一种人员与车辆检测方法，具体地说是一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法。

技术背景

为强化工程现场管控，重点需要加强对人员与车辆的监控与检测，深化视频识别和视频分析能力，提高监管效率。近些年随着深度学习技术的火热发展，目标检测（ObjectDetection）算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。YOLO是一种有效的无区域建议的目标检测模型，能够端到端直接训练整个网络，主要特点是速度上有明显的优势。最新版本的YOLOv4对YOLOv3的各个部分都进行了改进优化，包括训练时对输入端的改进、主干网络将各种新的方式结合起来等，对于遮挡的物体检测性能相比YOLOv3更加优越。

目前基于YOLO的检测方法都是基于YOLOv3构建网络模型，比如一种基于卷积神经网络的人脸检测方法、装置及设备（中国专利，申请号CN202010058934.6，公开日：2020-06-16），一种基于YOLOv3的空中无人机目标识别和跟踪方法（中国专利，申请号CN201911394465.9，公开日：2020-06-05），一种基于深度学习的安全帽佩戴检测方法及装置（中国专利，申请号CN201911349221.9，公开日：2020-06-16），这些检测模型首先都是基于YOLOv3构建网络模型，检测速度与精度会逊色与YOLOv4。

发明内容

本发明的目的是提供一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法，提高电力智慧工地现场管理水平并降低安全风险。

本发明的目的通过以下技术方案实现：

一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法，该方法包括：首先采集用于训练模型的电力施工现场的图像；然后对采集到的电力施工现场的图像进行图像增强；将采集到的所述电力施工现场的图像及数据增强后的得到的目标区域用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含的种类；接着根据采集到的所述电力施工现场的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框包含的种类对基于YOLOv4 改进的模型进行训练；实时采集电力施工现场的图像，根据训练好的模型和实时采集到待检测的电力施工现场图像，实时检测电力施工现场的违规行为，并对检测到的行为进行分类和定位，同时触发预警系统，并输出违规图像。包括以下步骤：

1）采集用于训练模型的电力施工现场的图像，训练模型为基于YOLOv4改进的模型；

2）对采集到的电力施工现场的图像进行图像增强；

3）将采集到的所述电力施工现场的图像及数据增强后的得到的目标区域用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含的种类；

4）根据采集到的所述电力施工现场的图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框包含的种类对基于YOLOv4 改进的模型进行训练；

5）实时采集电力施工现场的图像，根据训练好的模型和实时采集到待检测的电力施工现场图像，实时检测电力施工现场的违规行为，并对检测到的行为进行分类和定位，同时触发预警系统，并输出违规图像。

进一步地，所述基于YOLOv4改进的模型具体为：