[发明专利]一种不规范穿戴工作服识别方法及系统

说明书

本申请公开了一种不规范穿戴工作服识别方法及系统，基于YOLOV4网络结构对特定制作的训练样本集进行训练，可以训练获得目标检测模型，再基于目标检测模型对实时监控视频流中的多个解帧图像进行目标检测，将输出为疑似穿戴不规范的解帧图像进一步识别，提取疑似穿戴不规范的解帧图像中ROI区域，根据ROI区域的长宽比例判断疑似穿戴不规范的解帧图像中的衣袖或裤脚是否为正常动作，还通过计算灰度特征图像的灰度共生矩阵的熵值来表征解帧图像中的衣袖或裤脚是否出现明显褶皱，当判断出现明显褶皱，则判定为穿戴不规范。通过上述多个判定规则对工作服穿戴是否规范进行识别，从而提高了不规范穿戴工作服识别的准确性，同时，还提高了识别效率。

技术领域

本申请涉及电力智能监测技术领域，尤其涉及一种不规范穿戴工作服识别方法及系统。

背景技术

个人防护是安全生产的最基本要求，在电力、建筑等作业现场存在特殊带电或其他危险设备，且环境复杂，容易出现安全事故。在日常作业阶段，均需要穿戴规范的工作服等防护装备。但是，由于作业人员自身安全意识不够，容易出现不规范穿戴情况，需要监护人员时刻在场监督，及时制止。

通过观数据统计发现，通过人工监督作业人员的不规范穿戴情况会导致监护人员的劳动强度大，识别效率低下，智能化水平低下。

近年来，随着计算机视觉计算和物联网技术的逐渐成熟，尤其是神经网络技术的飞速发展，深度学习技术开始应用于各类生产环境中。深度学习的概念最早起源于西方的数学家和计算机科学家对人工神经网络的研究。人工神经网络，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法模型，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。深度神经网络通过卷积操作去提取大量的图像特征，同时将低层特征进行组合，从而去获得更加抽象的高层特征，这些高层特征就可以用来表示对象的属性类别或隐藏的特征，以从图像信息中发现数据的分布规律或图像数据的特征表示。

将深度学习技术应用于监控作业人员的不规范穿戴情况可以有利于提高识别效率，以及降低监护人员的劳动强度，但是，目前的深度学习技术应用于监控作业人员的不规范穿戴情况仍存在识别不准确的问题，同时，识别效率也有待提高。

发明内容

本申请提供了一种不规范穿戴工作服识别方法及系统，用于解决现有技术中存在的不规范穿戴工作服识别不准确且识别效率较低的技术问题。

有鉴于此，本申请第一方面提供了一种不规范穿戴工作服识别方法，包括以下步骤：

S1、采集电力施工现场人员的工作服穿戴图像，以构建工作服穿戴图像样本集；

S2、根据着装分类规则对所述工作服穿戴图像样本集中每个工作服穿戴图像进行划分类别，确定类别标签，其中，所述类别标签包括穿戴不规范、疑似穿戴不规范和穿戴规范；

S3、根据所述类别标签对每个工作服穿戴图像中的目标区域用矩形框进行手动标注，从而得到所述矩形框的坐标和对应的类别标签，以制作训练样本集，其中，所述目标区域包括工作服的衣袖和裤腿；

S4、通过所述训练样本集对YOLOV4网络结构进行训练，以得到目标检测模型；

S5、将实时监控视频流进行解码处理，从而得到多个解帧图像；

S6、基于所述目标检测模型对所述多个解帧图像进行目标识别，从而得到每个解帧图像中相应的目标矩形框及其矩形框信息，所述矩形框信息包含类别标签、目标矩形框坐标、以及所述目标矩形框中是否为所述目标区域的置信度分数；

S7、将每个解帧图像的所述置信度分数与预设的置信度分数阈值进行对比，从而在所述多个解帧图像中筛选出大于所述预设的置信度分数阈值的解帧图像；

S8、将步骤S7中筛选出的所述解帧图像根据所述类别标签筛选出疑似穿戴不规范的解帧图像；