一种基于深度学习的电网施工进度与安全识别方法技术

本发明专利技术公开了一种基于深度学习的电网施工进度与安全识别方法，包括：预处理基建项目图像，制作数据集；将数据集进行缩放，根据设定的图像数量依次将数据集输入至识别模型；通过识别模型对输入进行前向传播计算，根据前向传播结果与标注图像中的真实框，计算损失值；分别计算损失值对识别模型各个权重矩阵和偏置参数的梯度，并对识别模型进行更新；若更新的识别模型未收敛或未达到最大训练次数，则通过更新的识别模型重新对输入进行前向传播计算，直至更新的识别模型收敛或达到最大训练次数停止训练识别模型；利用训练完成的识别模型对基建项目图像进行识别；本发明专利技术能够精准监测工地进度，为施工现场提供决策依据，实现智慧工地自动化与智能化。地自动化与智能化。地自动化与智能化。

A method of identifying power grid construction progress and safety based on deep learning

【技术实现步骤摘要】
一种基于深度学习的电网施工进度与安全识别方法


[0001]本专利技术涉及工地进度与安全识别的
，尤其涉及一种基于深度学习的电网施工进度与安全识别方法。

技术介绍

[0002]电力行业作为国计民生的重要资源、国民生活的保障和社会发展的支撑，推动着国家的发展与进步。近年来，在电网高速发展的背景下，电力施工工程众多，电力设施遍布广阔，这在推动经济发展的同时，也为工程进度与安全巡检带来挑战。
[0003]目前，对电力施工现场的进度与安全巡检工作存在两方面问题。首先，在巡检方面主要依靠人工巡检的方式，该方式浪费大量的人力、物力和财力资源，同时效率相对低下；其次，在进度与安全识别方面，主要依靠人工进行核实，自动化程度不足，不具有实时性，预警效果较差；另外，系统多采用传统管理模式，不利于各工地之间相关数据的共享。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
[0006]因此，本专利技术提供了一种，能够解决工地施工进度与安全检测中过分依赖人工、效率低、成本高、信息交互性差等弊端。
[0007]为解决上述技术问题，本专利技术提供如下技术方案，包括：预处理基建项目图像，制作数据集；将数据集进行缩放，根据设定的图像数量batch依次将数据集输入至识别模型；通过所述识别模型对输入进行前向传播计算，根据前向传播结果与标注图像中的真实框，计算损失值；分别计算所述损失值对识别模型各个权重矩阵和偏置参数的梯度，并通过Nesterov加速梯度下降法对识别模型进行更新；若更新的识别模型未收敛或未达到最大训练次数，则通过更新的识别模型重新对输入进行前向传播计算，直至更新的识别模型收敛或达到最大训练次数停止训练识别模型；利用训练完成的识别模型对基建项目图像进行识别。
[0008]作为本专利技术所述的基于深度学习的电网施工进度与安全识别方法的一种优选方案，其中：所述预处理，包括：标注：利用Labelme对基建项目图像中的目标进行位置、类别标注，所述目标包括基础挖坑、浇筑、组塔、放线、附件安装、已佩戴安全帽和未佩戴安全帽；转化：将标注后的文件格式转换为{label,x,y,w,h}的形式，其中，
[0009]x＝x1
[0010]y＝y1
[0011]w＝x2
–
x1
[0012]h＝y2
–
y1
[0013]式中，(x1，y1)为待检测目标矩形框的左上角像素坐标，(x2，y2)为待检测目标矩形框的右下角像素坐标，w和h分别为待检测目标矩形框的宽度和高度，x和y分别基建项目图像中的目标的像素横、纵坐标；平滑：通过中值滤波算法对所有基建项目图像进行平滑处理。
[0014]作为本专利技术所述的基于深度学习的电网施工进度与安全识别方法的一种优选方案，其中：包括：缩放尺度为640*640，设定的图像数量batch＝16。
[0015]作为本专利技术所述的基于深度学习的电网施工进度与安全识别方法的一种优选方案，其中：前向传播结果包括目标预测矩形框的位置、大小以及所包含目标的类别。
[0016]作为本专利技术所述的基于深度学习的电网施工进度与安全识别方法的一种优选方案，其中：包括：识别模型由输入部件、Backbone部件、Neck部件和Prediction部件构成，其中，Backbone部件包括1个卷积模块、5个CSP模块和2个注意力机制SE模块，所述2个注意力机制SE模块处于第2个CSP模块和第3个CSP模块之间，通过Backbone部件对输入进行特征提取；Neck部件由FPN层和2个PAN网络组成，通过Neck部件对Backbone部件提取的特征进行特征融合；而后通过Prediction部件进行预测。
[0017]作为本专利技术所述的基于深度学习的电网施工进度与安全识别方法的一种优选方案，其中：所述损失值包括置信度损失、分类损失和边界框损失。
[0018]作为本专利技术所述的基于深度学习的电网施工进度与安全识别方法的一种优选方案，其中：包括：利用BCEWithLogitsLoss损失函数计算置信度损失；利用CrossEntropyLoss损失函数计算分类损失；利用GIoU损失函数计算边界框损失。
[0019]作为本专利技术所述的基于深度学习的电网施工进度与安全识别方法的一种优选方案，其中：更新识别模型包括：
[0020][0021]其中，θ
′
为更新后的梯度，θ为所述损失值对识别模型各个权重矩阵和偏置参数的梯度，v
t
‑1为动量项，用于更新θ。
[0022]作为本专利技术所述的基于深度学习的电网施工进度与安全识别方法的一种优选方案，其中：包括：当损失值小于10
‑5时，更新的识别模型收敛。
[0023]作为本专利技术所述的基于深度学习的电网施工进度与安全识别方法的一种优选方案，其中：包括：设置最大训练次数为2000。
[0024]本专利技术的有益效果：本专利技术能够精准监测工地进度，及时发现安全隐患，为施工现场提供决策依据，实现智慧工地自动化与智能化。
附图说明
[0025]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0026]图1为本专利技术第一个实施例所述的基于深度学习的电网施工进度与安全识别方法的流程示意图。
具体实施方式
[0027]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术的保护的范围。
[0028]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。
[0029]其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0030]本专利技术结合示意图进行详细描述，在详述本专利技术实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本专利技术保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电网施工进度与安全识别方法，其特征在于，包括：预处理基建项目图像，制作数据集；将数据集进行缩放，根据设定的图像数量batch依次将数据集输入至识别模型；通过所述识别模型对输入进行前向传播计算，根据前向传播结果与标注图像中的真实框，计算损失值；分别计算所述损失值对识别模型各个权重矩阵和偏置参数的梯度，并通过Nesterov加速梯度下降法对识别模型进行更新；若更新的识别模型未收敛或未达到最大训练次数，则通过更新的识别模型重新对输入进行前向传播计算，直至更新的识别模型收敛或达到最大训练次数停止训练识别模型；利用训练完成的识别模型对基建项目图像进行识别。2.如权利要求1所述的基于深度学习的电网施工进度与安全识别方法，其特征在于，所述预处理，包括：标注：利用Labelme对基建项目图像中的目标进行位置、类别标注，所述目标包括基础挖坑、浇筑、组塔、放线、附件安装、已佩戴安全帽和未佩戴安全帽；转化：将标注后的文件格式转换为{label,x,y,w,h}的形式，其中，x＝x1y＝y1w＝x2
–
x1h＝y2
–
y1式中，(x1，y1)为待检测目标矩形框的左上角像素坐标，(x2，y2)为待检测目标矩形框的右下角像素坐标，w和h分别为待检测目标矩形框的宽度和高度，x和y分别基建项目图像中的目标的像素横、纵坐标；平滑：通过中值滤波算法对所有基建项目图像进行平滑处理。3.如权利要求2所述的基于深度学习的电网施工进度与安全识别方法，其特征在于，包括：缩放尺度为640*640，设定的图像数量batch＝16。4.如权利要求3所述的基于深度学习的电网施工进度与安全识别方法，其特征在于，前向传播结果包括目标预测矩形框的位置、大小以及所包含目标的类别。5.如权利要求1～4任一所述的基于深度学习的电网施工进度与安全识别方法，其特征...

【专利技术属性】
技术研发人员：石绍辉，马徐行，柯春俊，秦哲，
申请(专利权)人：广州市赛皓达智能科技有限公司，
类型：发明
国别省市：