【技术实现步骤摘要】
基于深度学习的安全帽佩戴检测方法、装置、设备及介质
[0001]本专利技术涉及深度学习
，尤其涉及基于深度学习的安全帽佩戴检测方法、装置、设备及介质。
技术介绍
[0002]随着电力系统的不断扩展，变电站的数量和规模在不断增加。虽然智能电网在不断发展，但是变电站的运行仍然需要定期检查和维护，为了确保变电站安全稳定运行，需要操作人员定期检查维护变电站。在实际检修过程中，一些操作人员缺乏安全意识，不佩戴安全帽，这种行为存在很大的安全隐患。所以，安全帽检测在变电站运行中有很大的使用价值。
[0003]安全帽检测是一个涉及多方面的问题，目前安全帽检测的算法主要分为两类，一种是基于图像处理的传统方法，另一种是基于深度学习的目标检测算法。传统方法的核心是通过图像处理技术获取肤色、头部、面部等信息，使用这些信息判断工人是否佩戴安全帽，传统方法只是简单的特征提取，误检率较高。深度学习方法会使用大量的有标签数据进行学习，通过监督学习得到目标特征，从而检测出安全帽的佩戴情况，由于深度学习是基于大量的有标签数据，所以深度学习方法的鲁...
【技术保护点】
【技术特征摘要】
1.基于深度学习的安全帽佩戴检测方法，其特征在于，包括如下步骤：获取待检测的人员图像；将所述待检测的人员图像输入已训练的多尺度感知网络模型中；所述多尺度感知网络模型包括三个并行的CNN子网络，三个所述CNN子网络的结构仅卷积核的尺寸不同，每个CNN子网均包括用于提取全局特征的通道注意力模块和用于提取局部特征的空间注意力模块；输出所述待检测的人员图像分类结果，所述分类结果包括未佩戴安全帽和佩戴安全帽。2.根据权利要求1所述的基于深度学习的安全帽佩戴检测方法，其特征在于，所述多尺度感知网络模型的构建，包括如下步骤：获取作业现场人员的图像数据，形成原始数据集；将原始数据集随机按照7:2:1的比例因子分为训练样本集、验证样本集和测试样本集，对训练样本集和验证样本集中每个图像进行人工判别和分类，并依据分类的结果设置所述训练样本集和验证样本集中每个图像的类别标签，所述类别标签包括未佩戴安全帽和佩戴安全帽；将训练样本集和验证样本集输入待训练的初步模型中，获得检测模型，所述检测模型输出具有重叠检测框的图像，并采用中心导向NMS除去图像中重叠检测框；将测试样本集输入检测模型中进行测试，直至分类结果的误差满足预设阈值，则将当前模型作为多尺度感知网络模型输出。3.根据权利要求2所述的基于深度学习的安全帽佩戴检测方法，其特征在于，还包括如下步骤：使用数据增强方式对样本数据集中未佩戴安全帽的图像数据进行扩充，所述数据增强方式包括几何变换和像素变换，所述几何变换包括翻转、平移、裁剪、旋转和缩放，所述像素变换包括高斯模糊、高斯噪声、图像亮度和图像对比度。4.根据权利要求1所述的基于深度学习的安全帽佩戴检测方法，其特征在于，所述通道注意力模块，具体处理步骤：使用卷积核得到特征图X
g
；使用全局池化来消除X
g
在图像宽高维度的影响，全局池化F
gp
定义如公式(1)：其中，H
g
和W
g
表示特征图X
g
的宽和高，x
c
是X
g
的一个通道特征图，z
c
是x
c
平均池化后的结果，每一个通道特征图的结果z
c
连接在得到一个向量Z
c
，使用平均池化的操作可以降低空间信息的影响，针对Z
c
使用两个全连接来进一步提取特征和权重，具体如公式(2)：U
c
＝δ2(W
2T
δ1(W
1T
Z
c
+b1)+b2)
ꢀꢀꢀꢀ
(2)其中，W1和W2是两个全连接层的权重，b1和b2是对应的偏置，δ1是激活函数ReLU，δ2是Sigmoid激活函数，完成特征图的校准，具体如公式：
其中，是通道注意力模块最终输出的特征图。5.根据权利要求1所述的基于深度学习的安全帽佩戴检测方法，其特征在于，所述空间注意力模块，具体处理步骤：使用卷积核获得特征图X
g
使用全局卷积Z
s
(i,j)降低X
g
的信道信息影响，全局卷积的公式如下：其中，H
【专利技术属性】
技术研发人员：秦思豪，顾雄飞，马培龙，戴恋争，梁福虎，
申请(专利权)人：佳源科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。