一种人员违规穿着的检测方法、装置、存储介质及设备制造方法及图纸

本发明专利技术实施例提供了一种人员违规穿着的智能检测方法，包括：获取现场画面的图像数据；在yolov5模型的head结构中增加一个回归head，所述回归head用于度量人员穿着的衣袖的长度；基于改进的yolov5模型对所述图像数据进行检测，定位人员坐标并判断人员是否违规穿着。通过上述方案，用户可使用无人机设备进行施工现场画面的图像采集，在yolov5模型的head结构中增加一个回归head以对yolov5模型进行改进，从而基于改进的yolov5模型进行检测，判断施工现场的人员穿着情况，实现了人员违规穿着情况的智能检测，提高了人员违规穿着的检测效率和准确性，降低现场监理的人力资源浪费和人员的安全风险。全风险。全风险。

【技术实现步骤摘要】
一种人员违规穿着的检测方法、装置、存储介质及设备


[0001]本专利技术实施例涉及电力施工现场的智能检测
，尤其涉及一种人员违规穿着的检测方法、装置、设备及存储介质。

技术介绍

[0002]随着电力系统建设的迅速发展，保证电网安全运行水平也愈加重要，对于在施工现场的工作人员来说，为了避免意外事故发生，往往需要进行着装的规定，进入施工现场需要穿着长袖长裤。但实际上，现场可能存在人员将袖子或裤子卷起的操作，这就需要进行实时的监督管理工作。
[0003]现有技术通常需要人工判断是否穿着规范，故对人力成本要求较高，目前暂无一种针对电力施工现场是否按规定穿着长袖工作服进行有效检测与识别的方法，管理人员也不能够及时准确的知晓并进行提醒。因此，有必要就电力施工现场人员在施工过程中是否按规定穿着长袖工作服提供一种有效的检测与判断方法。

技术实现思路

[0004]针对上述问题，本专利技术实施例提供了一种人员违规穿着的检测方法、装置、设备及存储介质，以实现电力施工现场人员是否违规穿着的智能化检测，大大的降低了现场监理的人力资源浪费和安全风险，提高了监理人员是否违规穿着的效率和效果。
[0005]第一方面，本专利技术实施例提供的一种人员违规穿着的检测方法，其特征在于，包括：获取现场画面的图像数据；在yolov5模型的head结构中增加一个回归head，所述回归head用于度量人员穿着的衣袖的长度；基于改进的yolov5模型对所述图像数据进行检测，定位人员坐标并根据衣袖长度的度量结果判断人员是否违规穿着。
[0006]优选地，通过无人机设备对现场进行拍摄以获得现场画面的图像数据。
[0007]进一步地，在所述在yolov5模型的head结构中增加一个回归head，所述回归head用于度量人员穿着的衣袖的长度之后，还包括：引入度量值，所述度量值的范围为0
‑
1，所述度量值用于在训练数据时，根据不同的穿着情况输出不同的值；在训练环节中，所述回归head根据所述度量值进行回归，用于训练所述改进的yolov5模型识别长短袖的区别及边界。
[0008]优选地，所述引入度量值，所述度量值的范围为0
‑
1，所述度量值用于在训练数据时，根据不同的穿着情况输出不同的值，包括：当穿了短袖并露出肘关节时，所述度量值为1；当穿了短袖但未露出肘关节时，所述度量值的范围为0.7
‑
1；
当穿长袖并卷起袖子时，根据袖子的卷起程度，所述度量值的范围为0.1
‑
0.6；当规范穿着长袖时，所述度量值为0。
[0009]进一步地，所述基于改进的yolov5模型对所述图像数据进行检测，定位人员坐标并根据衣袖长度的度量结果判断人员是否违规穿着，包括：采用骨干网络提取图像特征，通过金字塔网络进行特征融合并在各尺寸的特征图中设置anchor，进行边界框的回归，以实现人员的定位；当所述度量值为0.7
‑
1时，均输出人员穿着违规的结果；根据用户定义的临界度量值X（0.1＜X＜0.6），当所述度量值为0.1
‑
X时，输出人员穿着未违规的结果，当所述度量值为X
‑
0.6时，输出人员穿着违规的结果；当所述度量值为1时，输出人员穿着未违规的结果。
[0010]优选地，在所述基于改进的yolov5模型对所述图像数据进行检测，定位人员坐标并根据衣袖长度的度量结果判断人员是否违规穿着之后，还包括：将检测判断结果发送至告警模块，并推送到小程序。
[0011]进一步地，在所述获取现场画面的图像数据之后，还包括：对所述图像数据进行优化筛重处理。
[0012]本专利技术实施例第二方面还提供一种人员违规穿着的检测装置，包括图像数据获取模块，所述图像数据获取模块用于获取现场画面的图像数据；第一处理模块，所述第一处理模块用于在yolov5模型的head结构中增加一个回归head，所述回归head用于度量人员穿着的衣袖的长度；第二处理模块，所述第二处理模块用于基于改进的yolov5模型对所述图像数据进行检测，定位人员坐标并根据衣袖长度的度量结果判断人员是否违规穿着。
[0013]本专利技术实施例第三方面还提供一种存储介质，其为计算机可读的存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述的人员违规穿着的检测方法的步骤。
[0014]本专利技术实施例第四方面还提供一种计算机设备，其包括处理器、存储器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现如上述的人员违规穿着的检测方法的步骤。
[0015]本专利技术实施例通过上述方案，用户可使用无人机设备进行施工现场画面的图像采集，通过在yolov5模型的head结构中增加一个回归head以对yolov5模型进行改进，从而可对人员穿着的衣袖的长度做度量并进行穿着情况的识别判断。基于本专利技术实施例中改进的yolov5模型进行检测，判断施工现场的人员穿着情况，实现了人员违规穿着情况的智能检测，提高了人员违规穿着的检测效率和准确性，降低现场监理的人力资源浪费和人员的安全风险。
附图说明
[0016]图1是本专利技术一个实施例提供的人员违规穿着的检测方法的流程示意图；图2是本专利技术一个实施例提供的人员违规穿着的检测方法的流程示意图；图3是本专利技术一个实施例提供的人员违规穿着的检测装置的结构示意图；图4是本专利技术一个实施例提供的存储介质的结构示意图；图5是本专利技术一个实施例提供的计算机设备的结构示意图。
具体实施方式
[0017]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0018]在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
[0019]此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一处理模块为第二处理模块，且类似地，可将第二处理模块称为第一处理模块。第一处理模块和第二处理模块两者都是处理模块，但其不是同一处理模块。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.人员违规穿着的智能检测方法，其特征在于，包括：获取现场画面的图像数据；在yolov5模型的head结构中增加一个回归head，所述回归head用于度量人员穿着的衣袖的长度；基于改进的yolov5模型对所述图像数据进行检测，定位人员坐标并根据衣袖长度的度量结果判断人员是否违规穿着。2.根据权利要求1所述的方法，其特征在于，通过无人机设备对现场进行拍摄以获得现场画面的图像数据。3.根据权利要求1所述的方法，其特征在于，在所述在yolov5模型的head结构中增加一个回归head，所述回归head用于度量人员穿着的衣袖的长度之后，还包括：引入度量值，所述度量值的范围为0
‑
1，所述度量值用于在训练数据时，根据不同的穿着情况输出不同的值；在训练环节中，所述回归head根据所述度量值进行回归，用于训练所述改进的yolov5模型识别长短袖的区别及边界。4.根据权利要求3所述的方法，其特征在于，所述引入度量值，所述度量值的范围为0
‑
1，所述度量值用于在训练数据时，根据不同的穿着情况输出不同的值，包括：当穿了短袖并露出肘关节时，所述度量值为1；当穿了短袖但未露出肘关节时，所述度量值的范围为0.7
‑
1；当穿长袖并卷起袖子时，根据袖子的卷起程度，所述度量值的范围为0.1
‑
0.6；当规范穿着长袖时，所述度量值为0。5.根据权利要求4所述的方法，其特征在于，所述基于改进的yolov5模型对所述图像数据进行检测，定位人员坐标并根据衣袖长度的度量结果判断人员是否违规穿着，包括：采用骨干网络提取图像特征，通过金字塔网络进行特征融合并在各尺寸的特征图中设置anchor，进行边界框的回归，以实现人员的定位；当所...

【专利技术属性】
技术研发人员：王如飞，
申请(专利权)人：广东律诚工程咨询有限公司，
类型：发明
国别省市：