一种基于深度学习的现场安全点识别方法技术

本申请提供一种基于深度学习的现场安全点识别方法，所述识别方法包括：S10、获取待识别图片；S20、将所述待识别图片输入第一提取模块，获得第一提取结果；S30、将所述第一提取结果输入特征提取模块，获得特征提取结果；S40、将所述第一提取结果和所述特征提取结果一同输入识别模块，S50、所述识别模块混合所述第一提取结果和所述特征提取结果获得识别结果。本申请的基于深度学习的现场安全点识别方法，通过在第一提取模块的基础上增加特征提取模块，从而增强对需要识别的特定特征的识别能力；通过在识别模块中增加同特征层的跳跃连接，融合更多的特征信息，获得更丰富的高层语义信息，提高对特征对特定识别目标的识别能力。提高对特征对特定识别目标的识别能力。提高对特征对特定识别目标的识别能力。

【技术实现步骤摘要】
一种基于深度学习的现场安全点识别方法


[0001]本专利技术属于计算机视觉、机器学习
，尤其涉及一种基于深度学习的现场安全点识别方法。

技术介绍

[0002]电力施工中涉及到的高空作业项目较多，防护装备的正确佩戴对施工人员的安全有着至关重要的作用，而安全帽作为头部防护装备，能够很大程度上抵抗外力的冲击，保护人员安全。然而由于施工人员个人的疏忽，管理人员的放松警惕，以及有关管理制度的不完善，导致安全事故时有发生。通过施工场景中的监控摄像头，引入图像处理算法识别到未携带安全帽的施工人员并及时提醒，能够提高安全帽的正确佩戴率，提高施工的安全性。
[0003]传统的安全帽检测主要通过对监测视频进行目标检测，提取目标的几何、颜色等特征进行对比识别。2014年，刘晓慧等人利用肤色检测实现人头区域的定位，再采用SVM分类器对安全帽的Hu矩特征进行识别。2015年，周艳青等人将人头区域的统计特征、局部二进制模式特征和主成分特征训练分类器，建立了多特征的安全帽检测算法。2016年，贾峻苏等人结合局部二值模式直方图、梯度直方图和颜色特征，利用SVM对安全帽进行检测。但是基于目标图像特征提取的传统检测方法，泛化能力较差，而实际施工环境复杂多样，通常存在雨雾、遮挡等的影响。因此，基于目标图像特征提取的传统检测方法检测能力有限。

技术实现思路

[0004]本专利技术的目的是提供一种基于深度学习的现场安全点识别方法，具有在复杂作业环境下检测准确率高、占用计算资源少的优点。
[0005]为实现上述目的，本专利技术提供一种基于深度学习的现场安全点识别方法，其包含：
[0006]一种基于深度学习的现场安全点识别方法，所述识别方法包括：
[0007]S10、获取待识别图片；
[0008]S20、将所述待识别图片输入第一提取模块，获得第一提取结果；
[0009]S30、将所述第一提取结果输入特征提取模块，获得特征提取结果；
[0010]S40、将所述第一提取结果和所述特征提取结果一同输入识别模块；
[0011]S50、所述识别模块混合所述第一提取结果和所述特征提取结果获得识别结果。
[0012]在本方案中，通过设置特征提取模块，特征提取模块用于提取安全帽特征，从而增强模型对安全帽特征的识别能力，特征提取模块获得的特征提取结果与第一提取结果进行融合从而提高对需要识别的安全帽特征的识别能力，提高安全帽的识别精度与识别成功率。
[0013]较佳地，S30、将所述第一提取结果输入特征提取模块，获得特征提取结果包括：
[0014]S301、对所述第一提取结果进行卷积操作得到第一卷积结果；
[0015]S302、对所述第一卷积结果进行标准化；
[0016]S303、对标准化后的所述第一卷积结果进行激活操作得到第一激活结果；
[0017]S304、对所述第一激活结果进行池化操作得到第一池化结果；
[0018]S306、对所述第一池化结果输入第二提取模块，获得特征提取结果。
[0019]在本方案中，通过卷积、标准化以及激活操作，将第一提取结果的尺寸由(20,20,1024)变成(10,10,2048)，使得模型能够针对小特征提高识别率。
[0020]较佳地，所述激活操作为SiLU操作。
[0021]在本方案中，SiLU操作为Sigmoid和ReLU的改进操作，SiLU操作具备无上界有下界、平滑、非单调的特点，能够避免ReLU操作过程中小于某点小于零时输出恒为零的缺陷。
[0022]较佳地，所述池化操作包括按照多个不同大小的池化核进行池化操作。
[0023]较佳地，所述池化操作为最大池化。
[0024]在本方案中，通过不同池化核大小和最大池化进行特征提取，从而提高网络的感受野。
[0025]较佳地，所述特征提取结果相对于第一提取结果的通道数更多而高和宽更小。
[0026]在本方案中，特征提取结果相对于第一提取结果的通道数更多而高和宽更小，从而能够获取更小的特征，提高对待识别图片中的小尺寸安全帽的识别能力。
[0027]较佳地，S20、将所述待识别图片输入第一提取模块，获得第一提取结果包括：
[0028]S201、将所述待识别图片进行卷积、池化和激活得到第一输出结果；
[0029]S202、将所述第一输出结果进行卷积、池化和激活得到第二输出结果；
[0030]S203、将所述第二输出结果进行卷积、池化和激活得到第三输出结果；
[0031]S204、将所述第三输出结果进行卷积、池化和激活得到第四输出结果；
[0032]S205、将所述第四输出结果进行卷积、池化和激活得到第一提取结果。
[0033]在本方案中，第一提取模块通过多次卷积、池化和激活操作得到第一提取结果，对待识别图片的内容起到一定的识别效果，与后续的特征提取模块配合起到更佳的识别效果。
[0034]较佳地，S50、所述识别模块混合所述第一提取结果和所述特征提取结果获得识别结果包括：
[0035]S501、将所述特征提取结果进行调整得到第一输入值；
[0036]S502、将所述第一输入值进行处理后与第一提取结果进行特征融合得到第一提取特征；
[0037]S503、将所述第一提取特征进行调整后与所述第四输出结果进行特征融合得到第二提取特征；
[0038]S504、将所述第二提取特征进行调整后与所述第三输出结果进行特征融合得到第一输出特征；
[0039]S505、将所述第一输出特征进行调整后与所述第二提取特征、第三输入值进行特征融合得到第二输出特征；
[0040]S506、将所述第二输出特征进行调整后和所述第一提取特征、第二输入值进行特征融合后得到识别结果；
[0041]所述第三输入值为所述第四输出结果调整得到；
[0042]所述第二输入值为所述第一提取特征调整得到。
[0043]在本方案中，通过在第一提取模块识别的基础上，增加同特征层的跳跃连接，以便
在不增加成本的情况下融合更多特征信息，通过跨尺度跳跃特征融合的方式，可以获得更丰富的高层语义信息，提高对目标安全帽的检测能力。
[0044]较佳地，S50、所述识别模块混合所述第一提取结果和所述特征提取结果获得识别结果还包括：
[0045]在各所述特征融合之前赋予所述第一输入值、所述第一提取结果、所述第一提取特、所述第四输出结果、所述第二提取特征、所述第三输出结果、所述第一输出特征、所述第二提取特征、所述第三输入值、所述第二输出特征、所述第一提取特征、所述第二输入值可调的权重。
[0046]在本方案中，为使网络中的特征融合过程更加关注重要的特征层，减少一些不必要的特征层的结点连接；为特征融合之前的各个数值增加权重信息，给将要进行特征融合的隔层赋予不同权重，让它们以加权特征融合的方式进行融合，实现了简单且快速的跨尺度跳跃特征融合，提高识别的效果。...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的现场安全点识别方法，其特征在于，所述识别方法包括：S10、获取待识别图片；S20、将所述待识别图片输入第一提取模块，获得第一提取结果；S30、将所述第一提取结果输入特征提取模块，获得特征提取结果；S40、将所述第一提取结果和所述特征提取结果一同输入识别模块；S50、所述识别模块混合所述第一提取结果和所述特征提取结果获得识别结果。2.如权利要求1所述的基于深度学习的现场安全点识别方法，其特征在于，S30、将所述第一提取结果输入特征提取模块，获得特征提取结果包括：S301、对所述第一提取结果进行卷积操作得到第一卷积结果；S302、对所述第一卷积结果进行标准化；S303、对标准化后的所述第一卷积结果进行激活操作得到第一激活结果；S304、对所述第一激活结果进行池化操作得到第一池化结果；S306、对所述第一池化结果输入第二提取模块，获得特征提取结果。3.如权利要求2所述的基于深度学习的现场安全点识别方法，其特征在于，所述激活操作为SiLU操作。4.如权利要求2所述的基于深度学习的现场安全点识别方法，其特征在于，所述池化操作包括按照多个不同大小的池化核进行池化操作。5.如权利要求2或4所述的基于深度学习的现场安全点识别方法，其特征在于，所述池化操作为最大池化。6.如权利要求1所述的基于深度学习的现场安全点识别方法，其特征在于，所述特征提取结果相对于第一提取结果的通道数更多而高和宽更小。7.如权利要求1所述的基于深度学习的现场安全点识别方法，其特征在于，S20、将所述待识别图片输入第一提取模块，获得第一提取结果包括：S201、将所述待识别图片进行卷积、池化和激活得到第一输出结...

【专利技术属性】
技术研发人员：许鹏程，姜黛琳，吴奕锴，徐连连，高敬贝，李晓莉，庄贝妮，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：