一种风机检修作业区域管控方法技术

本发明专利技术提供了一种风机检修作业区域管控方法，本发明专利技术通过采集风机检修作业区域内的图像，识别其中的人物所在范围，根据人物所在范围，从原始图像上截取人物，得到人物图像，采用人脸特征提取模型对人物图像进行处理，得到人脸特征，对人脸特征进行人脸识别，从而得到人物身份，在人物身份为其他陌生人时，则说明风机检修作业区域出现了其他非工作人员，则进行报警处理。报警处理。报警处理。

【技术实现步骤摘要】
一种风机检修作业区域管控方法


[0001]本专利技术涉及目标识别
，具体而言，涉及一种风机检修作业区域管控方法。

技术介绍

[0002]风机体积庞大，2MW风机的基础直径约18
‑
19米，占地面积300平方米左右；3MW风机的基础直径约20
‑
21米，占地面积330平方米左右；5MW风机的基础直径约22
‑
23米，占地面积400平方米左右。因此，在风机检修时，其所在区域占地面积大，通过人来监管风机检修作业区域显然很难实现。

技术实现思路

[0003]针对现有技术中的上述不足，本专利技术提供的一种风机检修作业区域管控方法解决了现有缺乏一种针对风机检修作业区域的管控方法的问题。
[0004]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种风机检修作业区域管控方法，包括以下步骤：
[0005]S1、采集风机检修作业区域内的图像，得到原始图像；
[0006]S2、采用YOLO神经网络处理原始图像，得到人物目标框；
[0007]S3、根据人物目标框，从原始图像上截取人物，得到人物图像；
[0008]S4、采用人脸特征提取模型对人物图像提取人脸特征；
[0009]S5、对人脸特征进行人脸识别，得到人物身份；
[0010]S6、在人物身份不为检修人员时，进行报警处理。
[0011]进一步地，所述S2包括以下分步骤：
[0012]S21、采集风机检修作业区域内的图像，得到训练过程图像；
[0013]S22、对训练过程图像上人物进行标注，得到标注图像；
[0014]S23、将标注图像构成训练集；
[0015]S24、采用训练集训练YOLO神经网络，得到训练完成的YOLO神经网络；
[0016]S25、采用训练完成的YOLO神经网络处理原始图像，得到人物目标框。
[0017]进一步地，所述S24包括以下分步骤：
[0018]S241、将训练集中样本输入YOLO神经网络，得到预测的目标框；
[0019]S242、根据预测的目标框和标注的目标框，计算目标框差值；
[0020]S243、根据目标框差值，对YOLO神经网络中权重和偏置进行更新，并跳转至步骤S241，直到目标框差值小于目标框差阈值，得到训练完成的YOLO神经网络。
[0021]进一步地，所述S242中目标框差值的公式为：
[0022][0023]其中，d
j
为第j次训练时计算的目标框差值，w
i
‑
j
为第i
‑
j次训练时预测的目标框的
宽度，w
′
i
‑
j
为第i
‑
j次训练时标注的目标框的宽度，h
i
‑
j
为第i
‑
j次训练时预测的目标框的高度，h
′
i
‑
j
为第i
‑
j次训练时标注的目标框，o为当前训练次数的编号，j为临近训练次数的编号，N为临近训练次数的数量，ε为增强系数。
[0024]进一步地，所述增强系数ε的公式为：
[0025][0026]其中，W为预测的目标框，W
′
为标注的目标框，U为并集处理，∩为交集处理。
[0027]进一步地，所述S4中人脸特征提取模型包括：第一Conv层、第一Maxpool层、第二Maxpool层、第三Maxpool层、Concat层和特征提取层；
[0028]所述第一Conv层的输入端作为人脸特征提取模型的输入端，其输出端分别与第一Maxpool层的输入端、第二Maxpool层的输入端和第三Maxpool层的输入端连接；所述Concat层的输入端分别与第一Maxpool层的输出端、第二Maxpool层的输出端和第三Maxpool层的输出端连接，其输出端与特征提取层的输入端连接；所述特征提取层的输出端作为人脸特征提取模型的输出端。
[0029]进一步地，所述特征提取层包括：第二Conv层、第三Conv层、第四Conv层、乘法器、sigmoid层和加法器；
[0030]所述第二Conv层的输入端分别与第四Conv层的输入端和加法器的输入端连接，并作为特征提取层的输入端；所述第三Conv层的输入端与第二Conv层的输出端连接，其输出端与乘法器的输入端连接；所述第四Conv层的输出端与乘法器的输入端连接；所述乘法器的输出端分别与sigmoid层的输入端和加法器的输入端连接；所述sigmoid层的输出端与加法器的输入端连接；所述加法器的输出端作为特征提取层的输出端。
[0031]进一步地，所述sigmoid层的表达式为：
[0032]X
′
＝1
‑
Sigmoid(WX)
[0033]其中，X
′
为sigmoid层的输出，Sigmoid为激活函数，W为sigmoid层的权重，X为乘法器的输出。
[0034]本专利技术实施例的技术方案至少具有如下优点和有益效果：本专利技术通过采集风机检修作业区域内的图像，识别其中的人物所在范围，根据人物所在范围，从原始图像上截取人物，得到人物图像，采用人脸特征提取模型对人物图像进行处理，得到人脸特征，对人脸特征进行人脸识别，从而得到人物身份，在人物身份为其他陌生人时，则说明风机检修作业区域出现了其他非工作人员，则进行报警处理。
附图说明
[0035]图1为一种风机检修作业区域管控方法的流程图；
[0036]图2为人脸特征提取模型的结构示意图；
[0037]图3为特征提取层的结构示意图。
具体实施方式
[0038]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0039]如图1所示，一种风机检修作业区域管控方法，包括以下步骤：
[0040]S1、采集风机检修作业区域内的图像，得到原始图像；
[0041]S2、采用YOLO神经网络处理原始图像，得到人物目标框；
[0042]所述S2包括以下分步骤：
[0043]S21、采集风机检修作业区域内的图像，得到训练过程图像；
[0044]在S21中采集的图像是为了训练，S1中采集的图像是用于识别过程；
[0045]S22、对训练过程图像上人物进行标注，得到标注图像；
[0046]S23、将标注图像构成训练集；
[0047]S24、采用训练集训练YOLO神经网络，得到训练完成的YOLO神经网络；
[0048]所述S24包括以下分步骤：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风机检修作业区域管控方法，其特征在于，包括以下步骤：S1、采集风机检修作业区域内的图像，得到原始图像；S2、采用YOLO神经网络处理原始图像，得到人物目标框；S3、根据人物目标框，从原始图像上截取人物，得到人物图像；S4、采用人脸特征提取模型对人物图像提取人脸特征；S5、对人脸特征进行人脸识别，得到人物身份；S6、在人物身份不为检修人员时，进行报警处理。2.根据权利要求1所述的风机检修作业区域管控方法，其特征在于，所述S2包括以下分步骤：S21、采集风机检修作业区域内的图像，得到训练过程图像；S22、对训练过程图像上人物进行标注，得到标注图像；S23、将标注图像构成训练集；S24、采用训练集训练YOLO神经网络，得到训练完成的YOLO神经网络；S25、采用训练完成的YOLO神经网络处理原始图像，得到人物目标框。3.根据权利要求2所述的风机检修作业区域管控方法，其特征在于，所述S24包括以下分步骤：S241、将训练集中样本输入YOLO神经网络，得到预测的目标框；S242、根据预测的目标框和标注的目标框，计算目标框差值；S243、根据目标框差值，对YOLO神经网络中权重和偏置进行更新，并跳转至步骤S241，直到目标框差值小于目标框差阈值，得到训练完成的YOLO神经网络。4.根据权利要求3所述的风机检修作业区域管控方法，其特征在于，所述S242中目标框差值的公式为：其中，d
j
为第j次训练时计算的目标框差值，w
i
‑
j
为第i
‑
j次训练时预测的目标框的宽度，w
′
i
‑
j
为第i
‑
j次训练时标注的目标框的宽度，h
i
‑
j
为第i
‑
j次训练时预测的目标框的高度，h
′
i
‑
j
为第i
‑
j...

【专利技术属性】
技术研发人员：由梓默，段瑞龙，王吉超，郑权，史立志，刘畅，孙磊，乔宽，任乃祺，安楠，梁永根，常晓勇，
申请(专利权)人：华能新能源股份有限公司河北分公司，
类型：发明
国别省市：