【技术实现步骤摘要】
本专利技术涉及未戴安全帽检测，特别是涉及一种用于配电房的未戴安全帽检测方法及系统。
技术介绍
1、配电房是电力系统中的重要部分，通常包含高电压设备和高电流传输线路。环境优势较恶劣，安全佩戴安全帽是基本规范。而有时工人图方便省事不佩戴安全帽，会造成人员伤亡，容易出现安全事故。在这样的环境中工作，存在电击、电弧闪over、电弧烧伤等严重风险。佩戴安全帽可以提供额外的电气安全防护，防止电流或电弧对工作人员头部造成伤害。因此自动检测工人未戴安全帽显得尤为重要。而输电线路工人佩戴的安全帽种类较多，包括普通塑料安全帽、防冲击安全帽、绝缘安全帽等，每种安全帽的特点和功能都不同，因此不同安全帽的检测难点也有所不同：
2、1.普通塑料安全帽：这种安全帽材质简单，形状规则，颜色单一，难以从图像中进行有效的特征提取和分类，因此需要通过其他技术手段来辅助检测。
3、2.防冲击安全帽：这种安全帽具有防冲击的功能，材质复杂，形状较为多样化，颜色也不固定，因此需要较高的算法精度和可靠性来确保检测的准确性和稳定性。
4、3.绝缘安全帽：这种安全帽需要具备绝缘的功能，因此在设计上与其他安全帽有很大区别，具有一定的难度和复杂度，需要在检测算法中加入绝缘材料的识别和检测。
5、安全帽在图像中属于小目标，占据图像中的像素数偏少，这是自动检测的一个难点和痛点。
技术实现思路
1、本专利技术的目的在于，提出一种用于配电房的未戴安全帽检测方法及系统，解决如何克服当前目标检测器在配
2、一方面，提供一种用于配电房的未戴安全帽检测方法，包括：
3、获取需佩戴安全帽人员的可见图像，并对图像按照预设标准进行预处理，进行数据去噪、图像增强；
4、将预处理后的图像输入预先训练的目标检测模型对可见图像中需佩戴安全帽人员的安全帽位置进行检测，输出预测的边界框数据；
5、根据预设的非极大值抑制阈值对预测的边界框数据进行抑制，去掉重复的边界框并将去掉重复边界框的边界框数据作为最终的预测框，得到可见图像中未戴安全帽的位置及对应的预测分值；
6、将预测分值与预设的报警门限比较，若预测分值小于预设的报警门限，则进行报警。
7、优选地，所述目标检测模型包括至少多个特征层，所述特征层至少包括一采样的倍率为2的第一特征层、一采样的倍率为3的第二特征层、一采样的倍率为4的第三特征层、一采样的倍率为5的第四特征层、一采样的倍率为6的第五特征层及一采样的倍率为7的第六特征层；
8、其中，第一特征层、第二特征层及第三特征层对可见图像的稀疏特征进行预测，第四特征层、第五特征层及第六特征层对可见图像的所有特征进行预测。
9、优选地，所述第二特征层对可见图像的每个位置进行预测，得到与每个位置对应的预测阈值，若预测阈值大于预测值下限，则判定当前位置包含目标；
10、对所有包含目标的位置进行膨胀一个像素，得到对应的稀疏特征；
11、将稀疏特征对应于第一特征层和第三特征层中的对应的位置区域，标定为是有包含目标的。
12、优选地，还包括，通过以下过程对目标检测模型进行训练：
13、通过摄像头采集获取佩戴安全帽人员与未佩戴安全帽人员的可见图像；
14、对采集的图像中的佩戴安全帽人员与未佩戴安全帽人员进行位置标注，得到有标注信息的图像；
15、将有标注信息的图像输入预设的目标检测模型进行训练，直到训练后的目标检测模型精度达到预设的精度要求，得到预先训练的目标检测模型。
16、优选地，还包括，当对目标检测模型进行训练时，将预测阈值大于预测标值的预测目标作为正例样本，将预测阈值小于预测标值的预测目标作为负例样本；其中，所述预测标值小于所述预测值下限。
17、优选地，当对目标检测模型进行训练时，根据以下公式计算训练时的损失参数：
18、l＝2*flc+2*l1+1*flo
19、其中，l为损失参数，flc为类别预测损失计算值，l1为边界框损失计算值,flo目标预测损失计算值。
20、优选地，还包括，根据以下公式计算训练时的聚焦损失：
21、fl(pt)＝-αt(1-pt)γlog(pt)
22、其中，αt是正例样本与负例样本不平衡的权重因子，γ是表示进行难例挖掘的权重因子，fl是聚焦损失其函数，pt是正例样本或负例样本。
23、优选地，还包括，根据以下公式计算边界框损失计算值：
24、l1＝|f(x)-y|
25、其中，f(x)是目标检测模型预测的结果，y是可见图像的真值。
26、优选地，当计算完损失参数后，通过梯度回传损失函数计算值进行目标检测模型的网络参数更新，直到损失参数符合预设的精度标准为止。
27、另一方面，还提供一种用于配电房的未戴安全帽检测系统，用以实现所述用于配电房的未戴安全帽检测方法，包括：
28、图像获取模块，用以获取需佩戴安全帽人员的可见图像，并对图像按照预设标准进行预处理，进行数据去噪、图像增强；
29、预测模块，用以将预处理后的图像输入预先训练的目标检测模型对可见图像中需佩戴安全帽人员的安全帽位置进行检测，输出预测的边界框数据；并根据预设的非极大值抑制阈值对预测的边界框数据进行抑制，去掉重复的边界框并将去掉重复边界框的边界框数据作为最终的预测框，得到可见图像中未戴安全帽的位置及对应的预测分值；
30、报警模块，用以将预测分值与预设的报警门限比较，若预测分值小于预设的报警门限，则进行报警。
31、综上，实施本专利技术的实施例，具有如下的有益效果：
32、本专利技术提供的用于配电房的未戴安全帽检测方法及系统，增加更精细的特征来增加小目标的学习，从而增加目标被检测的概率，提升模型的性能，并且只使用部分精细特征来进行小目标学习与预测，因此检测速度与原始模型相近；克服了当前目标检测器在配电房场景下安全帽小目标检测困难的难点，通过增加更精细的特征来预测小目标，通过形态学处理来稀疏化特征从而在提升性能的前提下保证应用时的推理速度。
本文档来自技高网...【技术保护点】
1.一种用于配电房的未戴安全帽检测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述目标检测模型包括至少多个特征层，所述特征层至少包括一采样的倍率为2的第一特征层、一采样的倍率为3的第二特征层、一采样的倍率为4的第三特征层、一采样的倍率为5的第四特征层、一采样的倍率为6的第五特征层及一采样的倍率为7的第六特征层；
3.如权利要求2所述的方法，其特征在于，所述第二特征层对可见图像的每个位置进行预测，得到与每个位置对应的预测阈值，若预测阈值大于预测值下限，则判定当前位置包含目标；
4.如权利要求3所述的方法，其特征在于，还包括，通过以下过程对目标检测模型进行训练：
5.如权利要求4所述的方法，其特征在于，还包括，当对目标检测模型进行训练时，将预测阈值大于预测标值的预测目标作为正例样本，将预测阈值小于预测标值的预测目标作为负例样本；其中，所述预测标值小于所述预测值下限。
6.如权利要求5所述的方法，其特征在于，当对目标检测模型进行训练时，根据以下公式计算训练时的损失参数：
7.如权利要求6所述的
8.如权利要求7所述的方法，其特征在于，还包括，根据以下公式计算边界框损失计算值：
9.如权利要求8所述的方法，其特征在于，当计算完损失参数后，通过梯度回传损失函数计算值进行目标检测模型的网络参数更新，直到损失参数符合预设的精度标准为止。
10.一种用于配电房的未戴安全帽检测系统，用以实现如权利要求1-9任一项所述的方法，其特征在于，包括：
...【技术特征摘要】
1.一种用于配电房的未戴安全帽检测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述目标检测模型包括至少多个特征层，所述特征层至少包括一采样的倍率为2的第一特征层、一采样的倍率为3的第二特征层、一采样的倍率为4的第三特征层、一采样的倍率为5的第四特征层、一采样的倍率为6的第五特征层及一采样的倍率为7的第六特征层；
3.如权利要求2所述的方法，其特征在于，所述第二特征层对可见图像的每个位置进行预测，得到与每个位置对应的预测阈值，若预测阈值大于预测值下限，则判定当前位置包含目标；
4.如权利要求3所述的方法，其特征在于，还包括，通过以下过程对目标检测模型进行训练：
5.如权利要求4所述的方法，其特征在于，还包括，当对目标检测模型进行训练时，将预测...
【专利技术属性】
技术研发人员：郭祥葛，李毅，郑筠，伍炜卫，严玉婷，
申请(专利权)人：深圳供电局有限公司，
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。