【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于多尺度残差网络的安全帽佩戴状态检测方法及系统。
技术介绍
1、随着经济的快速发展，人们对电力的需求不断增加，而电力施工现场环境复杂，任务类型多样，因此，遵守工装穿戴规则是安全生产的基本要求。正确佩戴安全帽和工具可以在很大程度上保护操作员的人身安全。然而，由于操作人员自身的懈怠和疏忽以及管理人员放松警惕，施工过程中的安全风险时有发生。因此，确保工人穿着合适的服装并遵守安全法规至关重要，对于监督这些站点的管理人员来说，识别和解决违反安全协议的行为对于维护安全和高效的工作环境至关重要。
2、在传统技术中，变电站施工现场工人着装和行为的评估主要通过安保人员的人工检查进行。然而，这种方法在劳动方面被证明既耗时又苛刻。此外，人工检查可能无法实时覆盖所有工人，尤其是在大型建筑工地。随着视频监控技术的进步，许多电力施工现场都安装了监控系统，通过网络将视频片段传输到变电站的监控调度中心。值班保安人员可以实时监控工人的活动，并通过监控视频识别违规行为。然而，目前的监控方法仍然依赖于人工检查，忽视了充分利用智能视频监控技术提供的功能。这限制了在各种施工场景中有效和准确地识别违规行为的能力。因此，需要利用智能视频监控技术来开发一种更有效、更准确的方法来识别施工违规行为。
3、公开号为cn116645782a的中国专利申请公开了一种基于图像识别的安全帽帽带检测方法。该方法包括：采集安全闸机拍摄的工人图像信息；根据采集的图像信息对工人安全帽姿态进行识别，并提取安全帽帽带在工人头部的佩戴路径；其
4、公开号为cn116503707a的中国专利申请公开了一种基于改进yolox的安全帽佩戴检测方法及装置，首先，采集安全帽佩戴检测原始图像样本集并按比例划分训练集与测试集；其次，在yolox-s算法的主干网络中引入注意力模块sam与cam，从特征空间和特征通道两个维度来对重要信息增大权重；第三，增加小目标检测层，以得到四个不同尺度的特征；最后，输出安全帽佩戴状态检测结果。该专利技术检测方法使用sam与cam嵌入到yolox可以通过注意力机制提高检测精度，检测安全帽佩戴状态时更为细致。
5、公开号为cn116469035a的中国专利申请公开了一种安全帽的跟踪检测方法。该方法包括：首先获取一段电力员工的工作视频，并利用yolov7网络对视频的每一帧进行目标检测，检测结果为每帧中每个电力员工是否佩戴安全帽；其次构建帧内关系模块，利用帧内关系模块对每帧中电力员工是否佩戴安全帽进行标记，电力员工佩戴安全帽标记为1、电力员工佩戴安全帽情况不确定标记为0、电力员工未佩戴安全帽标记为-1；最终用deepsort方法跟踪每个电力员工的轨迹，完成对安全帽的跟踪检测。
6、公开号为cn116630668a的中国专利申请提供了一种快速轻量级的安全帽佩戴异常识别方法，首先收集大量安全帽的图片作为原始样本数据集；然后划分训练集和测试集，利用标注工具labellmg对训练集进行标注，并保存标注完成后安全帽佩戴状态图片的信息，得到样本数据；其次在yolov5检测模型的特征提取模块引入ca注意力机制，并结合改进k-means聚类算法得到最优预测框尺寸参数；最后利用改进的yolov5-cc目标检测模型得到安全帽佩戴状态检测结果。
7、而上述现有技术未考虑到安全帽尺寸较小，且容易受复杂环境与不同光照距离等因素影响，会导致对安全帽佩戴区域小目标的空间辨识能力下降，并使安全帽佩戴状态检测精度较差，难以适应实际工程应用中的检测需求。
技术实现思路
1、本专利技术提供了一种基于多尺度残差网络的安全帽佩戴状态检测方法及系统，解决了现有技术未考虑到安全帽尺寸较小，且容易受复杂环境与不同光照距离等因素影响，会导致对安全帽佩戴区域小目标的空间辨识能力下降，并使安全帽佩戴状态检测精度较差，难以适应实际工程应用中的检测需求的技术问题。
2、有鉴于此，本专利技术第一方面提供了一种基于多尺度残差网络的安全帽佩戴状态检测方法，包括以下步骤：
3、响应安全帽佩戴状态检测请求，获取安全帽佩戴状态图像；
4、将所述安全帽佩戴状态图像输入至预先训练好的基于多尺度残差网络的安全帽佩戴状态检测模型中进行多尺度特征检测，得到安全帽佩戴状态类别预测结果。
5、优选地，所述预先训练好的基于多尺度残差网络的安全帽佩戴状态检测模型包括依次连接的特征提取网络、特征融合网络和自适应解耦检测模块头；
6、所述将所述安全帽佩戴状态图像输入至预先训练好的基于多尺度残差网络的安全帽佩戴状态检测模型中进行多尺度特征检测，得到安全帽佩戴状态类别预测结果的步骤，包括：
7、将所述安全帽佩戴状态图像输入至所述特征提取网络中，并引入cbam注意力机制对所述安全帽佩戴状态图像进行多尺度特征提取，得到浅层特征、中层特征和深层特征；
8、将所述浅层特征、所述中层特征和所述深层特征分别输入至所述特征融合网络中进行特征强化处理，得到三个强化特征；
9、将所述三个强化特征分别输入至所述自适应解耦检测模块头中进行解码预测，得到安全帽佩戴状态类别预测结果。
10、优选地，所述特征提取网络包括依次连接的输入层、第一cbl特征提取模块、第二cbl特征提取模块、第一mfem多尺度特征提取模块、第一mp最大值池化模块、第二mfem多尺度特征提取模块、第二mp最大值池化模块、第三mfem多尺度特征提取模块和第三mp最大值池化模块；
11、所述将所述安全帽佩戴状态图像输入至所述特征提取网络中，并引入cbam注意力机制对所述安全帽佩戴状态图像进行多尺度特征提取，得到浅层特征、中层特征和深层特征的步骤具体包括：
12、将所述安全帽佩戴状态图像通过所述输入层依次经过所述第一cbl特征提取模块和所述第二cbl特征提取模块进行特征压缩，得到cbl压缩特征；
13、将cbl压缩特征依次经过所述第一mfem多尺度特征提取模块和所述第一mp最大值池化模块进行特征强化，再通过所述第二mfem多尺度特征提取模块进行特征提取，得到浅层特征；
14、将所述浅层特征依次经过所述第二mp最大值池化模块和所述第三mfem多尺度特征提取模块进行特征提取，得到中层特征；
15、将所述中层特征输入至所述第三mp最大值池化模块进行特征提取，得到深层特征。
16、优选地，本方法还包括：
17、构建mfem多尺度特征提取模块，所述mfem多尺度特征提取模块包括四个特征提取分支和concat连接层，所述四个特征提取分支均与所述concat连接层连接；
18、所述四个特征提取分支分别定义为第一特征提取分支、第二特征提取分支、第三特征提取分支和第四特征提取分支，所述第一特征提取分支由残差网络尺度本文档来自技高网...
【技术保护点】
1.基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，所述预先训练好的基于多尺度残差网络的安全帽佩戴状态检测模型包括依次连接的特征提取网络、特征融合网络和自适应解耦检测模块头；
3.根据权利要求2所述的基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，所述特征提取网络包括依次连接的输入层、第一CBL特征提取模块、第二CBL特征提取模块、第一MFEM多尺度特征提取模块、第一MP最大值池化模块、第二MFEM多尺度特征提取模块、第二MP最大值池化模块、第三MFEM多尺度特征提取模块和第三MP最大值池化模块；
4.根据权利要求3所述的基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，还包括：
5.根据权利要求3所述的基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，所述特征融合网络包括第七CBL特征提取模块、第八CBL特征提取模块、第九CBL特征提取模块、第十CBL特征提取模块、第十一CBL特征提取模块、第十二CBL特征提
6.根据权利要求5所述的基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，还包括：
7.根据权利要求5所述的基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，所述自适应解耦检测模块包括三个并列的自适应解耦检测头，每个自适应解耦检测头包括第一1×1卷积层、第一3×3卷积层、第二3×3卷积层、第三3×3卷积层、第四3×3卷积层、第二1×1卷积层、第三1×1卷积层、第四1×1卷积层和耦合输出层，所述第一1×1卷积层分别与所述第一3×3卷积层和所述第二3×3卷积层连接，所述第一3×3卷积层和所述第三3×3卷积层连接构成第一3×3卷积分支，所述第二3×3卷积层与所述第四3×3卷积层连接构成第二3×3卷积分支，所述第三3×3卷积层与所述第二1×1卷积层连接，所述第四3×3卷积层分别与所述第三1×1卷积层和所述第四1×1卷积层连接，所述第二1×1卷积层、所述第三1×1卷积层和所述第四1×1卷积层均与所述耦合输出层连接。
8.根据权利要求7所述的基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，所述将所述三个强化特征分别输入至所述自适应解耦检测模块头中进行解码预测，得到安全帽佩戴状态类别预测结果的步骤，具体包括：
9.根据权利要求1所述的基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，所述将所述安全帽佩戴状态图像输入至预先训练好的基于多尺度残差网络的安全帽佩戴状态检测模型中进行多尺度特征检测，得到安全帽佩戴状态类别预测结果的步骤之前，还包括训练基于多尺度残差网络的安全帽佩戴状态检测模型的步骤；
10.基于多尺度残差网络的安全帽佩戴状态检测系统，其特征在于，包括：
...【技术特征摘要】
1.基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，所述预先训练好的基于多尺度残差网络的安全帽佩戴状态检测模型包括依次连接的特征提取网络、特征融合网络和自适应解耦检测模块头；
3.根据权利要求2所述的基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，所述特征提取网络包括依次连接的输入层、第一cbl特征提取模块、第二cbl特征提取模块、第一mfem多尺度特征提取模块、第一mp最大值池化模块、第二mfem多尺度特征提取模块、第二mp最大值池化模块、第三mfem多尺度特征提取模块和第三mp最大值池化模块；
4.根据权利要求3所述的基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，还包括：
5.根据权利要求3所述的基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，所述特征融合网络包括第七cbl特征提取模块、第八cbl特征提取模块、第九cbl特征提取模块、第十cbl特征提取模块、第十一cbl特征提取模块、第十二cbl特征提取模块、sppcspc空间金字塔池化模块、第一arcm自适应组合残差模块、第二arcm自适应组合残差模块、第三arcm自适应组合残差模块和第四arcm自适应组合残差模块；
6.根据权利要求5所述的基于多尺度残差网络的安全帽佩戴状态检测方法，其特征在于，还包括：
7.根据权利要求5所述的基于多...
【专利技术属性】
技术研发人员：吴悦园，孙美蝶，张彤，莫仲辉，林丽霞，李华轩，廖志峰，康钱江，陈婷，毛慰，
申请(专利权)人：广东电网有限责任公司，
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。