基于深度学习和双目视觉的电力作业人员识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习和双目视觉的电力作业人员识别方法及系统，包括：采集图像数据；构建使用MobileNetV3改进SSD的目标识别模型，提取图像数据特征，根据特征信息预测位置坐标；利用双目视觉系统重建空间位置坐标，将预测的位置坐标映射到立体空间；输出对电力作业人员的识别结果和位置信息。我方发明专利技术的方法减少了网络模型的参数量。使用改进的反向残差结构作为SSD目标检测模型的辅助网络的基本结构，从而在提高模型准确率的同时减少参数量和运算量。将深度学习与双目视觉系统进行融合，利用双目视觉成像原理，将二维图像坐标系映射至实际空间中，有效增强了电力作业人员识别的真实感，减少了二维图像信息来源单一的干扰。

【技术实现步骤摘要】

本专利技术涉及图像识别，具体为基于深度学习和双目视觉的电力作业人员识别方法及系统。

技术介绍

1、传统的电力人员作业识别多采用现场监督或通过摄像头远程监督等方式，但由于监督人员和电力作业人员存在对规章制度了解不足等问题，容易危害电力作业人员人身安全，因而发展智能化电力作业监督系统对保障电力作业人员的人身安全尤为重要。

2、图像识别是智能化识别技术的基础，计算机视觉技术经过几十年的发展取得了长远的进步，传统的图像处理技术主要依赖对图像边缘特征的提取、图像形态学处理，通过提取人工预先确定好的图像特征信息做后续处理，这类算法十分依赖人工经验，较大程度上会受到环境因素影响，鲁棒性较差。深度学习是通过训练深度神经网络从而提取出不随行人姿态、运动状态等变化而改变的特征，不需要手工设计特征，从而可以获得检测结果的尺度、形态不变性。而使用基于深度学习模型的目标检测方法进行电力作业人员识别可以避免复杂的手工特征设计，并可以扩展至多姿态、多类别的人员识别模式上。

3、但基于深度学习的目标检测方法得到的行人等目标在图像坐标系中的位置以及图像信息，而无法获本文档来自技高网...

【技术保护点】

1.基于深度学习和双目视觉的电力作业人员识别方法，其特征在于，包括：

2.如权利要求1所述的基于深度学习和双目视觉的电力作业人员识别方法，其特征在于：所述图像数据包括，作业人员图像数据，在不同姿态，不同距离，不同光照条件下的电力人员图像数据；电力设备和场所环境图像数据；安全相关数据，作业人员的安全装备使用情况，作业区域的安全警示标志信息图像数据。

3.如权利要求2所述的基于深度学习和双目视觉的电力作业人员识别方法，其特征在于：所述SSD目标识别模型包括，输入图像数据，将VGG-16作为主干特征提取网络，提取图像数据的特征图；后2层全连接层改为卷积层Conv6和Co...

【技术特征摘要】

1.基于深度学习和双目视觉的电力作业人员识别方法，其特征在于，包括：

2.如权利要求1所述的基于深度学习和双目视觉的电力作业人员识别方法，其特征在于：所述图像数据包括，作业人员图像数据，在不同姿态，不同距离，不同光照条件下的电力人员图像数据；电力设备和场所环境图像数据；安全相关数据，作业人员的安全装备使用情况，作业区域的安全警示标志信息图像数据。

3.如权利要求2所述的基于深度学习和双目视觉的电力作业人员识别方法，其特征在于：所述ssd目标识别模型包括，输入图像数据，将vgg-16作为主干特征提取网络，提取图像数据的特征图；后2层全连接层改为卷积层conv6和conv7，并在主干网络之后加入卷积层；网络模型采用特征图金字塔方法，提取卷积层conv4_3、conv7、conv8_2、conv9_2、conv10_2和conv11_2的输出特征图用于预测，输入图片为300×300×3，在卷积层conv4_3转换为38×38×512，经过conv7、conv8_2、conv9_2、conv10_2和conv11_2卷积操作提取特征信息，输出特征图为1×1×256；

4.如权利要求3所述的基于深度学习和双目视觉的电力作业人员识别方法，其特征在于：所述mobilenetv3改进包括，使用轻量化mobilenetv3替代vgg16作为主干特征提取网络，引入了改进的反向残差结构作为辅助网络基本结构；

5.如权利要求...

【专利技术属性】
技术研发人员：班国邦，邓松，欧阳广泽，钟晶亮，何雨旻，高吉普，欧家祥，陈泽瑞，黄亮程，李翱鹏，杨凤生，马晓红，杨平安，张晓春，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：