[发明专利]一种安全帽佩戴识别方法、系统及设备

权利要求书

1.一种安全帽佩戴识别方法，其特征在于，所述方法适用于预先训练好的神经网络模型以及训练好的随机森林分类器模型，所述神经网络模型为CNN双通道模型；方法包括以下步骤：

获取无人机拍摄的电网施工巡检图像，对电网施工巡检图像进行预处理；

将经过预处理后的电网施工巡检图像输入到训练好的神经网络模型中，训练好的神经网络模型输出电网施工巡检图像的工人特征；

采用线性判别法对电网施工巡检图像的工人特征进行评价，根据评价结果选取出安全帽相关特征；

将安全帽相关特征输入到训练好的随机森林分类器模型中，训练好的随机森林分类器输出电网施工巡检图像中的安全帽佩戴识别结果。

2.根据权利要求1所述的一种安全帽佩戴识别方法，其特征在于，CNN双通道模型包括CNNa模型以及CNNb模型，CNNa模型以及CNNb模型均为9层网络结构，包括5个卷积层和4个全连接层，且最后一个全连接层输出512个神经单元。

3.根据权利要求2所述的一种安全帽佩戴识别方法，其特征在于，对电网施工巡检图像进行预处理的过程包括：

对电网施工巡检图像进行缩放，分别将电网施工巡检图像的长和宽缩放至256像素，将缩放后的图像作为CNNa模型的输入；

将缩放后的电网施工巡检图像进行HSV变换，得到V通道图像，将V通道图像作为CNNb模型的输入。

4.根据权利要求2所述的一种安全帽佩戴识别方法，其特征在于，训练好的神经网络模型输出电网施工巡检图像的工人特征的具体过程为：

神经网络模型对CNNa模型最后一个全连接层的输出与CNNb模型最后一个全连接层的输出进行交叉连接，将CNNa模型最后一个全连接层的输出和CNNb模型最后一个全连接层的输出分解成两个部分，对两个部分进行第二次混合，得到256维的特征向量，即电网施工巡检图像的工人特征。

5.根据权利要求2所述的一种安全帽佩戴识别方法，其特征在于，得到预先训练好的神经网络模型的具体过程为：

设置神经网络模型中的CNNa模型的网络参数以及CNNb模型的网络参数；

将历史电网施工巡检图像以及历史电网施工巡检图像相对应的工人特征输入到神经网络模型中；

采用BP算法对神经网络模型进行训练，对神经网络模型的权重进行调整，直至神经网络模型输出的工人特征和历史电网施工巡检图像相对应的工人特征相同，得到训练好的神经网络模型。

6.根据权利要求5所述的一种安全帽佩戴识别方法，其特征在于，采用常数分割模型对随机森林分类器模型进行训练，得到训练好的随机森林分类器模型。

7.根据权利要求6所述的一种安全帽佩戴识别方法，其特征在于，采用常数分割模型对随机森林分类器模型进行训练的具体过程为：

获取训练样本，训练样本包括历史电网施工巡检图像的安全帽特征以及历史电网施工巡检图像中安全帽所对应的类别标签；

建立随机森林分类器模型，将训练样本输入到随机森林分类器模型中进行训练；

定义分割函数，在训练过程中对随机森林分类器模型中每一个树的每一个节点，计算训练样本的基尼系数，采用分割函数对基尼系数最小的训练样本进行分割，将训练样本划分为左子节点和右子节点，直至所有训练样本分割完毕。

8.根据权利要求7所述的一种安全帽佩戴识别方法，其特征在于，采用线性判别法对电网施工巡检图像的工人特征进行评价的过程为：

计算电网施工巡检图像的每一个工人特征的类内离散度；

根据类内离散度计算电网施工图像的工人特征类离差；

基于类内离散度和类离差对电网施工图像的工人特征进行评分。