[发明专利]一种安全帽佩戴识别方法、系统及设备

说明书

本发明公开了一种安全帽佩戴识别方法、系统及设备，包括：获取电网施工巡检图像并进行预处理，将图像输入到训练好的神经网络模型中得到电网施工巡检图像的工人特征；对工人特征进行评价，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，得到电网施工巡检图像中的安全帽佩戴识别结果。本发明实施例利用双通道CNN数据流提取出电网施工巡检图像的工人特征，精度更高，能更准确地识别出图像中的工人特征；利用随机森林分类器模型对安全帽相关特征进行识别，随机森林分类器模型利用随机森林算法预测精度高、抗噪声能力强、拟合性能好的特点，从而能够在工人特征中的准确识别出安全帽的佩戴情况。

技术领域

本发明涉及图像识别领域，尤其涉及一种安全帽佩戴识别方法、系统以及设备。

背景技术

现有的电网线路故障多由降雨、大风或泥石流等自然灾害引起，一旦发生故障，虽然一定区域内电力巡检能够借助无人机进行，但具体线路的检修仍需要人工完成。通常的电网环境包括变电站、森林、河流等，具有复杂环境、危险等级高、遮盖物多的特点，使得无人机所获得的图像背景复杂，且由于发生故障的地方多是地势险峻、山高林密或江河跨越的地方，人员发生意外的可能性大，因而需要对检修的人员进行精确的识别以通过位置确保其安全性，而通过电力工人工作时佩戴的安全帽对其进行人员的识别是主要的定位和保护人员的方式。

现有安全帽识别主要采用传统的模式识别，通过图像预处理、图像特征提取、图像中安全帽识别等步骤进行佩戴识别，或采用神经网络等深度学习对安全帽进行识别。然而由于无人机巡检拍摄的安全帽的图像信息包含不同角度、不同光照或不同地区的信息，甚至是不同品牌的安全帽其数据特征也不相同，使得安全帽识别方法存在识别率波动大、易受周围环境干扰和颜色识别不精确等问题。因而如何提高安全帽在电力作业环境下的识别是亟需解决的问题。

综上所述，现有技术中对无人机采集到的电网施工巡检图像进行安全帽识别时，存在着识别精确度较低的技术问题。

发明内容

本发明提供了一种安全帽佩戴识别方法、系统以及设备，用于解决现有技术中对无人机采集到的电网施工巡检图像进行安全帽识别时，存在着识别精确度较低的技术问题。

本发明提供的一种安全帽佩戴识别方法，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。

优选的，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。

优选的，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。

优选的，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：