[发明专利]电力现场作业中的跌落检测算法

说明书

一种电力现场作业中的跌落检测算法，包括以下步骤：S1：通过python 3.6.5+keras工程环境搭建yolov3，其中backbone使用Darknet53，损失函数使用交叉熵损失函数，使用迁移学习加载预训练参数；S2：通过电力现场监控视频或者现场拍照获取待检测电力现场图片数据，将图片数据中的安全绳部分通过labelimg打标，然后将图片数据制作成可喂入网络的训练集；S3：获取开源数据集，将开源数据集与训练集合并成总数据集，将总数据集过数据增强的方式进行扩充；S4：将总数据集喂入网络后使用Adam优化器进行优化，使用总数据集进行训练，获得最终模型；S5：通过模型对实时电力现场作业中的安全绳进行检测。该电力现场作业中的跌落检测算检测速度快且检测结果准确。

技术领域

本发明涉及电力现场目标检测领域，特别是涉及一种电力现场作业中的跌落检测算法。

背景技术

随着电网规模的快速发展，现场施工作业出现点多面广、作业环境复杂多样的情况。在施工作业中，人的不安全行为、物的不安全状态和环境的不安全因素总是客观存在的，这些不安全因素在生产活动中就形成了风险，且一旦失控就可能导致不安全事故的发生。

目前，电力现场施工的规范化以及机械化都降低了不安全事故的发生率，但由于电力现场作业的种种不安全因素，不安全事故还是会发生，比如物的跌落、人的跌落。此时需要对跌落的人或物进行及时救治或者处理，尽量减少伤害和损失。所以，能够快速准确检测出电力现场作业监控视频中跌落人或者物至关重要，但是目前的检测方法速度慢且检测结果不准确，耽误了对跌落人的救治或者物的止损。

因此，针对现有技术不足，提供一种电力现场作业中的跌落检测算法以克服现有技术不足甚为必要。

发明内容

本发明的目的在于避免现有技术的不足之处而提供一种电力现场作业中的跌落检测算法，检测速度快且检测结果准确。

本发明的目的通过以下技术措施实现。

提供一种电力现场作业中的跌落检测算法，包括以下步骤：

S1：通过python3.6.5+keras工程环境搭建yolov3，其中backbone使用Darknet53，损失函数使用交叉熵损失函数，使用迁移学习加载预训练参数。

S2：通过电力现场监控视频或者现场拍照获取待检测电力现场图片数据，将图片数据中的安全绳部分通过labelimg打标，然后将图片数据制作成可喂入网络的训练集。

S3：获取开源数据集，将开元数据集与训练集合并成总数据集，将总数据集过数据增强的方式进行扩充。

S4：将总数据集喂入网络后使用Adam优化器进行优化，使用总数据集进行模型训练，获得最终模型。

S5：通过模型对实时电力现场作业中的安全绳进行检测。

优选的，S4中使用总数据集进行模型训练时采用衰减学习率的方式进行。

优选的，模型训练过程中通过通过准确率来评价模型。

本发明的一种电力现场作业中的跌落检测算法，包括以下步骤：S1：通过python3.6.5+keras工程环境搭建yolov3，其中backbone使用Darknet53，损失函数使用交叉熵损失函数，使用迁移学习加载预训练参数；S2：通过电力现场监控视频或者现场拍照获取待检测电力现场图片数据，将图片数据中的安全绳部分通过labelimg打标，然后将图片数据制作成可喂入网络的训练集；S3：获取开源数据集，将开源数据集与训练集合并成总数据集，将总数据集过数据增强的方式进行扩充；S4：将总数据集喂入网络后使用Adam优化器进行优化，使用总数据集进行训练，获得最终模型；S5：通过模型对实时电力现场作业中的安全绳进行检测。该电力现场作业中的跌落检测算检测速度快且检测结果准确，有利于提高电力现场作业的安全性。

具体实施方式