[发明专利]基于深度学习的电力作业现场工作服识别方法和装置

说明书

本发明实施例涉及图像处理技术领域，公开了一种基于深度学习的电力作业现场工作服识别方法和装置。该方法包括：采集大量含有电力作业人员穿着工作服以及未穿工作服信息的图片，构建第一训练数据集；使用所述第一训练数据集训练得到深度神经网络模型；根据人工标注的内容，将第一训练数据集中所有的工作服图片进行裁剪，构建第二训练数据集；提取所述第二训练数据集中所有工作服图像的颜色信息，通过拟合的方式确定椭球型区域所在的位置；通过深度神经网络模型和颜色特征信息对待识别图像是否为身着工作服进行识别。实施本发明实施例，可以提高工作服识别的准确度。

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于深度学习的电力作业现场工作服识别方法和装置。

背景技术

电力作业人员在进行作业时要求穿着工作服，传统检查作业人员是否正确身着工作服的方法是人工监察，受限于工作时长和工作场景，监察人员无法保证随时都在监察。目前应用的技术考虑应用计算机视觉的办法，采用目标检测算法对作业人员的服装做识别，但受限于算法的准确度，经常会发生误判。

发明内容

针对所述缺陷，本发明实施例公开了一种基于深度学习的电力作业现场工作服识别方法和装置，能够有效地提高工作服识别的准确率。

本发明实施例第一方面公开一种基于深度学习的电力作业现场工作服识别方法，所述方法包括：

采集大量含有电力作业人员穿着工作服以及未穿工作服信息的图片，同时对采集到所有图片做人工标注，构建第一训练数据集；

使用所述第一训练数据集训练用于检测工作服和未穿工作服的深度神经网络初始模型，以得到深度神经网络模型；

根据人工标注的内容，将第一训练数据集中所有的工作服图片进行裁剪，得到裁剪的工作服图像，构建第二训练数据集；

提取所述第二训练数据集中所有工作服图像的颜色信息，通过提取到的图像颜色信息构建特征颜色矩阵，实际作业穿着的工作服为蓝色或灰色，采集到的图像颜色点也会集中分布在色域的蓝灰色区域，并且分布呈椭球型，通过拟合的方式确定整个椭球型区域所在的位置ζ；

使用所述深度神经网络模型确定待识别图像的目标的位置信息和所述目标作为工作服与非工作服的概率信息p_h1、p_p1，根据所述位置信息对所述待识别图像进行裁剪，统计所述裁剪后的待识别图像的颜色信息，使用聚类算法计算所述颜色信息的k个聚类中心点；

对于第i个聚类中心点d_i，若d_i∈ζ，则令p_di＝1；若设置容忍距离d_tolerance，计算该点到椭球的距离d_real，则该点的

如果p_h1+p_d＞p_p1，则判断穿着为工作服，否则为未穿工作服；

其中，1≤i≤k，p_di为第i个聚类中心点d_i为工作服的概率信息。

作为较佳的实施例，在本发明实施例第一方面中，构建第二训练数据集，之前，还包括：

将所述裁剪后的工作服图像统一缩放至相同的尺寸。

作为较佳的实施例，在本发明实施例第一方面中，构建第一训练数据集，之后，还包括：

调整所述第一训练数据集中的图像亮度。

作为较佳的实施例，在本发明实施例第一方面中，所述调整所述第一训练数据集中的图像亮度，包括：