[发明专利]一种电力作业场景下人员识别方法

权利要求书

1.一种电力作业场景下人员识别方法，其特征在于，包括以下步骤：

步骤1，收集电力施工现场工作人员图像、非施工人员图像和没有检测目标的图像，并将不同人员进行打标区分，构成训练的数据集；

步骤2，将收集到的数据集进行扩充；

步骤 3，使用扩充后的数据集对目标检测网络进行训练，获得人员识别模型；

所述目标检测网络包括三个部分：特征提取部分、特征融合部分和结果输出部分；

所述特征提取部分包括7个卷积模块，其中第一卷积模块包括1个3×3卷积，1个2×2卷积以及一个通道空间注意模块；第二卷积模块包括2个1×1卷积和1个3×3卷积，第三卷积模块包括1个2×2卷积和一个通道空间注意模块；第四个卷积模块包括2个1×1卷积和1个3×3卷积，第五卷积模块包括1个2×2卷积和一个通道空间注意模块，第六个卷积模块包括2个1×1卷积和1个3×3卷积，第七卷积模块包括1个2×2卷积和一个通道空间注意模块；另外将第一卷积模块的输出进行深度可分离卷积之后与第二卷积模块的输出进行加和得到第三卷积模块的输入，第三卷积模块的输出进行深度可分离卷积之后与第四卷积模块的输出进行加和得到第五卷积模块的输入，第五卷积模块的输出进行深度可分离卷积之后与第六卷积模块的输出进行加和得到第七卷积模块的输入；

所述特征融合部分包括1个卷积操作模块，1个分支结构和3个上采样模块，其输入为第七卷积模块的输出，其中卷积操作模块包括2个1×1卷积和1个3×3卷积，分支结构对卷积操作模块的输出分别进行3×3、7×7和9×9的卷积，然后将3个分支的输出和卷积操作模块的输出进行拼接作为上采样模块的输入，每个上采样模块包括2个1×1卷积、1个3×3卷积和1个上采样操作；结果输出部分包括三个输出，分别为用于预测大目标的输出、用于预测中目标的输出和用于预测小目标的输出，其中预测大目标的输出是通过第七卷积模块与第一上采样模块拼接之后经过1个3×3卷积和1个1×1卷积实现，预测中目标的输出是通过第五卷积模块与第二上采样模块拼接之后经过1个3×3卷积和1个1×1卷积实现，预测小目标的输出是通过第三卷积模块与第三上采样模块拼接之后经过1个3×3卷积和1个1×1卷积实现；

特征提取部分的具体处理过程如下；

训练图像输入第一卷积模块，先进行3×3卷积将其深度变为32层，接着使用一个2×2步距为2的卷积将特征图高宽缩小成原来的1/2，通道数不变，通过通道空间注意模块获取全局特征，不改变特征图的高宽和通道数；然后进入第二卷积模块，先通过1×1的卷积把特征图的通道数调整为64，再通过3×3卷积将通道数变为128，最后执行1×1的卷积把特征图的通道数调整为64，再将第一卷积模块的输出进行深度可分离卷积之后与第二卷积模块的输出进行加和得到第三卷积模块的输入；

再执行第三卷积模块至第六卷积模块，得到高宽为原图1/8的特征图，其深度为256层，将这个特征图送入第七卷积模块，先进行2×2步距为2的卷积，将特征图高宽缩小为原来的1/16，然后送入通道空间注意模块，不改变特征图的高宽和通道数；

其中，每一个卷积操作之后都会进行归一化操作和激活操作，这里激活操作使用的激活函数是Leaky ReLU；

步骤4，使用训练好的人员识别模型实时检测现场采集的图像，检测到人员时输出人员的身份，当识别到的人员身份为非施工人员时进行提醒。

2.如权利要求1所述的一种电力作业场景下人员识别方法，其特征在于：通道空间注意模块的具体操作如下；

首先，将输入特征图先进行3×3卷积操作，不改变特征图高宽和通道数，然后送入通道注意模块，通道注意模块具体操作是分别对特征图进行全局平均池化和全局最大池化，得到两个向量，再将这两个向量相加，得到通道维上的向量权重，将这个权重向量与原输入特征图相乘，得到具有通道注意的特征图；

然后，在获得具有通道注意的特征图后先进行3×3卷积操作，然后送入空间注意模块，空间注意模块具体操作是通过两个分支生成两个与原图大小相同的特征图，其中一个分支是1×1步长为1的最大池化操作和一个分支是1×1步长为1的平均池化操作，然后将这两个特征图进行拼接再进行卷积操作生成通道维为1维的特征图，使用这个1维特征图与原具有通道注意的特征图相乘得到空间注意特征图，最后再将得到的空间注意特征图直接与通道注意模块中的通道维向量权重进行相乘，输出既有通道注意又有空间注意的特征图。