[发明专利]一种电力作业场景下人员识别方法

说明书

本发明公开了一种电力作业场景下人员识别方法，包括：收集电力施工现场工作人员图像、非施工人员图像和一些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。将收集到的数据集通过图像拼接、图像翻转和增加噪点等技术，对数据集进行扩充。目标检测网络使用扩充后的数据集进行训练，获得人员识别模型。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。本发明可以避免非施工人员误入电力施工现场的状况，有效实施对电力施工现场人员情况的监督，有力保证了电力施工现场的生命财产安全。

技术领域

本发明涉及目标检测领域，并且更具体地，涉及一种电力作业场景下人员识别方法。

背景技术

近年来，随着计算机视觉计算的逐渐成熟，尤其是神经网络技术的飞速发展，深度学习技术开始应用于各类生产环境中。深度学习的概念最早起源于西方的数学家和计算机科学家对人工神经网络的研究。人工神经网络，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法模型，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。深度学习出现在生活中并且发挥着巨大的作用，目前也应用到了电力施工场景中。

在电力、建筑等作业现场存在特殊带电或其他危险设备，且环境复杂，容易出现安全事故，如果非没有达到电力工作要求的人员进入到电力施工现场，很容易造成人员伤亡。在日常电力作业阶段，需要对这种现象进行监督，减少这种事情发生的概率。但是，由于作业人员自身安全意识不够，容易出现非施工人员进入施工现场的情况，需要监护人员时刻在场监督，及时制止。通过数据统计发现，人工识别作业人员的身份会导致监护人员的劳动强度大，识别效率低下，智能化水平低下。

公开号为CN113378622A的中国专利公开了“一种特定人员识别方法、设备、系统及介质”根据获取摄像系统抓拍的人脸图像进行特征识别后的图像特征值，判断被抓拍人员是否为特定人员。但是这项技术对于图像要求比较高，灵活性不够，而且当前疫情期间使用人脸作为特定人员识别的特征，需要检测人员摘下口罩，不符合当前现状。

发明内容

针对现用技术的以上缺陷或者改进需求，本发明提供了一种电力作业场景下人员识别方法，其目的在于解决非施工人员误入电力施工现场的状况，有效实施对电力施工现场安全情况的监督，有力保证了电力施工现场人员的生命财产安全。

为实验上述目的，按照本发明的一个方面，提供了一种电力作业场景下人员识别方法，包括如下步骤：

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；

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。

进一步的，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。