[发明专利]基于深度学习的输变电工程违章识别的方法、系统和介质

说明书

本发明提出了基于深度学习的输变电工程违章识别的方法、系统和介质。所述方法包括：步骤1、采集输变电工程中的违章样本图片，将所述违章样本图片分为M类，其中，M表示违章类型的数量，每类违章样本图片N张；步骤2、利用旋转和平移方式对所述违章样本图片进行样本增强，获得增强后的违章样本图片；步骤3、利用所述增强后的违章样本图片构建网络模型；步骤4、将输变电工程实施现场采集到的图片输入至所述网络模型中进行违章识别，获得所述图片对应的违章类型。

技术领域

本发明提出了基于深度学习的输变电工程违章识别的方法、系统和介质，属于图像识别技术领域。

背景技术

面对点多、面广、量大的输变电工程施工现场，作业点安全督察必须依靠督察人员到现场开展检查的方式已经无法满足现场安全管控的要求。随着人工智能技术的不断发展与成熟，通过施工现场前端监控摄像头，引入深度学习图像识别算法，实现施工人员违章行为智能识别并及时提醒，能够有效保证施工人员降低违章行为的发生率，保障施工的安全性。

目前，施工现场违章识别传统算法一般分为深度学习方法和传统方法。深度学习方法通过在原图中提取违章行为图像特征，实现端到端的训练和推理，直接检测算法实现过程简单且速度快；传统方法一般分为人体区域检测、违规特征提取和违规识别3个步骤，常见的算法可以分为基于运动检测的背景建模法、基于人工特征和传统分类为的机器学习算法以及基于卷积神经网络的深度学习算法。深度学习方法能够自动学习更具层次表达能力的特征，极大提升了违章检测算法的整体性能。

传统算法具有以下缺点：(1)特征设计多需要手工设计，需要针对每种违章类型分别设计特征提取方法，适用性较差；(2)传统算法鲁棒性较差，违章行为场景一经变化则会导致算法检测精度下降。

发明内容

本发明提出了基于深度学习的输变电工程违章识别的方法，首先采集违章识别样本数据集，并构建违章识别神经网络，训练时，将输入图片拆分成小图像块，以线性嵌入序列输入神经网络，通过监督学习的方式训练出违章识别网络模型参数。在应用中，输入待识别图片，即可输出得到输入图片的违章类型。

与传统违章检测方法相比，本发明采用的深度学习方法可以自动根据数据提取图像特征，提高分类鲁棒性。

与常规的深度卷积模型相比，本发明模型结构简单，各个模块可复用性强，易于实现部署。同时本发明在注意力融合模块中，引入空间注意力和通道注意力结构，增强图像特征提取能力，对每个特征图的处理和分析能够检测出不同大小的目标，可以有效提高违章检测精度。

基于深度学习的输变电工程违章识别的方法，所述方法包括：

步骤1、采集输变电工程中的违章样本图片，将所述违章样本图片分为M类，其中，M表示违章类型的数量，每类违章样本图片N张；

步骤2、利用旋转和平移方式对所述违章样本图片进行样本增强，获得增强后的违章样本图片；

步骤3、利用所述增强后的违章样本图片构建网络模型；

步骤4、将输变电工程实施现场采集到的图片输入至所述网络模型中进行违章识别，获得所述图片对应的违章类型。

进一步地，步骤1所述的利用所述增强后的违章样本图片构建网络模型，包括：

步骤301、通过所述增强后的违章样本图片获取与所述增强后的违章样本图片对应的输出特征c_i；

步骤302、将所述输出特征c_i进行特征融合，获得融合后参数序列，并将所述融合后参数序列融入后处理模块进行处理，其中，所述融合后参数序列如下：

C＝[c₁，c₂，...，c_k]