[发明专利]一种基于YOLO的电网作业现场违章识别方法及终端

说明书

本发明公开了一种基于YOLO的电网作业现场违章识别方法及终端，包括获取作业现场源图像，将所述源图像分为训练集和测试集；在Darknet‑53目标识别模型的第一卷积层之前提取所述训练集源图像的方向梯度直方图和图像纹理特征，融合所述方向梯度直方图和图像纹理特征得到特征图；将所述特征图与所述Darknet‑53目标识别模型中对应的卷积层进行融合得到目标特征图像，将所述目标特征图像输入YOLO神经网络训练得到基于YOLO神经网络的检测模型；将所述测试集输入所述Darknet‑53目标识别模型和所述基于YOLO神经网络的检测模型，得到测试结果，根据所述测试结果确定基于YOLO神经网络的最优检测模型；实现智能识别作业现场违章行为的安全监控，保证电网作业现场的安全建设。

技术领域

本发明涉及电力施工监测技术领域，尤其涉及一种基于YOLO的电网作业现场违章识别方法及终端。

背景技术

目前，随着新能源产业的迅速发展，电力建设的需求不断扩大，电力建设的现场工作量也在不断增加，而安全监督与检测是督促现场安全建设的重要手段，通常要求安全管理人员巡查，但检查部门人力不足，且受现场环境因素影响，因此，人力监控现场安全存在漏洞且效率低；此外，受作业现场的环境限制，现有技术中摄像头的安装位置固定，监控方式单一，监控系统无法进行精确布控，无法形成及时有效的安全监控。

发明内容

为了解决以上技术问题，本发明的目的是提供一种基于YOLO的电网作业现场违章识别方法及终端，自动化实现精准有效的安全监控，保证电网作业现场的安全建设。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于YOLO的电网作业现场违章识别方法，包括以下步骤：

S1、获取作业现场源图像，将所述源图像分为训练集和测试集；

S2、在Darknet-53目标识别模型的第一卷积层之前提取所述训练集源图像的方向梯度直方图和图像纹理特征，融合所述方向梯度直方图和图像纹理特征得到特征图；

S3、将所述特征图与所述Darknet-53目标识别模型中对应的卷积层进行融合得到目标特征图像，将所述目标特征图像输入YOLO神经网络训练得到基于YOLO神经网络的检测模型；

S4、将所述测试集输入所述Darknet-53目标识别模型和所述基于YOLO神经网络的检测模型，得到测试结果，根据所述测试结果确定基于YOLO神经网络的最优检测模型，对电网作业现场进行违章识别。

进一步，所述S2具体为：

S21、在Darknet-5目标识别模型的第一卷积层之前，将所述训练集源图像进行亮度增强；

S22、对亮度增强后的源图像进行灰度归一化处理得到归一化灰度图像；

S23、计算所述归一化灰度图像的方向梯度直方图和图像纹理特征后，组合所述方向梯度直方图和所述图像纹理特征权重值，获取最优权重值，根据所述最优权重值得到特征矩阵；

S24、使用对应的步长和尺度的卷积核对所述特征矩阵进行卷积得到不同尺度特征图。

进一步，所述S3具体为：

S31、将所述不同尺度特征图分别与所述Darknet-53目标识别模型中对应尺度的卷积层进行融合得到不同尺度的目标特征图像；

S32、将所述不同尺度的目标特征图像通过维度聚类算法，得到多个聚类结果K值；

S33、采用GIOU损失函数确定最优K值，得到所述检测模型。

进一步，所述S1具体为：

从源地址中获取所述作业现场源图像，所述源图像包括第一源图像和第二源图像；所述第一源图像和所述第二源图像的数据源不同。