[发明专利]一种适用于电力施工场景下违章行为检测方法

说明书

本发明公开了一种适用于电力施工场景下违章行为检测方法，采用轻量级深度学习神经网络，从图像中提取不同尺度特征，并生成特征图；再通过卷积预测器，进行对多尺度特征分析，完成图像中目标的检测。在所有特征响应图中，提取卷积层conv11，conv14_2，conv15_2，conv16_2,conv17_2和池化层pool11输出的6个特征响应图，用于目标类别与位置的预测；由于每个特征图的尺度大小不尽相同，因此，对每个特征图的处理和分析能够将检测出不同大小的目标。参数较少的轻量级深度学习神经网络MobileNet中较少的参数能相对较好的得到拟合，算法的检测精度较高，实时性好。

技术领域

本发明涉及电力领域与计算机视觉领域，尤其涉及一种适用于电力施工场景下违章行为检测方法。

背景技术

电力行业安全生产是国家安全生产监管的一个重要方面。按照规章正确作业能够极大的避免事故的发生，保护人员安全。通过施工场景中的监控摄像头，引入图像处理算法识别到施工人员的违章行为并及时提醒，能够有效保证施工人员降低违章行为的发生率，保证施工的安全性。

目前，在视频监控领域，一般采用传统算法实现对特定目标的检测，即先对前景和背景进行建模，再针对性的提取具有区分度的目标与背景特征，最后通过分类器对提取的特征进行分类。

传统方法通常有以下缺点：(1)鲁棒性较差，变换使用场景时，如将使用场景由变电站换为其他场景时会导致方法检测精度的急剧下降；(2)缺乏多尺度目标的检测能力，如当摄像头采集的图片由近景换为远景时会导致识别精度降低的问题。

发明内容

发明目的：针对以上问题，本发明提出一种适用于电力施工场景下违章行为检测方法，采用深度学习技术，能够提高电力施工场景下违章行为的检测精度。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种适用于电力施工场景下违章行为检测方法，包括步骤：

(1)采用轻量级深度学习神经网络，从图像中提取不同尺度特征，并生成特征图；

(2)再通过卷积预测器，进行对多尺度特征分析，完成图像中目标的检测。

进一步地，所述步骤(1)具体包括步骤：

(1.1)从图像中提取不同尺度的特征响应图，在所有的特征响应图中，提取卷积层conv11，conv14_2，conv15_2，conv16_2,conv17_2和池化层pool11输出的6个特征响应图；

(1.2)在特征响应图中生成默认框；

(1.3)筛选默认框正负样本；

(1.4)将样本输入到损失函数中进行位置信息损失和与分类损失计算，输出候选框的位置信息与候选框所代表的类别；并进行网络参数更新；

(1.5)生成默认框，预测默认框的偏移量，得到候选框实际位置；

(1.6)选出每个类别中置信度最高的候选框，通过非极大值抑制去除识别同一目标的多余候选框，最终留下的候选框作为待识别目标。

进一步地，所述步骤(1.2)中，在每个特征响应图的预定位置上生成5种不同宽高比的默认框，默认框的宽高比为{1,2,3,1/2,1/3}。

进一步地，所述步骤(1.3)中，默认框和GroundTruth的重合度超过0.5时被视为正样本，相反的视为负样本。

进一步地，所述步骤(1.4)中，损失函数为：

其中，表示候选框i与真实框j匹配成功，代表匹配失败；N是与GroundTruth匹配的候选框个数；l是候选框相对默认框的归一化偏差；g是真实值相对默认框的归一化偏差；