[发明专利]一种基于分散注意力机制的电力场景异常行为检测方法

说明书

本发明涉及电力场景下人员安全行为管控技术领域,公开了一种基于分散注意力机制的电力场景异常行为检测方法，包括以下步骤：采集电力场景异常行为图片并添加标签；以Faster R‑CNN检测网络为框架增加Split‑attention module分散注意力机制模块，建立深度学习网络模型；随机划分为训练集和测试集；训练集数据增强后对Faster R‑CNN、ResNet50和Split‑attention module网络结构的深度学习网络模型进行训练，然后采用测试集测试调整，针对待测图像输入固化后的异常行为检测模型，输出获得检测结果。本发明能够实现异常行为的自动检测，具有较高的准确率，并且具有稳定性好，抗干扰能力强，通用性高等优点，具有良好的鲁棒性，能够应用于电力场景智能监管系统。

技术领域

本发明涉及电力场景下人员安全行为管控技术领域，尤其涉及一种基于分散注意力机制的电力场景异常行为检测方法。

背景技术

电力场景安全管控等级较高，对于现场施工人员行为具有严格的规范，及时发现人员异常行为能够排除安全隐患。对电力现场的设备擅自挪动极易引发作业事故，造成严重的损失。长期以来，电力现场的人员异常行为管控均由现场巡查人员负责，效率低，人力成本高，且无法及时发现安全隐患。随着计算机视觉技术和深度学习技术的发展，通过现场图像自动识别电力场景异常行为的需求日渐突出。

发明内容

基于此，本发明的目的在于提供一种基于分散注意力机制的电力场景异常行为检测方法，可自动完成电力施工作业场景下的人员异常行为自动检测，可提高管控效率，提高安全效率。

为了实现上述目的，本发明采用了如下技术方案：一种基于分散注意力机制的电力场景异常行为检测方法，包括以下步骤：

S1：采集电力场景异常行为样本图片；

S2：以Faster R-CNN检测网络为框架增加Split-attention module分散注意力机制模块，建立深度学习网络模型；

S3：将样本集随机划分为训练集和测试集；

S4：对训练集数据进行数据增强，增强后的训练集通过Faster R-CNN、ResNet50和Split-attention module网络结构的深度学习网络模型进行训练，然后采用测试集进行测试调整并优化网络结构；

S5：针对待测图像输入固化后的异常行为检测模型，输出获得检测结果。

作为上述技术方案的进一步描述：

所述步骤S1中电力场景包括但不限于移动安全围栏电力场景、移动电缆支撑架电力场景和移动消防栓电力场景。

作为上述技术方案的进一步描述：

所述步骤S2中分散注意力机制模块由特征图组和分散注意力操作组成。

作为上述技术方案的进一步描述：

所述特征图组将输入的特征图分成K个基数组，与之不同的是，再将基数组内部划分为R个小组，因此最初的输入特征图就被沿着通道维度划分为G＝K×R个特征图小组，然后在每一个特征图小组上施加映射变换。

作为上述技术方案的进一步描述：

所述分散注意力操作每个基数组的组合表示可以通过融合内部分组获得；通过空间维度的全局平均池化可以实现聚合通道维度的全局上下文信息。

作为上述技术方案的进一步描述：

所述步骤S4中所提出的Faster R-CNN、ResNet50和Split-attention module深度学习网络模型性能优于所有现有ResNet变体，并且不会因为结合的结构降低计算效率，甚至可以实现更好的速度精度折衷。

本发明具有如下有益效果：