针对电力设施智能监控系统中目标人员及其穿戴特征,本文提出了一种高鲁棒性的检测方法。首先采集行人的目标正样本,以及所要监控的场景中无行人目标的负样本,接着基于HOG(Histogram of Oriented Gradients)特征以及线性SVM(Support Vect...针对电力设施智能监控系统中目标人员及其穿戴特征,本文提出了一种高鲁棒性的检测方法。首先采集行人的目标正样本,以及所要监控的场景中无行人目标的负样本,接着基于HOG(Histogram of Oriented Gradients)特征以及线性SVM(Support Vector Machine)训练行人检测的分类器,检测进入场景中的行人目标;对检测到的行人的头部、腰部区域,采用HSV色彩模型判断人员是否进行安全着装,及时预警,避免危险发生。本文将目标识别及穿戴特征分析技术应用于电力设施作业现场监控中,可以更准确的识别入侵的人员,也可以在应急事故抢修时,加强工作人员规范操作,提前预警,避免危险。展开更多
在配网不停电作业现场,利用监控视频进行作业风险管控已经得到越来越多的应用,但目前的检测主要是针对安全帽,且对背景复杂、目标部分遮挡等情况下的检测较为困难。为此,提出一种基于Openpose-CenterNet的绝缘护具检测模型。首先,利用Op...在配网不停电作业现场,利用监控视频进行作业风险管控已经得到越来越多的应用,但目前的检测主要是针对安全帽,且对背景复杂、目标部分遮挡等情况下的检测较为困难。为此,提出一种基于Openpose-CenterNet的绝缘护具检测模型。首先,利用Openpose网络对图像中的作业人员进行检测,确定作业人员的骨骼关键点;其次,利用关键点信息确定安全帽、绝缘手套、绝缘披肩及绝缘服的检测范围,再利用CenterNet网络在检测范围内进行目标检测。将该模型在绝缘防护用具图片数据集上进行训练,得到测试集的检测精度接近90%,比YOLO(you only look once)v5、CenterNet等模型提高约5%。最后将该模型封装在硬件端进行硬件现场测试,测试结果表明,在不同姿态、人数、角度的情况下,该模型均能较好地完成绝缘安全防护用具的识别,同时能标注不符合安全作业规范要求的作业人员。展开更多
文摘在配网不停电作业现场,利用监控视频进行作业风险管控已经得到越来越多的应用,但目前的检测主要是针对安全帽,且对背景复杂、目标部分遮挡等情况下的检测较为困难。为此,提出一种基于Openpose-CenterNet的绝缘护具检测模型。首先,利用Openpose网络对图像中的作业人员进行检测,确定作业人员的骨骼关键点;其次,利用关键点信息确定安全帽、绝缘手套、绝缘披肩及绝缘服的检测范围,再利用CenterNet网络在检测范围内进行目标检测。将该模型在绝缘防护用具图片数据集上进行训练,得到测试集的检测精度接近90%,比YOLO(you only look once)v5、CenterNet等模型提高约5%。最后将该模型封装在硬件端进行硬件现场测试,测试结果表明,在不同姿态、人数、角度的情况下,该模型均能较好地完成绝缘安全防护用具的识别,同时能标注不符合安全作业规范要求的作业人员。
文摘针对安全帽检测算法的快速且精准需求,提出了一种实时安全帽检测算法。首先,针对基于边界框回归损失函数容易出现梯度消失(Gradient Vanish)的问题,本文提出外接圆半径差(Circumcircle Radius Difference,CRD)损失函数;然后,针对复杂多尺度特征融合层制约检测速度的问题,提出了一种轻量化的小目标聚焦型(Focus on Small Object,FSO)特征融合层;最后本文结合YOLO网络、CRD和FSO形成YOLO-CRD-FSO(YCF)检测模型,实现实时安全帽检测。实验结果表明,在Jetson Xavier NX设备上检测分辨率为640×640的视频,YCF的检测速度达到43.4帧/秒,比当前最新锐的YOLO-V5模型的速度快了近2帧/秒,且均值平均精度提升了近1%。说明YCF检测模型综合优化了边界框回归损失函数和特征融合层,获得了良好的安全帽检测效果。
