(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210355251.6 (22)申请日 2022.04.02 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 田立斌　刘文涛　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 黄卫萍 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/10(2019.01) (54)发明名称 电力作业现场安全带识别方法、 装置、 设备 和存储介质 (57)摘要 本发明公开了一种电力作业现场安全带识 别方法、 装置、 设备和存储介质。 识别方法过程如 下： 采集含有电力作业人员穿戴安全 带及穿着电 力作业工作服作业的图片， 对图片标注后构建第 一训练数据集， 使用第一训练数据集训练并得到 识别电力作业安全带和电力作业工作服的深度 神经网络模型； 根据人工标注的内容， 将第一训 练数据集中所有的电力作业安全带和电力作业 工作服信息进行裁剪， 构建第二训练数据集； 提 取第二训练数据集中图像的线条分布特征信息， 训练所述支持向量机； 使用深度神经网络模型和 支持向量机确定待识别图像穿戴电力作业安全 带的概率。 通过实施本发明公开的电力作业现场 安全带识别方法， 可以提高电力作业安全带识别 的准确率。 权利要求书3页 说明书8页 附图2页 CN 114821305 A 2022.07.29 CN 114821305 A 1.一种基于深度学习的电力作业现场电力作业安全带识别方法， 其特征在于， 所述安 全带识别方法包括以下步骤： 采集含有电力作业人员穿戴电力作业安全带以及穿着电力作业工作服的图片， 对所述 图片进行 人工标注， 构建第一训练数据集； 使用所述第一训练数据集训练识别电力作业安全带和电力作业工作服的深度神经网 络模型， 得到经 过训练的深度神经网络模型； 根据人工标注的内容， 将第 一训练数据集中所有的电力作业安全带和电力作业工作服 信息进行裁 剪， 构建第二训练数据集； 提取所述第 二训练数据集中所有图像的线条分布特征， 通过线条分布特征训练支持向 量机； 其中， 所述深度神经网络模型和支持向量机用于确定待识别图像穿戴电力作业安全 带的概率； 使用所述深度神经网络模型确定待识别图像的目标位置信息l、 以及目标作为电力作 业安全带和电力作业工作服 的概率pb1、 pc1， 根据目标位置信息/对所述待识别图像进行裁 剪， 将裁剪后的待识别图像输入支持向量机， 得到目标作为电力作业安全带和电力作业工 作服的概率pb2、 pc2， 计算所述待识别图像为电力作业安全带和电力作业工作服的概率pb、 pc： pb＝ λnn·pb1+λsvm·pb2 pc＝ λnn·pc1+λsvm·pc2 其中， λnn和 λsvm分别为深度神经网络模型和支持向量机输出概率的预设权值， 且pb1+pc1 ＝pb2+pc2＝ λnn+λsvm＝1； 若pb＞pc且pb＞pth， 则认为该目标为电力作业 安全带， 其中pth为预设阈值。 2.根据权利要求1所述的基于深度学习的电力作业现场电力作业安全带识别方法， 其 特征在于， 提取所述第二训练数据集中所有图像的线条分布特征， 并将提取 的线条分布特 征作为支持向量机的输入信息， 包括： 提取所述第二训练数据集中所有图像线条分布特征信息， 统计每张图像的线条分布， 构建线条分布向量， 并将所述线条分布向量作为支持向量机的输入信息 。 3.根据权利要求2所述的基于深度学习的电力作业现场电力作业安全带识别方法， 其 特征在于， 所述根据人工标注的内容， 将第一训练数据集中所有的电力作业安全带和电力 作业工作服信息进行裁 剪， 构建第二训练数据集的过程如下： 转换子步骤， 将所述彩色图像转换为灰度图像； 计算子步骤， 计算所述灰度图像的梯度信息； 构建子步骤， 提取 灰度图像的线条分布特 征。 4.根据权利要求3所述的基于深度学习的电力作业现场电力作业安全带识别方法， 其 特征在于， 所述 转换子步骤的过程如下： 对于彩色图像中每个像素点， 由R、 G、 B三个通道组成， 每个通道有对应的像素值， 通过 R、 G、 B三个通道的像素值计算灰度值， 将彩色图像转换为灰度图像， 计算公式为： Y＝0.3×R+0.59×G+0.11×B 其中Y为灰度图像的灰度值， R、 G、 B分别为彩色图像对应通道的像素值； 同时使用Gamma校正法对图像进行校正， 调节图像的对比度， 降低图像局部阴影和光照权　利　要　求　书 1/3 页 2 CN 114821305 A 2的影响， 同时抑制噪音的干扰。 5.根据权利要求3所述的基于深度学习的电力作业现场电力作业安全带识别方法， 其 特征在于， 所述计算子步骤的过程如下： 计算灰度图像中每个像素点的梯度， 捕获灰度图像轮廓相关信息， 梯度包括大小和方 向， 灰度图像中像素点在位置(x,y)的梯度计算公式为： Gx(x,y)＝H(x+1,y) ‑H(x‑1,y) Gy(x,y)＝H(x,y+1) ‑H(x,y‑1) 其中Gx(x,y)、 Gy(x,y)、 H(x,y)分别代表灰度图像中像素点在位置(x,y)处的水平方向 梯度、 垂直方向梯度和像素值， x为像素点的横坐标， y为像素点的纵坐标； G(x,y)、 α(x,y)为 像素点(x,y)处梯度幅值和梯度方向。 6.根据权利要求3所述的基于深度学习的电力作业现场电力作业安全带识别方法， 其 特征在于， 所述构建子步骤的过程如下： 对于尺寸为W ×H的灰度样本图像， 将样本图像划分为若干个m ×m的像素单元， 其中W为 图像的宽度、 H为图像的的的高度、 m为每个单元格的尺 寸， 同时将求得的灰度图像梯度方向 平均划分到9个区间， 在所述9个梯度区间内对所有像素点的梯度方向在各个方向区间进 行 直方图统计， 得到一个9维的特征向量， 将 像素点每相 邻4个组成一个像素块， 将一个像素块 内的特征向量串联得到36维特征向量， 将图像中所有像素块的特征向量串联得到最 终的图 像线条分布特 征的分布向量。 7.一种根据权利要求1至6任一所述基于深度学习的电力作业现场电力作业安全带识 别方法的电力作业现场电力作业 安全带识别装置， 其特 征在于， 所述 安全带识别装置包括： 采集单元， 用于采集含有电力作业人员穿戴电力作业安全带以及穿着电力作业工作服 的图片， 对所述图片进行 人工标注， 构建第一训练数据集； 第一训练单元， 用于使用所述第 一训练数据集训练识别电力作业安全带和电力作业工 作服的深度神经网络模型， 得到经 过训练的深度神经网络模型； 裁剪缩放单元， 用于根据人工标注的内容， 将第一训练数据集中所有的 电力作业安全 带和电力作业工作服信息进行裁 剪， 构建第二训练数据集； 第二训练单元， 用于提取所述第二训练数据集中所有图像的线条分布特征， 通过线条 分布特征训练支持向量机； 其中， 所述深度神经网络模型和支持向量机用于确定待识别图 像穿戴电力作业 安全带的概 率， 判断待识别图像为 安全带或工作服； 识别单元， 用于使用所述深度神经网络模型确定待识别图像的目标位置信息l、 以及目 标作为电力作业安全带和电力作业工作服 的概率pb1、 pc1， 根据目标位置信息l对所述待识 别图像进行裁剪， 将裁剪后的待识别图像输入支持向量机， 得到目标作为电力作业安全带 和电力作业工作服的概率pb2、 pc2， 计算所述待识别图像为电力作业安全带和电力作业工作 服的概率pb、 pc： pb＝ λnn·pb1+λsvm·pb2权　利　要　求　书 2/3 页 3 CN 114821305 A 3