电力现场作业中的安全帽检测算法的制作方法

1.本发明涉及安全识别技术领域，特别是涉及一种电力现场作业中的安全帽检测算法。


背景技术：

2.电力系统中各种电压的变电所及输配电线路组成的整体，称为电力网。它包含变电、输电、配电三个单元。电力网的任务是输送与分配电能，改变电压。
3.电力系统的安装和维修等场所一般称为电力施工现场。电力施工现场环境复杂，点多面广，需要时刻注意施工现场工人的不安全行为。目前对电力施工现场人的不安全行为进行检测的方式主要是使用摄像头进行实时监控，监控工人主要是检测工人所佩戴的安全帽，通过检测安全帽实时检测出工人所在位置，判断工人的安全情况。但是现有的通过摄像头检测头盔方法，只是通过监控人为检测，检测准确率较低，工人的不安全行为仍然不能被完全检测，仍会导致一些不安全事故的发生。
4.因此，针对现有技术不足，提供一种电力现场作业中的安全帽检测算法以克服现有技术不足甚为必要。


技术实现要素：

5.本发明的目的在于避免现有技术的不足之处而提供一种电力现场作业中的安全帽检测算法，识别率高，识别准确。
6.本发明的目的通过以下技术措施实现。
7.提供一种电力现场作业中的安全帽检测算法，包括以下步骤：
8.s1：构建训练数据集；
9.具体是，获取电力现场图片数据，将图片数据中每张图片的安全帽部分打标签，然后将图片数据制备成可喂入网络的训练集；
10.获取开源数据集，将开源数据集与可喂入网络的数据集进行合并，构建出训练数据集；
11.s2：通过dropna方法将训练数据集存在缺失值的样本删除；
12.s3：通过数据增强的方式对训练数据集进行扩充；
13.s4：对扩充后的训练数据集进行编码；
14.s5：将编码后的训练数据集中的样本划分为训练集和测试集；
15.s6：构建安全帽检测模型，具体包括以下步骤：
16.s61：配置caffe环境，安装faster rcnn模型；
17.s62：将训练集中的样本导入faster rcnn模型中进行训练，获得的模型为安全帽检测模型；
18.s7：将测试集中的样本导入安全帽检测模型，收集安全帽检测模型的识别准确度并使用adam优化器对安全帽检测模型进行优化；
19.s8：通过优化后的安全帽检测模型对电力现场作业中的实时图片数据进行检测。
20.优选的，步骤s62中使用训练集进行模型训练时采用衰减学习率的方式进行。
21.优选的，模型训练过程中通过准确率来评价模型。
22.优选的，步骤s1中使用labelimg进行打标签。
23.本发明的一种电力现场作业中的安全帽检测算法，包括以下步骤：s1：构建训练数据集；具体是，获取电力现场图片数据，将图片数据中每张图片的安全帽部分打标签，然后将图片数据制备成可喂入网络的训练集。获取开源数据集，将开源数据集与可喂入网络的数据集进行合并，构建出训练数据集；s2：通过dropna方法将训练数据集存在缺失值的样本删除；s3：通过数据增强的方式对训练数据集进行扩充；s4：对扩充后的训练数据集进行编码；s5：将编码后的训练数据集中的样本划分为训练集和测试集；s6：构建安全帽检测模型，具体包括以下步骤：s61：配置caffe环境，安装faster rcnn模型；s62：将训练集中的样本导入faster rcnn模型中进行训练，获得的模型为安全帽检测模型；s7：将测试集中的样本导入安全帽检测模型，收集安全帽检测模型的识别准确度并使用adam优化器对安全帽检测模型进行优化；s8：通过优化后的安全帽检测模型对电力现场作业中的实时图片数据进行检测。该电力现场作业中的安全帽检测算识别率高且准确，有利于提高电力现场作业的安全性。
附图说明
24.图1是实施例1中训练数据集的图片样本之一。
25.图2是实施例1中训练数据集的图片样本之一。
26.图3是实施例1中训练数据集的图片样本之一。
具体实施方式
27.结合以下实施例对本发明作进一步说明。
28.实施例1。
29.一种电力现场作业中的安全帽检测算法，包括以下步骤：
30.s1：构建训练数据集；
31.具体是，获取电力现场图片数据，将图片数据中每张图片的安全帽部分打标签，然后将图片数据制备成可喂入网络的训练集；获取开源数据集，将开源数据集与可喂入网络的数据集进行合并，构建出训练数据集。训练数据集中的数据一部分来自于互联网，一部分为自己拍摄的，训练数据集中的图片数据均为已经对安全帽进行打标签的图片样本。本实施例中的图片样本如图1、2和3所示。
32.s2：通过dropna方法将训练数据集存在缺失值的样本删除；
33.s3：通过数据增强的方式对训练数据集进行扩充；
34.s4：对扩充后的训练数据集进行编码；
35.s5：将编码后的训练数据集中的样本划分为训练集和测试集；
36.s6：构建安全帽检测模型，具体包括以下步骤：
37.s61：配置caffe环境，安装faster rcnn模型；
38.s62：将训练集中的样本导入faster rcnn模型中进行训练，获得的模型为安全帽
检测模型；
39.s7：将测试集中的样本导入安全帽检测模型，收集安全帽检测模型的识别准确度并使用adam优化器对安全帽检测模型进行优化；
40.s8：通过优化后的安全帽检测模型对电力现场作业中的实时图片数据进行检测。
41.该电力现场作业中的安全帽检测算识别率高且准确率高，能够有效的避免电力现场作业中的不安全行为。
42.实施例2。
43.一种电力现场作业中的安全帽检测算法，其它特征与实施例1相同，不同之处在于：步骤s62中使用训练集进行模型训练时采用衰减学习率的方式进行。模型训练过程中通过准确率来评价模型。步骤s1中使用labelimg进行打标签。
44.该电力现场作业中的安全帽检测算识别率高且准确率高，且通过衰减学习率的方式进行模型训练，能够加快模型训练，使模型接近最优模型。
45.最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。


技术特征：
1.一种电力现场作业中的安全帽检测算法，其特征在于，包括以下步骤：s1：构建训练数据集；具体是，获取电力现场图片数据，将图片数据中每张图片的安全帽部分打标签，然后将图片数据制备成可喂入网络的训练集；获取开源数据集，将开源数据集与可喂入网络的数据集进行合并，构建出训练数据集；s2：通过dropna方法将训练数据集存在缺失值的样本删除；s3：通过数据增强的方式对训练数据集进行扩充；s4：对扩充后的训练数据集进行编码；s5：将编码后的训练数据集中的样本划分为训练集和测试集；s6：构建安全帽检测模型，具体包括以下步骤：s61：配置caffe环境，安装faster rcnn模型；s62：将训练集中的样本导入faster rcnn模型中进行训练，获得的模型为安全帽检测模型；s7：将测试集中的样本导入安全帽检测模型，收集安全帽检测模型的识别准确度并使用adam优化器对安全帽检测模型进行优化；s8：通过优化后的安全帽检测模型对电力现场作业中的实时图片数据进行检测。2.根据权利要求1所述的电力现场作业中的安全帽检测算法，其特征在于：步骤s62中使用训练集进行模型训练时采用衰减学习率的方式进行。3.根据权利要求1所述的电力现场作业中的安全帽检测算法，其特征在于：模型训练过程中通过准确率来评价模型。4.根据权利要求1所述的电力现场作业中的安全帽检测算法，其特征在于：步骤s1中使用labelimg进行打标签。

技术总结
一种电力现场作业中的安全帽检测算法，包括以下步骤：S1：构建训练数据集；S2：通过dropna方法将训练数据集存在缺失值的样本删除；S3：通过数据增强的方式对训练数据集进行扩充；S4：对扩充后的训练数据集进行编码；S5：将编码后的训练数据集中的样本划分为训练集和测试集；S6：构建安全帽检测模型，包括：S61：配置caffe环境，安装faster rcnn模型；S62：将训练集中的样本导入faster rcnn模型中进行训练，获得安全帽检测模型；S7：将测试集中的样本导入安全帽检测模型，收集安全帽检测模型的识别准确度并使用Adam优化器对安全帽检测模型进行优化；S8：通过优化后的安全帽检测模型对电力现场作业中的实时图片数据进行检测。该电力现场作业中的安全帽检测算识别率高且准确。力现场作业中的安全帽检测算识别率高且准确。力现场作业中的安全帽检测算识别率高且准确。


技术研发人员：曾纪钧 龙震岳 温柏坚 刘晔 张金波 蒋道环 梁哲恒 沈桂泉 张小陆 沈伍强 邓新华 崔磊
受保护的技术使用者：广东电网有限责任公司
技术研发日：2021.08.02
技术公布日：2021/12/6