基于EPSA-YOLOv5电力高空作业安全带佩戴检测.pdf
《基于EPSA-YOLOv5电力高空作业安全带佩戴检测.pdf》由会员分享,可在线阅读,更多相关《基于EPSA-YOLOv5电力高空作业安全带佩戴检测.pdf(8页珍藏版)》请在咨信网上搜索。
1、西 安 工 程 大 学 学 报J o u r n a l o f X ia n P o l y t e c h n i c U n i v e r s i t y 第3 8卷第2期(总1 8 6期)2 0 2 4年4月V o l.3 8,N o.2(S u m.N o.1 8 6)引文格式:李永福,陈立斌,惠君伟,等.基于E P S A-YO L O v 5电力高空作业安全带佩戴检测J.西安工程大学学报,2 0 2 4,3 8(2):1 8-2 5.L I Y o n g f u,CHE N L i b i n,HU I J u n w e i,e t a l.S a f e t y b e
2、l t w e a r i n g d e t e c t i o n f o r e l e c t r i c a l o f t w o r k b a s e d o n E P S A-YO L O v 5J.J o u r n a l o f X ia n P o l y t e c h n i c U n i v e r s i t y,2 0 2 4,3 8(2):1 8-2 5.收稿日期:2 0 2 3-0 7-2 9 修回日期:2 0 2 3-1 1-2 6 基金项目:国家自然科学基金(5 2 1 7 7 1 9 3);陕西省重点研发计划(2 0 2 2 G Y-1 8 2
3、);西安市科技计划项目(2 2 G X FW 0 0 7 8)通信作者:李永福(1 9 8 7)男,高级工程师,研究方向为电网建设安全生产。E-m a i l:2 8 7 5 7 1 1 6 7q q.c o m基于E P S A-YO L O v 5电力高空作业安全带佩戴检测李永福1,陈立斌1,惠君伟1,袁润枞1,柴浩凯2(1.国网陕西电力有限公司 建设分公司,陕西 西安 7 1 0 0 7 5;2.西安理工大学 电气工程学院,陕西 西安 7 1 0 0 4 8)摘要 电力工作人员在高空作业中,安全带佩戴仍存在漏检和检测速度较慢等现象,利用E P S A-YO L O v 5算法,给出了一种
4、新的电力高空作业安全带佩戴检测方法。该方法基于E P S AN e t的主干抽取网络,在保持良好特征抽取性能的前提下,减少了网络中的参数,加快了模型的辨识速度。通过对空间金字塔池化结构的改进,提高了模型的检测精度,在此基础上,提出了一种基于S o f t-NM S的改进算法,以减少对目标的检测。实验结果表明:基于E P S A-YO L O v 5网络模型的高空作业安全带检测精度和检测速度等方面均比原YO L O v 5模型提高了2.3 4%,具有实用性和高效性。关键词 安全带检测;YO L O v 5模型;E P S AN e t;S o f t-NM S;金字塔池化结构开放科学(资源服务)
5、标识码(O S I D)中图分类号:T P 3 9 1.4 文献标志码:AD O I:1 0.1 3 3 3 8/j.i s s n.1 6 7 4-6 4 9 x.2 0 2 4.0 2.0 0 3S a f e t y b e l t w e a r i n g d e t e c t i o n f o r e l e c t r i c a l o f t w o r k b a s e d o n E P S A-Y O L O v 5L I Y o n g f u1,CHEN L i b i n1,HU I J u n w e i1,Y U AN R u n c o n g1,CH
6、A I H a o k a i2(1.C o n s t r u c t i o n B r a n c h o f S t a t e G r i d S h a a n x i E l e c t r i c P o w e r C o.L t d.,X ia n 7 1 0 0 7 5,C h i n a;2.S c h o o l o f E l e c t r i c a l E n g i n e e r i n g,X ia n U n i v e r s i t y o f T e c h n o l o g y,X ia n 7 1 0 0 4 8,C h i n a)A b
7、 s t r a c t T o a d d r e s s t h e p r o b l e m o f m i s s e d d e t e c t i o n a n d s l o w d e t e c t i o n s p e e d i n s a f e t y b e l t w e a r i n g t e s t f o r e l e c t r i c a l o f t w o r k,t h i s p a p e r p r o p o s e d a m e t h o d f o r d e t e c t i n g t h e w e a r i
8、 n g o f s a f e t y b e l t s b a s e d o n E P S A-YO L O v 5 a l g o r i t h m.T h i s m e t h o d w a s b a s e d o n E P S AN e t b a c k b o n e f e a t u r e e x t r a c t i o n n e t w o r k,w h i c h r e d u c e d t h e n u m b e r o f p a r a m e t e r s i n t h e n e t w o r k w h i l e m
9、 a i n-t a i n i n g g o o d f e a t u r e e x t r a c t i o n p e r f o r m a n c e,a n d s p e e d i n g u p t h e m o d e l r e c o g n i t i o n s p e e d.B y i m-p r o v i n g t h e s p a t i a l p y r a m i d p o o l i n g s t r u c t u r e,t h e m o d e l d e t e c t i o n a c c u r a c y w a
10、 s i m p r o v e d;o n t h i s b a s i s,a n i m p r o v e d a l g o r i t h m b a s e d o n S o f t-NM S w a s p r o p o s e d t o r e d u c e t h e d e t e c t i o n o f t a r g e t s.E x p e r i m e n t a l r e s u l t s s h o w t h a t t h e d e t e c t i o n a c c u r a c y a n d s p e e d o f
11、s a f e t y b e l t f o r a l o f t w o r k b a s e d o n E P S A-YO L O v 5 n e t w o r k m o d e l a r e 2.3 4%h i g h e r t h a n t h a t o f t h e o r i g i n a l YO L O v 5 m o d e l,w h i c h h a s p r a c t i c a l i t y a n d e f f i c i e n c y.K e y w o r d s s a f e t y b e l t d e t e c
12、t i o n;YO L O v 5 m o d e l;E P S AN e t;S o f t-NM S;p y r a m i d p o o l i n g s t r u c-t u r e0 引 言 电力是国家经济发展的重要支柱,电力设备安全运维对电力安全传输具有重要作用。随着电力高空作业人员数量的增加,安全带佩戴是否规范显得尤为重要。常规的安全带佩戴检测往往依靠操作者的自觉和安全员的人工检测,费时费力且效果较差。安全带佩戴智能检测不仅能够提高监控效率,而且能够实现对违规人员的智能安全管理,保证工人的人身安全。目前,安全带佩戴智能检测算法主要有2种类型,即一阶段和二阶段目标检测算法
13、。一阶段目标检测算法以 YO L O算法为代表,通过卷积网络进行检测并设置先验框。文献1 介绍了一种用于高空作业中安全带识别与检测的卷积神经网络算法,但其是主要用于背景复杂的情况,在电力作业场景下使用具有一定的局限性。文献2 采用了先进的 YO L O X目标探测模式,使该模式在保证检测准确率的前提下,实现了对目标的实时探测,但该方法对于场景复杂的自然条件检测精度较低。文献3 提出一种基于改进的YO L OV 3的检测算法,把安全帽与作业人员的头部作为一个整体,把被检测对象分成2种类型,可以在同一时间完成2种类型的对象的检测,从而避免了运算过程中的冗余和累计误差的影响,但该方法对于实际场景工程
14、实践的应用不足,且存在漏检误检现象。二阶 段 检 测 算 法 中 则 以R-C NN、F A S T R-C NN为代表,在目标检测领域使深度学习算法得以应用。文献4 在已有的M a s k R-C NN模型在高空作业中,通过对安全带的识别与人体特征点的识别,实现了对驾驶员违章行为的准确判定。但是,目前的识别框架仍采用两步法,时间效率较低,无法满足实际应用的需要。文献5 提出了一种基于深度学习的复杂路况下的安全带识别方法,对带有标记的车辆区域、窗户区域和安全带区域进行特征提取,利用支持向量机分类模型对安全带区域进行精确地定位和识别,但在检测速度上相较于其他算法较慢,并且检测精度也较低。综上,针
15、对安全管理制度执行存在盲点的问题,需要设计智能化的安全带违规检测算法。参考地面安全带检测方法,将其可利用的算法应用到高空安全带检测并加以改进。电力作业安全带佩戴检测已得到一定程度的研究,但考虑到电力作业场景的复杂程度,以上方法仍然存在着一定的问题,其突出问题在于:普适性不强,尤其对复杂电网运行情况缺乏稳健性;时效性较差,很难满足对边缘设备的应用和对实时报警的要求6。针对以上问题,提出一种E P S A-YO L O v 5的方法,以E P S AN e t为骨干网络,提升模型辨识速度,并通过调节空间金字塔池化结构,提升模型辨识精度。在此基础上,利用S o f t-NM S算法替代原有的 NM
16、S算法,以减少对物体的漏检,从而进一步提升YO L O v 5模型在电气操作场景中的检测精度7。1 安全带佩戴检测模型1.1 YO L O v 5网络简介电力高空作业安全带佩戴检测要求识别算法具有一定的轻量化和高效性,图1为YO L O v 5网络架构8。其中,C B L由C o n v+B N+L e a k y_r e l u激活函数三者组成。C S P 1_X借鉴C S P N e t网络结构,由3个卷积层和X个R e s u n i t模块C o n c a t组成。C S P 2_X不再用R e s u n i t模块,而是改为C B L。S P P采用11、55、99、1 31 3
17、的最大池化方式,进行多尺度融合。91第2期 李永福,等:基于E P S A-YO L O v 5电力高空作业安全带佩戴检测图 1 YO L O v 5网络结构F i g.1 N e t w o r k s t r u c t u r e o f YO L O v 5 在YO L O v 5的网络层中,采用特征金字塔型 F P N(f e a t u r e p y r a m i d n e t w o r k)和P AN(p e r c e p t u a l a d v e r s a r i a l n e t w o r k)结合的方式,对输入的特征图像进行特征融合和定位。F P N采
18、用自顶向下的下采样方式将上层特征图包含的强语义信息传递下来,P AN 采用自底向上的上采样将下层定位信息传递上去,再结合卷积操作和C 3模块进行有效的特征融合9,并以8 08 0像素值,4 04 0像素值,2 02 0像素值输出3张特征图。检测层用于图片中物体的预测和识别工作。在网络层输出的特征图中使用锚框,并以G I O U作为边界框训练的损失函数(LG I O U),如下所示:LG I OU=AI OU-(AC-U)/AC(1)式中:AI OU为相交面积;AC为最小闭包区域面积;U为闭包区域中不属于2个框的区域面积。在检测层包含3个卷积层分别对应网络层8 08 0像素值、4 04 0像素值
19、和2 02 0像素值的输入特征图,用来在图像中探测出不同大小的物体1 0。1.2 E P S AN e t网络结构基于信道注意,E P S A N e t将多尺度的概念引入到网络中,建立了一个金字塔注意力模块,称为 P S A模型。并进一步用P S A注意模块取代33卷积在R e s N e t瓶颈网络中的33卷积,可以得到一个新的E P S A。E P S A b l o c k可以作为一种“即插即用”模块用于现有骨干网络并显著提升性能,相比其他注意力机制(比如S E N e t、E C A N e t、F c a N e t等),该网络在图像分类,物体检测,样本分割等方面都有很大的提高1
20、1,该模块的总体结构框如图2所示。图 2 E P S AN e t结构F i g.2 S t r u c t u r e o f E P S AN e tP S A模块主要通过4个步骤实现,如图3所示。图 3 P S A模块F i g.3 P S A m o d e l02 西安工程大学学报 第3 8卷 图3中,第1步采用 S P C模块对各信道进行分割,根据各信道的空域信息,实现了各信道的多尺度特征提取。第2步使用 S EW i g h t模块对各尺度图像进行信道注意提取,并获得各尺度下的信道注意矢量。第3步采用 S o f t m a x算法,对多尺度信道的注意矢量进行再校准1 2,获得新
21、的注意权值。第4步再将该权值与对应的特征图进行点乘法运算,得到具有多尺度特征信息的特征图。S P C是实现多尺度特征提取的一个重要模块。如图4所示。图 4 S P C模块示意图F i g.4 S c h e m a t i c d i a g r a m o f S P C输入特性图X,先将特性图X切成S段 X0,X1,XS-1,每一段的信道数目为C=C S。同时,H、W、C分别代表特征图的高、宽、输入通道数,则每个分割之后的特征图Xi RC HW,i=0,1,S-1。针对划分出来的每个通道的特征图,在S P C的基础上,本文应用了一种基于多尺度卷积的多尺度图像空域信息提取方法1 3。此外,本
22、文还使用了一种基于卷积核尺寸的适应性来选择组的大小的策略来改进模块。其中种群G与核尺寸K的关系式为G=2(K-1)/2。多尺度特征提取的过程具体计算方式如下:Fi=C o n v(KiKi,Gi)(Xi),i=0,1,2,S-1(2)式中:Ki=2i+3,Gi=2ki-12,FiRC HW。最终采用级联的方法获得了多尺度融合后的特征图,如式(3):F=C a t(F0,F1,FS-1)(3)其中,F RCHW在提取多尺度特征图之后,需要对用不同比例尺的特征图谱对信道注意权重的影响提取1 4,具体计算如式(4):Zi=S EW e i g h t(Fi),i=0,1,2,S-1(4)注意力权重Z
23、iRC 1 1然后,整个多尺度通道注意力权重向量如式(5):Z=Z0Z1ZS-1(5)其中是C o n c a t操作符,为了建立长期的通道注意力依赖,并且实现多尺度通道注意力之间的信息交互。进一步使用 S o f t m a x对信道注意信息的权重重新标定,如式(6)所示:Wa t t,i=S o f t m a x(Zi)=e x p(Zi)S-1i=0e x p(Zi)(6)将对应尺度的特征图Fi与进行权值重标定的注意力向量进行信道智能倍增相乘1 5,得到多尺度通道智能注意力权重的特征图Yi,即Yi=FiWa t t,i,i=1,2,3,S-1(7)最后,将得到的多尺度通道注意力加权之后
24、通过特征图进行维度拼接,得到了一个信息更加丰富的特征图。具体计算如式(8)所示:Fo u t=C a t(Y0,Y1,YS-1)(8)在 P S A模块完成之后,用 P S A 模块代替 R e s-N e t中瓶颈网络部分的33卷积,得到本文所需的E P S AN e t,图5为E P S AN e t模块的实现流程。图 5 E P S AN e t模块实现流程F i g.5 I m p l e m e n t a t i o n p r o c e s s o f E P S AN e t1.3 基于E P S A-YO L O v 5的安全带佩戴检测本文提出的E P S A-YO L O
25、 v 5安全带佩戴检测方法如图6所示。12第2期 李永福,等:基于E P S A-YO L O v 5电力高空作业安全带佩戴检测图 6 E P S A-YO L O v 5检测流程F i g.6 D e t e c t i o n p r o c e s s o f E P S A-YO L O v 5 1)数据集的采集和标注。将采集到的图片分为4类,分别为:作业现场中包含的人(其中包含监护人员和无关人员)、作业现场中带有的监护袖章(此类人员为监护人员)、作业现场中的离地状态人员(此类人员为高空电力维修人员)、作业现场戴有的安全带。在标注图像中,9 0%的标注图像被用作训练样本,1 0%的标注
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 EPSA YOLOv5 电力 高空作业 安全带 佩戴 检测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。