基于改进YOLO v5的电网工人防具检测.pdf

第 卷 第 期 年 月南京工程学院学报(自然科学版)().:./.投稿网址:/.基于改进 的电网工人防具检测戴云周路 红纪陈阳(.南京工程学院自动化学院 江苏 南京.凌志软件如皋有限公司 江苏 如皋)摘 要:为了防止电网工人在高空作业时防具穿戴不当而导致安全事故发生基于 框架提出一种改进型的轻量级防具检测算法.首先将 的 用轻量级网络 来替换降低网络复杂程度减少参数量然后针对工人在高空作业中的目标遮挡问题通过改进随机擦除与 数据增强的方法模拟高空中防具被遮挡的情况最后优化 函数采用 替换常用的 解决网络检测框位置偏差大的问题.采用平均精度均值 与模型大小来评估本文改进算法与其他算法对防具检测的效果试验结果表明了本文改进方法的有效性满足在移动端部署的需求.关键词:轻量化防具检测 网络中图分类号:.收稿日期:修回日期:基金项目:南京工程学院研究生大学生科技创新项目()作者简介:戴云周硕士研究生研究方向为计算机视觉.:.引文格式:戴云周路红陆慧雯.基于改进 的电网工人防具检测.南京工程学院学报(自然科学版)():.电网工人在电力生产作业中绝大多数的安全事故是由于未按照规定合格穿戴防具造成的.安全帽、工作服、绝缘手套作为最基本的防具它们的合格穿戴对遏制安全事故的发生起到重要作用.因此对电网工人在生产场地进行防具装备的实时检测具有重要意义和应用价值.南京工程学院学报(自然科学版)年 月传统目标检测方法采用人工提取特征建立模型文献 采用方向梯度直方图()特征提取防具的图像特征再采用支持向量机()作为分类器对分类结果进行输出文献采用特征以滑动窗口的方式在检测图像上选 取 感 兴 趣 区 域()得 到 特 征 后 利 用级联分类器对得到的结果进行输出文献提出了一种基于人体特征和双三次线性插值()融合的特征匹配法提高了检测的实时性.传统的目标检测算法在遮挡、光照的条件下检测的准确率低且算法的鲁棒性差.随着机器学习的不断发展 作为经典的卷积神经网络在 年的 比赛中展现出优越的性能让人们看到了深度学习在目标检测领域的巨大潜力.文献基于多步检测算法 将 正则项引入算法的回归损失函数中在保证模型泛化能力的前提下加快了神经网络的收敛速度文献将端到端的 检测算法进行改进以 替换 中指定特征层提取特征对特征金字塔进行分级处理提高了对小目标的检测效果文献提出轻量级网络 算法将其主干网络 替换为 将深度可分离卷积层与通道混洗结合代替传统卷积降低了模型的大小.上述文献虽然通过网络参数量化的方法降低参数量与计算量但是也降低了网络的检测精度牺牲了目标检测性能.针对上述问题本文提出一种基于改进 的轻量化电网工人防具检测模型在 的输入端融合改进的随机擦除()数据增强算法改善目标被遮挡时的漏检问题并将特征提取网络替换为 减少参数量之后用 替换常用的 解决目标检测框定位偏差大的问题使模型的目标检测精度在合理范围内降低减小网络模型体积模型满足在移动端部署的要求.网络结构 目标检测模型于 年开源是主流的单阶段目标检测算法根据网络模型的大小该算法分为 、四个版本.按照顺序这四个版本的网络宽度与网络深度依次增加其中网络宽度加宽代表着卷积核数目增加网络对目标特征的学习能力就越强.本文中对防具的目标检测算法需要部署在移动端所以选取 作为研究对象.目标检测算法的网络模型包括输入端、如图 所示.从输入端读取图像通过特征提取网络学习图像的特征利用特征上的锚框生成边界框进行目标种类预测.图 网络结构图第 卷第 期戴云周等:基于改进 的电网工人防具检测.输入端输入端由 数据增强、自适应锚框计算与自适应图像计算构成.数据增强丰富了输入的数据集可以同时处理 倍的数据提升模型的训练速度.与前两代 不同的是输入端的自适应锚框计算在不同的训练集下会根据参数自适应计算锚框并与真实框进行差值计算进行反向迭代.自适应图像计算是将图像处理为统一的尺寸只要可以满足 次下采样的尺寸大小均可.在推理时将图像利用最小缩放系数处理后进行最小限度的边框填充提高了推理速度.模块 模块的特征提取网络由 与 构成.结构本质上是一种二倍下采样它可以将输入图像的格式()利用类似临近下采样的方式转换为(/)在没有图像信息丢失的情况下将输入的通道数扩充到 倍大小并且减少了计算量.模块中采用的是 残差组件将网络的输入分开在两个分支中的 结构中进行卷积与归一化操作再将两个分支学习的特征组合起来.由于神经网络较深的缘故添加 模块可以增加反向传播时的梯度值避免梯度消失的问题.模块结构如图 所示.图 模块结构图.模块 模块包括图像特征金字塔()和路径聚合网络().是提取自上而下的强语义特征的下采样 是提取自下而上的强语义特征上采样.融合了 中 的特征层与 中、两个特征层加强了网络对不同尺度输入的特征融合能力.模块 模块对图像进行预测并生成边界框.损失函数由定位损失、置信度损失、分类损失组成.在预测的过程中采用非极大值抑制()在局部进行目标框最大值的搜索对多目标框进行筛选可提升重叠目标、遮挡目标的识别效果.算法.数据增强数据集的丰富程度对训练的效果有直接的影响 系列目标检测模型从 开始采用 数据增强.该方法通过将 张图像进行随机缩放、裁剪与排布处理提高小样本数据集丰富度、增加小目标样本.在进行训练时可以一次性输入 张图像扩大 的实际读取数目提升模型的训练速度.数据增强过程如图 所示.图 数据增强过程在实际防具检测中电网工人在斗臂车上进行作业时经常发生防具被遮挡的情况会导致防具的漏检、误检.对数据集中被遮挡的检测目标仅依靠 数据增强的效果并不理想.本文受随机擦除 数据增强的启发结合 数据增强改进为 数据增强.数据增强是在输入图像上随机选取一个矩形区域向矩形区域内填充灰度值在 的噪声块覆盖这部分对象在不改变输入图像整体特征的前提下模拟遮挡情况.设置一个擦除率阈值 输入数据集中图像随机给每个图像赋值一个擦除率 若 则输出原始图像否则随机选择一块矩形区域 进南京工程学院学报(自然科学版)年 月行擦除.具体流程为:)假设图像的大小为()图像的面积 )初始化矩形框 的相关参数随机设置矩形框的长宽比为(的值可以手动赋值也可以随机设置在(.)的范围内)、擦除面积为(的值在擦除面积阈值 与 之间)生成大小为()的矩形区域 之前先随机选取其左上角的点 ()其限制条件为:()()()本文的检测目标是防具其中救生绳与绝缘手套属于小目标样本原算法中定位矩形区域是在全局中进行定位不能保证每次擦除都能覆盖到目标区域起不到模拟遮挡的作用浪费了运算资源.因此本文提出一种基于小样本目标框的局部随机擦除算法().在进行随机擦除时先读取标签文件中的检测种类 的真实坐标()判断是否为小目标若是大目标局部与全局随机擦除对大目标样本的检测效果无明显差别不予擦除若是小目标选取 生成矩形区域给区域内的像素赋值达到模拟防具被遮挡的效果输出处理后的图像.修正后()的限制条件为:()().()图 为 与 试验对比图.由图 可见改进数据增强算法 可以在小目标样本框内进行有效擦除避免了原算法带来的数据冗余弊端.在等量数据集的情况下可以使网络输入端得到更多被遮挡的小目标样本.()()图 与 试验对比图.主干提取网络的改进 的特征提取网络为 该网络添加了 模块提升了模型感受野可以提取更加细致的特征但是其网络结构复杂、参数计算量大只能部署在性能优异的服务器中.由于硬件性能的限制移动端与嵌入式设备无法运行复杂的网络模型.文献 提出了、与 等轻量化网络模型轻量化网络模型性能参数如表 所示.表 轻量化模型性能参数比较模型权重/浮点数/精度/精度/.由表 可知 网络的体积最小精度最低 网络精度较高但运行时的浮点数计算量大、所需的内存空间大.为兼顾网络的大小与精度本文采用 替换 的主干网络进行特征提取.幻象模块采用少量普通卷积生成部分真实的特征图普通卷积的特征层中含有冗余信息未去除这些信息而是利用它们对输入的数据进行全面理解对冗余信息利用线性运算来生成幻象特征图扩充通道数这样分两步走的可分离卷积使得 可以在参数量减少的情况下获得与普通卷积操作相同通道的特征图.幻象模块如第 卷第 期戴云周等:基于改进 的电网工人防具检测图 所示.图 幻象模块.函数优化在运用本文提出的轻量级网络进行推理时发现验证集图像输出的检测框与人工标注的真实框有明显偏差.常用的 仅考虑检测框与真实框的交并比计算式为:()式中:为检测框集合为真实框集合.式()不具备引导网络学习的方向性在目标被遮挡或者目标密集的情况下容易错误抑制造成目标的误检、漏检.考虑到斗臂车上电网工人的密集性采用 来改善漏检、误检的情况.考虑了检测框与真实框的中心距离、尺度(长宽比)、重叠率和交并比 个方面在 的基础上增加了一个惩罚项计算式为:()()式中:为内含检测框与真实框的最小外界矩形对角线长度 为检测框的中心点为真实框的中心点为两框中心点之间的欧氏距离.增加的惩罚项具备方向性可以引导网络的收敛方向减少检测框与真实框之间的位置偏差加快网络的收敛速度.试验结果及分析.试验环境试验环境平台为 处理器型号为 显卡型号为 内存为 版本为.驱动版本为.深度学习框架为 自制数据集()是电网施工现场拍摄的视频采取分帧加筛选的方法获取的 幅图像分辨率大小均预处理为 利用图像标注工具 进行标注如图 所示将完 成 标 注 的 格 式 文 件 转 换 成 适 用 于 的 格式文件制作的数据集按照 的比例划分为训练集和测试集进行试验.图 防具数据集标注.试验结果分析为了验证本文提出的数据增强方法对小样本目标的识别效果试验对比 与 两个模型.模型训练参数:为 为 为 训练结果混淆矩阵的形式如图 所示.试验结果表明防具检测项目中的小样本目标绝缘手套的准确率由 上升到、救生绳的准确率由 上升到 可知 数据增强算法能够提升模型的识别准确率强化网络对被遮挡的小目标的学习能力.表 为模型对比试验结果.由表 可见在 仅下降.的前提下本文的防具检测模型体积减少了.仅为.满足在移动端部署的需求.表 模型对比试验模型/模型体积/.(本文).南京工程学院学报(自然科学版)年 月()()图 两个模型试验结果 结语针对现有防具检测算法参数量大、计算复杂、不利于部署在移动端与嵌入式设备、对遮挡的小目标容易误检、漏检以及将主干网络换成轻量化网络后 输出检测框与真实框定位偏差大等问题本文对 网络进行改进提出一种小样本目标框的局部随机擦除与 结合的 数据增强算法.模拟小目标样本被遮挡的情况扩充了数据集减少了冗余将 与 结合的轻量化网络运用到电网工人防具检测中采用 优化检测框位置的定位解决了与真实框偏差明显的问题.试验结果表明经过改进的模型提高了对被遮挡的绝缘手套与救生绳的识别率减少了误检、漏检在模型体积减小的前提下模型保持了较高的平均精度满足在移动端部署的要求.参考文献:陈润彬.基于图像识别的电力工人智能安防安全检测系统研究.广州:广东工业大学.杨莉琼蔡利强古松.基于机器学习方法的安全帽佩戴行为检测.中国安全生产科学技术():.李晓娜.基于 模型的安全着装检测方法.科技创新与应用():.朱富云戴相龙傅靖等.基于视频监控的变电站内安全帽检测算法研究.电网与清洁能源():.刘欣宜张宝峰符烨等.基于深度学习的污染场地作业人员着装规范性检测.中国安全生产科学技术():.曹燕宋正伟周楠.一种基于等级 的建筑工人安全帽佩戴检测方法.工业控制计算机():.郭师虹井锦瑞张潇丹等.基于改进的 安全帽佩戴检测研究.中国安全生产科学技术():.施金汝许凌峰陈金立等.基于树莓派和 算法的路面裂缝检测系统.信息技术():.谭暑秋汤国放涂媛雅等.教室监控下学生异常行为检测系统.计算机工程与应用():.():.:/().:.:/.:.:/./.:/().:.