一种火电厂作业个人防护用品的智能监测方法及设备

摘要

本发明涉及一种火电厂作业个人防护用品的智能监测方法及设备，所述智能监测方法包括以下步骤：获取初始图像，对该初始图像进行预处理，获得待检图像，所述预处理包括去噪声处理、细节增强处理、超分辨率处理和对比度增强处理；将所述待检图像作为经训练的图像识别模型的输入，获得个人防护用品监测结果，所述图像识别模型的结构基于神经结构搜索方法获得。与现有技术相比，本发明具有识别正确性高等优点。

说明书

技术领域

本发明属于风险预控领域，尤其是涉及一种火电厂作业个人防护用品的智能监测方法及设备。

背景技术

火电厂由于其自身特点，存在外包人员较多、多种作业同时开展的情况，加之安监人员配备人数限制，无法对每个工作都全程进行监督。而部分现场工作的人员，存在工作疏忽和巧幸心里，安全意识淡泊，存在习惯性违章频发的状况。近些年数字视频技术和智能识别技术的发展，很多系统能够对安全帽、工作服、安全带等的佩戴与否进行智能识别。

但该传统方法存在如下固有缺陷：

1、识别的违章类型表面化，只能识别穿戴与否，不能进一步识别正确性，如安全帽的正确佩戴、工作服的正确穿戴等；

2、对于女工未将长发盘入帽内、穿高跟鞋等现象识别准确率低；

3、安全带的使用，如低挂高用等情况难以识别。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种识别正确性高的火电厂作业个人防护用品的智能监测方法及设备。

本发明的目的可以通过以下技术方案来实现：

第一方面，本发明提供一种火电厂作业个人防护用品的智能监测方法，其特征在于，包括以下步骤：

获取初始图像，对该初始图像进行预处理，获得待检图像，所述预处理包括去噪声处理、细节增强处理、超分辨率处理和对比度增强处理；

将所述待检图像作为经训练的图像识别模型的输入，获得个人防护用品监测结果，所述图像识别模型的结构基于神经结构搜索方法获得。

进一步地，所述细节增强处理基于GAN网络实现。

进一步地，所述超分辨率处理采用SR方法实现。

进一步地，所述对比度增强处理包括线性变换、伽马变换、直方图均衡化和/或局部自适应直方图均衡化。

进一步地，采用低秩近似、剪枝、网络量化、知识蒸馏和紧凑模型设计对所述图像识别模型进行构建和训练。

进一步地，所述个人防护用品包括安全帽、工作服、绝缘手套和绝缘鞋。

第二方面，本发明提供一种火电厂作业个人防护用品的智能监测设备，包括：

图像预处理模块，用于获取初始图像，对该初始图像进行预处理，获得待检图像，所述预处理包括去噪声处理、细节增强处理、超分辨率处理和对比度增强处理；

监测识别模块，用于将所述待检图像作为经训练的图像识别模型的输入，获得个人防护用品监测结果；

模型获取模块，用于采用神经结构搜索方法构建所述图像识别模型的结构，并传输给所述监测识别模块。

进一步地，所述细节增强处理基于GAN网络实现。

进一步地，所述超分辨率处理采用SR方法实现。

进一步地，所述对比度增强处理包括线性变换、伽马变换、直方图均衡化和/或局部自适应直方图均衡化。

进一步地，采用低秩近似、剪枝、网络量化、知识蒸馏和紧凑模型设计对所述图像识别模型进行构建和训练。

进一步地，所述个人防护用品包括安全帽、工作服、绝缘手套和绝缘鞋。

与现有技术相比，本发明具有以下有益效果：

1、本发明通过对初始图像进行一系列基于智能算法的细节增强处理，能够更准确地获得人体特征，改变识别的违章类型表面化的情况，可进一步提升识别正确性，如安全帽的帽带是否系、工作服的正确穿戴、绝缘手套和绝缘鞋的穿戴情况等。

2、为最大程度的减小线路模型复杂度，减少模型存储需要的空间，加速模型的训练和推测，本发明采用低秩近似、剪枝、网络量化、知识蒸馏、紧凑模型设计等步骤有效提升图像识别模型的速度。

3、本发明采用神经结构搜索方法构建所述图像识别模型的结构，可自动设计出高性能的网络结构，有效提升识别速度。

4、对于传统识别难度较高，或者识别正确性较低的情况进行了性能提升，如女工未将长发盘入帽内、穿高跟鞋、安全带正确使用等的识别，将大大提高准确率至95％。

具体实施方式

下面结合具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例提供一种火电厂作业个人防护用品的智能监测方法，其特征在于，包括以下步骤：

步骤S1、获取初始图像，对该初始图像进行预处理，获得待检图像，所述预处理包括去噪声处理、细节增强处理、超分辨率处理和对比度增强处理。

(1)去噪声处理：噪声是图像与视频中的一种常见失真类型，也是多种失真处理能力之一。本实施例总结了噪声产生的原因，从理论上分析降噪的方法，并使用传统方法和深度学习的结合实现单帧降噪、多帧降噪和视频降噪。

(2)细节增强处理：细节增强用于有目的地强调图像的整体或局部特性，例如改善图像的颜色、亮度和对比度等，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，提高图像的视觉效果。常用的方法可大致分为三类，空域方法是直接对像素值进行处理，如直方图均衡，伽马变换；频域方法是在某种变换域内操作，如小波变换；混合域方法是结合空域和频域的一些方法。传统的方法一般比较简单且速度比较快，但是没有考虑到图像中的上下文信息等，所以取得效果不是很好。本实施例中，基于GAN网络实现细节增强处理。

(3)超分辨率处理：图像超分辨率领域使用的方法包括：problem settings、数据集、performance metrics、SR方法、特定领域应用以结构组件形式，从而从给定的低分辨率(LR)图像中恢复高分辨率(HR)图像的过程。其中，SR方法是指通过软件或硬件的方法，从观测到的低分辨率图像重建出相应的高分辨率图像。

(4)对比度增强处理：对于部分图像数据，会出现整体较暗或较亮的情况，这是由于图片的灰度值范围较小，即对比度低。实际应用中，通过绘制图片的灰度直方图，可以很明显的判断图片的灰度值分布，区分其对比度高低。对于对比度较低的图片，可以通过一定的算法来增强其对比度。常用的方法有线性变换，伽马变换，直方图均衡化，局部自适应直方图均衡化等。

步骤S2、将所述待检图像作为经训练的图像识别模型的输入，获得个人防护用品监测结果，所述图像识别模型的结构基于神经结构搜索方法获得。

本实施例中，为最大程度的减小线路模型复杂度，减少模型存储需要的空间，也致力于加速模型的训练和推测，采用低秩近似、剪枝、网络量化、知识蒸馏、紧凑模型设计等方法步骤对图像缺陷识别性能进行提升研究，具体地：

低秩近似：一种稀疏表示形式，即利用一个秩较低的矩阵来近似表达原矩阵，不但能保留原矩阵的主要特征，而且可以降低数据的存储空间和计算复杂度。

剪枝：在构建决策树的时候进行剪枝。通常决策树会不断生长，直到该树枝无法变得更纯。我们通过设定一个阈值使得决策树提前终止生长。

网络量化：将模型从FP32转换为INT8，以及使用INT8进行推理，提高预测精度。

知识蒸馏和紧凑模型设计：都是对模型的压缩处理技术，以减少存储空间。

深度学习可以自动学习出有用的特征，脱离了对特征工程的依赖，在图像、语音等任务上取得了超越其他算法的结果。这种成功很大程度上得益于新神经网络结构的出现，如ResNet、Inception、DenseNet等。但设计出高性能的神经网络需要大量的专业知识与反复试验，成本极高，限制了神经网络在很多问题上的应用。本实施例采用神经结构搜索(Neural Architecture Search，简称NAS)进行图像识别模型结构的自动设计，通过算法根据样本集自动设计出高性能的网络结构，有效地降低神经网络的使用和实现成本。

上述方法适用于多种个人防护用品的正确使用的检测，如安全帽、工作服、绝缘手套和绝缘鞋等。

上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

实施例2

本实施例提供一种火电厂作业个人防护用品的智能监测设备，包括：

图像预处理模块，用于获取初始图像，对该初始图像进行预处理，获得待检图像，所述预处理包括去噪声处理、细节增强处理、超分辨率处理和对比度增强处理；

监测识别模块，用于将所述待检图像作为经训练的图像识别模型的输入，获得个人防护用品监测结果；

模型获取模块，用于采用神经结构搜索方法构建并训练所述图像识别模型的结构，并传输给所述监测识别模块。

其余同实施例1。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。