基于YOLOX-Tiny级...法的变电站安全佩戴行为检测_陈高汝.pdf

第 51 卷 第 1 期2023 年 2 月福州大学学报(自然科学版)Journal of Fuzhou University(Natural Science Edition)Vol 51 No 1Feb 2023DOI:107631/issn1000224322102文章编号:10002243(2023)01005606基于 YOLOXTiny 级联算法的变电站安全佩戴行为检测陈高汝1，陈晖1，高翔1，李长元1，黄浩斌1，李积捷1，蔡嘉炜1，林喆1，江灏2(1 国网福州供电公司，福建 福州350009;2 福州大学电气工程与自动化学院，福建 福州350108)摘要:采用深度卷积神经网络的级联检测代替传统检测方法，利用训练好的 YOLOXTiny 目标检测网络区分离地人员和着地人员;然后，将二者的图片作为输入图像的感兴趣区域，送入目标检测网络进行处理和训练，不但能实现对不同人员角色安全带的检测，还能实现对袖章这类小目标的检测 实验结果表明:该方法可准确、快速识别出需要佩戴安全带的工作人员和需要佩戴红色袖章的监护人员，其最终整体检测精度达到910%，且整体检测速度高达 4106 Fs1，有效满足变电站高空作业中安全佩戴行为的实时检测要求关键词:目标检测;级联检测;安全带;袖章;电力工作人员;深度学习中图分类号:TP39141;TM81文献标识码:ADetection of safe wearing behavior in substation based on YOLOXTiny cascade algorithmCHEN Gaoru1，CHEN Hui1，GAO Xiang1，LI Changyuan1，HUANG Haobin1，LI Jijie1，CAI Jiawei1，LIN Zhe1，JIANG Hao2(1 State Grid Fuzhou Electric Power Supply Company，Fuzhou，Fujian 350009，China;2 College of Electrical Engineering and Automation，Fuzhou University，Fuzhou，Fujian 350108，China)Abstract:In this study，cascade detection of deep convolutional neural networks is used instead oftraditional detection methods The trained YOLOXTiny target detection network is used to distinguishgrounded personnel and landed personnel The images of both are used as the region of interest of theinput images and fed into the day mark detection network for processing and training，which canachieve not only the detection of seat belts for different personnel roles，but also the detection of smalltargets such as armbands The experimental results show that the method can identify accurately andquickly the staff who need to wear the safety belt and the guardian who need to wear the red armbandIts final overall detection accuracy reaches 91 0%and the overall detection speed is as high as4106 Fs1，which effectively meets the requirements for the real-time detection of safety wearingbehavior in the substation overhead operationKeywords:target detection;cascade detection;safety belt;armband;power workers;deep learning0引言我国电力生产事故的发生频率处于较高水平，对城市的生产安全造成威胁 因此，有必要将全方位的安全生产理念引入到电力生产作业中，以便迅速发现设备中的缺陷和安全隐患12，提高电力维修和检修的效率3 在日常巡检和维修过程中，电力工作人员常常会接触高压电力设备，若操作不当或未佩戴安全带和袖章，很容易出现安全事故 为确保电力工作人员采用合规防护措施和操作流程，提升现场安全作业水平，有必要及时进行安全带和袖章的检测目前，电力工作人员安全带和袖章佩戴的筛查大多以人力为主4，检测精度较低且速度过慢，传统的检测方法已无法满足实际需求 因此，基于深度学习的检测方法逐渐被采用5 该方法可以分为两大类:一类是两阶段方法，包括区域卷积神经网络6、空间金字塔汇集网络7、Fast-CNN8、Faster-CNN9 和收稿日期:20220308通信作者:陈高汝(1991)，工程师，主要从事变电检修电气试验方面的研究，chengaoru2009 163com基金项目:国网福建省电力有限公司科技资助项目(5213102000F5);福建省高校产学研合作资助项目(2019H600)第 1 期陈高汝，等:基于 YOLOXTiny 级联算法的变电站安全佩戴行为检测http:/xbzrbfzueducn基于区域的全卷积神经网络10 等方法;另一类是一步法，包括单次激发探测器11、YOLO12、YOLOv213、YOLOv314、YOLOv415 等方法 这些方法通过直接计算物体的坐标和类别概率，来提供单次检测的结果 但是，现有研究主要集中在对较大物体的检测上，而袖章等小目标的检测仍有一定挑战 为进一步保障电力工作人员的人身安全，有必要开展对电力工作人员的安全带和袖章佩戴检测的研究本研究提出一种基于深度卷积神经网络的安全带和袖章检测方法 目标物体的特征较为不明显，属于小目标范畴，且与人员角色有关 采用级联检测16，利用 YOLOXTiny 目标检测网络优先识别出离地人员和着地人员;再选取合适的非极大值抑制(non-maximum suppression，NMS)阈值17，检测出正确佩戴安全带的工作人员和正确佩戴红色袖章的监护人员;最后对比不同算法检测安全带和袖章的级联检测指标，实现算法的最优选择1安全带和袖章检测原理11级联检测结构针对电力工作人员的安全带和袖章特征较不明显、袖章尺寸较小等问题，提出一种基于 YOLOXTiny的级联检测，以提高电力工作人员安全带和袖章检测的准确率 YOLOXTiny 的主干特征提取网络为CSPDarknet，利用特征金字塔(Neck)提取特征(feature)，最终获取到11 卷积核(11 conv)和33 卷积核(11 conv)具体检测流程(图 1)如下:首先，将电力工作人员现场图片送入 YOLOXTiny 目标检测网络进行训练和检测，以此来区分不同人员角色，从而框选并截取出离地人员和着地人员;其次，将框选区域作为感兴趣区域(region of interest，OI)，并将 OI 再一次送到检测网络中，进行安全带和袖章的小目标检测;再次，采用这种级联检测的方式识别出佩戴安全带的工作人员和佩戴红色袖章的监护人员，完成人员角色下的佩戴检测;最后，通过实验进行不同算法检测精度的对比，完成算法的最优选择图 1级联检测结构Fig1Cascade detection structure75福州大学学报(自然科学版)第 51 卷http:/xbzrbfzueducn12YOLOXTiny 目标检测算法与以往的 YOLO 系列相比，YOLOXTiny 的检测速度快且识别准确率相对较高，特别适用于对小物体的识别和检测 YOLOXTiny 网络包括输入部分、特征提取网络部分、卷积部分和特征提取部分，最终获取到特征点的置信度(cls)、特征点的回归系数、对应物体是否在特征点(obj)等信息YOLOXTiny 检测安全带和袖章的基本网络检测流程为:1)将电力工作人员的图像进行等比缩放，最终得到尺寸为 416 px416 px 的图片，输入到检测网络;2)进行网络分割和边界框预测，得到尺寸为52 px52 px、26 px26 px、13 px13 px 的 3 个特征图;3)采用 NMS，计算每个边界框的置信度13级联检测方法的原理图 2检测方法对比Fig2Comparison of the detection methods级联检测方法与常规检测方法的对比如图 2 所示 与级联检测相比，常规检测仅依赖初始的检测结果，对其进行后处理，而未对人员角色进行区分，检测精度难以有太大的提升 级联检测方法采用两阶段检测:第一阶段先检测出离地人员和着地人员，获取 OI;第二阶段则利用 OI 的信息，识别出安全带和袖章，以此来评价工作人员和监护人员是否佩戴规范 此方法能较好地平衡检测精度和检测速度 其精度的提高在于减少目标区域在识别图像中的占比，无需对整幅图像进行检测，袖章这类小目标物体在图像中的占比得到提高，因此可大大提高检测的精度;但是由于需要两个检测阶段，相比于常规检测而言，此方法会给检测带来一定的速度损失2实验结果与分析21实验环境与实验数据本实验所用计算机处理器型号为 Intel Core i76850K，显卡型号为 NVIDIA GeForce GTX 1080 TiGPUs，内存为 32 GB 操作系统为 Ubuntu 1604 LTS，神经网络部分在 Mmdetection 框架下搭建，软件编程环境为 python 36。本研究中所使用的数据均是从天池云竞赛中收集的 从全部检测数据中，选取 3 000 张图像进行实验，并对红色袖章(badge)、离地人员(offground)、着地人员(ground)和安全带(safebelt)进行标注，根据图 3目标区域的相对面积占比Fig3elative area ratio of target area标注信息进行框选，最终识别出佩戴安全带工作人员(offground+safebelt)和佩戴红色袖章监护人员(ground+badge)每个图像至少含有一个目标，将具有不同像素分辨率的原始检测图像调整为 512 px512 px的统一大小，以匹配检测器的输入要求图 3 为在 512 px512 px 的图片中袖章的占比，相对面积占比小于 1/8 的目标占整个数据的 30%，说明数据集存在一定量的小目标 为反映所提出方法的真实性能，使用相对接近的分割率来生成训练数据(60%)和测试数据(40%)85第 1 期陈高汝，等:基于 YOLOXTiny 级联算法的变电站安全佩戴行为检测http:/xbzrbfzueducn22级联检测结果与分析本研究提出的安全带和袖章级联检测，主要包括两个部分:1)采用 YOLOXTiny 识别出离地人员和着地人员，作为 OI 区域;2)将 OI 区域再次输入检测网络中，判断识别出工作人员是否正确佩戴安全带、监护人员是否正确佩戴袖章221级联检测模型训练安全带和袖章级联检测模型 YOLOXTiny 训练的参数设置如下:初始学习率为 0001;训练批次(Batch Size)为 16;NMS 为 060;迭代次数为 300;每 10 步保存一次模型权重模型平均损失随着训练批次变化情况如图 4 所示，随着训练批次的增加，模型的平