您所在的位置: 成果库 现场作业安全穿戴识别方法、系统、设备及存储介质

现场作业安全穿戴识别方法、系统、设备及存储介质

发布时间: 2025-05-06

基本信息

合作方式： 技术咨询
成果类型： 发明专利
行业领域：
新一代信息技术产业,新能源产业,人工智能,智能电网产业
成果介绍
本成果提出了一种基于深度学习的现场作业安全穿戴识别方法，旨在通过高效的图像处理和深度学习技术，实现对电力现场作业人员安全穿戴情况的实时检测。该方法包括以下关键步骤：首先，获取电力现场历史作业的安全穿戴图像数据，并对图像进行目标框区域的标注；其次，对标注后的图像数据进行预处理，包括标准化处理和数据划分；接着，通过基于Swin-Transformer的层级化特征提取网络对预处理后的图像数据进行特征提取，得到安全穿戴深度特征；最后，将深度特征输入预先构建的安全穿戴识别模型中，得到是否正确穿戴的概率预测以及目标定位信息。该方法通过引入高效的通道注意力机制和改进的不平衡样本损失函数，显著提升了模型的检测精度和鲁棒性，适用于复杂背景下的多重叠目标检测，能够有效减少误检和漏检现象，为电力现场作业的安全监管提供了有力支持。
成果亮点
本成果的核心亮点在于通过深度学习技术解决了传统方法在速度和精度上难以兼顾的问题，同时针对电力现场复杂的作业环境和多重叠目标的检测需求，提出了创新的解决方案。首先，采用基于Swin-Transformer的层级化特征提取网络，引入非局域窗口间的信息交互，显著增强了模型在前期的特征提取能力，提升了对复杂背景的适应性。其次，引入基于ECAnet的高效通道注意力机制，对安全穿戴特征进行轻量化语义特征加强，进一步提高了模型对目标的检测精度。此外，设计了基于困难样本挖掘的不平衡样本损失函数，有效减弱了正负样本比例失衡对模型训练的影响，提高了模型的鲁棒性和准确性。通过这些创新设计，本方法在检测精度和速度上均优于现有的主流算法，如Faster-RCNN，显著提升了电力现场作业安全穿戴识别的效率和可靠性。
团队介绍
本成果的研发团队在电力安全图像识别、深度学习和计算机视觉等领域拥有深厚的专业背景和丰富的实践经验。团队成员在图像处理、特征提取、深度学习模型构建等方面具备丰富的专业知识和实践经验。团队成员紧密合作，充分发挥各自的专业优势，攻克了复杂背景下的多重叠目标检测、不平衡样本处理等技术难题。该团队不仅具备强大的技术研发能力，还具备将前沿技术与实际应用相结合的能力，为推动电力安全监管的智能化发展做出了重要贡献。
成果资料