电力高空作业场景下防高坠的识别方法及存储介质

技术领域

本发明涉及高空作业防高坠技术领域，具体地涉及一种电力高空作业场景下防高坠的识别方法及存储介质。

背景技术

电力高空作业的防高坠措施包括安全带、后背绳和腰带，为了保障高空作业人员安全，往往要求作业人员佩戴安全带，腰带系在杆塔等建筑上，同时后背绳要求高挂低用，因此防高坠识别要求对是否佩戴安全带、腰带是否固定于建筑物以及后背绳低挂高用。

为了能够准确识别作业人员的防高坠措施是否有效，需要对作业人员的安全带以及后背绳进行识别检测，但是现有的识别方法中，易会对地面人员同步进行检测，进而造成误检，且会影响防高坠措施的检测识别效率。

本申请发明人在实现本发明的过程中发现，现有技术的上述方案具有容易产生误检且检测效率低的缺陷。

发明内容

本发明实施例的目的是提供一种电力高空作业场景下防高坠的识别方法及存储介质，该电力高空作业场景下防高坠的识别方法及存储介质具有检测准确性高，且能够提高检测识别的效率。

为了实现上述目的，本发明实施例提供一种电力高空作业场景下防高坠的识别方法，包括：

获取多张高空作业场景的图片；

设置梯度阈值，并对多张所述图片进行扫描以获得天空区域和地面区域；

视觉识别多张所述图片中的作业人员；

判断所述作业人员是否在所述天空区域；

在判断所述作业人员在所述天空区域的情况下，保留所述作业人员；

对所述作业人员的防高坠措施的有效性进行判断；

在判断所述作业人员不在所述天空区域的情况下，判断下一个所述作业人员。

可选地，设置梯度阈值，并对多张所述图片进行扫描以获得天空区域和地面区域包括：

将所述天空区域聚成两类；

根据公式(1)分别计算两类天空到地面的马氏距离值，

其中，D

可选地，设置梯度阈值，并对多张所述图片进行扫描以获得天空区域和地面区域还包括：

判断第一类的马氏距离值是否大于或等于第二类的马氏距离值；

在判断第一类的马氏距离值大于或等于第二类的马氏距离值的情况下，将第一类的区域作为天空区域。

可选地，视觉识别多张所述图片中的作业人员包括：

对多张所述图片进行拼接；

获取拼接后所述图片在不同尺度下的特征图；

根据所述特征图，获取特征信息；

根据所述特征信息，获取所述作业人员的最终预测结果。

可选地，对所述作业人员的防高坠措施的有效性进行判断包括：

构建卷积神经网络模型；

获取所述作业人员的关键骨骼点三维信息；

根据所述关键骨骼点三维信息，获取所述作业人员腰部以上的图像；

判断所述作业人员的安全带是否佩戴；

在判断所述作业人员安全带未佩戴的情况下，判定所述防高坠措施无效。

可选地，对所述作业人员的防高坠措施的有效性进行判断还包括：

在判断所述作业人员安全带佩戴的情况下，获取所述作业人员腰部以下的图像；

对腰部以上的图像中腰带的腰带特征以及腰部以下图像中后背绳的后背绳特征进行提取；

将所述腰带特征和所述后背绳特征输入至全连接层；

判断所述腰带是否固定于建筑物上以及所述后背绳是否为高挂低用；

在判断所述腰带固定于建筑物上且所述后背绳为高挂低用的情况下，判定所述防高坠措施有效。

可选地，对所述作业人员的防高坠措施的有效性进行判断还包括：在判断所述腰带固定于建筑物上且所述后背绳不是高挂低用的情况下，判定所述防高坠措施异常。

可选地，对所述作业人员的防高坠措施的有效性进行判断还包括：在判断所述腰带未固定于建筑物上且所述后背绳是高挂低用的情况下，判定所述防高坠措施异常。

另一方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上任一所述的识别方法。

通过上述技术方案，本发明提供的电力高空作业场景下防高坠的识别方法通过设置梯度阈值，并对多张高空作业的图片进行扫描，能够准确获取图片中的天空区域和地面区域，以此区分位于高空的作业人员以及位于地面的作业人员，再对位于高空的作业人员的防高坠措施的有效性进行判断，避免了对地面作业人员误检的情况出现，提高了检测的准确度，同时也提高了检测的效率。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是根据本发明的一个实施方式的电力高空作业场景下防高坠的识别方法的流程图；

图2是根据本发明的一个实施方式的电力高空作业场景下防高坠的识别方法中获取天空区域的流程图；

图3是根据本发明的一个实施方式的电力高空作业场景下防高坠的识别方法中对高空作业人员识别的流程图；

图4是根据本发明的一个实施方式的电力高空作业场景下防高坠的识别方法中防高坠措施有效性检测的流程图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

图1是根据本发明的一个实施方式的电力高空作业场景下防高坠的识别方法的流程图。在图1中，该识别方法可以包括：

在步骤S10中，获取多张高空作业场景的图片。其中，对高空作业场景下进行多角度的拍摄，以获得多张高空作业场景的图片。

在步骤S11中，设置梯度阈值，并对多张图片进行扫描以获得天空区域和地面区域。其中，由于地面的亮度低于天空，天空在图片中的相对位置高，底面在图片中的相对位置低，且涉及到天空的区域更平滑，因此采用区域分隔技术，对图片中的天空区域和底面区域进行划分。具体地，对高空作业场景中的每副图片从上至下进行扫描，并设置梯度阈值，以获得天空区域和底面区域的边界。

在步骤S12中，视觉识别多张图片中的作业人员。其中，为了获取高空作业人员的相关位置信息，需要对多张图片中所有的作业人员进行识别。

在步骤S13中，判断作业人员是否在天空区域。其中，为了避免对位于底面的作业人员进行误检，则需要对作业人员的位置进行判断。

在步骤S14中，在判断作业人员在天空区域的情况下，保留作业人员。其中，若作业人员在天空区域，则说明该作业人员位于高空，即可对该作业人员的防高坠的有效性进行判定。

在步骤S15中，对作业人员的防高坠措施的有效性进行判断。

在步骤S16中，在判断作业人员不在天空区域的情况下，判断下一个作业人员。其中，若作业人员不在天空区域，则说明作业人员在地面区域，不对地面的作业人员进行检测，即不讲该作业人员计入待检测范围内，对下一个作业人员进行判断。

在步骤S10至步骤S16中，先获取多张高空作业场景的多角度图片，再对多张图片进行扫描划分成天空区域和地面区域。再对图片中的作业人员所在的区域进行判断，若其在天空区域内，则说明该作业人员位于高空，即可对该作业人员进行防高坠措施的检测；若其在地面区域内，则说明该作业人员位于地面，不对该作业人员进行防高坠措施的检测。

传统的防高坠措施的检测识别方法中，往往以人体关键点作为人员行为的检测，未区分地面人员和高空作业人员，因此往往会带来无效的计算和误检，给硬件的计算资源和算法时效性带来压力，导致检测识别的效率低。在本发明的该实施方式中，采用判断作业人员在天空区域还是在地面区域的方式，能够有效避免到了对地面作业人员误检的情况出现，提高了检测的准确度，同时也提高了检测的效率。

在本发明的该实施方式中，为了获取准确地天空区域和地面区域，还需要对图片进行扫描划分，具体地步骤可以如图2所示。具体地，在图2中，该识别方法可以包括：

在步骤S20中，将天空区域聚成两类。其中，先利用区域分割技术得到初步的天空区域和地面区域，再对初步的天空区域进行聚类，聚类成A1和A2两类，即第一类A1和第二类A2。

在步骤S21中，根据公式(1)分别计算两类天空到地面的马氏距离值，

其中，D

在步骤S22中，判断第一类的马氏距离值是否大于或等于第二类的马氏距离值。

在步骤S23中，在判断第一类的马氏距离值大于或等于第二类的马氏距离值的情况下，将第一类的区域作为天空区域。其中，若第一类A1的马氏距离大于或等于第二类A2的马氏距离，马氏距离越大，说明相似度越低，则将第一类A1作为天空区域。反之，则将第二类A2作为天空区域。

在步骤S20至步骤S23中，先通过区域分割技术将图片分割成初始的天空区域和地面区域，再对初始的天空区域聚成两类，分别计算两类的马氏距离。马氏距离越大，则说明相似度越低，选取马氏距离最大的作为天空区域，进一步提高对天空区域判定的准确性和可靠性。

在本发明的该实施方式中，为了对高空作业人员的防高坠措施的有效性进行判断，还需要对高空的作业人员进行识别，具体地步骤可以如图3所示。

具体地，在图3中，该识别方法可以包括：

在步骤S30中，对多张图片进行拼接。其中，利用随机缩放、随机裁剪、随机排布的方式对图像进行拼接，实现数据增强。

在步骤S31中，获取拼接后图片在不同尺度下的特征图。其中，将图片输入至BackBone层，提取图像的特征，获取不同尺度下的特征图。

在步骤S32中，根据特征图，获取特征信息。其中，将特征图输入至Neck中间层，进行多尺度特征图像的融合，得到特征信息。

在步骤S33中，根据特征信息，获取作业人员的最终预测结果。其中，将特征信息输入至Head输出层，提取先验框尺度，约束作业人员预测边框位置，得到最终预测结果，即作业人员的位置信息等。

在本发明的该实施方式中，为了判断高空作业人员防高坠措施的有效性，还需要对作业人员的安全带、后背绳以及腰带的状态进行识别，具体地步骤可以如图4所示。具体地，在图4中，该识别方法可以包括：

在步骤S40中，构建卷积神经网络模型。

在步骤S41中，获取作业人员的关键骨骼点三维信息。其中，通过卷积神经网络即可获取到作业人员的关键骨骼点三维信息以及高空作业人员的端点位置信息。

在步骤S42中，根据关键骨骼点三维信息，获取作业人员腰部以上的图像。其中，基于识别出的作业人员图像根据骨骼点位置信息以腰部为基准进行裁剪，得到腰部以上图像。

在步骤S43中，判断作业人员的安全带是否佩戴。其中，对腰部以上图像进行特征提取，以对安全带进行识别判定。

在步骤S44中，在判断作业人员安全带未佩戴的情况下，判定防高坠措施无效。其中，若高空作业人员未佩戴安全带，则可直接判定防高坠措施无效。

在步骤S45中，在判断作业人员安全带佩戴的情况下，获取作业人员腰部以下的图像。其中，若作业人员佩戴了安全带，还需要对安全带佩戴的状态进行进一步地识别判定，即需要基于识别出的作业人员图像根据骨骼点位置信息以腰部为基准进行裁剪，获得腰部以下的图像。具体地，基于FPN网络得到不同尺度下图像的同时融合多项特征，并对这些特征图像进行训练。

在步骤S46中，对腰部以上的图像中腰带的腰带特征以及腰部以下图像中后背绳的后背绳特征进行提取。其中，安全带的佩戴状态包括腰带以及后背绳，进而可对腰带、后背绳以及柱状建筑物的特征进行提取。

在步骤S47中，将腰带特征和后背绳特征输入至全连接层。其中，在获取腰带以及后背绳的特征的后，将其输入至全连接层进行分类。具体地，利用全连接层来预测输出概率和腰带系扣位置坐标，基于坐标位置，判断建筑物上的腰带与建筑物的位置关系。

在步骤S48中，判断腰带是否固定于建筑物上以及后背绳是否为高挂低用。

在步骤S49中，在判断腰带固定于建筑物上且后背绳为高挂低用的情况下，判定防高坠措施有效。其中，若腰带固定于建筑物上且后背绳为高挂低用，则说明安全带的使用状态符合规范，判定防高坠措施有效。

在步骤S50中，在判断腰带固定于建筑物上且后背绳不是高挂低用的情况下，判定防高坠措施异常。其中，若腰带固定于建筑物上且背绳不是高挂低用，则说明后背绳低挂高用，安全带的使用状态不符合规范，判定防高坠措施异常，即可采取相应的措施和预警。

在步骤S50中，在判断腰带未固定于建筑物上且后背绳是高挂低用的情况下，判定防高坠措施异常。其中，若腰带未固定于建筑物上且后背绳是高挂低用，则说明安全带的使用状态不符合规范，判定防高坠措施异常，即可采取相应的措施和预警。

在步骤S40至步骤S50中，构建卷积神经网络，并获取高空作业人员腰部以上和腰部以下的图像。先根据腰部以上的图像对安全带的佩戴状态进行判断，若安全带未佩戴，则直接判定防高坠措施无效。再对腰带是否悬挂在建筑上以及后背绳是否为高挂低用进行判断，若腰带悬挂在建筑上且后背绳为高挂低用，则说明符合相关规范，防高坠措施有效；若两者任一不满足，则说明防高坠措施存在异常，需要采取相应的措施和并发出预警。

另一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上任一所述的识别方法。

通过上述技术方案，本发明提供的电力高空作业场景下防高坠的识别方法通过设置梯度阈值，并对多张高空作业的图片进行扫描，能够准确获取图片中的天空区域和地面区域，以此区分位于高空的作业人员以及位于地面的作业人员，再对位于高空的作业人员的防高坠措施的有效性进行判断，避免了对地面作业人员误检的情况出现，提高了检测的准确度，同时也提高了检测的效率。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。