电厂不戴安全帽违规行为管控方法、系统、设备及介质与流程

1.本发明属于自动检测技术领域，涉及一种电厂不戴安全帽违规行为管控方法、系统、设备及介质。


背景技术：

2.电厂是关乎国计民生的重要基础设施，电厂设备种类众多且关联密切、工况复杂，容易引发安全生产事故，给人身和财产安全带来巨大损失。根据安全专家统计，在众多安全生产事故中，由于人的不安全行为引发的事故占80％以上，由此可见人的心理素质、安全意识和业务素质是安全生产的关键。如何提高人的主观能动性，约束和监督人的不安全行为，及时发现和排除安全隐患是电厂安全管控的重要内容。
3.电厂占地面积广，设备众多、环境复杂，仅靠人的值班巡视很难做到无死角、全天候的安全监督，随着工业互联网、深度学习等技术的迅猛发展，目前电厂安全帽违规行为管控主要采用常规目标检测方法进行，通过人脸识别技术进行违规人员识别，当在人脸数据模糊、人体朝向非正向、人脸遮挡等情况下，该方法的作用极大受限，且无法根据人体整体特征如衣着、体态、发型等信息进行人员识别。此外，电厂的设备、管道众多，生产环境复杂，现有的安全帽违规行为管控方法难以适用于电厂绝大部分生产现场的场景，违规人员重识别效果差，无法利用身体特征、步态动作等更为全面的信息来识别人员，进行人员检索，造成大量违规行为检测遗漏。


技术实现要素：

4.本发明的目的在于克服上述现有技术的缺点，提供了一种电厂不戴安全帽违规行为管控方法、系统、设备及介质，该方法、系统、设备及介质能够较为准确检测未带安全帽的人员信息。
5.为达到上述目的，本发明公开了一种电厂不戴安全帽违规行为管控方法，包括：
6.获取待检测图像；
7.将所述待检测图像输入到人员行为特征提取网络中，得到提取的特征；
8.将所述提取的特征输入到违规人员目标检测网络中，当没有检测得到不佩戴安全帽的头部时，则输出不存在安全帽违规行为；当检测到不佩戴安全帽的头部时，则获取所述不佩戴安全帽的人员信息；
9.输出不佩戴安全帽的人员信息。
10.所述获取所述不佩戴安全帽的头部的人员信息的具体过程为：
11.将当前检测框输入到人脸重识别模型中，以识别出人脸，根据识别出来的人脸确认不佩戴安全帽的人员信息；
12.所述获取所述不佩戴安全帽的头部的人员信息的具体过程为：
13.将当前检测框输入到重识别分支网络中提取人员特征，再将提取的人员特征与人员底库中所有人员的特征进行距离匹配，以识别出不佩戴安全帽的人员信息。
14.所述将提取的人员特征与人员底库中所有人员特征进行距离匹配，以识别出不佩戴安全帽的人员信息的具体过程为：
15.采用欧式距离计算提取的人员特征与人员底库中所有人员特征之间的相似度；
16.计算sum
id
，其中，
[0017][0018][0019]
其中，e为衰减因子；
[0020]
选择sum
id
得分最高时对应的人员特征的人员信息作为不佩戴安全帽的人员信息。
[0021]
本发明公开了一种电厂不戴安全帽违规行为管控系统，包括：
[0022]
获取模块，用于获取待检测图像；
[0023]
特征提取模块，用于将所述待检测图像输入到人员行为特征提取网络中，得到提取的特征；
[0024]
检查模块，用于将所述提取的特征输入到违规人员目标检测网络中，当没有检测得到不佩戴安全帽的头部时，则输出不存在安全帽违规行为；当检测到不佩戴安全帽的头部时，则获取所述不佩戴安全帽的人员信息；
[0025]
输出模块，用于输出不佩戴安全帽的人员信息。
[0026]
所述获取所述不佩戴安全帽的头部的人员信息的具体过程为：
[0027]
将所述当前检测框输入到人脸重识别模型中，以识别出人脸，根据识别出来的人脸确认不佩戴安全帽的人员信息。
[0028]
所述获取所述不佩戴安全帽的头部的人员信息的具体过程为：将当前检测框输入到重识别分支网络中提取人员特征，再将提取的人员特征与人员底库中所有人员特征进行距离匹配，以识别出不佩戴安全帽的人员信息。
[0029]
所述将提取的人员特征与人员底库中所有人员特征进行距离匹配，以识别出不佩戴安全帽的人员信息的具体过程为：
[0030]
采用欧式距离计算提取的人员特征与人员底库中所有人员特征之间的相似度；
[0031]
计算sum
id
，其中，
[0032][0033][0034]
其中，e为衰减因子；
[0035]
选择sum
id
得分最高时对应的人员特征的人员信息作为不佩戴安全帽的人员信息。
[0036]
本发明公开了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述电厂不戴安全帽违规行为管控方法的步骤。
[0037]
本发明公开了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计算机程序，所述计算机程序被处理器执行时实现所述电厂不戴安全帽违规行为管控方法的步
骤。
[0038]
本发明具有以下有益效果：
[0039]
本发明所述的电厂不戴安全帽违规行为管控方法、系统、设备及介质在具体操作时，基于人员行为特征提取网络及违规人员目标检测网络判断识别安全帽违规行为，并检测到不佩戴安全帽的头部时，则获取不佩戴安全帽的人员信息，以实现准确检测未带安全帽的人员信息的目的。需要说明的是，本发明利用人员行为特征提取网络提取的特征同时用于目标检测及人体重识别，简化了模型复杂度，降低了模型训练时间及训练难度。
[0040]
进一步，引入人体重识别模型，避免人脸识别的局限性，当人脸模糊，人脸朝向非正向情况下，可以使用人体重识别进行不戴安全帽违规人员识别，提高人员重识别算法的效率和适用性。
附图说明
[0041]
图1为本发明的原理图；
[0042]
图2为本发明的流程图；
[0043]
图3为本发明的系统结构图；
[0044]
图4为本发明中下采样卷积残差操作的流程图；
[0045]
图5为本发明中卷积残差操作的流程图；
[0046]
图6为本发明中多层特征融合操作的流程图。
具体实施方式
[0047]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本发明公开的概念。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0048]
在附图中示出了根据本发明公开实施例的结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
[0049]
实施例一
[0050]
参考图1及图2，本发明所述的电厂不戴安全帽违规行为管控方法包括：
[0051]
1)采集电厂监控视频数据，并进行数据处理，建立含有身份标识特征的人员底库，并利用标注工具建立电厂安全帽违规行为数据集，具体如下：
[0052]
对电厂摄像头设备的监控数据进行人工筛选，剔除缺少人员信息的视频数据，设定视频帧计数间隔频率为50，按照每隔50帧进行图片保存操作，将视频数据抽帧为图片数据形成21300张图片文件库；
[0053]
从所述图片文件库读取图片，将读取的图片转换为单通道灰度图，采用3x3拉普拉
斯算子对所述单通道灰度图进行卷积，计算卷积后目标图像的方差，设置电厂监控图片的图片模糊阈值为120，当电厂监控图片的计算方差低于所述图片模糊阈值时，则从图片文件库删除该模糊图片。
[0054]
对图片文件库中的图片数据进行人工筛选、截取及身份标识，筛选出人体特征完整且人体运动连续的图片，对筛选的图片中的每个人员分别进行图片截取，去掉多余的背景，以形成人员图片集，将人员图片集进行编号，其中，人员图片集中每个图片对应一个人员标识文本，该标识文本记录人员的姓名、年龄、身份证号及工作单位信息，人员图片的编号与人员标识文本的名保持一致，形成包含800个人员信息的人员底库，其中，每个人员分别保存16张多个摄像头下的图片。
[0055]
利用数据标注工具对图片文件库中的图片进行数据标注，标注过程中，分别对人员的头部及身体进行标注，形成身体、戴安全帽的头部以及不戴安全帽的头部三个类别的数据集。数据标注信息格式为：
[0056]
《图片名称》《/图片名称》
[0057]
《图片路径》《/图片路径》
[0058]
《图片内容》
[0059]
《图片大小》
[0060]
《图片宽度》《/图片宽度》
[0061]
《图片高度》《/图片高度》
[0062]
《图片通道数》《/图片通道数》
[0063]
《/图片大小》
[0064]
《目标》
[0065]
《目标类别》《/目标类别》
[0066]
《检测框左上x坐标》《/检测框左上x坐标》
[0067]
《检测框左上y坐标》《/检测框左上y坐标》
[0068]
《检测框右下x坐标》《/检测框右下x坐标》
[0069]
《检测框右下y坐标》《/检测框右下y坐标》
[0070]
《/目标》
[0071]
《目标》
[0072]
《目标类别》《/目标类别》
[0073]
《检测框左上x坐标》《/检测框左上x坐标》
[0074]
《检测框左上y坐标》《/检测框左上y坐标》
[0075]
《检测框右下x坐标》《/检测框右下x坐标》
[0076]
《检测框右下y坐标》《/检测框右下y坐标》
[0077]
《/目标》
[0078]
《/图片内容》
[0079]
2)构建电厂安全帽违规行为检测及人体重识别模型；
[0080]
具体为：
[0081]
获取包含电厂安全帽违规行为目标的待检测识别图像，将待检测识别图像的大小调整至1920x 1088,使用旋转、缩放对待检测识别图像进行增强。
[0082]
构建电厂安全帽违规行为检测及人体重识别模型，其中，所述电厂安全帽违规行为检测及人体重识别模型包括依次连接输入层、人员行为特征提取网络、检测分支网络及人员重识别分支网络，其中，所述人员行为特征提取网络融合隐含层之间的多层级特征，实现深层语义信息与表观信息的融合，为检测分支网络和重识别分支网络提供特征图，人员行为特征提取网络具体如下：
[0083]
读取训练集数据，将图片数据转换为三维张量x＝[c，h，w]，将n个三维张量合并成四维张量input＝[n，c，h，w]作为输入，其中，n为一次输入图片的数量，h为图片高度，w为图片宽度，c为通道数，n设置为24，h设置为1088，w设置为1920，c为3。浅层卷积残差块对输入张量进行以下操作：
[0084][0085]
xn表示第n个通道的矩阵，wn表示第n个子卷积核，b为偏置，输入张量与16个3x7x7的卷积核进行卷积操作，卷积步长为1，padding为3，得到的输出张量f1＝[n，16，1088，1920]，将隐含层张量f1根据批次进行批量规范化操作，每标准化一个批次的数据，均利用计算得到的该批次里面的样本的均值及方差，对数据进行规范化操作，为该批次里面的样本的标准差，该批次里面的样本的均值，γ和β为需要学习的参数。
[0086][0087]
对批次规范化后的特征采用relu激活函数进行激活。激活后的特征张量f1与32个16x3x3的卷积核进行卷积操作，卷积步长为2，padding为1，得到的输出张量f2＝[n，32，544，960]，将隐含层张量f2根据批次进行批量规范化操作，对批次规范化后的特征采用relu激活函数进行激活。
[0088]
激活后的特征f2通过步长为2的最大池化后与64个32x1x1的卷积核进行卷积操作，输出张量f3＝[n，64，272，480]，将隐含层张量f3根据批次进行批量规范化操作，f2与64个32x3x3的卷积核进行卷积操作，卷积步长为2，padding为1，得到的输出张量f4＝[n，64，272，480]，将隐含层张量f4根据批次进行批量规范化操作，对批次规范化后的特征采用relu激活函数进行激活。将激活后得特征f4与64个64x3x3的卷积核进行卷积操作，卷积步长为1，padding为1，得到的输出张量f5＝[n，64，272，480]，将隐含层张量f5根据批次进行批量规范化操作，将输出特征f5与特征f3进行合并操作，输出张量f6＝[n，64，272，480]，并进行relu激活，将以上特征提取过程称为下采样卷积残差操作，如4图所示：
[0089]
激活后的特征f6与64个64x3x3的卷积核进行卷积操作，卷积步长为1，padding为1，得到的输出张量f7＝[n，64，272，480]，将隐含层张量f7根据批次进行批量规范化操作，对批次规范化后的特征采用relu激活函数进行激活，将激活后的特征f7与64个64x3x3的卷积核进行卷积操作，卷积步长为1，padding为1，得到输出张量f8＝[n，64，272，480]，将隐含层张量f8根据批次进行批量规范化操作，将特征f6和f8进行合并输出特征f9＝[n，64，272，480]，并进行relu激活，该过程为卷积残差操作，如图5所示：
[0090]
得到特征f6及f9后，将特征按照通道维度进行拼接，形成张量f
10
＝[n，128，272，480]，将张量f
10
与64个128x1x1卷积核进行卷积操作，卷积步长为1，padding为1，得到的输出张量f
11
＝[n，64，272，480]，将隐含层张量f
11
根据批次进行批量规范化操作，将张量f
11
与
f6进行合并后采用relu激活函数进行激活，该过程为多层特征融合操作，如图6所示：
[0091]
将激活后的特征f
12
依次通过下采样卷积残差操作、卷积残差操作及多层特征融合操作，得到特征f
13
，特征f
13
通过卷积残差操作，得到特征f
14
，特征f
14
通过卷积残差操作得到特征f
15
，将特征f
13
、f
14
及f
15
按照通道维度进行拼接，进行多层特征融合操作，得到特征f
16
＝[n，128，136，240]。将特征f
16
依次通过下采样卷积残差操作、卷积残差操作及多层特征融合操作，得到特征f
17
，将特征f
17
通过卷积残差操作，得到特征f
18
，将特征f
18
通过卷积残差操作的得到特征f
19
，将特征f
17
、f
18
及f
19
按照通道维度进行拼接，再进行多层特征融合操作，得到特征f
20
，将特征f
20
依次通过卷积残差操作，卷积残差操作及多层特征融合操作，得到特征f
21
，将特征f
21
通过卷积残差操作，得到特征f
22
，将特征f
22
通过卷积残差操作，得到特征f
23
，将特征f
20
、f
21
、f
22
及f
23
按照通道维度进行拼接，再进行多层特征融合操作，得到特征f
24
＝[n，256，68，120]。将特征f
24
依次通过下采样卷积残差操作、卷积残差操作及多层特征融合操作得到特征f
25
＝[n，521，34，60]。
[0092]
将特征f
25
依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
26
，将特征f
26
与256个521x3x3卷积核进行反卷积操作，得到特征f
27
＝[n，256，68，120]，将特征f
24
及f
27
进行合并，再依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
28
。
[0093]
将特征f
24
依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
29
，将特征f
29
与128个256x3x3卷积核进行反卷积操作，得到特征f
30
＝[n，128，136，240]，将特征f
16
及f
30
进行合并，再依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
31
。将特征f
28
依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
32
，将特征f
32
与128个256x3x3卷积核进行反卷积操作，得到特征f
33
＝[n，128，136，240]，将特征f
31
及f
33
进行合并，再依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
34
。
[0094]
将特征f
16
依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
35
，将特征f
35
与64个128x3x3卷积核进行反卷积操作，得到特征f
36
＝[n，64，272，480]，将特征f
12
及f
36
进行合并，再依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
37
，将特征f
31
依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
38
，将特征f
38
与64个128x3x3卷积核进行反卷积操作，输出特征f
39
＝[n，64，272，480]，将特征f
37
及f
39
进行合并，再依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
40
；将特征f
34
依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
41
，将特征f
41
与64个128x3x3卷积核进行反卷积操作，得到特征f
42
＝[n，64，272，480]，将特征f
40
与特征f
42
进行合并，再依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
43
。
[0095]
将特征f
34
依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
44
，将特征f
44
与64个128x3x3卷积核进行反卷积操作，得到特征f
45
＝[n，64，272，480]，将特征f
43
与特征f
45
进行合并，再依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
46
，将特征f
28
依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
47
，将特征f
47
与128个256x3x3卷积核进行反卷积操作，得到特征f
48
＝[n，128，136，240]，将特征f
48
与64个128x3x3卷积核进行反卷积操作，得到特征f
49
＝[n，64，272，480]，将特征f
46
与特征f
49
进行合并，再依次经过批量规范化、relu激活函数及可变形卷积操作，得到特征f
50
。
[0096]
所述检测分支网络以特征f
50
作为输入，特征f
50
依次与64个64x3x3卷积核进行卷积及relu激活后与3个64x1x1卷积核进行卷积，得到特征f
51
＝[n，3，272，480]。目标检测的
类别包括人体、戴安全帽的头部及不戴安全帽的头部，所以最后输出的通道数为3。特征f
50
依次与64和64x3x3卷积核进行卷积、relu激活后与2个64x1x1卷积核进行卷积，得到特征f
52
＝[n，2，272，480]，表示检测目标的中心位置偏差。特征f
50
依次与64和64x3x3卷积核进行卷积、relu激活后与2个64x1x1卷积核进行卷积，输出特征f
53
＝[n，2，272，480]，表示检测目标的宽和高。
[0097]
所述重识别分支网络以特征f
50
作为输入，特征f
50
依次与64和64x3x3卷积核进行卷积及relu激活后与128个64x1x1卷积核进行卷积，得到特征f
54
＝[n，128，272，480]，表示每个检测目标的表观特征。
[0098]
3)电厂安全帽违规行为检测及人体重识别；
[0099]
具体包括：获取电厂摄像头实时视频流；将所述待检测图像输入到人员行为特征提取网络，将提取到的特征输入违规人员目标检测网络，当没有检测到不戴安全帽的头部，则输出该时刻无安全帽违规行为，当检测到不戴安全帽的头部，则判断电厂是否已有人脸重识别模型，若有，则将该检测框输入到人脸重识别模型中，否则，则新增人脸数据样本，在人体重识别算法基础上进行人脸识别模型训练，再将该检测框输入到人脸重识别模型中；进一步的，当识别出人脸，则将人脸信息及安全帽违规信息输出，否则，则将不戴安全帽头部的人体检测框输入重识别分支网络中提取人员特征，并将待识别人员特征与人员底库的所有人员特征进行距离匹配，识别出安全帽违规人员，输出人员信息及安全帽违规信息。
[0100]
所述距离匹配方式为：
[0101][0102]
采用欧式距离计算待识别人员特征与人员底库特征之间的相似度，欧式距离越小，则相似度越大。取人员底库图片中与待识别人员欧氏距离前10小的图片t＝[t1，t2...t
10
]，并按照欧氏距离从小到大进行排序，设衰减权重e＝[e1，e2...ei]，e为衰减因子，取值范围在0到1之间，i越大ei的值越小。本实施例中设置e＝0.7。将图片t根据相同id进行的权重求和，i表示10张图片的排序。
[0103][0104][0105]
同时考虑欧氏距离及目标命中次数，将人员底库中所有人员特征中sum
id
得分最高的图片id作为待识别人员id。匹配待识别人员id后，输出违规人员图片、姓名、id及违规类别。
[0106]
实施例二
[0107]
参考图3，本发明所述的电厂不戴安全帽违规行为管控系统包括：
[0108]
获取模块，用于获取待检测图像；
[0109]
特征提取模块，用于将所述待检测图像输入到人员行为特征提取网络中，得到提
取的特征；
[0110]
检查模块，用于将所述提取的特征输入到违规人员目标检测网络中，当没有检测得到不佩戴安全帽的头部时，则输出不存在安全帽违规行为；当检测到不佩戴安全帽的头部时，则获取所述不佩戴安全帽的人员信息；
[0111]
输出模块，用于输出不佩戴安全帽的人员信息。
[0112]
所述获取所述不佩戴安全帽的头部的人员信息的具体过程为：
[0113]
将所述当前检测框输入到人脸重识别模型中，以识别出人脸，根据识别出来的人脸确认不佩戴安全帽的人员信息。
[0114]
或者，将当前检测框输入到重识别分支网络中提取人员特征，再将提取的人员特征与人员底库中所有人员特征进行距离匹配，以识别出不佩戴安全帽的人员信息。
[0115]
所述将提取的人员特征与人员底库中所有人员特征进行距离匹配，以识别出不佩戴安全帽的人员信息的具体过程为：
[0116]
采用欧式距离计算提取的人员特征与人员底库中所有人员特征之间的相似度；
[0117]
计算sum
id
，其中，
[0118][0119][0120]
其中，e为衰减因子；
[0121]
选择sum
id
得分最高时对应的人员特征的人员信息作为不佩戴安全帽的人员信息。
[0122]
实施例三
[0123]
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述电厂不戴安全帽违规行为管控方法的步骤，其中，所述存储器可能包含内存，例如高速随机存储器，也可能还包括非易失性存储器，例如，至少一个磁盘存储器等；处理器、网络接口、存储器通过内部总线互相连接，该内部总线可以是工业标准体系结构总线、外设部件互连标准总线、扩展工业标准结构总线等，总线可以分为地址总线、数据总线、控制总线等。存储器用于存放程序，具体地，程序可以包括程序代码、所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
[0124]
实施例四
[0125]
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计算机程序，所述计算机程序被处理器执行时实现所述电厂不戴安全帽违规行为管控方法的步骤，具体地，所述计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存储器可以包括随机存储存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器可以包括只读存储器(rom)、硬盘、闪存、光盘、磁盘等。
[0126]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
[0127]
本技术是参照根据本技术实施例的方法、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。
[0128]
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。
[0129]
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。
[0130]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

技术特征：
1.一种电厂不戴安全帽违规行为管控方法，其特征在于，包括：获取待检测图像；将所述待检测图像输入到人员行为特征提取网络中，得到提取的特征；将所述提取的特征输入到违规人员目标检测网络中，当没有检测得到不佩戴安全帽的头部时，则输出不存在安全帽违规行为；当检测到不佩戴安全帽的头部时，则获取所述不佩戴安全帽的人员信息；输出不佩戴安全帽的人员信息。2.根据权利要求1所述的电厂不戴安全帽违规行为管控方法，其特征在于，所述获取所述不佩戴安全帽的头部的人员信息的具体过程为：将当前检测框输入到人脸重识别模型中，以识别出人脸，根据识别出来的人脸确认不佩戴安全帽的人员信息。3.根据权利要求1所述的电厂不戴安全帽违规行为管控方法，其特征在于，响应于未识别到人脸信息，所述获取所述不佩戴安全帽的头部的人员信息的具体过程为：将当前检测框输入到人体重识别分支网络中提取人员特征，再将提取的人员特征与人员底库中所有人员的特征进行距离匹配，以识别出不佩戴安全帽的人员信息。4.根据权利要求1所述的电厂不戴安全帽违规行为管控方法，其特征在于，所述将提取的人员特征与人员底库中所有人员特征进行距离匹配，以识别出不佩戴安全帽的人员信息的具体过程为：采用欧式距离计算提取的人员特征与人员底库中所有人员特征之间的相似度；计算sum
id
，其中，，其中，其中，e为衰减因子；选择sum
id
得分最高时对应的人员特征的人员信息作为不佩戴安全帽的人员信息。5.一种电厂不戴安全帽违规行为管控系统，其特征在于，包括：获取模块，用于获取待检测图像；特征提取模块，用于将所述待检测图像输入到人员行为特征提取网络中，得到提取的特征；检查模块，用于将所述提取的特征输入到违规人员目标检测网络中，当没有检测得到不佩戴安全帽的头部时，则输出不存在安全帽违规行为；当检测到不佩戴安全帽的头部时，则获取所述不佩戴安全帽的人员信息；输出模块，用于输出不佩戴安全帽的人员信息。6.根据权利要求5所述的电厂不戴安全帽违规行为管控系统，其特征在于，所述获取所述不佩戴安全帽的头部的人员信息的具体过程为：将所述当前检测框输入到人脸重识别模型中，以识别出人脸，根据识别出来的人脸确认不佩戴安全帽的人员信息。7.根据权利要求5所述的电厂不戴安全帽违规行为管控系统，其特征在于，响应于未识
别到人脸信息，所述获取所述不佩戴安全帽的头部的人员信息的具体过程为：将当前检测框输入到人体重识别分支网络中提取人员特征，再将提取的人员特征与人员底库中所有人员特征进行距离匹配，以识别出不佩戴安全帽的人员信息。8.根据权利要求5所述的电厂不戴安全帽违规行为管控系统，其特征在于，所述将提取的人员特征与人员底库中所有人员特征进行距离匹配，以识别出不佩戴安全帽的人员信息的具体过程为：采用欧式距离计算提取的人员特征与人员底库中所有人员特征之间的相似度；计算sum
id
，其中，，其中，其中，e为衰减因子；选择sum
id
得分最高时对应的人员特征的人员信息作为不佩戴安全帽的人员信息。9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述电厂不戴安全帽违规行为管控方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述电厂不戴安全帽违规行为管控方法的步骤。

技术总结
本发明公开了一种电厂不戴安全帽违规行为管控方法、系统、设备及介质，包括：获取待检测图像；将所述待检测图像输入到人员行为特征提取网络中，得到提取的特征；将所述提取的特征输入到违规人员目标检测网络中，当没有检测得到不佩戴安全帽的头部时，则输出不存在安全帽违规行为；当检测到不佩戴安全帽的头部时，则获取所述不佩戴安全帽的人员信息；输出不佩戴安全帽的人员信息，该方法、系统、设备及介质能够较为准确检测未带安全帽的人员信息。能够较为准确检测未带安全帽的人员信息。能够较为准确检测未带安全帽的人员信息。


技术研发人员：查玲 李军 王兴俊 吴有兵 林勇 高海东 高林 王林 周俊波 王明坤 米立海 王超 巩鹏 赵章明 董竞豪
受保护的技术使用者：华能陇东能源有限责任公司正宁电厂
技术研发日：2023.06.30
技术公布日：2023/10/6