基于改进YOLOv5算法的电力施工场景安全帽视觉图像检测方法

为了判断施工人员是否佩戴安全帽,确保电力施工现场安全,本文提出基于改进YOLOv5算法的电力施工场景安全帽视觉图像检测方法,采用可分离卷积方法改进YOLOv5算法的输入端,并在输入端内增加马赛克数据增强过程,以提升电力施工场景安全帽视觉图像的清晰度;采用模糊C-均值聚类算法获取YOLOv5算法输出端的候选框设定值,并在卷积层内引入注意力机制模块,使卷积层提取到的电力施工场景安全帽视觉图像特征更加精准;利用感知量化方法对YOLOv5算法归一化融合层和卷积层实施量化,使YOLOv5算法输出结果更为准确,将电力施工场景安全帽视觉图像输入到改进后的YOLOv5算法内,经过算法迭代输出安全帽视觉图像检测结果。实验表明:该方法具备良好的候选框有效类和无效类分类能力,并且可在电力施工场景安全帽视觉图像存在遮挡和缺失时有效监测施工人员是否佩戴安全帽,具备较好的应用效果。

基于编解码器的电力施工场景可控图像字幕生成

电力施工场景图像字幕生成采用基于深度学习的编解码技术理解图像信息,并转换为文字描述输出,从而预警安全隐患,丰富了传统图像分析技术的输出形式。传统图像字幕生成方法缺乏可控性且细节描述不充分,针对电力施工场景图像描述的研究匮乏。为此,该文提出一种基于编解码器的可控图像字幕生成优化方法。引入新的特征提取模型,以FVC R-CNN(faster and visual commonsense region-convolutional neural network)模型作为编码器,提取图像的显著特征和视觉常识特征,并改进激活函数以得到改进的基于M-tanh的长短时记忆(M-tanh long short-term memory,MT-LSTM)神经网络用于特征解码,最后通过多分枝决策策略优化输出。在Ubuntu16.04和PyTorch深度学习框架下对电力场景描述数据集进行了训练和测试,实验结果表明图像字幕生成准确率不仅得到显著提高,而且增强了场景描述的可控性,可有力提升电力施工现场的安全管理智能化水平。