陈高汝，陈晖，高翔，李长元，黄浩斌，李积捷，蔡嘉炜，林喆，江灏

(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)

0 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[1-2]，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-RCNN[8]、 Faster-RCNN[9]和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]、 YOLO[12]、 YOLOv2[13]、 YOLOv3[14]、 YOLOv4[15]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YOLOX-Tiny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

1.1 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YOLOX-Tiny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. YOLOX-Tiny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1×1卷积核(1×1 conv)和3×3卷积核(1×1 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YOLOX-Tiny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, ROI)，并将ROI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

1.2 YOLOX-Tiny目标检测算法

与以往的YOLO系列相比，YOLOX-Tiny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. YOLOX-Tiny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.

YOLOX-Tiny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 px×416 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 px×52 px、 26 px×26 px、 13 px×13 px的3个特征图； 3) 采用NMS，计算每个边界框的置信度.

1.3 级联检测方法的原理

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ROI； 第二阶段则利用ROI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.

图2 检测方法对比

2 实验结果与分析

2.1 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 i7-6850K，显卡型号为NVIDIA GeForce GTX 1080 Ti GPUs，内存为32 GB. 操作系统为Ubuntu 16.04 LTS，神经网络部分在Mmdetection框架下搭建，软件编程环境为python 3.6。

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 px×512 px的统一大小，以匹配检测器的输入要求. 图3为在512 px×512 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%).

图3 目标区域的相对面积占比

2.2 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YOLOX-Tiny识别出离地人员和着地人员，作为ROI区域； 2) 将ROI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.

2.2.1级联检测模型训练

安全带和袖章级联检测模型YOLOX-Tiny训练的参数设置如下： 初始学习率为0.001； 训练批次(Batch Size)为16； NMS为0.60； 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，模型的平均损失不断减小，从32左右降到3左右，整个网络趋于收敛.

图4 平均损失变化曲线

各损失的变化情况如图5所示，随着训练批次的增加，模型的cls、 回归损失(bbox)和obj等3个值不断减少，整个网络趋于平稳.

图5 各损失变化曲线

2.2.2模型级联检测结果分析

本次共对187张测试集上的电力工作人员进行检测，检测结果如图6所示. 从图中可以发现，检测精度还是相对较高的，该方法可以有效识别出佩戴安全带工作人员和佩戴红色袖章监护人员.

图6 检测结果

绘制常规检测方法和级联检测方法的召回率和平均准确率(average precision, AP)曲线，如图7所示. 常规检测的平均准确率为84.8%，级联检测可将检测的平均准确率提升至91.0%，在一定程度上提高识别的精度.

图7 常规检测与级联检测的精度对比

2.3 NMS值对级联检测结果的影响

为进一步研究不同NMS值对安全带和袖章目标检测结果的影响，保证检测尺度为1 024 px×1 024 px不变，分别获取NMS值在0.50、 0.55、 0.60、 0.65、 0.70时安全带和袖章的检测结果. 在NMS取不同值的情况下，目标检测的平均准确率随着召回率的变化情况如图8所示. 当NMS值为0.60时，平均准确率为91.0%，达到最高. 实验中发现，当NMS值大于或者小于0.60时，会出现精度下降，因此本研究最终选取0.60为NMS的值.

图8 不同NMS值下的平均准确率和召回率

2.4 不同参数下级联检测对比分析

为研究在不同参数下算法的性能，分别设置不同的分辨率(Resolution)、 训练代数(Train Epoch)和训练批次进行实验，实验结果如表1所示，在NMS设置为0.60的情况下，模型预测效果最优.

表1 分析模型的设计选择

2.5 不同级联检测方法的对比分析

为验证本研究提出方法的有效性，利用Cascade-RCNN[18]、 Faster-RCNN[9]、 YOLOX-Tiny[19]和本算法对安全带和袖章进行检测，并分析对比实验数据，结果如表2所示. 算法的评价指标主要包括准确率、 召回率和平均准确率. 召回率，即预测样本中正确背景下的阳性样本数量与所有样本数量的比值. 平均准确率，即预测的样本数量的平均值. 本方法的平均准确率可以达到91.0%，相较于传统算法有较大的提升，并且帧率为41.06 F·s-1，在满足准确率的同时也满足实时性要求，能够有效实现安全带和袖章的级联检测.

表2 不同算法检测结果对比

3 结语

本研究提出一种基于深度卷积神经网络的识别方法. 将电力工作人员图像输入尺度等比缩放到1 024 px×1 024 px，采用级联检测，选取NMS为0.60，则检测的平均准确率可达到91.0%. 实验证明，本研究提出的级联检测方法，能够有效识别电力工作人员的安全带和袖章，对于电力工作人员事故的减少具有重要意义.