一种基于姿态感知的电力人员穿戴识别残差网络

摘要

为有效利用机器视觉技术实现对电力作业人员穿戴规范进行准确识别,减少安全事故的发生,构建了一种基于姿态感知的穿戴规范识别复合残差网络。该复合网络首先将VGG(Visual Geometry Group)与分裂-转换-聚合(Split-Transfer-Agregation,STA)模块引入残差网络中,构建高性能的ResNeXt50基础网络模块。对ResNeXt50网络不同层次的残差特征图进行聚合与解码处理,实现对人体姿态的估计与关键区域的定位。将卷积块注意力模块(Convolutional Block Attention Module,CBAM)集成到ResNeXt50网络相邻卷积层之间,以提高目标特征的表述能力,从而实现对电力人员穿戴情况进行准确识别。在训练阶段,采用迁移学习实现对预训练网络的顶层参数进行修正,以解决穿戴设备样本图片不足的缺点,从而提高复合网络的识别准确率。通过与SDD、Res-Net50和Inception-v3网络进行对比实验发现,建立的复合网络获得了更高的平均精确率(Mean Average Precision,MAP)值,单帧识别耗时更小,能有效地实现弱小穿戴设备的识别。