(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211051247.7 (22)申请日 2022.08.31 (71)申请人 国网吉林省电力有限公司吉林供电 公司 地址 132001 吉林省吉林市 吉林大街124 号 (72)发明人 郭铁滨　关潇卓　卢意新　张家兴　 李薇　丁伟　杨烁　高冶　付饶　 李达　石根华　张楠　刁乃浔　 (74)专利代理 机构 吉林市达利专利事务所 22102 专利代理师 陈传林 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06V 20/52(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于YOLO-MobileNet的电力作业现场 安全防护装备穿戴状态检测方法 (57)摘要 本发明属于目标检测技术领域， 具体公开一 种基于YOLO ‑MobileNet的电力作业现场安全防 护装备穿戴状态检测方法， 包括步骤： 构建数据 集、 对数据集图像进行标注； 构建基于YOLO ‑ MobileNet的安全防护装备穿戴状态检测网络； 网 络 模 型 训 练 和 测 试 。本 发 明 对 构 成 MobileNetv2的瓶颈模块进行改进， 利用改进的 瓶 颈 模 块 和 原 瓶 颈 模 块 构 建 了 改 进 的 MobileNetv2特征提取网络， 并用该特征提取网 络 代 替 Y O L O v 4 的 主 干 特 征 提 取 网 络 CSPDarkNet53， 同时将YOLOv 4部分标准卷积网络 替换成深度可分离卷积网络， 安全帽检测精度由 原来的97.5％减低到9 5.0％， 而检测速度却由原 来的22帧/秒提高到65帧/秒， 完全能够满足实时 检测的要求。 权利要求书2页 说明书5页 附图3页 CN 115424063 A 2022.12.02 CN 115424063 A 1.一种基于YOLO ‑MobileNet的电力作业现场安全防护装备穿戴状态检测方法， 其特征 在于， 具体步骤如下： 1)构建数据集、 对数据集图像进行 标注 2)构建基于 YOLO‑MobileNet的安全防护装备穿戴状态检测网络 ⑴构建包含通道注意力网络的Mobi leNetv2瓶颈模块； ⑵构建改进的Mobi leNetv2网络； ⑶将步骤⑵中构建的改进的MobileNetv2网络代替YOLOv4主干特征提取网络 CPSDarkNet， 从而构建出基于 YOLO‑MobileNet的安全防护装备穿戴状态检测网络； 3)网络模型训练和 测试 利用已构建的网络模型训练数据集和网络模型测试数据集对网络模型进行训练和测 试。 2.如权利 要求1所述的基于YOLO ‑MobileNet的电力作业现场安全防护装备穿戴状态检 测方法， 其特 征在于， 所述 步骤1)构建数据集、 对数据集图像进行 标注包括如下步骤： ⑴利用视频采集设备对电力作业现场进行视频采集； ⑵对采集到的视频图像进行筛 选； ⑶将筛选的图像组成网络模型训练数据集和网络模型测试 数据集， 分别进行 标注。 3.如权利 要求2所述的基于YOLO ‑MobileNet的电力作业现场安全防护装备穿戴状态检 测方法， 其特 征在于， 所述 步骤⑵对采集到的视频图像进行筛 选， 具体如下： ①选择不同场景下电力作业人员的图像进行分组， 已经穿戴安全防护装备的图像为第 一组， 没有穿戴安全防护装备的图像为第二组； ②将第一组图像分为训练一组和 测试一组， 将第二组图像分为训练二组和 测试二组； ③将训练一组图像和训练二组图像组成网络模型训练数据集， 将训练二组图像和测试 二组图像组成网络模型测试 数据集； ④所述第一组图像的划分比例与所述第二组图像的划分比例 相同。 4.如权利 要求1所述的基于YOLO ‑MobileNet的电力作业现场安全防护装备穿戴状态检 测方法， 其特征在于， 所述步骤2)的 ⑴构建包含通道注意力网络的MobileNetv2瓶颈模块， 具体如下： ①MobileNetV2瓶颈模块由三部分组成： 第一部分由一个扩展层、 一个批归一 化层和一个激活函数层组成； 第二部分包括 一个卷积核为3的深度可分离卷积、 一个批归一 化层和一个激活函数层； 第三部分由一个线性层和一个批归一 化层组成； ②在第二部分的批归一化层和激活函数层之间增加一个通道注意力网络， 从而构建包 含通道注意力网络的Mobi leNetv2瓶颈模块。 5.如权利 要求4所述的基于YOLO ‑MobileNet的电力作业现场安全防护装备穿戴状态检 测方法， 其特征在于， 所述MobileNetv2瓶颈模块的第一部分的一个激活函数层的激活函数 为ReLU6激活函数， 所述第二部分的一个激活函数层的激活函数为ReLU6 激活函数。 6.如权利 要求1所述的基于YOLO ‑MobileNet的电力作业现场安全防护装备穿戴状态检 测方法， 其特 征在于， 所述 步骤2)的 ⑵构建改进的Mobi leNetv2网络， 具体如下： ①在步骤2)的 ⑴构建的包含通道注意力网络的MobileNetv2瓶颈模块中， 用hard ‑权　利　要　求　书 1/2 页 2 CN 115424063 A 2Swish函数代替包含通道注意力网络的MobileNetV2瓶颈模块中第二部分的ReLU6激活函 数， 从而构建改进的Mobi leNetv2网络； ②在改进的MobileNetV2网络的不同阶段交替地使用改进的瓶颈模块和原瓶颈模块， 并且根据实际测试 结果对瓶颈模块数量进行调整； ③调整后的瓶颈模块数量依次为1， 2， 3， 4， 3， 2， 1。 7.如权利 要求1所述的基于YOLO ‑MobileNet的电力作业现场安全防护装备穿戴状态检 测方法， 其特征在于， 所述步骤2)的 ⑶将构建的改进的MobileNetv2网络代替YOLOv4主干特 征提取网络 CPSDarkNet表示为： 用步骤2)的 ⑵中构建的改进的MobileNetv2网络代替YOLOv4主干特征提取网络 CPSDarkNet， 经过路径聚合网络得到三个检测头的输入特征； 利用深度可分离卷积代替与 空间金字塔网络 输入和输出 连接的标准卷积。 8.如权利 要求7所述的基于YOLO ‑MobileNet的电力作业现场安全防护装备穿戴状态检 测方法， 其特征在于， 所述三个检测头的输入特征分别为： 浅层输入特征、 中层输入特征和 深层输入特 征， 其中： 在改进的MobileNetv2网络， 输出特征图大小为输入图像大小的1/8的瓶颈层的最后一 层的输出特征作为YOLOv4路径聚合网络Path  Aggregation  Network,PANet的浅层输入特 征； 在改进的MobileNetv2网络， 输出特征 图大小为输入图像大小的1/16 的瓶颈层的最后 一层的输出 特征作为YOLOv4路径聚合网络的中层输入特 征； 在改进的MobileNetv2网络， 输出特征 图大小为输入图像大小的1/32的瓶颈层的最后 一层的输出特征作为YOLOv4空间金字塔池化网络Spatial  Pyramid Pooling Networks, SPPNet的输入， 空间金字塔池化网络的输出作为YOLOv4路径聚合网络的深层输入特 征。 9.如权利 要求1所述的基于YOLO ‑MobileNet的电力作业现场安全防护装备穿戴状态检 测方法， 其特 征在于， 所述 步骤3)网络模型训练和 测试， 具体如下： ①网络模型训练 在模型训练过程 中， 总的迭代次数为300次， 最小批次是15， 初始学习速率为0.06， 采用 余弦退火学习率策略， 利用随机梯度下降方法优化网络参数， 随机梯度下降优化器的动量 为0.6， 权 重衰减0.0004； ②测试 利用测试集对步骤 ①已训练的网络模型进行测试， 测试网络模型能否满足要求， 如果 能满足要求， 则结束训练， 不能满足要求， 调整参数重新对 模型进行训练和 测试。权　利　要　求　书 2/2 页 3 CN 115424063 A 3