绝缘手套穿戴智能识别系统通过opencv深度学习技术赋能现场摄像头,绝缘手套穿戴智能识别系统对现场电力作业人员在带电设备上作业施工时有没有按厂区要求佩戴绝缘手套进行识别检测,当绝缘手套穿戴智能识别系统检测到现场电力作业人员违规行为即未佩戴绝缘手套时立刻抓拍告警,绝缘手套穿戴智能识别系统对现场人员施工作业行为全天候不间断实时监测,大幅度降低后续发生意外触电事故发生的概率。
目标检测架构分为两种,一种是two-stage,一种是one-stage,区别就在于 two-stage 有region proposal过程,类似于一种海选过程,网络会根据候选区域生成位置和类别,而one-stage直接从图片生成位置和类别。今天提到的 YOLO就是一种 one-stage方法。YOLO是You Only Look Once的缩写,意思是神经网络只需要看一次图片,就能输出结果。
从YOLOv1到YOLOv3,每一代性能的提升都与backbone(骨干网络)的改进密切相关。在YOLOv3中,作者不仅提供了darknet-53,还提供了轻量级的tiny-darknet。如果你想检测精度与速度兼备,可以选择darknet-53作为backbone;如果你想达到更快的检测速度,精度方面可以妥协。那么tiny-darknet是你很好的选择。总之,YOLOv3的灵活性使得它在实际工程中得到很多人的青睐。
随着社会的发展和人民生活水平的进步,大家对于电力现场安全作业行为更加重视,在电力场景下绝缘手套是防止工作人员在高压电气设备上进行操作时同时触及不同极性带电体而导致触电的安全工具,属于高频率作业使用佩戴的工具。戴上绝缘手套,可直接在低压设备上进行带点作业,可提高安全作业行为符合厂区安全规定,防止泄漏电流对人体的伤害。
import numpy as np
def convert(size, box):
"""
将标注的 xml 文件生成的【左上角x,左上角y,右下角x,右下角y】标注转换为yolov5训练的坐标
:param size: 图片的尺寸: [w,h]
:param box: anchor box 的坐标 [左上角x,左上角y,右下角x,右下角y,]
:return: 转换后的 [x,y,w,h]
"""
x1 = int(box[0])
y1 = int(box[1])
x2 = int(box[2])
y2 = int(box[3])
dw = np.float32(1. / int(size[0]))
dh = np.float32(1. / int(size[1]))
w = x2 - x1
h = y2 - y1
x = x1 + (w / 2)
y = y1 + (h / 2)
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return [x, y, w, h]
绝缘手套穿戴智能识别系统属于纯视觉检测,绝缘手套穿戴智能识别系统利用摄像头对作业施工电力人员绝缘手套佩戴情况实时检测,当绝缘手套穿戴智能识别系统利用AI视频分析算法检测到现场施工作业人员日常作业未佩戴绝缘手套时,无需人为干预,可以自动立即抓拍存档进行实时推送消息并预警相关人员及时处理