摘要
生命大于天，安全生产对电力企业是至关重要的。电力系统在维护运转过程中，高空作业人员存在意外高空坠落的安全事故隐患，高空作业安全带管控智能化成为关键。但是，目前尚未有相关的研究工作展开。在此背景下，本文对高空作业安全带检测和挂位规范检测进行研究。 为此，本文提出了一种基于卷积神经网络的SBDMRCNN安全带检测算法，使用ResNetSM152-FPN作为主干特征提取网络，将特征图的浅层和深层特征进行层次融合，不同大小尺寸的感兴趣区域经过改进后的ROIAlign进行归一化处理，采用二分类交叉熵损失函数和BWSL损失函数来优化分割分支损失，提高对安全带边缘模糊信息分割检测的准确度。基于SBDMRCNN安全带检测模型，本文提出一种与人体关键点定位检测模型相结合使用的Mask-keypointsRCNN方法，用来检测高空作业安全带挂位是正规科学的高挂低用还是违规的低挂高用。通过人体关键点定位以及人员边界框相关信息进行选取部分图片，然后结合SBDMRCNN安全带检测模型检测此图片中的安全带，最后回归原图进行判断安全带挂位是低挂高用还是高挂低用。针对采集的数据集图片存储过大导致训练速度较慢的问题，采用基于深度学习的端到端的高分辨率无损图像压缩技术对图片数据集进行高质量压缩处理，并利用数据增强方法来扩充数据集，提高训练模型的泛化能力。 实验表明，本文提出的方法在工业安全带规范检测应用方面具备良好的自适应性，既具有较好的检测精度，又具有较快的检测速度，可以精准的判断高处作业施工人员安全带的佩戴情况，避免施工现场重要监管信息的疏漏，实现场景安全带规范检测智能化的安全管理。
NETL