解决方案:基于深度学习的输变电工程违章识别的方法、系统和介质与流程

　　解决方案:基于深度学习的输变电工程违章识别的方法、系统和介质与流程

　　1、本发明提出了一种基于深度学习的输变电工程违规识别方法、系统及介质，属于图像识别技术领域。

　　背景技术：

　　2、面对输变电工程施工现场点多、面广、量大，运行点的安全检查必须依靠检查人员到现场进行检查，已不能满足要求现场安全管理和控制。随着人工智能技术的不断发展和成熟，通过施工现场前端监控*敏*感*词*，引入深度学习图像识别算法，实现对施工人员违章行为的智能识别和及时提醒，可有效保障施工人员减少违章发生，保障施工。安全。

　　3、目前传统的工地违章识别算法一般分为深度学习方法和传统方法。深度学习方法通​​过提取原创

图像中*敏*感*词*的图像特征实现端到端的训练和推理，直接检测算法简单快速；传统的方法一般分为三个步骤：人体区域检测、违规特征提取和违规识别。常见的算法可以分为基于运动检测的背景建模，基于人工特征和传统分类的机器学习算法，以及基于卷积神经网络的深度学习算法。

　　4. 传统算法存在以下不足： (1) 特征设计往往需要人工设计，需要针对每一类违规行为设计特征提取方法，适用性差；(2)传统算法鲁棒性差。变化会导致算法的检测精度下降。

　　技术实现要素：

　　5、本发明提出了一种基于深度学习的输变电工程违规识别方法。首先，采集

用于识别违规行为的样本数据集，并构建用于识别违规行为的神经网络。在训练过程中，输入图像被分割成小图像块并以线性方式嵌入。将序列输入神经网络，通过监督学习训练违规识别网络模型的参数。在应用程序中，输入要识别的图片，然后输出输入图片的违规类型。

　　6、与传统的违规检测方法相比，本发明采用的深度学习方法可以根据数据自动提取图像特征，提高分类鲁棒性。

　　7、与传统的深度卷积模型相比，本发明的模型结构简单，各模块复用性强，易于部署。同时，在注意力融合模块中，本发明引入空间注意力和通道注意力结构，增强图像特征提取能力，通过对每个特征图进行处理和分析，可以检测不同大小的目标，有效提高检测精度的违规行为。

　　8. 一种基于深度学习的输变电工程违规行为识别方法，该方法包括：

　　9、步骤1，采集输变电工程中的违规样图，将违规样图分为m类，m代表违规种类数，每类违规样图有n张；

　　10、步骤2，利用旋转和平移对违规样本图片进行样本增强，得到增强后的违规样本图片；

　　11、步骤3，利用增强的违规样本图片构建网络模型；

　　12、步骤4，将输变电工程实施现场采集的图片输入网络模型进行违规识别，得到图片对应的违规类型。

　　13、进一步地，步骤1中所述的构建网络模型利用增强的违规样本图片，包括：

　　14、步骤301，通过增强违规样本图片获取增强违规样本图片对应的输出特征ci；

　　15、步骤302，对输出特征ci进行特征融合，得到融合参数序列，将融合参数序列集成到后处理模块中进行处理，融合参数序列如下：

　　16. c = [c1, c2, ..., ck]

　　[0017]

　　其中，c代表融合特征；c1...ck

　　表示输出特性；

　　[0018]

　　步骤303、对违规样本集进行softmax模型训练，得到违规识别参数。

　　[0019]

　　进一步地，步骤301中通过增强违规样本图片获取增强违规样本图片对应的输出特征ci包括：

　　[0020]

　　步骤3011，将增强后的违规样本图片划分为k个图像块，每个图像块通过线性投影方程得到线性图像特征fi，i表示图像块的序号；

　　[0021]

　　步骤3012：将线性图像特征fi输入编码器，得到线性图像特征fi对应的输出特征ci。

　　[0022]

　　进一步地，所述后处理模块包括全连接层一、归一化处理模块和全连接层二；其中，全连接层的信号输出端连接归一化处理模块的信号输入端；归一化处理模块的信号输出端连接到全连接层二的信号输入端。

　　[0023]

　　进一步地，编码器包括第一归一化处理模块、多注意力融合模块、第一加法器、第二归一化处理模块、第一全连接层、第三归一化处理模块、第一、二全连接层和第二加法器; 第一归一化处理模块、多注意力融合模块、第一加法器、第二归一化处理模块、第一全连接层、第三归一化处理模块、第二全连接层的信号输入端和信号输出端以及第二个加法器依次对应。

　　[0024]

　　进一步地，编码器的归一化处理公式如下：

　　[0025] [0026]

　　其中，μ和σ分别代表均值和标准差，x代表输出特征。

　　[0027]

　　进一步地，多注意力融合模块包括空间注意力和通道注意力两种注意力结构。

　　[0028]

　　进一步地，多注意力融合模块的运行过程包括：

　　[0029]

　　第一步是对输入特征使用全局平均池化；

　　[0030] [0031]

　　其中，h

　　p

　　表示全局平均池化函数；xc(i, j)表示输入值在(i, j)处的c通道的值；

　　[0032]

　　第二步，在spatial attention分支中，通过卷积层和sigmoid激活函数对池化特征进行处理，得到sa如下：

　　[0033] [0034]

　　其中，δ代表sigmoid激活函数，conv代表卷积层，gc代表global average pooling的输出，fc是多注意力融合模块的输入

　　[0035]

　　第三步，在channel attention分支中，通过卷积层、relu、卷积层和sigmoid激活函数对池化特征进行处理后，得到ca如下：

　　[0036]

　　ca=σ(conv(δ(conv(gc))))

　　[0037]

　　其中，δ代表sigmoid激活函数，conv代表卷积层，gc代表全局平均池化的输出；

　　[0038]

　　第四步，融合两种注意力机制，得到融合参数f如下：

　　[0039] [0040]

　　

" />

　　第五步，融合参数f经过卷积处理后得到输出特征f

　　出去

　　如下：

　　[0041] fout

　　=转换（f）

　　[0042]

　　其中，f

　　出去

　　指示输出特征。

　　[0043]

　　一种基于深度学习的输变电工程违规识别系统，该系统包括：

　　[0044]

　　采集模块用于采集输变电工程中的违规样本图片，将违规样本图片分为m类，其中m代表违规类型的个数，每种类型有n张违规样本图片;

　　[0045]

　　增强模块，用于通过旋转和平移的方式对违规样本图片进行样本增强，得到增强的违规样本图片；

　　[0046]

　　训练模块用于利用增强的违规样本图片构建网络模型。模型训练时，将输入图片分割成小图像块，以线性嵌入序列输入神经网络，通过监督学习训练违规识别网络。模型参数；

　　[0047]

　　识别模块用于将在输变电工程实施现场采集的图片输入违规行为识别网络模型，得到图片对应的违规行为类型。

　　[0048]

　　一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序由处理器执行时，实现上述任一种方法的步骤。

　　[0049]

　　本发明的有益效果：

　　[0050]

　　本发明提出了一种基于深度学习的违规识别方法。在训练过程中，将输入的违规图像分成k个小图像块，并将线性嵌入序列输入神经网络以识别违规行为。同时，在网络模块中引入了空间注意力和通道注意力结构，以增强对k个图像块的特征提取能力。应用时，将图像输入到训练好的模型中，输出违规类型。与现有违章检测方法相比，本发明网络模型简单，各模块复用性高，易于实现，能够准确识别输变电工程复杂施工场景中的人员违章行为，识别准确率高。

　　图纸说明

　　[0051]

　　图1是本发明方法的流程图；

　　[0052]

　　图2为本发明编辑器的结构*敏*感*词*；

　　[0053]

　　图3为本发明多注意力融合模块的结构*敏*感*词*；

　　[0054]

　　图4为本发明后处理模块的结构*敏*感*词*。

　　详细方法

　　[0055]

　　下面结合附图对本发明的优选实施例进行说明。应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限制本发明。

　　[0056]

　　本实施例提出一种基于深度学习的输变电工程违规识别方法，如图1所示，该方法包括：

　　[0057]

　　步骤1，采集输变电工程中的违规样图，将违规样图分为m类，m代表违规种类数，每类违规样图为n张；

　　[0058]

　　步骤2、通过旋转和平移的方式对违规样本图片进行样本增强，得到增强后的违规样本图片；

　　[0059]

　　步骤3，利用增强的违规样本图片构建网络模型；

　　[0060]

　　第四步：将输变电工程实施现场采集的图片输入网络模型进行违规识别，得到图片对应的违规类型。

　　[0061]

　　其中，步骤1中所述的利用增强违规样本图片构建的网络模型包括：

　　[0062]

　　步骤301、通过违规样本图像增强图像得到违规样本增强图像对应的输出特征ci；

　　[0063]

　　步骤302、对输出特征ci进行特征融合得到融合参数序列，并将融合参数序列集成到后处理模块中进行处理，其中融合参数序列如下：

　　[0064]

　　c=[c1, c2, ..., ck] 其中，c表示融合后的特征；c1...ck

　　表示输出特性；

　　[0065]

　　步骤303、对违规样本集进行softmax模型训练，得到违规识别参数。

　　[0066]

　　其中，步骤301中通过增强违规样本图片获取增强违规样本图片对应的输出特征ci包括：

　　[0067]

　　步骤3011，将增强后的违规样本图片划分为k个图像块，每个图像块通过线性投影方程得到线性图像特征fi，i表示图像块的序号；

　　

" />

　　[0068]

　　步骤3012：将线性图像特征fi输入编码器，得到线性图像特征fi对应的输出特征ci。具体如图2所示，编码器包括第一归一化处理模块、多注意力融合模块、第一加法器、第二归一化处理模块、第一全连接层、第三归一化处理模块、第二归一化处理模块全连接层和第二加法器；第一归一化处理模块、多注意力融合模块、第一加法器、第二归一化处理模块、第一全连接层第三归一化处理模块、第二全连接层的信号输入端和信号输出端，以及第二个加法器相应地依次连接。

　　[0069]

　　其中，编码器归一化处理公式如下：

　　[0070] [0071]

　　其中，μ和σ分别代表均值和标准差，x代表输出特征。

　　[0072]

　　另一方面，多注意力融合模块包括空间注意力和通道注意力两种注意力结构。multi-attention模块的结构具体如图1所示。3.

　　[0073]

　　其中，所述多注意力融合模块的运行过程包括：

　　[0074]

　　第一步是对输入特征使用全局平均池化；

　　[0075]

　　[0076]

　　其中，h

　　p

　　表示全局平均池化函数；xc(i, j)表示输入值在(i, j)处的c通道的值；

　　[0077]

　　第二步，在spatial attention分支中，通过卷积层和sigmoid激活函数对池化特征进行处理，得到sa如下：

　　[0078] [0079]

　　其中，δ代表sigmoid激活函数，conv代表卷积层，gc代表global average pooling的输出，fc是多注意力融合模块的输入

　　[0080]

　　第三步，在channel attention分支中，通过卷积层、relu、卷积层和sigmoid激活函数对池化特征进行处理后，得到ca如下：

　　[0081]

　　ca=σ(conv(δ(conv(gc))))

　　[0082]

　　其中，δ代表sigmoid激活函数，conv代表卷积层，gc代表全局平均池化的输出；

　　[0083]

　　第四步，融合两种注意力机制，得到融合参数f如下：

　　【0084】【0085】

　　第五步，融合参数f经过卷积处理后得到输出特征f

　　出去

　　如下：

　　[0086] fout

　　=转换（f）

　　[0087]

　　其中，f

　　出去

　　指示输出特征。

　　[0088]

　　同时，后处理模块包括全连接层一、归一化处理模块和全连接层二；其中，全连接层的信号输出端连接归一化处理模块的信号输入端；归一化处理模块的信号输出端连接到全连接层二的信号输入端。后处理模块的具体结构如图1所示。4.

　　[0089]

　　本发明实施例提出的基于深度学习的输变电工程违规识别方法，在训练时将违规输入图像分割成k个小图像块，以线性嵌入序列输入违规识别神经网络。同时，在网络模块中引入了空间注意力和通道注意力结构，以增强对k个图像块的特征提取能力。应用时，将图像输入到训练好的模型中，输出违规类型。与现有的违规检测方法相比，本发明网络模型简单，各模块复用性高，易于实现，

　　[0090]

　　本发明实施例，一种基于深度学习的输变电工程违规识别系统，该系统包括：

　　[0091]

　　采集模块用于采集输变电工程中的违规样本图片，将违规样本图片分为m类，其中m代表违规类型的个数，每种类型有n张违规样本图片;

　　[0092]

　　增强模块，用于通过旋转和平移的方式对违规样本图片进行样本增强，得到增强的违规样本图片；

　　[0093]

　　训练模块用于利用增强的违规样本图片构建网络模型。模型训练时，将输入图片分割成小图像块，以线性嵌入序列输入神经网络，通过监督学习训练违规识别网络。模型参数；

　　[0094]

　　识别模块用于将在输变电工程实施现场采集的图片输入违规行为识别网络模型，得到图片对应的违规行为类型。一种计算机可读存储介质

　　[0095]

　　本发明实施例提出的基于深度学习的输变电工程违规识别系统在训练时将输入的违规图像分割成k个小图像块，以线性嵌入序列输入违规识别神经网络。同时在网络模块中

　　中引入了空间注意力和通道注意力结构，以增强k个图像块的特征提取能力。应用时，将图像输入到训练好的模型中，输出违规类型。与现有违章检测方法相比，本发明网络模型简单，各模块复用性高，易于实现，能够准确识别输变电工程复杂施工场景中的人员违章行为，识别准确率高。

　　[0096]

　　一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当该计算机程序由处理器执行时，实现上述任一种方法的步骤。

　　[0097]

　　其中，计算机可读存储介质可以包括在基带中或作为载波的一部分传播的数据信号，其中携带可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或前述的任何合适的组合。可读存储介质也可以是除可发送、传播或传输程序以供指令执行系统、装置或设备使用或与其结合使用的可读存储介质之外的任何可读介质。收录

在可读存储介质上的程序代码可以通过任何合适的介质传输，包括但不限于无线、有线、光缆、RF等，或以上任何合适的组合。执行本发明操作的程序代码可以用一种或多种编程语言的任意组合来编写，编程语言包括java、c++等面向对象的编程语言，还包括conventional procedural programming languages 一种编程语言，例如“c”或类似语言。程序代码可以完全在用户的计算设备上执行，部分在用户的设备上作为独立软件包执行，部分在用户的计算设备上部分在远程计算设备上执行，或者完全在远程计算设备或服务器上执行以执行。在涉及远程计算设备的情况下，远程计算设备可以通过任何类型的网络连接到用户计算设备，包括局域网 (lan) 或广域网 (wan)，或者可以连接到外部计算设备（例如，使用 Internet 服务提供商）。业务通过 Internet 连接）。

　　[0098]

　　显然，本领域的技术人员可以对本发明进行各种更改和变型而不脱离本发明的精神和范围。因此，如果本发明的这些修改和变化落入本发明的权利要求及其等同技术的范围内，则本发明也收录

这些修改和变化。

　　解决方案:关键词网站信息采集器（信息检索搜索引擎优化）

　　目录：

　　1. 关键词 网址采集

器

　　什么是关键词采集器，关键词通过输入核心词进行全网采集，可以通过关键词采集文章、图片、数据、表格等公开信息，通过模拟采集手动操作，设备省去我们重复的搜索、复制、粘贴操作，一键采集导出我们想要的数据信息。

　　2.搜索关键词采集

数据

　　关键词信息采集

在搜索引擎框中输入我们的关键词，就会出现该网站的排名。关键词信息采集可以采集这些排名靠前的网站的信息，提取网站在各平台的采集明细、关键词排名和建站历史等信息，通过关键词链接抓取，我们可以借鉴业内的顶级网站，也可以分析一下我们自己的关键词优化。

　　3.搜索引擎关键词挖掘工具

　　

" />

　　4.关键词采集工具

　　我们也可以通过关键词这样的“站点指令”，一键查询我们在各个平台的收录页面详情，支持导出未收页面链接和死链接，通过提交死链接和推送未收页面到搜索引擎页面实现链接优化的网站关键词链接采集。

　　5.搜索关键词查询数据库

　　使用主页作为我们的关键词，我们可以对我们的网站进行全面的检查。通过链接采集

，我们可以采集

提取出站链接、链接马链接、包括页面链接在内的敏感词，方便我们查看网站的链接状态，进行分析和优化。

　　6.网站关键词搜索软件

　　

" />

　　关键词文章采集

关键词文章采集

可以帮我们获取大量的文章素材，比如输入我的关键词“iPhone”，采集器

就会匹配采集

全网热门文章我们的本地文档。

　　7.关键词搜索网站

　　关键词图片集关键词图片集和文章集一样。根据关键词挖掘热门文章，通过提取文章中的插图，可以得到很多与我们关键词相关的信息图片关键词采集器

不只是采集

图片网站文章，采集

范围可以很广。通过关键词采集

器我们不仅可以丰富网站的内容，还可以及时采集

并优化各种链接、排名、敏感词等信息。

　　8.网站关键词查询系统

　　关于关键词采集

器的分享到此结束。喜欢的话记得点赞和关注哦。