基于深度迁移学习的电力作业安全带佩戴检测

作     者：潘志敏 王梓糠 蒋毅 尹骏刚 PAN Zhi-min;WANG Zi-kang;JIANG Yi;YIN Jun-gang

作者机构：国网湖南省电力有限公司检修公司湖南长沙410004 长沙理工大学电气与信息工程学院湖南长沙410114 湖南大学电气与信息工程学院湖南长沙410082 

出 版 物：《计算机仿真》 (Computer Simulation)

年 卷 期：2022年第39卷第5期

页      面：95-101页

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

基　　金：国家自然科学基金(51877012) 国网湖南省电力有限公司科技项目(5216A318000T) 

主　　题：安全带佩戴检测 深度学习 迁移学习 差分动态哈里斯鹰优化算法 

摘      要：在高空电力检修作业中会出现工人未按规定佩戴安全带的情况,存在严重的安全隐患。为此提出基于深度学习的安全带佩戴检测方法,针对深度学习中存在的样本依赖与超参数敏感问题,引入迁移学习以及群优化算法。首先通过重构预训练残差网络的卷积层与全连接层提出三种不同Fine-tuning迁移学习方法,再提出差分动态哈里斯鹰优化算法对三种方法构造的模型在自构建数据集上训练并进行超参数寻优,最后将超参数配置的模型应用到安全带佩戴检测中。仿真结果证明,差分动态哈里斯鹰算法可以实现较好的超参数寻优效果,并且在数据集较少的情况下该方法也能实现较高准确率的检测效果。