基于空间和通道双重注意力机制的变电站施工安全带分割方法研究

作     者：宋维 

作者单位：华北电力大学 

学位级别：硕士

导师姓名：李新叶

授予年度：2020年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 080802[工学-电力系统及其自动化] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：数据集 deeplab V3 语义分割 注意力机制 安全带 

摘      要：《电力安全工作规程》规定施工人员在距离地面2m以上施工时必须使用安全带。穿戴安全带能有力保障高处施工人员的安全。本文以变电站施工现场图像中的施工人员、安全帽以及安全带为研究对象,采用深度学习方法,完成了以下工作:利用深度学习方法对变电站施工现场图像进行语义分割,首先需要一个可供深度模型训练的变电站施工现场图像语义分割数据集,但目前并没有适用于该问题的公共数据集,因此采用标注工具Labelme对变电站施工现场图片进行标注,并通过样本扩增,构建了一个变电站施工现场图像语义分割数据集。该数据集包含施工人员、安全带、安全帽和背景四类。选择分割精度较高的deeplab V3网络对变电站施工现场图像进行语义分割,用迁移学习的方法训练网络。在分割完成之后,介绍了如何通过分割完成的图像检测变电站施工人员是否佩戴安全带和安全帽的方法。实验表明,deeplab V3网络可以对变电站施工现场图像进行端到端的语义分割,平均像素分类精度能达到90.9%,平均交并比能达到67.8%。针对deeplab V3网络对变电站施工现场图像中施工人员、安全帽以及安全带的分割分割精度不高、施工人员和安全带特别是安全带的分割会出现边缘缺失等问题,在deeplab V3网络的残差单元和空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块中加入通道和空间双重注意力机制优化分割效果。实验表明,加入空间和通道双重注意力机制的deeplab V3网络平均像素分类精度提高了1.6%,平均交并比提高了4.1%,分割的细节变得更加丰富,安全带的分割更加平滑,边界像素分类更加准确。