基于深度遷移學(xué)習(xí)的電力作業(yè)安全帶佩戴檢測

潘志敏，王梓糠，蔣 毅，尹駿剛

(1. 國網(wǎng)湖南省電力有限公司檢修公司，湖南 長沙 410004；2. 長沙理工大學(xué)電氣與信息工程學(xué)院，湖南 長沙 410114；3. 湖南大學(xué)電氣與信息工程學(xué)院，湖南 長沙 410082)

1 引言

安全一直是電力作業(yè)當(dāng)中首要關(guān)注的問題，在高空作業(yè)中頻發(fā)的高處墜落是電力行業(yè)最常見的安全事故之一，也是造成人員傷亡較高的事故類型，2019年電力行業(yè)發(fā)生的43起人身傷亡事故中，15起為高處墜落，占比35%。數(shù)據(jù)表明，作業(yè)人員不遵守安全操作規(guī)程，未使用或不正確使用安全帶，是造成高處墜落事故主要原因。為了防止此類安全事故的出現(xiàn)，企業(yè)出臺(tái)了相關(guān)安規(guī)政策，研究人員也對此提出了不同的解決方案[1，2]。文獻(xiàn)[3]中提出了一種具備無線聲光傳感器的安全帶，防止作業(yè)過程中安全帶鎖扣未鎖緊導(dǎo)致的高處墜落，文獻(xiàn)[4]對安全帶懸掛器進(jìn)行改進(jìn)，防止掛鉤變形而造成的高處墜落但這些措施都是應(yīng)用在作業(yè)人員佩戴安全帶之后，而無法實(shí)時(shí)確定作業(yè)中人員是否佩戴安全帶。

目前國內(nèi)對高空作業(yè)安全帶佩戴識(shí)別的研究較少，文獻(xiàn)[5]提出利用深度卷積神經(jīng)網(wǎng)絡(luò)(Deep CNN)來實(shí)現(xiàn)建筑工人的安全帶佩戴檢測，但該方法的準(zhǔn)確率不足而且依賴大量的數(shù)據(jù)與計(jì)算資源。在智能交通領(lǐng)域，基于圖像識(shí)別實(shí)現(xiàn)汽車安全帶的檢測也是目前流行的方法，文獻(xiàn)[6]研究了利用深度學(xué)習(xí)來實(shí)現(xiàn)汽車安全帶檢測方法，較好地提升了安全帶檢測的準(zhǔn)確率，同時(shí)也最大限度地減少了人為干預(yù)和手工設(shè)計(jì)特征的復(fù)雜性。

深度學(xué)習(xí)在多數(shù)情況下性能都比傳統(tǒng)機(jī)器學(xué)習(xí)方法優(yōu)異。但在實(shí)際應(yīng)用過程中，深度學(xué)習(xí)存在嚴(yán)重的數(shù)據(jù)依賴問題以及超參數(shù)優(yōu)化問題，使得深度學(xué)習(xí)難以運(yùn)用到不同情境中。遷移學(xué)習(xí)是機(jī)器學(xué)習(xí)中解決訓(xùn)練數(shù)據(jù)不足這一瓶頸問題的重要手段[7]。目前對深度學(xué)習(xí)與遷移學(xué)習(xí)的結(jié)合也有大量的研究，文獻(xiàn)[8]提出加入自適應(yīng)層來計(jì)算源域與目標(biāo)域的距離，并將其加入網(wǎng)絡(luò)的損失訓(xùn)練中。文獻(xiàn)[9]將生成對抗網(wǎng)絡(luò)引入深度遷移學(xué)習(xí)中，降低了源域與目標(biāo)域之間的分布差異，取得了良好的效果。Fine-tuning是一種簡潔的深度網(wǎng)絡(luò)遷移方法，通過微調(diào)預(yù)訓(xùn)練模型相關(guān)層來適應(yīng)特定任務(wù)，訓(xùn)練時(shí)間短且準(zhǔn)確率較高。

深度學(xué)習(xí)的性能表現(xiàn)對其超參數(shù)配置十分敏感，而超參數(shù)配置通常需要多次嘗試才能取得較為滿意的效果。目前，網(wǎng)格搜索、隨機(jī)搜索、貝葉斯優(yōu)化算法是常見的超參數(shù)調(diào)優(yōu)方法。網(wǎng)格搜索通過在自定義多維網(wǎng)格上手動(dòng)選擇參數(shù)組，在超參數(shù)較多的情況下幾乎難以使用；隨機(jī)搜索在超參數(shù)取值空間隨機(jī)自動(dòng)生成超參數(shù)配置進(jìn)行測試，不能保證找到最優(yōu)超參數(shù)；貝葉斯優(yōu)化算法屬于序列優(yōu)化方法，需要順序執(zhí)行多次，耗時(shí)較長。

本文首次將深度遷移學(xué)習(xí)應(yīng)用到安全帶佩戴檢測中，提出三種Fine-tuning深度學(xué)習(xí)遷移方法將基于ImageNet數(shù)據(jù)集預(yù)訓(xùn)練的殘差網(wǎng)絡(luò)(Residual Net， ResNet)應(yīng)用到自構(gòu)建的作業(yè)安全帶佩戴圖像數(shù)據(jù)集上，提出差分動(dòng)態(tài)哈里斯鷹群優(yōu)化算法(Dynamic Harris Hawks Optimization with Differential Evolution， DHHO/DE)用于深度遷移學(xué)習(xí)模型的超參數(shù)優(yōu)化，得到最優(yōu)超參數(shù)配置與最優(yōu)模型。本方法有效提升了模型預(yù)測的準(zhǔn)確率，為相關(guān)圖形檢測開辟新路徑。

2 基于深度遷移學(xué)習(xí)的電力作業(yè)安全帶佩戴檢測模型

本文提出一種基于深度遷移學(xué)習(xí)的作業(yè)安全帶佩戴檢測模型，具有三層結(jié)構(gòu)，包括優(yōu)化層、訓(xùn)練層以及應(yīng)用層，實(shí)現(xiàn)深度遷移學(xué)習(xí)模型超參數(shù)優(yōu)化以及安全帶佩戴檢測。其結(jié)構(gòu)和功能如圖1所示。

圖1 安全帶佩戴檢測模型

1)優(yōu)化層

提出DHHO/DE實(shí)現(xiàn)深度遷移學(xué)習(xí)模型的超參數(shù)尋優(yōu)。將一組超參數(shù)視為一個(gè)哈里斯鷹個(gè)體，隨機(jī)生成N個(gè)哈里斯鷹個(gè)體組成種群，對應(yīng)N組超參數(shù)。每組超參數(shù)配置的深度遷移學(xué)習(xí)模型都將經(jīng)過訓(xùn)練層，并且根據(jù)目標(biāo)優(yōu)化函數(shù)得到相應(yīng)的適應(yīng)度值。在種群中挑選適應(yīng)度值最優(yōu)的個(gè)體作為下一次迭代的目標(biāo)個(gè)體，再根據(jù)公式更新個(gè)體的位置。當(dāng)?shù)竭_(dá)最大次數(shù)或者滿足評測指標(biāo)時(shí)即可輸出最優(yōu)個(gè)體位置，對應(yīng)最優(yōu)超參數(shù)。

2)訓(xùn)練層

作業(yè)安全帶佩戴訓(xùn)練圖像集經(jīng)過預(yù)處理后傳入某一組超參數(shù)配置的深度遷移學(xué)習(xí)模型進(jìn)行訓(xùn)練，隨后在訓(xùn)練好的模型上進(jìn)行測試。訓(xùn)練層通常會(huì)經(jīng)過多次迭代，從而使模型參數(shù)趨于穩(wěn)定。圖像預(yù)處理包括定位、剪裁、色彩變化、角度變化等深度學(xué)習(xí)常用的圖像增強(qiáng)方法，其目的在于增強(qiáng)神層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的魯棒性，同時(shí)在一定程度上擴(kuò)充數(shù)據(jù)集。

3)應(yīng)用層

在應(yīng)用層中，為了實(shí)現(xiàn)更高準(zhǔn)確率的佩戴檢測，現(xiàn)場圖像首先經(jīng)過YOLOv3網(wǎng)絡(luò)檢測得到作業(yè)工人位置，然后將檢測到的工人圖像經(jīng)過預(yù)處理后傳入最優(yōu)超參數(shù)配置的深度遷移學(xué)習(xí)模型，進(jìn)行安全帶佩戴檢測即可得到結(jié)果。

3 深度遷移學(xué)習(xí)

遷移學(xué)習(xí)方法通過共享深度學(xué)習(xí)模型參數(shù)來解決數(shù)據(jù)量與計(jì)算資源的問題[7]，能達(dá)到較好的擬合效果。因此，本文在基于源數(shù)據(jù)集ImageNet訓(xùn)練的ResNet50上使用Fine-tuning微調(diào)模型結(jié)構(gòu)以訓(xùn)練自構(gòu)建的安全帶佩戴數(shù)據(jù)集。

3.1 ResNet50卷積神經(jīng)網(wǎng)絡(luò)

本文提出的安全帶佩戴檢測模型基于ResNet50[10]構(gòu)建。ResNet50中包含了49個(gè)卷積層和一個(gè)全連接層，其結(jié)構(gòu)如圖2所示。

圖2 ResNet50結(jié)構(gòu)圖

ResNet很好地解決了深度學(xué)習(xí)在層數(shù)加深時(shí)帶來的梯度消失與梯度爆炸的問題，是目前學(xué)習(xí)性能最好的卷積神經(jīng)網(wǎng)絡(luò)之一，ResNet50包括5個(gè)階段，其中STAGE1是對輸入數(shù)據(jù)的卷積與池化預(yù)處理，STAGE2由3個(gè)Bottleneck塊組成，Bottleneck塊包含3個(gè)卷積核分別為1×1，3×3，1×1的卷積層，兩個(gè)1×1的卷積核分別對輸入輸出數(shù)據(jù)進(jìn)行降維與升維操作，較大程度的減少了計(jì)算資源的消耗。圖2所示為STAGE2的第一個(gè)Bottleneck，每個(gè)STAGE的第一個(gè)Bottleneck不會(huì)對輸入數(shù)據(jù)進(jìn)行降維。Bottleneck塊中的跨層連接(Shortcut)是ResNet擁有優(yōu)異性能的根本原因，跨層連接有兩種類型分別對應(yīng)輸入輸出通道相同與不同的情況。在深度學(xué)習(xí)模型中加入跨層連接能夠讓深層的梯度更好的傳播到淺層網(wǎng)絡(luò)，使得淺層的網(wǎng)絡(luò)參數(shù)也能得到較好的訓(xùn)練[10]。其余階段包含13個(gè)Bottleneck塊，最后輸出2048維7×7的特征量經(jīng)過全局平均池化后由全連接層Softmax輸出。

3.2 Fine-tuning遷移學(xué)習(xí)方法

Fine-tuning微調(diào)是最為常見的遷移學(xué)習(xí)方法，通過調(diào)整預(yù)訓(xùn)練網(wǎng)絡(luò)的結(jié)構(gòu)可以快速的適應(yīng)目標(biāo)任務(wù)，并且具有較好的魯棒性與泛化能力。針對圖像的訓(xùn)練任務(wù)，一般會(huì)更改模型后幾層以保留淺層學(xué)習(xí)好的邊緣等特征。為了達(dá)到更好的遷移效果，本文提出三種Fine-tuning方法，如圖3所示。

圖3 Fine-tuning方法

方法1初始化全連接層參數(shù)，根據(jù)目標(biāo)任務(wù)重構(gòu)Softmax的輸出分類，其余層參數(shù)初始化為預(yù)訓(xùn)練模型的參數(shù)，在訓(xùn)練目標(biāo)數(shù)據(jù)集時(shí)，預(yù)訓(xùn)練模型參數(shù)也會(huì)隨之微調(diào)；方法2與方法1的區(qū)別在于第一階段到第五階段的預(yù)訓(xùn)練模型參數(shù)將會(huì)被凍結(jié)，訓(xùn)練目標(biāo)數(shù)據(jù)集時(shí)僅改變?nèi)B接層參數(shù)；方法3在方法1的基礎(chǔ)上對STAGE5的卷積層進(jìn)行初始化，引入超參數(shù)m對初始化卷積層個(gè)數(shù)進(jìn)行控制，當(dāng)m=0時(shí)方法3退化到方法1。超參數(shù)m取不同值時(shí)會(huì)得到不同的訓(xùn)練效果，因此將m加入到模型超參數(shù)優(yōu)化流程中以得到最優(yōu)值。

4 深度遷移學(xué)習(xí)模型的超參數(shù)優(yōu)化

4.1 差分動(dòng)態(tài)哈里斯鷹優(yōu)化算法

本文為解決深度遷移學(xué)習(xí)存在的超參數(shù)設(shè)置困難的問題，提出一種改進(jìn)的哈里斯鷹優(yōu)化算法對超參數(shù)進(jìn)行尋優(yōu)。哈里斯鷹優(yōu)化算法由Heidaria等人從哈里斯鷹的捕食行為中得到啟發(fā)并于2019年提出[11]，該算法具有較強(qiáng)的全局搜索能力，并且需要調(diào)節(jié)的參數(shù)較少，但在實(shí)際運(yùn)用中，標(biāo)準(zhǔn)哈里斯鷹算法存在搜索收斂較慢，收斂精度不高以及后期會(huì)陷入局部最優(yōu)等問題。本文引入動(dòng)態(tài)調(diào)整參數(shù)以及差分進(jìn)化提出差分動(dòng)態(tài)哈里斯鷹算法(DHHO/DE)有效提升了算法的收斂速度、精度與后期跳出局部最優(yōu)的能力。

哈里斯鷹算法模仿哈里斯鷹的群體捕食行為，根據(jù)所追逐獵物的狀態(tài)不同，變換捕食策略，主要由3部分組成：探索階段、轉(zhuǎn)變階段、開發(fā)階段。

1) 探索階段

哈里斯鷹隨機(jī)棲息在不同的位置，基于兩種策略等待獵物出現(xiàn)，如式(1)所示

X(t+1)

(1)

式中，X(t+1)是哈里斯鷹下次迭代t會(huì)到達(dá)的位置，Xprey(t)，X(t)分別是當(dāng)前獵物與哈里斯鷹的位置，r1，r2，r3，r4與q是(0，1)之間的隨機(jī)數(shù)，LB與UB是搜索空間上下界，Xrand(t)是從當(dāng)前種群中隨機(jī)挑選的哈里斯鷹個(gè)體的位置，Xm是當(dāng)前種群的平均位置。

2) 轉(zhuǎn)變階段

哈里斯鷹根據(jù)獵物的逃逸能量E在探索與不同的開發(fā)行為之間轉(zhuǎn)換，E的更新公式如式(2)所示

(2)

式中，E0是獵物的初始能量，當(dāng)|E|<1時(shí)進(jìn)入開發(fā)階段，當(dāng)|E|>1時(shí)進(jìn)入探索階段。在整個(gè)迭代過程中，|E|由2逐漸遞減至0，導(dǎo)致在算法迭代后期始終小于1。當(dāng)|E|<1時(shí)，算法不具備全局搜索能力，此時(shí)算法就有一定概率陷入局部最優(yōu)解。本文在式(2)中加入動(dòng)態(tài)因子η以提升算法后期全局搜索能量。

(3)

式中randn為正態(tài)分布，加入動(dòng)態(tài)參數(shù)后，式(2)變?yōu)?/p>

(4)

由圖4可以看出，加入動(dòng)態(tài)參數(shù)η的逃逸能量E在迭代后期偶爾突變使|E|>1，算法將重新進(jìn)入探索階段，從而提升算法的全局搜索能力。

圖4 加入動(dòng)態(tài)參數(shù)后的逃逸能量

3) 開發(fā)階段

定義r為獵物逃脫概率，r<0.5時(shí)獵物成功逃脫，r≥0.5表示獵物在哈里斯鷹抓捕前未能逃脫。根據(jù)獵物剩余能量不同，哈里斯鷹將執(zhí)行不同的捕食策略。當(dāng)r≥0.5且|E|≥0.5時(shí)，執(zhí)行軟圍攻策略，哈里斯鷹位置更新可用式(5)表示

X(t+1)=ΔX(t)-E|JXprey(t)-X(t)|

(5)

式中，ΔX(t)是t次迭代中，獵物與鷹的位置之差，J=2(1-r5)代表獵物的隨機(jī)逃亡過程。當(dāng)r≥0.5且 |E|<0.5時(shí)，執(zhí)行硬圍攻策略，位置更新由式(6)表示

X(t+1)=Xprey(t)-E|ΔX(t)|

(6)

當(dāng)|E|≥0.5且r<0.5時(shí)，獵物尚且有足夠的逃逸能量，此時(shí)的哈里斯鷹位置更新可用式(7)表示

(7)

Y=Xprey(t)-E|JXprey(t)-X(t)|

(8)

Z=Y+S×LF(D)

(9)

式中，哈里斯鷹快速俯沖的數(shù)學(xué)模型表示為萊維飛行LF(χ)函數(shù)，D是需要解決問題的維度，S是1×D的隨機(jī)向量，萊維飛行LF(χ)函數(shù)可由式(10)計(jì)算

(10)

式中，μ，υ是(0，1)之間的隨機(jī)數(shù)，β是默認(rèn)常量，設(shè)置為1.5。

當(dāng)|E|<0.5且r<0.5時(shí)，哈里斯鷹執(zhí)行快速俯沖式硬圍攻，將式(8)更改為

Y=Xprey(t)-E|JXprey(t)-Xm(t)|

(11)

式中，Xm(t)是哈里斯鷹種群的平均位置，此時(shí)個(gè)體的位置可由式(7)、式(9)、式(11)更新。

此外，本文還對每一代的種群使用差分進(jìn)化策略，以提升算法的收斂速度與精度。差分進(jìn)化算法包含變異、交叉、選擇3個(gè)過程。對一次迭代完成后的種群進(jìn)行變異操作

Zi=Xbest(t)+F×(Xr1(t)-Xr2(t))+

F×(Xr3(t)-Xr4(t))

(12)

式中，Xr1、Xr2、Xr3、Xr4是從種群X中隨機(jī)挑選的個(gè)體，F(xiàn)是變異尺度，Xbest(t)是第t代最優(yōu)個(gè)體位置。

交叉操作從當(dāng)前父代中產(chǎn)生一個(gè)后代，如式(13)所示

(13)

式中CR為交叉概率，βi代表[1，D]中的隨機(jī)值。最后是選擇操作，如果后代Wi的適應(yīng)度值Fit(Wi)優(yōu)于父代Xi(t)的適應(yīng)度值Fit(Xi)，那么后代將替換父代，反之保留父代，由式(14)表示。

(14)

圖5給出了HHO[11]、IHHO[12]、WOA[13]以及DHHO/DE在求解部分基準(zhǔn)函數(shù)200維時(shí)的收斂曲線圖，可以看出本文所提算法在收斂速度與精度上均有較大提升。

圖5 基準(zhǔn)函數(shù)收斂曲線

4.2 優(yōu)化方法

h*=arg maxeval(θ|h)

(15)

式中，θ為模型參數(shù)，eval為評價(jià)函數(shù)，本文自構(gòu)建的數(shù)據(jù)集正負(fù)樣本均衡，因此選用準(zhǔn)確率作為評價(jià)指標(biāo)，如下式所示

(16)

式中，TP為真正類樣本，即正確檢測到安全帶的樣本，TF為真負(fù)類樣本，NP為假正類樣本，F(xiàn)N為假負(fù)類樣本。

使用DHHO/DE進(jìn)行模型超參數(shù)尋優(yōu)的具體過程如圖6所示，首先隨機(jī)生成N組超參數(shù)作為哈里斯鷹初始群體，每組超參數(shù)配置相應(yīng)的深度學(xué)習(xí)模型并進(jìn)行訓(xùn)練與測試，隨后使用式(16)計(jì)算個(gè)體的適應(yīng)度值，將適應(yīng)度值最優(yōu)個(gè)體作為目標(biāo)個(gè)體，再使用DHHO/DE更新種群位置即超參數(shù)，最后使用更新后的超參數(shù)配置深度學(xué)習(xí)模型，開始下一輪迭代。滿足最大迭代次數(shù)時(shí)，輸出的最優(yōu)個(gè)體位置就是最優(yōu)超參數(shù)。

圖6 超參數(shù)優(yōu)化過程

5 實(shí)驗(yàn)與結(jié)果

本文實(shí)驗(yàn)數(shù)據(jù)集采用在現(xiàn)場拍攝的1000張電力工人佩戴安全帶作業(yè)的照片作為正類樣本，1000張未佩戴安全帶的照片作為負(fù)類樣本，各分割200作為實(shí)驗(yàn)的測試集，部分?jǐn)?shù)據(jù)集如圖7所示。

圖7 部分?jǐn)?shù)據(jù)集

訓(xùn)練實(shí)驗(yàn)使用的CPU為Inter(R) Core(TM) i7-7700，GPU為NVIDIA GTX 1080Ti，內(nèi)存為16G，操作系統(tǒng)為Windows10，開發(fā)環(huán)境為Anaconda3(Python3.6，Pytorch1.2.0)。

5.1 超參數(shù)尋優(yōu)

本文對深度學(xué)習(xí)中學(xué)習(xí)率(Learning rate)、優(yōu)化器(Optimizer)、批量樣本大小(Batch size)以及3.2節(jié)中提出的Fine-tuning超參數(shù)m進(jìn)行尋優(yōu)操作。學(xué)習(xí)率是模型訓(xùn)練中最為重要的超參數(shù)，對模型訓(xùn)練的精度與速度都有直接影響；合適的優(yōu)化器同樣也能加速模型訓(xùn)練，優(yōu)化器參數(shù)一般都會(huì)選取固定的值，本文不作過多探討；樣本數(shù)量大小會(huì)影響到優(yōu)化器的尋優(yōu)效果，一般來說較大的樣本數(shù)量會(huì)加速梯度下降，但容易造成內(nèi)存溢出的問題。各超參數(shù)取值范圍如表1所示。

表1 超參數(shù)

5.1.1 不同的Fine-tuning方法對比

初始化哈里斯鷹種群數(shù)量為N=10，優(yōu)化器參數(shù)使用不同的數(shù)字對應(yīng)不同的優(yōu)化器。對于需要整數(shù)類型參數(shù)的超參數(shù)，在迭代最后使用Round取整將浮點(diǎn)數(shù)變?yōu)檎麛?shù)，選取Acc值作為適應(yīng)度值函數(shù)。優(yōu)化算法迭代50次，每一代中N個(gè)深度遷移學(xué)習(xí)模型各訓(xùn)練10次，算法收斂結(jié)果如圖8所示。

圖8 三種方法尋優(yōu)收斂對比

可以看出在優(yōu)化算法僅迭代到20代時(shí)，三種方法訓(xùn)練得到的準(zhǔn)確率已經(jīng)趨于穩(wěn)定，模型結(jié)構(gòu)的調(diào)整有利于提升準(zhǔn)確率但實(shí)際上會(huì)增加訓(xùn)練的時(shí)間。DHHO/DE尋優(yōu)得到的各個(gè)方法最優(yōu)超參數(shù)如表2所示。

表2 最優(yōu)超參數(shù)

5.1.2 不同優(yōu)化算法方法對比

為了驗(yàn)證本文所提優(yōu)化算法的優(yōu)越性，將DHHO/DE與WOA以及貝葉斯優(yōu)化算法在基于方法3微調(diào)的模型上進(jìn)行超參數(shù)尋優(yōu)，并且進(jìn)行比較，其結(jié)果如圖9所示?？梢钥闯雠c其它兩種算法相比，本文所提算法在收斂速度與準(zhǔn)確率上都有一定提升。

圖9 不同的優(yōu)化方法對比

5.2 結(jié)果分析

使用最優(yōu)超參數(shù)配置預(yù)訓(xùn)練ResnNet50后，3種Fine-tuning方法的測試集準(zhǔn)確率Acc與訓(xùn)練損失Loss如圖10、圖11所示。

圖10 三種方法準(zhǔn)確率對比

圖11 三種方法訓(xùn)練損失對比

得益于遷移學(xué)習(xí)的特性與Fine-tuning方法的簡潔，ResNet50經(jīng)過僅20次訓(xùn)練就能得到較高的準(zhǔn)確率。方法1、方法3的準(zhǔn)確率能夠達(dá)到0.99以上。方法2由于凍結(jié)了模型參數(shù)在前幾次訓(xùn)練的表現(xiàn)不佳，但在20次訓(xùn)練后也能達(dá)到0.98以上的準(zhǔn)確率，并且方法2在訓(xùn)練時(shí)間上比其它兩種方法減少了20%。綜合比較，本文選取最優(yōu)超參數(shù)配置的基于方法3微調(diào)的預(yù)訓(xùn)練ResNet50作為電力作業(yè)安全帶佩戴的檢測模型。將圖像輸入到已訓(xùn)練的微調(diào)模型中，經(jīng)過一個(gè)Bottleneck塊處理后，輸出特征如圖12所示，可以看出微調(diào)模型能夠較好地識(shí)別安全帶特征。

圖12 輸出特征可視化

5.3 模型應(yīng)用

在將訓(xùn)練好的電力作業(yè)安全帶佩戴檢測模型應(yīng)用到作業(yè)現(xiàn)場時(shí)，需要考慮到工人的識(shí)別問題。目前行人識(shí)別已經(jīng)是發(fā)展非常成熟的一個(gè)技術(shù)領(lǐng)域，本文采用預(yù)訓(xùn)練的YOLOv3[18]進(jìn)行工人檢測，將檢測的工人圖像傳入到安全帶佩戴檢測模型，輸出佩戴概率，如圖13所示。

圖13 模型檢測結(jié)果

由圖13 (a)可知，當(dāng)工人未佩戴安全帶時(shí)，檢測模型輸出的置信度較低，受工人穿戴衣物的影響在一定數(shù)值內(nèi)波動(dòng)但不會(huì)超過檢測閾值；圖13(b)檢測模型輸出的置信度較高，可以判斷工人已佩戴安全帶。

6 結(jié)論

為了解決電力作業(yè)安全帶佩戴檢測問題，本文提出了一種基于深度遷移學(xué)習(xí)的作業(yè)安全帶佩戴檢測方法。首先通過重構(gòu)預(yù)訓(xùn)練ResNet50的卷積層與全連接層提出了三種不同的Fine-tuning遷移學(xué)習(xí)方法，利用遷移學(xué)習(xí)減小模型對數(shù)據(jù)集的依賴，然后針對模型超參數(shù)尋優(yōu)問題，提出了DHHO/DE算法對三種方法構(gòu)建的模型進(jìn)行超參數(shù)優(yōu)化，最后將最優(yōu)超參數(shù)配置的三種模型在自構(gòu)建的2000幅數(shù)據(jù)集上進(jìn)行訓(xùn)練。結(jié)果表明本文提出的檢測方法在訓(xùn)練集較少的情況下也能夠?qū)崿F(xiàn)準(zhǔn)確率達(dá)99%的安全帶佩戴檢測。本文提出的方法為解決電力及其它行業(yè)高空作業(yè)安全檢測難題提供了可行的思路。