面向登高作業(yè)的視覺與氣壓傳感器融合高程測量方法

中圖分類號：TP391.4 文獻標志碼：A

Abstract：An elevation measurement method via the fusion of vision and barometric sensors is proposed to achieve convenient and accurate measurement of the elevations of operators during aerial work.A YOLOX deep neuralnetwork isconstructed todetect the aerial operators and their positions inthe pictures of the arial work site. The changes ofreal altitude in therelativelyshortperiodofclimbing are measured viaabarometric sensor.Usingthe barometric elevation measurement and vision detection results，the support vector regression （SVR） is applied to construct and update the regressve model between the image position and the actual elevation ofthe operator，and the high accuracy elevation measurementresults areobtained through the regressive model.Inreal-world aerial work experiments，the proposed method is compared with the direction elevation measurement using a single barometric sensorand the differential elevation measurement by two barometric sensors.The measurement errors，in the mean absolute eror as wellas in the root-meansquares-error，ofthe proposed method are all lower than O.2 m，and are superior to the two rival methods.The performances of the proposed methodsareachieved by fusing the vision detection and the barometric elevation measurement，which overcomes the serious signal shifting and degradation of measurement accuracy of the barometric sensors，and alsoavoids thelaborious calibration procedureof the vision detection system.The proposed method’s elevation measurement accuracy satisfies the requirement on the operator in aerial work，and it is easy to apply in work sites without puting extra burdens on theoperators，making the method a practical choice for operator safeguarding in aerial work.

Key Words：altitude measurement;target detection; YOLOX ;regression analysis;aerial work

近年來電力系統(tǒng)行業(yè)的快速發(fā)展，使得電力設施的維護和安全檢查成為電網(wǎng)工作人員的核心任務之一[1].但在實際工作中，電力設施通常位于高塔或電線桿等高空危險環(huán)境，長時間的高空作業(yè)會造成現(xiàn)場工作人員的安全作業(yè)意識減弱，導致高空作業(yè)中安全生產(chǎn)事故發(fā)生.在高空作業(yè)違章行為的檢測過程中，首要任務是準確測量配網(wǎng)作業(yè)現(xiàn)場作業(yè)人員及工器具相對于地面的高度，從而進一步確保安全生產(chǎn)等目標的實現(xiàn).因此，實時在線監(jiān)控電網(wǎng)工作人員并進行身份識別，以及精確測量施工高度，有助于降低工作風險，提升工作效率，減少事故的發(fā)生率，確保安全生產(chǎn)2].

作業(yè)現(xiàn)場的高度測量，主要是測量作業(yè)人員或工器具相對于地面的高度.目前測量兩點間相對高度的技術手段主要包含激光測距儀、超聲波測距儀、GPS測量、氣壓傳感器等[3.文獻[4]通過激光測距儀測量出工作人員與監(jiān)測基站之間的空間距離，并結合氣壓高度傳感器和溫度計對獲取的高度值進行修正.但激光測距儀受光照影響較大，建立監(jiān)測基站會增大成本.超聲波測距儀對光照變化的魯棒性相對較強，文獻[5]提出了一種便攜式的大量程超聲波線纜測高儀以準確測量高壓架空線纜對地高度和相間距離.但是超聲波測距儀依然存在受環(huán)境噪聲和聲波傳播速度的影響導致精度降低的問題.針對配網(wǎng)作業(yè)現(xiàn)場應用來說，氣壓傳感器因具有成本低、便于攜帶等優(yōu)勢，正在被廣泛地應用于電網(wǎng)行業(yè)測高領域.然而，氣壓傳感器隨著工作時間的推移會存在漂移等問題.為解決該問題，文獻[6]使用氣壓高度計和無線電高度表進行高度數(shù)據(jù)融合，對無線電高度表的高頻噪聲和氣壓高度計的零漂和時漂進行抑制.文獻[7]為了解決單獨使用氣壓高度計時存在的數(shù)據(jù)不穩(wěn)定以及精度不夠等問題，采用卡爾曼濾波算法對氣壓高度計與GPS測量高度數(shù)據(jù)進行數(shù)據(jù)融合，提高GPS/氣壓高度計組合測高系統(tǒng)的測量精度，滿足在高處作業(yè)設備高度測量應用中的要求.然而，傳統(tǒng)的檢測手段檢測精度有限，難以滿足作業(yè)現(xiàn)場復雜環(huán)境的人員安全隱患檢測需求，并對其進行相應管理.

隨著計算機算力的飛速發(fā)展，卷積神經(jīng)網(wǎng)絡（CNN）以其卓越的自動特征學習能力、適應性、泛化能力以及端到端學習優(yōu)勢和多模態(tài)數(shù)據(jù)處理能力等，已經(jīng)成為各個領域的有力工具.目標檢測作為計算機視覺中最核心的任務之一，可以同時學習低級和高級圖像特征，有更好的檢測精度和泛化能力，從而被廣泛應用于行人檢測、施工作業(yè)現(xiàn)場等領域.如文獻[10]提出了一種基于改進的YOLOv3算法的行人檢測方法.針對施工現(xiàn)場的設備檢測與定位問題，文獻[11提出了一種基于改進YOLOv3和改進灰狼優(yōu)化器定位的極端學習機的實時多尺度設備檢測和定位模型，文獻[12]提出了一種基于改進YOLOv5的露天礦山目標檢測方法.

目前，基于深度學習的目標檢測主要分為兩類：兩階段檢測和單階段檢測[13.兩階段檢測算法如區(qū)域卷積神經(jīng)網(wǎng)絡（Region-CNN）、快速區(qū)域卷積神經(jīng)網(wǎng)絡（FASTR-CNN）等具有精度高等優(yōu)勢，但是計算量過大，限制了它們在線下部署中的應用.單階段檢測方法則以其較低的計算需求獲得了廣泛應用，代表性的算法包括YOLO系列、單次多框檢測器（singleshotmultiboxdetector，SSD）反卷積單次多框檢測器（deconvolutional single shot detector，DSSD）

等[14].單階段檢測雖然精度略低，但是需要的算力大幅減少，尤其是YOLO算法以其出色的實時性能，已經(jīng)在電力行業(yè)等領域取得了廣泛應用.如文獻[15]針對作業(yè)人員穿戴防護服和安全帽不規(guī)范的問題，搭建了基于YOLOv4-MobileNetv3的目標檢測網(wǎng)絡模型，其在識別精度滿足需求的基礎上提升了檢測速度.文獻[16]建立了基于模式識別的作業(yè)人員身份鑒定系統(tǒng)，通過增強Adaboost算法進行作業(yè)人員的人臉檢測和身份識別，通過改進的YOLOv3檢測算法提高了現(xiàn)場作業(yè)人員及安全帽佩戴情況的檢測穩(wěn)定性.

登高作業(yè)是配網(wǎng)作業(yè)中事故率較高的作業(yè)場景，本文針對傳統(tǒng)高度測量算法精度差的問題，提出一種基于YOLOX（youonlylook onceX）模型和支持向量回歸（support vector regression，SVR）算法的擬合修正算法YOLOX-SVR，實現(xiàn)對電網(wǎng)工人施工高度的準確測量，提高單氣壓傳感器的檢測精度，去除漂移產(chǎn)生的誤差.該算法首先采集工人爬桿、爬梯數(shù)據(jù)，構建數(shù)據(jù)集，在YOLOX預訓練模型上進行訓練和驗證.然后，利用SVR算法對模型識別出的電網(wǎng)工人坐標變化和單氣壓傳感器的高度變化進行迭代擬合，以達到修正漂移誤差的目的.最后，分別在爬梯和爬桿場景下對所提算法進行驗證，實驗結果表明該算法效果遠遠優(yōu)于雙氣壓傳感器的測高.

1相關理論

1.1YOLOX目標檢測算法

YOLOX是一種端到端的無錨框（anchor-free）的單階段目標檢測算法[].相較于YOLOv3、YOLOv4、YOLOv5，YOLOX在網(wǎng)絡結構、錨機制和正負樣本匹配策略等方面有所優(yōu)化，提高了模型的檢測速度和精度[18].YOLOX根據(jù)網(wǎng)絡不同的寬度和高度，分為標準網(wǎng)絡結構和輕量級網(wǎng)絡結構.為在爬高人員檢測中保證較高的實時性，本文選擇了輕量級模型YOLOX-S.

YOLOX-S網(wǎng)絡結構主要由特征提取模塊、特征融合模塊和預測模塊3部分組成，網(wǎng)絡架構如圖1所示.

特征提取模塊采用CSPDarknet網(wǎng)絡架構，該架構主要包含聚焦（Focus）結構、跨階段局部網(wǎng)絡（crossstagepartialnetwork，CSPNet）模塊和空間金字塔池化（spatial pyramid pooling，SPP）模塊[19].Focus結構通過對圖片進行隔像素抽取，將高分辨率區(qū)域和低分辨率區(qū)域相結合實現(xiàn)了下采樣操作，如圖2所示；跨階段局部網(wǎng)絡（CSPNet）包含的殘差結構可以避免網(wǎng)絡深度增加帶來的梯度消失問題；SPP模塊通過對不同大小的區(qū)域進行池化操作，并將池化結果進行拼接，從而實現(xiàn)了對不同尺度的輸入特征圖進行自適應的池化操作，增大了感受野，優(yōu)化了模型對不同大小目標的檢測效果，如圖3所示.

圖1中特征融合模塊通過上采樣和下采樣來實現(xiàn)特征融合.從底層特征圖開始，通過上采樣逐步提高特征圖的分辨率和語義信息；從高層特征圖開始，通過下采樣和卷積等操作逐步降低特征圖的分辨率，提高語義信息.

在預測模塊，YOLOX-S選擇解耦頭作為檢測層部分.與耦合頭不同的是，解耦頭將分類和回歸任務獨立出來，每個任務使用單獨的神經(jīng)網(wǎng)絡來處理[20].如圖4所示，模型首先通過 1×1 的卷積層將通道數(shù)目減少到256個，然后增加兩個平行的分支，每個分支由兩個 3×3 的卷積層組成，分別用于分類任務和回歸任務.最終在預測端輸出3個尺度的特征圖，大小分別為 20×20.40×40.80×80.

為了提高模型性能，YOLOX-S在標簽分配策略上對最優(yōu)傳輸分配（optimal transportassignment，OTA）進行了簡化，提出了 SimOTA 標簽分配策略來動態(tài)分配正負樣本[21].通過限制搜索空間的數(shù)量得到樣本最佳匹配，將代價函數(shù)分為分類損失和回歸損失，最小化代價函數(shù)使網(wǎng)絡以最小的學習成本獲得有效信息.首先根據(jù)錨框的中心點對錨點進行預篩選，設定一個大小為 5×5 的固定中心區(qū)域.接著根據(jù)初步篩選確定正樣本候選區(qū)域位置，計算初步確定正樣本候選區(qū)域的預測框與真實目標邊界框之間的IOU損失函數(shù)與分類置信度損失函數(shù)，對這兩種損失函數(shù)進行加權求和.初步篩選正樣本預測框的代價損失函數(shù)如式（1）所示：

cost_ij=L_ij^cls+αL_ij^reg

式中： α 為位置回歸損失函數(shù)的權重系數(shù)； L_ij^cls 為正樣本預測框與真實框之間分類損失； L_ij^reg 為正樣本預測框與真實框之間的位置回歸損失； i 代表樣本的編號；j代表預測結果的類別分類.

針對每個真實框，動態(tài)確定分配預測框個數(shù) p 具體包括：選取前10個IOU最大的預測框，對于每個真實框中的10個預測框，將其交并比相加取整，得到需要分配的個數(shù) p ，前 p 個預測框則會被當作正樣本處理，每個真實目標框代價矩陣cost排名最小的前 p 個先驗框作為正樣本，其余的均為負樣本.

1.2支持向量回歸

支持向量回歸算法是在支持向量機（supportvectormachine，SVM）算法的基礎上對解決回歸問題的進一步應用22，該算法實現(xiàn)了最小化總損失和最大化間隔，保證結果最優(yōu)化的目的，如圖5所示.訓練數(shù)據(jù)集 T={（x_i，y_i），i=1，2，…，m} 用于在線預測，其中 x_i∈X?Rⁿ，y_i∈Y?Rⁿ，m 是訓練樣本總數(shù)，SVR的線性回歸函數(shù)可以表示為：

式中： w 是特征空間 F 中權重向量； ?（x_i） 是輸人 X 映射到 F 中的向量； b 為偏移量.

為使數(shù)據(jù)到超平面的距離 d 最小，SVR算法在線性函數(shù)的兩側設置容忍偏差 ε 對樣本點 x_i ，如果其回歸值在容忍偏差內，則忽略其損失，超出容忍偏差則計算損失值 l_ε（x_i）

為確保大部分數(shù)據(jù)在容忍偏差內，SVR算法加入松弛變量 ξ. 引入松弛變量后的SVR表示為如下最小化問題：

式中： ξ_i⁺，ξ_i^- 分別為上、下邊界的松弛因子； c 為懲罰因子，其值越小，擬合誤差對回歸結果的影響越小.

為更好地處理非線性關系的回歸任務，解決高維度特征空間中自標函數(shù)不可微的問題，SVR算法引人核函數(shù)，如線性核、多項式核、高斯核、拉普拉斯核以及Sigmoid核.核函數(shù)的存在可以將數(shù)據(jù)映射到高維空間，以此實現(xiàn)對非線性數(shù)據(jù)點的分離，同時增加了模型的復雜度，提高模型的擬合能力.由于高斯核具有更好的自適應性和更快的計算速度，因此本文選擇高斯核作為模型的核函數(shù)，其表達式為：

式中： σgt;0 為高斯核的帶寬.此時，SVR算法求得的最優(yōu)決策函數(shù)為：

式中： 為引入的拉格朗日算子.

2YOLOX-SVR擬合模型構建

為實現(xiàn)對登高作業(yè)人員進行精準識別以及對其高度進行準確輸出的自的，本節(jié)針對登高作業(yè)人員和登高數(shù)據(jù)集訓練得到YOLOX模型，設定合適閾值，優(yōu)化驗證模塊的輸出部分，以去除行人和其他干擾.在目標檢測部分達到準確識別后，將檢測目標的中心點像素坐標輸入改進的SVR算法中，設置修正擬合算法對氣壓傳感器的漂移量進行修正.

2.1模型構建

2.1.1數(shù)據(jù)集構建

本文旨在設計一個登高人員檢測算法，實現(xiàn)對室外環(huán)境的登高行為的準確識別，因此需要構建一個大型數(shù)據(jù)集對模型進行訓練和測試.構建的數(shù)據(jù)集共包含2589張實驗人員戶外工作的圖片，使用LabelImg軟件對實驗人員進行邊界框和標簽的標注.然后將數(shù)據(jù)按照7：3的比例劃分為訓練集和測試集，用于模型的訓練，如圖6（a）所示.為驗證所訓練的模型對登高等行為的識別能力，本文同時采集了不同背景下的爬梯和爬桿兩種數(shù)據(jù)，來驗證模型的魯棒性和泛化性，如圖6（b）所示.

2.1.2模型訓練

實驗訓練環(huán)境為：深度學習框架Pytorch1.8.1， CUDA12.2；操作系統(tǒng)Ubuntu20.04.6LTS；處理器 4核Intel（R）Corei7-7820XCPU ；內存 32GB；RTX3090顯卡，顯存24GB.

實驗參數(shù)配置如下：訓練批次為300，Batchsize為64，學習率初始值為0.01，SGD動量為0.9.數(shù)據(jù)輸入的初始大小為 640×640×3 ，經(jīng)過CSPDarknet特征提取模塊后，分別輸出 80×80×256.40×40×512.20× 20×1024 ，如圖7（a）所示.將以上3種不同維度的輸出分別輸人PANet特征融合模塊中進行不同尺度下的上采樣和下采樣操作，如圖7（b）所示.在預測模塊，通過解耦頭得到3個不同維度的特征圖，最終輸出8400個預測框，模型各模塊具體輸入和輸出如圖7（c） 所示.每個預測邊框可以用特征向量 P 表示為：

式中： b_x 為預測框中心點 x 軸坐標； b_y 為預測框中心點 y 軸坐標； b_?w 和 b_h 分別為預測框寬和高；object_conf代表特征點預測框內部包含物體的概率；cls_conf代表特征點對應測高工作人員的概率.最后，通過非極大值抑制（NMS）篩選，保留最可靠的預測框以及種類.經(jīng)多次訓練后，選擇最優(yōu)訓練模型以供后續(xù)使用.

2.1.3模型輸出的閾值處理

為驗證訓練模型的可靠性，準確輸出驗證數(shù)據(jù)集中預測框中心點的像素坐標，本節(jié)采用驗證數(shù)據(jù)集對模型進行驗證.考慮到施工現(xiàn)場會出現(xiàn)地面工作人員和路人等情況，本節(jié)對驗證算法中的輸出端進行修改，通過設置閾值來檢測像素變化，進而判斷是否為爬高工人，保證在測高過程中像素坐標輸出的準確性.具體包括：在1s內，對預測框中心點 x 軸像素坐標變化值 |Δb_x| 小于或等于閾值 a₁ 和y軸像素坐標變化值 |Δb_y| 大于或等于閾值 a₂ 的預測框進行輸出，反之刪除該框.檢測結果is_op為：

圖8是模型驗證結果圖.當不使用閾值處理時，在較為復雜的環(huán)境下，例如有行人經(jīng)過視頻采集區(qū)域時，模型會將行人識別出來，從而導致模型對實驗人員位置坐標輸出錯誤.加入閾值處理后，模型可有效排除行動軌跡主要在水平方向的非實驗人員，并保留主要行動方向在垂直方向的登高實驗人員，提高了檢測的準確性，為后續(xù)的融合處理打下了良好的基礎.

2.2融合視覺信息的SVR回歸

如果將登高人員的像素坐標數(shù)據(jù)集Y與實際高度數(shù)據(jù)集 H 直接作為算法的輸入和輸出進行擬合，則結果受到的測高噪聲影響偏大.利用視覺檢測的結果，可以形成對測高結果的“反饋”，從而減小誤差.因此，為實現(xiàn)YOLOX算法得出的像素點縱軸坐標 b_y 與電網(wǎng)工人真實高度兩者之間的較好擬合，本文采用融合視覺信息的SVR算法對數(shù)據(jù)進行分析

擬合.

理論分析表明，作為回歸函數(shù)自變量的作業(yè)人員像素高度位置所覆蓋的取值范圍越大，回歸模型的穩(wěn)定性越好.因此，為了提高本文中建立的線性回歸模型的穩(wěn)定性，設置起始閾值 ，當作業(yè)人員的像素高度位置與初始時刻位置之差大于或等于 時，算法開始執(zhí)行回歸分析.同時，為降低時漂數(shù)據(jù)對回歸函數(shù)擬合精度的影響以及減少模型逐點擬合所增加的計算量，設置終止閾值 T_?1， ，當參與擬合的數(shù)據(jù)點數(shù)量總和超過 T₁ 時，模型停止回歸擬合操作，此時該點的擬合函數(shù)作為最終的線性回歸函數(shù).算法具體步驟如下：

設定初始時刻作業(yè)人員的像素高度位置為 b_y1 實際高度 h₁=0 初始時刻算法運行于非擬合狀態(tài).

設從作業(yè)起始時刻開始，在非擬合狀態(tài)下到當前時刻為止所得到的作業(yè)人員像素高度位置序列為 ，單氣壓傳感器測量得到的相應作業(yè)人員高度變化序列為 H_n= {h₁，h₂，h₃，…，h_n-1，h_n} b_yk 表示第 k 次檢測到有登高人員且其高度位置發(fā)生變化時所得到的對應像素高度位置，即YOLOX模型輸出的is_op為True時人員的相對高度位置； h_k 則是由起始時刻開始，每次is_op為 True 時大氣壓力測高信號中所對應的高度變化值.

如果 b_yn 首次滿足：

|b_yn-b_y1|?T₀

則算法切換到擬合狀態(tài).此時，利用SVR算法對 Y_n 和 H_n 進行擬合，得到當前的回歸模型 利用當前回歸函數(shù) f_n 得到修正后的當前時刻登高人員實際高度值為：

用當前時刻修正后的實際高度替代原始測得的實際高度，得到修正后的實際高度序列：

H_n^′={h₁，h₂，h₃，…，h_n-1，h_n^′}

對于視頻下一幀輸入的作業(yè)人員像素高度b，，以及其對應的高度值 h_n+1 ，繼續(xù)通過SVR擬合，得到回歸模型 ，進而得到修正后的當前時刻實際高度值為：

修正后的實際高度序列為：

H_n+1^′={h₁，h₂，…，h_n-1，h_n^′，h_n+1^′}

對于第 k（kgt;n） 次檢測到作業(yè)人員高度變化，若k=T₁ ，則 作為最終的線性回歸函數(shù)，該點之后不再進行回歸擬合操作.對于第 k+1 次所對應的登高人員實際高度值為

2.3算法整體流程

圖9為YOLOX-SVR擬合模型的具體流程，其步驟如下：

輸入：登高作業(yè)視頻、單氣壓傳感器高度數(shù)據(jù) ?_?x 軸像素坐標變化閾值 a₁，?y 軸像素坐標變化閾值 a₂ 、 起始閾值 T₀ 終止閾值 T₁

輸出：YOLOX-SVR算法測量高度.

步驟1：以變量 K 表示算法是否處于擬合狀態(tài)，并初始化為False.

步驟2：獲取視頻幀，利用YOLOX模型檢測登高人員位置，返回位置坐標.

步驟3：判斷YOLOX模型檢測次數(shù)是否 kgt;T₁ ，若 是，則至步驟7；否則，至步驟4.

步驟4：如果 K=True ，則將當前時刻的實際高度測得值與視頻中登高人員的像素高度位置加入擬合數(shù)據(jù)集，利用SVR得到回歸模型h.否則，至步驟5.

步驟5：如果當前時刻登高人員的像素高度位置滿足式（10）的判斷條件，則置 K=True ，至步驟4；否則，以當前時刻實際高度測得值作為測量結果，并加入算法測得的高度序列，至步驟2.

步驟6：利用步驟4所得回歸模型 h 得到修正后的實際高度值，以修正后的值作為測量結果加入算法測得的高度序列，至步驟2.

步驟7：輸入當前像素高度值至步驟4所得回歸模型 h ，得到實際高度值.

3實驗結果與分析

3.1誤差評判指標

為分析YOLOX-SVR所得高度的誤差，本文選擇平均絕對誤差（meanabsoluteerror，MAE）和均方根誤差（root-mean-square error，RMSE）兩種不同的誤差評判指標，并且與使用單個氣壓傳感器測高的結果，和利用與地面參考氣壓傳感器比對的雙氣壓傳感器法所得的測高結果，進行算法性能比較，

MAE計算公式為：

其中，MAE是預測誤差絕對值的平均值，直接反映預測值與真實值的平均絕對偏差.

RMSE計算公式為：

其中，RMSE是預測誤差平方的平均值的平方根，衡量預測值與真實值之間的標準差.

3.2結果與分析

本文分別在爬梯和爬桿兩種不同場景下對YOLOX-SVR模型擬合方法進行驗證，并與單氣壓傳感器和雙氣壓傳感器兩種方法進行對比.結果表明，所提出的YOLOX-SVR模型擬合方法在兩種場景下的高度預測效果均優(yōu)于其他方法.

如圖10所示，紅色線段為本文提供的Y0LOX-SVR模型預測值；藍色為單氣壓傳感器測量值；綠色為雙氣壓傳感器測量值；黑色為真實高度.可以看出，在爬梯場景下，3種測量方法的高度變化趨勢相同，表明本文所提的擬合測高方法測量的高度與氣壓傳感器所測得的高度均具有可信度.但是本文所提模型的預測值與單氣壓傳感器和雙氣壓傳感器的測量值相比，更接近于真實值.且從圖10可以看出，單氣壓傳感器測量值隨著時間的增長，出現(xiàn)漂移的情況較為明顯.雙氣壓傳感器起到了去除漂移的作用，但是整體測量值均低于真實值，導致該方法誤差較大.如表1所示，在MAE指標下，YOLOX-SVR模型擬合的高度與雙氣壓傳感器方法相比誤差減少了25.00% ，與單氣壓傳感器方法相比誤差減少了78.82% ;在RMSE指標下，YOLOX-SVR模型擬合的高度與雙氣壓傳感器方法相比誤差減少了 26.92% ，與單氣壓傳感器方法相比誤差減少了 80.61%

如圖11所示，在爬桿場景下，3種測高方法測得的高度值均出現(xiàn)不同程度波動，但是從整體波動趨勢分析，YOLOX-SVR擬合方法的波動區(qū)間更小.如表2所示，在MAE指標下，YOLOX-SVR模型擬合的高度與雙氣壓傳感器方法相比誤差減少了 52.38% ，與單氣壓傳感器方法相比誤差減少了 85.71% ；在RMSE指標下，YOLOX-SVR模型擬合的高度與雙氣壓傳感器方法相比誤差減少了 45.83% ，與單氣壓傳感器方法相比誤差減少了 83.75% 業(yè)

4結論

針對在高空作業(yè)過程中施工人員實時高度監(jiān)測困難，傳統(tǒng)檢測手段精度有限等問題，本文提出了一種YOLOX-SVR模型擬合的高度測量方法.本文主要工作內容如下：

1）構建爬高數(shù)據(jù)集，并利用LabelImg軟件，手工對所得圖像數(shù)據(jù)進行了標簽化處理，并訓練最優(yōu)YOLOX模型用以識別爬高工人.

2）采用回歸擬合的理念，構建YOLOX-SVR模型框架.通過設定預測框像素中心點坐標變化的閾值，有效消除了檢測過程中行人干擾的問題.并在SVR擬合過程中采用逐點回歸擬合的方案，實現(xiàn)對單氣壓傳感器漂移量修正的目的.

3）將所提的YOLOX-SVR擬合模型在平均絕對誤差和均方根誤差兩種不同的誤差評判指標下分別與單氣壓傳感器和雙氣壓傳感器差值作對比，實驗結果表明，本文所提的測量方法預測結果遠遠優(yōu)于氣壓傳感器測量的結果，不僅降低了對施工人員高度測量的誤差，而且為氣壓傳感器固有的漂移問題提供了新的解決思路.

參考文獻

[1]郭強．面向物聯(lián)網(wǎng)的電力電纜綜合維護檢測系統(tǒng)研究[D]. 西安：西安電子科技大學，2022. GUO Q.Research on integrated maintenance and detection system ofpowercables for Internet of Things[D].Xi’an：Xidian University，2022.（inChinese）

[2] 肖揚.電網(wǎng)運維在線監(jiān)測系統(tǒng)的設計與實現(xiàn)[D].成都：電子 科技大學，2020. XIAOY.Design and implementation of online monitoring system forpowergrid operation and maintenance [D].Chengdu： Universityof Electronic Scienceand Technology ofGhina，2020.

[3］劉奇，張雙成，劉寧，等．GPS反射信號用于海冰識別與海面 測高[J]．測繪科學，2021，46（9）：43-48. LIU Q，ZHANG SC，LIU N，et al. Sea ice recognition and sea surfacealtimetry use GPS reflected signal [J].Scienceof Surveying and Mapping，2021，46（9）：43-48.（in Chinese）

[4]許明杰，徐光智.安全帽高度定位方法及系統(tǒng)：CN111750823A [P].2020-10-09. XUMJ，XUG Z.Helmet height positioning method and system： CN111750823A[P].2020-10-09.（in Chinese）

[5］何凱．大量程超聲波線纜測高儀設計與開發(fā)[D]．西安：西安 建筑科技大學，2018. HE K.Design and development of large-range ultrasonic cable altimeter[D].Xi’an：Xi’anUniversityofArchitectureand Technology，2018.（in Chinese）

[6]劉偉，曾培香，管偉濤，等.微小型慣性/光學/磁羅盤/氣壓高 度組合導航系統(tǒng)研究[J].遙測遙控，2013，34（5）：21-26. LIU W，ZENG PX，GUAN W T，et al. Research on mins/optical/ magnet compass/barometer integrated navigationsystem [J]. Telemetryand Remote Control，2013，34（5）：22-26.（in Chinese）

[7］桂宇貴，孫佳，吳杰，等．基于GPS/氣壓高度計的高度數(shù)據(jù)融 合算法研究[J].機械與電子，2017，35（1）：11-14. GUI YG，SUN J，WU J，et al．Research on height data fusion algorithm basedon GPS/barometric altimeter[J].Machineryamp; Electronics，2017，35（1）：11-14.（in Chinese）

[8] OVEIS A H，GIUSTI E，SGHIO S，et al.A survey on the applicationsof convolutional neural networks for synthetic aperture radar： Recent advances [J]. IEEE Aerospace and Electronic SystemsMagazine，2022，37（5）：18-42.

[9］張陽婷，黃德啟，王東偉，等.基于深度學習的目標檢測算法 研究與應用綜述[J].計算機工程與應用，2023，59（18）：1-13. ZHANG Y T，HUANG D Q，WANG D W，et al. A review on research and applicationof deep learning-based target detection algorithms[J]. Computer Enginering and Applications，2023， 59（18）：1-13.（in Chinese）

[10]ZHANG JQ，CHEN X L，LI YL，et al.Pedestrian detection algorithmbasedonimprovedYOLOv3 [C]//2021IEEE International Conference on Power， Intelligent Computing and Systems（ICPICS）. July 29-31，2021，Shenyang，China：IEEE， 2021：180-189.

[11]ZENG TC，WANGJJ，CUI B，et al. The equipment detection and localization of large-scale construction jobsite by far-field construction surveillance video based on improving YOLOv3 and greywolf optimizer improving extreme learning machine [J]. Construction and Building Materials，2021，291：1-5.

[12］秦曉輝，黃啟東，常燈祥，等.基于改進YOLOv5的露天礦山 目標檢測方法[J].湖南大學學報（自然科學版），2023，50（2）： 23-30. QINXH，HUANGQD，CHANGDX，etal.Objectdetection method inopen-pit minebased on improved YOLOv5[J]. Journal ofHunanUniversity（Natural Sciences），2023，50（2）：23-30. （in Chinese）

[13]XIAOYZ，TIANZQ，YUJC，etal.Areview of object detection based on deep learning[J].Multimedia Toolsand Applications， 2020，79（33）：23729-23791.

[14]CHEN YC，XU X N.The research of underwater target recognition method based on deep learning［C]//2O17 IEEE International Conference on Signal Processing，Communications andComputing（ICSPCC）.October22-25，2017，Xiamen， China：IEEE，2017：1-5.

[15］王林林．基于目標檢測與動作識別的多目標視覺監(jiān)管技術研 究[D]．長春：吉林大學，2021. WANG L L. Research on multi-target visual supervision technology based on target detection and motion recognition[D]. Changchun：JilinUniversity，2O21.（inChinese）

[16］許可暘.基于圖像處理技術的電力現(xiàn)場作業(yè)人員智能識別及 監(jiān)控系統(tǒng)設計[D].杭州：浙江大學，2022. XUKY.Design of intelligent identification and monitoring system forelectric field workers based on image processing technology [D].Hangzhou：ZhejiangUniversity，2O22.（in Chinese）

[17]SONG J，ZHAOY，SONGW，et al.Fisheye image detection of treesusing improved YOLOX for tree height estimation[J]. Sensors，2022，22（10）：1-6.

[18]GE Z，LIU S，WANGF，et al. YOLOX：ExceedingYOLO series in 2021[J].arXiv preprint arXiv：2107.08430，2021.

[19]ZHANGQ，HUANGYR，SONGR.A ship detection model basedon YOLOXwithlightweightadaptivechannel feature fusion and sparse data augmentation[C]//2022 18th IEEE International Conference on Advanced Video and Signal Based Surveillance （AVSS）.November 29-December2，2022，Madrid，Spain： IEEE，2022：1-8.

[20]LIU BQ，HUANG JY，LIN S，et al.Improved YOLOX-S abnormal condition detection for power transmission line corridors [C]//2021 IEEE 3rd International Conference on Power Data Science（ICPDS）.December26，2O21，Harbin，China：IEEE， 2021：13-16.

[21]WANGG，LIUZ，SUNH，et al.YOLOX-BTFPN：Ananchorfreeconveyorbeltdamagedetectorwithabiasedfeatureextraction network[J].Measurement，2022，200：1-6.

[22]CHENYB，XUP，CHU YY，et al. Short-term electrical load forecasting using the support vector regression（SVR）model to calculate thedemand response baseline for ofice buildings[J]. AppliedEnergy，2017，195：659-670.