李聰, 胡金磊, 周俊煌, 孔婉菲

(1.中國(guó)南方電網(wǎng)有限責(zé)任公司安全監(jiān)管部，廣東 廣州 510623；2. 廣東電網(wǎng)有限責(zé)任公司清遠(yuǎn)供電局，廣東 清遠(yuǎn) 511500；3.廣州市奔流電力科技有限公司，廣東 廣州510635)

近年來(lái)，隨著電力建設(shè)的不斷發(fā)展，變電站設(shè)備的修理改造工程量日益增加[1]，施工作業(yè)現(xiàn)場(chǎng)區(qū)域作業(yè)人員多，持續(xù)作業(yè)時(shí)間長(zhǎng)，容易出現(xiàn)現(xiàn)場(chǎng)作業(yè)人員不按要求佩戴安全帽、穿戴個(gè)人防護(hù)用品等典型違章現(xiàn)象[2]。安監(jiān)人員現(xiàn)場(chǎng)監(jiān)督單純依靠人力進(jìn)行著裝監(jiān)管，工作量大，易出現(xiàn)監(jiān)管注意力不集中等人為因素失誤[4]，該類違章行為占比較高，給安全生產(chǎn)造成巨大的人身安全隱患[3]?，F(xiàn)有的著裝安全監(jiān)察無(wú)法全面暴露和防止該類典型違章現(xiàn)象，因此研發(fā)智能視頻監(jiān)控系統(tǒng)[5-6]來(lái)輔助進(jìn)行著裝分析和安全監(jiān)察非常必要，該系統(tǒng)可通過(guò)圖像識(shí)別技術(shù)對(duì)現(xiàn)場(chǎng)著裝違章行為進(jìn)行實(shí)時(shí)報(bào)警，顯著提升安全監(jiān)管效率[7]，減少對(duì)安監(jiān)人員高注意力的依賴[8]，同時(shí)還能大大降低作業(yè)現(xiàn)場(chǎng)的安全風(fēng)險(xiǎn)[9]，提升電網(wǎng)企業(yè)的社會(huì)效益。

目前針對(duì)圖像識(shí)別模型[10-12]的研究已成為計(jì)算機(jī)視覺(jué)領(lǐng)域的一大研究熱點(diǎn)，著裝識(shí)別是其中的重要應(yīng)用分支，主要有2類模型：以特征工程為基礎(chǔ)的淺層機(jī)器學(xué)習(xí)模型和以特征學(xué)習(xí)為基礎(chǔ)的深度學(xué)習(xí)模型[13]。文獻(xiàn)[14]提出采用基于方向梯度直方圖(histogram of oriented gradient, HOG)特征和線性支持向量機(jī)(support vector machine，SVG)分類器對(duì)變電站內(nèi)站立式行人目標(biāo)和桿上作業(yè)人員進(jìn)行目標(biāo)識(shí)別，并采用色調(diào)、飽和度、明度(hue， saturation， value，HSV)色彩顏色模型來(lái)判斷作業(yè)人員是否按標(biāo)準(zhǔn)著裝；文獻(xiàn)[15]提出將顏色描述特征和形狀描述特征相結(jié)合的著裝識(shí)別算法，仿真表明該算法能夠滿足在正常光照條件下進(jìn)行人物著裝識(shí)別的要求。但是，在室外作業(yè)地點(diǎn)強(qiáng)光照、設(shè)備遮擋、陰影等因素的影響下，現(xiàn)有的作業(yè)人員著裝識(shí)別算法的泛化能力較差[16]，具有識(shí)別精度不夠高[17]、漏警率偏高[18]等缺點(diǎn)，從而導(dǎo)致基于現(xiàn)有識(shí)別算法所開發(fā)的智能監(jiān)測(cè)系統(tǒng)尚不能廣泛應(yīng)用于實(shí)際作業(yè)現(xiàn)場(chǎng)中。

鑒于此，本文提出了基于樣本Q鄰域敏感度的徑向基神經(jīng)網(wǎng)絡(luò)(radial basis function neural network，RBFNN)的變電作業(yè)人員著裝圖像識(shí)別算法。該算法一方面通過(guò)對(duì)作業(yè)人員著裝圖像進(jìn)行結(jié)構(gòu)劃分以增加RBFNN輸入特征向量的維數(shù)；另一方面通過(guò)蒙特卡洛模擬法在樣本Q鄰域內(nèi)進(jìn)行隨機(jī)采樣，以擴(kuò)充訓(xùn)練樣本的數(shù)量，并降低分類器輸出的波動(dòng)性。實(shí)驗(yàn)表明，基于該算法所訓(xùn)練出來(lái)的著裝分類器能夠滿足戶外復(fù)雜作業(yè)環(huán)境下的識(shí)別精度要求，在作業(yè)現(xiàn)場(chǎng)應(yīng)用中具有更強(qiáng)的魯棒適應(yīng)性。

1 作業(yè)人員著裝圖像特征提取

1.1 HOG特征

HOG特征是一種在計(jì)算機(jī)視覺(jué)和圖像處理中用來(lái)進(jìn)行物體檢測(cè)的特征描述算子[19]，其核心思想是所檢測(cè)局部物體的外形能夠被光強(qiáng)梯度或邊緣方向的分布所描述。HOG特征的計(jì)算步驟具體如下。

a)輸入從監(jiān)控視頻圖像幀中檢測(cè)到的作業(yè)人員著裝圖像，并對(duì)其進(jìn)行背景消除。

b)梯度計(jì)算：對(duì)輸入圖像進(jìn)行濾波，濾波核為[-1 0 -1]和[-1 0 -1]T，分別計(jì)算圖像在水平和垂直2個(gè)方向上的梯度，進(jìn)而計(jì)算每個(gè)像素p的梯度幅值‖I(p)‖和梯度方向Θ(p)，如式(1)和式(2)所示。

‖

(1)

(2)

式中：vh和vv分別表示在濾波后得到的梯度水平分量和垂直分量；Θ(p)為值域0°～180°的無(wú)符號(hào)實(shí)數(shù)。

c)將輸入圖像劃分為大小相同的小塊，并將若干個(gè)小塊合成1個(gè)中塊。

d)方向通道選?。簩ⅵ?p)的值域，平均分成a個(gè)通道。

e)直方圖獲取：統(tǒng)計(jì)每個(gè)小塊中每個(gè)像素的HOG，直方圖的橫坐標(biāo)為選取的a個(gè)方向通道，縱坐標(biāo)為屬于某個(gè)方向通道的像素梯度幅值的累加和，最終得到1組向量。

f)歸一化處理：以向量對(duì)應(yīng)像素所在的中塊為單位，對(duì)向量進(jìn)行歸一化處理。

g)形成HOG特征：將上面處理過(guò)的所有向量連接起來(lái)，形成1組向量，即為HOG特征。

1.2 顏色直方圖特征

顏色直方圖(histogram of color，HOC)特征是一種全局顏色特征描述算子[20]，它所描述的是不同色彩在整幅圖像中所占的比例，而并不關(guān)心每種色彩所處的空間位置，即不描述圖像中的對(duì)象或物體。由于變電作業(yè)人員在著裝顏色方面的嚴(yán)格要求，使得顏色直方圖特征在反映人物圖像是否按規(guī)定顏色的衣服進(jìn)行著裝方面具有明顯的優(yōu)勢(shì)。

本文首先將輸入的人物圖像變換到HSV顏色空間中，然后將圖像中各像素點(diǎn)的色調(diào)和飽和度的值分別均勻劃分為b個(gè)通道，兩兩組合共有b2種通道組合，按照生成歸一化HOG的方法，生成歸一化后的HOC特征。

1.3 結(jié)構(gòu)化特征提取

變電站作業(yè)人員的著裝要求嚴(yán)格且統(tǒng)一，經(jīng)調(diào)查發(fā)現(xiàn)，作業(yè)人員必須佩帶藍(lán)色安全帽和款式相同的藍(lán)色上衣和下衣?？紤]到作業(yè)人員的頭盔、上衣和下衣這3部分之間的形狀特征各不相同，且部分與部分之間差異較大，頭盔和衣服之間的顏色差異也較大，因此對(duì)這3部分的結(jié)構(gòu)分開進(jìn)行特征提取，以提高分類器在著裝圖像被部分遮擋情況下的識(shí)別魯棒性。

本文首先根據(jù)變電作業(yè)人員工作帽和工作服的結(jié)構(gòu)設(shè)計(jì)原理，總結(jié)得到頭盔、上衣和下衣3個(gè)單元占作業(yè)人員著裝整體圖像的比例；然后對(duì)人員著裝整體圖像按該比例分為頭盔、上衣和下衣3個(gè)單元格，分別記為(C1，C2，C3)；最后分別對(duì)3個(gè)單元格提取各自的HOG和HOC特征為(Shog1，Shog2，Shog3，Shoc1，Shoc2，Shoc3)，并將該特征向量記為S-HOG+HOC特征向量SHOG+HOC。

2 作業(yè)人員著裝圖像特征提取

2.1 徑向基神經(jīng)網(wǎng)絡(luò)模型

RBFNN是一種3層的前向神經(jīng)網(wǎng)絡(luò)模型[21]，第1層為輸入層，其神經(jīng)元數(shù)由樣本特征向量的維數(shù)確定；第2層為隱含層，隱含層單元的神經(jīng)元數(shù)由所描述的問(wèn)題而定，其變換函數(shù)是對(duì)中心點(diǎn)徑向?qū)ΨQ且衰弱的非負(fù)非線性函數(shù)，即為徑向基函數(shù)(RBF)；第3層為輸出層，是對(duì)輸入數(shù)據(jù)源的響應(yīng)結(jié)果，其神經(jīng)元數(shù)由樣本輸出標(biāo)記的編碼方式?jīng)Q定。RBFNN的結(jié)構(gòu)如圖1所示，其基本思想是：以RBF作為隱含層單元的“基”，構(gòu)成隱層空間的基底，通過(guò)對(duì)輸入矢量進(jìn)行映射變換，將低維的模式輸入數(shù)據(jù)轉(zhuǎn)換到高維空間內(nèi)，使得在低維空間內(nèi)線性不可分的問(wèn)題在高維空間內(nèi)線性可分。

圖1 RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 Architecture of RBFNN model

設(shè)RBFNN的訓(xùn)練樣本數(shù)量為N，每個(gè)訓(xùn)練樣本的特征向量為n維，故訓(xùn)練樣本可表示為(X,Y)，其中輸入向量X=(X1,X2,…,XN)，期望輸出向量Y=(Y1,Y2,…,YN)，而第i個(gè)訓(xùn)練樣本的輸入特征向量和期望輸出向量分別為Xi=(Xi1,Xi2,…,Xin)T，Yi=(Yi1,Yi2,…,Yim)T，1≤i≤N，m為分類類別數(shù)，w為隱含層節(jié)點(diǎn)與輸出層之間的網(wǎng)絡(luò)連接權(quán)重向量。當(dāng)隱含層的RBF為高斯函數(shù)時(shí)，則隱含層第j個(gè)節(jié)點(diǎn)的輸出

Gj(Xi,Cj,σj)=

(3)

式中：Cj=(cj1,cj2,…,cjn)T為隱含層第j個(gè)節(jié)點(diǎn)高斯函數(shù)的中心；σj為隱含層第j個(gè)節(jié)點(diǎn)高斯函數(shù)的寬度；h為隱含層的節(jié)點(diǎn)數(shù)。

由圖1可知，輸入層實(shí)現(xiàn)從X→G(X,C,σ)的非線性映射，而輸出層實(shí)現(xiàn)從G(X,C,σ)到Y(jié)的線性映射，網(wǎng)絡(luò)模型的預(yù)測(cè)輸出可表示為

(4)

式中wj為隱含層第j個(gè)節(jié)點(diǎn)與輸出層之間的網(wǎng)絡(luò)連接權(quán)重向量(對(duì)于單輸出的神經(jīng)網(wǎng)絡(luò)，wj是一個(gè)標(biāo)量)。

本文采用高斯牛頓法[22]對(duì)網(wǎng)絡(luò)輸出權(quán)值進(jìn)行訓(xùn)練，目標(biāo)是使訓(xùn)練樣本總誤差E達(dá)到最小，即損失函數(shù)最小：

(5)

2.2 Q鄰域敏感度

敏感度是指當(dāng)訓(xùn)練樣本的輸入存在微小改變時(shí)，引起分類器模型輸出的變動(dòng)程度[23]。從數(shù)學(xué)角度理解，敏感度衡量的是給定訓(xùn)練樣本與其鄰域范圍內(nèi)的其他樣本這兩者對(duì)分類器輸出引起的差異。在整個(gè)數(shù)據(jù)特征空間T中，圖2給出了鄰域的概念，其中點(diǎn)代表一類數(shù)據(jù)，環(huán)代表另一類數(shù)據(jù)；每個(gè)樣本的鄰域用深色正方形標(biāo)注。由于假設(shè)樣本中每個(gè)特征的最大移動(dòng)距離是q，故鄰域也稱為Q鄰域。

圖2 Q鄰域示意圖Fig.2 Schematic diagram of Q-neighborhood

由于在特征空間中訓(xùn)練樣本鄰域內(nèi)的其他樣本無(wú)法被窮舉，因此Q鄰域內(nèi)樣本的敏感度無(wú)法被直接計(jì)算，只能使用數(shù)值計(jì)算方法進(jìn)行模擬，以逼近Q鄰域。本文采用蒙特卡洛模擬法，隨機(jī)采樣輸入訓(xùn)練樣本鄰域中的點(diǎn)，并定義第i個(gè)訓(xùn)練樣本的Q鄰域敏感度si為該訓(xùn)練樣本的預(yù)測(cè)輸出與其鄰域內(nèi)其他樣本預(yù)測(cè)輸出之間歐式距離的期望值，計(jì)算公式如下：

si=E[‖f(Xi)-f(Xi+Δxi)‖2] .

(6)

其中Δxi為第i個(gè)訓(xùn)練樣本在其鄰域范圍內(nèi)的波動(dòng)，且滿足-q≤‖Δxi‖≤q。

考慮到變電作業(yè)人員一般在戶外工作，戶外每天的光照情況不同，導(dǎo)致作業(yè)人員著裝圖像的顏色會(huì)有一定變化，因此本文在原始著裝圖像訓(xùn)練樣本的基礎(chǔ)上，添加一定的紋理和顏色特征的隨機(jī)波動(dòng)。假設(shè)在訓(xùn)練樣本鄰域中的數(shù)據(jù)點(diǎn)與原始訓(xùn)練樣本的差異遵循均值為0、標(biāo)準(zhǔn)差為q的高斯分布[24]，即Δxi～N(0,q2)。根據(jù)高斯分布對(duì)訓(xùn)練樣本隨機(jī)加入擾動(dòng)，在原始樣本鄰域中采樣多個(gè)點(diǎn)，分別計(jì)算分類器輸出的波動(dòng)，并對(duì)所有波動(dòng)取平均值，得到敏感度

(7)

基于此，本文提出在對(duì)RBFNN進(jìn)行權(quán)值訓(xùn)練的模型學(xué)習(xí)中，同時(shí)考慮最小化樣本的Q鄰域敏感度，學(xué)習(xí)訓(xùn)練的目標(biāo)函數(shù)改進(jìn)為

(8)

式中：γ為平衡樣本Q鄰域敏感度與訓(xùn)練樣本分類誤差的超參數(shù)；‖Yi-f(Xi)‖2為訓(xùn)練樣本分類誤差項(xiàng)。為此，本文將上述在對(duì)RBFNN進(jìn)行訓(xùn)練學(xué)習(xí)時(shí)考慮樣本Q鄰域敏感度的模型定義為敏感度RBFNN(S-RBFNN)模型。

2.3 著裝識(shí)別算法流程

可以從幾何學(xué)的角度來(lái)解釋Q鄰域敏感度算法的有效性和魯棒性，為了便于可視化觀察，以二維數(shù)據(jù)為例來(lái)說(shuō)明和分析本文所提的Q鄰域敏感度對(duì)決策平面的影響，如圖3所示。同樣地，圖3中點(diǎn)代表一類數(shù)據(jù)，環(huán)代表另一類數(shù)據(jù)，假設(shè)2類數(shù)據(jù)分布于樣本空間的不同地方，有較大的間隔，則此時(shí)分類器可以有許多滿足準(zhǔn)確率為100%的決策平面，如圖3(a)則給出了其中一種情況，即如虛線所示的一個(gè)決策平面，該決策平面的確定只考慮了在訓(xùn)練數(shù)據(jù)上分類誤差；而圖3(b)給出了同時(shí)考慮Q鄰域敏感度時(shí)所得到的決策平面，如實(shí)線所示，該決策平面可以盡可能遠(yuǎn)離邊緣樣本，保證了模型的魯棒性。由圖3(c)可知，當(dāng)處在決策面附近的樣本稍微移動(dòng)一定距離(即樣本出現(xiàn)隨機(jī)波動(dòng))時(shí)，則可能會(huì)輕易越過(guò)虛線決策平面，被誤分類到另一類數(shù)據(jù)中，但波動(dòng)的樣本仍然不會(huì)越過(guò)實(shí)線決策面，從而提高了模型的泛化能力。綜上可知，當(dāng)測(cè)試數(shù)據(jù)的分布與訓(xùn)練數(shù)據(jù)相近時(shí)，2種方法得到的決策平面均能將測(cè)試數(shù)據(jù)完好準(zhǔn)確地分類，而考慮Q鄰域敏感度的方法則既能保證較好的分類準(zhǔn)確率，也提升了模型的魯棒性。

圖3 Q鄰域敏感度對(duì)決策平面的影響Fig.3 Influence of Q-neighborhood sensitivity on decision-making plane

基于S-RBFNN的變電作業(yè)人員著裝圖像識(shí)別算法的設(shè)計(jì)方法與流程步驟具體如下。

a)獲取變電作業(yè)人員著裝圖像，按第1.3節(jié)所述結(jié)構(gòu)化特征提取方法提取模型的輸入特征向量SHOG+HOC=(Shog1，Shog2，Shog3，Shoc1，Shoc2，Shoc3)；

b)采用K均值聚類方法求取RBFNN的基函數(shù)中心Cj；

d)根據(jù)第2.2節(jié)所述方法計(jì)算各個(gè)樣本的敏感度si，據(jù)此建立以式(6)為損失函數(shù)的基于S-RBFNN的變電作業(yè)人員著裝識(shí)別分類模型；

e)采用高斯牛頓法迭代求解上述分類模型中隱含層到輸出層的權(quán)值，得到在訓(xùn)練樣本上的S-RBFNN分類器，根據(jù)訓(xùn)練好的分類器對(duì)變電站作業(yè)人員進(jìn)行著裝識(shí)別，輸出識(shí)別結(jié)果，正確著裝輸出10，非正確著裝輸出01。

3 實(shí)驗(yàn)分析

3.1 評(píng)價(jià)指標(biāo)

為了評(píng)估本文所提的基于S-RBFNN模型的著裝識(shí)別算法在變電站實(shí)際作業(yè)現(xiàn)場(chǎng)下對(duì)正類樣本(正確著裝)和負(fù)類樣本(非正確著裝)的識(shí)別效果，采用精確度(RA)、漏警率(RMA)和虛警率(RFA)3個(gè)指標(biāo)來(lái)評(píng)價(jià)所提算法的識(shí)別準(zhǔn)確率。3個(gè)指標(biāo)的定義如式(9)：

(9)

式中：P和N分別為測(cè)試樣本中正類和負(fù)類的樣本個(gè)數(shù)；TP為預(yù)測(cè)結(jié)果和標(biāo)簽都為正類的數(shù)量；TN為預(yù)測(cè)結(jié)果和標(biāo)簽都為負(fù)類的數(shù)量；FP為預(yù)測(cè)為正類但標(biāo)簽為負(fù)類的樣本數(shù)量；FN為預(yù)測(cè)為負(fù)類但標(biāo)簽為正類的樣本數(shù)量。

3.2 實(shí)驗(yàn)數(shù)據(jù)集與超參數(shù)設(shè)置

3.2.1 實(shí)驗(yàn)數(shù)據(jù)集

數(shù)據(jù)來(lái)源主要為真實(shí)變電站數(shù)據(jù)和模擬采集數(shù)據(jù)，對(duì)于這2種數(shù)據(jù)，訓(xùn)練樣本和測(cè)試樣本的劃分比例均為1∶1。

真實(shí)變電站數(shù)據(jù)又由2部分組成，其中一部分是在南方某220 kV變電站現(xiàn)場(chǎng)采集所得，另一部分是從網(wǎng)絡(luò)抓取經(jīng)人工篩選的變電站場(chǎng)景數(shù)據(jù)。變電站現(xiàn)場(chǎng)采集數(shù)據(jù)基于移動(dòng)相機(jī)采集獲得，總共收集正負(fù)類樣本的有效數(shù)據(jù)60個(gè)，網(wǎng)絡(luò)收集的有效數(shù)據(jù)共160個(gè)，有效數(shù)據(jù)是指包括作業(yè)人員頭部、上半身和下半身的圖像。因此，真實(shí)變電站場(chǎng)景樣本數(shù)據(jù)共220個(gè)。

模擬采集數(shù)據(jù)是基于南方某220 kV變電站提供的作業(yè)人員服裝，在非真實(shí)作業(yè)環(huán)境下拍攝采集所得的數(shù)據(jù)。這部分?jǐn)?shù)據(jù)環(huán)境單一，著裝顏色和外觀的變化較小，因此用于實(shí)驗(yàn)對(duì)比。模擬數(shù)據(jù)也是通過(guò)移動(dòng)相機(jī)在高度和角度變化的情況下分別采集所得，最終標(biāo)記的正負(fù)類樣本的有效數(shù)據(jù)共1 500個(gè)。

3.2.2 超參數(shù)設(shè)置

對(duì)于S-RBFNN算法，參數(shù)γ與q都是需要經(jīng)實(shí)驗(yàn)預(yù)先確定的超參數(shù)。首先對(duì)γ先后取值0.1、0.5、1和5，對(duì)q先后取值0.05、0.1、0.3和0.5，以此分別進(jìn)行實(shí)驗(yàn)測(cè)試并記錄效果。測(cè)試發(fā)現(xiàn)，在模擬采集數(shù)據(jù)集中，γ取值為0.1且q取值為0.05時(shí)實(shí)驗(yàn)效果最好。而在真實(shí)變電站數(shù)據(jù)中，γ取值為1且q取值為0.3時(shí)實(shí)驗(yàn)效果最好。為了避免訓(xùn)練時(shí)間過(guò)長(zhǎng)，在采用蒙特卡洛方法估計(jì)各樣本點(diǎn)的敏感度時(shí)，采樣3個(gè)點(diǎn)進(jìn)行計(jì)算，即K=3。

3.3 結(jié)果與分析

采用第3.1節(jié)所提的3個(gè)指標(biāo)來(lái)評(píng)價(jià)基于S-RBFNN模型和基于傳統(tǒng)RBFNN模型所設(shè)計(jì)的2種算法的識(shí)別效果，在模擬采集數(shù)據(jù)集上的著裝識(shí)別結(jié)果見表1，而在真實(shí)變電站數(shù)據(jù)集上的著裝識(shí)別結(jié)果見表2。

表1 模擬采集數(shù)據(jù)集上各算法對(duì)作業(yè)人員著裝識(shí)別的準(zhǔn)確率Tab.1 Accuracy of each algorithm in recognizing dressing of operators on analog acquisition dataset %

表2 在真實(shí)變電站數(shù)據(jù)集上各算法對(duì)作業(yè)人員著裝識(shí)別的準(zhǔn)確率Tab.2 Accuracy of each algorithm in recognizing dressing of operators on real substation dataset %

由表1可知，在模擬采集數(shù)據(jù)集中2個(gè)超參數(shù)γ和q分別為0.1和0.05時(shí)，基于S-RBFNN模型所設(shè)計(jì)的算法較基于RBFNN模型在識(shí)別精確度上的差距小于1%，漏警率略高于基于RBFNN模型所設(shè)計(jì)的算法；這是由于基于S-RBFNN模型所設(shè)計(jì)的算法在考慮樣本Q鄰域敏感度時(shí)會(huì)有代價(jià)，導(dǎo)致在場(chǎng)景單一的數(shù)據(jù)集上損失了分類誤差。但是，當(dāng)γ和q取值均為0時(shí)，即將S-RBFNN模型退化為RBFNN模型時(shí)，基于S-RBFNN模型所設(shè)計(jì)的算法在RA、RMA和RFA上與基于RBFNN模型所設(shè)計(jì)的算法均能達(dá)到相同的識(shí)別效果，識(shí)別精確度較高，漏警率相對(duì)較小，且虛警率均為0。綜上可知，本文所提的基于S-RBFNN模型所設(shè)計(jì)的算法能通過(guò)優(yōu)化γ和q的取值來(lái)適應(yīng)識(shí)別環(huán)境的復(fù)雜性，在環(huán)境單一的情況下取值為0時(shí)識(shí)別效果更好。

由表2可知，在真實(shí)變電站數(shù)據(jù)集上，基于S-RBFNN模型所設(shè)計(jì)的算法較基于RBFNN模型在識(shí)別精確度上提升3%以上，表明引入樣本Q鄰域敏感度后的模型在真實(shí)變電站復(fù)雜環(huán)境下的整體識(shí)別效果較好。另外，基于S-RBFNN模型所設(shè)計(jì)的算法較基于RBFNN模型在漏警率上降低5%左右，這說(shuō)明當(dāng)變電作業(yè)人員的著裝因?yàn)樾屡f、光照差異或拍攝角度不同等原因?qū)е缕渫庥^和顏色存在差異時(shí)，基于RBFNN模型所設(shè)計(jì)的算法會(huì)有更大的概率將非正確著裝識(shí)別為正確著裝，從而無(wú)法更有效地對(duì)作業(yè)現(xiàn)場(chǎng)中的非正確著裝行為發(fā)出警告，違規(guī)漏報(bào)的情況更普遍，大大增加了作業(yè)現(xiàn)場(chǎng)的安全隱患。典型錯(cuò)誤識(shí)別案例如圖4(a)—(b)所示，當(dāng)測(cè)試人員穿藍(lán)色牛仔褲被安全圍欄和圍欄桿局部遮擋時(shí)，RBFNN模型由于不容許著裝圖像有遮擋噪點(diǎn)，易發(fā)生漏報(bào)情況，而S-RBFNN模型則不會(huì)；但是2種模型對(duì)蹲下人員的著裝識(shí)別都很容易發(fā)生違規(guī)漏報(bào)，如圖4(c)所示。

此外，在給定γ和q的條件下，基于S-RBFNN模型所設(shè)計(jì)的算法較基于RBFNN模型更能有效降低虛警率，這說(shuō)明該算法將正確著裝識(shí)別為非正確著裝的概率更小，即作業(yè)現(xiàn)場(chǎng)的誤報(bào)情況更少發(fā)生。典型案例如圖4(d)—(e)所示，當(dāng)測(cè)試人員的工作服褪色較明顯或者光線不足使得工作服顏色加深時(shí)，由于RBFNN模型不容許藍(lán)色工作服的顏色發(fā)生一定變化，容易發(fā)生誤報(bào)，而S-RBFNN模型因適應(yīng)顏色在一定范圍內(nèi)變化而不發(fā)生誤報(bào)；但是2種模型在半蹲人員的著裝識(shí)別中都較容易發(fā)生誤報(bào)情況，如圖4(f)所示。

圖4 典型的錯(cuò)誤識(shí)別圖像Fig.4 Typical misidentified images

綜上可知，在不考慮人員蹲姿著裝圖像的前提下，基于S-RBFNN的模型所設(shè)計(jì)的圖像識(shí)別算法較基于RBFNN的模型在復(fù)雜變電作業(yè)環(huán)境下具有更強(qiáng)的識(shí)別魯棒性。

4 結(jié)束語(yǔ)

本文所提的基于S-RBFNN的變電作業(yè)人員著裝圖像識(shí)別算法能通過(guò)優(yōu)化超參數(shù)γ和q的取值來(lái)適應(yīng)識(shí)別環(huán)境的復(fù)雜性，其相比于傳統(tǒng)的基于RBFNN識(shí)別算法，在變電站復(fù)雜作業(yè)環(huán)境中不考慮人員蹲姿著裝的前提下具有更強(qiáng)的魯棒性，且識(shí)別精度更高，漏警率更低，能夠快速準(zhǔn)確地識(shí)別安全帽和防護(hù)服穿戴等違章行為，有效提升安全監(jiān)察的工作效率。另外，在人員蹲姿著裝圖像識(shí)別的情況下，基于S-RBFNN的模型也有待改進(jìn)，這是進(jìn)一步提升著裝識(shí)別算法魯棒性的研究重點(diǎn)。