(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210490675.3 (22)申请日 2022.05.07 (71)申请人 广东电网有限责任公司广州供电局 地址 510620 广东省广州市天河区天河南 二路2号 (72)发明人 林其雄　黄志坚　邱海江　翁宗良　 林坚　 (74)专利代理 机构 北京睿智保诚专利代理事务 所(普通合伙) 11732 专利代理师 杜娟 (51)Int.Cl. G06V 20/52(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/25(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于二阶段检测的电力建设场景人员 吸烟检测方法 (57)摘要 本发明涉及电力场景下人员安全行为管控 技术领域， 尤其是指一种基于二阶段检测的电力 建设场景人员吸烟检测方法， 通过监控设备和移 动设备对模拟吸烟违规行为进行数据采集和吸 烟区域的标注， 利用HRnet作为人体关键点区域 检测的模型， 采用yolov5作为吸烟区域检测的检 测框架。 本发 明能够实现作业现场吸烟的自动检 测， 针对低分辨率的香烟具有较高的准确率， 并 且具有稳定性好， 抗干扰能力强， 通用性高等优 点， 具有良好的鲁棒性， 能应用于作业现场图像 智能吸烟检测系统。 权利要求书1页 说明书3页 附图1页 CN 114743164 A 2022.07.12 CN 114743164 A 1.一种基于二阶段检测的电力建设场景人员吸烟检测方法， 其特征在于： 包括以下步 骤： S1、 通过监控设备和移动设备对现实场景模拟违规吸烟行为进行吸烟区域的数据采集 并标注； S2、 利用步骤S1中的吸烟区域数据集训练YOLOv5吸烟检测模型； S3、 将电力建设场景现场人员图像输入HRnet行人关键点检测模型中， 分别获取人体左 手、 右手及嘴部区域 放大图； S4、 将步骤S3中放大 图依次输入YOLOv5吸烟检测模型中， 若三张放大图中检测到任意 吸烟行为， 则判定为人员正在吸烟。 2.根据权利要求1所述的一种基于二阶段检测的电力建设场景人员吸烟检测方法， 其 特征在于： 所述的人员吸烟检测方法， 可自动对电力建 设场景中人员的吸烟行为进行监控。 3.根据权利要求1所述的一种基于二阶段检测的电力建设场景人员吸烟检测方法， 其 特征在于： 所述 步骤S1中数据集样本标签文件符合PascalVOC数据集的xml标签文件标准。 4.根据权利要求1所述的一种基于二阶段检测的电力建设场景人员吸烟检测方法， 其 特征在于： 所述步骤S2训练过程通过调节参数得到最佳训练效果， 待调节的训练参数包括 学习率、 训练批次及每批次训练的数量。 5.根据权利要求1所述的一种基于二阶段检测的电力建设场景人员吸烟检测方法， 其 特征在于： 所述步骤S3中人体左手、 右手及嘴部区域放大图均为人体关键点检测结果周围 图像。 6.根据权利要求1所述的一种基于二阶段检测的电力建设场景人员吸烟检测方法， 其 特征在于： 所述步骤S3中的HRnet构 造了多分辨率特征图， 通过多尺度特征融合操作使 特征 图具有较强的语义特 征。 7.根据权利要求1所述的一种基于二阶段检测的电力建设场景人员吸烟检测方法， 其 特征在于： 所述步骤S4中YOLOv5模型包含跨阶段局部瓶颈模块， Focus下采样模块， 空间金 字塔池化模块。权　利　要　求　书 1/1 页 2 CN 114743164 A 2一种基于二阶段检测的电力建设场景人员吸烟检测方 法 技术领域 [0001]本发明涉及电力场景下人员安全行为管控领域， 尤其涉及一种基于二阶段检测的 电力建设场景人员吸烟检测方法。 背景技术 [0002]电力场景安全管控等级较高， 对于现场施工人员行为具有严格 的规范， 及时发现 人员异常行为能够排除安全隐患。 电力现场的吸烟行为容易引发火灾， 造成严重的损失。 长 期以来， 电力现场的人员异常行为管控均由现场巡查人员负责， 效率低， 无法及时发现安全 隐患。 随着计算机 视觉技术的发展， 通过监控录像自动检测异常行为的需求日渐突出。 发明内容 [0003]本发明的目的是为了解决现有技术中存在的缺点， 而提出的一种基于二阶段检测 的电力建 设场景人员吸烟检测方法。 [0004]为了实现上述目的， 本发明采用了如下技术方案： 一种基于二阶段检测的电力建 设场景人员吸烟检测方法， 包括以下步骤： [0005]S1、 通过监控设备和移动设备对现实场景模拟违规吸烟行为进行吸烟区域的数据 采集并标注； [0006]S2、 利用步骤S1中的吸烟区域数据集训练YOLOv5吸烟检测模型； [0007]S3、 将电力建设场景现场人员图像输入H Rnet行人关键点检测模型中， 分别获取人 体左手、 右手及嘴部区域 放大图； [0008]S4、 将步骤S3中放大图依次输入YOLOv5吸烟检测模型中， 若三张放大图中检测到 任意吸烟行为， 则判定为人员正在吸烟。 [0009]作为上述 技术方案的进一 步描述： [0010]所述的人员吸烟检测方法， 可自动对电力建 设场景中人员的吸烟行为进行监控。 [0011]作为上述 技术方案的进一 步描述： [0012]所述步骤S1中数据集样本标签文件符合Pascal  VOC数据集的xml标签文件标准。 [0013]作为上述 技术方案的进一 步描述： [0014]所述步骤S2训练过程通过调节参数得到最佳训练效果， 待调节的训练参数包括学 习率、 训练批次及每批次训练的数量。 [0015]作为上述 技术方案的进一 步描述： [0016]所述步骤S3中人体左手、 右手及嘴部区域放大图均为人体关键点检测结果周围图 像。 [0017]作为上述 技术方案的进一 步描述： [0018]所述步骤S3中的HRnet构造了多分辨率特征图， 通过多尺度特征融合操作使特征 图具有较强的语义特 征。 [0019]作为上述 技术方案的进一 步描述：说　明　书 1/3 页 3 CN 114743164 A 3