一种基于注意力机制神经网络的施工安全预警方法和装置与流程

1.本发明涉及电力施工安全监测技术领域，尤其涉及一种基于注意力机制神经网络的施工安全预警方法和装置。


背景技术：

2.随着卷积神经网络的不断深入发展，越来越多的分类任务被提出，其数据集的大小也随着神经网络的发展变得越来越大，从一开始的少量几百m的数据到现在几百g的数据，因此，对于神经网络来说，如何更高效率的对图像进行分类，怎样更好的提取细化的特征成了当前需要思考的问题。
3.现阶段的卷积神经网络通过数个卷积层逐步提取图像的局部特征，有研究证明，这些特征在空间上的对应关系尤为重要，在生物学中有研究证明相比于人的视觉显著性，人眼扫视路径更能够反映人类的视觉搜索行为，从而加深对动态视觉注意力的影响。
4.目前，电力施工现场的安全事故频繁发生，已经成为了限制电力施工更快更好发展的绊脚石。电力施工现场是一个同时包含很多重型施工车辆和工人的危险场合，电力施工人员的安全时刻受到施工设备的威胁。而通过现有的卷积神经网络中的卷积层来提取电力施工现场图像的目标特征，对于特征的提取的效率不高，且对于图片特征提取不够细化，难以甄别出电力施工人员与施工设备之间的位置关系，从而导致电力施工现场的电力施工人员的存在安全隐患。


技术实现要素：

5.本发明提供了一种基于注意力机制神经网络的施工安全预警方法和装置，解决了通过现有的卷积神经网络中的卷积层来提取电力施工现场图像的目标特征，对于特征的提取的效率不高，且对于图片特征提取不够细化，难以甄别出电力施工人员与施工设备之间的位置关系，从而导致电力施工现场的电力施工人员的存在安全隐患的技术问题。
6.本发明第一方面提供的一种基于注意力机制神经网络的施工安全预警方法，包括：
7.当接收到物体图像数据集时，对所述物体图像数据集进行图像预处理，生成对应的训练图像数据集；
8.采用预设卷积神经网络模型与预设lstm神经网络模型构建初始注意力机制神经网络模型；
9.采用所述训练图像数据集对所述初始注意力机制神经网络模型进行训练，生成对应的目标注意力机制神经网络模型；
10.当接收到待识别物体图像时，采用所述待识别物体图像输入所述目标注意力机制神经网络模型，生成物体位置框图；
11.提取所述物体位置框图内电力施工人员的人员位置数据，提取所述物体位置特征图内施工设备的设备位置数据；
12.以各所述人员位置数据为区域中心，选取所述设备位置数据处于预设半径的危险区域内的施工设备作为目标预警施工设备并输出警报信号。
13.可选地，所述采用所述训练图像数据集对所述初始注意力机制神经网络模型进行训练，生成对应的目标注意力机制神经网络模型的步骤，包括：
14.将所述训练图像数据集输入所述初始注意力机制神经网络模型，生成对应的训练位置框图；
15.计算所述训练位置框图与关联的标准位置框图之间的训练损失值；
16.比较所述训练损失值与预设的训练标准阈值；
17.若所述训练损失值小于或等于所述训练标准阈值，则停止训练，生成目标注意力机制神经网络模型。
18.可选地，还包括：
19.若所述训练损失值大于所述训练标准阈值，则按照预设梯度调整所述初始注意力机制神经网络模型的参数，并跳转所述将所述训练图像数据集输入所述初始注意力机制神经网络模型，生成对应的训练位置框图的步骤。
20.可选地，所述当接收到待识别物体图像时，采用所述待识别物体图像输入所述目标注意力机制神经网络模型，生成物体位置框图的步骤，包括：
21.当接收到待识别物体图像时，采用所述待识别物体图像输入所述目标注意力机制神经网络模型进行训练，提取多个对应的全局特征图；
22.对多个所述全局特征图进行降维和归一化操作，生成对应的特征概率图；
23.对所述特征概率图进行细化，生成第一细化特征图；
24.对所述第一细化特征图进行全局池化，并与所述全局特征图进行点积操作，生成对应的第二细化特征图；
25.对所述第二细化特征图进行提取操作，生成对应的物体位置框图。
26.可选地，所述以各所述人员位置数据为区域中心，选取所述设备位置数据处于预设半径的危险区域内的施工设备作为目标预警施工设备并输出警报信号的步骤，包括：
27.以各所述人员位置数据为区域中心，计算任一所述人员位置数据关联的施工人员与各个所述设备位置数据关联的施工设备之间的目标距离值；
28.若所述目标距离值大于所述危险区域关联的半径值，则不输出警报信号；
29.若所述目标距离值小于或等于所述危险区域关联的半径值，则将所述所述设备位置数据关联的施工设备作为目标预警施工设备并输出警报信号。
30.本发明第二方面提供的一种基于注意力机制神经网络的施工安全预警装置，包括：
31.训练图像数据集获取模块，用于当接收到物体图像数据集时，对所述物体图像数据集进行图像预处理，生成对应的训练图像数据集；
32.初始注意力机制神经网络模型构建模块，用于采用预设卷积神经网络模型与预设lstm神经网络模型构建初始注意力机制神经网络模型；
33.目标注意力机制神经网络模型生成模块，用于采用所述训练图像数据集对所述初始注意力机制神经网络模型进行训练，生成对应的目标注意力机制神经网络模型；
34.物体位置框图获取模块，用于当接收到待识别物体图像时，采用所述待识别物体
图像输入所述目标注意力机制神经网络模型，生成物体位置框图；
35.位置数据获取模块，用于提取所述物体位置框图内电力施工人员的人员位置数据，提取所述物体位置特征图内施工设备的设备位置数据；
36.目标预警施工设备确定模块，用于以各所述人员位置数据为区域中心，选取所述设备位置数据处于预设半径的危险区域内的施工设备作为目标预警施工设备并输出警报信号。
37.可选地，所述目标注意力机制神经网络模型生成模块包括：
38.训练位置框图获取子模块，用于将所述训练图像数据集输入所述初始注意力机制神经网络模型，生成对应的训练位置框图；
39.训练损失值获取子模块，用于计算所述训练位置框图与关联的标准位置框图之间的训练损失值；
40.比较子模块，用于比较所述训练损失值与预设的训练标准阈值；
41.第一数据处理子模块，用于若所述训练损失值小于或等于所述训练标准阈值，则停止训练，生成目标注意力机制神经网络模型。
42.可选地，所述目标注意力机制神经网络模型生成模块还包括：
43.第二数据处理子模块，用于若所述训练损失值大于所述训练标准阈值，则按照预设梯度调整所述初始注意力机制神经网络模型的参数，并跳转所述将所述训练图像数据集输入所述初始注意力机制神经网络模型，生成对应的训练位置框图的步骤。
44.可选地，所述物体位置框图获取模块包括：
45.全局特征图获取子模块，用于当接收到待识别物体图像时，采用所述待识别物体图像输入所述目标注意力机制神经网络模型进行训练，提取多个对应的全局特征图；
46.特征概率图获取子模块，用于对多个所述全局特征图进行降维和归一化操作，生成对应的特征概率图；
47.第一细化特征图获取子模块，用于对所述特征概率图进行细化，生成第一细化特征图；
48.第二细化特征图获取子模块，用于对所述第一细化特征图进行全局池化，并与所述全局特征图进行点积操作，生成对应的第二细化特征图；
49.提取子模块，用于对所述第二细化特征图进行提取操作，生成对应的物体位置框图。
50.可选地，所述目标预警施工设备确定模块包括：
51.目标距离值获取子模块，用于以各所述人员位置数据为区域中心，计算任一所述人员位置数据关联的施工人员与各个所述设备位置数据关联的施工设备之间的目标距离值；
52.第三数据处理子模块，用于若所述目标距离值大于所述危险区域关联的半径值，则不输出警报信号；
53.第四数据处理子模块，用于若所述目标距离值小于或等于所述危险区域关联的半径值，则将所述所述设备位置数据关联的施工设备作为目标预警施工设备并输出警报信号。
54.从以上技术方案可以看出，本发明具有以下优点：
55.当接收到物体图像数据集时，对物体图像数据集进行图像预处理，生成对应的训练图像数据集，采用预设卷积神经网络模型与预设lstm神经网络模型构建初始注意力机制神经网络模型，采用训练图像数据集对初始注意力机制神经网络模型进行训练，生成对应的目标注意力机制神经网络模型，当接收到待识别物体图像时，采用待识别物体图像输入目标注意力机制神经网络模型，生成物体位置框图，提取物体位置框图内电力施工人员的人员位置数据，提取物体位置特征图内施工设备的设备位置数据，以各人员位置数据为区域中心，选取设备位置数据处于预设半径的危险区域内的施工设备作为目标预警施工设备并输出警报信号；解决了通过现有的卷积神经网络中的卷积层来提取电力施工现场图像的目标特征，对于特征的提取的效率不高，且对于图片特征提取不够细化，难以甄别出电力施工人员与施工设备之间的位置关系，从而导致电力施工现场的电力施工人员的存在安全隐患的技术问题；模拟人的眼球的注视和扫视功能以及大脑的长短期记忆的机制，该网络能够选择性保留重要特征的特性进一步构建相互依赖关系，自适应地改变图片行列级的特征信息，进一步提高收集全局信息的能力。基于图片行列间的相关性，进一步提出了一种基于lstm进行收集图片给行列间权重的通道交互策略，并对人的扫视路线进行建模，该方法有效的将图片行列间的关系与空间注意力联合起来，提取出有效的权重信息，再通过矩阵点积的方式与全局池化和标准差池化结合之后的注意向量融合起来，有效地提高了图片行列间的表征能力。并且能够有效的保障电力施工现场的安全事故，防止大型机械对于施工的电力工人的造成伤害。
附图说明
56.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
57.图1为本发明实施例一提供的一种基于注意力机制神经网络的施工安全预警方法的步骤流程图；
58.图2为本发明实施例一提供的一种基于注意力机制神经网络的施工安全预警方法的步骤流程图；
59.图3为本发明实施例三提供的一种基于注意力机制神经网络的施工安全预警装置的结构框图。
具体实施方式
60.本发明实施例提供了一种基于注意力机制神经网络的施工安全预警方法和装置，用于解决通过现有的卷积神经网络中的卷积层来提取电力施工现场图像的目标特征，对于特征的提取的效率不高，且对于图片特征提取不够细化，难以甄别出电力施工人员与施工设备之间的位置关系，从而导致电力施工现场的电力施工人员的存在安全隐患的技术问题。
61.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述
的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
62.请参阅图1，图1为本发明实施例一提供的一种基于注意力机制神经网络的施工安全预警方法的步骤流程图。
63.本发明提供的一种基于注意力机制神经网络的施工安全预警方法，包括：
64.步骤101、当接收到物体图像数据集时，对物体图像数据集进行图像预处理，生成对应的训练图像数据集。
65.物体图像数据集，指的是由施工现场包括卡车、挖掘机、推土机、搅拌车、起重机以及施工人员的图片组成的图像集。
66.图像预处理，确定数据集类型，其中，所选用的电力施工工地为背景数据集包含6个类别的30k张32x32像素的彩色图像，将其中25k张图像用于训练，将5k张图像用于测试，收集图像，制作以电力施工工地为背景数据集，形成图像数据集，将图片和标注文件按照顺序一对一读入保存，即可形成图像数据集，执行数据增强，通过随机裁剪为224
×
224像素的图片，同时实现随机水平翻转。
67.训练图像数据集，指的是用于输入初始注意力机制神经网络模型进行训练的样本数据。
68.在本发明实施例中，当接收到物体图像数据集时，对物体图像数据集进行图像预处理，生成对应的训练图像数据集。
69.步骤102、采用预设卷积神经网络模型与预设lstm神经网络模型构建初始注意力机制神经网络模型。
70.卷积神经网络模型，指的是由vgg19神经网络构成的神经网络模型，vgg19网络采用重复堆叠的小卷积核替代大卷积核，在保证具有相同感受野的条件下，提升了网络的深度，从而提升网络特征提取的能力。vgg网络名称后面的数字表示整个网络中包含参数层的数量(卷积层或全连接层，不含池化层)，以vgg19为例，5个vgg块的卷积层数量分别为(2,2,4,4,4)，再加上3个全连接层，总的参数层数量为19，因此命名为vgg19。
71.lstm神经网络模型，long short term网络(lstm)，是一种rnn特殊的类型，可以学习长期依赖信息，lstm通过刻意的设计来避免长期依赖问题。
72.在本发明实施例中，采用预设卷积神经网络模型与预设lstm神经网络模型构建初始注意力机制神经网络模型。
73.步骤103、采用训练图像数据集对初始注意力机制神经网络模型进行训练，生成对应的目标注意力机制神经网络模型。
74.目标注意力机制神经网络模型，指的是用于接收待识别物体图像并提取，生成对应的目标注意力机制神经网络模型。
75.在本发明实施例中，根据图像预处理后得到的训练图像数据集对初始注意力机制神经网络模型进行训练，从而生成对应的目标注意力机制神经网络模型。
76.步骤104、当接收到待识别物体图像时，采用待识别物体图像输入目标注意力机制神经网络模型，生成物体位置框图。
77.物体位置框图，指的是采用待识别物体图像输入目标注意力机制神经网络模型，
从而输出的物体位置框图。
78.在本发明实施例中，当接收到待识别物体图像时，采用待识别物体图像输入目标注意力机制神经网络模型，生成物体位置框图。
79.步骤105、提取物体位置框图内电力施工人员的人员位置数据，提取物体位置特征图内施工设备的设备位置数据。
80.人员位置数据，指的是电力施工人员在电力施工现场的位置数据。
81.设备位置数据，指的是电力施工设备在电力施工现场的位置数据。
82.在本发明实施例中，提取物体位置框图内电力施工人员的人员位置数据，提取物体位置特征图内施工设备的设备位置数据。
83.步骤106、以各人员位置数据为区域中心，选取设备位置数据处于预设半径的危险区域内的施工设备作为目标预警施工设备并输出警报信号。
84.在本发明实施例中，以各人员位置数据为区域中心，选取设备位置数据处于预设半径的危险区域内的施工设备目标预警施工设备并输出警报信号。也就是说，以各人员位置数据为区域中心，划分预设半径的区域作为危险区域，将落于危险区域内的设备位置数据关联的施工设备作为目标预警施工设备，并向对应的施工人员输出警报信号。
85.在本发明实施例中，当接收到物体图像数据集时，对物体图像数据集进行图像预处理，生成对应的训练图像数据集，采用预设卷积神经网络模型与预设lstm神经网络模型构建初始注意力机制神经网络模型，采用训练图像数据集对初始注意力机制神经网络模型进行训练，生成对应的目标注意力机制神经网络模型，当接收到待识别物体图像时，采用待识别物体图像输入目标注意力机制神经网络模型，生成物体位置框图，提取物体位置框图内电力施工人员的人员位置数据，提取物体位置特征图内施工设备的设备位置数据，以各人员位置数据为区域中心，选取设备位置数据处于预设半径的危险区域内的施工设备作为目标预警施工设备并输出警报信号；解决了通过现有的卷积神经网络中的卷积层来提取电力施工现场图像的目标特征，对于特征的提取的效率不高，且对于图片特征提取不够细化，难以甄别出电力施工人员与施工设备之间的位置关系，从而导致电力施工现场的电力施工人员的存在安全隐患的技术问题；模拟人的眼球的注视和扫视功能以及大脑的长短期记忆的机制，该网络能够选择性保留重要特征的特性进一步构建相互依赖关系，自适应地改变图片行列级的特征信息，进一步提高收集全局信息的能力。基于图片行列间的相关性，进一步提出了一种基于lstm进行收集图片给行列间权重的通道交互策略，并对人的扫视路线进行建模，该方法有效的将图片行列间的关系与空间注意力联合起来，提取出有效的权重信息，再通过矩阵点积的方式与全局池化和标准差池化结合之后的注意向量融合起来，有效地提高了图片行列间的表征能力。并且能够有效的保障电力施工现场的安全事故，防止大型机械对于施工的电力工人的造成伤害。
86.请参阅图2，图2为本发明实施例一提供的一种基于注意力机制神经网络的施工安全预警方法的步骤流程图。
87.本发明提供的一种基于注意力机制神经网络的施工安全预警方法，包括：
88.步骤201、当接收到物体图像数据集时，对物体图像数据集进行图像预处理，生成对应的训练图像数据集。
89.在本发明实施例中，步骤201的具体实施过程与步骤101类似，在此不再赘述。
90.步骤202、采用预设卷积神经网络模型与预设lstm神经网络模型构建初始注意力机制神经网络模型。
91.在本发明实施例中，步骤202的具体实施过程与步骤102类似，在此不再赘述。
92.值得一提的是，搭建卷积神经网络的结构，具体包括：
93.步骤a11，搭建两个卷积层接一个池化层的基本卷积操作，该部分网络结构如下：卷积层(卷积核的大小为3*3,卷积核的个数为64，卷积步长为1)，池化层(池化窗口大小为3*3，池化步长为2)。
94.步骤a12，从步骤s11获得数量为64的特征层，继续搭建两个卷积层接一个池化层的基本卷积操作，该部分网络结构如下：卷积层(卷积核的大小为3*3,卷积核的个数为128，卷积步长为1)，池化层(池化窗口大小为3*3，池化步长为2)。
95.步骤a13，从步骤a12获得数量为128的特征层，继续搭建四个卷积层接一个池化层的基本卷积操作，该部分网络结构如下：卷积层(卷积核的大小为3*3,卷积核的个数为256，卷积步长为1)，池化层(池化窗口大小为3*3，池化步长为2)。
96.步骤a14，从步骤a13获得数量为256的特征层，继续搭建四个卷积层接一个池化层的基本卷积操作，该部分网络结构如下：卷积层(卷积核的大小为3*3,卷积核的个数为512，卷积步长为1)，池化层(池化窗口大小为3*3，池化步长为2)。
97.步骤a15，从步骤a14获得数量为512的特征层，继续搭建四个卷积层接一个池化层的基本卷积操作，该部分网络结构如下：卷积层(卷积核的大小为3*3,卷积核的个数为512，卷积步长为1)，池化层(池化窗口大小为3*3，池化步长为2)。
98.步骤a16，从步骤a15获得数量为512的特征层，搭建一个池化层以及三个全连接层，该部分网络结构如下：池化层(池化窗口大小为3*3，池化步长为2)，全连接层1(输入神经元个数为512，输出神经元个数为4096)，全连接层2(输入神经元个数为4096，输出神经元个数为4096)，全连接层3(输入神经元个数为4096，输出神经元个数为训练集类别)。
99.至此，执行步骤a17，vgg19特征提取网络搭建完毕。
100.步骤203、采用训练图像数据集对初始注意力机制神经网络模型进行训练，生成对应的目标注意力机制神经网络模型。
101.进一步地，步骤203可以包括以下子步骤：
102.s11、将训练图像数据集输入初始注意力机制神经网络模型，生成对应的训练位置框图。
103.训练位置框图，指的是训练图像数据集输入初始注意力机制神经网络模型所生成的位置框图，用于判断初始注意力机制神经网络模型是否训练完成。
104.在本发明实施例中，根据训练图像数据集输入初始注意力机制神经网络模型中，生成对应的训练位置框图。
105.s12、计算训练位置框图与关联的标准位置框图之间的训练损失值。
106.标准位置框图，指的是训练位置框图所对应的标准位置框图。
107.训练损失值，指的是训练位置框图与标准位置框图之间的损失值。
108.在本发明实施例中，计算训练位置框图与关联的标准位置框图之间的训练损失值。
109.s13、比较训练损失值与预设的训练标准阈值。
110.训练标准阈值，指的是用于判断初始注意力机制神经网络模型是否训练完成的阈值。
111.在本发明实施例中，比较训练损失值与预设的训练标准阈值。
112.s14、若训练损失值小于或等于训练标准阈值，则停止训练，生成目标注意力机制神经网络模型。
113.在本发明实施例中，若训练损失值小于或等于训练标准阈值，则停止训练，生成目标注意力机制神经网络模型。
114.进一步地，步骤203还可以包括以下子步骤：
115.s15、若训练损失值大于训练标准阈值，则按照预设梯度调整初始注意力机制神经网络模型的参数，并跳转将训练图像数据集输入初始注意力机制神经网络模型，生成对应的训练位置框图的步骤。
116.在本发明实施例中，若训练损失值大于训练标准阈值，则按照预设梯度调整初始注意力机制神经网络模型的参数，并跳转将训练图像数据集输入初始注意力机制神经网络模型，生成对应的训练位置框图的步骤。
117.值得一提的是，设置训练迭代次数为n，学习率设置为m，每n次训练次数下降成预设比例；然后，输入样本数据至神经网络中。其中，设置训练迭代次数为100，学习率设置为0.01，每20次训练下降成1/10，然后，输入样本数据至神经网络中。
118.步骤204、当接收到待识别物体图像时，采用待识别物体图像输入目标注意力机制神经网络模型，生成物体位置框图。
119.进一步地，步骤204可以包括以下子步骤：
120.s21、当接收到待识别物体图像时，采用待识别物体图像输入目标注意力机制神经网络模型进行训练，提取多个对应的全局特征图。
121.在本发明实施例中，当接收到待识别物体图像时，采用待识别物体图像输入目标注意力机制神经网络模型进行训练，提取多个对应的全局特征图。
122.值得一提的是，输入图像的尺寸为224
×
224，采用卷积神经网络的5个卷积块提取特征。
123.首先，采用vgg19的5个卷积块提取特征，在vggnet19神经网络模型结构具体如下：采用vgg19神经网络模型的5个卷积块提取特征，第1个卷积块中包含有2层卷积层和1层池化层，记为conv1；第2个卷积块中包含有1层卷积层和1层池化层，记为conv2；第三个卷积块中包含有4个卷积层和1层池化层，记为conv3；第四个卷积块中包含有4层卷积层和1层池化层，记为conv4；第五个卷积块中包含有4层卷积层和1层池化层，记为conv5。
124.然后，将输入图像每经过vgg19的卷积块分别输出5个卷积图像特征图，得到粗全局特征图。例如，输入图像每经过vgg19的卷积块分别输出大小为224*224*64、112*112*128、56*56*256、28*28*512、14*14*512的卷积图像特征图，得到粗全局特征图feature1。
125.s22、对多个全局特征图进行降维和归一化操作，生成对应的特征概率图。
126.在本发明实施例中，对多个全局特征图进行降维和归一化操作，生成对应的特征概率图。
127.在本发明的一个示例中，利用具有sigmoid函数的的一个3*3卷积层对粗全局特征图进行维度变换，以及归一化操作，得到大小为14*14的矩阵数值范围在0到1之间的特征概
率图feature2。
128.将降维和归一化后的特征概率图feature2的每一个通道的切片作为全局特征图分别输入到lstm神经网络模型中。
129.s23、对特征概率图进行细化，生成第一细化特征图。
130.在本发明实施例中，对特征概率图进行细化，生成第一细化特征图。
131.在本发明的一个示例中，将上述步骤得到的特征概率图feature2作为lstm神经网络模型的前期记忆h0和上一个细胞的状态矩阵c0，把特征概率图feature2作为lstm神经网络模型的输入信息x。
132.将输入信息x输入到lstm神经网络模型进行训练，利用lstm遗忘门、输入门和输出门对该特征概率图保留重要特征信息，过滤次要特征信息，进行对该特征概率图的第一次细化，从而提高特征图的细化特征。
133.s24、对第一细化特征图进行全局池化，并与全局特征图进行点积操作，生成对应的第二细化特征图。
134.在本发明实施例中，对第一细化特征图进行全局池化，并与全局特征图进行点积操作，生成对应的第二细化特征图。
135.在本发明的一个示例中，具体的，本实施例的lstm遗忘门、输入门和输出门包括：
136.遗忘门，这门会读取前期记忆h
t-1
和当前的输入信息x
t
，后通过sigmoid函数，输出一个0到1之间的数值，1表示“完全保留”，0表示“完全舍弃”。两者经过sigmoid函数输出一个0到1之间的数值权重文中表示为σ，f
t
表示特征重要程度，以便下一环节特征选择的保留与否，wf为当前的权重，表示为公式(1)：
[0137][0138]
式中，f
t
表示特征重要程度，σ表示sigmoid层，wf和bf为遗忘门中对应的可学习权重，h
t-1
为隐藏层状态，x
t
为当前的输入信息。
[0139]
输入门，表示为公式(2)输入上一个细胞的前期记忆和当前的输入信息x
t
通过sigmoid函数更新信息，得到控制信号i
t
，输出的i
t
为一个0到1之间的值，同时利用tanh函数生成向量
[0140]it
＝σ(wi[h
t-1
，x
t
bi])
[0141][0142]
式中，σ表示sigmoid层，tanh表示tanh激活层，i
t
为控制信号，wi、wc代表卷积核的可学习参数矩阵，bi、bc代表可学习的偏置参数矩阵，为细胞状态，h
t-1
为隐藏层状态。
[0143]
输出门，输入门的控制信号乘以存储在单元中的信息以获得更新的矩阵，并且将先前计算的遗忘状态矩阵相加以获得当前时间的cell状态矩阵，最后生成输出信息的状态矩阵ct，将上一个细胞的前期记忆ht-1，当前输入信息t通过sigmoid函数输出一个0到1之间的数值，σt决定细胞状态哪个部分将输出。将当前的细胞状态矩阵通过tanh函数后，与输出控制信号σt相乘，以确定下一个细胞的输出信息ht，为后面的目标检测提供特征信息，表示为公式(3)：
[0144][0145]
σ
t
＝(w0[h
t-1
，x
t
] b0)(3)
[0146]ht
＝σ
t
×
tanh(c
t
)
[0147]
式中，c
t-1
为上一个时刻的细胞状态，c
t
为新生成的细胞状态，i
t
为控制信号，h
t
代表隐藏层状态，w0代表卷积核的可学习参数矩阵，b0代表可学习的偏置参数矩阵，σ
t
代表输出控制信号。
[0148]
利用该lstm可以对于人的注视过程进行模拟，提取出重要权重，该h
t
作为一个细化之后的特征图，将第一次细化后的特征概率图h
t
通过全局池化层进行全局池化，再与卷积神经网络卷积块输出的未经过降维的特征概率图进行点积操作，基于每个通道重新校准权重进行特征的第二次细化。
[0149]
由于lstm输出的特征层参数格式不是常规的张量格式，而是一种信息流的形式。因此修改lstm网络模型输出的特征层参数形式为[b,c,h,w]，每张特征图的尺寸为(h,w)；当该特征层输入lstm网络后，通过lstm的功能实现对重要权值点的第一次筛选。
[0150]
接着对扫视路线进行建模，对原图进行不同尺度的高斯低通滤波器模糊处理,构造l层金字塔,g
l
为第l层的高斯低通卷积算子,得到不同分辨率的图像，x为输入的特征图，p
l
为构造的金字塔中每层的像素值，如下公式4所示：
[0151][0152]
其中*符号表示卷积操作，假设当前t时刻的注视点坐标为x
t
＝(x
t
,y
t
),设图中任意坐标(x,y)和注视点x
t
之间的距离为e,每一层的权重w
l
可由公式5所示：
[0153][0154]
其中，σ
l
表示了每层所对应的半径,在最终得到的中央凹图像x
out
(x，y)中,每个像素点的值由金字塔中各层p
l
(x，y)乘以不同的权重w
l
(x，y)再相加得到,中央凹图像每个像素点的值由公式6所示：
[0155][0156]
接着对反变换之后的结果q
′
(x)取模,g为高斯模糊以及归一化的处理,即可得到中央凹图像的显著图的概率分布。
[0157]
pa＝g(||q
′
(x)||)(7)
[0158]
其中，pa表示中央凹图像的显著图的概率分布。
[0159]
此外基于注视点返回抑制的机制在选择下一注视点时,也将其作为一个重要的因素进行考虑,用一种具有线性遗忘特性的转移概率分布模拟人眼的返回抑制功能，具体建模如下公式8所示：
[0160][0161]
其中,pm(x
t 1
|x
t
，x
t-1
,
…
，x
t-(t-1)
)为返回抑制产生的下一时刻注视点x
t 1
的概率分布；t为过去的t个注视点的影响；{xi}i＝t
t-(t-1)
为历史注视点的位置；i表示全1矩阵；σm为二维高斯分布的标准差；n表示将小于0的元素置为0并且归一化到和为1的操作。
[0162]
最后，根据转移概率p(x，y)进行随机采样，产生若干个候选点，再从候选点中选择显著性最大的作为下一注视点，转移概率计算入如下公式9所示,其中pa(x，y)表示中央凹图像的显著图的概率分布，pm(x，y)为返回抑制产生的下一时刻注视点x
t 1
的概率分布。
[0163]
p(x，y)＝pa(x，y)
×
pm(x，y)(9)
[0164]
通过上述对扫视路线的建模，进一步的选择出重要的权重值，接着对该输入特征层x[b,c,h,w]进行自适应平均池化处理，每张特征图被压缩成一个点以进行表征，共获得c个点值，对应特征层通道c，该特征层参数形式为[b,c,1,1]。
[0165]
进一步地，将池化处理后的特征向量x
avg
[b,c]进行拉伸，并送入第一个全连接层，输出自定义数量的神经元，并通过激活函数处理；接着将处理后的特征向量送入第二个全连接层，恢复输出对应特征层通道c数量的神经元。
[0166]
通过以上操作，可获得c个权值变量以权值变量乘以输入特征层x[b,c,1,1]，即可在每个特征通道上实现注意力机制。
[0167]
在本发明的一个示例中，s21-s24的具体实现：
[0168]
训练vgg19神经网络，通过vgg19神经网络得到图片的全局特征，得到一个全局特征图。
[0169]
接着，将该全局特征图通过3*3的卷积核，降维为1通道数据，输入到lstm神经网络模型中，通过lstm神经网络模型能够记忆长短期记忆的功能对于人的注视过程进行模拟，提取出重要权重，进行全局信息提取，再基于每个通道重新校准权重，再通过全局池化层进行性全局特征提取，再与原未降维前的全局特征进行点乘操作，进一步细化特征。
[0170]
将该全局特征图定义为input∈r
n*c*h*w
，(其中n表示的是一个batch_size图片数目的大小，c为通道数，h和w分别为图片的长和宽)通过扫视和注视模块和权重校准模块模拟人注视一张图片时，通常会从上至下对图片进行扫视，并且会注视到图片中比较关键的信息的机制，得到注意向量λ
nh
∈r
n*1*h*1
(其中h是对h做切片，所得的到切片的数目，也就是图层的数量),再通过权重校准模块使该注意向量与原特征图片进行点乘运算，得到权重校准后的特征图，其具体步骤如下：
[0171]
将全局特征图输入lstm网络，基于人的大脑的长短期记忆机制，提出了一种通过lstm对特征图层进行池化的新方法，通过lstm网络能够记住更加重要的部分，忘记不重要的部分的特性，对于上述所得到的input＝{x0,x1,
…
,x
h-2
,x
h-1
}，进行h次计算，分别得到每个图层中更加重要的特征；
[0172]
通过上述lstm神经网络对于重要信息的保留，通过遗忘门，输入门，输出门对于状态c的影响，最终决定在每一个顺序图层中，要忘记多少，记住多少，输出多少，最后把这个状态一直传递下去，从而达到可以控制其不会忘记遥远的重要信息，也不会把附近的不重要的信息看的太重的作用，从而可以得到比较重要的特征信息。
[0173]
接着，对人的扫视路线进行建模，得到中央凹注视图，然后通过神经中的返回抑制原理，计算历史注视点与现阶段注视点之间的关系，得到全局的注视点概率图，并通过sigmoid函数得到全局的注意向量λ
nh
∈r
n*1*h*1
。通过该注意向量与原特征图进行点乘重新校准原特征图的权值，得到细化之后的全局特征图。
[0174]
最后，将这个注意特征图通过两个全连接层在空间维度中实现仿射变换，再送到
一个svm分类器中进行概率的计算，进行分类。
[0175]
s25、对第二细化特征图进行提取操作，生成对应的物体位置框图。
[0176]
在本发明实施例中，对第二细化特征图进行提取操作，生成对应的物体位置框图。
[0177]
步骤205、提取物体位置框图内电力施工人员的人员位置数据，提取物体位置特征图内施工设备的设备位置数据。
[0178]
在本发明实施例中，步骤205的具体实施过程与步骤105类似，在此不再赘述。
[0179]
步骤206、以各人员位置数据为区域中心，计算任一人员位置数据关联的施工人员与各个设备位置数据关联的施工设备之间的目标距离值。
[0180]
目标距离值，指的是施工人员的位置与施工设备的位置之间的距离值。
[0181]
在本发明实施例中，以各人员位置数据为区域中心，计算任一人员位置数据关联的施工人员与各个设备位置数据关联的施工设备之间的目标距离值。
[0182]
步骤207、若目标距离值大于危险区域关联的半径值，则不输出警报信号。
[0183]
半径值，指的是危险区域的半径，危险区域为圆形区域。
[0184]
在本发明实施例中，若目标距离值大于危险区域关联的半径值，则说明设备位置数据关联的施工设备不落入危险区域中，不输出警报信号。
[0185]
步骤208、若目标距离值小于或等于危险区域关联的半径值，则将设备位置数据关联的施工设备作为目标预警施工设备并输出警报信号。
[0186]
在本发明实施例中，若目标距离值小于或等于危险区域关联的半径值，则说明设备位置数据关联的施工设备落入危险区域中，输出警报信号。
[0187]
在本发明实施例中，当接收到物体图像数据集时，对物体图像数据集进行图像预处理，生成对应的训练图像数据集，采用预设卷积神经网络模型与预设lstm神经网络模型构建初始注意力机制神经网络模型，采用训练图像数据集对初始注意力机制神经网络模型进行训练，生成对应的目标注意力机制神经网络模型，当接收到待识别物体图像时，采用待识别物体图像输入目标注意力机制神经网络模型，生成物体位置框图，提取物体位置框图内电力施工人员的人员位置数据，提取物体位置特征图内施工设备的设备位置数据，以各人员位置数据为区域中心，选取设备位置数据处于预设半径的危险区域内的施工设备作为目标预警施工设备并输出警报信号；解决了通过现有的卷积神经网络中的卷积层来提取电力施工现场图像的目标特征，对于特征的提取的效率不高，且对于图片特征提取不够细化，难以甄别出电力施工人员与施工设备之间的位置关系，从而导致电力施工现场的电力施工人员的存在安全隐患的技术问题；模拟人的眼球的注视和扫视功能以及大脑的长短期记忆的机制，该网络能够选择性保留重要特征的特性进一步构建相互依赖关系，自适应地改变图片行列级的特征信息，进一步提高收集全局信息的能力。基于图片行列间的相关性，进一步提出了一种基于lstm进行收集图片给行列间权重的通道交互策略，并对人的扫视路线进行建模，该方法有效的将图片行列间的关系与空间注意力联合起来，提取出有效的权重信息，再通过矩阵点积的方式与全局池化和标准差池化结合之后的注意向量融合起来，有效地提高了图片行列间的表征能力。并且能够有效的保障电力施工现场的安全事故，防止大型机械对于施工的电力工人的造成伤害。
[0188]
请参阅图3，图3为本发明实施例三提供的一种基于注意力机制神经网络的施工安全预警装置的结构框图。
[0189]
本发明实施例提供了一种基于注意力机制神经网络的施工安全预警装置，包括：
[0190]
训练图像数据集获取模块301，用于当接收到物体图像数据集时，对物体图像数据集进行图像预处理，生成对应的训练图像数据集。
[0191]
初始注意力机制神经网络模型构建模块302，用于采用预设卷积神经网络模型与预设lstm神经网络模型构建初始注意力机制神经网络模型。
[0192]
目标注意力机制神经网络模型生成模块303，用于采用训练图像数据集对初始注意力机制神经网络模型进行训练，生成对应的目标注意力机制神经网络模型。
[0193]
物体位置框图获取模块304，用于当接收到待识别物体图像时，采用待识别物体图像输入目标注意力机制神经网络模型，生成物体位置框图。
[0194]
位置数据获取模块305，用于提取物体位置框图内电力施工人员的人员位置数据，提取物体位置特征图内施工设备的设备位置数据。
[0195]
目标预警施工设备确定模块306，用于以各人员位置数据为区域中心，选取设备位置数据处于预设半径的危险区域内的施工设备作为目标预警施工设备并输出警报信号。
[0196]
进一步地，目标注意力机制神经网络模型生成模块303包括：
[0197]
训练位置框图获取子模块，用于将训练图像数据集输入初始注意力机制神经网络模型，生成对应的训练位置框图。
[0198]
训练损失值获取子模块，用于计算训练位置框图与关联的标准位置框图之间的训练损失值。
[0199]
比较子模块，用于比较训练损失值与预设的训练标准阈值。
[0200]
第一数据处理子模块，用于若训练损失值小于或等于训练标准阈值，则停止训练，生成目标注意力机制神经网络模型。
[0201]
进一步地，目标注意力机制神经网络模型生成模块303还包括：
[0202]
第二数据处理子模块，用于若训练损失值大于训练标准阈值，则按照预设梯度调整初始注意力机制神经网络模型的参数，并跳转将训练图像数据集输入初始注意力机制神经网络模型，生成对应的训练位置框图的步骤。
[0203]
进一步地，物体位置框图获取模块304包括：
[0204]
全局特征图获取子模块，用于当接收到待识别物体图像时，采用待识别物体图像输入目标注意力机制神经网络模型进行训练，提取多个对应的全局特征图。
[0205]
特征概率图获取子模块，用于对多个全局特征图进行降维和归一化操作，生成对应的特征概率图。
[0206]
第一细化特征图获取子模块，用于对特征概率图进行细化，生成第一细化特征图。
[0207]
第二细化特征图获取子模块，用于对第一细化特征图进行全局池化，并与全局特征图进行点积操作，生成对应的第二细化特征图。
[0208]
提取子模块，用于对第二细化特征图进行提取操作，生成对应的物体位置框图。
[0209]
进一步地，目标预警施工设备确定模块306包括：
[0210]
目标距离值获取子模块，用于以各人员位置数据为区域中心，计算任一人员位置数据关联的施工人员与各个设备位置数据关联的施工设备之间的目标距离值。
[0211]
第三数据处理子模块，用于若目标距离值大于危险区域关联的半径值，则不输出警报信号。
[0212]
第四数据处理子模块，用于若目标距离值小于或等于危险区域关联的半径值，则将设备位置数据关联的施工设备作为目标预警施工设备并输出警报信号。
[0213]
在本发明实施例中，当接收到物体图像数据集时，对物体图像数据集进行图像预处理，生成对应的训练图像数据集，采用预设卷积神经网络模型与预设lstm神经网络模型构建初始注意力机制神经网络模型，采用训练图像数据集对初始注意力机制神经网络模型进行训练，生成对应的目标注意力机制神经网络模型，当接收到待识别物体图像时，采用待识别物体图像输入目标注意力机制神经网络模型，生成物体位置框图，提取物体位置框图内电力施工人员的人员位置数据，提取物体位置特征图内施工设备的设备位置数据，以各人员位置数据为区域中心，选取设备位置数据处于预设半径的危险区域内的施工设备作为目标预警施工设备并输出警报信号；解决了通过现有的卷积神经网络中的卷积层来提取电力施工现场图像的目标特征，对于特征的提取的效率不高，且对于图片特征提取不够细化，难以甄别出电力施工人员与施工设备之间的位置关系，从而导致电力施工现场的电力施工人员的存在安全隐患的技术问题；模拟人的眼球的注视和扫视功能以及大脑的长短期记忆的机制，该网络能够选择性保留重要特征的特性进一步构建相互依赖关系，自适应地改变图片行列级的特征信息，进一步提高收集全局信息的能力。基于图片行列间的相关性，进一步提出了一种基于lstm进行收集图片给行列间权重的通道交互策略，并对人的扫视路线进行建模，该方法有效的将图片行列间的关系与空间注意力联合起来，提取出有效的权重信息，再通过矩阵点积的方式与全局池化和标准差池化结合之后的注意向量融合起来，有效地提高了图片行列间的表征能力。并且能够有效的保障电力施工现场的安全事故，防止大型机械对于施工的电力工人的造成伤害。
[0214]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0215]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0216]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0217]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0218]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机
设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0219]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。