科研之友
微信
新浪微博
Facebook
分享链接
摘要
在室外复杂的作业环境中,现有的传统径向基神经网络着装识别算法的识别精度不够高且漏警率偏高。在变电站作业现场中,若采用人工智能图像识别技术来辅助进行安全监察,不仅能及时制止作业人员的着装违章行为,还可大大降低作业风险。为此,提出一种基于样本Q邻域敏感度的径向基神经网络着装识别算法。该算法首先提取作业人员图像的头盔、上衣和下衣3部分的形状和颜色特征向量;然后采用蒙特卡洛法随机采样训练样本邻域中的点,以扩充样本的数量并降低分类器输出的波动性,进而构建考虑样本邻域敏感度的损失函数;最后采用高斯牛顿法迭代求解隐含层到输出层的权值,建立以高斯函数为基函数的径向基神经网络分类器。仿真结果表明,基于敏感度的径向基神经网络图像识别算法能有效降低漏警率,在实际应用中鲁棒性更强。
-
单位广州市奔流电力科技有限公司; 中国南方电网有限责任公司; 广东电网有限责任公司
