(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210676751.X (22)申请日 2022.06.16 (65)同一申请的已公布的文献号 申请公布号 CN 114758363 A (43)申请公布日 2022.07.15 (73)专利权人 四川金信石信息技 术有限公司 地址 610000 四川省成 都市中国 （四川） 自 由贸易试验区成都高新区和乐二街 171号B6栋1单元13楼1320号 (72)发明人 杜成龙　李孟福　沈建军　张学敏　 (74)专利代理 机构 成都行之智 信知识产权代理 有限公司 5125 6 专利代理师 李瑶 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/44(2022.01) G06V 10/56(2022.01) G06V 10/12(2022.01)(56)对比文件 CN 109684959 A,2019.04.26 CN 113223009 A,2021.08.0 6 CN 106682601 A,2017.0 5.17 CN 112183471 A,2021.01.0 5 CN 114202737 A,202 2.03.18 CN 113838094 A,2021.12.24 CN 111680729 A,2020.09.18 CN 110738135 A,2020.01.31 CN 107038424 A,2017.08.1 1 CN 113989711 A,2022.01.28 CN 114022845 A,202 2.02.08 WO 2019019828 A1,2019.01.31 JP 201820 6252 A,2018.12.27 US 202109073 6 A1,2021.0 3.25 US 2022147732 A1,202 2.05.12 WO 2021184620 A1,2021.09.23 WO 20191012 20 A1,2019.0 5.31 WO 201823 3038 A1,2018.12.27 (续) 审查员 万盼盼 (54)发明名称 一种基于深度学习的绝缘手套佩戴检测方 法和系统 (57)摘要 本发明公开了一种基于深度学习的绝缘手 套佩戴检测方法和系统， 包括以下步骤： 获取电 力工作人员的手部区域图像； 获取预训练的神经 网络模型， 将手部区域图像输入 所述神经网络模 型； 获取重叠度高于第一阈值的灰度检测信息； 获取重叠度高于第二阈值的颜色检测 信息； 获取 重叠度高于第三阈值的轮廓检测 信息； 基于所述 灰度检测信息、 颜色检测信息和轮廓检测信息， 生成手套检测结果。 采用本方案， 能通过深度学 习， 依次检测工作人员是否佩戴手套、 是否佩戴 绝缘手套以及是否正确佩戴手套， 进一步提高了 工作人员对提升安全防护意识和现场安全作业 水平。 [转续页] 权利要求书2页 说明书7页 附图2页 CN 114758363 B 2022.08.19 CN 114758363 B (56)对比文件 Lee U等.Fi nger identificati on and hand gesture recogn ition techniques for natural user i nterface. 《Proce edings of the 11th Asia Pacific Co nference o n Computer Human I nteracti on》 .2013,第274- 279页. 蒋磊磊.手势图像识别算法研究. 《中国优秀 硕士学位 论文全文数据库 信息科技 辑》 .2018, (第2期),第I138-23 68页.2/2 页 2[接上页] CN 114758363 B1.一种基于深度学习的绝 缘手套佩戴检测方法， 其特 征在于， 包括以下步骤： 获取电力工作人员的手部区域图像； 获取预训练的神经网络模型， 将所述手部区域图像输入所述神经网络模型； 所述神经网络模型将所述手部区域图像的灰度特征和佩戴手套的灰度特征进行重叠 度对比， 获取重 叠度高于第一阈值的灰度检测信息； 所述神经网络模型将所述灰度检测信 息和佩戴绝缘手套的颜色特征进行重叠度对比， 获取重叠度高于第二阈值的颜色检测信息； 所述神经网络模型构建所述颜色检测信息的边缘轮廓， 生成边缘轮廓特征， 所述神经 网络模型将所述边缘轮廓特征和佩戴绝缘手套的轮廓特征进 行重叠度对比， 获取重叠度高 于第三阈值的轮廓检测信息； 基于所述灰度检测信息、 颜色检测信息和轮廓检测信息， 生成手套检测结果。 2.根据权利要求1所述的一种基于深度 学习的绝缘手套佩戴检测方法， 其特征在于， 所 述神经网络模型中包括有人工输入的图像数据集， 并对图像数据集标注为： 佩戴手套的灰 度图像数据集、 佩戴绝 缘手套的颜色图像数据集和佩戴绝 缘手套的轮廓图像数据集。 3.根据权利要求1所述的一种基于深度 学习的绝缘手套佩戴检测方法， 其特征在于， 获 取预训练的神经网络模型， 将所述手部区域图像输入所述神经网络模型后， 还包括以下步 骤： 对所述手部区域图像进行置信度判断， 剔除置信度低于第四阈值所述手部区域图像。 4.根据权利要求1所述的一种基于深度 学习的绝缘手套佩戴检测方法， 其特征在于， 在 所述神经网络模型将所述手部区域图像的灰度特征和佩戴手套的灰度特征进行重叠度对 比时， 若未获取到重叠度高于第一阈值的灰度检测信息， 则生成第一异常信息， 所述神经网 络模型调用所述第一异常信息， 并向电力工作人员反馈第一报警结果； 和/或， 在所述神经网络模型将所述灰度检测信息和佩戴绝缘手套的颜色特征进行重 叠度对比时， 若未获取到重叠度高于第二阈值的颜色检测信息， 则生成第二异常信息， 所述 神经网络模型调用所述第二异常信息， 并向电力工作人员反馈第二报警结果； 和/或， 在所述神经网络模型将所述边缘轮廓特征和佩戴绝缘手套的轮廓特征进行重 叠度对比时， 若未获取到重叠度高于第三阈值的轮廓检测信息， 则生成第三异常信息， 所述 神经网络模型调用所述第三异常信息， 并向电力工作人员反馈第三报警结果。 5.根据权利要求1所述的一种基于深度 学习的绝缘手套佩戴检测方法， 其特征在于， 获 取电力工作人员的手部区域图像时， 还 包括以下子步骤： 使用深度学习算法检测帧图像中是否存在工作人员图案， 若存在工作人员图案， 则使 用标记框标记所述工作人员图案， 使用姿态估计算法提取所述标记框内的工作人员图案对 应的腕部坐标和掌部坐标； 最后根据腕部坐标和掌部坐标， 以及所述标记框内的工作人员 图案的手部提取图形提取 所述标记框内的手部区域图像。 6.根据权利要求5所述的一种基于深度 学习的绝缘手套佩戴检测方法， 其特征在于， 所 述神经网络模型将所述手部区域图像的灰度特征和佩戴手套的灰度特征进行重叠度对比 时， 包括以下 具体步骤： 所述神经网络模型以所述腕部坐标为中心建立坐标系， 从所述腕部坐标到所述掌部坐 标方向建立第一提取路径， 所述神经网络模型在第一提取路径上依次提取多个连续不断的权　利　要　求　书 1/2 页 2 CN 114758363 B 3