一种基于宽度学习的安全帽图像识别算法制造技术

本发明专利技术公开了一种基于宽度学习的安全帽图像识别算法，其特征在于具有如下步骤：S1、宽度学习系统的数据准备；S2、基于宽度学习训练安全帽图像识别模型；S3、基于宽度学习系统的安全帽图像检测机制：S31、读取步骤S1得到的图像测试集和步骤S2得到的所述安全帽图像识别模型；S32、将图像测试集中的图像输入到所述安全帽图像识别模型，获得输出值；S33、将有人但无安全帽的图片进行标记，并发出警告。本发明专利技术是基于宽度学习系统的安全帽图像识别技术，而宽度学习架构层次较浅，对计算资源要求较低使得其能够在低端设备上进行部署且不会损失太大的精度。

【技术实现步骤摘要】
一种基于宽度学习的安全帽图像识别算法
本专利技术涉及安全设施检测领域，特别涉及一种基于宽度学习的安全帽图像识别算法。
技术介绍
随着社会经济的发展，航运业发展越来越快，相应的，航运业带来的安全隐患也越发的引人注意。物流仓储码头中有诸多现场作业，不可避免的会带来一些安全问题，例如高空坠物，作业人员以及施工场地的工作人员急需一些安全保护措施，例如佩戴安全帽，以有效的防止安全事故的发生。由于工作人员的安全意识不高，或者是由于某些外界因素导致工作人员忘记佩戴安全帽，导致安全事故屡屡发生，可见，对安全帽的准确检测，以提醒未佩戴安全帽的工作人员进行佩戴，有利于在一定程度上避免安全事故的发生。现有技术中，对工作人员安全帽佩戴的检测方法采用机器学习的方式，通过对摄像头采集一定区域内的整体图像或者当前用户的整体图像，进行提取特征，然后结合模式识别技术进行判断。由于检测的区域较大，是否佩戴安全帽的特征，相对来说，不是很明显，容易造成检测不准确，无法准确的对用户是否佩戴安全帽做出判断，从而无法完全避免因安全帽引发的安全事故。
技术实现思路
为解决现有技术存在的上述问题，本专利技术要设计一种网络简单、训练速度快本文档来自技高网...

【技术保护点】
1.一种基于宽度学习的安全帽图像识别算法，其特征在于具有如下步骤：S1、宽度学习系统的数据准备将从监控视频流中截取的图片进行必要的预处理，将图片分成三类：a.没有人的图片；b.有人但无安全帽的图片；c.有人且有安全帽的图片；将这三类图片分别使用K折交叉验证法从中抽取(K‑1)折作为图像训练集，1折作为图像测试集；S2、基于宽度学习训练安全帽图像识别模型对步骤S1得到的图像训练集进行目标检测，所述安全帽图像识别模型为宽度学习网络结构，为两层网络，包括输入层和输出层；提取图像训练集中图像的特征生成特征节点和特征节点的增强节点，共同作为所述安全帽图像识别模型的输入层；特征节点通过函数

【技术特征摘要】
2018.11.09 CN 20181133358681.一种基于宽度学习的安全帽图像识别算法，其特征在于具有如下步骤：S1、宽度学习系统的数据准备将从监控视频流中截取的图片进行必要的预处理，将图片分成三类：a.没有人的图片；b.有人但无安全帽的图片；c.有人且有安全帽的图片；将这三类图片分别使用K折交叉验证法从中抽取(K-1)折作为图像训练集，1折作为图像测试集；S2、基于宽度学习训练安全帽图像识别模型对步骤S1得到的图像训练集进行目标检测，所述安全帽图像识别模型为宽度学习网络结构，为两层网络，包括输入层和输出层；提取图像训练集中图像的特征生成特征节点和特征节点的增强节点，共同作为所述安全帽图像识别模型的输入层；特征节点通过函数得到；若产生n个特征节点，表达如下：其中，X为输入的图像训练集中的图像数据，是权重系数，是偏置项，和都是随机产生的；给定记号Zi≡[Z1...Zi]表示所有的输入的图像训练集中的图像数据映射的特征节点；增强节点通过函数得到，被记为Hj，前j组所有增强节点被记为Hj≡[H1,...,Hj]，其中，是权重系数，是偏置项，和都是随机产生的，第m组增强节点表示为：此时所述安全帽图像识别模型用如下公式表示：整个所述安全帽图像识别模型的权重参数Wm通过伪逆得到结果，设Y为所述安全帽图像识别模型的输出值，即：Y＝V3×Wm；则通过伪逆得：Wm＝(V3T*V3+In+m*c)-1*V3T*Y，其中，c为正则化参数，V3是特征节点与增强节点列拼接，共同作为输入层，表达式为：V3＝(ZnHm)；在所述安全帽图像识别模型训练过程中，Y的值为训练集给定输出值；求解得到Wm，所述安...

【专利技术属性】
技术研发人员：李铁山，王扬，田野，陈俊龙，左毅，杨赫，蒋龙，彭东成，韩野，杨晶晶，肖杨，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：辽宁,21