基于无监督深度学习神经网络算法的安全帽识别方法技术

本发明专利技术属于深度学习和目标识别技术领域，具体涉及一种基于无监督深度学习神经网络算法的安全帽识别方法。本发明专利技术的方法包括以下步骤：构建Faster RCNN深度学习神经网络算法结构并对其进行训练；根据摄像头采集的施工现场视频，提取出连续的图像帧；采用训练好的Faster RCNN的深度学习神经网络算法结构对所述图像帧进行图像识别；根据图像识别结果判定人物是否正确佩戴安全帽。本申请的方法可以减少人力成本，避免建筑工地现场的人员佩戴安全帽的误查漏查；同时相比于现有的RCNN算法，不仅提高了检测精度和速度，而且进一步降低了训练的成本。

Helmet recognition method based on unsupervised deep learning neural network algorithm

【技术实现步骤摘要】
基于无监督深度学习神经网络算法的安全帽识别方法
本专利技术属于深度识别和目标识别
，具体涉及一种基于无监督深度学习神经网络算法的安全帽识别方法。
技术介绍
基于建筑工地的安全性考虑，施工单位要求每个进入工地的人员都要佩戴安全帽，安全帽作为最后一道安全防线，作用十分重要。但是进入建筑工地区域的人员经常由于偷懒、遗忘或者抱着侥幸心理不带安全帽，所存在的危险伤害隐患巨大。所以安全帽检测识别提醒对建筑工地的安全防范来说就显得尤为重要，检测预警在岗工人是否按照要求戴好安全帽，做好安全防范措施作业，才能真正做到安全生产信息化管理，做到事前预防事中常态监测，事后规范管理。针对建筑工地人员佩戴安全帽的检测，通常的办法就是在入口处进行检测，但是在建筑工地区域内，人员是否戴帽就很难检测了。目前常见的检测方式有以下几种：(1)人工检测，在工地的每个入口安排专人把守检查，在建筑工地区域安排人员巡逻检查，但是该方式需要耗费人力资源，而且存在检查遗漏的可能。(2)采用传感器、芯片或标签来进行提醒，在安全帽中安置这些感知设备，当工人或访客佩戴安本文档来自技高网...

【技术保护点】
1.一种基于无监督深度学习神经网络算法的安全帽识别方法，其特征在于，包括以下步骤：/n构建Faster RCNN深度学习神经网络算法结构并对其进行训练；/n根据摄像头采集的施工现场视频，提取出连续的图像帧；/n采用训练好的Faster RCNN的深度学习神经网络算法结构对所述图像帧进行图像识别；/n根据图像识别结果判定人物是否正确佩戴安全帽。/n

【技术特征摘要】
1.一种基于无监督深度学习神经网络算法的安全帽识别方法，其特征在于，包括以下步骤：
构建FasterRCNN深度学习神经网络算法结构并对其进行训练；
根据摄像头采集的施工现场视频，提取出连续的图像帧；
采用训练好的FasterRCNN的深度学习神经网络算法结构对所述图像帧进行图像识别；
根据图像识别结果判定人物是否正确佩戴安全帽。


2.如权利要求1所述的基于无监督深度学习神经网络算法的安全帽识别方法，其特征在于，所述FasterRCNN深度学习神经网络算法结构由卷积层，区域生成网络，池化层及全连接层组成。


3.如权利要求1所述的基于无监督深度学习神经网络算法的安全帽识别方法，其特征在于，所述对FasterRCNN深度学习神经网络算法结构进行训练，包括以下步骤：
输入大量不带标签信息的图像样本数据进行无监督的预训练；
输入少量带有标签信息的图像样本数据进行有监督微调训练。


4.如权利要求3所述的基于无监督深度学习神经网络算法的安全帽识别方法，其特征在于，所述“输入大量不带标签信息的图像样本数据进行无监督的预训练”，包括以下步骤：
对所述输入的大量不带标签信息的图像样本数据进行聚类分析；
根据聚类分析好的不带标签信息的图像样本数据，对算法结构内部进行逐层训练。


5.如权利要求1所述的基于无监督深度学习神经网络算法的安全帽识别方法，其特征在于，还包括以下步骤:
对识别出未佩戴安全帽的图像进行存储并提供告警查询。


6.如权利要求1-5所述的基于无监督深度学习神经网络算法的安全帽识别方法，其特征在于，所述“采用训练好的FasterRCNN的深度学习神经网络算法结构对所述图像帧进行图像识别”，...

【专利技术属性】
技术研发人员：马碧芳，郭永宁，吴衍，王伟，吴嘉伟，
申请(专利权)人：福建师范大学福清分校，
类型：发明
国别省市：福建;35