一种基于两阶段深度学习的安全帽佩戴识别方法技术

本发明专利技术涉及安全帽识别技术领域，特别是涉及一种基于两阶段深度学习的安全帽佩戴识别方法，本发明专利技术基于深度学习的方法，采用目标检测网络和图像分类网络的两阶段卷积神经网络结合的方式，通过对标记好的现场作业工人图片进行训练和参数调优，可以有效对未佩戴安全帽的工人进行识别和定位，在深度学习过程中，扩大目标检测网络的输入尺寸，也将误识别的场景和安全帽的佩戴情况一并作为样本进行打标分类。通过本方法，能有效解决在目标距离较远和背景复杂情况下识别效果差的问题。

【技术实现步骤摘要】
一种基于两阶段深度学习的安全帽佩戴识别方法
本专利技术涉及安全帽识别
，特别是涉及一种基于两阶段深度学习的安全帽佩戴识别方法。
技术介绍
随着社会的进步，安全生产成为至关重要的问题。但在安全生产场景中，仍然存在一些施工人员安全意识薄弱，不按照规程作业，例如着装不符合安全规范。随着图像识别技术的发展，其获得了越来越广泛的应用，基于图像识别的安全着装检测成为减少安全隐患的有效方法之一。现有的方法采用传统的模式识别方法，安全帽佩戴识别包括预处理图像、特征提取、识别等步骤，步骤繁琐，而且需要大量的先验知识，对算法设计人员的专业知识要求较高，算法设计人员的水平直接决定了能否准确检测出是否佩戴安全帽。现有技术中，提出了公开号为CN110263686A，公开日为2019年09月20日的中国专利技术专利文件，该专利文献所公开的技术方案如下：一种基于深度学习的施工工地图像安全帽检测方法，首先通过深度学习的目标检测方法检测到施工人员目标区域，获得该人员目标图像区域后，截取该区域的上1/3部分的图像，然后将上1/3部分的图像使用深度学习中的迁移学习方法本文档来自技高网...

【技术保护点】
1.一种基于两阶段深度学习的安全帽佩戴识别方法，其特征在于：包括以下步骤：/na. 对监控摄像头采集的原始样本图片进行工人头部的标记，使用目标检测网络，将目标检测网络的输入尺寸扩大，将该原始样本图片送入目标检测网络进行训练，通过对原始样本图片中的工人头部进行分类回归和位置回归，得到工人头部存在于图片上的像素位置和其置信度，将误差通过反向传播算法和梯度下降优化方法进行模型训练，得到工人头部目标检测网络模型；/nb. 将新一批图像样本送入目标检测网络模型，进行头部区域检测，输出工人头部图像区域并剪裁，将场景误识别的区域一并剪裁作为分类网络图像样本；/nc. 分类网络图像样本根据是否佩戴安全帽和误识...

【技术特征摘要】
1.一种基于两阶段深度学习的安全帽佩戴识别方法，其特征在于：包括以下步骤：
a.对监控摄像头采集的原始样本图片进行工人头部的标记，使用目标检测网络，将目标检测网络的输入尺寸扩大，将该原始样本图片送入目标检测网络进行训练，通过对原始样本图片中的工人头部进行分类回归和位置回归，得到工人头部存在于图片上的像素位置和其置信度，将误差通过反向传播算法和梯度下降优化方法进行模型训练，得到工人头部目标检测网络模型；
b.将新一批图像样本送入目标检测网络模型，进行头部区域检测，输出工人头部图像区域并剪裁，将场景误识别的区域一并剪裁作为分类网络图像样本；
c.分类网络图像样本根据是否佩戴安全帽和误识别情况分别标注为佩戴安全帽、没有佩戴安全帽和误识别三个类别，作为分类网络训练样本集；将该分类网络训练样本集送入图像分类网络进行训练，得到安全帽分类识别网络模型；
d.将现场作业工人图像输入步骤a中已经训练好的工人头部目标检测网络模型，得到工人头部位置并剪裁；
e.将步骤d中得到的工人头部位置图像输入步骤c中已经训练好的安全帽分类识别网络模型，识别出安全帽佩戴情况，若识别出没有佩戴安全帽，则回归原图位置，定位未佩戴安全帽的工人。


2.根据权利要求1所述的一种基于两阶段深度学习的安全帽佩戴识别方法，其特征在于：所述步骤a具体包括以下步骤：
a1.用实时监控摄像头采集现场工人图片，得到原始样本图片；
a2.通过图像样本标注软件对该原始样本图片中的工人头部进行标注，获得训练样本集；
a3.搭建多尺度目标检测网络darknet-...

【专利技术属性】
技术研发人员：许艾明，王飞扬，刘倍铭，刘翔锋，刘崛雄，
申请(专利权)人：成都飞机工业集团有限责任公司，
类型：发明
国别省市：四川;51