一种基于嵌入式设备和深度学习的安全帽识别方法技术

本发明专利技术涉及一种基于嵌入式设备和深度学习的安全帽识别方法，包括以下步骤：获取现场图片，通过现场图片对YOLO Nano模型进行训练，并将训练好的YOLO Nano模型搭载到嵌入式设备上；在嵌入式设备上搭载检测程序，接收多路视频流，对多路视频流采用所述训练好的YOLO Nano模型进行安全帽的识别，将识别结果整合进视频流并统计信息。本发明专利技术在保证检测精度的同时提高检测的速度以实现实时检测。

【技术实现步骤摘要】
一种基于嵌入式设备和深度学习的安全帽识别方法
本专利技术涉及目标识别
，特别是涉及一种基于嵌入式设备和深度学习的安全帽识别方法。
技术介绍
在施工过程中，佩戴安全帽是一项基本的规章制度，但由于监管不力，工人不佩戴安全帽而引发的安全事故时有发生。为了改善这种情况，有必要对施工人员的安全帽佩戴进行检测，降低由于作业人员没有佩戴安全帽而造成的事故发生率。目前大多数的建筑行业的施工现场对安全帽佩戴情况的监管都还停留在人工监管的阶段，这种工作十分机械且不严谨，非常依赖于监管人员的专注力，安全性无法保障。随着近年来人工智能的发展，很多人开始将计算机视觉和深度学习的知识应用在了安全帽识别和检测的领域。但是目前的一些方法主要采用的是前端采集视频或图片数据然后通过互联网传递给后端的大型服务器来进行计算，这样做一是浪费了前端的计算资源，将所有的处理都集中在了后端的服务器上；二是通过网络传输的方式来传递数据，消耗极大，也会浪费很多的时间，无法做到实时性；最后，这样的做法无法满足大多数实际现场的需求，适用性较差。现有中国专利文献CN1037452本文档来自技高网...

【技术保护点】
1.一种基于嵌入式设备和深度学习的安全帽识别方法，其特征在于，包括以下步骤：/n(1)获取现场图片，通过现场图片对YOLO Nano模型进行训练，并将训练好的YOLONano模型搭载到嵌入式设备上；所述YOLO Nano模型为改进的YOLO Nano模型，其优化了模型框架，并在具体数据集上使用自搜索框架对网络结构进行调整；/n(2)在嵌入式设备上搭载检测程序，接收多路视频流，对多路视频流采用所述训练好的YOLO Nano模型进行安全帽的识别，将识别结果整合进视频流并统计信息。/n

【技术特征摘要】
1.一种基于嵌入式设备和深度学习的安全帽识别方法，其特征在于，包括以下步骤：
(1)获取现场图片，通过现场图片对YOLONano模型进行训练，并将训练好的YOLONano模型搭载到嵌入式设备上；所述YOLONano模型为改进的YOLONano模型，其优化了模型框架，并在具体数据集上使用自搜索框架对网络结构进行调整；
(2)在嵌入式设备上搭载检测程序，接收多路视频流，对多路视频流采用所述训练好的YOLONano模型进行安全帽的识别，将识别结果整合进视频流并统计信息。


2.根据权利要求1所述的基于嵌入式设备和深度学习的安全帽识别方法，其特征在于，所述步骤(1)具体包括：构建YOLONano原型网络和搜索空间；收集具体数据集；在收集到的数据集上进行自搜索网络结构的训练；输出NormalCell和ReduceCell两种网络模块；得到训练好的YOLONano模型。


3.根据权利要求1所述的基于嵌入式设备和深度学习的安全帽识别方法，其特征在于，所述步骤(2)中对多路视频流采用所述训练好的YOLONano模型进行安全帽的识别时使用TensorRT技术进行模型的优化。


4.根据权利要求3所述的基于嵌入式设备和深度学习的安全帽识别方法，其特征在于，所述使用TensorRT技术进行模型的优化...

【专利技术属性】
技术研发人员：盛敏豪，宋安平，翟鑫奕，李志伟，吴吉文，
申请(专利权)人：上海孚聪信息科技有限公司，
类型：发明
国别省市：上海;31