【技术实现步骤摘要】
一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法
本专利技术属于作业现场工作服穿着检测
，特别涉及一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法。
技术介绍
工地等试验现场、施工作业现场往往存在着外来无关人员闯入的安全隐患，由于多数情况下现场环境较为复杂，存在一定危险性，外来无关人员若发生意外会给现场施工作业带来不必要的纠纷；同时现场往往会存放一定价值的施工材料和设施，外来人员的闯入同样会对财产安全造成一定威胁。而工作服作为一种劳动保护用品不仅是防寒保暖的介质，在一定程度上保护作业人员的人身安全，同时它还能用来区分现场作业人员与外来无关闯入人员，因此，对试验现场、施工作业现场进行穿着工作服检测具有重要的意义。近年来工地等作业现场对工作服穿着情况的监控大多依赖于人工的监视，尚未形成一个良好的自动监控系统，人工监视无法做到二十四小时精准无误的监控，导致管理人员无法准确掌握施工现场人员穿着工作服的情况。近期有根据视频图像处理来自动检测的方法，然而这些传统的工作服检...
【技术保护点】
1.一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法，其特征在于，包括以下步骤：/n1)获取现场视频并进行图像预处理；/n2)通过衣物信息ROI区域目标检测神经网络进行目标检测，步骤如下：/n2.1)利用去除了分类层的MobileNet进行图像多尺度特征提取，获取图像的三张多尺度特征图；/n2.2)利用特征金字塔对三张多尺度特征图进行融合，获取融合多尺度特征后的特征图像；/n2.3)利用分支网络对融合多尺度特征后的特征图像进行回归操作和分类操作进行目标检测，其中通过回归操作得到衣物信息ROI区域的位置信息，通过分类操作得到衣物信息ROI区域的分类信息；/n...
【技术特征摘要】
1.一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法，其特征在于，包括以下步骤：
1)获取现场视频并进行图像预处理；
2)通过衣物信息ROI区域目标检测神经网络进行目标检测，步骤如下：
2.1)利用去除了分类层的MobileNet进行图像多尺度特征提取，获取图像的三张多尺度特征图；
2.2)利用特征金字塔对三张多尺度特征图进行融合，获取融合多尺度特征后的特征图像；
2.3)利用分支网络对融合多尺度特征后的特征图像进行回归操作和分类操作进行目标检测，其中通过回归操作得到衣物信息ROI区域的位置信息，通过分类操作得到衣物信息ROI区域的分类信息；
3)采用ResNet-18分类网络对衣物信息ROI区域进行分类，结果为某一种工作服时，判定该现场人员穿着工作服，否则判定为未穿着工作服。
2.根据权利要求1所述基于改进RetinaNet的试验现场人员是否穿着工作服检测方法，其特征在于，所述图像预处理包括：首先对视频以一定帧率抽帧，然后对每一帧进行尺寸归一化和零均值归一化，得到目标检测神经网络的输入。
3.根据权利要求1所述基于改进RetinaNet的试验现场人员是否穿着工作服检测方法，其特征在于，所述目标检测神经网络采用已经标注衣物信息ROI区域的现场图像数据集进行训练，包括：将施工现场监控视频中的图像划分为人体区域、头部区域和背景区域，将头部区域以下的人体区域作为衣物信息ROI区域；标注所有图像中的人体区域和头部区域并构建训练数据集；预处理训练集中的图像，包括图像的尺寸缩放以及零均值归一化；以及将训练数据集输入到目标检测神经网络进行训练，使用该训练好的目标检测神经网络对图像进行目标检测，如果检测到人体区域并且同时检测到头部区域，将人体区域的头部以下区域作为衣物信息ROI区域；否则将该人体区域整体作为衣物信息ROI区域。
4.根据权利要求3所述基于改进RetinaNet的试验现场人员是否穿着工作服检测方法，其特征在于，所述人体区域、头部区域和背景区域均采用矩形包围框进行标注，并对人体区域、头部区域和背景区域进行类型标记，从而组成衣物信息ROI区域目标检测的训练数据；将1/5的训练数据作为测试数据用来测试目标检测神经网络的拟合程度，使用训练数据进行目标检测神经网络的训练，并同时使用测试数据进行目标检测神经网络的测试；目标检测神经网络损失函数为类别损失函数与回归损失函数之和，其中类别损失函数采用聚焦损失函数，回归损失函数采用L1范数损失函数；采用随机梯度下降算法使得目标检测神经网络的损失函数收敛到一个最小值完成训练。
5.根据权利要求...
【专利技术属性】
技术研发人员：张新曼，寇杰，王静静，彭羽瑞，毛乙舒，程昭晖，陆罩，樊子恩，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。