基于弱监督协同学习算法的安全帽识别方法及存储介质技术

本发明专利技术属于深度学习和目标识别技术领域，具体涉及一种基于弱监督协同学习算法的安全帽识别方法及存储介质。本发明专利技术的方法包括以下步骤：采用图像级别标签图像对弱监督协同学习算法网络进行训练；将待检测图像输入训练好的所述弱监督协同学习算法网络进行目标检测，得到概率向量；根据所述概率向量判定所述待检测图像中人物是否正确佩戴安全帽。本申请的技术方案采用一种新的协同学习构架，它在弱监督的学习过程中把弱监督检测子网络和有监督检测子网络连接成一个统一的整体，利用预测一致性损失加强了这两个检测子网络的实例预测一致性，这样让这个弱监督协同学习算法既具有弱监督的高效的训练网络的能力，也具有有监督的算法精准的检测精度。

【技术实现步骤摘要】
基于弱监督协同学习算法的安全帽识别方法及存储介质
本专利技术属于深度识别和目标识别
，具体涉及一种基于弱监督协同学习算法的安全帽识别方法及存储介质。
技术介绍
基于建筑工地的安全性考虑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全帽进入工地时，门禁阅读器会识别安全帽中的传感器、芯片或标签，如果没有佩戴将触发系统提醒。这种方法虽然可以在入口处不遗漏地检测，但是无法检测出人员是否正确佩戴，如果是简单携带并无佩戴，是无法检测出来的。同时这种检测方法也只能在入口处进行检测，一旦进入建筑工地区域，该方法就失效，还是需要人力来检测。(3)基于计算机视频图像识别的安全帽佩戴行为检测。在工地的每个入口和重要地点安置摄像机，根据摄像机拍摄视频画面，采用计算机视频图像识别算法检测出画面中的施工人员头部和安全帽位置，进而进行是否佩戴安全帽的判断，实现对施工人员安全帽佩戴行为的实时检测与预警。这种方法利用到了计算机做图像处理识别，既节省了人工和传感器的成本，又提高了检测精度和效率，是目前的主流方法，而这个方法大多基于深度学习算法，大致分为两类：第一类、两步骤(Two-stage)算法，先产生候选区域(regionproposals)，然后采用卷积神经网络(ConvolutionalNeuralNetworks,CNN)进行分类，这类算法典型代表有R-CNN，FastR-CNN和FasterR-CNN等。第二类、一步骤(One-stage)算法，直接产生物体的类别和位置坐标值，这类算法典型有YOLO和SSD等。上述基于深度学习的工地安全帽检测算法都是采用有监督的算法，例如中国专利号CN201810913181一种动态背景中的安全帽检测方法与系统、CN201811570198一种安全帽识别方法及装置、CN201910300441基于深度学习的安全帽佩戴识别方法及设备和CN201910484745基于深度学习的安全帽定位与颜色识别的方法及系统。采用有监督的算法，即通过有标签的训练样本(即打好标签的安全帽图片)来训练深度学习算法网络，从而得到一个最优算法模型，再利用这个模型对新的工地安全帽图像数据进行识别判断从而实现检测的目的。而这个过程中最大的问题就是训练样本的生成成本太大了，有监督算法的训练样本图片的标签要求是很高的，图像中训练目标物体不仅要给出物体类别，还要有位置坐标等信息，这是一种边界框级别(bounding-boxlevel)的标签，而且这些标签通常是由人工标记上去的，这个过程费时费力。另外，虽然业界也在进行无监督算法的研究，即用无标签的训练样本来训练深度学习算法网络，但这个学习过程太过复杂困难了，技术发展很缓慢一直没有突破。而弱监督算法做为有监督和无监督的折中算法应运而生，它训练样本只是图像级别(imagelevel)的标签(即标注仅包含图片中物体的类别)，而不是费时费力的边界框级别(bounding-boxlevel)的标签，这样既保证了学习训练过程的简单易操作，又提高了算法的效率，是工地安全帽检测算法的一种理想选择，但目前也尚未出现相关的研究成果。本专利技术针对上述问题，如何设计一种基于弱监督协同学习算法的工地安全帽识别方法，通过视频实时分析和预警，对未佩戴安全帽的危险行为实时预警，将报警截图和视频保存到数据库形成报表，是亟需解决的一个技术问题。
技术实现思路
本专利技术的目的之一在于克服以上缺点，提供一种基于弱监督协同学习算法的安全帽识别方法，能够对建筑工地生产区域内人员是否佩戴安全帽进行实时分析识别、跟踪和报警。为了解决上述技术问题，本专利技术提供了一种基于弱监督协同学习算法的安全帽识别方法，包括以下步骤：步骤1、采用图像级别标签图像对弱监督协同学习算法网络进行训练；步骤2、将待检测图像输入训练好的所述弱监督协同学习算法网络进行目标检测，得到概率向量；步骤3、根据所述概率向量判定所述待检测图像中人物是否正确佩戴安全帽。进一步地，所述采用图像级别的标签样本对弱监督协同学习算法网络进行训练，包括以下步骤：步骤11、通过卷积层和ROI池化层对图像级别标签图像进行特征提取，得到包含样本实例训练图片包；步骤12、弱监督学习模块根据所述训练图片包进行训练并生成边界框级别标签图像第一实例子集；步骤13、有监督学习模块根据所述训练图片包以及所述边界框级别标签图像第一实例子集进行训练并生成边界框级别标签图像第二实例子集；步骤14、有监督学习模块对所述边界框级别标签图像第一实例子集以及所述边界框级别标签图像第二实例子集进行计算一致性损失，并根据计算结果更新所述有监督学习模块的网络参数。进一步地，所述弱监督学习模块根据所述训练图片包进行训练并生成边界框级别标签图像第一结果集，包括以下步骤：步骤121、连续实例选择器对所述训练图片包中的样本实例进行子集划分；步骤122、连续评估器根据所述训练图片包样本实例子集划分结果对所述训练图片包中的样本实例进行评估；步骤123、将评估后的所述训练图片包作为边界框级别标签图像第一结果集。进一步地，所述连续实例选择器对所述训练图片包中的样本实例进行子集划分，包括以下步骤：步骤1211、连续实例选择器计算所述训练图片包中每个样本实例的得分，所述得分的计算公式为：S(ti,j,σs)＝σsT(FVb-FVf)，其中，tij表示第i个包中的第j个样本实例，σs是实例选择器的网络参数，FVb是样本实例tij中背景的费舍尔向量，FVf是样本实例tij中前景的费舍尔向量；步骤1212、从所述训练图片包所有样本实例中选取得分最高且不属于任何一个边界框级别标签图像实例子集的样本实例，建立一个新的边界框级别标签图像实例子集；步骤1213、将与步骤1211中所述得分最高的样本实例图片重叠面积大于或等于τ，且不属于任何一个边界框级别标签图像实例子集的样本实例归入相同的边界框级别标签图像实例子集中，其中，τ表示连续参数，取值范围为[0,1]；步骤1214、根据已经建立的所述边界框级别标签图像实例子集计算连续实例选择器的目标函数值，所述连续实例选择器的目标函数为：其中，ti表示第i本文档来自技高网...

【技术保护点】
1.一种基于弱监督协同学习算法的安全帽识别方法，其特征在于，包括以下步骤：/n步骤1、采用图像级别标签图像对弱监督协同学习算法网络进行训练；/n步骤2、将待检测图像输入训练好的所述弱监督协同学习算法网络进行目标检测，得到概率向量；/n步骤3、根据所述概率向量判定所述待检测图像中人物是否正确佩戴安全帽。/n

【技术特征摘要】
1.一种基于弱监督协同学习算法的安全帽识别方法，其特征在于，包括以下步骤：
步骤1、采用图像级别标签图像对弱监督协同学习算法网络进行训练；
步骤2、将待检测图像输入训练好的所述弱监督协同学习算法网络进行目标检测，得到概率向量；
步骤3、根据所述概率向量判定所述待检测图像中人物是否正确佩戴安全帽。


2.如权利要求1所述的基于弱监督协同学习算法的安全帽识别方法，其特征在于，所述采用图像级别的标签样本对弱监督协同学习算法网络进行训练，包括以下步骤：
步骤11、通过卷积层和ROI池化层对图像级别标签图像进行特征提取，得到包含样本实例训练图片包；
步骤12、弱监督学习模块根据所述训练图片包进行训练并生成边界框级别标签图像第一实例子集；
步骤13、有监督学习模块根据所述训练图片包以及所述边界框级别标签图像第一实例子集进行训练并生成边界框级别标签图像第二实例子集；
步骤14、有监督学习模块对所述边界框级别标签图像第一实例子集以及所述边界框级别标签图像第二实例子集进行计算一致性损失，并根据计算结果更新所述有监督学习模块的网络参数。


3.如权利要求2所述的基于弱监督协同学习算法的安全帽识别方法，其特征在于，所述弱监督学习模块根据所述训练图片包进行训练并生成边界框级别标签图像第一结果集，包括以下步骤：
步骤121、连续实例选择器对所述训练图片包中的样本实例进行子集划分；
步骤122、连续评估器根据所述训练图片包样本实例子集划分结果对所述训练图片包中的样本实例进行评估；
步骤123、将评估后的所述训练图片包作为边界框级别标签图像第一结果集。


4.如权利要求3所述的基于弱监督协同学习算法的安全帽识别方法，其特征在于，所述连续实例选择器对所述训练图片包中的样本实例进行子集划分，包括以下步骤：
步骤1211、连续实例选择器计算所述训练图片包中每个样本实例的得分，所述得分的计算公式为：S(ti,j,σs)＝σsT(FVb-FVf)，其中，tij表示第i个包中的第j个样本实例，σs是实例选择器的网络参数，FVb是样本实例tij中背景的费舍尔向量，FVf是样本实例tij中前景的费舍尔向量；
步骤1212、从所述训练图片包所有样本实例中选取得分最高且不属于任何一个边界框级别标签图像实例子集的样本实例，建立一个新的边界框级别标签图像实例子集；
步骤1213、将与步骤1211中所述得分最高的样本实例图片重叠面积大于或等于τ，且不属于任何一个边界框级别标签图像实例子集的样本实例归入相同的边界框级别标签图像实例子集中，其中，τ表示连续参数...

【专利技术属性】
技术研发人员：吴衍，马碧芳，郭永宁，
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