基于神经网络的安全帽检测方法和装置制造方法及图纸

本发明专利技术提供基于神经网络的安全帽检测方法，建立第一神经网络，所述第一神经网络的基础网络为YOLOv3网络，利用第一神经网络对目标图片中的安全帽进行检测；YOLOv3网络中的骨干网络模块中增加了可变卷积处理和双注意力机制处理，并且利用上采样拼接的方式对部分特征图的尺寸进一步变小。通过本发明专利技术的方法，能够更加准确地检测出安全帽。更加准确地检测出安全帽。更加准确地检测出安全帽。

【技术实现步骤摘要】
基于神经网络的安全帽检测方法和装置


[0001]本专利技术涉及安全帽的检测，特别是一种神经网络检测安全帽的方法。

技术介绍

[0002]随着人们对建筑安全应用的关注，安全帽检测也被提出。国内的安全帽检测研究已经成为热点，方明等人在YOLOv2上引入密集连接网络和轻量化网络结构，减少了参数和计算量，但是当背景颜色与安全帽颜色相近时，会出现漏检情况。徐守坤等在Faster R-CNN上运用多尺度训练和增加锚点数量的方式来实现对安全帽小目标检测的优化，但该方法所需时间长，难以部署在实际。王兵等人使用GIOU计算方法，与YOLOv3的目标函数相结合，解决了评价指标与目标函数不一致的问题，提升了安全帽佩戴检测的准确率，但其网络结构不够精简。

技术实现思路

[0003]本专利技术目的在于提供一种基于神经网络的安全帽检测方法，用于解决安全帽检测准确率低的技术问题。
[0004]为达成上述目的，本专利技术提出如下技术方案：
[0005]基于神经网络的安全帽检测方法，建立第一神经网络，所述第一神经网络的基础网络为YOLOv3网络，利用第一神经网络对目标图片中的安全帽进行检测；
[0006]包括如下过程：
[0007]所述目标图片顺序经过第一残差处理、第二残差处理、第三残差处理、第四残差处理和第五残差处理获得第一图像，并经过第一后处理获得一级后处理特征图，再经过第二后处理获得第一特征图；
[0008]所述目标图片顺序经过第一残差处理、第二残差处理、第三残差处理、第四残差处理获得第二图像，并与上采样的上述一级后处理特征图拼接，并经过第一后处理获得二级后处理特征图，再经过第二后处理获得第二特征图；
[0009]所述目标图片顺序经过第一残差处理、第二残差处理、第三残差处理获得第三图像，并与上采样的二级后处理特征图进行拼接，再经过第一后处理获得三级后处理特征图；
[0010]所述目标图片顺序经过第一残差处理、第二残差处理获得第四图像，并与上采样的上述三级后处理特征图拼接，并经过第一后处理获得四级后处理特征图，再经过第二后处理获得第三特征图；
[0011]其中，所述第一残差处理、第二残差处理、第三残差处理均包括可变卷积处理、空间注意力处理和残差处理，所述第四残差处理和第五残差处理均包括通道注意力处理和残差处理。
[0012]进一步的，在本专利技术中，所述第一后处理为顺序执行的5次DBL处理，每次DBL处理包括卷积、批标准化和激活。
[0013]进一步的，在本专利技术中，所述第二后处理为顺出执行的1次DBL处理和卷积。
[0014]有益效果：
[0015]由以上技术方案可知，本专利技术的技术方案提供了一种安全帽的检测方法，基于YOLOv3算法作为基础网络，并对YOLOv3结构进行改进。首先加入了空间注意力模块和通道注意力模块形成双注意力机制来获取空间和通道上更多的特征，再加入可变卷积以适应目标物体的形变，最后对部分特征图的尺寸进行了改变以更准确的检测出小物体。
[0016]本专利技术的模型与常见的YOLOv3，SSD300，以及Fast R-CNN等模型在同一环境下进行对比，实验结果表明本专利技术的方法对安全帽和人的检测精度有明显提升。
[0017]应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的专利技术主题的一部分。
[0018]结合附图从下面的描述中可以更加全面地理解本专利技术教导的前述和其他方面、实施例和特征。本专利技术的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本专利技术教导的具体实施方式的实践中得知。
附图说明
[0019]附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本专利技术的各个方面的实施例，其中：
[0020]图1为本专利技术中传统的YOLOv3网络的基本组成单元DBL的结构示意图；
[0021]图2为本专利技术中传统的YOLOv3网络的骨干网络DarkNet-53网络的结构示意图；
[0022]图3为本专利技术中传统的YOLOv3网络的结构示意图；
[0023]图4为本专利技术中新的YOLOv3网络的骨干网络DarkNet-53网络的结构示意图；
[0024]图5为本专利技术中新的YOLOv3网络的多尺度特征变动图；
[0025]图6为本专利技术在实验比对时各模型测试mAP结果；
[0026]图7为采用SSD300的预测图；
[0027]图8为采用FastR-CNN的预测图；
[0028]图9为采用YOLOv3的预测图；
[0029]图10为采用本专利技术的方法的预测图。
具体实施方式
[0030]为了更了解本专利技术的
技术实现思路
，特举具体实施例并配合所附图式说明如下。
[0031]在本公开中参照附图来描述本专利技术的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本专利技术的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本专利技术所公开的构思和实施例并不限于任何实施方式。另外，本专利技术公开的一些方面可以单独使用，或者与本专利技术公开的其他方面的任何适当组合来使用。
[0032]申请概述
[0033]如背景所述的现有的安全帽检测准确性较低，本专利技术分析了导致上述问题存在的原因有以下几点：
[0034]1、图片中通常为工地环境，背景噪声大；
[0035]2、图片中因拍摄角度导致部分安全帽存在变形；
[0036]3、安全帽尺寸较小，容易被遮挡；
[0037]针对上述技术问题，本申请提供的技术方案总体思路如下：
[0038]通过获取更多的安全帽的特征来增加安全帽检出的可能，通过变形适应机制以克服变形带来的问题，通过提高特征图的尺寸以适应安全帽尺寸较小的情况。
[0039]因此，基于上述考虑，本专利技术提出了一种基于神经网络的安全帽检测方法，建立第一神经网络，所述第一神经网络的基础网络为YOLOv3网络，利用第一神经网络对目标图片中的安全帽进行检测；如图5所示，输入的目标图片的尺寸为416*416*3。
[0040]具体处理包括如下过程：
[0041]所述目标图片顺序经过第一残差处理、第二残差处理、第三残差处理、第四残差处理和第五残差处理获得第一图像，并经过第一后处理获得一级后处理特征图，再经过第二后处理获得第一特征图；
[0042]所述目标图片顺序经过第一残差处理、第二残差处理、第三残差处理、第四残差处理获得第二图像，并与上采样的上述一级后处理特征图拼接，并经过第一后处理获得二级后处理特征图，再经过第二后处理获得第二特征图；
[0043]所述目标图片顺序经过第一残差处理、第二残差处理、第三本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络的安全帽检测方法，其特征在于：建立第一神经网络，所述第一神经网络的基础网络为YOLOv3网络，利用第一神经网络对目标图片中的安全帽进行检测；包括如下过程：所述目标图片顺序经过第一残差处理、第二残差处理、第三残差处理、第四残差处理和第五残差处理获得第一图像，并经过第一后处理获得一级后处理特征图，再经过第二后处理获得第一特征图；所述目标图片顺序经过第一残差处理、第二残差处理、第三残差处理、第四残差处理获得第二图像，并与上采样的上述一级后处理特征图拼接，并经过第一后处理获得二级后处理特征图，再经过第二后处理获得第二特征图；所述目标图片顺序经过第一残差处理、第二残差处理、第三残差处理获得第三图像，并与上采样的二级后处理特征图进行拼接，再经过第一后处理获得三级后处理特征图；所述目标图片顺序经过第一残差处理、第二残差处理获得第四图像，并与上采样的上述三级后处理特征图拼接，并经过第一后处理获得四级后处理特征图，再经过第二后处理获得第三特征图；其中，所述第一残差处理、第二残差处理、第三残差处理均包括可变卷积处理、空间注意力处理和残差处理，所述第四残差处理和第五残差处理均包括通道注意力处理和残差处理。2.根据权利要求1所述的基于神经网络的安全帽检测方法，其特征在于：所述第一后处理为顺序执行的5次DBL处理，每次DBL处理包括卷积、批标准化和激活。3.根据权利要求2所述的基于神经网络的安全帽检测方法，其特征在于：所述第二后处理为顺出执行的1次DBL处理和卷积。4.基于神经网络的安全帽检测装置，其特征在于：第一神经网络建立模块，所述第一神经网络的基础网络为YOLOv3网络，...

【专利技术属性】
技术研发人员：张学锋，王子琦，汤亚玲，储岳中，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：