一种基于深度学习的安全装备实时检测方法及装置制造方法及图纸

本发明专利技术涉及一种基于深度学习的安全装备实时检测方法及装置，其方法包括如下步骤：获取多种场景中的视频流数据并利用其训练目标检测神经网络；根据所述目标检测神经网络获取安全装备与佩戴人的识别置信度以及动态锚框、动态锚框的坐标；统计所述动态锚框内的预设颜色像素占其所有颜色的比例；根据所述识别置信度、动态锚框的坐标以及预设颜色像素占其所有颜色的比例，判断佩戴人是否安全佩戴安全装备。本发明专利技术综合了多种途径检测安全装备方法，由于采取了分层次的检测方法，速度快、精度高，可以适用于多种场景，特别是佩戴人在出现安全问题时的检测。问题时的检测。问题时的检测。

【技术实现步骤摘要】
一种基于深度学习的安全装备实时检测方法及装置


[0001]本专利技术涉及视觉识别和安全领域，尤其涉及一种基于深度学习的安全装备实时检测方法及装置。

技术介绍

[0002]在社会生产经营中，由于工作人员的不安全行为引发的安全事故时有发生。不安全行为是指生产经营单位从业人员在进行生产操作时进行的违反安全生产客观规律，且有可能导致事故的行为，他们是造成大量事故的直接原因。通过对往年全国安全生产事故进行分析，有90％以上的安全事故是由工作人员的不安全行为或违规行为导致的，如违章操作、失误操作、疲劳操作、未正确穿戴劳保用品。检测工作人员是否按照工业生产规定佩戴安全帽和安全带，可以有效降低高空坠物、高空坠落等安全事故发生的概率及造成的伤害。
[0003]随着深度学习技术的高速发展，目标检测算法的速度、精度不断提高，在计算机视觉任务上有着非常优秀的表现。主流的目标检测算法可以分为两类，一类是基于候选区域的R-CNN系列算法(R-CNN,Fast R-CNN,Faster R-CNN)，这一类算法食分为两个阶段检测的，需要先使用启发式方法(选择性检索selective search)或CNN网络(RPN)产生候选区域，然后再在候选区域上做分类与回归；另一类是YOLO系列，SSD这类一阶段算法，YOLO仅仅使用一个CNN网络就能直接预测不同目标的类别与位置。
[0004]R-CNN系列算法检测目标时首先在图像中提取几千个候选框，每一个候选框都要输入神经网络进行判断，计算时间较长，无法满足实时性的要求。
[0005]YOLO系列经过一系列的迭代，但精度和速度方面距离实时检测仍有不尽人意。

技术实现思路

[0006]本专利技术针对现有实时检测安全装备在精度不高、实时性差等技术问题，在本专利技术的第一方面，提供了一种基于深度学习的安全装备实时检测方法，包括如下步骤：获取多种场景中的视频流数据并利用其训练目标检测神经网络；根据所述目标检测神经网络获取安全装备与佩戴人的识别置信度以及动态锚框、动态锚框的坐标；统计所述动态锚框内的预设颜色像素占其所有颜色的比例；根据所述识别置信度、动态锚框的坐标以及预设颜色像素占其所有颜色的比例，判断佩戴人是否安全佩戴安全装备。
[0007]在本专利技术的一些实施例中，所述目标检测神经网络的训练步骤包括如下步骤：将所述视频流数据提取为图像，并将其制作为图像数据集；利用图片标注工具对所述图像数据集中的目标人员及其安全装备标注，以及获取目标人员及其安全装备的坐标，制作成图像数据集的标签；将所述图像数据集及其标签作为目标检测神经网络的输入，训练所述目标检测神经网络直至误差低于阈值。
[0008]在本专利技术的一些实施例中，所述统计所述动态锚框内的预设颜色像素占其所有颜色的比例具体为：统计锚框内红、黄、蓝、橙、白像素占锚框内全部像素的比例。
[0009]在本专利技术的一些实施例中，所述根据所述识别置信度、动态锚框的坐标以及预设
颜色像素占其所有颜色的比例，判断佩戴人是否安全佩戴安全装备包括如下步骤：根据所述目标检测神经网络获取安全装备与佩戴人的识别置信度以及动态锚框p1、p2，所述p1、p2分别表示安全装备的动态锚框、佩戴人的动态锚框；根据所述目标检测神经网络获取安全装备与佩戴人的识别置信度y1、y2；统计所述动态锚框p1、p2内的预设颜色像素占其所有颜色的比例r1、r2；确定识别置信度y1、y2的权重系数α1、α2，根据安全装备与佩戴人头发颜色以及肤色分别确定r1、r2的权重系数β1、β2；根据所述权重系数α1、α2和β1、β2以及r1、r2，判断佩戴人是否安全佩戴安全装备。
[0010]进一步的，根据α1、α2和β1、β2以及r1、r2确定标准值Z；根据标准值Z是否大于阈值判断佩戴人是否安全佩戴安全装备；所述标准值Z的计算方法为：Z＝η(y1)
·
α1+η(y1)
·
α1+η(r1)
·
β1+η(r2)
·
β2，其中η()表示激活函数。
[0011]进一步的，若y1、y2小于阈值，则重新获取安全装备与佩戴人的识别置信度以及动态锚框、动态锚框的坐标；若否，则根据安全装备与佩戴人的动态锚框的坐标判断两者所在区域内是否存在交集；根据r1、r2判断佩戴人是否安全佩戴安全装备。
[0012]在本专利技术的第二方面提供了一种基于深度学习的安全装备实时检测装置，包括第一获取模块、第二获取模块、统计模块、确定模块，第一获取模块，用于获取多种场景中的视频流数据并利用其训练目标检测神经网络；第二获取模块，用于根据所述目标检测神经网络获取安全装备与佩戴人的识别置信度以及动态锚框、动态锚框的坐标；统计模块，用于统计所述动态锚框内的预设颜色像素占其所有颜色的比例；确定模块，用于根据所述识别置信度、动态锚框的坐标以及预设颜色像素占其所有颜色的比例，判断佩戴人是否安全佩戴安全装备。
[0013]在本专利技术的一些实施例中，所述第二获取模块包括目标检测神经网络，所述目标检测神经网络用于获取安全装备与佩戴人的识别置信度以及动态锚框、动态锚框的坐标。
[0014]在本专利技术的第三方面提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现第一方面所述的方法。
[0015]在本专利技术的第四方面提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现第一方面所述的方法。
[0016]本专利技术的有益效果是：
[0017]1.综合了多种途径检测安全装备方法，由于采取了分层次的检测方法，速度快、精度高；
[0018]2.采用空间相关性模型对安全帽/带及人体的相对位置做综合位置空间判定，避免了工地复杂背景的干扰和影响。
[0019]3.采用YOLOv4算法，相比之前的目标检测算法，精度和速度都有较大的提升。
附图说明
[0020]图1为本专利技术的一些实施例中的基于深度学习的安全装备实时检测方法的基本流程图；
[0021]图2为本专利技术的一些实施例中的基于深度学习的安全装备实时检测装置的基本结构图；
[0022]图3为本专利技术的电子设备的基本结构框图；
[0023]图4为本专利技术的目标检测神经网络获取到的锚框的示意图。
具体实施方式
[0024]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0025]参考图1，一种基于深度学习的安全装备实时检测方法，包括如下步骤：S101.获取多种场景中的视频流数据并利用其训练目标检测神经网络；S102.根据所述目标检测神经网络获取安全装备与佩戴人的识别置信度以及动态锚框、动态锚框的坐标；S103.统计所述动态锚框内的预设颜色像素占其所有颜色的比例；S104.根据所述识别置信度、动态锚框的坐标以及预设颜色像素占其所有颜色的比例，判断佩戴人是否安全佩戴本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的安全装备实时检测方法，其特征在于，包括如下步骤：获取多种场景中的视频流数据并利用其训练目标检测神经网络；根据所述目标检测神经网络获取安全装备与佩戴人的识别置信度以及动态锚框、动态锚框的坐标；统计所述动态锚框内的预设颜色像素占其所有颜色的比例；根据所述识别置信度、动态锚框的坐标以及预设颜色像素占其所有颜色的比例，判断佩戴人是否安全佩戴安全装备。2.根据权利要求1所述的基于深度学习的安全装备实时检测方法，其特征在于，所述目标检测神经网络的训练步骤包括如下步骤：将所述视频流数据提取为图像，并将其制作为图像数据集；利用图片标注工具对所述图像数据集中的目标人员及其安全装备标注，以及获取目标人员及其安全装备的坐标，制作成图像数据集的标签；将所述图像数据集及其标签作为目标检测神经网络的输入，训练所述目标检测神经网络直至误差低于阈值。3.根据权利要求1所述的基于深度学习的安全装备实时检测方法，其特征在于，所述统计所述动态锚框内的预设颜色像素占其所有颜色的比例具体为：统计锚框内红、黄、蓝、橙、白像素占锚框内全部像素的比例。4.根据权利要求1所述的基于深度学习的安全装备实时检测方法，其特征在于，所述根据所述识别置信度、动态锚框的坐标以及预设颜色像素占其所有颜色的比例，判断佩戴人是否安全佩戴安全装备包括如下步骤：根据所述目标检测神经网络获取安全装备与佩戴人的识别置信度以及动态锚框p1、p2，所述p1、p2分别表示安全装备的动态锚框、佩戴人的动态锚框；根据所述目标检测神经网络获取安全装备与佩戴人的识别置信度y1、y2；统计所述动态锚框p1、p2内的预设颜色像素占其所有颜色的比例r1、r2；确定识别置信度y1、y2的权重系数α1、α2，根据安全装备与佩戴人头发颜色以及肤色分别确定r1、r2的权重系数β1、β2；根据所述权重系数α1、α2和β1、β2以及r1、r2，判断佩戴人是否安全佩戴安全装备。5.根据权利要求4所述的基于深度学习的安全装备实时检测方法，其特征在于，其特征在于，所述根据所述权重系数α1、α2和β1、β2以及r1、r2，判断佩戴人是否安全...

【专利技术属性】
技术研发人员：黄莉，付乔波，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：