一种安全帽佩戴检测方法、系统、设备及存储介质技术方案

本发明专利技术公开了一种安全帽佩戴检测方法、系统、设备及存储介质，1.获取原始图像数据，将部分原始图像数据作为训练集；2.搭建安全帽检测网络YOLOv4；3.使用聚类算法获取训练集的先验框的大小，并且替换YOLOv4中的先验框数据；4.将训练集上传至安全帽检测网络YOLOv4中，采用迁移学习的方法训练得到安全帽识别模型；5.使用安全帽识别模型对现场人员是否佩戴安全帽进行检测。增强了网络的识别度，提高了复杂施工场景下多行为的小目标检测的准确率和模型的鲁棒性，实现复杂场景下安全帽佩戴的精准检测。测。测。

【技术实现步骤摘要】
一种安全帽佩戴检测方法、系统、设备及存储介质


[0001]本专利技术属于小目标检测领域，涉及一种安全帽佩戴检测方法、系统、设备及存储介质。

技术介绍

[0002]安全帽设施佩戴目标检测是利用基于深度学习的目标检测算法判断图像中的建筑施工人员是否合格佩戴安全帽。在传统的目标检测方法中，主要分为以下步骤：图像预处理、目标区域选择、特征提取、特征选择、特征分类五个步骤。作为人工提取的图像特征用作目标检测，使得获取的结果并不理想目前，基于深度学习的目标检测技术已经相当成熟，应用于各个领域。
[0003]目标检测领域的深度学习方法主要分为两类：two stage的目标检测算法；one stage的目标检测算法。Two stage的目标检测算法属于基于候选区的图像分类算法，先使用区域搜索型算法在图像上提取多个候选区域，再对候选区域进行特征提取对其分类。One stage的目标检测算法直接回归物体的类别概率和位置坐标值，未使用RPN网络，检测速度相比Two stage目标检测网络更快。目前已有的YOLO算法可以很好的识别清晰、背景环境良好的目标物，但是对于建筑施工地环境复杂、建筑施工人员动作不一、目标物重叠以及背景色容易和目标物体的颜色冲突等情况，无法精准的做出识别。

技术实现思路

[0004]本专利技术的目的在于克服上述现有技术的缺点，提供一种安全帽佩戴检测方法、系统、设备及存储介质，实现多小目标复杂场景下的精准检测。
[0005]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0006]一种安全帽佩戴检测方法，包括以下步骤；
[0007]步骤一、获取原始图像数据，将部分原始图像数据作为训练集；
[0008]步骤二、搭建安全帽检测网络YOLOv4；
[0009]步骤三、使用聚类算法获取训练集的先验框的大小，并且替换YOLOv4中的先验框数据；
[0010]步骤四、将训练集上传至安全帽检测网络YOLOv4中，采用迁移学习的方法训练得到安全帽识别模型；
[0011]步骤五、使用安全帽识别模型对现场人员是否佩戴安全帽进行检测。
[0012]优选的，步骤一中，将剩余部分原始图像作为测试集；步骤六中，得到安全帽识别模型后，输入测试集，用测试集对安全帽识别模型进行测试，得到测试结果集。
[0013]优选的，步骤一中，对训练集打上xml标签，xml标签分为正样本和负样本。
[0014]优选的，步骤二中，安全帽检测网络YOLOv4包括Input输入层、BackBone主干网络、Neck模块和Head检测头。
[0015]优选的，步骤四中，使用迁移学习的方式基于预训练权重文件训练出安全帽检测
网络YOLOv4的权重文件，并将权重文件进行转换为.conv.23的文件，将生成的.conv.23文件作为下次训练的预训练模型。
[0016]进一步，训练时生成weights文件以及loss和map的变化过程图像，weights文件为权重文件。
[0017]一种安全帽佩戴检测系统，包括：
[0018]获取数据模块，用于获取原始图像数据，将部分原始图像数据作为训练集；
[0019]安全帽检测网络构建模块，用于搭建安全帽检测网络YOLOv4；
[0020]先验框更新模块，用于使用聚类算法获取训练集的先验框的大小，并且替换YOLOv4中的先验框数据；
[0021]训练模块，用于将训练集上传至安全帽检测网络YOLOv4中，采用迁移学习的方法训练得到安全帽识别模型；
[0022]检测模块，用于使用安全帽识别模型对现场人员是否佩戴安全帽进行检测。
[0023]一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述安全帽佩戴检测方法的步骤。
[0024]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述安全帽佩戴检测方法的步骤。
[0025]与现有技术相比，本专利技术具有以下有益效果：
[0026]本专利技术通过使用聚类算法获取训练集的先验框的大小，并且替换YOLOv4中的先验框数据，由于YOLOv4配置文件中的先验框大小是基于coco数据集的，并不适用本专利技术所用的VOC数据集，而使用合并聚类算法，其对小数据点也可以实现分类，以此得到的先验框在进行小目标检测时可提高检测率。本专利技术基于此得到较好的检测数据集和网络，增强了网络的识别度，提高了复杂施工场景下多行为的小目标检测的准确率和模型的鲁棒性，实现复杂场景下安全帽佩戴的精准检测。
附图说明
[0027]图1为本专利技术的流程图；
[0028]图2为本专利技术的安全帽检测网络YOLOv4的结构图；
[0029]图3为SafetyHelmetWearing
‑
Dataset检测的loss损失和map图；
[0030]图4为本专利技术数据集检测的loss损失和map图。
具体实施方式
[0031]下面结合附图对本专利技术做进一步详细描述：
[0032]本专利技术所述的安全帽佩戴检测方法，如图1所示，包括以下步骤：
[0033]步骤1：准备训练所需的数据集。在建筑施工现场采集原始图像数据，将采集来的照片分为占75％的训练集和占25％的测试集，对训练集中的源图像进行预处理。
[0034]具体的：采集至少6000张有关安全帽佩戴图片，源图像数据采集时必须包含施工人员的多个角度，多个姿态，源图片中的施工人员远近大小不一，包含多个小目标，且环境不可单一，场地不可过于简单；此专利技术中使用的图集部分来源于GitHub上公开的Safety
‑
Helmet
‑
Wearing
‑
Dataset数据集、手机拍摄的建筑施工地照片(拍摄地：西安)以及网络爬虫，对搜集到的照片进行严格的筛选，并使用Keras提供的图片预处理的类ImageDataGenerator对源图片集进行扩展，图片生成器会生成一个batch周期内的数据，它支持实时的数据扩展，训练的时候会无限生成数据，一直到达设定的epoch次数才停止。在数据集不够多的情况下，可以使用ImageDataGenerator()来扩大数据集并且防止搭建的网络出现过拟合现象。将预处理后的图片存入JPEGImages文件夹，命名格式统一为：00xxxx.jpg，作为训练集，训练集占所有数据的75％。
[0035]步骤2：制作VOC数据集，通过LabelImg工具对训练集打标签，标签分为正样本helmet和负样本no
‑
helmets，将打好的xml标签统一存放在VOC文件夹下的Annotations文件中，源图片存放在JPEGImages文件下。
[0036]VOC数据集包含：1)步骤一中存放安全帽图片的JPEGImages文件夹；2)使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种安全帽佩戴检测方法，其特征在于，包括以下步骤；步骤一、获取原始图像数据，将部分原始图像数据作为训练集；步骤二、搭建安全帽检测网络YOLOv4；步骤三、使用聚类算法获取训练集的先验框的大小，并且替换YOLOv4中的先验框数据；步骤四、将训练集上传至安全帽检测网络YOLOv4中，采用迁移学习的方法训练得到安全帽识别模型；步骤五、使用安全帽识别模型对现场人员是否佩戴安全帽进行检测。2.根据权利要求1所述的安全帽佩戴检测方法，其特征在于，步骤一中，将剩余部分原始图像作为测试集；步骤六中，得到安全帽识别模型后，输入测试集，用测试集对安全帽识别模型进行测试，得到测试结果集。3.根据权利要求1所述的安全帽佩戴检测方法，其特征在于，步骤一中，对训练集打上xml标签，xml标签分为正样本和负样本。4.根据权利要求1所述的安全帽佩戴检测方法，其特征在于，步骤二中，安全帽检测网络YOLOv4包括Input输入层、BackBone主干网络、Neck模块和Head检测头。5.根据权利要求1所述的安全帽佩戴检测方法，其特征在于，步骤四中，使用迁移学习的方式基于预训练权重文件训练出安全帽检测网络YOLOv4的权重文件，并将权重文件进行转换为...

【专利技术属性】
技术研发人员：张翔，赵妍祯，叶娜，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：