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：