【技术实现步骤摘要】
一种佩戴安全帽的检测方法、装置、存储介质及终端
本专利技术涉及人工智能
，特别涉及一种佩戴安全帽的检测方法、装置、存储介质及终端。
技术介绍
在工地和工厂作业中，工人佩戴安全帽是十分重要的一件事。如果工人未佩戴安全帽在作业中受到打击，会对头部造成强大的冲击力，从而造成严重的事故。当前众多工厂和车间的工作员工佩戴安全帽的意识淡薄，因此在实际作业中经常发现工人脱安全帽或者不佩戴安全帽的情况，针对该情况，企业需要委派监管人员进行监察，依靠人力进行监察效率低下。随着人工智能的快速发展，越来越多的深度学习算法应用在了智慧安监，智慧安防等领域，从而利用深度学习技术进行安全帽检测可以保障安全生产。现有的安全帽检测算法可以大致分为单阶段和双阶段的算法。单阶段算法直接检测出画面中佩戴了安全帽的人头和未佩戴安全帽的人头。由于现有的安全帽的数据较少，且人头占画面的比例一般比较小，加上人头的纹理和结构信息不够独特，很容易导致误检：即算法容易将不包含人的背景区域检测成目标。采用双阶段的算法可以缓解误检问题，双阶段的算法首先检测出图片中的...
【技术保护点】
1.一种佩戴安全帽的检测方法，其特征在于，所述方法包括：/n接收来自图像采集设备实时发送的目标图像；/n将所述目标图像输入运行在当前芯片的程序中，所述程序中包含了基于预先训练的安全帽检测模型生成的wk文件；/n其中，所述安全帽检测模型基于训练数据集训练生成，训练数数据集包含三类检测目标；所述三类检测目标分别为戴安全帽的人头、未戴安全帽的人头和行人；所述安全帽检测模型为YOLOv4模型，所述YOLOv4模型是经过修改激活函数并经过通道裁剪后生成的；/n输出所述目标图像中所检测到的各对象的类型、所述各对象的位置和大小；其中，所述各对象包括佩戴安全帽的人头、未佩戴安全帽的人头及行...
【技术特征摘要】
1.一种佩戴安全帽的检测方法，其特征在于，所述方法包括：
接收来自图像采集设备实时发送的目标图像；
将所述目标图像输入运行在当前芯片的程序中，所述程序中包含了基于预先训练的安全帽检测模型生成的wk文件；
其中，所述安全帽检测模型基于训练数据集训练生成，训练数数据集包含三类检测目标；所述三类检测目标分别为戴安全帽的人头、未戴安全帽的人头和行人；所述安全帽检测模型为YOLOv4模型，所述YOLOv4模型是经过修改激活函数并经过通道裁剪后生成的；
输出所述目标图像中所检测到的各对象的类型、所述各对象的位置和大小；其中，所述各对象包括佩戴安全帽的人头、未佩戴安全帽的人头及行人；
基于所述各对象的类型、所述各对象的位置和大小判定所述行人是否佩戴安全帽。
2.根据权利要求1所述的方法，其特征在于，所述基于所述各对象的类型、所述各对象的位置和大小判定所述行人是否佩戴安全帽，包括：
判断所述佩戴安全帽的人头或所述未佩戴安全帽的人头是否处于所述行人区域内，生成判断结果；
当所述判断结果的标识为true时，确定出所述行人佩戴安全帽；
或者
当所述判断结果的标识为false时，确定出所述行人没有佩戴安全帽。
3.根据权利要求2所述的方法，其特征在于，所述判断所述佩戴安全帽的人头或所述未佩戴安全帽的人头是否处于所述行人区域内，生成判断结果，包括：
基于所述大小计算所述佩戴安全帽人头或未佩戴安全帽人头区域的面积；
计算所述佩戴安全帽人头或未佩戴安全帽人头区域的面积与所述行人区域的交集面积；
将所述交集面积和所述佩戴安全帽人头区域的面积的比值确定为第一计算结果；
当所述第一计算结果大于预设阈值时，生成标识为true的判断结果，否则不做判断；
或者，
将所述交集面积和所述未佩戴安全帽人头区域的面积的比值确定为第二计算结果；
当所述第二判断结果大于预设阈值时，生成标识为false的判断结果，否则不做判断。
4.根据权利要求1所述的方法，其特征在于，按照下述步骤生成预先训练的安全帽检测模型，包括：
采集训练数据集；其中，训练数数据集包含三类检测目标；所述三类检测目标分别为戴安全帽的人头、未戴安全帽的人头和行人；
采用YOLOv4模型创建安全帽检测模型；
查找所述预先训练的安全帽检测模型中的Mish激活函数；
将所述Mish激活函数替换为LeakyRelu激活函数，生成替换函数后的安全帽检测模型；
将所述训练数据集输入所述替换函数后的...
【专利技术属性】
技术研发人员：张宇廷，
申请(专利权)人：浙江智慧视频安防创新中心有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。