基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法技术

本发明专利技术提供了一种基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法，属于机器视觉技术领域，获取施工现场安全帽图片检测训练集；构建安全帽检测轻量化卷积神经网络；将所述施工现场安全帽图片检测训练集经预处理后输入到构建的安全帽检测轻量化卷积神经网络进行训练；利用训练好的安全帽检测轻量化卷积神经网络用于实际的施工现场安全帽佩戴检测。本发明专利技术提出的安全帽检测轻量化卷积神经网络，检测速度快，在参数量与计算量上得到了大幅度降低，并且能够实现不同距离安全帽目标的准确检测，解决了实际施工现场安全帽佩戴检测的实时性需求以及用于嵌入式设备的问题。时性需求以及用于嵌入式设备的问题。时性需求以及用于嵌入式设备的问题。

【技术实现步骤摘要】
基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法


[0001]本专利技术属于机器视觉
，尤其涉及一种基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法。

技术介绍

[0002]在施工环境中，施工人员佩戴安全帽可以有效避免或减小安全事故的伤害。通过人工巡检监控视频实现安全帽佩戴检测费时费力，且容易造成误检和漏检。利用机器视觉技术实现对施工现场工作人员是否佩戴安全帽进行检测，可有效地代替人工巡检，提高识别的精度，避免安全事故的发生。
[0003]传统的安全帽检测主要通过提取目标的几何、颜色等特征进行对比识别，例如利用肤色检测实现人头区域的定位，再采用SVM分类器对安全帽的Hu矩特征进行识别；利用混合高斯模型和连通区域处理来定位人体头部是否存在安全帽；结合局部二值模式直方图、梯度直方图和颜色特征，再利用SVM对安全帽进行检测。但是基于目标图像特征提取的传统检测方法对变化多样的实际环境检测能力有限。
[0004]近年来，基于深度学习的目标检测技术随着卷积神经网络的大力发展，有效的得到了实现，其较强的泛化能力能够针对绝大多数不同的环境进行安全帽佩戴检测。目前，基于深度学习的目标检测技术主要为基于区域建议和基于回归策略的目标检测网络。基于区域建议的目标检测网络代表性算法有Faster RCNN、Mask RCNN；基于回归策略的单阶段目标检测网络代表性算法有YOLO系列和SSD。然而，利用卷积神经网络进行安全帽检测对硬件的计算性能要求较高，在实际的应用中，由于移动和嵌入式设备的计算能力和内存有限，无法达到目前大多数卷积神经网络的计算性能。所以这些主流的检测算法很难在移动和嵌入式设备上得到较为广泛的应用。因此，根据移动式平台的需求，一系列用于图像分类的轻量级卷积神经网络被提出，如Xception、MobileNet系列和Shuffle
‑
Net系列。
[0005]利用深度可分离卷积来改进Darknet53网络，极大的减少了主干网络的参数量，但是由于为了提高检测精度，其将Inception结构应用至检测网络，在一定程度上增加了参数量，未达到嵌入式环境部署的要求；根据yolov4
‑
Tiny算法使用GhostNet模块重新构建主干特征提取网络，降低了模型的参数量，使其更容易部署在嵌入式设备上，但是其对检测精度没有提升。

技术实现思路

[0006]针对现有技术中的上述不足，本专利技术提供的一种基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法，解决了目前基于深度学习的安全帽模型参数量太大，无法部署在嵌入式设备上的问题。
[0007]为了达到以上目的，本专利技术采用的技术方案为：
[0008]本方案提供一种基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法，包括如下步骤：
[0009]S1、获取施工现场安全帽图片检测训练集；
[0010]S2、构建安全帽检测轻量化卷积神经网络；
[0011]S3、将所述施工现场安全帽图片检测训练集经预处理后输入到构建的安全帽检测轻量化卷积神经网络进行训练；
[0012]S4、利用训练好的安全帽检测轻量化卷积神经网络用于实际的施工现场安全帽佩戴检测。
[0013]进一步地，所述施工现场安全帽检测训练集包括若干张尺度大小为416
×
416的施工现场安全帽图集。
[0014]上述方案的有益效果为：将训练集图像归一化为416
×
416尺度大小，相较于原始YOLOv4目标检测网络的尺度大小为608
×
608图像输入需要的计算量更少。
[0015]进一步地，所述步骤S2包括如下步骤：
[0016]S21、利用Mobilenetv1轻量化网络代替YOLOv4目标检测网络中的CSPDarknet53主干特征提取网络；
[0017]S22、分别将第一空间金字塔模块SPP1、第二空间金字塔模块SPP2和第三空间金字塔模块SPP3由深层到浅层对应嵌入所述Mobilenetv1轻量化网络输出的三种尺度特征图输出端；
[0018]S23、利用深度可分离卷积模块Depthblock_body代替特征金字塔网络PANet中的所有5层卷积模块Conv x5中的3
×
3的标准卷积层，形成特征金字塔网络NPANet，完成安全帽检测轻量化卷积神经网络构建。
[0019]进一步地，所述Mobilenetv1轻量化网络采用直筒结构，并根据用于降低网络参数量的3
×
3深度可分离卷积层，以及用于进行通道的融合与调整的1
×
1点卷积层构成深度可分离卷积模块Depthblock_body。
[0020]进一步地，所述第一空间金字塔模块SPP1、第二空间金字塔模块SPP2和第三空间金字塔模块SPP3均包括用于对三种尺度特征图分别进行最大池化的1
×
1的池化核、5
×
5的池化核、9
×
9的池化核、13
×
13的池化核以及用于对尺度特征图通道融合的concat函数。
[0021]进一步地，所述三种尺度特征图分别为52
×
52的浅层特征图、26
×
26的中层特征图以及13
×
13的深层特征图。
[0022]进一步地，所述步骤S3中安全帽检测轻量化卷积神经网络单次训练的步骤如下：
[0023]A1、将训练集输入至Mobilenetv1轻量化网络进行特征提取，且分别将三种尺度特征图输入至所述特征金字塔网络NPANet；
[0024]A2、利用所述特征金字塔网络NPANet对所述三种不同尺度的特征图进行特征提取，并将特征金字塔网络NPANet的特征提取结果输入至YOLO Head结果预测模块；
[0025]A3、利用YOLO Head结果预测模块输出最终特征图，并利用logist回归对最终特征图上的先验框进行非极大值筛选评分，且得到预测结果，完成安全帽检测轻量化卷积神经网络单次训练。
[0026]进一步地，所述步骤A2中利用所述特征金字塔网络NPANet特征提取的方法的步骤如下：
[0027]B1、利用3层卷积模块Conv x3对深层特征图进行特征提取，得到深层特征图特征提取结果，并将深层特征图特征提取结果输入第一空间金字塔模块SPP1；
[0028]B2、利用第一空间金字塔模块SPP1对深层特征图特征提取结果的做最大池化处理，得到深层最大池化结果，并利用3层卷积模块Conv x3对最大池化结果进行特征提取，得到深层最大池化特征提取结果；
[0029]B3、将深层最大池化特征提取结果进行上采样后与中层特征图进行Concat融合，得到第一中层融合特征图，并利用3层卷积模块Conv x3对第一中层融合特征图进行特征提取，得到第一中层融合特征图特征提取结果；
[0030]B4、利用第二空间金字塔模块SPP2对第一中层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量化卷积神经网络的施工现场安全帽佩戴检测方法，其特征在于，包括如下步骤：S1、获取施工现场安全帽图片检测训练集；S2、构建安全帽检测轻量化卷积神经网络；S3、将所述施工现场安全帽图片检测训练集经预处理后输入到构建的安全帽检测轻量化卷积神经网络进行训练；S4、利用训练好的安全帽检测轻量化卷积神经网络用于实际的施工现场安全帽佩戴检测。2.根据权利要求1所述的一种轻量化卷积网络的施工现场安全帽佩戴检测方法，其特征在于，所述施工现场安全帽检测训练集包括若干张尺度大小为416
×
416的施工现场安全帽图集。3.根据权利要求1所述的一种轻量化卷积网络的施工现场安全帽佩戴检测方法，其特征在于，所述步骤S2包括如下步骤：S21、利用Mobilenetv1轻量化网络代替YOLOv4目标检测网络中的CSPDarknet53主干特征提取网络；S22、分别将第一空间金字塔模块SPP1、第二空间金字塔模块SPP2和第三空间金字塔模块SPP3由深层到浅层对应嵌入所述Mobilenetv1轻量化网络输出的三种尺度特征图输出端；S23、利用深度可分离卷积模块Depthblock_body代替特征金字塔网络PANet中的所有5层卷积模块Conv x5中的3
×
3的标准卷积层，形成特征金字塔网络NPANet，完成安全帽检测轻量化卷积神经网络构建。4.根据权利要求3所述的一种轻量化卷积网络的施工现场安全帽佩戴检测方法，其特征在于，所述Mobilenetv1轻量化网络采用直筒结构，并根据用于降低网络参数量的3
×
3深度可分离卷积层，以及用于进行通道的融合与调整的1
×
1点卷积层构成深度可分离卷积模块Depthblock_body。5.根据权利要求3所述的一种轻量化卷积网络的施工现场安全帽佩戴检测方法，其特征在于，所述第一空间金字塔模块SPP1、第二空间金字塔模块SPP2和第三空间金字塔模块SPP3均包括用于对三种尺度特征图分别进行最大池化的1
×
1的池化核、5
×
5的池化核、9
×
9的池化核、13
×
13的池化核以及用于对尺度特征图通道融合的concat函数。6.根据权利要求3所述的一种轻量化卷积网络的施工现场安全帽佩戴检测方法，其特征在于，所述三种尺度特征图分别为52
×
52的浅层特征图、26
×
26的中层特征图以及13
×
13的深层特征图。7.根据权利要求6所述的一种轻量化卷积网络的施工现场安全帽佩戴检测方法，其特征在于，所述步骤S3中安全帽检测轻量化卷积神经网络单次训练的步骤如下：A1、将训练集输入至Mobilenet...

【专利技术属性】
技术研发人员：吴浩，李天宇，陈明举，毛艳玲，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：