一种基于YOLOv4的登高安全检测方法及系统技术方案

本发明专利技术涉及一种基于YOLOv4的登高安全检测方法及系统，该方法包括：获取登高作业的照片作为数据集；对所述数据集进行预处理，得到第一数据集；将所述第一数据集分为训练集和测试集；构建YOLOv4目标检测网络；利用所述训练集对所述YOLOv4目标检测网络进行训练；利用训练后的YOLOv4目标检测网络对待检测照片进行检测，得到目标对象及其位置信息；根据所述目标对象及其位置信息判断登高安全是否合格。本发明专利技术能够在登高安全检测时实现对目标对象的高效检测及安全判别。高效检测及安全判别。高效检测及安全判别。

【技术实现步骤摘要】
一种基于YOLOv4的登高安全检测方法及系统


[0001]本专利技术涉及目标检测领域，特别是涉及一种基于YOLOv4的登高安全检测方法及系统。

技术介绍

[0002]目标检测是计算机视觉识别任务中的基本问题之一，不仅可以识别一张照片中的一个或多个对象，而且能给出识别对象的位置信息，在人工智能、人脸识别、无人驾驶等领域都有广泛应用。
[0003]施工现场采集的大量关于登高作业的照片，很多不符合安全管理，对现场质量安全管理造成了巨大冲击，并且使用人工方式对照片进行登高安全检测，需要投入大量的时间和成本、效率低下。为了显著降低人工工作量并提升登高安全检测的效率，本专利技术建立基于深度学习模型的目标检测方法。
[0004]现有基于深度学习的目标检测方法主要包括两阶段(two
‑
stage)和一阶段(one
‑
stage)两种类别。两阶段方法的主要代表为2017年提出的Faster R
‑
CNN(Regions with ConvolutionalNeural Network)，主要由深度全卷积网络RPN和Fast R
‑
CNN检测器两个模块组成，优点是目标检测准确率较高，但因为其将候选区域选择以及目标分类和边界框回归分开作为两阶段任务实现，所以目标检测速度慢。一阶段方法的主要代表为SSD(Single Shot MultiBox Detector)和YOLO(You Only Look Once)系列。SSD去除了候选区域选择部分，同时实施目标分类和边界框回归任务，加快了对目标进行推理和检测的速度，但由于对数据的预处理不到位、训练中小目标的先验框较少，所以SSD方法对小目标检测存在困难；YOLO系列到现今为止已从版本1(YOLOv1)发展到版本5(YOLOv5)，同样作为一阶段实现的目标检测方法，将目标分类和边界框回归任务同步处理，从而加快目标检测的速度；同时，考虑到大中小目标检测的需要，划分了大小不同的网格、检测大小不一的目标，最终提升了在大中小目标上的检测准确率。
[0005]由登高照片组成的登高数据集，为云南移动在5G基础设施建设过程中采集所得，具有照片数量多、质量参差不齐等问题。若基于两阶段中Faster R
‑
CNN的目标检测方法，虽然能获得准确的目标对象，但是存在检测速度慢、训练耗时高等缺点，不能满足针对大量登高照片的快速检测需求。若基于一阶段中SSD的目标检测方式，虽然能达到对登高照片的快速检测需求，但是存在检测准确率不高、对目标对象的位置信息检测不准确等缺点。而一阶段中YOLO系列虽然发展到了YOLOv5，但是YOLOv5的目标检测方式仅在速度上相对于YOLOv4得到了一定提升，在综合性能表现上并不如YOLOv4优越；若基于YOLOv4的目标检测方式，在保证对目标检测结果有较高准确率的基础上，在检测速度上也能满足大量登高照片的快速检测需求。
[0006]本专利技术根据登高安全检测的难点，选用一阶段目标检测方法中的YOLOv4卷积神经网络模型，利用筛选出的高质量训练数据集训练YOLOv4目标检测网络，从而对登高照片中的目标对象及其位置进行准确检测。根据目标对象的位置信息，利用自定义逻辑规则对目
标对象的位置关系进行分析推断，作为判断是否符合登高安全标准的合理依据。

技术实现思路

[0007]本专利技术的目的是提供一种基于YOLOv4的登高安全检测方法及系统，能够在登高安全检测时实现对目标对象的高效检测及安全判别。
[0008]为实现上述目的，本专利技术提供了如下方案：
[0009]一种基于YOLOv4的登高安全检测方法，包括：
[0010]获取登高作业的照片作为数据集；
[0011]对所述数据集进行预处理，得到第一数据集；
[0012]将所述第一数据集分为训练集和测试集；
[0013]构建YOLOv4目标检测网络；
[0014]利用所述训练集对所述YOLOv4目标检测网络进行训练；
[0015]利用训练后的YOLOv4目标检测网络对待检测照片进行检测，得到目标对象及其位置信息；
[0016]根据所述目标对象及其位置信息判断登高安全是否合格。
[0017]可选的，所述对数据集进行预处理，得到第一数据集具体包括：
[0018]使用拉普拉斯方差算法对所述数据集中照片质量小于第一阈值的照片进行筛选并剔除，得到第二数据集；
[0019]对所述第二数据集进行标注得到所述第一数据集。
[0020]可选的，在所述“将第一数据集分为训练集和测试集”步骤之后，所述“构建YOLOv4目标检测网络”步骤之前，还包括：
[0021]对所述训练集和测试集依次进行尺寸变换和归一化处理；
[0022]对尺寸变换和归一化处理后的训练集进行数据增强。
[0023]可选的，所述YOLOv4目标检测网络具体包括：
[0024]CSPDarkNet53主干特征提取网络，用于对输入的照片进行特征提取；
[0025]SPP空间金字塔池化网络，用于对CSPDarkNet53提取到的特征进行特征融合；
[0026]PANet路径聚合网络，用于对CSPDarkNet53提取到的特征和SPP融合的特征进行反复提取；
[0027]YOLO_Head为输出网络，用于输出所述YOLOv4目标检测网络的预测结果。
[0028]可选的，所述利用训练集对所述YOLOv4目标检测网络进行训练，具体包括：
[0029]设置YOLOv4目标检测网络的初始网络参数；
[0030]将所述训练集输入所述YOLOv4目标检测网络；
[0031]通过正向传播，由损失函数计算损失值；
[0032]根据所述损失值对所述初始网络参数进行调整，并跳转至步骤“将所述训练集输入所述YOLOv4目标检测网络”；
[0033]多次循环迭代，将其中损失值最小时的网络参数作为最终的网络参数。
[0034]可选的，所述利用训练后的YOLOv4目标检测网络对待检测照片进行检测，得到目标对象及其位置信息，具体包括：
[0035]将待检测照片输入训练后的YOLOv4目标检测网络，得到输出特征矩阵；
[0036]对所述输出特征矩阵进行解码，得到目标对象及其预测位置信息；
[0037]对所述预测位置信息进行非极大值抑制，得到所述位置信息。
[0038]可选的，所述目标对象包括人体和登高工具。
[0039]可选的，所述根据目标对象及其位置信息判断登高安全是否合格，具体包括：
[0040]根据所述位置信息判断人体和登高工具的位置关系，所述位置关系包括人体在登高工具底部和人体在登高工具上；
[0041]对所述人体在登高工具底部的情况进行计数，得到第一结果；
[0042]对所述人体在登高工具上的情况进行计数，得到第二结果；
[0043]当所述第一结果大于等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv4的登高安全检测方法，其特征在于，包括：获取登高作业的照片作为数据集；对所述数据集进行预处理，得到第一数据集；将所述第一数据集分为训练集和测试集；构建YOLOv4目标检测网络；利用所述训练集对所述YOLOv4目标检测网络进行训练；利用训练后的YOLOv4目标检测网络对待检测照片进行检测，得到目标对象及其位置信息；根据所述目标对象及其位置信息判断登高安全是否合格。2.根据权利要求1所述的基于YOLOv4的登高安全检测方法，其特征在于，所述对数据集进行预处理，得到第一数据集具体包括：使用拉普拉斯方差算法对所述数据集中照片质量小于第一阈值的照片进行筛选并剔除，得到第二数据集；对所述第二数据集进行标注得到所述第一数据集。3.根据权利要求1所述的基于YOLOv4的登高安全检测方法，其特征在于，在所述“将第一数据集分为训练集和测试集”步骤之后，所述“构建YOLOv4目标检测网络”步骤之前，还包括：对所述训练集和测试集依次进行尺寸变换和归一化处理；对尺寸变换和归一化处理后的训练集进行数据增强。4.根据权利要求1所述的基于YOLOv4的登高安全检测方法，其特征在于，所述YOLOv4目标检测网络具体包括：CSPDarkNet53主干特征提取网络，用于对输入的照片进行特征提取；SPP空间金字塔池化网络，用于对CSPDarkNet53提取到的特征进行特征融合；PANet路径聚合网络，用于对CSPDarkNet53提取到的特征和SPP融合的特征进行反复提取；YOLO_Head为输出网络，用于输出所述YOLOv4目标检测网络的预测结果。5.根据权利要求1所述的基于YOLOv4的登高安全检测方法，其特征在于，所述利用训练集对所述YOLOv4目标检测网络进行训练，具体包括：设置YOLOv4目标检测网络的初始网络参数；将所述训练集输入所述YOLOv4目标检测网络；通过正向传播，由损失函数计算损失值；根据所述损失值对所述初始网络参数进行调整，并跳转至步...

【专利技术属性】
技术研发人员：杨荣飞，段亮，刁磊，黄仕俊，李忠斌，岳昆，
申请(专利权)人：云南大学，
类型：发明
国别省市：