安全帽的检测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种安全帽的检测方法、装置、计算机设备及存储介质，该方法包括：获取包括至少一个检测对象的目标检测图像；将目标检测图像输入至预先训练的检测模型中，并获取检测模型输出的，在目标检测图像中检测得到的至少一个检测对象的头部所在区域；根据检测模型输出的检测结果，在目标检测图像中分别截取各检测对象的头部区域图像；将各检测对象的头部区域图像分别输入至分类模型中，并获取分类模型输出的各检测对象是否佩戴安全帽，或者是否佩戴设定颜色的安全帽的分类结果。本发明专利技术实施例的技术方案可以有效提高安全帽的检测精度，在保证安全帽检测精度的基础上，同时可以提高对每个独立模型的训练和优化速度。可以提高对每个独立模型的训练和优化速度。可以提高对每个独立模型的训练和优化速度。

【技术实现步骤摘要】
安全帽的检测方法、装置、计算机设备及存储介质


[0001]本专利技术实施例涉及图像处理技术，尤其涉及一种安全帽的检测方法、装置、计算机设备及存储介质。

技术介绍

[0002]随着安全作业需求的不断增加，许多特殊作业场景需要用户佩戴安全帽，以保证安全生产。因此，各种在视频图像中识别安全帽的技术也不断涌现。
[0003]现有技术中，可以直接使用目标检测算法，例如YOLO(You Only Look Once)算法或者快速R
‑
CNN(Region
‑
Convolutional Neural Networks，区域卷积神经网络)，训练得到安全帽检测模型，由同一个模型同时完成检测和分类两个任务，得到最终的安全帽检测结果。
[0004]专利技术人在实现本专利技术的过程中，发现现有技术存在如下缺陷：1、需要同时做多分类(佩戴安全帽和不佩戴安全帽，有时还需要区分安全帽颜色)任务和检测任务，两种任务耦合在一起容易导致数据采集和标注的时候类别不平衡的问题，同时会增加标注任务的难度；2、由于类别不平衡的问题会导致个别类别在训练过程中训练不充分，进而导致检测精度低；3、由于多个任务耦合在一个检测模型中，增加了模型优化难度。

技术实现思路

[0005]本专利技术实施例提供一种安全帽的检测方法、装置、计算机设备及存储介质，以优化现有的安全帽检测技术，提高安全帽的检测精度。
[0006]第一方面，本专利技术实施例提供了一种安全帽的检测方法，该方法包括：
[0007]获取目标检测图像，其中，目标检测图像中包括至少一个检测对象；
[0008]将目标检测图像输入至预先训练的检测模型中，并获取检测模型输出的，在所述目标检测图像中检测得到的至少一个检测对象的头部所在区域；
[0009]根据检测模型输出的检测结果，在目标检测图像中分别截取各检测对象的头部区域图像；
[0010]将各检测对象的头部区域图像分别输入至分类模型中，并获取分类模型输出的各检测对象是否佩戴安全帽，或者是否佩戴设定颜色的安全帽的分类结果。
[0011]另外，根据本专利技术上述实施例的安全帽的检测方法，还可以具有如下附加的技术特征：
[0012]可选的，在将目标检测图像输入至预先训练的检测模型中之前，还包括：
[0013]获取预先标注有样本对象的头部所在区域的多个检测图像样本，并将各所述检测图像样本划分为训练样本集和测试样本集；
[0014]使用训练样本集和测试样本集对第一机器学习模型进行迭代训练和测试，直至所述第一机器学习模型的检测精度达到预设的检测精度阈值，以得到所述检测模型。
[0015]上述专利技术中的一个实施例具有如下优点或有益效果：仅通过使用标准有样本对象
的头部所在区域的检测图像样本，即可快速、准确的训练得到高精度的检测模型，最大程度的减少了样本数据标注的成本，以及检测算法的优化难度，加快了检测算法的开发进度，并降低了检测算法的开发成本。
[0016]可选的，所述第一机器学习模型为融合特征金字塔网络和SSD(Single Shot MultiBox Detector，单次多边框检测器)网络的模型；
[0017]将目标检测图像输入至预先训练的检测模型中，并获取检测模型输出的，在所述目标检测图像中检测得到的至少一个检测对象的头部所在区域，包括：
[0018]将目标检测图像输入至预先训练的检测模型中；
[0019]通过所述检测模型中的SSD网络输出多个不同尺度的特征图，并将各特征图输入至所述特征金字塔网络中，得到融合高低分辨率特征后的多个新的融合特征图；
[0020]通过所述特征金字塔网络将所述多个新的融合特征图输入至候选框检测网络中，在所述目标检测图像中标注得到至少一个头部区域候选框；
[0021]通过所述候选框检测网络将标注有所述头部区域候选框的目标检测图像输入至非极大值抑制网络中，获取在所述目标检测图像中检测得到的至少一个检测对象的头部区域。
[0022]上述专利技术中的一个实施例具有如下优点或有益效果：考虑到在本专利技术实施例所适用的具体应用场景中，所识别的安全帽一般目标较小，现有的检索算法无法对其有效识别的问题，创造性的提出使用融合特征金字塔网络和SSD网络的模型训练得到该检测模型，以提高检测模型对小目标的识别精准度。
[0023]可选的，在将各检测对象的头部区域图像分别输入至分类模型中之前，还包括：
[0024]获取与安全帽检测需求匹配的多个安全帽图像样本，并将各所述安全帽图像样本划分为训练样本集和测试样本集；
[0025]使用训练样本集和测试样本集对第二机器学习模型进行迭代训练和测试，直至所述第二机器学习模型的分类精度达到预设的分类精度阈值，以得到所述分类模型。
[0026]上述专利技术中的一个实施例具有如下优点或有益效果：仅通过使用安全帽图像样本，即可快速、准确的训练得到高精度的识别模型，最大程度的减少了样本数据标注的成本，以及识别算法的优化难度，加快了识别算法的开发进度，并降低了识别算法的开发成本。
[0027]可选的，获取与安全帽检测需求匹配的多个安全帽图像样本，包括下述至少一项：
[0028]响应于不限颜色的安全帽检测需求，获取多个不同颜色的第一类安全帽图像样本；
[0029]响应于目标颜色的安全帽检测需求，获取多个所述目标颜色的第二类安全帽图像样本；以及
[0030]响应于对安全帽和安全帽颜色的检测需求，获取多个不同颜色的第三类安全帽图像样本，各所述第三类安全帽图像样本中预先标注有匹配的安全帽颜色。
[0031]上述专利技术中的一个实施例具有如下优点或有益效果：通过针对不同的安全帽检测需求，构造并获取不同类型的安全帽图像样本，在不明显提高样本标注工作量的同时，丰富了本专利技术实施例所适用的安全帽的检测场景，提高了本案的通用性和拓展性。
[0032]可选的，所述第二机器学习模型为改进InceptionV3模型，所述改进InceptionV3
模型中包括的改进Inception模块的数量值，小于标准InceptionV3模型中的标准Inception模块的数量值；
[0033]其中，改进Inception模块中仅包括：相连的卷积网络和激活网络；所述激活网络中使用带参数的线性整流函数作为激活函数。
[0034]上述专利技术中的一个实施例具有如下优点或有益效果：通过对改进InceptionV3模型中使用的改进Inception模块的数量，以及Inception模块的结构进行改进，可以在保证识别精度的同时，可以有效提高识别模型的训练和推理的速度。
[0035]可选的，在获取分类模型输出的各检测对象是否佩戴安全帽，或者是否佩戴设定颜色的安全帽的分类结果之后，还包括：
[0036]根据分类模型输出的分类结果，获取未佩戴安全帽或者未佩戴设定颜色的安全帽的异常检测对象的头部区域图像；
[0037]根据所述异常检测对象的头部本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种安全帽的检测方法，其特征在于，包括：获取目标检测图像，其中，目标检测图像中包括至少一个检测对象；将目标检测图像输入至预先训练的检测模型中，并获取检测模型输出的，在所述目标检测图像中检测得到的至少一个检测对象的头部所在区域；根据检测模型输出的检测结果，在目标检测图像中分别截取各检测对象的头部区域图像；将各检测对象的头部区域图像分别输入至分类模型中，并获取分类模型输出的各检测对象是否佩戴安全帽，或者是否佩戴设定颜色的安全帽的分类结果。2.根据权利要求1所述的方法，其特征在于，在将目标检测图像输入至预先训练的检测模型中之前，还包括：获取预先标注有样本对象的头部所在区域的多个检测图像样本，并将各所述检测图像样本划分为训练样本集和测试样本集；使用训练样本集和测试样本集对第一机器学习模型进行迭代训练和测试，直至所述第一机器学习模型的检测精度达到预设的检测精度阈值，以得到所述检测模型。3.根据权利要求2所述的方法，其特征在于，所述第一机器学习模型为融合特征金字塔网络和单次多边框检测器SSD网络的模型；将目标检测图像输入至预先训练的检测模型中，并获取检测模型输出的，在所述目标检测图像中检测得到的至少一个检测对象的头部所在区域，包括：将目标检测图像输入至预先训练的检测模型中；通过所述检测模型中的SSD网络输出多个不同尺度的特征图，并将各特征图输入至所述特征金字塔网络中，得到融合高低分辨率特征后的多个新的融合特征图；通过所述特征金字塔网络将所述多个新的融合特征图输入至候选框检测网络中，在所述目标检测图像中标注得到至少一个头部区域候选框；通过所述候选框检测网络将标注有所述头部区域候选框的目标检测图像输入至非极大值抑制网络中，获取在所述目标检测图像中检测得到的至少一个检测对象的头部区域。4.根据权利要求1所述的方法，其特征在于，在将各检测对象的头部区域图像分别输入至分类模型中之前，还包括：获取与安全帽检测需求匹配的多个安全帽图像样本，并将各所述安全帽图像样本划分为训练样本集和测试样本集；使用训练样本集和测试样本集对第二机器学习模型进行迭代训练和测试，直至所述第二机器学习模型的分类精度达到预设的分类精度阈值，以得到所述分类模型。5.根据权利要求4所述的方法，其特征在于，获取与安全帽检测需求匹配的多个安全帽图像样本，包括下述至少一项：响应于不限颜色的安全帽检测需求，获取多个不同颜色的第一类安全帽图像样本；响应于目标颜色的安全帽检测需求，获取多个所述目标颜色的第...

【专利技术属性】
技术研发人员：钱青，胡辰，卜景德，
申请(专利权)人：曙光信息产业北京有限公司，
类型：发明
国别省市：