基于改进的YOLO_X算法与注意力模块相结合的头盔检测方法技术

本发明专利技术提供基于改进的YOLO_X算法与注意力模块相结合的头盔检测方法，包括以下步骤：S1、获取人佩戴头盔与未佩戴头盔的图像数据，并进行筛选；S2、对筛选后的一部分图像数据进行重采样和数据增强；S3、将经过数据增强与未数据增强的图像数据汇总成数据集，并对图像数据进行标签标注S4、构建基于改进的YOLO_X算法与注意力模块相结合的头盔检测模型；S5、选取数据集中的一部分图像数据作为训练集训练S4的头盔检测模型并进行参数优化，然后选取数据集中的另一部分图像数据作为测试集放入优化后的头盔检测模型中，输出头盔佩戴预测结果。本发明专利技术能提高头盔检测算法的准确度，从而辅助相关部门制定相关决定，减轻交通部门与施工单位的工作量。位的工作量。位的工作量。

【技术实现步骤摘要】
基于改进的YOLO_X算法与注意力模块相结合的头盔检测方法


[0001]本专利技术涉及人工智能的视频内容识别
，具体涉及基于改进的YOLO_X算法与注意力模块相结合的头盔检测方法。

技术介绍

[0002]在城市交通中,时常出现电动车骑行者引发的安全事故。佩戴安全头盔可以有效地避免或降低安全事故带来的损害。电动自行车以其便捷、环保等特性受到广泛欢迎,但电动自行车骑行者作为交通中的弱势道路使用者,在事故中更容易受伤或者死亡。在世界卫生组织发布的《2018年全球道路安全现状报告》中显示,2017年全世界约有135万人死于道路交通事故,道路交通伤害成为全球人口死亡的重要原因之一。我国的道路交通安全状况也十分严峻,《中国统计年鉴
‑
2020》显示,2019年我国共发生了134617起交通事故,其中,电动自行车等非机动车交通事故死亡人数占到死亡人数的6.98％。
[0003]我国《道路交通安全法》第五十一条规定机动车行驶时，驾驶人、乘坐人员应当按规定使用安全带，摩托车驾驶人及乘坐人员应当按规定戴安全头盔。《中华人民共和国建筑法》中有关内容的规定第三十六条建筑工程安全生产管理必须坚持安全第一、预防为主的方针，建立健全安全生产的责任制度和群防群治制度。第三十七条建筑工程设计应当符合按照国家规定制定的建筑安全规程和技术规范，保证工程的安全性能。第三十八条建筑施工企业在编制施工组织设计时，应当根据建筑工程的特点制定相应的安全技术措施；对专业性较强的工程项目，应当编制专项安全施工组织设计，并采取安全技术措施。
[0004]同时，深度神经网络的应用与发展进入了新的阶段，但在应用到头盔检测方面时其检测的准确度与训练所花费的时间仍然有可提升的空间。基于此，本专利技术从智能头盔检测的实际应用角度出发，结合深度神经网络，给出了进一步提升检测准确度的方法，提高了应用效率。因此，本专利技术的研究内容具备重要的理论意义和实际应用价值。

技术实现思路

[0005]本专利技术要解决的技术问题是提供基于改进的YOLO_X算法与注意力模块相结合的头盔检测方法，提高头盔检测算法的准确度，从而辅助相关部门制定相关决定，减轻交通部门与施工单位的工作量。
[0006]为解决上述技术问题，本专利技术的实施例提供基于改进的YOLO_X算法与注意力模块相结合的头盔检测方法，包括以下步骤：
[0007]S1、获取人佩戴头盔与未佩戴头盔的图像数据，并进行筛选；
[0008]S2、对筛选后的一部分图像数据进行重采样和数据增强；
[0009]S3、将经过数据增强与未数据增强的图像数据汇总成数据集，并对图像数据进行标签标注，包括：佩戴头盔和未佩戴头盔；
[0010]S4、构建基于改进的YOLO_X算法与注意力模块相结合的头盔检测模型；
[0011]S5、选取数据集中的一部分图像数据作为训练集训练S4的头盔检测模型并进行参
数优化，然后选取数据集中的另一部分图像数据作为测试集放入优化后的头盔检测模型中，输出头盔佩戴预测结果。
[0012]其中，还包括步骤S5之后的如下步骤：
[0013]S6、结合设定的评价指标选取准确度最高的训练结果与未经过改进的YOLO_X算法训练结果比较，验证步骤S4的头盔检测模型有效性。
[0014]其中，所述步骤S2中使用改进的Mosaic数据增强方法对重采样的图像数据进行数据增强。
[0015]其中，所述步骤S3中，利用labelimg对图像数据进行标签标注，标签标注的格式和VOC2007的数据集格式相同。
[0016]其中，所述步骤S4的具体步骤为：
[0017]S4.1、将YOLO_X网络模型中的CSPDarknet中的残差模块替换为密集连接的卷积网络，即密集连接模块，使网络中前一层的信息传播到下一层；
[0018]S4.2、在YOLO_X网络模型的Backbone到Neck部分间的dark3、dark4、dark5中插入注意力机制模块；
[0019]S4.3、YOLO_X网络模型中的Neck部分加强特征提取网络引入了双向特征金字塔网络，融合双向跨度尺度连接和加权特征融合，并给每个输入设定一个权重，得到基于改进的YOLO_X算法与注意力模块相结合的头盔检测模型。
[0020]其中，所述S5的具体步骤为：
[0021]S5.1：取步骤S3的数据集中一部分图像数据作为训练集放入步骤S4处理的网络模型中，调整参数提高修改后的网络模型的效果，保存网络模型；
[0022]S5.2：取数据集中的另一部分图像数据作为测试集放入优化后的头盔检测模型中，输出预测头盔检测结果。
[0023]其中，所述步骤S6包括如下步骤：
[0024]S6.1、对头盔检测模型的性能进行评估：首先选择经典的量化评价指标交并比对分割结果进行量化，IoU是语义分割中重要的评价指标，其计算网络模型所预测目标佩戴头盔区域与标签中目标佩戴头盔区域的交集部分所占并集部分的比例，公式如下：
[0025][0026]S6.2、将数据集放入未经改进的YOLO_X网络训练，得到训练结果，获得训练准确度mAP值，将该mAP值与本专利技术的网络模型训练得到的mAP值进行对比，验证本网络模型的准确度是否有提升，从而得验证本网络模型的有效性。
[0027]本专利技术上述技术方案的有益效果如下：
[0028]本专利技术能够有效的提高检测人是否佩戴头盔的准确度，使得相关部门检测工作可以更加轻松、准确、高效，大大降低了人力成本，在对检测行人骑行电动车是否佩戴头盔与工地工人是否佩戴头盔方面具有较强的应用价值。
附图说明
[0029]图1为本专利技术的流程示意图；
[0030]图2为本专利技术改进的Mosaic数据增强示意图；
[0031]图3是本专利技术密集连接模块的示意图；
[0032]图4为本专利技术的YOLO_X网络模型示意图；
[0033]图5是本专利技术CBAM模块示意图；
[0034]图6是本专利技术FPN网络结构图；
[0035]图7是本专利技术BiFPN网络结构图；
[0036]图8是本专利技术安全帽佩戴情况检测效果图；
[0037]图9是本专利技术电瓶车头盔佩戴情况检测效果图。
具体实施方式
[0038]为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0039]如图1所示，本专利技术提供基于改进的YOLO_X算法与注意力模块相结合的头盔检测方法，包括以下步骤：
[0040]S1、获取人佩戴头盔与未佩戴头盔的图像数据，并进行筛选；
[0041]S2、对筛选后的一部分图像数据进行重采样和数据增强；
[0042]S3、将经过数据增强与未数据增强的图像数据汇总成数据集，并对图像数据进行标签标注，包括：佩戴头盔和未佩戴头盔；
[0043]S4、构建基于改进的YOLO_X算法与注意力模块相结合的头盔检测模型；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进的YOLO_X算法与注意力模块相结合的头盔检测方法，其特征在于，包括以下步骤：S1、获取人佩戴头盔与未佩戴头盔的图像数据，并进行筛选；S2、对筛选后的一部分图像数据进行重采样和数据增强；S3、将经过数据增强与未数据增强的图像数据汇总成数据集，并对图像数据进行标签标注，包括：佩戴头盔和未佩戴头盔；S4、构建基于改进的YOLO_X算法与注意力模块相结合的头盔检测模型；S5、选取数据集中的一部分图像数据作为训练集训练S4的头盔检测模型并进行参数优化，然后选取数据集中的另一部分图像数据作为测试集放入优化后的头盔检测模型中，输出头盔佩戴预测结果。2.根据权利要求1所述的基于改进的YOLO_X算法与注意力模块相结合的头盔检测方法，其特征在于，还包括步骤S5之后的如下步骤：S6、结合设定的评价指标选取准确度最高的训练结果与未经过改进的YOLO_X算法训练结果比较，验证步骤S4的头盔检测模型有效性。3.根据权利要求1所述的基于改进的YOLO_X算法与注意力模块相结合的头盔检测方法，其特征在于，所述步骤S2中使用改进的Mosaic数据增强方法对重采样的图像数据进行数据增强。4.根据权利要求1所述的基于改进的YOLO_X算法与注意力模块相结合的头盔检测方法，其特征在于，所述步骤S3中，利用labelimg对图像数据进行标签标注，标签标注的格式和VOC2007的数据集格式相同。5.根据权利要求1所述的基于改进的YOLO_X算法与注意力模块相结合的头盔检测方法，其特征在于，所述步骤S4的具体步骤为：S4.1、将YOLO_X网络模型中的CSPDarknet...

【专利技术属性】
技术研发人员：高瞻，张祺，邵叶秦，王杰华，
申请(专利权)人：南通大学，
类型：发明
国别省市：