一种基于改进YOLOv5s的安全设备检测方法技术

本发明专利技术公开了一种基于改进YOLOv5s的安全设备检测方法，包括：获取安全设备样本数据集，分为训练集和测试集；改进模型数据增强方式，采用CutMix与MixUp混合方法，扩充训练数据集的体量，提高模型的泛化能力和测试的鲁棒性；对网络结构进行修改，将原模型主干Backbone网络替换为轻量级MobileNetV3网络；在FPN+PAN网络中增加浅层特征提取层，增强对小目标的提取效果；将轻量级算子CARAFE++引入FPN上采样过程，对局部区域的特征进行重组，不需要学习跨通道的特征变换且较为容易地继承到修改后的网络架构中，降低模型的计算成本。本发明专利技术通过网络结构改进、模型优化等方法对传统YOLO算法进行改进，提高了安全设备检测的准确度和小目标情况下的检出效果，具有较好的实用性。具有较好的实用性。具有较好的实用性。

【技术实现步骤摘要】
一种基于改进YOLOv5s的安全设备检测方法


[0001]本专利技术涉及图像处理检测
，具体涉及一种基于改进YOLOv5s的安全设备检测方法。

技术介绍

[0002]安全帽、口罩等安全设备无论是在生活还是在工业生产都是必不可少的重要防护手段。安全设备不仅关乎着佩戴者的生命安全，更关系着企业的良好经营。因此在日常生活和生产过程中检测安全设备至关重要。但在现实生活中，常常会出现对小目标检测的漏检误检等问题，所以如何对安全设备进行高效、精准的检测是目标检测领域的重要研究方向之一。
[0003]目前，关于使用智能技术对安全设备技术进行检测，不仅是对企业还是在当前新冠流行的公共场所下，都具有紧迫和强烈的需求。对此，国内外许多的学者在提高目标检测的准确度做出了贡献。Han等人针对现有安全帽检测方法精度低的问题，提出了一种基于单发多箱检测器的新型物体检测算法。该算法对低级特征采用空间注意机制，对高级特征采用通道注意机制，进一步细化对象区域的特征信息，提高了对安全帽的检测准确度。Deng等人改进了YOLOv3算法，通过集成CSPNet和GhostNet组成骨干网络以及提出新的轻量级多尺度特征提取网络(PAN
‑
CSP
‑
Resnet)将模型在计算成本和安全帽检测效果方面得到明显提升。Jian等人考虑到口罩检测任务的准确性和推理速度，通过迁移学习、数据增强和模型压缩方法，提出了一种基于PP
‑
YOLO的PP
‑
YOLO
‑
Mask检测模型，通过与YOLOv3和Faster
‑
RCNN相比，模型具有更快的精度和检测速度。在现实情况中，许多场景是复杂多变的，尤其是在检测过程中存在目标数量太多、场景变换等因素都会对检测的结果造出不利的影响。所以当出现小目标的检测时，许多检测算法很难准确地将其检测出来，导致出现误检漏检的情况。基于机器视觉和深度学习的安全设备检测是能够在复杂场景下对小目标进行识别检测，针对可能出现的漏检误检问题实现有效改善。

技术实现思路

[0004]专利技术目的：本专利技术提出一种基于改进YOLOv5s的安全设备检测方法，用于解决现有安全设备检测算法在部分复杂场景对小目标检测效果不佳、容易发生误检漏检等问题。
[0005]技术方案：本专利技术公开了一种基于改进YOLOv5s的安全设备检测方法，包括有以下步骤：
[0006]S1：获取安全设备图片数据集，对样本数据集中目标检测物进行标注，并分为训练集和测试集；
[0007]S2：数据集进行预处理分析，进行CutMix与MixUp混合数据增强，使用超参数scale、shear操作进行处理；
[0008]S3：构建基于改进YOLOv5s模型的安全设备检测网络模型，所述网络模型具体包括输入Input、主干网络Backbone、颈部Neck和输出Output；所述主干网络Backbone为轻量级
MobileNetV3网络；颈部Neck包括FPN和PAN模块，且加入浅层特征提取层，并在FPN上采样过程引入轻量级算子CARAFE++，对上采样过程的全图语义信息进行优化；
[0009]S4：采用训练集对安全设备检测网络模型进行训练，获取网络模型的各个参数，得到训练后的安全设备检测网络模型；
[0010]S5：采用测试数据集对训练后的安全设备检测网络模型进行测试，对测试结果进行评价。
[0011]进一步地，所述步骤S1的具体方法如下：
[0012]S1.1：获得不同种类的安全设备图片数据集；
[0013]S1.2：使用LabelImg软件对安全设备数据集中的各类目标检测物进行人工标注，安全设备种类包括安全帽、护目镜、口罩和手套；
[0014]S1.3：将标注好的安全设备数据集按一定比例划分为训练集和测试集。
[0015]进一步地，所述步骤S2的具体方法如下：
[0016]S2.1：利用CutMix与MixUp混合数据增强方式，扩充样本数据集；
[0017]S2.2：MixUp将不同类之间的图像进行混合，从而达到扩充训练数据集的作用，具体为：
[0018][0019][0020]式中，和分别是训练数据中随机抽取的两个样本(x
i
，y
i
)，(x
j
，y
j
)混合后的图像和标签，λ是从给定的贝塔分布中取得的随机数；
[0021]S2.3：CutMix在训练图像之间裁切出随机矩形的部分图像进行拼接生成新的图像，从新样本中两个原样本的比例确定新的混合标签的比例，确保图像中信息的连续性，具体为：
[0022][0023][0024]其中，M∈{0，1}
W
×
H
表示一个二进制掩码，标记出两幅图像裁切和填充的位置，两个数据点之间的随机数λ从贝塔分布采样，即λ从均匀分布(0，1)采样，W和H表示分别表示图像的宽和高；
[0025]S2.4：对经过CutMix与MixUp混合数据增强处理后的安全设备图像使用超参数scale、shear操作进行处理。
[0026]进一步地，所述步骤S3中MobileNetV3网络进行特征提取的具体方法如下：
[0027]所述MobileNetV3网络结构包含多种尺寸和深度的可分离卷积块Bneck、批量归一化层BN、SE注意力机制模块、H
‑
swish激活函数；
[0028]S3.1.1：对预训练数据集图片进行切片操作，经过一次32个卷积核的卷积操作，最终变成大小为原图像一半以及通道数为32的特征图；
[0029]S3.1.2：CBH模块由卷积层、批量归一化层BN和H
‑
swish激活组成，通过CBH模块对特征图进行卷积、批量归一化和激活操作，其中卷积层的步距为2，使用的激活函数H
‑
swish是在RELU6激活函数的基础上修改，其原理为：
[0030]RELU6(x)＝min(max(x，0)，6)
ꢀꢀꢀꢀꢀꢀꢀ
(5)
[0031][0032]此时特征图的通道数为16；
[0033]S3.1.3：进入可分离卷积块Bneck后对特征图进行第一次特征提取，经过3个可分离卷积块Bneck、卷积核大小为3*3且卷积的步距为1的卷积操作后得到特征图的提取特征；
[0034]S3.1.4：经过3个可分离卷积块Bneck完成对特征图第二次特征提取，卷积核大小为5*5，引入SE注意力机制模块，采用ReLu激活函数；
[0035]S3.1.5：经过4个可分离卷积块Bneck完成对特征图第三次特征提取，卷积核大小为3*3且卷积的步距为1，采用H
‑
swish激活函数；
[0036]S3.1.6：经过最后5个可分离卷积块Bneck特征提取以及卷积、批量归一化和激活操作后进入空间金字塔SPP对前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5s的安全设备检测方法，其特征在于，包括以下步骤：S1：获取安全设备图片数据集，对样本数据集中目标检测物进行标注，并分为训练集和测试集；S2：数据集进行预处理分析，进行CutMix与MixUp混合数据增强，使用超参数scale、shear操作进行处理；S3：构建基于改进YOLOv5s模型的安全设备检测网络模型，所述网络模型具体包括输入Input、主干网络Backbone、颈部Neck和输出Output；所述主干网络Backbone为轻量级MobileNetV3网络；颈部Neck包括FPN和PAN模块，且加入浅层特征提取层，并在FPN上采样过程引入轻量级算子CARAFE++，对上采样过程的全图语义信息进行优化；S4：采用训练集对安全设备检测网络模型进行训练，获取网络模型的各个参数，得到训练后的安全设备检测网络模型；S5：采用测试数据集对训练后的安全设备检测网络模型进行测试，对测试结果进行评价。2.根据权利要求1所述的一种基于改进YOLOv5s的安全设备检测方法，其特征在于，所述步骤S1的具体方法如下：S1.1：获得不同种类的安全设备图片数据集；S1.2：使用LabelImg软件对安全设备数据集中的各类目标检测物进行人工标注，安全设备种类包括安全帽、护目镜、口罩和手套；S1.3：将标注好的安全设备数据集按一定比例划分为训练集和测试集。3.根据权利要求1所述的一种基于改进YOLOv5s的安全设备检测方法，其特征在于，所述步骤S2的具体方法如下：S2.1：利用CutMix与MixUp混合数据增强方式，扩充样本数据集；S2.2：MixUp将不同类之间的图像进行混合，从而达到扩充训练数据集的作用，具体为：具体为：式中，和分别是训练数据中随机抽取的两个样本(x
i
，y
i
)，(x
j
，y
j
)混合后的图像和标签，λ是从给定的贝塔分布中取得的随机数；S2.3：CutMix在训练图像之间裁切出随机矩形的部分图像进行拼接生成新的图像，从新样本中两个原样本的比例确定新的混合标签的比例，确保图像中信息的连续性，具体为：具体为：其中，M∈{0，1}
W
×
H
表示一个二进制掩码，标记出两幅图像裁切和填充的位置，两个数据点之间的随机数λ从贝塔分布采样，即λ从均匀分布(0，1)采样，W和H表示分别表示图像的宽和高；S2.4：对经过CutMix与MixUp混合数据增强处理后的安全设备图像使用超参数scale、shear操作进行处理。4.根据权利要求1所述的一种基于改进YOLOv5s的安全设备检测方法，其特征在于，所述步骤S3中MobileNetV3网络进行特征提取的具体方法如下：
所述MobileNetV3网络结构包含多种尺寸和深度的可分离卷积块Bneck、批量归一化层BN、SE注意力机制模块、H
‑
swish激活函数；S3.1.1：对预训练数据集图片进行切片操作，经过一次32个卷积核的卷积操作，最终变成大小为原图像一半以及通道数为32的特征图；S3.1.2：CBH模块由卷积层、批量归一化层BN和H
‑
swish激活组成，通过CBH模块对特征图进行卷积、批量归一化和激活操作，其中卷积层的步距为2，使用的激活函数H
‑
swish是在RELU6激活函数的基础上修改，其原理为：RELU6(x)＝min(max(x，0)，6)
ꢀꢀꢀꢀꢀꢀꢀ
(5)此时特征图的通道数为16；S3.1.3：进入可分离卷积块Bneck后对特征图进行第一次特征提取，经过3个可...

【专利技术属性】
技术研发人员：叶德阳，邱军林，邵鹤帅，高丽，蒋晓玲，陈礼青，李敏，周健，马志鹏，于金玉，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：