【技术实现步骤摘要】
一种基于改进YOLOV5模型的安全帽佩戴检测方法
[0001]本专利技术涉及图像处理
,特别涉及一种基于改进YOLOV5模型的安全帽佩戴检测方法。
技术介绍
[0002]当前,我国建筑行业仍处于一个持续发展的阶段,每年建筑从业人员都在增长,在施工现场的安全管理中,安全帽作为一种能够有效预防头部损伤事故发生的防护用品,能够有效吸收高空坠落物对施工人员头部的冲击力,避免或减少高空坠物对头部的伤害,是安全生产法规定的生产施工活动中必须佩戴的个人防护用品。确保安全帽在施工场景下的正确佩戴,能够有效地减少生产事故中人员的伤亡率,对保障安全生产具有重要意义。
[0003]目前,在建筑工地中大多仍然采用人工监督的方法判断工作人员是否佩戴安全帽,这种方式容易造成人力物力的浪费,且存在较大的工作范围与人工作业易产生疲劳等局限性使得监督效果较差等问题。
[0004]近年来,随着目标检测技术的不断发展,在安全帽检测研究中取得了一定的成果;相较于传统耗时耗力的人工巡检,基于机器视觉的方法具有自动化程度高、易扩展等特点,因此成为当下的一种迫切需求。
[0005]但是,现有的基于传统机器学习的检测方法主要通过安全帽的形状和颜色特征进行识别,例如使用皮肤颜色检测方法对人脸进行定位,通过使用支持向量机的方法实现安全帽的检测;虽然传统机器学习的安全帽检测算法检测速度较快,但需要为特定的检测对象进行特征和训练分类器的设计,同时由于其泛化能力较差、特征较为单一等特点,无法在复杂的施工环境下对目标进行有效检测,容易出现小目标漏 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进YOLOV5模型的安全帽佩戴检测方法,其特征在于,包括以下步骤:S1、获取安全帽佩戴图像数据集,从所述安全帽佩戴图像数据集中随机选取N张图像进行图像数据增强,得到数据增强后的图像;S2、将所述数据增强后的图像输入至改进YOLOV5模型中进行训练,得到训练后的改进YOLOV5模型;所述改进YOLOV5模型包括:在特征提取部分嵌入倒置残差模块与倒置残差注意力模块进行图像特征提取;在特征融合部分设计多尺度特征融合模块进行特征融合,并生成四个不同感受野的检测头;优化预测框回归损失函数;S3、将待检测图像输入至所述训练后的改进YOLOV5模型,得到相关人员是否佩戴安全帽的检测结果。2.根据权利要求1所述的一种基于改进YOLOV5模型的安全帽佩戴检测方法,其特征在于,所述步骤S1中,从所述安全帽佩戴图像数据集中随机选取N张图像进行图像数据增强,所述图像数据增强包括:对图像进行翻转、缩放和色域变换;将翻转、缩放和色域变换后的图像按照预设模板随机裁剪后进行拼接。3.根据权利要求2所述的基于改进YOLOV5模型的安全帽佩戴检测方法,其特征在于,所述对图像进行缩放具体为:在所述安全帽佩戴图像数据集中随机选择N张图像,将图像的宽和高作为边界值,对图像进行t
x
和t
y
缩放倍率的缩放;t
x
=f
r
(t
w
,t
w
+Δt
w
)t
y
=f
r
(t
h
,t
h
+Δt
h
)其中,t
w
和t
h
分别为宽和高缩放倍率的最小值,Δt
w
和Δt
h
分别为宽和高缩放倍率随机区间的长度,f
r
表示随机值函数。4.根据权利要求1所述的一种基于改进YOLOV5模型的安全帽佩戴检测方法,其特征在于,所述步骤S2中,所述在特征提取部分嵌入倒置残差模块与倒置残差注意力模块进行图像特征提取;具体包括以下步骤:a、将所述数据增强后的图像,通过Focus卷积和3
×
3的卷积层后得到特征图Feature_C0;b、将所述特征图Feature_C0输入至第一倒置残差模块,采用通道扩张的方式放大浅层的特征,利用卷积进行特征提取,通过残差连接的方式进行特征重复学习,输出特征图Feature_C1;c、将所述特征图Feature_C1经过一层卷积和第二倒置残差模块后得到特征图Feature_C2,再经过一层卷积输入到第一倒置残差注意力模块中,得到特征图Feature_C3,将所述特征图Feature_C3经过卷积核大小为3
×
3的卷积并经过空间金字塔池化后,进入第二倒置残差注意力模块中,得到特征图Feature_C4,作为多尺度特征融合模块的输入。5.根据权利要求4所述的一种基于改进YOLOV5模型的安全帽佩戴检测方法,其特征在于,所述步骤S2中,所述在特征融合部分设计多尺度特征融合模块...
【专利技术属性】
技术研发人员:张艳,梁化民,刘业辉,孙晶雪,
申请(专利权)人:天津城建大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。