一种基于改进YOLOV5的面向复杂场景的安全帽检测方法技术

本发明专利技术公开了一种基于改进YOLOV5的面向复杂场景的安全帽检测方法，包括：(1)获取复杂场景下佩戴安全帽的图像数据，对所有的图像数据标注安全帽的位置以及其是否处于佩戴状态；(2)构建基于改进YOLOV5的目标检测模型，具体改进为：通过添加DGS模块，在训练时对正、负样本选择逻辑进行优化；通过引入动态损失因子模块，在计算损失函数时，根据预测框Anchor与GT的位置分布确定不同的损失增量；通过引入框密度过滤模块，在后处理算法中，基于框密度进行过滤；(3)对目标检测模型进行迭代训练；(4)将待检测的图像或视频流数据输入训练好的目标检测模型中，得到安全帽的预测结果。利用本发明专利技术，可以在不影响检测速度的前提下大大提升检测精度。测精度。测精度。

【技术实现步骤摘要】
一种基于改进YOLOV5的面向复杂场景的安全帽检测方法


[0001]本专利技术属于图像识别领域，尤其是涉及一种基于改进YOLOV5的面向复杂场景的安全帽检测方法。

技术介绍

[0002]工厂的安全生产，首先需要保障工人的人身安全，而工人佩戴安全帽是对其安全的最大保障，所以检测工人是否佩戴有安全帽是一件非常重要的任务。以往，工厂会安排检查人员按时检查工人工作时是否佩戴安全帽，这样做的弊端是会耗费大量人力物力。随着人工智能技术的不断推广，部分工厂也意识到之前人工检查的方法效率低下，所以也开始在工厂中引入目标检测技术，利用具有检测工人是否佩戴有安全帽功能的摄像头实时监测工人们的安全帽佩戴情况，这极大地提高了安全性，同时，现阶段新的目标检测框架凭借其轻量化设计以及实时性的检测速度，能够较好地胜任该项工作。
[0003]如公开号为CN114170626A的中国专利文献公开了基于YOLOV5目标检测模型的安全帽佩戴检测方法，在初始YOLOV5目标检测模型的基础上利用YOLOV5的特征提取部分提取更大尺寸的特征图，在特征融合部分进行特征融合。采用中心本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOV5的面向复杂场景的安全帽检测方法，其特征在于，包括以下步骤：(1)获取复杂场景下佩戴安全帽的图像数据，对所有的图像数据标注安全帽的位置以及其是否处于佩戴状态；(2)构建基于改进YOLOV5的目标检测模型，具体改进为：通过添加动态网格选择模块DGS，在训练时对正、负样本选择逻辑进行优化，根据先验框与标注框GT的交并比IOU大小来分配负责检测的网格Grid数量；通过引入动态损失因子模块，在计算损失函数时，根据预测框Anchor与GT的位置分布确定不同的损失增量，从而计算最终的整体损失函数；通过引入框密度过滤模块，在后处理算法中，基于框密度进行过滤，以此来减少模型最后的误检；(3)将步骤(1)标注后的图像数据输入目标检测模型中进行迭代训练，计算最后的整体损失函数，直到模型收敛；(4)将待检测的图像或视频流数据输入训练好的目标检测模型中，得到安全帽的预测结果。2.根据权利要求1所述的基于改进YOLOV5的面向复杂场景的安全帽检测方法，其特征在于，步骤(1)中，所述复杂场景包含：光线不足、背景与安全帽相似干扰、佩戴休闲帽干扰。3.根据权利要求1所述的基于改进YOLOV5的面向复杂场景的安全帽检测方法，其特征在于，步骤(2)中，根据先验框与GT的IOU大小来分配负责检测的网格Grid数量具体为：当IOU大于0.5时，选择GT中心点所在的Grid以及其周围四个Grid总共五个Grid来负责检测目标；当IOU大于0.2时，选择GT中心点所在Grid以及其周边四个Grid中离中心点最近的两个Grid总共三个Grid来负责检测目标；当IOU大于0.1时，选择GT中心点所在的Grid来负责检测目标。4.根据权利要求1所述的基于改进YOLOV5的面向复杂场景的安全帽检测方法，其特征在于，步骤(2)中，根据预测框Anchor与GT的位置分布确定不同的损失增量，具体为：计算损失函数前，先判断预测框Anchor与GT的重叠情况，当预测框Anch...

【专利技术属性】
技术研发人员：谢磊，谢文清，李至善，苏宏业，
申请(专利权)人：浙江大学，
类型：发明
国别省市：