【技术实现步骤摘要】
基于K
‑
means聚类改进YOLOv5算法的安全帽佩戴检测方法
[0001]本专利技术属于计算机视觉目标检测领域,尤其涉及一种基于K
‑
means聚类改进 YOLOv5算法的安全帽佩戴检测方法。
技术介绍
[0002][0003]化工、冶金、矿山、电力以及建筑等行业是国家工业发展的基础,同时也是国民经济与民生经济的重要支撑。目前,这些高危产业依然需要大量劳动力在生产现场或施工现场作业。这些作业现场环境复杂、危险因素众多,规范佩戴安全帽可以对作业人员头部进行有效保护,有效降低高空坠物或者施工现场坍塌对头部造成的危害。安全帽作为一种重要防护设备,对安全生产极其重要。因此,对生产现场或者施工现场作业人员的安全帽佩戴的监管也越来越被重视。
[0004]早期安全帽的检测往往依赖于人工,监管人员对现场巡查或者监控盯审,耗时耗力且效力较低。随着人工智能的发展与成熟,深度学习也被广泛应用于计算机视觉领域。与卷积神经网络的融合,为目标检测技术开启了新的天地。目前主流的目标检测算法有两类:一类是以R
‑
CNN为典型的两阶段的算法,一类是以 YOLO、SSD为代表单阶段算法。单阶段目标检测算法的优点是速度较快,其中 YOLO算法有出色的表现。目前YOLOv5能同时兼顾速度与精度,检测效果极好。本文将K
‑
means聚类算法与YOLOv5算法结合,进一步的提升目标检测的精度。
[0005]将人工智能与传统产业深度融合,助力传统产业转型升级,有助于推动主 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进YOLOv5算法的安全帽佩戴检测方法,其特征在于,包括如下步骤:步骤1:收集大量安全帽的图片作为原始样本数据集,使用LabelImg标注工具对目标图片进行标注,随机选取80%的数据集图片作为训练集,其余作为测试集;步骤2:搭建YOLOv5网络,所述YOLOv5网络利用Mosaic对输入端进行数据增强,使用CSPDarknet53作为主干网络,利用K
‑
means聚类算法进行优化,使用训练集样本训练该安全帽检测网络模型;步骤3:保存步骤2中训练好的模型参数文件,并更新安全帽检测网络模型;步骤4:将测试集样本输入步骤3中得到的安全帽检测网络模型进行检测。2.根据权利要求1所述的基于改进YOLOv5算法的安全帽佩戴检测方法,其特征在于,所述步骤1中具体包括如下步骤:步骤1.1:基于SHWD数据集,利用网络爬虫工具获取有关于施工现场安全帽相关的图像,以及对建筑工地、化工厂监控录像中截取的有效样本的视频帧,制作出丰富多样而具有代表性的图片数据集;步骤1.2:使用LabelImg的目标检测标注工具对数据集图片进行标注,标注的类包括安全帽和人两类;其中,安全帽标注区域包括脖子以上的头部及安全帽;标注完成后,形成xml格式的标签文件,与图像一起构成voc格式的数据集;步骤1.3:将标签文件由voc格式(xml文件)转为YOLO数据集标签文件格式,并以8:2的比例将数据集随机划分训练集和测试集。3.根据权利要求1所述的基于改进YOLOv5算法的安全帽佩戴检测方法,其特征在于,所述步骤2中YOLOv5网络包括Input输入端、Backbone主干网络、Neck网络和Head输出端,利用Mosaic对Input输入端进行数据增强,Mosaic数据增强采用了4张图片,随机缩放、随机裁剪、随机排布的方式进行拼接,使用CSPDarknet53作为Backbone主干网络,在Backbone主干网络中采用Mish激活函数,网络后面依然采用Leaky_relu激活函数;利用K
‑
means聚类算法对训练集样本的groundtruth参数进行迭代,得到最优的尺寸参数,将之设定为anchor box预测框的尺寸。4.根据权利要求3所述的基于改进YOLOv5算法的安全帽佩戴检测方法,其特征在于,所述CSPDarkn...
【专利技术属性】
技术研发人员:陈冬梅,赵环宇,蔡萍萍,冯翔翊,张楚,刘伟,郭浩宇,华尚,
申请(专利权)人:淮阴工学院,
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。