基于改进YOLOv5的员工未佩戴口罩检测方法及相关组件技术

本发明专利技术公开了基于改进YOLOv5的员工未佩戴口罩检测方法及相关组件，其中，方法包括：在原始YOLOv5网络的主干网络的第一个CBS模块和第二个CBS模块中间嵌入SA模块，得到改进YOLOv5网络；其中，所述SA模块包括特征分组模块、通道注意力模块、空间注意力模块和聚合模块，训练得到用于预测是否佩戴口罩的第一权重模型和是否为员工的第二权重模型；采用损失函数对所述第一权重模型和第二权重模型进行优化，得到优化后的改进YOLOv5网络。本发明专利技术通过对YOLOv5网络中引入注意力机制后提升模型对全局特征的提取能力，提升了检测员工是否佩戴口罩模型的推理准确率和健壮性。口罩模型的推理准确率和健壮性。口罩模型的推理准确率和健壮性。

【技术实现步骤摘要】
基于改进YOLOv5的员工未佩戴口罩检测方法及相关组件


[0001]本专利技术涉及目标检测
，尤其涉及基于改进YOLOv5的员工未佩戴口罩检测方法及相关组件。

技术介绍

[0002]目前，在需要佩戴口罩的室内物业场景中，通常是靠员工的自觉性以及员工之间互相提醒来确保员工能正确佩戴口罩。然而，这种方法过于依赖员工本人的自觉性，无法客观地确认员工佩戴好口罩，或者过于依赖管理人员进行检查。因此，可以利用目标检测技术，通过摄像头等设备检测出员工未佩戴口罩的情况，从而能够规范员工的日常着装，督促员工保持良好的状态。但现有的目标检测技术在实际场景中受物品遮挡和目标多尺度等问题影响，导致推理准确性较低以及健壮性较差。

技术实现思路

[0003]本专利技术实施例提供了基于改进YOLOv5的员工未佩戴口罩检测方法及相关组件，旨在解决现有的目标检测技术在员工是否佩戴口罩的场景下推理准确性较低以及健壮性较差的问题。
[0004]第一方面，本专利技术提供一种基于改进YOLOv5的员工未佩戴口罩检测方法，包括：
[0005]采集图片数据并剔除其中不符合要求的图片数据，并对剩余的图片数据进行标注和划分数据集；所述数据集包括：已标注是否佩戴口罩的图片数据和已标注是否为员工的图片数据；
[0006]在原始YOLOv5网络的主干网络的第一个CBS模块和第二个CBS模块中间嵌入SA模块，得到改进YOLOv5网络；其中，所述SA模块包括特征分组模块、通道注意力模块、空间注意力模块和聚合模块；
[0007]将所述数据集中的图片样本输入到所述改进YOLOv5网络，将所述第一个CBS模块的输出作为输入特征输入到所述特征分组模块沿通道维度进行分组，并分成两个分支；
[0008]将其中一个分支输入到所述通道注意力模块提取全局信息，并进行激活得到通道注意力特征，将其中另一个分支输入到所述空间注意力模块中进行组内归一化，并利用空间关系生成空间注意力特征；
[0009]将所述通道注意力特征和空间注意力特征输入所述聚合模块沿通道方向进行聚合，得到聚合特征；
[0010]将所述聚合特征输入到所述改进YOLOv5网络中的第二个CBS模块继续进行训练，得到用于预测是否佩戴口罩的第一权重模型和是否为员工的第二权重模型；
[0011]采用损失函数对所述第一权重模型和第二权重模型进行优化，得到优化后的改进YOLOv5网络。
[0012]第二方面，本专利技术提供一种基于改进YOLOv5的员工未佩戴口罩检测装置，包括：
[0013]预处理模块，用于采集图片数据并剔除其中不符合要求的图片数据，并对剩余的
图片数据进行标注和划分数据集；所述数据集包括：已标注是否佩戴口罩的图片数据和已标注是否为员工的图片数据；
[0014]嵌入单元，用于在原始YOLOv5网络的主干网络的第一个CBS模块和第二个CBS模块中间嵌入SA模块，得到改进YOLOv5网络；其中，所述SA模块包括特征分组模块、通道注意力模块、空间注意力模块和聚合模块；
[0015]特征分组模块，用于将所述数据集中的图片样本输入到所述改进YOLOv5网络，将所述第一个CBS模块的输出作为输入特征输入到所述特征分组模块沿通道维度进行分组，并分成两个分支；
[0016]通道注意力模块，用于对其中一个分支提取全局信息，并进行激活得到通道注意力特征；
[0017]空间注意力模块，用于对其中另一个分支进行组内归一化，并利用空间关系生成空间注意力特征；
[0018]聚合模块，用于将所述通道注意力特征和空间注意力特征输入所述聚合模块沿通道方向进行聚合，得到聚合特征；
[0019]训练模块，用于将所述聚合特征输入到所述改进YOLOv5网络中的第二个CBS模块继续进行训练，得到用于预测是否佩戴口罩的第一权重模型和是否为员工的第二权重模型；
[0020]优化模块，用于采用损失函数对所述第一权重模型和第二权重模型进行优化，得到优化后的改进YOLOv5网络。
[0021]第三方面，本专利技术还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述的基于改进YOLOv5的员工未佩戴口罩检测方法。
[0022]本专利技术实施例提供了基于改进YOLOv5的员工未佩戴口罩检测方法及相关组件，其中，方法包括：在原始YOLOv5网络的主干网络的第一个CBS模块和第二个CBS模块中间嵌入SA模块，得到改进YOLOv5网络；其中，所述SA模块包括特征分组模块、通道注意力模块、空间注意力模块和聚合模块，训练得到用于预测是否佩戴口罩的第一权重模型和是否为员工的第二权重模型；采用损失函数对所述第一权重模型和第二权重模型进行优化，得到优化后的改进YOLOv5网络。本实施例通过对YOLOv5网络中引入注意力机制后提升模型对全局特征的提取能力，提升了检测员工是否佩戴口罩模型的推理准确率和健壮性。
附图说明
[0023]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0024]图1为本专利技术实施例提供的基于改进YOLOv5的员工未佩戴口罩检测方法的流程示意图；
[0025]图2为本专利技术实施例提供的基于改进YOLOv5的员工未佩戴口罩检测方法的算法示意图；
[0026]图3为本专利技术实施例提供的改进YOLOv5网络结构图；
[0027]图4为本专利技术实施例提供的后处理流程示意图。
具体实施方式
[0028]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0029]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0030]还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0031]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0032]请参阅图1，图1为本专利技术实施例提供的一种基于改进YOLOv5的员工未佩戴口罩检测方法的流程示意图，包括步骤S101～S107：...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5的员工未佩戴口罩检测方法，其特征在于，包括：采集图片数据并剔除其中不符合要求的图片数据，并对剩余的图片数据进行标注和划分数据集；所述数据集包括：已标注是否佩戴口罩的图片数据和已标注是否为员工的图片数据；在原始YOLOv5网络的主干网络的第一个CBS模块和第二个CBS模块中间嵌入SA模块，得到改进YOLOv5网络；其中，所述SA模块包括特征分组模块、通道注意力模块、空间注意力模块和聚合模块；将所述数据集中的图片样本输入到所述改进YOLOv5网络，将所述第一个CBS模块的输出作为输入特征输入到所述特征分组模块沿通道维度进行分组，并分成两个分支；将其中一个分支输入到所述通道注意力模块提取全局信息，并进行激活得到通道注意力特征，将其中另一个分支输入到所述空间注意力模块中进行组内归一化，并利用空间关系生成空间注意力特征；将所述通道注意力特征和空间注意力特征输入所述聚合模块沿通道方向进行聚合，得到聚合特征；将所述聚合特征输入到所述改进YOLOv5网络中的第二个CBS模块继续进行训练，得到用于预测是否佩戴口罩的第一权重模型和是否为员工的第二权重模型；采用损失函数对所述第一权重模型和第二权重模型进行优化，得到优化后的改进YOLOv5网络。2.根据权利要求1所述的基于改进YOLOv5的员工未佩戴口罩检测方法，其特征在于，所述将所述第一个CBS模块的输出作为输入特征输入到所述特征分组模块沿通道维度进行分组，并分成两个分支，包括：将输入特征X∈R
C
×
H
×
W
沿通道维度划分为K个组得到X＝[X1,X2…
,X
K
]，其中子特征并为每个子特征生成相应的重要性系数，C,H,W分别表示特征的通道数、高度和宽度；针对每个子特征X
k
继续沿通道维度分成两个分支，得到3.根据权利要求2所述的基于改进YOLOv5的员工未佩戴口罩检测方法，其特征在于，所述将其中一个分支输入到所述通道注意力模块提取全局信息，并进行激活得到通道注意力特征，包括：通过全局平均池化提取其中一个分支的全局信息，以生成通道统计s∈R
C/2G
×1×1，并通过空间维度H
×
W缩小X
k1
：通过激活函数sigmoid进行激活：其中，W1∈R
C/2G
×1×1,b1∈R
C/2G
×1×1是训练参数，σ为激活函数sigmoid，表示全连接层，s表示输入，表示全局平均池化。4.根据权利要求2所述的基于改进YOLOv5的员工未佩戴口罩检测方法，其特征在于，所
述将其中另一个分支输入到所述空间注意力模块中进行组内归一化，并利用空间关系生成空间注意力特征，包括：对另一个分支X
k2
进行组内归一化获得空间统计信息，并增强X
k2
的表示：其中，W2,b2∈R
C/2G
×1×1是训练参数，GN表示组内归一化，σ为激活函数sigmoid。5.根据权利要求1所述的基于改进YOLOv5的员工未佩戴口罩检测方法，其特征在于，所述将所述通道注意力特征和空间注意力特征输入所述聚合模块沿通道方向进行聚合，得到聚合特征，包括：采用通道随机算子对所述通道注意力特征和空间注意力特征沿通道维度进行跨组信息的拼接：X'
k

【专利技术属性】
技术研发人员：陈嘉维，周长源，袁戟，郭聿珉，起亚，
申请(专利权)人：深圳市万物云科技有限公司，
类型：发明
国别省市：