一种基于改进YOLOv5的安全帽佩戴识别方法技术

本发明专利技术专利公开了一种基于改进YOLOv5算法在安全帽佩戴识别中的应用，其涉及到基于深度学习的目标检测领域。本发明专利技术首先通过摄像头采集数据集，通过对采集的数据集进行人工标注，分为训练集和测试集,然后将训练集输入到模型当中进行训练，将测试集输入到模型中进行测试，最后对车间视频流进行安全帽佩戴实时检测。本发明专利技术解决了安全帽检测过程当中检测准确率过低的问题，可以大幅提高安全帽佩戴检测的准确率以及fps，可以满足数字化车间现场的实时性和准确性。时性和准确性。时性和准确性。

【技术实现步骤摘要】
一种基于改进YOLOv5的安全帽佩戴识别方法


[0001]本专利技术涉及目标检测领域，具体说是一种基于改进YOLOv5的安全帽佩戴识别方法。

技术介绍

[0002]在数字化车间当中，作业人员是否佩戴安全帽非常重要。如果没有佩戴安全帽，将会造成安全隐患。所以在数字化车间中必须佩戴安全帽，针对人员是否佩戴安全帽采用的主要方法是人工查看的方式，在车间的各个入口配备检查人员，这种方法不具有全天候性，很容易造成漏检的情况，这给车间带来了很多安全隐患。近年来，人工智能技术被应用于各行各业中，从现有实际效果来看，深度学习算法优于现有的人工或传统的机器学习方法。在基于深度学习的目标检测领域中，大致可以分为两种模型，即two
‑
stage和one
‑
stage模型，前者的检测过程分为两个步骤：首先由算法生成若干个候选框，再通过CNN对候选框进行分类；后者则是对目标的类别概率和位置坐标直接回归，相对来说精度有所损失，但速度较two
‑
stage模式的算法更快。YOLOv5属于two
‑
stage模式的算法，因为YOLOv5在检测过程当中存在着检测准确率低，检测速度慢，检测实时性较差等问题，在检测车间当中的工人是否佩戴安全帽时，需要对其进行高实时性、高准确率的检测，来保障工人在数字化车间当中的安全。

技术实现思路

[0003]为解决上述技术问题，本专利技术提出了一种基于改进YOLOv5的安全帽佩戴识别方法。
[0004]本专利技术为实现上述目的所采用的技术方案是：
[0005]一种基于改进YOLOv5的安全帽佩戴识别方法，包括以下步骤：
[0006]获取车间图像，构建检测数据集，并将检测数据集分为训练集和测试集；
[0007]基于YOLOv5网络构建安全帽佩戴识别网络，并使用训练集对其进行训练；
[0008]使用测试集对训练好的安全帽佩戴识别网络进行测试，并对其进行评价，根据评价结果不断对其进行优化；
[0009]实时获取车间图像数据，使用安全帽佩戴识别网络对车间中工人进行安全帽佩戴检测。
[0010]所述基于YOLOv5网络构建安全帽佩戴识别网络具体为：在YOLOv5网络的输出层后增加一个9*9的特征尺度。
[0011]使用softpool方法作为安全帽佩戴识别网络中的池化方法。
[0012]使用GIoU_Loss作为安全帽佩戴识别网络中损失函数。
[0013]使用精确率Precision和召回率Recall计算平均精确度均值mAP，使用平均精确度均值mAP对安全帽佩戴识别网络进行评价。
[0014]一种基于改进YOLOv5的安全帽佩戴识别系统，包括：
[0015]图像获取模块，用于获取车间图像，构建检测数据集，并将检测数据集分为训练集和测试集；
[0016]网络训练模块，用于基于YOLOv5网络构建安全帽佩戴识别网络，并使用训练集对其进行训练；
[0017]网络测试模块，用于使用测试集对训练好的安全帽佩戴识别网络进行测试，并对其进行评价，根据评价结果不断对其进行优化；
[0018]实时监测模块，用于实时获取车间图像数据，使用安全帽佩戴识别网络对车间中工人进行安全帽佩戴检测。
[0019]一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的一种基于改进YOLOv5的安全帽佩戴识别方法。
[0020]一种基于改进YOLOv5的安全帽佩戴识别系统，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的一种基于改进YOLOv5的安全帽佩戴识别方法。
[0021]本专利技术具有以下有益效果及优点：
[0022]1.本专利技术采用了改进的YOLOv5网络来当做训练的模型,提高了对特征图的提取能力，增强了对图像中目标检测的能力，在准确率、检测速度上都有一定的提升。
[0023]2.本专利技术使用softpool池化，较低的激活包含了特征图的次要信息，较高的激活包含了特征图的主要信息，所以较低的激活获得较低的权重，较高的激活获得较高的权重，与其他方法相比，softpool保留了更多的信息。使用DIoU_Loss可以防止某一些目标检测框退化为IoU。
附图说明
[0024]图1为本专利技术方法模块流程图；
[0025]图2为YOLOv5网络的结构图；
[0026]图3为改进YOLOv5网络的结构图。
具体实施方式
[0027]下面结合附图及实施例对本专利技术做进一步的详细说明。
[0028]本方法主要包括以下步骤：
[0029]1)通过摄像头进行数据集的采集；
[0030]2)将数据集分成两类:训练集和测试集；
[0031]3)将数据集输入到改进的YOLOv5网络当中做训练；
[0032]4)将测试集输入到已经训练好的模型当中进行测试，进行模型的评价；
[0033]5)获取车间实时视频流，对车间中的工人进行安全帽佩戴检测。
[0034]所述改进后的YOLOv5网络在输出层上，增加了一个特征尺度9*9，再对目标实现充分的浅层特征和深层特征的提取，最后对模型进行特征的融合，采用池化方法softpool，可以以指数加权方式累加激活，使用GIoU_Loss做损失函数，防止目标框回归不稳定。
[0035]如图1所示，本专利技术的具体流程涉及三部分，第一部分为数据集的采集，主要是通过摄像头进行图片采集，将采集的图片分为训练集和测试集。第二部分将训练集输入到模
型当中做训练，并将测试集输入到模型当中做测试。第三部分将实时视频流输入到模型当中做实时安全帽佩戴检测。
[0036]1)通过摄像头进行数据集的采集，其主要包括：
[0037]通过摄像头从现场抓拍了7581张图片，这包括两种类别，人员佩戴安全帽以及人员没有佩戴安全帽，并且采集的图片中要包括大中小三种类型的目标。
[0038]2)将数据集分成两类:训练集和测试集，其主要包括；
[0039]将收集到的7581张图片进行随机分组，分为训练集6064张，测试集1517张，并对图片进行人工标注，hat表示人员正确佩戴了安全帽，person表示人员没有正确佩戴安全帽。数据集采用PASCAL VOC格式。
[0040]3)将数据集输入到改进的YOLOv5网络当中做训练，其主要包括：
[0041]改进YOLOv5网络，YOLOv5网络结构图如图2所示，其中，Input表示输入，Backbone表示基准网络，Neck表示FPN(特征金字塔网络)+PAN结构(金字塔注意力网络)，Prediction表示目标检测结果的输出，CSP表示CSPNet网络结构，Focus表示切片操作，CBL表示由卷积、批量归一化和激活函数组合而成的操作，Concat表示融合操作，Conv表示卷积，YOLOv5网络分为四个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5的安全帽佩戴识别方法，其特征在于，包括以下步骤：获取车间图像，构建检测数据集，并将检测数据集分为训练集和测试集；基于YOLOv5网络构建安全帽佩戴识别网络，并使用训练集对其进行训练；使用测试集对训练好的安全帽佩戴识别网络进行测试，并对其进行评价，根据评价结果不断对其进行优化；实时获取车间图像数据，使用安全帽佩戴识别网络对车间中工人进行安全帽佩戴检测。2.根据权利要求1所述的一种基于改进YOLOv5的安全帽佩戴识别方法，其特征在于，所述基于YOLOv5网络构建安全帽佩戴识别网络具体为：在YOLOv5网络的输出层后增加一个9*9的特征尺度。3.根据权利要求1所述的一种基于改进YOLOv5的安全帽佩戴识别方法，其特征在于，使用softpool方法作为安全帽佩戴识别网络中的池化方法。4.根据权利要求1所述的一种基于改进YOLOv5的安全帽佩戴识别方法，其特征在于，使用GIoU_Loss作为安全帽佩戴识别网络中损失函数。5.根据权利要求1所述的一种基于改进YOLOv5的安全帽佩戴识别方法，其特征在于，使用精确率Precision和召回率Recall计算平均精确度...

【专利技术属性】
技术研发人员：胡毅，刘伟冉，张曦阳，樊大为，周正，于皓宇，
申请(专利权)人：沈阳中科数控技术股份有限公司，
类型：发明
国别省市：