一种基于深度学习的安全头盔佩戴标准判断方法技术

本发明专利技术提供了一种基于深度学习的安全头盔佩戴标准判断方法，本发明专利技术利用改进的YOLO v3算法输出目标对象的预测锚框，然后对锚框进行像素特征统计，分别乘以权重系数，输出每个预测锚框区域内安全帽的标准佩戴置信度，根据经验阈值判断工人是否符合佩戴安全帽的标准。本发明专利技术基于深度学习的安全帽佩戴检测算法加大了特征图的尺度，优化了特定安全帽数据集的先验维度算法，并改进了损失函数，然后结合图像处理的像素特征统计，准确检测出安全帽是否佩戴达标。佩戴达标。佩戴达标。

【技术实现步骤摘要】
一种基于深度学习的安全头盔佩戴标准判断方法


[0001]本专利技术涉及计算机数字图像处理
，尤其涉及一种基于深度学习的安全头盔佩戴标准判断方法。

技术介绍

[0002]目标检测是常见的图像处理任务之一，基于深度学习技术的当前目标检测方法已成为主流。因此，为了确保建筑工地人员在生产和施工中的生产活动的安全性，可以将目标检测算法应用于头盔佩戴的检测。图像和视频场景中的物体检测任务一直是计算机视觉和图像处理领域的研究热点。同时，生产和施工安全是社会高度关注的话题。物体检测是计算机视觉领域的三个基本任务之一，它与图像处理的另外两个基本任务：图像分类和图像语义分割并行不悖。物体检测是指在输入图像中寻找目标物体。它包括两个子任务：物体分类和物体定位。它不仅需要识别图像中目标物体的类型，还需要标定物体在图像中的位置，从而实现对物体类别的判断和物体定位的目的。
[0003]基于传统方法的目标检测方法过程过于复杂：需要获取前景目标信息或使用滑动窗口遍历图像中的各个尺度和像素，然后提取候选区域的特征信息，再利用提取的图像特征建立数学模型或使用支持向量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的安全头盔佩戴标准判断方法，其特征在于，包括如下步骤：步骤一，获取视频流并解码成若干帧图片；步骤二，将步骤一中获取的每一帧图片发生到识别网络以识别头盔并检测头盔的位置；步骤三，经判断未戴头盔则判断为不符合佩戴标准，反之则将人的头部位置用不同颜色的预测框标注成锚定框区域；步骤四，对步骤三中的锚定框区域进行像素统计，将人的头部位置正常佩戴时各种颜色头盔的颜色像素比例的经验阈值进行细化，对头盔进行预测和判断，将头盔像素比例低的锚定框区域去除，归为不符合佩戴标准，并在图片上标注；其中，识别网络包括YOLO v3网络。2.如权利要求1所述的基于深度学习的安全头盔佩戴标准判断方法，其特征在于，还包括步骤五，根据下式进行判断：Z＝η(y)
·
α+η(r)
·
β，式中：α和β分别为权重系数，η(y)是YOLOv3网络的目标对象识别输出的置信度，η(r)是像素特征统计的结果，Z为头盔标准佩戴检测的置信度：Z处于正常范围内，判断为符合安全头盔的戴标准，反之判断为不符合安全头盔标准。3.如权利要求1或2所述的基于深度学习的安全头盔佩戴标准判断方法，其特征在于，YOLO v3网络包括Darknet
‑
53和YOLO层，其中Darknet
‑
53用于提取图像特征，Darknet
‑
53包括53个卷积层，输入图像被缩放为416
×
416，并被送到Darknet
‑
53网络进行特征提取。4.如权利要求3所述的基于深度学习的安全头盔佩戴标准判断方法，其特征在于，Darknet
‑
53特征提取网络输出四种比例的特征图，大小分别为13
×
13、26
×
26、52
×
52和104
×
104。5.如权利要求4所述的基于深度学习的安全头盔佩戴标准判断方法，其特征在于，用于预测的是尺寸为13
×
13的特征图，然后将其上采样为26
×
26的特征图，在卷积过程中，上采样后的特征图与尺寸为26
×
26的特征图相结合，作为第二次预测，用这种方法得到尺寸为52
×
52和104
×
104的特征图，作为第三和第四次预测，然后通过FPN，不同尺度的特征图被融合，多尺度策略被用来帮助网络模型同时学习不同层次的特征信息，最后，融合后的特征被输入到YOLO层进行类别预测和边界框回归。6.如权利要求5所述的基于深度学习的安全头盔佩戴标准判断方法，其特征在于，YOLO v3使用锚框机制来预测目标边界框，并对标记的边界框的大小进行K
‑
均值聚类，得到一组具有固定大小的初始候选框，YOLO v3在数据集上使用K
‑
均值聚类算法，得到九组先验框：(10，13)、(16，30)、(33，23)、(30，61)、(62，45)、(59，119)、(116，90)、(156，...

【专利技术属性】
技术研发人员：高钰敏，聂道静，郭丽丽，沈毅祥，孙翠翠，张艳波，李彬，刘艳，
申请(专利权)人：湖北微特传感物联研究院有限公司，
类型：发明
国别省市：