【技术实现步骤摘要】
一种基于改进YOLOv5的化工厂安全帽佩戴检测方法
[0001]本专利技术属于计算机视觉的目标检测
,具体涉及一种基于改进YOLOv5的化工厂安全帽佩戴检测方法。
技术介绍
[0002]高空作业、建筑工地、井下、隧道、涵洞等施工环境的危险性较大,如果发生事故,施工人员的生命安全无法得到保障。
[0003]研究表明,正确合理的使用安全帽是最便宜、最方便,也是最有效保护工人生命安全的个人便携防护用具,曾经救过无数工人的命。为了避免不戴安全帽导致的安全事故发生,在提高化工厂工人安全意识的同时,更要加强对安全帽佩戴的监督与管理。
[0004]随着深度学习技术的发展,很多学者都进行过安全帽佩戴识别的相关研究。由于真实检测任务中施工人员密集,检测目标小;工作环境复杂,受天气、光照等影响大;现场存在遮挡等干扰因素多,这些算法只能实现理想状态下简单识别,对化工厂现场的复杂环境的泛化能力不佳,对小目标的检测性能较差。为弥补安全防护用具检测模型性能的不足,需要根据化工厂现场的复杂特点优化安全防护用具检测算法,泛化其检测能力,提高小目标检测精度;为填补安全防护用具检测系统的空缺,需要搭建一套安全防护用具佩戴实时检测系统,应用到化工厂现场的监督管理中,为工人的生命安全提供保障。因此本专利技术对YOLOv5模型进行改进优化,在保证检测速度的同时提升安全帽佩戴的检测精度。
[0005]随着计算机性能的提升与相关图像处理算法的改进,许多学者提出了一系列基于计算机视觉的安全帽佩戴检测方法,大致可分为以下几类:
...
【技术保护点】
【技术特征摘要】
1.一种基于改进YOLOv5的化工厂安全帽佩戴检测方法,其特征在于,包括以下步骤:(1)预先获取待检测图像和训练图像,将图像中待检测区域标注出来,得到安全帽检测数据集,通过数据清洗,得到训练集和测试集;(2)构建基于改进YOLOv5的安全帽佩戴检测模型,包括输入端、Swin Transformer模块、Neck模块和输出端;并在YOLOv5模型中加入注意力机制ECA模块及更改损失函数设置为Alpha
‑
IoU;(3)将训练数据集和测试数据集输入到基于改进YOLOv5的安全帽佩戴检测模型中,进行训练,得到优化后的模型;(4)将待检测的图像输入优化后的模型,在detect中进行检测得到安全帽佩戴的检测结果。2.根据权利要求1所述的一种基于改进YOLOv5的化工厂安全帽佩戴检测方法,其特征在于,所述步骤(1)实现过程如下:使用labelGo对图像进行标注,标注后的文件以“.xml”为后缀的标签文件,之后再转成“.txt”后缀的格式,得到数据集。3.根据权利要求1所述的一种基于改进YOLOv5的化工厂安全帽佩戴检测方法,其特征在于,步骤(2)所述输入端对输入的安全放防护用具小目标佩戴图片进行随机缩放,剪裁和排布,然后通过自适应锚框计算,初始设定长宽的锚宽,输出预测框,与真实框ground truth进行对比,在方向更新,迭代网络参数;然后再对原始的安全放防护用具图片自适应的添加最少的黑边,计算缩放比例,计算缩放后的尺寸,计算黑边填充数值,得到增强的图像。4.根据权利要求1所述的一种基于改进YOLOv5的化工厂安全帽佩戴检测方法,其特征在于,所述Swin Transformer模块的结构如下:输入原始的图像之后是一个Patch Partition,再之后是一个Linear Embedding层,图像经过这两个层就是通过一个Patch Merging层,Patch Merging通过nn.Unfold函数实现降采样,经过nn.Unfold之后会得到个特征向量;stage的Feature Map的通道数为3,第一个stage的输入是RGB图像,stage1部分,先通过一个Linear Embedding将输划分后的patch特征维度变成C,然后送入Swin Transformer Block;Swin Transformer模块构建了4个stage,每个stage中都是类似的重复单元;stage2
‑
stage4操作相同,先通过一个Patch Merging,将输入按照2x2的相邻Patches合并,patch块的数量变成特征维度为4C,与stage1一样使用Linear Embedding将4C压缩成2C,然后送入Swin Transformer Block;Swin Transformer模块中核心的部分是4个Stage中的Swin Transformer Bloc...
【专利技术属性】
技术研发人员:王梓轩,姜明新,曹宇,陆易,甘峰瑞,
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。