【技术实现步骤摘要】
一种基于改进YOLOv5算法的电动车驾乘人员头盔佩戴检测方法
[0001]本专利技术涉及人工智能目标检测领域，特别涉及一种基于改进YOLOv5算法的电动车驾乘人员头盔佩戴检测方法。
技术介绍
[0002]在中国众多城市市民的交通方式调研中，电动车以骑行方便、环保等优势。使用频率超过其他交通工具，成为市民、外卖员短距离出行的首选方式。交通工具的多样化给我们带来便利的同时也带来了极大的道路安全隐患。电动车驾乘人员在发生碰撞时由于没有保护机制，对生命安全构成了极大的威胁。骑行头盔可吸收大部分撞击力，起到缓冲、减震的保护作用。正确佩戴安全头盔可以营造一个相对安全的行车环境，在危险发生的时候能够降低受伤程度。因此，电动车驾乘人员的头盔佩戴检测具有广泛的应用场景和实际价值。
[0003]传统的安全头盔检测算法存在特征提取困难、泛化性差等问题，需要进一步改进。目前使用深度学习方法对头盔检测的研究虽然精度较高，但是模型体积较大，难以满足嵌入式端的部署需求。为了解决道路电动车骑行者头盔佩戴的实时性检测问题，构建了适用于道路电动车驾乘人...
【技术保护点】
【技术特征摘要】
1.一种基于改进YOLOv5算法的电动车驾乘人员头盔佩戴检测方法，其特征在于，所述具体步骤如下：步骤S1：从不同地点非机动车道路口拍摄电动车驾乘人员图片，构建数据集，用于检测特定人群即电动车驾乘人员的头盔佩戴状态；步骤S2：将采集到的图片用Labelimg工具进行标注，生成YOLO格式的标签文件，并将数据集按比例划分训练集和测试集；步骤S3：检测前对数据集进行预处理，包括用K
‑
means聚类算法生成最符合数据集特性的初始Anchor框参数，并使用随机缩放、随机裁剪、翻转、旋转等Mosaic数据增强方式来增加数据集多样性，提升小目标的检测效果；步骤S4：根据检测场景道路电动车驾乘人员头盔佩戴检测对YOLOv5s算法做出改进，主要包括设计GhostCSP
‑
Bottleneck用于提特征提取并替换原始的C3模块、用步长为2的GhostBottleneck模块替换原来的CBL卷积、加入SE注意力机制、引入CIOU损失函数以解决原始损失函数GIOU的退化问题；将制作好的数据集放入改进后的YOLOv5s网络中进行训练可得到新的模型；步骤S5：然后在推理检测部分加入过滤检测模块，将电动车和其驾乘人员关联起来，达到仅检测并提醒电动车骑行者，而对行人和自行车骑行者排除的目的，过滤检测模块可有效地将电动车骑行者和非电动车骑行者区分开来，提高检测的工作效率；步骤S6：将现场道路情况以RTSP实时视频流的方式输入到训练好的改进YOLOv5s模型中，并判断电动车驾乘人员是否佩戴安全头盔，保存检测信息。2.根据权利要求1所述的一种基于改进YOLOv5算法的电动车驾乘人员头盔佩戴检测方法，其特征在于，所述步骤S2包括以下步骤：步骤S2.1：对采集到的道路电动车驾乘人员的图像使用Labelimg工具进行标注，目标类别分为helmet、person、motorcycle三类，其中helmet标签表示佩戴安全头盔的驾乘人员，此标签需要将安全头盔和人脸整体标注出来，person标签表示未佩戴安全头盔的人脸，motorcycle标签表示电动车；步骤S2.2：将所有图像标注好之后将标签以VOC格式保存为XML文件，然后利用Python脚本将XML格式的标签转化为YOLOv5s格式的txt标签文件，同...
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。