一种基于改进YOLOX的安全帽佩戴检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于改进YOLOX的安全帽佩戴检测方法，包括：S1：获取安全帽佩戴检测原始图像样本集，并对所述原始图像集进行数据标注和划分，得到训练集和测试集；S2：基于YOLOX原始算法构建改进型YOLOX网络结构，得到改进YOLOX算法；S3：利用所述训练集对所述改进YOLOX算法进行训练，得到目标检测网络；S4：待检测的图像采用所述目标检测网络输出对应的检测结果，根据所述检测结果判断原始图像中的人是否佩戴安全帽。本申请通过改进YOLOX算法对原始图像中人的安全帽佩戴情况进行检测，提高检测的准确度。高检测的准确度。高检测的准确度。

【技术实现步骤摘要】
一种基于改进YOLOX的安全帽佩戴检测方法及装置


[0001]本专利技术是关于计算机视觉
，特别是关于一种基于改进YOLOX的安全帽佩戴检测方法及装置。

技术介绍

[0002]目前，人工智能技术已经广泛应用于各行业中。这些技术的引进简化了操作流程，提高了工作效率，同时对生产过程中的操作规范进行监控，能有效防止安全事故的发生。安全帽作为安全保证的重要装备之一，施工人员必须时刻佩戴。在施工现场对工人安全帽佩戴情况进行检测和监控，能够有效地提高施工人员的安全。因此，准确高效地监控员工安全帽的佩戴情况成为了一个研究热点。
[0003]在现有技术中，目标检测方法主要分为两类：基于传统图像处理的检测方法和基于深度学习的检测方法。基于传统图像处理的方法是通过颜色、纹理和形状等信息进行检测，这种检测方法使用的特征较为简单，表征能力弱，在复杂背景下检测效果较差。随着深度学习技术的发展，基于深度学习的物体检测方法取得了卓著的成绩，其主要分为二阶段检测和一阶段检测。二阶段检测方法以R
‑
CNN系列为代表，包括R
‑
CNN，Fast R
‑
CNN等。该方法通过启发式方法生成大量的候选框，在候选框上进行目标分类和目标框回归。一阶段检测方法以SSD（Single Shot Multi
‑
Box Detector）系列和YOLO（You Only Look Once）系列为代表，还包括FCOS，CenterNet等。其中以YOLO系列的发展最为迅速，应用也最为广泛，从YOLOv1问世至今，已经涌现了很多的方法，如YOLOv1~YOLOv7，YOLOX，YOLOR，PP
‑
YOLOv2等，这些方法在主干网络、特征聚合网络、损失函数、样本分配策略等各个方面进行了探索，大幅度提高了模型的检测效率。YOLOX作为YOLO系列的高效算法，在检测速度和精度上达到了很好的平衡，但在实际的施工场景中，对于小尺寸和遮挡的安全帽佩戴检测的准确率有待进一步提高。

技术实现思路

[0004]本专利技术的目的在于提供一种基于改进YOLOX的安全帽佩戴检测方法，包括：S1：获取安全帽佩戴检测原始图像样本集，并对所述原始图像集进行数据标注和划分，得到训练集和测试集；S2：基于YOLOX原始算法构建改进型YOLOX网络结构，得到改进YOLOX算法；S3：利用所述训练集对所述改进YOLOX算法进行训练，得到目标检测网络；S4：待检测的图像采用所述目标检测网络输出对应的检测结果，根据所述检测结果判断所述原始图像中的人是否佩戴安全帽。
[0005]在本专利技术的一实施方式中，步骤S2具体包括：S21：在YOLOX
‑
S原始算法的主干网络中加入注意力机制，并使用快速空间金字塔池化结构进行特征提取，得到输出特征图；S22：在YOLOX
‑
S原始算法的基础上增加一个检测头，得到四个不同尺度的特征；
S23：在YOLOX
‑
S原始算法的预测部分增加一个预测分支，所述新增的预测分支与所述新增的检测头对应，得到改进YOLOX算法输出的目标检测框。
[0006]在本专利技术的一实施方式中，所述加入注意力机制具体包括加入并行注意力机制，所述并行注意力机制公式为：其中，表示输出特征，表示输入特征，表示通道注意力机制，表示空间注意力机制。
[0007]在本专利技术的一实施方式中，所述空间注意力机制公式为：在本专利技术的一实施方式中，所述空间注意力机制公式为：其中，表示Sigmoid激活函数，表示1
×
1卷积，输入通道数为4，输出通道数为，表示在通道维度上对特征叠加，、、分别表示池化核为5
×
5、7
×
7和13
×
13的最大值池化操作，表示1
×
1卷积，输入通道数为，输出通道数为1；所述通道注意力机制公式为：所述通道注意力机制公式为：其中，表示全局平均池化，表示分组卷积，分组数为输入通道数，表示1
×
1卷积，输入通道数为，输出通道数为，为激活函数，表示1
×
1卷积，输入通道数为，输出通道数为。
[0008]在本专利技术的一实施方式中，所述使用快速空间金字塔池化结构包括：将YOLOX原始算法中的SPP结构替换为SPPF结构，所述SPPF结构具体包括对输入特征进行连续多次的最大池化操作，并对所述输入特征和每次最大池化操作后的特征在通道维度上进行叠加操作。
[0009]在本专利技术的一实施方式中，所述改进YOLOX算法的目标检测框回归损失采用C损失函数，公式如下：
其中，表示两个矩形框的交并比，表示利用CIoU计算得到的损失函数，表示两个矩形框中心点之间的欧式距离，表示两个矩形框最小外接矩形的对角线长度，表示衡量长宽比一致性的参数，、分别表示标注框的宽、高，、表示预测框的宽、高。
[0010]在本专利技术的一实施方式中，步骤S23还包括应用NMS非极大抑制方法进行目标框的筛选，所述NMS非极大抑制方法中使用C值，获得最终的检测框，所述C值表示两个矩形框的完全交并比。
[0011]本申请还提供一种基于改进YOLOX的安全帽佩戴检测装置，包括：采集模块，用于采集安全帽佩戴检测原始图像样本集，并对所述原始图像集进行标注和划分，得到训练集和测试集；目标检测模块，用于基于YOLOX原始算法构建改进型YOLOX网络结构，并利用训练集进行训练，得到目标检测网络；输出模块，用于将待检测的图像通过所述目标检测网络输出目标检测结果，并根据所述检测结果判断所述原始图像中的人是否佩戴安全帽。
[0012]本申请还提供一种计算机设备，包括存储器和处理器；所述存储器上存储有可由处理器运行的计算机程序；所述处理器运行所述计算机程序时，执行上述任一项所述的基于改进YOLOX的安全帽佩戴检测方法的步骤。
[0013]本申请还提供一种计算机可读存储介质，其包括程序代码，当程序代码在电子设备上运行时，所述程序代码用于使所述电子设备执行上述任一项所述的基于改进YOLOX的安全帽佩戴检测方法的步骤。
[0014]与现有技术相比，本专利技术具有以下有益效果：（1）本申请通过构建改进型YOLOX网络结构，并利用训练集中的原始图像进行训练，并在主干网络中加入注意力机制，提高网络对原始图像中的安全帽的关注度，降低背景干扰进而提高了网络的检测性能。
[0015]（2）本申请采用并行注意力机制，通过将通道注意力机制和空间注意力机制并行地融入到特征中，避免对特征先进行通道注意力的操作再进行空间注意力的操作造成的信息冗余，加强了特征空间信息和通道信息的交互，有利于提高检测精度。
[0016]（3）本申请增加了小目标检测分支，有利于提高网络对于小目标的检测精度，同时引入了CIoU损失函数，进一步提高网络对于预测框的回归准确度；同时使用CIoU
‑
NMS提高了网络对于遮挡目标的检测能力。
附图说明
[00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YOLOX的安全帽佩戴检测方法，其特征在于，包括：S1：获取安全帽佩戴检测原始图像样本集，并对所述原始图像集进行数据标注和划分，得到训练集和测试集；S2：基于YOLOX原始算法构建改进型YOLOX网络结构，得到改进YOLOX算法；S3：利用所述训练集对所述改进YOLOX算法进行训练，得到目标检测网络；S4：待检测的图像采用所述目标检测网络输出对应的检测结果，根据所述检测结果判断所述原始图像中的人是否佩戴安全帽。2.如权利要求1所述的一种基于改进YOLOX的安全帽佩戴检测方法，其特征在于，步骤S2具体包括：S21：在YOLOX
‑
S原始算法的主干网络中加入注意力机制，并使用快速空间金字塔池化结构进行特征提取，得到输出特征图；S22：在YOLOX
‑
S原始算法的基础上增加一个检测头，得到四个不同尺度的特征；S23：在YOLOX
‑
S原始算法的预测部分增加一个预测分支，所述新增的预测分支与所述新增的检测头对应，得到改进YOLOX算法输出的目标检测框。3.如权利要求2所述的一种基于改进YOLOX的安全帽佩戴检测方法，其特征在于，所述加入注意力机制具体为并行注意力机制，所述并行注意力机制公式为：其中，表示输出特征，表示输入特征，表示通道注意力机制，表示空间注意力机制。4.如权利要求3所述的一种基于改进YOLOX的安全帽佩戴检测方法，其特征在于，所述空间注意力机制为：空间注意力机制为：其中，表示Sigmoid激活函数，表示1
×
1卷积，输入通道数为4，输出通道数为，表示在通道维度上对特征叠加，、、分别表示池化核为5
×
5、7
×
7和13
×
13的最大值池化操作，表示1
×
1卷积，输入通道数为，输出通道数为1；所述通道注意力机制公式为：所述通道注意力机制公式为：其中，表示全局平均池化，表示分组卷积，分组数为输入通道数，
表示1
×
1卷积，输入通道数为，输出通道数为...

【专利技术属性】
技术研发人员：黄军文，刘魏魏，陈兴委，
申请(专利权)人：深圳华付技术股份有限公司，
类型：发明
国别省市：