一种安全背带识别方法技术

本发明专利技术公开了一种安全背带识别方法

【技术实现步骤摘要】
一种安全背带识别方法、装置、设备及存储介质


[0001]本申请涉及深度学习
，尤其涉及一种安全背带识别方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]安全背带是建筑工地及其他需要高空作业的场景中保障作业人员生命安全的救命带，为预防工作人员在作业中出现坠落，保障工作人员的人身安全，需要对现场高空作业人员进行是否佩戴安全背带的识别
。
在安全背带分类识别任务中，需要对工地场景下，未穿着安全背带的目标进行报警
。
常规的安全背带分类依赖工作人员实时监控及主观判断，导致识别是否穿着安全背带这一任务效率低下，所以利用深度学习技术精细且自动化地进行安全背带分类识别已经成为高效评价工地安全性的关键
。
[0003]在安全背带分类模型中，误报问题是亟需解决的重点难点
。
由于安全背带本身可识别的特征较少，且数据获取困难，要想达到好的识别效果，除了对使用场景进行一定的限制以外，必须在安全背带佩戴特征提取方面进行深度探索
。
随着深度学习及计算机视觉领域的发展，技术人员通过卷积神经网络实现自动分类识别，辅助监督现场人员是否规范作业，大大提高了工作效率及安全保障级别
。
[0004]在此基础上，出现了一些解决方案，如使用检测模型对现场人员进行定位，再通过传统特征提取
、
直线检测方法进行图像后处理，然后对安全带是否存在进行决策上报的方式
。
此方法对图像质量的要求较高，当图像背景混乱时，判断准确性较差，且对后处理方法依赖性较强，特征提取结果不可靠
。
再如通过传统特征提取后进行特征拼接，使用
SVM
机器学习方法对安全带进行分类的方式
。
此方法对大规模数据适应性较差且对参数选择较为敏感，人工干预性较强，鲁棒性逊于深度学习方法
。
[0005]然而，在复杂工作场景下，若存在部分遮挡或佩戴方式不标准等情况，上述方法中采用的传统的图像预处理方法，无法提升安全背带佩戴特征在训练素材中的表达，而无差别地对类似安全背带的几何特征进行提取，会导致模型受到干扰，出现误报的几率增加，对工作人员的生命安全造成威胁
。

技术实现思路

[0006]本申请实施例提供了一种安全背带识别方法
、
装置
、
设备及存储介质，用于解决如下技术问题：现有的安全背带佩戴识别模型，在安全背带被部分遮挡或佩戴方式不标准的情况下，对安全背带的特征识别准确率较低，误报几率大
。
[0007]本申请实施例采用下述技术方案：
[0008]一方面，本申请实施例提供了一种安全背带识别方法，方法包括：构建安全背带特征提取模块，并将所述安全背带特征提取模块与传统分类网络进行结合，得到安全背带识别模型；
[0009]根据自适应学习参数，对所述安全背带特征提取模块的损失值与所述传统分类网
络的损失值进行加权计算，得到所述安全背带识别模型的总损失函数；
[0010]对所述安全背带识别模型进行训练；并通过所述总损失函数，对所述安全背带特征提取模块与所述传统分类网络进行特征补偿；
[0011]通过训练后的所述安全背带识别模型，识别现场施工图像中的安全背带佩戴特征
。
[0012]在一种可行的实施方式中，对所述安全背带识别模型进行训练，具体包括：
[0013]通过先验特征提取模块，提取训练数据集中部分训练图像的安全背带先验特征；其中，所述安全背带先验特征至少包括安全背带的边缘梯度特征；
[0014]将所述安全背带先验特征与对应的原始训练图像进行叠加，得到先验特征训练图像；
[0015]将所述先验特征训练图像与所述训练数据集中的其他训练图像一起输入所述安全背带识别模型中，对所述安全背带识别模型进行训练
。
[0016]在一种可行的实施方式中，所述构建安全背带特征提取模块，具体包括：
[0017]分别构建非对称卷积核
、X
型卷积核及全连接层；其中，所述非对称卷积核用于提取原始特征图的纵向深度特征，所述
X
型卷积核用于提取所述原始特征图的
X
型深度特征；
[0018]在所述全连接层之后，接入交叉熵损失函数，以计算所述安全背带特征提取模块的输出特征图的损失值
。
[0019]在一种可行的实施方式中，将所述安全背带特征提取模块与传统分类网络进行结合，得到安全背带识别模型，具体包括：
[0020]在所述传统分类网络中的预设特征层之后，连接所述安全背带特征提取模块；
[0021]将所述安全背带特征提取模块的输出端与所述传统分类网络的全连接层连接，以使所述安全背带特征提取模块与所述交叉熵损失函数形成所述传统分类网络的分支，得到所述安全背带识别模型
。
[0022]在一种可行的实施方式中，根据自适应学习参数，对所述安全背带特征提取模块的损失值与所述传统分类网络的损失值进行加权计算，得到所述安全背带识别模型的总损失函数，具体包括：
[0023]通过交叉熵损失函数，分别计算原始特征图
Feature map
A
的损失值
Loss
A
，以及所述安全背带特征提取模块的输出特征图
Feature map
B
的损失值
Loss
B
；
[0024]确定所述原始特征图
Feature map
A
与所述输出特征图
Feature map
B
之间的欧式距离；
[0025]将所述欧式距离标准化处理到
(0,1)
区间内，得到自适应学习参数；
[0026]根据
Loss
＝
(1
‑
)Loss
A
+
α
Loss
B
，对所述损失值
Loss
A
与损失值
Loss
B
进行加权计算，得到所述安全背带识别模型的总损失函数；其中，
α
为所述自适应学习参数
。
[0027]在一种可行的实施方式中，在对所述安全背带识别模型进行训练之前，所述方法还包括：
[0028]构建先验特征提取模块，并在所述先验特征提取模块中定义纵向以及正负
45
°
方向上的三个预设
sobel
算子，分别用于提取训练图像在纵向及正负
45
°
方向的边缘梯度特征；
[0029]在所述先验特征提取模块中定义
sobel
算子触发概率
。
[0030]在一种可行的实施方式中，通过所述总损失函数，对所述安全本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种安全背带识别方法，其特征在于，所述方法包括：构建安全背带特征提取模块，并将所述安全背带特征提取模块与传统分类网络进行结合，得到安全背带识别模型；根据自适应学习参数，对所述安全背带特征提取模块的损失值与所述传统分类网络的损失值进行加权计算，得到所述安全背带识别模型的总损失函数；对所述安全背带识别模型进行训练；并通过所述总损失函数，对所述安全背带特征提取模块与所述传统分类网络进行特征补偿；通过训练后的所述安全背带识别模型，识别现场施工图像中的安全背带佩戴特征
。2.
根据权利要求1所述的一种安全背带识别方法，其特征在于，对所述安全背带识别模型进行训练，具体包括：通过先验特征提取模块，提取训练数据集中部分训练图像的安全背带先验特征；其中，所述安全背带先验特征至少包括安全背带的边缘梯度特征；将所述安全背带先验特征与对应的原始训练图像进行叠加，得到先验特征训练图像；将所述先验特征训练图像与所述训练数据集中的其他训练图像一起输入所述安全背带识别模型中，对所述安全背带识别模型进行训练
。3.
根据权利要求1所述的一种安全背带识别方法，其特征在于，所述构建安全背带特征提取模块，具体包括：分别构建非对称卷积核
、X
型卷积核及全连接层；其中，所述非对称卷积核用于提取原始特征图的纵向深度特征，所述
X
型卷积核用于提取所述原始特征图的
X
型深度特征；在所述全连接层之后，接入交叉熵损失函数，以计算所述安全背带特征提取模块的输出特征图的损失值
。4.
根据权利要求3所述的一种安全背带识别方法，其特征在于，将所述安全背带特征提取模块与传统分类网络进行结合，得到安全背带识别模型，具体包括：在所述传统分类网络中的预设特征层之后，连接所述安全背带特征提取模块；将所述安全背带特征提取模块的输出端与所述传统分类网络的全连接层连接，以使所述安全背带特征提取模块与所述交叉熵损失函数形成所述传统分类网络的分支，得到所述安全背带识别模型
。5.
根据权利要求1所述的一种安全背带识别方式，其特征在于，根据自适应学习参数，对所述安全背带特征提取模块的损失值与所述传统分类网络的损失值进行加权计算，得到所述安全背带识别模型的总损失函数，具体包括：通过交叉熵损失函数，分别计算原始特征图
Feature map
A
的损失值
Loss
A
，以及所述安全背带特征提取模块的输出特征图
Feature map
B
的损失值
Loss
B
；确定所述原始特征图
Feature map
A
与所述输出特征图
...

【专利技术属性】
技术研发人员：李惠，
申请(专利权)人：济南博观智能科技有限公司，
类型：发明
国别省市：