基于全新数据集和改进制造技术

本发明专利技术公开了一种基于全新数据集和改进

【技术实现步骤摘要】
基于全新数据集和改进YOLOv5的防护设备佩戴检测方法


[0001]本专利技术涉及检测防护设备
，具体地指一种基于全新数据集和改进
YOLOv5
的防护设备佩戴检测方法
。

技术介绍

[0002]建筑业施工现场依赖大量的施工工人手动工作，复杂的施工环境给工人带来了巨大的风险，如何对于复杂且流动性大的工人进行有效的管理是当前建筑业的难题
。
随着
《
安全生产法
》
和
《
建设工程安全生产管理条例
》
等法律法规的出台，各地政府和建筑业主管部门强制要求施工现场加强对工人不安全行为的管理以提高安全性
。
尽管建筑工地管理者要求工人必须穿戴适当的个人防护装备（
Personal Protective Equipment
，
PPE
），从而减轻甚至避免施工现场可能出现的事故对工人造成伤害，但是由于缺乏安全意识
、
或者穿戴不方便等原因，工人们在实际施工中经常忽略了安全帽和反光衣的佩戴，导致出现安全事故时施工现场产生人员伤害
。
[0003]与此同时，自动化的监控和管理的缺乏，使目前的施工管理仍然是以人工监管为主的低效管理，工人和管理者双方对安全问题的忽视导致未佩戴安全防护设备成为施工现场的普遍现象，产生了巨大的安全隐患
。
[0004]作为新兴的智能化安全管理技术，计算机视觉技术不需要传感器，能在不接触工人
、
不影响工人的情况下实现工人佩戴
PPE
检测的安全管理，提高建筑工人施工过程的安全性
。
[0005]目前建筑工地最常见且重要的
PPE
设备是安全帽和反光衣，现有技术中大多数基于计算机视觉的方法研究存在以下问题：第一，只对工人是否佩戴安全帽的情况进行了检测，忽略了反光衣的重要性，尽管反光衣不直接对工人身体起到保护作用，但其可以很大程度上突现出工人所在位置，从而避免机械与工人发生碰撞，降低工人发生碰撞事故的风险；第二，反光衣特征易变
、
易重叠的问题导致反光衣检测有着明显不同于安全帽检测的难点，即针对边界框的多变和重叠要求更高的检测精度；第三，目前很多
PPE
检测研究存在样本数据不够大，数据集不均衡
、
缺乏真实施工场景信息等问题，导致
PPE
检测的泛化性和检测精度都不尽人意
。

技术实现思路

[0006]针对现有技术的不足之处，本专利技术提出一种基于全新数据集和改进
YOLOv5
的防护设备佩戴检测方法，一方面将损失函数
EIoU
的宽度惩罚项改进
、
高度惩罚项改进与损失函数
SIoU
的角度损失惩罚项改进
、
距离损失惩罚项改进
、
形状损失惩罚项改进相结合，构建全新的改进损失函数模型
YOLOv5
‑
SEIoU
，集成
EIoU
和
SIoU
优点，提升目标检测的检测精度和速度；另一方面构建包含施工现场中佩戴安全帽和反光衣各种复杂情况的全新
PPE
检测数据集，采用手动标注类别及自动标注类别相结合的方法，准确快速地获得均衡的完全数据集，实时检测建筑工人是否穿戴
PPE。
[0007]为达到上述目的，本专利技术设计一种基于全新数据集和改进
YOLOv5
的防护设备佩戴检测方法，其特别之处在于，包括如下步骤：
S1
）构建全新
PPE
检测数据集，所述全新
PPE
检测数据集中的部分数据为针对进入施工现场的所有人的视频数据集和图片数据集，所述视频数据集和图片数据集包括穿戴安全帽类别
、
未穿戴安全帽类别
、
穿戴反光衣类别
、
穿戴其他衣服类别；
S2
）将收集到的初始视频数据集和图片数据集作为不完全数据集
A
，对不完全数据集
A
进行人工手动标注，分别标注：穿戴安全帽
、
未穿戴安全帽
、
穿戴反光衣
、
穿戴其他衣服；
S3
）对模型
YOLOv5
中的边界框回归损失函数进行改进，一方面在损失函数
CIoU
基础上将真实框和预测框的纵横比惩罚项拆分，变成真实框和预测框的宽度惩罚项与真实框和预测框的高度惩罚项，使真实框和预测框的宽度和高度的差异最小化，形成损失函数
EIoU
；另一方面在损失函数
CIoU
基础上将预测框与真实框的距离惩罚项进行拆分，变成预测框与真实框的角度损失惩罚项
、
距离损失惩罚项和形状损失惩罚项，形成损失函数
SIoU
，最终结合损失函数
EIoU
和损失函数
SIoU
，将模型
YOLOv5
构建成改进损失函数模型
YOLOv5
‑
SEIoU
；
S4
）基于改进损失函数模型
YOLOv5
‑
SEIoU
训练标注后的不完全数据集
A
，获得模型
A
，所述模型
A
对于穿戴安全帽类别
、
未穿戴安全帽类别
、
穿戴反光衣类别
、
穿戴其他衣服类别具有不均衡的检测精度；
S5
）根据模型
A
对于不同标注类别的检测精度，分别针对不同标注类别，收集检测精度较低的视频数据和图片数据作为对应标注类别的额外数据集，并将各标注类别的额外数据集分别按照设定比例划分为标注集和待标注集，将标注集输入模型
A
进行检测，执行改进损失函数模型
YOLOv5
‑
SEIoU
检测后，输出对应标注类别的文本格式文件，获得不精确标注结果，对不精确标注结果进行检查和修改，完成各标注类别的标注集的正确标注；
S6
）将正确标注的各类别标注集合并至标注后的不完全数据集
A
作为不完全数据集
B
，将不完全数据集
B
输入至改进损失函数模型
YOLOv5
‑
SEIoU
进行训练，获得模型
B
，所述模型
B
对于穿戴安全帽类别
、
未穿戴安全帽类别
、
穿戴反光衣类别
、
穿戴其他衣服类别具有较高的检测精度，且对额外数据集的标注结果具有较高的准确率；将各标注类别的额外数据集中的待标注集输入模型
B
自动标注本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于全新数据集和改进
YOLOv5
的防护设备佩戴检测方法，其特征在于，包括如下步骤：
S1
）构建全新
PPE
检测数据集，所述全新
PPE
检测数据集中的部分数据为针对进入施工现场的所有人的视频数据集和图片数据集，所述视频数据集和图片数据集包括穿戴安全帽类别
、
未穿戴安全帽类别
、
穿戴反光衣类别
、
穿戴其他衣服类别；
S2
）将收集到的初始视频数据集和图片数据集作为不完全数据集
A
，对不完全数据集
A
进行人工手动标注，分别标注：穿戴安全帽
、
未穿戴安全帽
、
穿戴反光衣
、
穿戴其他衣服；
S3
）对模型
YOLOv5
中的边界框回归损失函数进行改进，一方面在损失函数
CIoU
基础上将真实框和预测框的纵横比惩罚项拆分，变成真实框和预测框的宽度惩罚项与真实框和预测框的高度惩罚项，使真实框和预测框的宽度和高度的差异最小化，形成损失函数
EIoU
；另一方面在损失函数
CIoU
基础上将预测框与真实框的距离惩罚项进行拆分，变成预测框与真实框的角度损失惩罚项
、
距离损失惩罚项和形状损失惩罚项，形成损失函数
SIoU
，最终结合损失函数
EIoU
和损失函数
SIoU
，将模型
YOLOv5
构建成改进损失函数模型
YOLOv5
‑
SEIoU
；
S4
）基于改进损失函数模型
YOLOv5
‑
SEIoU
训练标注后的不完全数据集
A
，获得模型
A
，所述模型
A
对于穿戴安全帽类别
、
未穿戴安全帽类别
、
穿戴反光衣类别
、
穿戴其他衣服类别具有不均衡的检测精度；
S5
）根据模型
A
对于不同标注类别的检测精度，分别针对不同标注类别，收集检测精度较低的视频数据和图片数据作为对应标注类别的额外数据集，并将各标注类别的额外数据集分别按照设定比例划分为标注集和待标注集，将标注集输入模型
A
进行检测，执行改进损失函数模型
YOLOv5
‑
SEIoU
检测后，输出对应标注类别的文本格式文件，获得不精确标注结果，对不精确标注结果进行检查和修改，完成各标注类别的标注集的正确标注；
S6
）将正确标注的各类别标注集合并至标注后的不完全数据集
A
作为不完全数据集
B
，将不完全数据集
B
输入至改进损失函数模型
YOLOv5
‑
SEIoU
进行训练，获得模型
B
，所述模型
B
对于穿戴安全帽类别
、
未穿戴安全帽类别
、
穿戴反光衣类别
、
穿戴其他衣服类别具有较高的检测精度，且对额外数据集的标注结果具有较高的准确率；将各标注类别的额外数据集中的待标注集输入模型
B
自动标注，输出的数据集与不完全数据集
B
作为均衡的完全数据集
。2.
根据权利要求1所述的基于全新数据集和改进
YOLOv5
的防护设备佩戴检测方法，其特征在于：重复步骤
S5
）和步骤
S6
），不断扩展检测精度较低的视频数据和图片数据，实现各标注类别的额外数据集中的待标注集的自动标注，保证数据集对于穿戴安全帽类别
、
未穿戴安全帽类别
、
穿戴反光衣类别
、
穿...

【专利技术属性】
技术研发人员：王军武，刘一鹏，唐山荣，
申请(专利权)人：武汉理工大学三亚科教创新园，
类型：发明
国别省市：