基于深度学习对安全帽特定区域颜色的识别方法及系统技术方案

一种基于深度学习的安全帽特定区域颜色识别方法

【技术实现步骤摘要】
基于深度学习对安全帽特定区域颜色的识别方法及系统


[0001]本专利技术涉及计算机应用
，具体涉及一种基于深度学习对安全帽特定区域颜色的识别方法及系统
。

技术介绍

[0002]安全生产是工业生产过程中最核心的要求
。
在工业生产中，不同的工作人员需要对不同的工业程序进行监管
、
检测
、
维修等工作
。
面对高危设备及不同区域的分工，不同的工作人员进入不同现场佩戴安全帽是必要的安全措施
。
在工业现场中，要求能够实时监视生产过程中生产方式是否符合要求及工作人员是否能够在自己对应的工作区域进行工作
。
此外，化工厂区有很多重点保护区域，对进去的人员数和时长都有很严格的要求，因此可在厂区的重要区域对人员进行区域规划，以及对佩戴特定区域不同的颜色安全帽对人员的安全等级进行识别，实现“越界报警
、
人员识别”等功能
。
[0003]传统的安全帽颜色识别主要针对人员身份的识别，以及是否正确佩戴安全帽做出判断，利用传统的计算机视觉来对安全帽整体的颜色进行识别，该方案使用安全帽目标检测模型检测出安全帽区域之后，使用传统的计算机视觉方法，分析判断安全帽的颜色
。
这种方法缺点是在光线较暗时，无法准确的识别的安全帽颜色，更不能对特定区域的颜色进行有效的识别，对特定区域的颜色识别具有一定的干扰
。

技术实现思路

[0004]针对上述的在光线较暗的情况下，安全帽以及安全帽中特定区域的颜色识别不清楚的技术问题，本技术方案提供了一种基于深度学习对安全帽特定区域颜色的识别方法及系统，在
ResNet
网络中增加强注意力
SENet
模块来对安全帽上特定区域的颜色实现强注意，增加对特定颜色区域的识别性能；能有效的解决上述问题
。
[0005]本专利技术通过以下技术方案实现：一种基于深度学习对安全帽特定区域颜色的识别方法，具体的识别方法包括步骤：步骤1：获取视频监控画面，对所获取的视频进行连续的视频帧获取；步骤2：采集图像信息，对得到的视频帧进行分析，当检测待测图像信息上存在人体目标时，截取人体目标所在位置的区域图像；步骤3：对人体区域图像进行人体目标与背景分割处理，并将背景像素统一变换为预设的背景色像素，以获得人体目标图像；步骤4：将人体目标区域输入预先建立的卷积神经网络模型，对所述图像信息按照预先设置的目标分类进行多目标并行检测；具体的操作方式为：将人体目标区域图像输入人体检测模型，人体检测模型是基于
YOLOv5
的目标检测模型，可以识别出人体佩戴的安全帽整体和安全帽上特定区域的位置；对
YOLOv5
的目标检测模型所提取的佩戴安全帽整体和安全帽上特定区域的位置
可基本确定，但为后续安全帽上特定区域进行特征提取，需要对目前所提取的安全帽整体和安全帽上特定区域的位置做进一步空间变换，需要在
YOLOv5
特征提取网络中添加空间转换器
spatial transformer
的模块，将图像中的安全帽的位置和安全帽上特定的区域的空间域信息做对应的空间变换，从而能将关键的信息提取出来；步骤5：根据并行检测结果，得到检测结果至少包括安全帽整体颜色和安全帽上特定区域位置和颜色的信息
。
[0006]进一步的，对基于所述的
YOLOv5
的目标检测模型做进一步改进，具体的改进方式为：在
YOLOv5
的目标检测模型中应用注意力机制，利用强注意力和软注意力分别对安全帽上特定区域的位置和安全帽整体位置的关注性加以区分，具体来说，将强注意力
SENet
模块添加在
YOLOv5
的
Backbone
网络的高层次卷积层或池化层后面，将软注意力
FPN
模块添加在
YOLOv5
的
Neck
网络的高层次卷积层或池化层后面，以有效提高模型的准确性和鲁棒性
。
[0007]进一步的，所述安全帽整体颜色和安全帽上特定区域颜色的信息的获取，具体步骤包括：对人体目标区域获取后，需要进一步对安全帽整体颜色和安全帽上特定区域的颜色进行识别和分类处理；根据基于改进后
YOLOv5
的目标检测模型得到安全帽和安全帽上特定区域的准确位置，将其输出结果作为
ResNet
网络模型的输入，对安全帽和安全帽上特定区域的特征进行提取，最后将提取出来的特征输入到分类网络中进行颜色分类
。
[0008]对
ResNet
网络模型中
ResNet
‑
50
的第三个
Block
之后增加
SENet
模块作为一种强注意力机制，
SENet
模块的主要目的是增强网络对特定特征的关注，提高网络性能；具体而言，使用
YOLOv5
输出的安全帽和安全帽上特定区域的位置特征，并将这些特征引入
SENet
模块，通过
Squeeze
‑
and
‑
Excitation
操作来增强对安全帽颜色的关注度
。
[0009]采用特征融合方式，将上述的两部分特征结合在一起，形成统一的特征表示
。
通过特征融合，将来自目标检测模型和特定区域识别模块的信息相结合，以获得更综合
、
更有信息量的特征表示
。
[0010]进一步的，所述对安全帽和安全帽特定区域颜色信息提取，具体步骤包括：在
ResNet
模型的强注意力模块之前添加一个辅助网络来预测安全帽特定区域的位置信息，并将预测结果提供给强注意力模块，具体而言，在
YOLOv5
中添加一个额外的输出，该输出会在强注意力模块之前，对安全帽的显示屏位置进行预测；强注意力模块可以在定位到特定区域之后，将其作为关注点来进一步识别安全帽底色上的颜色；对识别到安全帽和安全帽上特定区域的颜色使用优先级模块来进行加权平均算法来相对调整特定区域的权重，以便即使在不能准确识别出安全帽主体的颜色前提下，也能通过识别特定区域的颜色来进行信息的判断
。
[0011]进一步的，所述安全帽整体颜色和安全帽上特定区域颜色的信息，具体颜色要求及通行权情况如下：（一）基础颜色化工行业安全帽颜色一般规定：1）白色：项目领导及车间班组管理人员；2）蓝色：特种人员以及机械操作维修人员；
3
）黄色：施工班组人员；4）红色：项目专职安全员；为不破坏化工行业规定的安全帽颜色，在安全帽主体颜色不变的前提下，选择出特定的区域，安装显示屏，改变显示屏的颜色进而区分不同人员的活动区域以及相关人员的身份识别；（二）区域通行颜色1）通行权最高：绿色；特定区域为绿色，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习对安全帽特定区域颜色的识别方法，其特征在于，具体的识别方法包括步骤：步骤1：获取视频监控画面，对所获取的视频进行连续的视频帧获取；步骤2：采集图像信息，对得到的视频帧进行分析，当检测待测图像信息上存在人体目标时，截取人体目标所在位置的区域图像；步骤3：对人体区域图像进行人体目标与背景分割处理，并将背景像素统一变换为预设的背景色像素，以获得人体目标图像；步骤4：将人体目标区域输入预先建立的卷积神经网络模型，对所述图像信息按照预先设置的目标分类进行多目标并行检测；具体的操作方式为：将人体目标区域图像输入人体检测模型，人体检测模型是基于
YOLOv5
的目标检测模型，可以识别出人体佩戴的安全帽整体和安全帽上特定区域的位置；对
YOLOv5
的目标检测模型所提取的佩戴安全帽整体和安全帽上特定区域的位置可基本确定，但为后续安全帽上特定区域进行特征提取，需要对目前所提取的安全帽整体和安全帽上特定区域的位置做进一步空间变换，需要在
YOLOv5
特征提取网络中添加空间转换器
spatial transformer
的模块，将图像中的安全帽的位置和安全帽上特定的区域的空间域信息做对应的空间变换，从而能将关键的信息提取出来；步骤5：根据并行检测结果，得到检测结果至少包括安全帽整体颜色和安全帽上特定区域位置和颜色的信息
。2.
根据权利要求1所述的一种基于深度学习对安全帽特定区域颜色的识别方法，其特征在于：对基于所述的
YOLOv5
的目标检测模型做进一步改进，具体的改进方式为：在
YOLOv5
的目标检测模型中应用注意力机制，利用强注意力和软注意力分别对安全帽上特定区域的位置和安全帽整体位置的关注性加以区分，具体来说，将强注意力
SENet
模块添加在
YOLOv5
的
Backbone
网络的高层次卷积层或池化层后面，将软注意力
FPN
模块添加在
YOLOv5
的
Neck
网络的高层次卷积层或池化层后面，以有效提高模型的准确性和鲁棒性
。3.
根据权利要求2所述的一种基于深度学习对安全帽特定区域颜色的识别方法，其特征在于：所述安全帽整体颜色和安全帽上特定区域颜色的信息的获取，具体步骤包括：对人体目标区域获取后，需要进一步对安全帽整体颜色和安全帽上特定区域的颜色进行识别和分类处理；根据基于改进后
YOLOv5
的目标检测模型得到安全帽和安全帽上特定区域的准确位置，将其输出结果作为
ResNet
网络模型的输入，对安全帽和安全帽上特定区域的特征进行提取，最后将提取出来的特征输入到分类网络中进行颜色分类；对
ResNet
网络模型中
ResNet
‑
50
的第三个
Block
之后增加
SENet
模块作为一种强注意力机制，
SENet
模块的主要目的是增强网络对特定特征的关注，提高网络性能；具体而言，使用
YOLOv5
输出的安全帽和安全帽上特定区域的位置特征，并将这些特征引入
SENet
模块，通过
Squeeze
‑
and
‑
Excitation
操作来增强对安全帽颜色的关注度
。4.
根据权利要求3所述的一种基于深度学习对安全帽特定区域颜色的识别方法，其特征在于：所述对安全帽和安全帽特定区域颜色信息提取，具体步骤包括：在
ResNet
模型的强注意力模块之前添加一个辅助网络来预测安全帽特定区域的位置信息，并将预测结果提供给强注意力模块，具体而言，在
YOLOv5
中添加一个额外的输出，该
输出会在强注意力模块之前，对安全帽的显示屏位置进行预测；这样，强注意力模块可以在定位到特定区域之后，将其作为关注点来进一步识别安全帽底色上的颜色；对识别到安全帽和安全帽上特定区域的颜色使用优先级模块来进行加权平均算法来相对调整特定区域的权重，以便即使在不能准确识别出安全帽主体的颜色前提下，也能通过识别特定区域的颜色来进行信息的判断
。5.
根据权利要求1‑4任一项所述的一种基于深度学习对安全帽特定区域颜色的识别方法，...

【专利技术属性】
技术研发人员：周海涛，曹苏群，陈新建，徐多，王大恒，程何康，沈昕泽，赵建雪，宋佳，张弟，吴剑辉，丁耀祥，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：