一种基于改进的制造技术

本发明专利技术公开了一种基于改进的

【技术实现步骤摘要】
一种基于改进的PP
‑
YOLOE模型的安全帽佩戴检测方法


[0001]本专利技术涉及安全帽检测
，具体来说，涉及一种基于改进的
PP
‑
YOLOE
模型的安全帽佩戴检测方法
。

技术介绍

[0002]安全帽是各行业安全生产工作者保护头部
、
保证生命安全的重要防护用品
。
在施工现场作业人员遭受事故或被坠落物击中时，安全帽会将冲击力分散到头盖骨的整个面积上，然后利用安全帽设置的缓冲结构变形和允许的结构破坏将大部分冲击力吸收，极大降低头部收到的冲击力，从而起到保护作业人员的作用
。
[0003]但在实际施工作业过程中，由于部分作业人员安全意识淡薄以及天气环境等原因，容易出现部分作业人员在不佩戴安全帽的情况下进行施工作业的情况，给作业人员人身安全带来了极大的安全隐患，所以监督工作必不可少
。
传统的监督方法一般需要现场管理人员通过人眼对现场进行监督，不但人力资源消耗大，而且监督效果受监督人员责任心等因素影响较大
。
[0004]综合监控系统已广泛应用于轨道交通
、
工厂
、
电厂等多种领域，包含电力
(PSCADA)、
机电
(BAS)、
火灾
(FAS)、
广播
(PA)、
视频
(CCTV)
等多种子系统
。
受限于应用场地和业务要求，综合监控系统一般部署运行在功耗低
、
运行稳定的一体机集成计算板卡中
。
[0005]在过去的几年里，人工智能技术得到迅猛发展，其核心技术之一的目标检测技术已有广泛应用
。
但由于硬件设备计算能力的限制，在实际应用中往往需要牺牲检测精度来保证模型的推理速度
。
因此，必须考虑目标检测的精度和速度之间的平衡，更优的策略能更好的同步提升模型检测的精度和速度
。
新的模型结构和新的优化策略不断提出，使得此方面有更大的提升空间
。
[0006]公开号为
CN115439697A
的中国专利文献公开了一种安全帽佩戴识别方法与系统，该方案是在
YOLOv4
模型的基础上进行了改动，将
MobileNetv3
作为
backbone
替换了
YOLOv4
模型原有的
backbone
，由于
MobileNetv3
相较于原网络会降低模型中计算参数的数量，所以此改动可以提高模型的推理速度，以达到提升检测效率的目的
。
在上述方案的改动中，替换了模型的
backbone
模块，降低了计算参数数量
。
虽然可以提升模型的检测效率，但由于计算参数数量的降低，模型的检测能力会显著下降，即目标检测的精度会显著下降，并没有达到一种理想的效果
。
[0007]现阶段针对目标检测的网络有很多，类似与上述技术都做出了一定的优化和改进，但整体来说，目标检测的效率和精度的提升，以及两者如何达到更好的平衡，还有很大的提升空间
。
因此，如何使施工现场安全帽佩戴检测达到精度更高
、
运算更快的检测效果成为了人们急需解决的技术问题
。

技术实现思路

[0008]针对相关技术中的上述技术问题，本专利技术提出一种基于改进的
PP
‑
YOLOE
模型的安
全帽佩戴检测方法，能够克服现有技术的上述不足
。
[0009]为实现上述技术目的，本专利技术的技术方案是这样实现的：
[0010]一种基于改进的
PP
‑
YOLOE
模型的安全帽佩戴检测方法，包括如下步骤：
[0011]S1
获取带标注信息的安全帽佩戴图像数据集；
[0012]S2
构建基于
PP
‑
YOLOE
的目标检测模型，
PP
‑
YOLOE
目标检测模型采用
s
规格，
PP
‑
YOLOE
目标检测模型包括
backbone
模块
、neck
模块和
head
模块；
[0013]S3
将图像数据集传入
PP
‑
YOLOE
目标检测模型，对模型进行迭代训练，调整模型超参数使检测效果最优；
[0014]S4
接入综合监控系统，通过视频设备获取待检测的图像或视频流数据，输入训练好的目标检测模型中
,
得到安全帽佩戴的检测结果，并将检测结果反馈到综合监控系统
。
[0015]进一步地，
S1
中所述数据集包含
5000
张带标签的安全帽佩戴图片数据，其中标签包括佩戴安全帽和未佩戴安全帽两类
。
[0016]进一步地，将图片数据按
9:1
比例进行拆分为训练集和验证集，训练集数据用于模型训练优化，验证集数据用于验证模型检测效果的优劣
。
[0017]进一步地，
backbone
模块的结构为
CSPResStage
结构，
backbone
模块工作原理如下：
[0018]S211
输入图像数据经过
stem
结构进行特征整合和提取得到特征图，
stem
结构由三个卷积组合堆叠构成的，其中每个卷积组合包含卷积层
(Conv2D)、
归一化层
(BatchNorm2D)
和
swish
激活函数；
[0019]S212
得到的特征图输入到4个
CSPResStage
结构得到4个编号为0，1，2，3的输出特征，取编号为1，2，3的三个特征图作为
backbone
模块的输出特征图，并命名为
C3
，
C4
，
C5。
[0020]进一步地，
neck
模块采用了
PAN
结构以加强各特征图之间的特征融合，
PAN
结构通过自上向下和自下向上两个特征金字塔使不同大小特征图之间的特征信息得到充分融合，具体步骤如下：
[0021]S221
根据
backbone
得到的
C3
，
C4
，
C5
特征图，首先将
C5
特征图输入到
CSPStage
结构，其中一个分支经过卷积组合，另本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于改进的
PP
‑
YOLOE
模型的安全帽佩戴检测方法，其特征在于，包括如下步骤：
S1
获取带标注信息的安全帽佩戴图像数据集；
S2
构建基于
PP
‑
YOLOE
的目标检测模型，
PP
‑
YOLOE
目标检测模型包括
backbone
模块
、neck
模块和
head
模块；
S3
将图像数据集传入
PP
‑
YOLOE
目标检测模型，对模型进行迭代训练，调整模型超参数使检测效果最优；
S4
接入综合监控系统，通过视频设备获取待检测的图像或视频流数据，输入训练好的目标检测模型中
,
得到安全帽佩戴的检测结果，并将检测结果反馈到综合监控系统
。2.
根据权利要求1所述的基于改进的
PP
‑
YOLOE
模型的安全帽佩戴检测方法，其特征在于，
S1
中所述数据集包含带标签的安全帽佩戴图片数据，其中标签包括佩戴安全帽和未佩戴安全帽两类
。3.
根据权利要求2所述的基于改进的
PP
‑
YOLOE
模型的安全帽佩戴检测方法，其特征在于，将图片数据按一定比例进行拆分为训练集和验证集，训练集数据用于模型训练优化，验证集数据用于验证模型检测效果的优劣
。4.
根据权利要求1所述的基于改进的
PP
‑
YOLOE
模型的安全帽佩戴检测方法，其特征在于，
backbone
模块的结构为
CSPResStage
结构，
backbone
模块工作原理如下：
S211
输入图像数据经过
stem
结构进行特征整合和提取得到特征图，
stem
结构由三个卷积组合堆叠构成的，其中每个卷积组合包含卷积层
(Conv2D)、
归一化层
(BatchNorm2D)
和
swish
激活函数；
S212
得到的特征图输入到4个
CSPResStage
结构得到4个编号为0，1，2，3的输出特征，取编号为1，2，3的三个特征图作为
backbone
模块的输出特征图，并命名为
C3
，
C4
，
C5。5.
根据权利要求4所述的基于改进的
PP
‑
YOLOE
模型的安全帽佩戴检测方法，其特征在于，
neck
模块采用了
PAN
结构以加强各特征图之间的特征融合，
PAN
结构通过自上向下和自下向上两个特征金字塔使不同大小特征图之间的特征信息得到充分融合，具体步骤如下：
S221
根据
backbone
得到的
C3
，
C4
，
C5
特征图，首先将
C5
特征图输入到
CSPStage
结构，其中一个分支经过卷积组合，另一个分支经过
BasicBlock
结构和
SPP
结构，再结合残差网络思想将两个分支的特征图进行拼接得到
fpn_feats[0]
，将
fpn_feats[0]
进行上采样操作得到特征图记为
route[0]
；
S222
然后将
route[0]
与
C4
特征拼接后输入到
CSPStage
结构得到特征图
fpn_feats[1]
，并进行上采样得到特征图记为
route[1]。
同理再将
route[1]
与
C3
特征拼接后输入到
CSPStage
结构得到特征图
fpn_feats[2]
；
S223
经过
PAN
第一阶段得到了
fpn_feat...

【专利技术属性】
技术研发人员：吴正中，张辉，刘奇，韩广潮，方政委，邓能文，张东东，
申请(专利权)人：北京城建智控科技股份有限公司，
类型：发明
国别省市：