一种基于制造技术

本发明专利技术提出一种基于

【技术实现步骤摘要】
一种基于DETR模型的安全帽佩戴检测方法


[0001]本专利技术涉及施工环境安全工业领域和深度学习领域，具体涉及到一种基于
DETR
模型的安全帽佩戴检测方法
。

技术介绍

[0002]针对石化
、
煤炭
、
电力
、
建筑等特殊行业，在我国这些部门的职业安全事故发生率较高，因此安全生产是企业生存和发展的第一要素
。
根据我国的相关要求，进入施工现场必须佩戴安全帽，而且各行业的作业规范也对此做了严格的规定
。
但是，如果在进入工地时不戴安全帽，就可能会被施工地物品砸伤，这种情况时有发生，一旦发生事故可能会造成不可挽回的损失
。
[0003]一般的目标检测方法仅需在图片上判断是否存在检测目标，并获得目标数量，标记目标位置
。
对于安全帽佩戴检测算法，由于施工现场环境复杂，在此基础上还要求针对动态视频实时识别
、
深度优化，达到较高的识别跟踪精度；对光线
、
阴天等不同环境适应性强，且不受人员眼镜
、
胡须
、
发型
、
表情等遮挡影响；也不受到人员正面
、
背面
、
侧面
、
跑动
、
低头等不同姿态影响
。DETR
是英文
DEtectionTransformer
缩写，与传统目标检测方法相比，
DETR
兼具高效性
、
灵活性和更强的鲁棒性，但如简单地将
DETR
移植应用于安全帽识别领域，会因参数量大，训练时间长，导致收敛速度慢的问题难以解决，训练过程中还会出现网络退化和梯度消失的问题
。

技术实现思路

[0004]为解决当前技术存在的缺点和不足问题，本专利技术提出了一种基于
DETR
模型的安全帽佩戴检测方法，以高效便捷的为电网施工安全方面提供技术帮助以保障工人的安全及电网系统的稳定
。
[0005]本专利技术采用的技术方案如下：
[0006]一种基于
DETR
模型的安全帽佩戴检测方法，包括以下步骤：
[0007]S1
：采集安全帽数据图像，使用软件进行标注，获取安全帽数据集，对数据集进行预处理；
[0008]S2
：构建安全帽佩戴检测
DETR
模型，将处理后的数据集导入检测模型进行训练，得到优化后的安全帽佩戴检测
DETR
模型；
[0009]S3
：设置图像采集设备，捕获现场图像数据，通过安全帽佩戴检测
DETR
模型进行安全帽检测，判断来往人员是否佩戴安全帽
。
[0010]进一步地，步骤
S1
的获取安全帽数据集具体为，通过图像采集设备与网络收集采集不同参数条件下的人员的头部图像，并使用软件进行标注，获取安全帽数据集，对安全帽数据集图像集进行预处理，去除无效样本图像，然后将数据集划分为训练集和验证集
。
[0011]进一步地，步骤
S2
的数据预处理流程包括：数据增强
、
提取图片特征
、
特征融合
。
[0012]其中，数据增强具体为：采用缩放
、
平移
、
旋转
、
色彩变换以及加入噪声等操作，同
时，还使用了
Mosaic
数据增强方法
。
[0013]其中，提取图片特征具体为：采用
ResNet
‑
50
作为骨干网络对预处理后的图片进行特征提取，得到图片特征图，选取不同层的图片特征图输入至
Transformer
模型
。
[0014]其中，选取不同层的图片特征图输入至
Transformer
模型的步骤具体为：选取第
3、4
和5层的图片特征图输入至
Transformer
模型
。
[0015]进一步地，特征融合具体包括：采用特征金字塔网络
(Feature Pyramid Network
，
FPN)
将
Transformer
模型编码器输出的不同层的特征图融合，并将融合后的特征图输入
Transformer
模型的解码器进行处理
。
[0016]其中，所述解码器中的每个解码层具有相同的结构，包含一个多头自注意力机制
、
一个多头交叉注意力机制
、
一个前馈网络以及层归一化操作；将编码器输出的特征和
N
个需要训练的对象检测参数计算后输出
N
个独立的特征张量，使用前馈神经网络
(Feed Forward Networks,FNN)
模块对
N
个输出进行解码作为最终结果，
FFN
的输入是解码器解码后的输出，输出为类别预测和损失函数
。
[0017]进一步地，
S2
构建的安全帽佩戴检测
DETR
模型，其训练方法包括：使用处理好的安全帽数据集中的训练集对安全帽检测模型进行训练，利用损失函数进行模型优化，以获得优化安全帽检测模型
。
[0018]其中，模型优化算法包括：
[0019]通过二分最大匹配算法在预测对象和真实值对象之间产生了最优的二分匹配，然后优化对象特定的损失，其公式
(1)
如下：
[0020][0021]其中，是真值
y
i
与预测序列之间的二值匹配损失，
S
N
表示
N
个元素的排列，
N
表示固定大小的预测集，在当前数据集中，人工标记的区域为真值集；二值匹配通过使用匈牙利算法有效地计算得到，公式
(2)
如下：
[0022][0023]其中是公式
(1)
中计算的最优分配，
box
损失函数结合了
L1
损失函数和
GLOU
损失函数，公式
(3)
如下：
[0024][0025]其中
L
box
()
是对边界框进行评分，为超参数，这两个损失是根据批处理中目标的数量规范化的
。
[0026]本专利技术的有益效果：
[0027](1)
本专利技术通过多种渠道获取施工环境安全领域的安全帽数据集，采用缩放
、
平移
、
旋转
、
色彩变换等方法对数据进行预处理，利用安全帽数据训练构建的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
DETR
模型的安全帽佩戴检测方法，其特征在于，包括以下步骤：
S1
：采集安全帽数据图像，使用软件进行标注，获取安全帽数据集，对数据集进行预处理；
S2
：构建安全帽佩戴检测
DETR
模型，将处理后的数据集导入检测模型进行训练，得到优化后的安全帽佩戴检测
DETR
模型；
S3
：设置图像采集设备，捕获现场图像数据，通过安全帽佩戴检测
DETR
模型进行安全帽检测，判断来往人员是否佩戴安全帽
。2.
如权利要求1所述的一种基于
DETR
模型的安全帽佩戴检测方法，其特征在于，所述步骤
S1
的获取安全帽数据集具体为，通过图像采集设备与网络收集采集不同参数条件下的人员的头部图像，并使用软件进行标注，获取安全帽数据集，对安全帽数据集图像集进行预处理，去除无效样本图像，然后将数据集划分为训练集和验证集
。3.
如权利要求1所述的一种基于
DETR
模型的安全帽佩戴检测方法，其特征在于，所述步骤
S1
的数据预处理流程包括：数据增强
、
提取图片特征
、
特征融合
。4.
如权利要求3所述的一种基于
DETR
模型的安全帽佩戴检测方法，其特征在于，所述数据增强具体包括：采用缩放
、
平移
、
旋转
、
色彩变换以及加入噪声等操作增强数据，同时，还使用了
Mosaic
数据增强方法
。5.
如权利要求3所述的一种基于
DETR
模型的安全帽佩戴检测方法，其特征在于，所述提取图片特征具体为：采用
ResNet
‑
50
作为骨干网络对预处理后的图片进行特征提取，得到图片特征图，选取不同层的图片特征图输入至
Transformer
模型
。6.
如权利要求5所述的一种基于
DETR
模型的安全帽佩戴检测方法，其特征在于，所述选取不同层的图片特征图输入至
Transformer
模型的步骤具体为：选取第
3、4
和5层的图片特征图输入至
Transformer
模型
。7.
如权利要求3所述的一种基于
DETR
模型的安全帽佩戴检测方法，其特...

【专利技术属性】
技术研发人员：熊玉洁，张国威，张开昱，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：