一种基于改进的YOLOv5的建筑工地安全帽检测方法技术

本发明专利技术提供了一种基于改进的YOLOv5的建筑工地安全帽检测方法，属于计算机视觉目标检测技术领域。解决了目前检测精度低、小目标误检漏检、遮挡目标检测难度较大的技术问题。其技术方案为：包括以下步骤：S1、样本数据采集；S2、在Neck网络中使用AFPN结构代替FPN结构；S3、采用Slide Loss替换BCE‑loss；S4、边界框回归损失函数替换；S5、得到工人是否佩戴安全帽的结果。本发明专利技术的有益效果为：通过改进YOLOv5网络结构，分配更多的注意力给难样本，提取更多目标的特征信息，优化回归损失函数来提升检测精度和速度，减少建筑工地危险事故的发生。

【技术实现步骤摘要】

本专利技术涉及计算机视觉目标检测，尤其涉及一种基于改进的yolov5的建筑工地安全帽检测方法。

技术介绍

1、建筑行业是我国国民经济的重要物质生产部门和支柱产业之一,在改善居住条件、完善基础设施、吸纳劳动力就业、推动经济增长等方面发挥着重要作用。随着我国城市化进程的不断推进，建设工程规模也将继续扩大，建筑施工质量安全仍不可掉以轻心，作业风险严重威胁工人的生命安全，诸如：高空坠物、坍塌等风险。如何加强施工现场安全管理、降低事故发生频率、杜绝各种违规操作和不文明施工、提高建筑工程质量，仍将是摆在各级政府部门、业界人士和广大学者面前的一项重要研究课题。

2、早期建筑工地监管采用人工的方式，不仅耗时耗力，且无法随时监控工人是否存在不安全的行为，导致工地安全事故频发。随着深度学习在目标检测领域的不断发展，为安全帽的佩戴检测提供了一种新的方法。目前主流的目标检测算法分为两类：一阶段和二阶段，二阶段算法先提取候选框再回归定位，包括rcnn、fast-rcnn等，准确率高但训练繁琐；一阶段算法直接获得目标类别得分和位置坐标，包括ssd、yolo等，其运行速度快本文档来自技高网...

【技术保护点】

1.一种基于改进的YOLOv5的建筑工地安全帽检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于改进的YOLOv5的建筑工地安全帽检测方法，其特征在于，所述步骤S2中，AFPN的架构是在主干自底向上的特征提取过程中，在初始阶段通过结合两个不同分辨率的低层特征来启动融合过程，然后融合深层特征，最后融合主干的高层特征，在多级特征融合过程中，使用自适应空间融合操作ASFF为不同层的特征分配不同的空间权重，增强关键层的重要性，抑制不同层次特征之间的信息矛盾，特征融合表达式为：

3.根据权利要求1或2所述的基于改进的YOLOv5的建筑工地安全帽检测方法，其特...

【技术特征摘要】

1.一种基于改进的yolov5的建筑工地安全帽检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于改进的yolov5的建筑工地安全帽检测方法，其特征在于，所述步骤s2中，afpn的架构是在主干自底向上的特征提取过程中，在初始阶段通过结合两个不同分辨率的低层特征来启动融合过程，然后融合深层特征，最后融合主干的高层特征，在多级特征融合过程中，使用自适应空间融合操作asff为不同层的特征分配不同的空间权重，增强关键层的重要性，抑制不同层次特征之间的信息矛盾，特征融合表达式为：

3.根据权利要求1或2所述的基于改进的yolov5的建筑工地安全帽检测方法，其特征在于，所述步骤s3中，x'代表了对未来目标的概率...

【专利技术属性】
技术研发人员：李跃华，张月月，吴赛林，王金凤，姚章燕，魏浩宇，胡彬，
申请(专利权)人：南通大学，
类型：发明
国别省市：