【技术实现步骤摘要】
本专利技术属于图像识别，特别涉及一种人员安全帽佩戴实时检测模型构建方法和系统。
技术介绍
1、在建筑施工等行业，由于作业人员长期高危区域中工作，为了确保作业人员的生命安全，必须正确佩戴安全帽，以有效降低外界潜在风险对人体的身体损害，确保施工行业的稳定发展。
2、现有技术中安全帽佩戴检测方法分为两种，包括基于机器学习的算法和基于神经网络的深度学习算法。基于机器学习的算法通过图像处理等方法来对安全帽进行检测，但是检测性能不稳定，在复杂多变的施工场景下，容易受到非目标信息的干扰，鲁棒性和泛用性差，不适用于当前复杂多变的施工场景。而基于深度学习的方法在检测精度有比较好的效果，但是在边缘端设备上，对人员安全帽佩戴检测的实时性效果较差。
技术实现思路
1、为了解决现有技术中存在的不足，本专利技术提供了一种人员安全帽佩戴实时检测模型构建方法和系统，以解决安全帽佩戴检测的精确性和实时性技术问题。
2、为解决上述技术问题，本专利技术采用如下的技术方案。
3、本专利技术首先...
【技术保护点】
1.一种人员安全帽佩戴实时检测模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的人员安全帽佩戴实时检测模型构建方法，其特征在于，步骤1中，所述构建人员安全帽佩戴图像训练数据集，并对所述安全帽佩戴图像训练数据集进行预处理，进一步包括：
3.根据权利要求2所述的人员安全帽佩戴实时检测模型构建方法，其特征在于，所述Ghost卷积特征提取模块执行以下Ghost卷积操作：
4.根据权利要求3所述的人员安全帽佩戴实时检测模型构建方法，其特征在于，所述YOLOv5卷积神经网络由输入端、Backbone层、Neck层和Predict...
【技术特征摘要】
1.一种人员安全帽佩戴实时检测模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的人员安全帽佩戴实时检测模型构建方法，其特征在于，步骤1中，所述构建人员安全帽佩戴图像训练数据集，并对所述安全帽佩戴图像训练数据集进行预处理，进一步包括：
3.根据权利要求2所述的人员安全帽佩戴实时检测模型构建方法，其特征在于，所述ghost卷积特征提取模块执行以下ghost卷积操作：
4.根据权利要求3所述的人员安全帽佩戴实时检测模型构建方法，其特征在于，所述yolov5卷积神经网络由输入端、backbone层、neck层和prediction层四个部分组成；
5.根据权利要求4所述的人员安全帽佩戴实时检测模型构建方法，其特征在于，步骤4中，所述根据训练结果对所述yolov5卷积神经网络进行性能评测，进一步包括：
6.一种利用权利要求1-5任一项权利要求所述的人员安全帽佩戴实时检测模型构建方法的人员安全帽佩戴实时检测模型构建系统，包括训练数据集构建模块、yol...
【专利技术属性】
技术研发人员：杨启明，赵子宁，朱琼，黄政宇，王玉莹，董晓峰，潘晓明，钱杰，蒋振国，薛伟锋，
申请(专利权)人：国网江苏省电力有限公司苏州供电分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。