申请/专利权人：西安建筑科技大学

申请日：2021-02-01

公开（公告）日：2024-04-02

公开（公告）号：CN112926405B

主分类号：G06V40/10

分类号：G06V40/10;G06V10/774;G06V10/762

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.06.25#实质审查的生效;2021.06.08#公开

摘要：本发明公开了一种安全帽佩戴检测方法、系统、设备及存储介质，1.获取原始图像数据，将部分原始图像数据作为训练集；2.搭建安全帽检测网络YOLOv4；3.使用聚类算法获取训练集的先验框的大小，并且替换YOLOv4中的先验框数据；4.将训练集上传至安全帽检测网络YOLOv4中，采用迁移学习的方法训练得到安全帽识别模型；5.使用安全帽识别模型对现场人员是否佩戴安全帽进行检测。增强了网络的识别度，提高了复杂施工场景下多行为的小目标检测的准确率和模型的鲁棒性，实现复杂场景下安全帽佩戴的精准检测。

主权项：1.一种安全帽佩戴检测方法，其特征在于，包括以下步骤；步骤一、获取原始图像数据，将部分原始图像数据作为训练集；步骤二、搭建安全帽检测网络YOLOv4；使用cmake方式进行编译，YOLOv4包含以下四部分：Input输入层、BackBone主干网络、Neck以及Head检测头；BackBone主干网络包括CSPDarknet53、Mishap激活函数以及Dropblock，BackBone中共有72个卷积层，产生的Backbone结构，其中包含了5个CSP模块，每个CSP模块前面的卷积核的大小都是3×3，步长为2；Backbone有5个CSP模块，输入图像是608*608，所以特征图变化的规律是：608-304-152-76-38-19，经过5次CSP模块后得到19*19大小的特征图；搭建安全帽检测网络YOLOv4具体过程为：1）构建YOLOv4的骨干网络CSPDarknet53，其包含：CBM和5个CSPn残差模块拼接而成，残差块：CSP1由5个CBM和1个残差模块组合，CSP2由5个CBM和2个残差模块组合，CSP8由5个CBM和8个残差模块组合，CSP8由5个CBM和8个残差模块组合，CSP4由5个CBM和4个残差模块组合，没每经过一个CSPn，便有一次下采样，其中每个CBM由卷积层、BN批量归一化和Mish激活函数层组成；Mish激活函数用数学公式表示为： 其中，tanh也为激活函数，tanh的数学表达式为： 其中，x代表非线性特征加权求和，ln为以e为底的对数函数，e^x为指数函数；Mish激活函数允许有比较小的负梯度流入，从而保证信息流动；且激活函数无边界，很好地避免了饱和问题，且Mish函数保证了没一点的平滑，梯度下降效果比Relu要好；2）构建Neck模块；Neck模块包含：SPP+PANET；对于608*608的输入，SPP的构造为:1、5、9、13以及Concat连接，将SPP添加到CSPDarknet53，显著增加了感受野，分离出最重要的上下文特征，且几乎不会减少网络运行速度；使用PANet代替FPN作为作为不同骨干层对不同检测器层的参数聚合方法，在FPN的基础上做了bottom-up的路径增加；3）构建Head检测头；经过5次CSP模块（608-304-152-76-38-19）后得到19*19大小的特征图；步骤三、使用聚类算法获取训练集的先验框的大小，并且替换YOLOv4中的先验框数据；步骤四、将训练集上传至安全帽检测网络YOLOv4中，采用迁移学习的方法训练得到安全帽识别模型；采用迁移学习的方式对安全帽检测网络YOLOv4基于CSPDarknet目标识别模型进行训练，将迭代次数设置为4000、更换mini-batch的大小分别进行训练，得到训练好的weights识别模型以及loss和map图像；weights识别模型为安全帽识别模型；配置安全帽检测网络YOLOv4训练的环境，包含：CUDA10.0、cudnnv7、python3.6、VisualStudio2017和cmake工具，CPU:InTelRCoreTMi7-9700F,GPU:RTX2080Ti,显存：11G；配置预训练权重文件yolov4.conv.137到框架根目录下；更新配置文件cfg中的相关参数，包含：检测集和训练集的路径信息，检测类的类文件obj.names，yolo-obj.cfg中的输入图片大小（width=608或416、height=608或416）、mini-batch=1或4、max_batches=40002000*classes、steps=3200,3600max_batches*0.8,max_batches*0.9、classes=2、filters=21classes+5*3、anchors，anchors为合并聚类生成的先验框数据；输入构建好的数据集，并采用mosaic数据处理，每次向网络中传入4张图片；使用迁移学习的方式基于预训练权重文件训练出本发明网络的权重文件，并将.weights权重文件进行转换为.conv.23的文件，将生成的新文件作为下次训练的预训练模型，此举的优势在于：训练速度快，模型优；训练时生成weights文件以及loss和map的变化过程图像；步骤五、使用安全帽识别模型对现场人员是否佩戴安全帽进行检测。

全文数据：

权利要求：

百度查询： 西安建筑科技大学 一种安全帽佩戴检测方法、系统、设备及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD