[發明專利]一種基于人工智能的反光背心穿戴識別方法

在審

• 申請號: 201911348698.5
• 申請日: 2019-12-24
• 公開（公告）號: CN111091110A
• 公開（公告）日: 2020-05-01
• 發明（設計）人: 郭強;季磊
• 申請（專利權）人: 山東仁功智能科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京華際知識產權代理有限公司 11676
• 代理人: 褚慶森

1.一種基于人工智能的反光背心穿戴識別方法，其特征在于，通過以下步驟來實現：

a).建立訓練素材庫，收集所有款式的工程中使用的反光背心，在施工現場安排工程作業人員穿戴，然后通過視頻和拍照獲得各個方位、各種樣式、各種背景以及各種光線下工程作業人員穿戴反光背心的影像與圖片，將影像圖片進行剪切，形成圖片，并通過圖像工具將圖片處理為統一的正方形尺寸；

b).標注圖片，對經步驟a)處理后的圖片進行人工標注，標注點為是否穿戴了反光背心，標注完成后，得到一個人體穿戴反光背心情景的數據集；

c).訓練目標檢測網絡模型，首先建立基于MobileNetSSD輕量級目標檢測網絡的神經網絡訓練模型，將數據集劃分為訓練集、驗證集和測試集，在訓練集上進行訓練，提取反光背心的特征，反光背心特征表示為神經網絡模型中訓練出的各項權重；最終獲得用于檢測反光背心穿戴的專用目標檢測網絡；

d).檢測神經網絡準確度，按照7：1：2的比例，將數據分為訓練集、驗證集、和測試集，共進行100000次迭代，每次迭代集合大小為16張圖片，每進行10次迭代通過驗證集計算當前損失值和準確率，完成迭代后在測試集上進行最終的準確率的計算，測試結果表明最終的準確率達到99.5％，遠超出正常人的平均識別率；

e).模型部署，將訓練完成的目標檢測網絡部署到監控設備上，進行實時檢測，當檢測出員工未正確佩戴反光背心時，進行語音報警，并通過網絡實時上傳至電腦終端，便于管理人員進行維護。

2.根據權利要求1所述的基于人工智能的反光背心穿戴識別方法，其特征在于：步驟a)中，圖片處理后的正方形邊長不大于450像素，不小于150像素；步驟a)中，共收集了10324張圖片，其中正確穿戴反光背心目標有7323個，未正確穿戴反光背心目標有7481個，二者比例接近于1:1。

3.根據權利要求1或2所述的基于人工智能的反光背心穿戴識別方法，其特征在于：由于采集的初始圖像的分辨率較大，若直接進行調整，則會導致目標人物變形，降低后期的準確率，通過如下步驟對目標圖片進行采集：

a-1).原始圖片收集，收集的圖片尺寸為1920像素*1080像素；

a-2).利用預訓練的YOLOV3行人檢測網絡，對原始圖片進行檢測，會在每張圖片中輸出N個矩形檢測框，矩形檢測框的數量N與圖片中行人的數量相等；

a-3).以每個矩形檢測框的中心為參考點，在原始圖像中截取邊長為a的正方形圖片，其中邊長a符合均值為300像素、方差為1的正態分布，a的概率密度函數如公式(1)所示：

a-4).過濾掉邊長小于150和邊長大于450的矩形，其余圖片作為數據集進行人工標注。

4.根據權利要求1或2所述的基于人工智能的反光背心穿戴識別方法，其特征在于，步驟c)在進行訓練時，通過以下公式進行卷積操作：

其中，f表示被卷積對象，h表示卷積核，g表示圖像經過卷積后的結果。

5.根據權利要求1或2所述的基于人工智能的反光背心穿戴識別方法，其特征在于，步驟d)中，在進行訓練時，輸入圖像尺寸為1280像素*720像素，直接縮放至300像素*300像素會造成像素信息丟失，從而導致檢測率降低，故采用如下算法進行檢測：

d-1).輸入1280像素*720像素尺寸原始圖片；

d-2).在原始圖片上截取4張300像素*300像素大小圖片，選擇在原始圖片下方進行截取；

d-3).依次進行檢測，若未檢測出目標，返回步驟d-1)，若檢測出目標進入步驟d-4)；

d-4).記錄目標位置，返回步驟d-1)，并優先根據記錄目標位置進行檢測。

6.根據權利要求1或2所述的基于人工智能的反光背心穿戴識別方法，其特征在于，步驟d)中，在計算每張圖片的結果時，利用了非極大值抑制算法，對交并比公式進行基于深度學習，從而使準確率提升，基于深度學習后的交并比公式如下所示：

其中，S_A、S_B分別代表目標A、目標B的面積大小。