[發明專利]視覺數據中防護設備的檢測方法、裝置和存儲介質

有效

• 申請號: 202010140099.0
• 申請日: 2020-03-03
• 公開（公告）號: CN111460896B
• 公開（公告）日: 2023-03-31
• 發明（設計）人: 蔡長青
• 申請（專利權）人: 廣州大學
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/764;G06V10/82;G06N3/0464;G06N3/09
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 黎揚鵬

1.一種視覺數據中防護設備的檢測方法，其特征在于，包括以下步驟：

獲取視覺數據；所述視覺數據能夠顯示出至少一個人員；

將所述視覺數據輸入到YOLO-v3模型中；所述YOLO-v3模型包括依次連接的第一輸出層、第二輸出層和第三輸出層，所述第一輸出層的尺寸為s₁×s₁×b×6，所述第二輸出層的尺寸為s₂×s₂×b×6，所述第三輸出層的尺寸為s₃×s₃×b×6，s₁為所述第一輸出層中每個網格的尺寸，s₂為所述第二輸出層中每個網格的尺寸，s₃為所述第三輸出層中每個網格的尺寸，b為所述第一輸出層中每個網格所使用的邊界框的數量，n為所要識別的防護設備的類型數量；

獲取所述YOLO-v3模型的輸出結果；所述YOLO-v3模型的輸出結果為使用邊界框標示出所述視覺數據中的所有人員；

根據所述YOLO-v3模型的輸出結果確定變換矩陣；經過所述變換矩陣變換的各所述邊界框具有統一的寬度和高度；

將所述變換矩陣中的至少部分參數輸入到機器學習分類器中；所述機器學習分類器包括依次連接的卷積層、輸出層和兩個完全連接層，所述完全連接層由整流線性單元激活；在所述機器學習分類器的整體經過訓練之后，兩個所述完全連接層經過再次訓練；

獲取所述機器學習分類器的輸出結果；所述機器學習分類器的輸出結果將各所述邊界框所標示的人員所穿戴的防護設備類型表示出來；

所述根據所述YOLO-v3模型的輸出結果確定變換矩陣這一步驟，具體包括：

確定一個所述邊界框對應的第一矢量和第二矢量；所述第一矢量指向該邊界框的一個角，所述第二矢量與所述第一矢量具有相同的起點，并指向該邊界框的一個對角；

根據所述第一矢量和第二矢量，確定該邊界框的高度和寬度；

確定用于對矩陣進行歸一化的變換矩陣/W_i表示該邊界框，/為該邊界框的高度，/為該邊界框的寬度，/表示該邊界框的一個角的坐標，/表示該邊界框的一個對角的坐標。

2.根據權利要求1所述的檢測方法，其特征在于，所述YOLO-v3模型的訓練過程包括：

使用第一數據集對所述YOLO-v3模型進行訓練，使得所述YOLO-v3模型中的各層獲得權重；

使用第二數據集對所述YOLO-v3模型中的第一輸出層、第二輸出層和第三輸出層進行訓練，使得所述第一輸出層、第二輸出層和第三輸出層獲得權重。

3.根據權利要求2所述的檢測方法，其特征在于，所述YOLO-v3模型的訓練過程還包括：

對所述YOLO-v3模型中各層的權重進行調整，使得所述YOLO-v3模型的學習速率達到目標值。

4.根據權利要求3所述的檢測方法，其特征在于，所述對所述YOLO-v3模型中的各層的權重進行調整，使得所述YOLO-v3模型的學習率達到目標值這一步驟，具體包括：

在每次調整所述YOLO-v3模型中各層的權重后，檢測所述YOLO-v3模型的驗證損失；

當連續三次調整對應的驗證損失均不減小，則將學習率調整至一半的水平；

當連續三次調整對應的驗證損失均不減小，則將學習率調整至零。

5.根據權利要求2-4任一項所述的檢測方法，其特征在于，所述第一數據集為COCO數據集，所述第二數據集為Pictor-v3數據集。

6.根據權利要求2-4任一項所述的檢測方法，其特征在于，還包括以下步驟：

對所述第一數據集和/或第二數據集進行數據增強操作；所述數據增強操作包括按比例放縮、平移、翻轉以及色彩空間中的至少一種。

7.根據權利要求1所述的檢測方法，其特征在于，將所述變換矩陣中的參數和/輸入到機器學習分類器中。