[發明專利]一種基于兩階段深度學習的安全帽佩戴識別方法

在審

• 申請號: 202010881941.6
• 申請日: 2020-08-28
• 公開（公告）號: CN112149512A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 許艾明;王飛揚;劉倍銘;劉翔鋒;劉崛雄
• 申請（專利權）人: 成都飛機工業（集團）有限責任公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/42;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都天嘉專利事務所(普通合伙) 51211
• 代理人: 彭紅艷

1.一種基于兩階段深度學習的安全帽佩戴識別方法，其特征在于：包括以下步驟：

a. 對監控攝像頭采集的原始樣本圖片進行工人頭部的標記，使用目標檢測網絡，將目標檢測網絡的輸入尺寸擴大，將該原始樣本圖片送入目標檢測網絡進行訓練，通過對原始樣本圖片中的工人頭部進行分類回歸和位置回歸，得到工人頭部存在于圖片上的像素位置和其置信度，將誤差通過反向傳播算法和梯度下降優化方法進行模型訓練，得到工人頭部目標檢測網絡模型；

b. 將新一批圖像樣本送入目標檢測網絡模型，進行頭部區域檢測，輸出工人頭部圖像區域并剪裁，將場景誤識別的區域一并剪裁作為分類網絡圖像樣本；

c. 分類網絡圖像樣本根據是否佩戴安全帽和誤識別情況分別標注為佩戴安全帽、沒有佩戴安全帽和誤識別三個類別，作為分類網絡訓練樣本集；將該分類網絡訓練樣本集送入圖像分類網絡進行訓練，得到安全帽分類識別網絡模型；

d. 將現場作業工人圖像輸入步驟a中已經訓練好的工人頭部目標檢測網絡模型，得到工人頭部位置并剪裁；

e. 將步驟d中得到的工人頭部位置圖像輸入步驟c中已經訓練好的安全帽分類識別網絡模型，識別出安全帽佩戴情況，若識別出沒有佩戴安全帽，則回歸原圖位置，定位未佩戴安全帽的工人。

2.根據權利要求1所述的一種基于兩階段深度學習的安全帽佩戴識別方法，其特征在于：所述步驟a具體包括以下步驟：

a₁. 用實時監控攝像頭采集現場工人圖片，得到原始樣本圖片；

a₂. 通過圖像樣本標注軟件對該原始樣本圖片中的工人頭部進行標注，獲得訓練樣本集；

a₃. 搭建多尺度目標檢測網絡darknet-53，將目標檢測網絡的輸入尺寸擴大為800*800，將訓練樣本集中的圖片歸一化，調用GPU加速計算；

a₄. 通過53個卷積層，5次下采樣，得到大小分別為25*25、50*50、100*100三種不同尺度的特征圖；通過3*3大小的卷積核在特征圖上滑動，分別對三種不同尺度的特征圖的每一個像素當成一個基準點，圍繞這個基準點選取3個不同面積大小的候選區域，并對每個候選區域分別進行預測；

a₅. 對每個候選區域進行回歸，分別判斷該候選區域框內是否含有目標以及目標的具體位置信息，選取出與實際目標最匹配的一個候選區域框作為預測結果；

a₆. 將預測得到的區域框映射到特征圖上，通過歸一化圖片大小，進行計算，得到信號存在于圖片上的像素位置和其置信程度；

a₇. 對比預測的圖片像素位置和其置信程度和樣本標記的真實值得到誤差，通過誤差反向傳播和梯度下降法對模型參數進行更新，得到最優化的目標檢測網絡模型。

3.根據權利要求2所述的一種基于兩階段深度學習的安全帽佩戴識別方法，其特征在于：所述步驟c中將該分類網絡訓練樣本集送入圖像分類網絡進行訓練，得到安全帽分類識別網絡模型具體指：將該分類網絡訓練樣本集通過ResNet50圖像分類網絡進行訓練，通過卷積運算和殘差網絡結構逐層提取圖像特征；對分類結果和實際的誤差反向傳播更新參數獲得最優化的安全帽分類識別網絡模型。

4.根據權利要求3所述的一種基于兩階段深度學習的安全帽佩戴識別方法，其特征在于：所述步驟b與步驟c之間還包括將分類網絡圖像樣本歸一化到X*X的像素分辨率，其中X為32的倍數。