[發明專利]一種基于改進YOLOv3網絡的安全帽佩戴檢測方法

在審

• 申請號: 202010953092.0
• 申請日: 2020-09-11
• 公開（公告）號: CN112131983A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 董明剛;魏雪影;敬超
• 申請（專利權）人: 桂林理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于改進YOLOv3網絡的安全帽佩戴檢測方法。通過截取施工現場視頻監控數據以及對公共數據集篩選的方法采集樣本制作安全帽佩戴檢測數據集(SHWDS)。以YOLOv3網絡為基礎，根據數據集樣本的尺寸特點，將8倍和16倍降采樣信息分別與深層語義信息進行融合，建立這兩個尺度的特征融合目標檢測層，并且為了避免梯度消失并增強特征的復用，在8倍降采樣特征圖前使用2個DBL單元和2個ResNet單元,同時為了增加目標回歸的穩定性與收斂速度，用DIOU損失函數替換原始的損失函數得到用于檢測的模型網絡。利用K?means算法對數據進行聚類，將聚類得到的先驗框尺寸應用到各尺度網絡層，并在自制的SHWDS上進行訓練和檢測，保存訓練最優模型用于真實的施工現場中。

技術領域

本發明屬于特征提取和目標檢測技術領域，提供了一種基于改進YOLOv3網絡的安全帽佩戴檢測方法。

背景技術

隨著計算機視覺相關技術的不斷發展，目標檢測技術已在工業領域得到廣泛應用，其中安全帽佩戴檢測就是重要的應用之一。傳統的安全帽佩戴檢測算法需要通過手工設計特征來實現，對環境的要求較高，在實際檢測中存在準確率低，模型泛化性差等問題。深度卷積神經網絡由于能夠自主完成對目標特征的學習，提取關鍵信息，因而具有較強的魯棒性。近年來，隨著深度學習的發展，多種多樣的基于深度學習的目標檢測算法被提出，其中最具代表性的是兩階段模型和一階段模型。Faster RCNN、Mask RCNN等算法就是將目標檢測分為兩個階段，即先使用區域候選網絡RPN來提取候選框目標信息，再利用檢測網絡完成對候選目標框的位置和類別的預測與識別。YOLOV3，YOLOv4等算法將對象檢測作為空間回歸問題，以空間分隔的邊界框和相關的類概率進行目標檢測。兩階段模型雖然檢測精度較高，但檢測速度較慢，一階段模型具有更快的檢測速度，所以在本次改進中選用一階段模型。YOLOv4檢測性能雖然高于YOLOv3,但對于設備的要求性較高，最后選擇以YOLOv3為基礎，對安全帽佩戴進行檢測。

YOLOv3采用darknet-53作為特征提取的主干網絡，其借用了ResNet的思想，在網絡中加入了殘差模塊，這樣有利于解決深層次網絡的梯度消失問題。其次，采用了多尺度檢測，選擇3個不同尺度的特征圖來進行對象檢測，能夠檢測到更加細粒度的特征。Yolov3中預測對象類別使用logistic函數替換softmax函數，支持了多標簽對象的檢測。由于SHWDS數據集中小型目標占95％左右，YOLOv3算法在本次SHWDS數據集的檢測中依然存在漏檢率高和召回率低的問題。

BN(Batch Normalization)批量正則化：

BN就是在深度神經網絡訓練過程中使得每一層神經網絡的輸入保持相同分布，在每個batch上將前一層的激活值重新規范化，即使得其輸出數據的均值接近0,其標準差接近1。解決了網絡每層輸入的分布一直在改變,使訓練過程難度加大的問題。batch-normalization也有助于規范化模型，可以在舍棄dropout優化后依然不會過擬合，同時也可以避免梯度消失和梯度爆炸，加速網絡的收斂，提高網絡的泛化能力。

交叉熵損失函數：

交叉熵損失函數可以判定實際的輸出與期望的輸出的接近程度。和其他損失函數一樣，交叉熵損失函數作用是更新神經元連接之間的權值，以達到減少訓練誤差的目的。與方差損失函數相比，交叉熵損失函數克服了學習速度慢的問題。其經常用于分類問題中，由于交叉熵涉及到計算每個類別的概率，所以交叉熵主要和Sigmoid等函數一起使用。

Sigmoid函數：

Sigmoid函數是一個在生物學中常見的S型函數。使用Sigmoid函數計算每個類別的概率，每個類別不必是互斥的，一個對象可以被預測出多個類別，能夠更大程度上利用特征值。

Leaky ReLU激活函數：