[發明專利]一種基于深度學習的安全裝備實時檢測方法及裝置

在審

• 申請號: 202011168172.1
• 申請日: 2020-10-28
• 公開（公告）號: CN112434560A
• 公開（公告）日: 2021-03-02
• 發明（設計）人: 黃莉;付喬波
• 申請（專利權）人: 武漢科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 武漢藍寶石專利代理事務所(特殊普通合伙) 42242
• 代理人: 廉海濤

本發明涉及一種基于深度學習的安全裝備實時檢測方法及裝置，其方法包括如下步驟：獲取多種場景中的視頻流數據并利用其訓練目標檢測神經網絡；根據所述目標檢測神經網絡獲取安全裝備與佩戴人的識別置信度以及動態錨框、動態錨框的坐標；統計所述動態錨框內的預設顏色像素占其所有顏色的比例；根據所述識別置信度、動態錨框的坐標以及預設顏色像素占其所有顏色的比例，判斷佩戴人是否安全佩戴安全裝備。本發明綜合了多種途徑檢測安全裝備方法，由于采取了分層次的檢測方法，速度快、精度高，可以適用于多種場景，特別是佩戴人在出現安全問題時的檢測。

技術領域

本發明涉及視覺識別和安全領域，尤其涉及一種基于深度學習的安全裝備實時檢測方法及裝置。

背景技術

在社會生產經營中，由于工作人員的不安全行為引發的安全事故時有發生。不安全行為是指生產經營單位從業人員在進行生產操作時進行的違反安全生產客觀規律，且有可能導致事故的行為，他們是造成大量事故的直接原因。通過對往年全國安全生產事故進行分析，有90％以上的安全事故是由工作人員的不安全行為或違規行為導致的，如違章操作、失誤操作、疲勞操作、未正確穿戴勞保用品。檢測工作人員是否按照工業生產規定佩戴安全帽和安全帶，可以有效降低高空墜物、高空墜落等安全事故發生的概率及造成的傷害。

隨著深度學習技術的高速發展，目標檢測算法的速度、精度不斷提高，在計算機視覺任務上有著非常優秀的表現。主流的目標檢測算法可以分為兩類，一類是基于候選區域的R-CNN系列算法(R-CNN,Fast R-CNN,Faster R-CNN)，這一類算法食分為兩個階段檢測的，需要先使用啟發式方法(選擇性檢索selective search)或CNN網絡(RPN)產生候選區域，然后再在候選區域上做分類與回歸；另一類是YOLO系列，SSD這類一階段算法，YOLO僅僅使用一個CNN網絡就能直接預測不同目標的類別與位置。

R-CNN系列算法檢測目標時首先在圖像中提取幾千個候選框，每一個候選框都要輸入神經網絡進行判斷，計算時間較長，無法滿足實時性的要求。

YOLO系列經過一系列的迭代，但精度和速度方面距離實時檢測仍有不盡人意。

發明內容

本發明針對現有實時檢測安全裝備在精度不高、實時性差等技術問題，在本發明的第一方面，提供了一種基于深度學習的安全裝備實時檢測方法，包括如下步驟：獲取多種場景中的視頻流數據并利用其訓練目標檢測神經網絡；根據所述目標檢測神經網絡獲取安全裝備與佩戴人的識別置信度以及動態錨框、動態錨框的坐標；統計所述動態錨框內的預設顏色像素占其所有顏色的比例；根據所述識別置信度、動態錨框的坐標以及預設顏色像素占其所有顏色的比例，判斷佩戴人是否安全佩戴安全裝備。

在本發明的一些實施例中，所述目標檢測神經網絡的訓練步驟包括如下步驟：將所述視頻流數據提取為圖像，并將其制作為圖像數據集；利用圖片標注工具對所述圖像數據集中的目標人員及其安全裝備標注，以及獲取目標人員及其安全裝備的坐標，制作成圖像數據集的標簽；將所述圖像數據集及其標簽作為目標檢測神經網絡的輸入，訓練所述目標檢測神經網絡直至誤差低于閾值。

在本發明的一些實施例中，所述統計所述動態錨框內的預設顏色像素占其所有顏色的比例具體為：統計錨框內紅、黃、藍、橙、白像素占錨框內全部像素的比例。