[發明專利]一種基于單像素特征放大的安全帽檢測方法及其應用

有效

• 申請號: 202011282208.9
• 申請日: 2020-11-16
• 公開（公告）號: CN112464765B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 姜麗芬;周雍恒;孫華志;馬春梅;梁妍;馬建揚
• 申請（專利權）人: 天津師范大學
• 主分類號: G06V20/20
• 分類號: G06V20/20;G06V10/40;G06V10/80;G06V10/764;G06V10/774
• 代理公司: 天津創智睿誠知識產權代理有限公司 12251
• 代理人: 王融生

本發明公開了一種基于單像素特征放大的安全帽檢測方法及其應用，所述檢測算法包括以下步驟：對安全帽數據集進行預處理增強；通過Efficientnet?b0網絡抽取到目標的特征表示形式；使用單像素特征放縮模塊對主干網絡特征進行特征過濾，增強特征中的前景元素；通過BiFPN特征融合模塊對增強之后的特征進行多尺度特征融合操作；將融合之后的特征輸入到目標預測網絡，對目標進行分類和定位。本發明的SPZ?Det安全帽佩戴檢測算法主要使用SPZ模塊對特征進行放縮操作，保證小目標特征在網絡中不會被丟失，以提升算法在對小目標檢測的性能。

技術領域

本發明涉及深度學習和目標檢測技術領域，特別是涉及一種基于單像素特征放大的安全帽檢測方法及其應用。

背景技術

佩戴安全帽是建筑工地施工現場必需的一種安全防范措施，據研究報告表明，我國每年都有近百名建筑工人遭遇施工事故。這些事故的發生，大多是由于施工現場的安全監督不到位造成的。在施工現場，佩戴安全帽是工人最基本的安全防護措施，但是由于工人安全意識低，自我保護意識薄弱，工人為了方便工作會在工作途中摘下安全帽，這就導致了一旦發生事故，建筑工人的生命就會遭到威脅。

目前安全帽的佩戴檢測方案主要還是視頻監控，人工巡查等檢測方式，不能對未佩戴安全帽的工人及時發出警告，且需要大量的人力資源的使用，因此安全帽的自動檢測技術至關重要。安全帽檢測是目標檢測的實際應用領域，早期的安全帽檢測中，通過對安全帽和人臉顏色分布的對比，確定安全帽和人臉的位置分布，根據位置分布信息，最終確定工人是否佩戴了安全帽。這類基于顏色分布的檢測算法極度依賴于安全帽顏色差異的特征，難以滿足安全帽種類多變的檢測環境。

隨著深度學習技術的發展完善，深度神經網絡可以自動捕獲更加細粒度的特征信息，使用自適應捕獲的信息特征幫助后續檢測任務對目標位置的預測。深度學習時代的安全帽檢測方法，避免了對單一特征的依賴性，網絡已經可以自適應的獲取更加精細的特征信息用于目標的預測。在通用目標檢測算法中可以分為兩大類：一是以YOLO、SSD、RetinalNet為代表的基于回歸的單步目標檢測算法；二是基于區域的兩步檢測算法如Fast-RCNN、Faster-RCNN等。有些算法為了追求檢測的準確性，采用兩步檢測算法Faster-RCNN對頭盔進行檢測，但是卻很難運用到實際生活中，因為兩步檢測算法計算過程復雜，導致了它的檢測速度十分緩慢。

除此之外，在安全帽佩戴檢測的相關算法研究中，面臨巨大挑戰，如施工現場的背景變化較大，場景復雜；距離攝像頭較遠的個體往往尺寸小，很難從復雜的背景中辨別出來；施工現場人員密集，常出現許多人出現在同一場景中，互相遮擋的情況。這些挑戰大大的限制了安全帽佩戴檢測算法的性能。

發明內容

本發明的目的是針對現有技術中存在的安全帽佩戴檢測步驟復雜、檢測速度慢、辨別難度大的問題，而提供一種基于單像素特征放大的安全帽檢測方法，本發明可采用單步檢測的策略，實現對安全帽佩戴自動檢測的算法，解決了小目標和遮擋的問題。

本發明的另一方面，是提供所述基于單像素特征放大的安全帽檢測方法在施工現場監測中的應用。

為實現本發明的目的所采用的技術方案是：

一種基于單像素特征放大的安全帽檢測方法，包括以下步驟：

步驟1，對安全帽數據集進行預處理增強，得到預處理增強的樣本數據；

步驟2，從步驟1得到的預處理增強的樣本數據中，通過Efficientnet-b0網絡抽取到目標的特征表示形式，得到主干網絡特征；

步驟3，使用單像素特征放縮模塊對步驟2得到的主干網絡特征進行特征過濾，增強特征中的前景元素，得到新的特征值；

步驟4，通過BiFPN特征融合模塊對所述步驟3得到的新的特征值進行多尺度特征融合操作，得到融合之后的特征；