[發(fā)明專利]基于YOLOv5的工地行為安全檢測識(shí)別方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110247682.6
• 申請(qǐng)日: 2021-03-06
• 公開（公告）號(hào): CN112784821A
• 公開（公告）日: 2021-05-11
• 發(fā)明（設(shè)計(jì)）人: 鄢必超
• 申請(qǐng)（專利權(quán)）人: 深圳市安比智慧科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/34;G06K9/46;G06K9/62;G06N3/04;G06N3/08;G06Q10/06;G06Q50/08
• 代理公司: 北京化育知識(shí)產(chǎn)權(quán)代理有限公司 11833
• 代理人: 閆露露

1.基于YOLOv5的工地行為安全檢測識(shí)別方法，其特征在于：包括以下步驟：

獲取待識(shí)別的工地現(xiàn)場圖像信息；

采用預(yù)訓(xùn)練好的檢測模型對(duì)所述待識(shí)別的工地現(xiàn)場圖像信息進(jìn)行識(shí)別，對(duì)安全帽的佩戴情況進(jìn)行檢測，其中，檢測模型為深度學(xué)習(xí)模型，用于訓(xùn)練檢測模型的訓(xùn)練集包括標(biāo)注安全帽佩戴位置的圖像信息；

當(dāng)識(shí)別到工人未佩戴安全帽或者佩戴位置不規(guī)范時(shí)，發(fā)出警示。

2.根據(jù)權(quán)利要求1所述的基于YOLOv5的工地行為安全檢測識(shí)別方法，其特征在于：所述檢測模型為Yolov5模型。

3.根據(jù)權(quán)利要求2所述的基于YOLOv5的工地行為安全檢測識(shí)別方法，其特征在于：獲取待識(shí)別的工地現(xiàn)場圖像信息之前，還包括：

搭建所述檢測模型，檢測模型具有Yolov5模型結(jié)構(gòu)的pytorch框架；

采集工地現(xiàn)場中不同環(huán)境下工人的工地現(xiàn)場圖像信息；

響應(yīng)于所述工地現(xiàn)場圖像信息中包括有待篩選的模糊圖像的區(qū)域，將所述模糊圖像的區(qū)域確定為可疑候選區(qū)域；

將所述可疑候選區(qū)域切割成尺寸一致的多個(gè)區(qū)塊，根據(jù)各個(gè)所述區(qū)塊中安全帽顏色像素的占比，確定可疑候選區(qū)域的分割區(qū)塊，其中，所述安全帽顏色像素為在安全帽目標(biāo)顏色色域內(nèi)的像素，通過判斷像素的RGB值確定是否為安全帽顏色像素；

根據(jù)所述分割區(qū)塊，確定安全帽的佩戴位置，并對(duì)安全帽的佩戴位置進(jìn)行標(biāo)注，得到均包括標(biāo)注安全帽佩戴位置的圖像信息的訓(xùn)練集和測試集；

采用所述訓(xùn)練集對(duì)檢測模型進(jìn)行訓(xùn)練，并根據(jù)訓(xùn)練結(jié)果對(duì)檢測模型進(jìn)行參數(shù)微調(diào)，得到預(yù)訓(xùn)練好的檢測模型。

4.根據(jù)權(quán)利要求3所述的基于YOLOv5的工地行為安全檢測識(shí)別方法，其特征在于：響應(yīng)于所述工地現(xiàn)場圖像信息中包括有待篩選的模糊圖像的區(qū)域，將所述模糊圖像的區(qū)域確定為可疑候選區(qū)域之前，還包括：

響應(yīng)于任何一個(gè)區(qū)域內(nèi)安全帽顏色像素的占比不高于預(yù)設(shè)閾值，確定該工地現(xiàn)場圖像信息中不包括有安全帽圖像信息，剔除該工地現(xiàn)場圖像信息。

5.根據(jù)權(quán)利要求4所述的基于YOLOv5的工地行為安全檢測識(shí)別方法，其特征在于：響應(yīng)于所述工地現(xiàn)場圖像信息中包括有待篩選的模糊圖像的區(qū)域，將所述模糊圖像的區(qū)域確定為可疑候選區(qū)域，具體包括：

將所述工地現(xiàn)場圖像信息劃分為多個(gè)區(qū)域；

獲取每個(gè)所述區(qū)域內(nèi)安全帽顏色的占比，所述占比的計(jì)算方法為公式(1)，所述公式(1)為：

響應(yīng)于任意一個(gè)區(qū)域內(nèi)安全帽顏色的占比低于預(yù)設(shè)閾值，將安全帽顏色的占比低于預(yù)設(shè)閾值的區(qū)域確定為待篩選的模糊圖像的區(qū)域；

響應(yīng)于工地現(xiàn)場圖像信息中包括有待篩選的模糊圖像的區(qū)域，將安全帽顏色的占比低于預(yù)設(shè)閾值的區(qū)域確定為可疑候選區(qū)域。

6.根據(jù)權(quán)利要求5所述的基于YOLOv5的工地行為安全檢測識(shí)別方法，其特征在于：將所述可疑候選區(qū)域切割成尺寸一致的多個(gè)區(qū)塊，具體為：

將可疑候選區(qū)域按等高或者等寬的原則切割成尺寸一致的多個(gè)區(qū)塊。

7.根據(jù)權(quán)利要求6所述的基于YOLOv5的工地行為安全檢測識(shí)別方法，其特征在于：將所述可疑候選區(qū)域切割成尺寸一致的多個(gè)區(qū)塊，根據(jù)各個(gè)所述區(qū)塊中安全帽顏色像素的占比，確定可疑候選區(qū)域的分割區(qū)塊，具體包括：

確定基礎(chǔ)區(qū)塊；

從所述基礎(chǔ)區(qū)塊開始，獲取基礎(chǔ)區(qū)塊后的每個(gè)區(qū)塊中安全帽顏色像素的占比；

獲取占比最小的區(qū)塊，將占比最小的區(qū)塊確定為可疑候選區(qū)域的分割區(qū)塊。

8.根據(jù)權(quán)利要求7所述的基于YOLOv5的工地行為安全檢測識(shí)別方法，其特征在于：所述訓(xùn)練集和所述測試集的比例為7：3。

9.根據(jù)權(quán)利要求8所述的基于YOLOv5的工地行為安全檢測識(shí)別方法，其特征在于：采用所述訓(xùn)練集對(duì)檢測模型進(jìn)行訓(xùn)練，并根據(jù)訓(xùn)練結(jié)果對(duì)檢測模型進(jìn)行參數(shù)微調(diào)，得到預(yù)訓(xùn)練好的檢測模型中，所述參數(shù)包括P、R和mAP，P、R和mAP分別代表識(shí)別精度、召回率和綜合準(zhǔn)確率。

10.基于YOLOv5的工地行為安全檢測識(shí)別系統(tǒng)，其特征在于：包括：

現(xiàn)場信息獲取模塊，用于獲取待識(shí)別的工地現(xiàn)場圖像信息；

安全帽位置識(shí)別模塊，用于采用預(yù)訓(xùn)練好的檢測模型對(duì)所述待識(shí)別的工地現(xiàn)場圖像信息進(jìn)行識(shí)別，對(duì)安全帽的佩戴情況進(jìn)行檢測，其中，檢測模型為深度學(xué)習(xí)模型，用于訓(xùn)練檢測模型的訓(xùn)練集包括標(biāo)注安全帽佩戴位置的圖像信息；

安全警示模塊，用于當(dāng)識(shí)別到工人未佩戴安全帽或者佩戴位置不規(guī)范時(shí)，發(fā)出警示。