[發明專利]一種復雜場景下的安全帽識別方法及裝置

有效

• 申請號: 202110579308.6
• 申請日: 2021-05-26
• 公開（公告）號: CN113408365B
• 公開（公告）日: 2023-09-08
• 發明（設計）人: 鄒祥波;秦士偉;饒睦敏;葉驥;王群
• 申請（專利權）人: 廣東能源集團科學技術研究院有限公司
• 主分類號: G06V20/50
• 分類號: G06V20/50;G06V10/34;G06V10/82;G06N3/0464;G06N3/08;G06V10/764;G06V10/74;G06V10/56
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郭浩輝;顏希文

1.一種復雜場景下的安全帽識別方法，其特征在于，包括：

采集復雜場景下的安全帽佩戴狀態圖片，對所述安全帽佩戴狀態圖片進行數據標注得到標注圖片；

利用random-?erasing數據增強方法對所述標注圖片的圖片區域進行隨機擦除；

采用光照均衡化的圖片處理方法對所述標注圖片進行預處理，得到預處理圖片；

采用所述預處理圖片對神經網絡模型進行訓練，通過改變所述神經網絡模型的網絡結構并加入注意力機制，得到安全帽識別模型；

采集復雜場景下的待識別圖片，將所述待識別圖片輸入到所述安全帽識別模型中，采用TTA方法識別所述待識別圖片中工人的安全帽佩戴狀態；

所述采用光照均衡化的圖片處理方法對所述標注圖片進行預處理，得到預處理圖片，具體為：

對所述標注圖片進行亮度均衡化處理，讀取所述標注圖片的RGB三個顏色通道，并將所述顏色通道轉換為YUV顏色空間；

選取所述YUV顏色空間的Y通道信息，并統計每個像素的Y通道值，根據所述Y通道值計算得到出現預設亮度的概率；

根據每一亮度出現的概率得到亮度直方圖，對所述亮度直方圖進行歸一化處理得到預處理圖片；

所述神經網絡為Yolov5模型；

在識別到安全帽佩戴狀態為未佩戴安全帽時，生成語音信息提醒；

在識別到安全帽佩戴狀態為已佩戴安全帽時，采用機器學習方法對已佩戴安全帽進行分類，得到所述已佩戴安全帽的顏色類別；

所述采用機器學習方法對已佩戴安全帽進行分類，得到所述已佩戴安全帽的顏色類別，具體為：

檢測所述預處理圖片中的安全帽位置；

制作若干個安全帽的顏色類別模板；

根據所述安全帽位置選取所述已佩戴安全帽的上半部分，將所述已佩戴安全帽的上半部分轉換到所述YUV顏色空間，分別計算所述已佩戴安全帽的上半部分到若干個所述顏色類別模板的歐式距離；

分別將多個所述歐式距離與距離閾值范圍進行比對，根據比對結果得到所述安全帽的顏色類別；

所述分別將多個所述歐式距離與距離閾值范圍進行比對，根據比對結果得到所述安全帽的顏色類別，具體為：

分別將多個所述歐式距離與距離閾值范圍進行比對，若至少一個所述歐式距離在所述閾值范圍內，選取所述歐式距離中的最小值歐式距離對應的顏色類別模板作為最終的計算結果，得到所述安全帽的顏色類別；

若所有歐式距離均不在所述距離閾值范圍內，則判斷所述安全帽為其他顏色類別。

2.如權利要求1所述的復雜場景下的安全帽識別方法，其特征在于，在“采集復雜場景下的安全帽佩戴狀態圖片，對所述安全帽佩戴狀態圖片進行數據標注得到標注圖片”以及“采用光照均衡化的圖片處理方法對所述標注圖片進行預處理，得到預處理圖片”之間，還包括：

利用k-means聚類方法對所述標注圖片的檢測框進行聚類分析。

3.如權利要求1所述的復雜場景下的安全帽識別方法，其特征在于，所述采用所述預處理圖片對神經網絡模型進行訓練，通過改變所述神經網絡模型的網絡結構并加入注意力機制，得到安全帽識別模型，具體為：

在所述神經網絡模型的網絡結構中添加一層SElayer并加入融合了注意力機制的BackBone，得到安全帽識別模型。

4.一種復雜場景下的安全帽識別裝置，其特征在于，包括：

數據標注模塊，用于采集復雜場景下的安全帽佩戴狀態圖片，對所述安全帽佩戴狀態圖片進行數據標注得到標注圖片；

預處理模塊，用于采用光照均衡化的圖片處理方法對所述標注圖片進行預處理，得到預處理圖片；還用于，利用random-?erasing數據增強方法對所述標注圖片的圖片區域進行隨機擦除；

模型訓練模塊，用于采用所述預處理圖片對神經網絡模型進行訓練，通過改變所述神經網絡模型的網絡結構并加入注意力機制，得到安全帽識別模型；

識別模塊，用于采集復雜場景下的待識別圖片，將所述待識別圖片輸入到所述安全帽識別模型中，采用TTA方法識別所述待識別圖片中工人的安全帽佩戴狀態；還用于，在識別到安全帽佩戴狀態為未佩戴安全帽時，生成語音信息提醒；在識別到安全帽佩戴狀態為已佩戴安全帽時，采用機器學習方法對已佩戴安全帽進行分類，得到所述已佩戴安全帽的顏色類別；

所述采用光照均衡化的圖片處理方法對所述標注圖片進行預處理，得到預處理圖片，具體為：

對所述標注圖片進行亮度均衡化處理，讀取所述標注圖片的RGB三個顏色通道，并將所述顏色通道轉換為YUV顏色空間；

選取所述YUV顏色空間的Y通道信息，并統計每個像素的Y通道值，根據所述Y通道值計算得到出現預設亮度的概率；

根據每一亮度出現的概率得到亮度直方圖，對所述亮度直方圖進行歸一化處理得到預處理圖片；

所述神經網絡為Yolov5模型；

所述采用機器學習方法對已佩戴安全帽進行分類，得到所述已佩戴安全帽的顏色類別，具體為：

檢測所述預處理圖片中的安全帽位置；

制作若干個安全帽的顏色類別模板；

根據所述安全帽位置選取所述已佩戴安全帽的上半部分，將所述已佩戴安全帽的上半部分轉換到所述YUV顏色空間，分別計算所述已佩戴安全帽的上半部分到若干個所述顏色類別模板的歐式距離；

分別將多個所述歐式距離與距離閾值范圍進行比對，根據比對結果得到所述安全帽的顏色類別；

所述分別將多個所述歐式距離與距離閾值范圍進行比對，根據比對結果得到所述安全帽的顏色類別，具體為：

分別將多個所述歐式距離與距離閾值范圍進行比對，若至少一個所述歐式距離在所述閾值范圍內，選取所述歐式距離中的最小值歐式距離對應的顏色類別模板作為最終的計算結果，得到所述安全帽的顏色類別；

若所有歐式距離均不在所述距離閾值范圍內，則判斷所述安全帽為其他顏色類別。