[發明專利]一種安全帽佩戴檢測的圖像數據集冗余清洗方法

在審

• 申請號: 202111360409.0
• 申請日: 2021-11-17
• 公開（公告）號: CN114067135A
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 陳軼;張文;王茂森;牛少彰;崔浩亮;馮亞輝;王讓定
• 申請（專利權）人: 東南數字經濟發展研究院;浙江磚助智連科技有限責任公司
• 主分類號: G06V10/72
• 分類號: G06V10/72;G06V10/74;G06V10/774;G06V20/52;G06V20/40;G06K9/62
• 代理公司: 北京盛凡佳華專利代理事務所(普通合伙) 11947
• 代理人: 陳文麗

本發明涉及一種安全帽佩戴檢測的圖像數據集冗余清洗方法，包括以下步驟：使用目標檢測算法YOLO V4算法在VOC數據集上進行訓練，選擇最優結果的模型文件進行保存；利用FFmpeg將攝像頭采集到的視頻解析成圖像；解析完成的圖像按照順序輸入訓練完成的目標檢測模型，檢測結果僅保留檢測到人的圖像；判斷前后兩張圖檢測到的人員數量是否一致；不一致，則將兩張圖像均保存；一致，則計算兩張圖像中人員各個人員位置中心點坐標；計算各個對應中心點之間的距離之和；判斷計算距離之和是否大于設定閾值；判斷結果為否，則刪除其中一張圖；判斷結果為是，則保留兩張圖。本發明的優點：提升安全帽佩戴檢測圖像數據冗余清洗方法的可解釋性。

技術領域

本發明涉及目標檢測技術領域，具體是指一種安全帽佩戴檢測的圖像數據集冗余清洗方法。

背景技術

安全帽作為施工作業時必須佩戴的工作帽有著諸多應用場合，如建筑工地、工廠生產線以及井下采礦等。作業人員佩戴安全帽不僅是安全生產作業的規范要求，更是人生安全的重要保障。因此，安全帽佩戴檢測模型有著十分廣闊的應用前景。與此同時，需要安全帽佩戴檢測模型準確率達到一定高度。這就要對每個具體應用場合的監控視頻數據進行有針對性的安全帽佩戴檢測模型訓練。

隨著深度學習技術的不斷發展，目標檢測模型作為機器視覺識別中重要方向之一，也廣泛采用了基于深度學習的檢測技術。通常，深度學習技術需要大量標注完成的樣本作為訓練集，并利用反向傳播算法對其模型參數進行調優以達到預定效果。深度學習不僅要求參與訓練的樣本數量要多，還需要樣本之間體現出差異。大量相似的樣本是不利于提升深度學習模型的泛化能力，也不利于模型部署后的實際測試應用。

在安全帽佩戴檢測模型實際訓練時，訓練集通常是通過網絡監控攝像頭或錄像機獲取視頻數據并將視頻數據解析成圖像數據，然后利用圖像標注軟件平臺對該圖像中沒有佩戴安全帽的區域進行標注。但是，當視頻解析成圖像是按照一定幀率將視頻中的幀以圖像格式保存。如果設定的幀率偏低，則原本拍攝到沒有佩戴安全帽的圖像可能會丟失，導致數據集收集周期變長；如果設定的幀率偏高，則可能會存在大量重復數據。為了盡快收集數據，幀率往往設置偏高。因此，需要對視頻轉圖像后存在的冗余進行自動清除。

針對圖像數據集中冗余清除，目前常用的方法有以下幾種：

(1)人工檢測

人工檢測作為最原始的方法，雖然判斷圖像數據集中的冗余數據較為準確，但是人工成本高。此外，人工檢測主觀性較強，不同標注人員之間存在差異。這些因素使得通過人工檢測清洗圖像數據集中冗余的方式難以及時響應項目需求。

(2)結構相似性

結構相似性作為評價兩張圖像之間相似程度的指標常用于圖像去相似任務中。但是，將其應用在安全帽佩戴監測項目中會存在因非安全帽區域變化而導致的結構相似性值變高，誤將其判定為兩張圖存在差異，這點往往是我們不愿意看到的。

上述方法不能在安全帽佩戴檢測項目中很好地實現圖像數據集冗余清洗。

發明內容

本發明要解決上述技術問題，提供一種可以適用于安全帽佩戴檢測的圖像數據集冗余清洗方法。

為解決上述技術問題，本發明提供的技術方案為：一種安全帽佩戴檢測的圖像數據集冗余清洗方法，包括以下步驟：

S1，使用目標檢測算法YOLO V4算法在VOC數據集上進行訓練，以反向傳播算法進行參數調優，選擇最優結果的模型文件進行保存；

S2，利用FFmpeg將攝像頭采集到的視頻解析成圖像；

S3，解析完成的圖像按照順序輸入步驟S1中訓練完成的目標檢測模型，檢測結果僅保留檢測到人的圖像；

S4，判斷前后兩張圖檢測到的人員數量是否一致；