[發(fā)明專利]基于YOLOv5目標檢測模型的安全帽佩戴檢測方法

在審

• 申請?zhí)枺?/td>: 202111394627.6
• 申請日: 2021-11-23
• 公開（公告）號: CN114170626A
• 公開（公告）日: 2022-03-11
• 發(fā)明（設(shè)計）人: 趙志強;王耀中;黑新宏;何文娟;趙欽
• 申請（專利權(quán)）人: 西安理工大學(xué)
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/774;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 王丹

本發(fā)明公開了基于YOLOv5目標檢測模型的安全帽佩戴檢測方法，在初始YOLOv5目標檢測模型的基礎(chǔ)上利用YOLOv5的特征提取部分提取更大尺寸的特征圖，在特征融合部分進行特征融合。采用中心損失作為正則化項對YOLOv5目標檢測模型中的置信度損失和分類損失進行約束，從而使得改進后的YOLOv5目標檢測模型能更為準確的檢測出小目標的類別其中更大尺寸的特征圖具有較小的感受野，因此更有利于YOLOv5目標檢測模型檢測出小目標。本發(fā)明所提出的改進后YOLOv5模型在施工場景下安全帽的檢測任務(wù)中有著優(yōu)異的表現(xiàn)，一些YOLOv5檢測不到的小目標被改進后YOLOv5所檢測到。

技術(shù)領(lǐng)域

本發(fā)明屬于計算機視覺的目標檢測技術(shù)領(lǐng)域，具體涉及基于YOLOv5目標檢測模型的安全帽佩戴檢測方法。

背景技術(shù)

在目前的鐵路施工環(huán)境中，復(fù)雜的施工環(huán)境和施工人員的不安全行為很容易引發(fā)安全事故，這甚至?xí){施工人員的生命安全。其中施工人員的頭部受傷最為致命，這也是造成施工場景中安全事故的主要原因。因此安全帽的佩戴就顯得十分必要，同時也是施工行為規(guī)范中最基本的要求。但是在實際的作業(yè)情況中，常常出現(xiàn)人員未佩戴安全帽的行為。因此為了降低安全隱患，在施工時對人員安全帽佩戴的情況進行檢測是十分必要的。

隨著計算機視覺技術(shù)的不斷發(fā)展，目標檢測領(lǐng)域在工業(yè)生產(chǎn)中有著廣泛的應(yīng)用，其中安全帽檢測技術(shù)就是一個重要的應(yīng)用領(lǐng)域。早期的基于手工特征的檢測算法主要有Viola-Jonesdetector，HistogramofOrientedGradients(HOG)，等。隨著卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，目標檢測算法也轉(zhuǎn)向了基于深度神經(jīng)網(wǎng)絡(luò)的檢測算法。基于深度神經(jīng)網(wǎng)絡(luò)的目標檢測算法可以分為兩類即，“單階段”目標檢測模型和“雙階段”目標檢測模型。其中屬于“單階段”目標檢測的模型主要有SSD和YOLO系列。而屬于“雙階段”目標檢測的模型主要有RCNN，F(xiàn)asterRCNN等。本發(fā)明主要基于“單階段”的YOLOv5模型進行改進對安全帽進行檢測。

YOLOv5模型在前代YOLOv4的基礎(chǔ)上進行了改進，相較于YOLOv4，YOLOv5有著更快的訓(xùn)練速度，并且YOLOv5s有著更小的模型尺寸，利于模型的快速部署。在進行安全帽檢測時，拍攝場景的遠近和復(fù)雜的施工環(huán)境產(chǎn)生了大量的小目標。然而，在實際應(yīng)用中YOLOv5模型在對于小目標的檢測上仍有著一定的欠缺。因此本發(fā)明對YOLOv5模型進行改進在保證檢測速度的同時提升小目標的檢測精度。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供基于YOLOv5目標檢測模型的安全帽佩戴檢測方法，旨在提升施工場景下小目標的檢測能力。

本發(fā)明所采用的技術(shù)方案是：基于YOLOv5目標檢測模型的安全帽佩戴檢測方法，具體操作步驟如下：

步驟1、獲取安全帽檢測數(shù)據(jù)集SHWD，并生成相應(yīng)的標簽文件；將所述數(shù)據(jù)集劃分為訓(xùn)練集，驗證集和測試集；所述安全帽檢測數(shù)據(jù)集包括安全帽圖像以及安全帽標簽文件，所述標簽文件包括標注框，標注框的位置信息以及標注框所標注內(nèi)容的真實類別信息；

步驟2、將輸入圖像輸入原始YOLOv5目標檢測模型，通過原始YOLOv5目標檢測模型的特征提取部分提取出四個不同大小的特征圖；再將四個不同大小的特征圖進行特征融合，最終到了改進后YOLOv5目標檢測模型；

步驟3、所述改進后YOLOv5目標檢測模型的損失函數(shù)分為定位損失函數(shù)、分類損失函數(shù)、置信度損失函數(shù)；采用度量學(xué)習(xí)中的中心損失函數(shù)作為正則化項對分類損失和置信度損失進行約束，從而構(gòu)成一個新的目標函數(shù)；使用隨機梯度下降法對該目標函數(shù)進行優(yōu)化，從而達到訓(xùn)練改進后YOLOv5目標檢測模型的目的；

步驟4、將安全帽檢測數(shù)據(jù)集中的訓(xùn)練集圖像輸入至步驟3改進后YOLOv5模型進行訓(xùn)練，并保存訓(xùn)練過程中改進后YOLOv5模型在驗證集上檢測準確率最高時的權(quán)重參數(shù)，并將該權(quán)重文件命名為best.pt；