[發明專利]一種基于YOLOv4-Tiny的加油站安全帽佩戴實時檢測方法

在審

• 申請號: 202111495511.1
• 申請日: 2021-12-09
• 公開（公告）號: CN114140750A
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 范慶來;周君良;倪勇龍;陳義;錢至遠;王豆;楊杰;王崇
• 申請（專利權）人: 浙江浙石油綜合能源銷售有限公司;浙江浙能技術研究院有限公司
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V10/764;G06V10/44;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 黎雙華

1.一種基于YOLOv4-Tiny的加油站安全帽佩戴實時檢測方法，其特征在于，包括步驟：

S1、對加油站原有監控視頻進行抽幀處理，提取得到多張監控圖片，對監控圖片進行預處理，以得到訓練圖片，并選取相應比例訓練圖片進行對抗樣本生成，剩余訓練圖片作為原始樣本；

S2、基于對抗樣本、原始樣本生成第一訓練集；

S3、采用第一訓練集對YOLOv4-Tiny改進模型進行訓練，以得到相應訓練權重；

S4、接入加油站實時監控，并進行幀分解，將每一幀的分解圖片實時輸入訓練完成的YOLOv4-Tiny改進模型中，以得到分解圖片中人員安全帽佩戴分類結果，并將分類結果疊加至分解圖片中，以得到分類圖片；

S5、將分類圖片實時合成視頻，進行視頻實時輸出；

YOLOv4-Tiny改進模型包括依次相聯的特征提取骨干網絡模塊、多尺度特征融合模塊、分類預測模塊，特征提取骨干網絡模塊為CSPdarknet53_tiny網絡；

YOLOv4-Tiny改進模型還包括注意力機制模塊，注意力機制模塊插入到CSPdarknet53_tiny網絡的Resblock_body模塊的殘差網絡中。

2.根據權利要求1所述的一種基于YOLOv4-Tiny的加油站安全帽佩戴實時檢測方法，其特征在于，注意力機制模塊為SENet網絡，所述的SENet網絡為通道特征注意力網絡，對輸入的特征圖首先進行全局平均池化，再經過兩個全連接層，最后通過Sigmoid激活函數輸出相應的權重，該權重與輸入的特征圖相乘得到輸出。

3.根據權利要求1所述的一種基于YOLOv4-Tiny的加油站安全帽佩戴實時檢測方法，其特征在于，步驟S1中，包括步驟：

S1.1、選取一時間段內加油站監控視頻，進行抽幀處理，得到包含人員佩戴安全帽和不佩戴安全帽的監控圖片；

S1.2、對監控圖片中目標位置進行標記，并形成標簽，以得到訓練圖片；

S1.3、選取相應比例的訓練圖片，采用目標對抗物體梯度攻擊方法，以生成對抗樣本；

S1.4、將對抗樣本和剩余訓練圖片進行打亂操作，并進行數據增強操作，以形成第一訓練集。

4.根據權利要求3所述的一種基于YOLOv4-Tiny的加油站安全帽佩戴實時檢測方法，其特征在于，步驟S1.3中，包括步驟：

S1.3.1、訓練得到訓練好的原始YOLOv4-Tiny網絡；

S1.3.2、將選取的相應比例的訓練圖片，輸入到訓練好的原始YOLOv4-Tiny網絡，網絡前向傳播，得到置信度損失；

S1.3.3、將置信度損失進行反向傳播，在反向傳播過程中凍結網絡參數不可變，僅可以修改圖片的像素；

S1.3.4、每次迭代后，將被修改過的圖片輸入到訓練好的原始YOLOv4-Tiny網絡中，若無法被正確檢測到目標位置，則停止迭代，該圖片成為對抗樣本。

5.根據權利要求4所述的一種基于YOLOv4-Tiny的加油站安全帽佩戴實時檢測方法，其特征在于，步驟S1.3.3中，朝著置信度損失變大的方向前進反向傳播。

6.根據權利要求4所述的一種基于YOLOv4-Tiny的加油站安全帽佩戴實時檢測方法，其特征在于，步驟S1.3.1中，包括以下步驟：

a、將所有訓練圖片作為第二訓練集；

b、將訓練標簽改成person、50%hat、100%hat三類，分別用來檢測未佩戴安全帽、未正確佩戴安全帽、正確佩戴安全帽；

c、通過將第二訓練集輸入至原始YOLOv4-Tiny模型以計算損失loss，并進行反向傳播，以得到相應網絡權重，進而得到訓練好的原始YOLOv4-Tiny網絡。