[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

本發明公開一種基于YOLOv4?Tiny的加油站安全帽佩戴實時檢測方法，包括：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。檢測準確度更高、實時性更強，且適配于油站內硬件設備基礎。

技術領域

本發明屬于油站安全圖像智能識別技術領域，具體涉及一種基于YOLOv4-Tiny的加油站安全帽佩戴實時檢測方法。

背景技術

隨著工業系統的日益復雜以及人工智能技術的不斷發展，對于工業上的許多問題都可以通過運用人工智能技術來提高工作效率。技術提升的同時，工人的安全開始備受關注。安全帽作為保護工人人身安全的重要裝備，在實際工業生產中可以有效保護工人的安全，大幅減少生產安全事故。

現有的安全帽檢測大多是基于深度學習的方法，通過對目標檢測領域的經典算法進行訓練集的替換，用來專門對安全帽進行檢測。比如用目標檢測中兩階段模型 R-CNN系列和單階段網絡YOLO系列。但是在實際使用中，現有的目標檢測模型在實際安全帽檢測時，由于檢測環境的惡劣和安全帽的尺寸過小，導致現有的檢測方法存在對檢測環境要求較高，且檢測精度不高的問題。其次，加油站內硬件設備更新較慢，硬件端算力較低，因此在提高檢測準確率的同時，還需要考慮目標檢測模型的復雜程度，以適配加油站的硬件設備基礎。

因此，亟需對現有的檢測模型進行改進，以適配加油站內硬件設備基礎，并提高檢測模型的檢測精度。

發明內容

針對現有技術中存在的上述問題，本發明提出一種基于YOLOv4-Tiny的加油站安全帽佩戴實時檢測方法，可適配于加油站內硬件設備基礎，且檢測準確度更高。

本發明采用以下技術方案：一種基于YOLOv4-Tiny的加油站安全帽佩戴實時檢測方法，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。

作為優選方案，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。

作為優選方案，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；