[發(fā)明專利]一種基于擠壓激勵殘差網(wǎng)絡(luò)改進(jìn)YOLOv3的安全帽佩戴檢測方法

在審

• 申請?zhí)枺?/td>: 202210081802.4
• 申請日: 2022-01-24
• 公開（公告）號: CN114882389A
• 公開（公告）日: 2022-08-09
• 發(fā)明（設(shè)計）人: 劉莉;李包華;張智慧;余嬌;劉琳;周俊旭
• 申請（專利權(quán)）人: 華東交通大學(xué)
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V40/10;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南昌卓爾精誠專利代理事務(wù)所(普通合伙) 36133
• 代理人: 劉文彬

本發(fā)明公開了一種基于擠壓激勵殘差網(wǎng)絡(luò)改進(jìn)YOLOv3的安全帽佩戴檢測方法，涉及安全帽檢測技術(shù)領(lǐng)域，該方法包括以下步驟：步驟1安全帽數(shù)據(jù)集的采集與制作：獲取安全帽的圖像、佩戴安全帽的人員圖像以及截取建筑工地監(jiān)控錄像中的有效樣本的視頻幀；步驟2圖像標(biāo)注與數(shù)據(jù)預(yù)處理；步驟3改進(jìn)SE?YOLO v3算法；步驟4模型訓(xùn)練：通過上面建立的安全帽佩戴數(shù)據(jù)集，訓(xùn)練并優(yōu)化改進(jìn)后安全帽佩戴檢測模型；步驟5Web端部署模型。本發(fā)明針對安全帽佩戴檢測任務(wù)，基于深度學(xué)習(xí)YOLOv3目標(biāo)檢測算法，對特征提取DarkNet網(wǎng)絡(luò)做相應(yīng)的改進(jìn)并改進(jìn)其目標(biāo)損失函數(shù)；通過改進(jìn)算法能夠有效提高安全帽佩戴這類小目標(biāo)檢測任務(wù)檢測效果。

技術(shù)領(lǐng)域

本發(fā)明涉及安全帽檢測技術(shù)領(lǐng)域，具體是一種基于擠壓激勵殘差網(wǎng)絡(luò)改進(jìn)YOLOv3的安全帽佩戴檢測方法。

背景技術(shù)

隨著我國基礎(chǔ)建設(shè)的大力發(fā)展，安全生產(chǎn)越加凸顯出其重要性。在安全生產(chǎn)過程中，佩戴安全帽作為一項基本的安全保障措施，在發(fā)生危險的關(guān)鍵時刻能保護(hù)工作人員頭部以避免很多致命性傷害。以往傳統(tǒng)的安全帽檢測工作主要依靠安全管理人員的監(jiān)督巡查，耗時費力成本高且效率低下。

早期的安全帽檢測技術(shù)主要是基于圖像處理技術(shù)實現(xiàn)，通過識別安全帽的形狀、顏色等一些物理特性以及經(jīng)過小波變換等對圖像進(jìn)行特征抽取，然后根據(jù)圖形的幾何及紋理特征對圖像進(jìn)行分類，并對整個圖像作結(jié)構(gòu)上的分析。通常在識別之前，要對圖像進(jìn)行預(yù)處理，包括濾除噪聲和干擾、提高對比度、增強(qiáng)邊緣、幾何校正等。但是該類方法存在處理過程復(fù)雜、魯棒性弱、容易收到噪聲的干擾、小目標(biāo)識別效果差等缺點。

近年來，由于人工智能與深度學(xué)習(xí)技術(shù)逐漸成熟化及其具有廣泛的應(yīng)用性，為安全帽的智能檢測工作提供了新的研究視角。目前應(yīng)用比較多的主要有兩類實現(xiàn)算法：一類是以R-CNN為代表的Two-Stage算法，該類檢測算法檢測優(yōu)點是檢測精度高一些，缺點檢測速度慢，以至于此后基于R-CNN衍生出Fast R-CNN算法以及Faster R-CNN算法。另一類是以YOLO為典型的 One-Stage算法，其特點是犧牲小部分精度以大幅度提升了檢測速度。

YOLO v3算法更是對YOLO v1和YOLO v2算法做了改進(jìn)：采用了更深層次的特征提取網(wǎng)絡(luò)Darknet-53；同時使用了大中小3個尺度的特征進(jìn)行檢測框預(yù)測，同時增加了anchor數(shù)量。因此其檢測精度有了明顯的提升。但是YOLO v3目標(biāo)檢測算法依舊存在一些問題：①主體結(jié)構(gòu)特征提取網(wǎng)絡(luò)提取出來的特征利用不夠充分，針對小目標(biāo)的特征提取不夠精確；②對于安全帽佩戴這類小目標(biāo)檢測任務(wù)檢測效果不佳；③小目標(biāo)容易受到復(fù)雜背景噪聲的干擾，在復(fù)雜的背景下，小目標(biāo)僅有的幾個像素很容易被其他物體所遮擋或者與其他物體融合致使邊緣對比不清晰；④小目標(biāo)本身邊緣信息模糊，其語義信息經(jīng)過卷積操作后致使本就不多的信息損失嚴(yán)重，經(jīng)過多次下采樣后，對于大感受野的特征基本已經(jīng)不再含有小目標(biāo)的語義信息。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于擠壓激勵殘差網(wǎng)絡(luò)改進(jìn)YOLOv3的安全帽佩戴檢測方法，以解決背景技術(shù)中的問題。

為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于擠壓激勵殘差網(wǎng)絡(luò)改進(jìn)YOLOv3的安全帽佩戴檢測方法，包括以下步驟：步驟1安全帽數(shù)據(jù)集的采集與制作：獲取安全帽的圖像及有效信息、佩戴安全帽的人員圖像以及截取建筑工地監(jiān)控錄像中的有效樣本的視頻幀；步驟2圖像標(biāo)注與數(shù)據(jù)預(yù)處理：對于采集過來的原始數(shù)據(jù)集的數(shù)據(jù)預(yù)處理包括：篩選有效的圖像，去除不符合訓(xùn)練條件的圖像；對于像素過大的圖像降維壓縮處理；對圖像尺寸做相應(yīng)調(diào)整，通過運行LabelImg逐次選擇圖像并進(jìn)行選框分類標(biāo)注，形成xml文件；步驟3改進(jìn)SE-YOLO v3算法：安全帽佩戴檢測特征提取網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)以及基于GIoU改進(jìn)YOLOv3損失函數(shù)；步驟4模型訓(xùn)練：通過上面建立的安全帽佩戴數(shù)據(jù)集，定義好初始化Darknet-53網(wǎng)絡(luò)，輸入帶標(biāo)簽和經(jīng)過預(yù)處理的圖像數(shù)據(jù)，設(shè)置訓(xùn)練網(wǎng)絡(luò)的超參數(shù)，在此基礎(chǔ)上訓(xùn)練并優(yōu)化改進(jìn)后的SE-YOLOv3安全帽佩戴檢測模型；步驟5Web端部署模型：選擇將模型部署在Web端上。