[發明專利]基于YOLOv5網絡的頭盔檢測方法

在審

• 申請號: 202210405929.7
• 申請日: 2022-04-18
• 公開（公告）號: CN114842503A
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 彭樹生;宋偉軍;吳禮;郭林
• 申請（專利權）人: 南京理工大學
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/764;G06V10/774;G06N3/04;G06N3/08;G06V10/82;G06K9/62
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 岑丹

1.一種基于YOLOv5網絡的頭盔檢測方法，其特征在于，包括：

采用Mosaic-8圖像增強算法對原始圖片進行預處理；

將預處理后的圖片輸入到引入了注意力機制的YOLOv5網絡中進行迭代訓練，通過反復迭代訓練獲得最優權重模型；

將待檢測圖片進行預處理后輸入最優權重模型進行頭盔檢測。

2.根據權利要求1所述的基于YOLOv5網絡的頭盔檢測方法，其特征在于，通過網絡爬取與自行拍攝相結合制作原始圖片數據集，其中80％圖片來源于網絡，20％來源于實際拍攝。

3.根據權利要求1所述的基于YOLOv5網絡的頭盔檢測方法，其特征在于，對原始圖片進行標簽標注，標簽分為兩種，分別是yes和no，其中no表示電動車騎行者未佩戴頭盔，yes表示佩戴頭盔，使用圖像增強算法對標簽為yes的圖片進行圖像平移、翻轉、旋轉、縮放，分離三個顏色通道并添加隨機噪聲。

4.根據權利要求1所述的基于YOLOv5網絡的頭盔檢測方法，其特征在于，目標YOLOv5算法模型中的所有C3-n模塊均添加了卷積注意力模塊CBAM。

5.根據權利要求4所述的基于YOLOv5網絡的頭盔檢測方法，其特征在于，所述C3-n模塊包含三個標準卷積層以及n個Bottleneck模塊，C3-n模塊用于對殘差特征進行學習，其結構分為兩支，一支指定n個Bottleneck模塊和1個標準卷積層，另一支經過1個標準卷積層，最后將兩支進行特征融合操作后經過1個標準卷積層，其中，每個Bottleneck模塊的最后添加卷積注意力模塊CBAM。

6.根據權利要求4或5所述的基于YOLOv5網絡的頭盔檢測方法，其特征在于，所述卷積注意力模塊CBAM通道注意力模塊CAM和空間注意力模塊SAM，所述通道注意力模塊CAM對輸入的特征F∈R^C×H×W分別采用基于寬和高的最大池化操作和全局平均池化于在空間維度上進行壓縮，得到兩個特征圖與R^C×H×W為輸入特征圖，兩個特征圖共享一個兩層的神經網絡MLP，第一層神經元的個數為C/r，r為減少率，激活函數是ReLU，第二層的神經元個數是C，對MLP輸出的兩個特征圖使用基于元素的加和操作，再經過Sigmoid激活函數進行歸一化處理，得到最終的通道注意力特征圖M_c∈R^C×1×1；

空間注意力模塊SAM將通道注意力模塊CAM的輸出特征圖作為輸入，對輸入的特征圖分別進行基于通道的全局最大池化和全局平均池化，得到兩個特征圖與將兩個特征圖串聯，基于通道做拼接操作，再經過一個7×7卷積操作生成空間注意力特征M_s∈R^1×H×W。

7.根據權利要求1所述的基于YOLOv5網絡的頭盔檢測方法，其特征在于，所述目標YOLOv5算法模型的損失函數由分類損失、定位損失和目標置信度損失組成。

8.根據權利要求7所述的基于YOLOv5網絡的頭盔檢測方法，其特征在于，所述目標YOLOv5算法模型采用CIOU Loss作為目標框回歸的損失函數，具體為：

其中，d₁表示預測框與目標框兩個中心點的歐式距離，d₂表示最小外接矩形的對角線距離。和分別表示目標框和預測框各自的寬高比，

9.根據權利要求7所述的基于YOLOv5網絡的頭盔檢測方法，其特征在于，使用二元交叉熵損失函數來計算分類損失和目標置信度損失，具體為：

式中，K表示網絡最后輸出的特征圖劃分為K×K個格子，M表示每個格子對應的錨框的個數，表示有目標的錨框，表示沒有目標的錨框，λ_{no_obj}表示沒有目標錨框的置信度損失權重系數，C_i和分別代表第i個網格存在物體的預測置信度和真實置信度，p_i(c)和分別表示物體屬于類別c的預測概和真實概率。