[發(fā)明專利]基于YOLOv5網(wǎng)絡的頭盔檢測方法

在審

• 申請?zhí)枺?/td>: 202210405929.7
• 申請日: 2022-04-18
• 公開（公告）號: CN114842503A
• 公開（公告）日: 2022-08-02
• 發(fā)明（設計）人: 彭樹生;宋偉軍;吳禮;郭林
• 申請（專利權(quán)）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

本發(fā)明公開了一種基于YOLOv5網(wǎng)絡的頭盔檢測方法，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(wǎng)絡中進行迭代訓練，通過反復迭代訓練獲得最優(yōu)權(quán)重模型；將待檢測圖片進行預處理后輸入最優(yōu)權(quán)重模型進行頭盔檢測。本發(fā)明引入的注意力機制作用在特征圖之上，通過獲取特征圖中的可用注意力信息，能夠達到更好的任務效果。

技術(shù)領(lǐng)域

本發(fā)明屬于計算機視覺應用技術(shù)領(lǐng)域，尤其涉及一種基于YOLOv5網(wǎng)絡的頭盔檢測方法。

背景技術(shù)

電動車一直是人們?nèi)粘３鲂械闹匾煌üぞ?。近年來，隨著新能源技術(shù)的發(fā)展，電動車的動力越來越強，續(xù)航也更持久，但引發(fā)的交通事故也在不斷增多。

科學研究表明，如果正確佩戴安全頭盔，當意外發(fā)生時，頭盔能夠吸收大部分的沖擊能量，減少事故造成的頭部傷害，從而降低60％到70％的交通事故死亡風險。傳統(tǒng)的頭盔佩戴檢測方法是依靠人工對攝像設備拍攝的內(nèi)容進行檢測，其效率較低且成本較高。因此，設計一種頭盔佩戴情況自動檢測方法，對于提高頭盔檢測的精度和效率，協(xié)助交通執(zhí)法、實現(xiàn)智能化交通管理顯得尤為重要。

頭盔具有小目標、多樣性等屬性，再加上場景的多樣性以及目標間交互的復雜性，因此難以識別。除此之外，頭盔檢測還存在以下難點：在昏暗條件下，由于光照強度不大，可見度低，難以對電動車進行精確定位，頭盔檢測任務的難度大大提高。

已經(jīng)公布的多數(shù)目標檢測方法已在頭盔檢測任務上取得了不錯的成績，但對可見度不高、光照強度不強的昏暗條件下，其檢測精度仍有待提高。在探索基于深度學習的頭盔檢測方法中，Prajwal等人先利用YOLOv2檢測出視頻幀中的人和電動車，再利用 YOLOv3檢測感興趣區(qū)域(Region ofinterest,ROI)中是否含有頭盔，該方法使用的框架冗余，計算量大；Noel等先利用傳統(tǒng)機器視覺方法對摩托車和電動車進行分類，再利用YOLOv3目標檢測框架對頭盔進行檢測，該方法對拍攝角度和圖像質(zhì)量的要求較高。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中的上述技術(shù)缺陷，本發(fā)明提出了一種基于YOLOv5網(wǎng)絡的頭盔檢測方法。

實現(xiàn)本發(fā)明目的的技術(shù)方案為：一種基于YOLOv5網(wǎng)絡的頭盔檢測方法，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(wǎng)絡中進行迭代訓練，通過反復迭代訓練獲得最優(yōu)權(quán)重模型；

將待檢測圖片進行預處理后輸入最優(yōu)權(quán)重模型進行頭盔檢測。

優(yōu)選地，通過網(wǎng)絡爬取與自行拍攝相結(jié)合制作原始圖片數(shù)據(jù)集，其中80％圖片來源于網(wǎng)絡，20％來源于實際拍攝。

優(yōu)選地，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(zhuǎn)、旋轉(zhuǎn)、縮放，分離三個顏色通道并添加隨機噪聲。

優(yōu)選地，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。

優(yōu)選地，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(jié)構(gòu)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(jīng)過1個標準卷積層，最后將兩支進行特征融合操作后經(jīng)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。