[發明專利]一種基于深度學習的安全頭盔佩戴標準判斷方法

在審

• 申請號: 202310098941.2
• 申請日: 2023-01-31
• 公開（公告）號: CN115995097A
• 公開（公告）日: 2023-04-21
• 發明（設計）人: 高鈺敏;聶道靜;郭麗麗;沈毅祥;孫翠翠;張艷波;李彬;劉艷
• 申請（專利權）人: 湖北微特傳感物聯研究院有限公司
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/44;G06V10/764;G06V10/82;G06V10/762;G06N3/0464;G06N3/08;G06T7/73;G06T7/66
• 代理公司: 重慶中之信知識產權代理事務所(普通合伙) 50213
• 代理人: 李根深

1.一種基于深度學習的安全頭盔佩戴標準判斷方法，其特征在于，包括如下步驟：

步驟一，獲取視頻流并解碼成若干幀圖片；

步驟二，將步驟一中獲取的每一幀圖片發生到識別網絡以識別頭盔并檢測頭盔的位置；

步驟三，經判斷未戴頭盔則判斷為不符合佩戴標準，反之則將人的頭部位置用不同顏色的預測框標注成錨定框區域；

步驟四，對步驟三中的錨定框區域進行像素統計，將人的頭部位置正常佩戴時各種顏色頭盔的顏色像素比例的經驗閾值進行細化，對頭盔進行預測和判斷，將頭盔像素比例低的錨定框區域去除，歸為不符合佩戴標準，并在圖片上標注；

其中，識別網絡包括YOLO?v3網絡。

2.如權利要求1所述的基于深度學習的安全頭盔佩戴標準判斷方法，其特征在于，還包括步驟五，根據下式進行判斷：

Z＝η(y)·α+η(r)·β，

式中：α和β分別為權重系數，η(y)是YOLOv3網絡的目標對象識別輸出的置信度，η(r)是像素特征統計的結果，Z為頭盔標準佩戴檢測的置信度：Z處于正常范圍內，判斷為符合安全頭盔的戴標準，反之判斷為不符合安全頭盔標準。

3.如權利要求1或2所述的基于深度學習的安全頭盔佩戴標準判斷方法，其特征在于，YOLO?v3網絡包括Darknet-53和YOLO層，其中Darknet-53用于提取圖像特征，Darknet-53包括53個卷積層，輸入圖像被縮放為416×416，并被送到Darknet-53網絡進行特征提取。

4.如權利要求3所述的基于深度學習的安全頭盔佩戴標準判斷方法，其特征在于，Darknet-53特征提取網絡輸出四種比例的特征圖，大小分別為13×13、26×26、52×52和104×104。

5.如權利要求4所述的基于深度學習的安全頭盔佩戴標準判斷方法，其特征在于，用于預測的是尺寸為13×13的特征圖，然后將其上采樣為26×26的特征圖，在卷積過程中，上采樣后的特征圖與尺寸為26×26的特征圖相結合，作為第二次預測，用這種方法得到尺寸為52×52和104×104的特征圖，作為第三和第四次預測，然后通過FPN，不同尺度的特征圖被融合，多尺度策略被用來幫助網絡模型同時學習不同層次的特征信息，最后，融合后的特征被輸入到YOLO層進行類別預測和邊界框回歸。

6.如權利要求5所述的基于深度學習的安全頭盔佩戴標準判斷方法，其特征在于，YOLOv3使用錨框機制來預測目標邊界框，并對標記的邊界框的大小進行K-均值聚類，得到一組具有固定大小的初始候選框，YOLO?v3在數據集上使用K-均值聚類算法，得到九組先驗框：(10，13)、(16，30)、(33，23)、(30，61)、(62，45)、(59，119)、(116，90)、(156，198)、(373，326)。

7.如權利要求6所述的基于深度學習的安全頭盔佩戴標準判斷方法，其特征在于，對于輸入圖像，YOLO?v3根據特征尺度將其劃分為S×S網格，每個網格分別預測目標，以預測三個不同大小的邊界框，以及四個偏移坐標和邊界框的置信度，所以每個網格得到的張量大小如下：

S×S×[3×(a+b+N)]，

式中：a表示預測邊界框的坐標(t_x，t_y，t_w，t_h)，b代表目標置信度，N代表數據集中的N類靶標。