[发明专利]基于CenterNet实现的未佩戴安全带识别方法

说明书

本发明公开了一种基于CenterNet实现的未佩戴安全带识别方法，属于图像识别技术领域。它包括以下步骤：(1)通过采集终端准确捕捉工人高空作业的影像并形成视频流；(2)采用CenterNet模型对视频流逐帧进行处理，将未佩戴安全带的图像归类；(3)将未佩戴安全带的图像展示在荧屏上，并发出广播警告。选择CenterNet模型进行基于深度学习的安全带佩戴实时识别方法，由于安全带佩戴检测领域没有公认的体量大、类型全的安全带数据集，需自行构建安全带检测数据集，因此，利用CenterNet模型，通过迁移学习在自建安全带数据集上训练模型并调整参数，得到准确率、速度和鲁棒性均较高的安全带佩戴检测模型。

技术领域

本发明涉及一种基于CenterNet实现的未佩戴安全带识别方法，属于图像识别技术领域。

背景技术

未带安全带属于目标检测中的二分类问题。目前基于CNN的端到端的目标检测器主要分为：两阶段目标检测器和单阶段目标检测器。区域卷积神经网络(Regions withCNN，R-CNN)是一种具有代表性的两阶段目标检测器，对其网络结构进行修改，衍生出随后的Fast R-CNN和Faster R-CNN模型。两阶段检测器在训练网络时，第一步是训练区域候选网络(Region Proposal Network，RPN)用于生成候选区域，同时将图片划分为背景和目标2种类别，并会对目标位置进行初步的预测；第二步是训练目标区域检测网络用于实现对候选区域内目标类别的判定和目标位置的确定。

基于anchor的目标检测算法，基本步骤都是先尽可能的罗列出所有可能的候选框，然后从中寻找最有可能的框作为检测结果，往往需要非极大值抑制(NMS)作为后处理来对多余的框进行过滤，这大大增加了处理时间。

检测算法通常分为两阶段和单阶段两类。两阶段目标检测器因其检测精度高而受到更加广泛的使用。但是，两阶段目标检测器的主要缺点是其复杂的网络结构使得训练和推理效率较低，无法满足实时检测场景的需要。

发明内容

本发明所要解决的技术问题在于：提供一种基于CenterNet实现的未佩戴安全带识别方法，解决了两阶段目标检测器的训练和推理效率较低，无法满足实时检测场景的需要问题。

本发明所要解决的技术问题采取以下技术方案来实现：

基于CenterNet实现的未佩戴安全带识别方法，它包括以下步骤：

(1)通过采集终端准确捕捉工人高空作业的影像并形成视频流；

(2)采用CenterNet模型对视频流逐帧进行处理，将未佩戴安全带的图像归类；

(3)将未佩戴安全带的图像展示在荧屏上，并发出广播警告。

作为优选实例，所述CenterNet模型所用的关键参数设置如下：

a.图片resize到512*288；

b.使用在ImageNet数据集上预训练的DLA34作为骨干网络；

c.使用Adam优化器；

d.学习率为0.00001，批处理大小为16，梯度裁剪参数clipnorm为0.001；

e.对于中心点损失函数，α设置为2，β设置为4；

f.模型检测类别为2，加上偏移以及尺寸，输出结果一共2+2+2＝6个通道；

g.设置最大检测数量为30；

h.训练epochs设置为50，每个epoch的steps为10000。