[发明专利]一种基于YOLOv3算法的安全帽佩戴检查方法

权利要求书

1.一种基于YOLOv3算法的安全帽佩戴检查方法，其特征在于，包括以下步骤：

步骤1、对样本图片中的工人头部及安全帽进行标记得到真实目标框，并将YOLOv3模型的网络结构拓展为4尺度检测结构，并通过拓展的网络结构对样本图片进行卷积和下采样处理得到特征图，然后对特征图中的工人头部及安全帽特征进行预测得到尺度预测框；

步骤2、对尺度预测框包含的工人头部及安全帽特征进行分类回归与位置回归，得到尺度预测框中工人头部及安全帽特征映射至特征图上的预测位置参数；并将尺度预测框对应的预测位置参数与真实目标框的实际位置参数进行比对得到位置误差，根据位置误差对YOLOv3模型的权重参数进行更新；

步骤3、根据尺度预测框与真实目标框之间的IoU值的对数损失建立损失函数，并根据YOLOv3模型更新后的权重参数计算损失函数值；

步骤4、迭代进行步骤2与步骤3，直到损失函数值趋于平稳即完成YOLOv3模型训练，得到最优的安全帽佩戴检测网络模型；

步骤5、将现场作业图像输入步骤4中得到的安全帽佩戴检测网络模型进行安全帽佩戴检测；

所述步骤3中建立损失函数包括以下步骤：

步骤3.1、计算尺度预测框与真实目标框之间的IoU值；

步骤3.2、根据尺度预测框与真实目标框之间的IoU值的对数损失构建损失函数，损失函数的计算公式如下：

其中：P1为真实目标框；P2为尺度预测框；P为包含P1和P2的包含框。

2.根据权利要求1所述的一种基于YOLOv3算法的安全帽佩戴检查方法，其特征在于，所述步骤1包括以下步骤：

步骤1.1、通过标注软件对样本图片中的工人头部及安全帽进行标注获得样本图像集；

步骤1.2、基于YOLOv3模型中的PyTorch深度学习框架搭建多尺度目标检测网络Darknet-53；

步骤1.3、向多尺度目标检测网络Darknet-53中输入样本图片，并通过多尺度目标检测网络Darknet-53对样本图片依次进行6次二倍下采样和卷积，得到四种尺寸的特征图；

步骤1.4、将不同尺寸的特征图中的每一个像素点作为一个基准点，并围绕基准点采用3×3像素的卷积核在特征图上滑动，围绕当前基准点选取3个不同面积大小的候选区域，并对候选区域中的工人头部及安全帽特征进行预测得到尺度预测框；

步骤1.5、采用K-means聚类方法得到尺度预测框的大小。

3.根据权利要求2所述的一种基于YOLOv3算法的安全帽佩戴检查方法，其特征在于，通过上采样的方式将位于多尺度目标检测网络Darknet-53中深层和浅层的特征图中的特征向量融合，以减少卷积过程中特征信息的丢失。

4.根据权利要求3所述的一种基于YOLOv3算法的安全帽佩戴检查方法，其特征在于，输入多尺度目标检测网络Darknet-53的样本图片大小为832×832像素，依次经过6次二倍下采样和卷积，并在第3-6次二倍下采样和卷积后分别得到104×104像素、52×52像素、26×26像素、13×13像素四种尺寸的特征图。

5.根据权利要求4所述的一种基于YOLOv3算法的安全帽佩戴检查方法，其特征在于，将样本图片的大小规范化为832×832像素大小后，将每64张样本图片作为一组，将每128组样本图片作为一批次输入多尺度目标检测网络Darknet-53的内存，并设置多尺度目标检测网络Darknet-53的权重衰减速率为0.005，设置动量梯度下降动量值为0.9，设置池化方式为最大池化方式，设置Padding模式为SAME。