[发明专利]安全帽的检测方法、装置、计算机设备及存储介质

说明书

本发明实施例公开了一种安全帽的检测方法、装置、计算机设备及存储介质，该方法包括：获取包括至少一个检测对象的目标检测图像；将目标检测图像输入至预先训练的检测模型中，并获取检测模型输出的，在目标检测图像中检测得到的至少一个检测对象的头部所在区域；根据检测模型输出的检测结果，在目标检测图像中分别截取各检测对象的头部区域图像；将各检测对象的头部区域图像分别输入至分类模型中，并获取分类模型输出的各检测对象是否佩戴安全帽，或者是否佩戴设定颜色的安全帽的分类结果。本发明实施例的技术方案可以有效提高安全帽的检测精度，在保证安全帽检测精度的基础上，同时可以提高对每个独立模型的训练和优化速度。

技术领域

本发明实施例涉及图像处理技术，尤其涉及一种安全帽的检测方法、装置、计算机设备及存储介质。

背景技术

随着安全作业需求的不断增加，许多特殊作业场景需要用户佩戴安全帽，以保证安全生产。因此，各种在视频图像中识别安全帽的技术也不断涌现。

现有技术中，可以直接使用目标检测算法，例如YOLO(You Only Look Once)算法或者快速R-CNN(Region-Convolutional Neural Networks，区域卷积神经网络)，训练得到安全帽检测模型，由同一个模型同时完成检测和分类两个任务，得到最终的安全帽检测结果。

发明人在实现本发明的过程中，发现现有技术存在如下缺陷：1、需要同时做多分类(佩戴安全帽和不佩戴安全帽，有时还需要区分安全帽颜色)任务和检测任务，两种任务耦合在一起容易导致数据采集和标注的时候类别不平衡的问题，同时会增加标注任务的难度；2、由于类别不平衡的问题会导致个别类别在训练过程中训练不充分，进而导致检测精度低；3、由于多个任务耦合在一个检测模型中，增加了模型优化难度。

发明内容

本发明实施例提供一种安全帽的检测方法、装置、计算机设备及存储介质，以优化现有的安全帽检测技术，提高安全帽的检测精度。

第一方面，本发明实施例提供了一种安全帽的检测方法，该方法包括：

获取目标检测图像，其中，目标检测图像中包括至少一个检测对象；

将目标检测图像输入至预先训练的检测模型中，并获取检测模型输出的，在所述目标检测图像中检测得到的至少一个检测对象的头部所在区域；

根据检测模型输出的检测结果，在目标检测图像中分别截取各检测对象的头部区域图像；

将各检测对象的头部区域图像分别输入至分类模型中，并获取分类模型输出的各检测对象是否佩戴安全帽，或者是否佩戴设定颜色的安全帽的分类结果。

另外，根据本发明上述实施例的安全帽的检测方法，还可以具有如下附加的技术特征：

可选的，在将目标检测图像输入至预先训练的检测模型中之前，还包括：

获取预先标注有样本对象的头部所在区域的多个检测图像样本，并将各所述检测图像样本划分为训练样本集和测试样本集；

使用训练样本集和测试样本集对第一机器学习模型进行迭代训练和测试，直至所述第一机器学习模型的检测精度达到预设的检测精度阈值，以得到所述检测模型。

上述发明中的一个实施例具有如下优点或有益效果：仅通过使用标准有样本对象的头部所在区域的检测图像样本，即可快速、准确的训练得到高精度的检测模型，最大程度的减少了样本数据标注的成本，以及检测算法的优化难度，加快了检测算法的开发进度，并降低了检测算法的开发成本。

可选的，所述第一机器学习模型为融合特征金字塔网络和SSD(Single ShotMultiBox Detector，单次多边框检测器)网络的模型；