[发明专利]一种基于深度神经网络的安全帽佩戴检测方法及系统

说明书

本发明公开了一种基于深度神经网络的安全帽佩戴检测方法及系统。该方法的具体步骤包括：获取视频帧或图片、目标检测器识别检测、输出标注结果图片或视频，其中，目标检测器识别检测的过程中改进式YOLOv5x目标检测模型将原YOLOv5x目标检测模型设置的数据增强替换为对图片进行HSV色彩空间增强处理、Mask‑Mix图像自混合处理、Mosaic多图像组合处理中的一种或多种的混合数据增强，并将原YOLOv5x目标检测模型的BECLogits损失函数替换为基于IOU构造的Lsubgt;Head‑IoU/subgt;损失函数；本发明通过提升检测效率和大幅减弱图片中虚化场景因素的影响，实现了全面监督是否佩戴安全帽的功能。

技术领域

本发明属于应用深度神经网络的目标检测领域，具体涉及检测是否佩戴安全帽的方法。

背景技术

将深度神经网络应用于目标检测中是当前计算机视觉领域的热点方向，以深度神经网络为核心的各类模型在图片识别、目标检测和语义分割场景实现了广泛应用。

现有基于深度神经网络的安全帽目标检测系统在训练时会使用开源的安全帽佩戴检测数据集(SafetyHelmetWearingDataset，SHWD)形成训练集。SHWD包括约7500张图像，其中约9000个人物头像佩戴有安全帽的阳性对象和约110000个无佩戴安全帽的阴性对象。SHWD的阳性对象来自谷歌或百度，阳性对象用LabelImg工具手动标注，部分阴性对象则来自SCUT-HEAD安全帽数据集。

基于深度神经网络的安全帽目标检测系统使用时在建筑土木工程的施工场景下时通常以视频流数据为输入，当被检测人物头像和摄像头之间出现轻微扬尘、玻璃材料半透明材料等各类虚化场景遮挡时，容易将被检测人物头像遗漏，从而造成检测失效和安全措施监督死角问题。另一方面，现有检测系统或方法的深度神经网络模型多采用两阶段检测，例如R-CNN、Faster RCNN、Resnet等，系统检测效率往往滞后于视频流数据的更新，安全措施的监督时效性有待提升。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供一种基于深度神经网络的安全帽佩戴检测方法以及实现该方法的系统，目的在于通过消除虚化场景的遮挡并提升目标检测性能，实现全面监督建筑土木工程施工现场人员是否佩戴安全帽的功能。

为了达到上述目的，本发明采用以下技术方案：

一种基于深度神经网络的安全帽佩戴检测方法，包括以下步骤：

获取需要被检测的待测图片；

准备完成预训练的目标检测器；目标检测器为改进式YOLOv5x目标检测模型，改进式YOLOv5x目标检测模型将原YOLOv5x目标检测模型设置的数据增强替换为对图片进行HSV色彩空间增强处理、Mask-Mix图像自混合处理、Mosaic多图像组合处理中的一种或多种的混合数据增强，并且将原YOLOv5x目标检测模型的BECLogits损失函数替换为基于IOU构造的L_Head-IoU损失函数；

将待测图片输入目标检测器，目标检测器判断待测图片中的人物头像是否佩戴安全帽，然后目标检测器把判断结果在待测图片中进行标注形成已检测图片；

目标检测器输出已检测图片。

优选地，目标检测器，其预训练的具体步骤包括：

获取安全帽佩戴检测数据集，安全帽佩戴检测数据集由训练图片组成，训练图片中佩戴安全帽的人物头像附带标注框；

对改进式YOLOv5x目标检测模型配置参数；

将训练图片输入改进式YOLOv5x目标检测模型，改进式YOLOv5x目标检测模型对待测图片先进行混合数据增强，再对待测图片中的人物头像是否佩戴安全帽进行预测，生成带有预测框的预测图片；