[发明专利]一种基于挤压激励残差网络改进YOLOv3的安全帽佩戴检测方法

说明书

本发明公开了一种基于挤压激励残差网络改进YOLOv3的安全帽佩戴检测方法，涉及安全帽检测技术领域，该方法包括以下步骤：步骤1安全帽数据集的采集与制作：获取安全帽的图像、佩戴安全帽的人员图像以及截取建筑工地监控录像中的有效样本的视频帧；步骤2图像标注与数据预处理；步骤3改进SE‑YOLO v3算法；步骤4模型训练：通过上面建立的安全帽佩戴数据集，训练并优化改进后安全帽佩戴检测模型；步骤5Web端部署模型。本发明针对安全帽佩戴检测任务，基于深度学习YOLOv3目标检测算法，对特征提取DarkNet网络做相应的改进并改进其目标损失函数；通过改进算法能够有效提高安全帽佩戴这类小目标检测任务检测效果。

技术领域

本发明涉及安全帽检测技术领域，具体是一种基于挤压激励残差网络改进YOLOv3的安全帽佩戴检测方法。

背景技术

随着我国基础建设的大力发展，安全生产越加凸显出其重要性。在安全生产过程中，佩戴安全帽作为一项基本的安全保障措施，在发生危险的关键时刻能保护工作人员头部以避免很多致命性伤害。以往传统的安全帽检测工作主要依靠安全管理人员的监督巡查，耗时费力成本高且效率低下。

早期的安全帽检测技术主要是基于图像处理技术实现，通过识别安全帽的形状、颜色等一些物理特性以及经过小波变换等对图像进行特征抽取，然后根据图形的几何及纹理特征对图像进行分类，并对整个图像作结构上的分析。通常在识别之前，要对图像进行预处理，包括滤除噪声和干扰、提高对比度、增强边缘、几何校正等。但是该类方法存在处理过程复杂、鲁棒性弱、容易收到噪声的干扰、小目标识别效果差等缺点。

近年来，由于人工智能与深度学习技术逐渐成熟化及其具有广泛的应用性，为安全帽的智能检测工作提供了新的研究视角。目前应用比较多的主要有两类实现算法：一类是以R-CNN为代表的Two-Stage算法，该类检测算法检测优点是检测精度高一些，缺点检测速度慢，以至于此后基于R-CNN衍生出Fast R-CNN算法以及Faster R-CNN算法。另一类是以YOLO为典型的 One-Stage算法，其特点是牺牲小部分精度以大幅度提升了检测速度。

YOLO v3算法更是对YOLO v1和YOLO v2算法做了改进：采用了更深层次的特征提取网络Darknet-53；同时使用了大中小3个尺度的特征进行检测框预测，同时增加了anchor数量。因此其检测精度有了明显的提升。但是YOLO v3目标检测算法依旧存在一些问题：①主体结构特征提取网络提取出来的特征利用不够充分，针对小目标的特征提取不够精确；②对于安全帽佩戴这类小目标检测任务检测效果不佳；③小目标容易受到复杂背景噪声的干扰，在复杂的背景下，小目标仅有的几个像素很容易被其他物体所遮挡或者与其他物体融合致使边缘对比不清晰；④小目标本身边缘信息模糊，其语义信息经过卷积操作后致使本就不多的信息损失严重，经过多次下采样后，对于大感受野的特征基本已经不再含有小目标的语义信息。

发明内容

本发明的目的在于提供一种基于挤压激励残差网络改进YOLOv3的安全帽佩戴检测方法，以解决背景技术中的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于挤压激励残差网络改进YOLOv3的安全帽佩戴检测方法，包括以下步骤：步骤1安全帽数据集的采集与制作：获取安全帽的图像及有效信息、佩戴安全帽的人员图像以及截取建筑工地监控录像中的有效样本的视频帧；步骤2图像标注与数据预处理：对于采集过来的原始数据集的数据预处理包括：筛选有效的图像，去除不符合训练条件的图像；对于像素过大的图像降维压缩处理；对图像尺寸做相应调整，通过运行LabelImg逐次选择图像并进行选框分类标注，形成xml文件；步骤3改进SE-YOLO v3算法：安全帽佩戴检测特征提取网络结构改进以及基于GIoU改进YOLOv3损失函数；步骤4模型训练：通过上面建立的安全帽佩戴数据集，定义好初始化Darknet-53网络，输入带标签和经过预处理的图像数据，设置训练网络的超参数，在此基础上训练并优化改进后的SE-YOLOv3安全帽佩戴检测模型；步骤5Web端部署模型：选择将模型部署在Web端上。