[发明专利]基于YOLOv5网络的头盔检测方法

说明书

本发明公开了一种基于YOLOv5网络的头盔检测方法，包括：采用Mosaic‑8图像增强算法对原始图片进行预处理；将预处理后的图片输入到引入了注意力机制的YOLOv5网络中进行迭代训练，通过反复迭代训练获得最优权重模型；将待检测图片进行预处理后输入最优权重模型进行头盔检测。本发明引入的注意力机制作用在特征图之上，通过获取特征图中的可用注意力信息，能够达到更好的任务效果。

技术领域

本发明属于计算机视觉应用技术领域，尤其涉及一种基于YOLOv5网络的头盔检测方法。

背景技术

电动车一直是人们日常出行的重要交通工具。近年来，随着新能源技术的发展，电动车的动力越来越强，续航也更持久，但引发的交通事故也在不断增多。

科学研究表明，如果正确佩戴安全头盔，当意外发生时，头盔能够吸收大部分的冲击能量，减少事故造成的头部伤害，从而降低60％到70％的交通事故死亡风险。传统的头盔佩戴检测方法是依靠人工对摄像设备拍摄的内容进行检测，其效率较低且成本较高。因此，设计一种头盔佩戴情况自动检测方法，对于提高头盔检测的精度和效率，协助交通执法、实现智能化交通管理显得尤为重要。

头盔具有小目标、多样性等属性，再加上场景的多样性以及目标间交互的复杂性，因此难以识别。除此之外，头盔检测还存在以下难点：在昏暗条件下，由于光照强度不大，可见度低，难以对电动车进行精确定位，头盔检测任务的难度大大提高。

已经公布的多数目标检测方法已在头盔检测任务上取得了不错的成绩，但对可见度不高、光照强度不强的昏暗条件下，其检测精度仍有待提高。在探索基于深度学习的头盔检测方法中，Prajwal等人先利用YOLOv2检测出视频帧中的人和电动车，再利用 YOLOv3检测感兴趣区域(Region ofinterest,ROI)中是否含有头盔，该方法使用的框架冗余，计算量大；Noel等先利用传统机器视觉方法对摩托车和电动车进行分类，再利用YOLOv3目标检测框架对头盔进行检测，该方法对拍摄角度和图像质量的要求较高。

发明内容

为了解决现有技术中的上述技术缺陷，本发明提出了一种基于YOLOv5网络的头盔检测方法。

实现本发明目的的技术方案为：一种基于YOLOv5网络的头盔检测方法，包括：

采用Mosaic-8图像增强算法对原始图片进行预处理；

将预处理后的图片输入到引入了注意力机制的YOLOv5网络中进行迭代训练，通过反复迭代训练获得最优权重模型；

将待检测图片进行预处理后输入最优权重模型进行头盔检测。

优选地，通过网络爬取与自行拍摄相结合制作原始图片数据集，其中80％图片来源于网络，20％来源于实际拍摄。

优选地，对原始图片进行标签标注，标签分为两种，分别是yes和no，其中no表示电动车骑行者未佩戴头盔，yes表示佩戴头盔，使用图像增强算法对标签为yes的图片进行图像平移、翻转、旋转、缩放，分离三个颜色通道并添加随机噪声。

优选地，目标YOLOv5算法模型中的所有C3-n模块均添加了卷积注意力模块 CBAM。

优选地，所述C3-n模块包含三个标准卷积层以及n个Bottleneck模块，C3-n模块用于对残差特征进行学习，其结构分为两支，一支指定n个Bottleneck模块和1个标准卷积层，另一支经过1个标准卷积层，最后将两支进行特征融合操作后经过1个标准卷积层，其中，每个Bottleneck模块的最后添加卷积注意力模块CBAM。