[发明专利]一种适用于远距离高俯角的安全帽佩戴检测方法

说明书

本发明公开了一种适用于远距离高俯角的安全帽佩戴检测方法，属于目标检测技术领域。本发明包含以下步骤：构建适用于实际施工监管场景的安全帽图像数据集；构建多尺度特征融合的安全帽佩戴检测网络。本发明针对现有方法对远距离高俯角的安全帽佩戴检测精度低的问题，根据实际场景需求构建了业界内专业的安全帽数据集，解决了深度学习的先验数据需求；利用CSP层和SPP层设计了特征提取模块，采用多尺寸多维度特征融合的思想设计了特征映射模块，选取大尺寸特征图进行特征映射，提高了远距离目标的检测精度，在实际应用场景中取得了优秀的检测结果。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种适用于远距离高俯角的安全帽佩戴检测方法。

背景技术

施工现场涉及登高、动火、吊装多种高危作业类型，作业数量多、人员流动大，人员素质参差不齐。部分作业人员安全意识不足，违反“安全禁令”，施工现场安全事故率高；同时受限于人力和监管技术，对作业人员的操作规范性监管力度薄弱，安全隐患问题亟待解决。

施工现场高危作业中，安全帽佩戴不规范将直接影响着作业人员的生命安全。通过人工监管、事后察看的方式存在监管有盲区、监管及时性差的弊端，因此利用机器视觉技术对安全帽佩戴进行主动检测成为主流。

目前常用的安全帽检测技术为通过深度学习目标检测网络对佩戴安全帽的头部区域特征进行提取获得特征图，之后再将提取的特征图转换为坐标信息映射回原图像上。这种方法对于近距离施工现场具有很好的检测效果，但在室外大范围施工现场，特别是远距离高俯角的监控场景下，安全帽识别率难以满足实际智能化厂区的监管需求。

出现这类现象的原因分为两点：第一点是深度学习技术需要大量的先验数据作为支撑，现有的安全帽数据偏向于近景以及正常拍摄角度，这使得网络的权重偏向于识别这类数据，缺乏对远距离高俯角安全帽检测的拟合能力；第二点在于现有目标检测网络的设计初衷是为了广泛检测多种类型的目标，在学术界公开的数据集上获取更高的准确率，这些公开数据集中的小目标占比较低，使得现有检测网络缺乏对小目标的特征提取能力。

针对上述分析，为此本发明针对真实施工现场中远距离高俯角的监控场景，设计了具有多尺度融合结构的安全帽佩戴检测网络。首先，定制化构建了小目标安全帽数据集，使得检测网络更倾向于实际施工现场监管场景下的安全帽佩戴的识别；在此基础上，设计了具有多尺度融合结构的网络，根据大尺寸特征图上目标所占像素多、易定位，但是通道数少缺乏用于检测的特征信息，小尺寸特征图上目标所占像素少、难定位，但是通道数多、用于检测的特征信息丰富的特点，将这两种特征图进行特征融合，综合利用大尺寸图像的位置信息和小尺寸多通道图像的特征信息，并在大尺寸特征图上进行安全帽坐标映射，有效克服了远距离高俯角安全帽识别率低的技术缺陷。

发明内容

本发明主要解决的技术问题为：远距离高俯角场景下，现有方法对安全帽识别率欠佳。

针对该技术问题，本发明提出了一种适用于远距离高俯角的安全帽佩戴检测方法。包含以下步骤：

步骤1：构建适用于实际施工监管场景的安全帽图像数据集。

目标检测领域中数据集的质量对检测结果至关重要，首先通过公开的安全帽开源图像数据构建近距离场景下的安全帽图像数据集；然后通过枪机摄像头拍摄实际施工监管场景，对枪机摄像头拍摄的实际施工监管场景画面图像筛选出远距离高俯角场景下的安全帽图像数据集；保证所构建的安全帽图像数据集既具有泛化性又具有针对性。最后采用数据标注软件对安全帽图像数据集中的安全帽图像进行标注，得到包含安全帽中心坐标和长宽的方框，这个方框用于用于多尺度特征融合的安全帽佩戴检测网络的训练。

步骤2：构建多尺度特征融合的安全帽佩戴检测网络。

安全帽佩戴检测网络主要由安全帽特征提取模块和安全帽特征映射模块组成。