[发明专利]一种基于特征自适应融合的车间安全帽检测方法

说明书

本发明涉及一种基于特征自适应融合的车间安全帽检测方法，包括如下步骤：获取待检测数据并进行预处理，输入预训练好的安全帽检测模型中，基于所述安全帽检测模型的输出进行基于邻域内预测框数量统计的NMS后处理，得到检测结果，其中，所述的安全帽检测模型包括相互连接的多尺度特征自适应融合网络以及目标检测网络，所述多尺度特征自适应融合网络用于基于所述目标检测网络的多个输入特征图以及对应的空间权重和通道权重，获取用于预测的目标特征图。相比于现有安全帽佩戴检测方法，本发明能够更为准确的检测出佩戴普通帽子并提高了对车间场景中小目标的检测能力，且能够有效减少在连续帧检测过程中出现的偶然误检。

技术领域

本发明涉及目标数据监测技术领域，尤其是涉及一种基于特征自适应融合的车间安全帽检测方法。

背景技术

安全帽是工业生产环境中的一种重要保护装置，能够有效消除或降低工人头部因意外造成的伤害。随着基于深度学习的目标检测算法性能不断提升，使用智能识别技术替代人工监督是目前一大趋势。现有的安全帽检测方法大多针对室外或建筑场景展开研究，目前还没有专用于车间内部的安全帽检测方法。相比于室外或建筑场景下的待检测样本，车间内的待检测目标尺度更小，图像质量也偏低。同时，车间生产环境内遮挡物更多，导致该类样本识别难度较高，现有安全帽检测方法对车间场景下的安全帽目标的检测能力还有待提升。

(1)现有的安全帽检测技术的样本均来自一般室外或建筑场景，并没有可专用于车间安全帽检测的数据样本。

(2)现有安全帽检测模型对于车间环境内的小尺度待检测目标的识别准确率偏低。

(3)现有安全帽佩戴检测模型大多使用单帧图像进行训练，但是在实际应用过程中，模型通常是检测连续的监控视频图像。模型在连续帧检测时会出现偶然误检。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于特征自适应融合的车间安全帽检测方法，通过多个特征图赋予通道空间权重与通道权重，从而实现多尺度特征自适应地融合，避免小目标特征在多次融合过程中被淹没，从而达到提升小目标检测精度的目的。

本发明的目的可以通过以下技术方案来实现：

本发明提供了一种基于特征自适应融合的车间安全帽检测方法，包括如下步骤：

获取待检测数据并进行预处理，输入预训练好的安全帽检测模型中，基于所述安全帽检测模型的输出进行基于邻域内预测框数量统计的NMS后处理，得到检测结果，

其中，所述的安全帽检测模型包括相互连接的多尺度特征自适应融合网络以及目标检测网络，所述多尺度特征自适应融合网络用于获取所述目标检测网络输出的多个输入特征图以及基于所述输入特征图自适应确定的空间权重和通道权重，获取目标特征图，作为所述安全帽检测模型的输出。

作为优选的技术方案，所述的目标检测网络为YOLOv5网络，所述目标检测网络用于获取所述的输入特征图。

作为优选的技术方案，所述的用于预测的目标特征图的获取包括如下步骤：

针对所述多个输入特征图进行包括统一尺度和降维的预处理，得到预处理后的特征图；

基于所述预处理后的特征图，获取空间描述分支对应的所述空间权重，以及通道描述分支对应的所述通道权重，所述空间描述分支与所述空间描述分支并行设置；

基于所述预处理后的特征图以及所述空间权重和通道权重，获取所述目标特征图。

作为优选的技术方案，所述的空间权重采用下式获取：