[发明专利]基于深度学习的安全帽佩戴识别方法及设备

权利要求书

1.一种基于深度学习的安全帽佩戴识别方法，其特征在于，包括：

将待识别图像输入预先构建的安全帽识别模型；其中，所述安全帽识别模型基于预先标注的图像样本和多层卷积神经网络训练获得；

基于安全帽识别模型的输出结果，获得待识别图像中包含安全帽的子图像。

2.根据权利要求1所述的安全帽佩戴识别方法，其特征在于，将待识别图像输入预先构建的安全帽识别模型，之前还包括：

获取第一图像样本集，并对第一图像样本集进行标注；

基于标注的第一图像样本集和多层卷积神经网络训练获得安全帽识别模型。

3.根据权利要求2所述的安全帽佩戴识别方法，其特征在于，基于标注的第一图像样本集和多层卷积神经网络训练获得安全帽识别模型，之前还包括：在多层卷积神经网络上添加focus loss损失函数。

4.根据权利要求3所述的安全帽佩戴识别方法，其特征在于，基于标注的第一图像样本集和多层卷积神经网络训练获得安全帽识别模型，包括：

基于标注的第一图像样本集对多层卷积神经网络进行训练，直至loss不再下降为止，获得安全帽识别模型。

5.根据权利要求4所述的安全帽佩戴识别方法，其特征在于，基于标注的第一图像样本集和多层卷积神经网络训练获得安全帽识别模型，包括：

S21，设置多层卷积神经网络的层数、卷积核大小和每层的卷积核数目，获得多层卷积神经网络；

S22，基于标注的第一图像样本集和误差反向传播算法对多层卷积神经网络进行训练，获得安全帽识别模型。

6.根据权利要求5所述的安全帽佩戴识别方法，其特征在于，基于标注的第一图像样本集和多层卷积神经网络训练获得安全帽识别模型，还包括：

重复步骤S21和步骤S22；

每次执行步骤S21时，在先前多层卷积神经网络中增加卷积层得到新的多层卷积神经网络；

基于步骤S22对新的多层卷积神经网络进行训练；

当训练后获得的多层卷积神经网络的loss值不再变化，且loss值小于预设阈值时，以当前的训练后获得的多层卷积神经网络作为安全帽识别模型。

7.根据权利要求6所述的安全帽佩戴识别方法，其特征在于，基于标注的第一图像样本集和多层卷积神经网络训练获得安全帽识别模型，还包括：

从每次执行步骤S21和步骤S22训练后获得的多层卷积神经网络中，选择loss值较小的n个；n≥2，且为整数；

基于验证集对n个训练后获得的多层卷积神经网络进行验证，测试安全帽佩戴识别的精度，选取识别误差最小的为安全帽识别模型。

8.根据权利要求2所述的安全帽佩戴识别方法，其特征在于，第一图像样本集包括摄像设备采集的图片、网上下载的公共图片和经过图像处理技术扩充的图片。

9.一种基于深度学习的安全帽佩戴识别设备，其特征在于，包括：

输入模块，用于将待识别图像输入预先构建的安全帽识别模型；其中，所述安全帽识别模型基于预先标注的图像样本和多层卷积神经网络训练获得；

获取模块，用于基于安全帽佩戴识别模型的输出结果，获得待识别图像中包含安全帽佩戴的子图像。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述安全帽佩戴识别方法。