[发明专利]一种通过工地视频流检测未佩戴安全帽人员的方法

权利要求书

1.一种通过工地视频流检测未佩戴安全帽人员的方法，其特征在于，主要包括以下步骤：

1)提取t时间内待检测区域监控设备的视频流，并建立训练样本集；

2)建立YOLO网络模型。

3)对YOLO网络模型进行训练，得到训练后的YOLO网络模型；

4)实时提取待检测区域监控设备的视频流，并转换为待检测图像；将待检测图像输入到训练后的YOLO网络模型中，检测待检测区域内作业人员是否佩戴安全帽。

2.根据权利要求1或2所述的一种通过工地视频流检测未佩戴安全帽人员的方法，其特征在于：所述YOLO网络模型为YOLO v3网络模型。

3.根据权利要求1所述的一种通过工地视频流检测未佩戴安全帽人员的方法，其特征在于，建立训练样本集的主要步骤如下：

1)提取t时间内待检测区域监控设备的视频流；

2)从所述视频流中逐帧截取并保存保护作业人员的图像；

3)对图像进行识别，为佩戴安全帽的作业人员图像和未佩戴安全帽的作业人员图像打上不同分类标签，完成图像分类，得到安全帽佩戴检测类别，从而制作出训练样本集。

4.根据权利要求1所述的一种通过工地视频流检测未佩戴安全帽人员的方法，其特征在于：所述YOLO网络模型主要包括所述特征提取层和处理输出层；所述特征提取层包括输入层、低级卷积层和高级卷积层。

5.根据权利要求1所述的一种通过工地视频流检测未佩戴安全帽人员的方法，其特征在于：对YOLO网络模型进行训练的主要步骤如下：

1)利用COCO数据集对YOLO网络模型进行预训练，主要步骤为：

1.1)利用低级卷积层捕获低级图像特征，利用高级卷积层捕获高级图像特征；所述低级图像特征包括图像边缘和拐角；所述高级图像特征包括作业人员轮廓特征和安全帽轮廓特征；

1.2)将低级特征插入到多个高级卷积层中，实现特征规范；

1.3)重复步骤1.1)至步骤1.2)，完成所有图像的预训练；

2)预训练后，重写最后一层YOLO层，使类别的输出与安全帽佩戴检测的类别对应；

3)将训练样本集输入到预训练后的YOLO网络模型中，对预训练后的YOLO网络模型进行训练，直至损失函数loss达到阈值ε；

YOLO网络模型损失函数loss如下所示：

式中，为中心坐标的损失函数，为宽度和高度的损失函数，和为IOU误差，为分类误差；S²为网格的数量；B为每个单元格中的预测框数的数量；x，y为预测框的中心坐标；w、h为预测框的宽度和高度；C为预测框的置信度；P_i(c)指的是属于类c的对象在网格i中的真实概率；是预测值；λ_coord为位置损失函数的权重；λ_hardhat为分类损失函数的权重；表示在第i个小区域的第j个预测帧中是否存在未佩戴安全帽的作业人员，如果存在，则值为1，否则为0；为对应的预测值。

6.根据权利要求1所述的一种通过工地视频流检测未佩戴安全帽人员的方法，其特征在于，检测待检测区域内作业人员是否佩戴安全帽的主要步骤如下：

1)确定检测边界，主要步骤如下：

1.1)输入图像时，首先在网络中选择目标以确定目标中心点；

1.2)将输入图像分成多个单元格，并计算中心点所在的单元的坐标；

1.3)通过中心点的坐标计算预测的边界框，即：

b_x＝δ(t_x)+c_x

b_y＝δ(t_y)+c_y

式中，(b_x，b_y)表示预测边界框中心点的坐标，(b_w，b_h)表示预测边界框的宽和高，(t_x，t_y)表示目标中心点坐标，(t_w，t_h)表示目标边界的宽和高，(p_w，P_w)表示anchor区域的宽度和高度；(c_x，c_y)表示坐标偏移量，δ函数为logistic函数

2)对边界框中图像进行检测，使用sigmoid函数作为类预测的激活函数，判断作业人员是否佩戴安全帽。