[发明专利]一种火电厂现场安全帽佩戴检测方法

说明书

本申请公开了一种火电厂现场安全帽佩戴检测方法，包括获取监控区域内带有工作人员的历史视频图片，形成安全帽佩戴检测数据集；对安全帽佩戴检测数据集进行标注，并将其随机划分为训练集与测试集；根据获得的安全帽佩戴检测数据集生成其对应的适用于监控区域的锚框；使用训练集训练改进的YOLOv3模型，得到安全帽佩戴检测模型；调整安全帽佩戴检测模型的模型置信度；基于安全帽佩戴检测模型对监控区域内安全帽佩戴情况进行实时检测。本申请基于改进的YOLOv3模型实现火电厂现场安全帽佩戴实时检测，可适应现场的复杂场景并提高了安全帽佩戴检测的mAP，有助于提高工作人员安全意识，帮助现场的安全生产有序开展。

技术领域

本发明属于智能视频监控安全技术领域，涉及一种火电厂现场安全帽佩戴检测方法。

背景技术

佩戴安全帽是一项防止脑部损伤的措施。研究表明，在建筑工地及巡检现场中，有接近90％的脑损伤是因为没有正确地佩戴安全帽引起，对相关人员的安全帽佩戴进行检测，可有效降低相关事故发生率。

早期，施工及巡检现场通常会有专责的安全监督人员对工作人员的安全帽佩戴情况进行检测，但这种方式难以全方位监督，无法保证监督的有效性。因此，需要能够实时监督施工及巡检现场并降低监督成本的安全帽佩戴检测方法。

一般的目标检测方法仅需在图片上判断是否存在检测目标，并获得目标数量，标记目标位置。对于安全帽佩戴检测算法，在此基础上还要求针对动态视频实时识别、深度优化，达到较高的识别跟踪精度；对光线、阴天等不同环境适应性强，且不受人员眼镜、胡须、发型、表情等遮挡影响；也不受到人员正面、背面、侧面、跑动、低头等不同姿态影响。近年来，研究人员在基于传感器与基于图像处理等两种检测方式上对安全帽佩戴检测做了很多具有创新性的研究工作。但由于定位精度不高、测速度慢、准确率低等问题使得其不适用于复杂性较高的施工及巡检现场，无法达到安全帽佩戴检测实际需求，基于深度学习的检测算法依靠其网络简单、检测速度快准确性高等特点超过传统检测算法，成为当前安全帽佩戴检测方面的主流算法。

YOLOv3采用残差网络模型Darknet-53网络结构代替了YOLOv2的Darknet-19，通过53个卷积层和5个最大池化层来提取特征，使用批量归一化和dropout去除操作来防止过拟合，损失函数使用logistic代替了softmax等等。YOLOv3预检测系统采用了多尺度训练，使用分类器多次执行检测任务，将模型应用于图像的多个位置和比例，输入图片尺寸为416*416像素，特征图尺寸为13*13，26*26，52*52像素。

但对于现场具体场景，YOLOv3模型及相关参数不能达到很高的检测效果，需要针对场景制定对应的改进模型及检测策略。

发明内容

为解决现有技术中的不足，本申请提供一种火电厂现场安全帽佩戴检测方法，能够检测现场视频信息中人员是否佩戴安全帽，并有效减少因为人员行进速度快、物体遮挡、光线昏暗等复杂情况造成的漏检错检问题。

为了实现上述目标，本申请采用如下技术方案：

一种火电厂现场安全帽佩戴检测方法，所述方法包括以下步骤：

S1：获取监控区域内带有工作人员的视频图片，形成安全帽佩戴检测数据集；

S2：对安全帽佩戴检测数据集图片中工作人员是否佩戴安全帽进行标注，并将其随机划分为训练集与测试集；

S3：根据步骤S1获得的安全帽佩戴检测数据集生成其对应的适用于监控区域的锚框；

S4：使用训练集训练改进的YOLOv3模型，使用测试集检测每一代训练后改进的YOLOv3模型，筛选获得安全帽佩戴检测模型；

S5：调整安全帽佩戴检测模型的模型置信度，得到检测结果最优的安全帽佩戴检测模型；