[发明专利]一种基于嵌入式设备和深度学习的安全帽识别方法

权利要求书

1.一种基于嵌入式设备和深度学习的安全帽识别方法，其特征在于，包括以下步骤：

(1)获取现场图片，通过现场图片对YOLO Nano模型进行训练，并将训练好的YOLONano模型搭载到嵌入式设备上；所述YOLO Nano模型为改进的YOLO Nano模型，其优化了模型框架，并在具体数据集上使用自搜索框架对网络结构进行调整；

(2)在嵌入式设备上搭载检测程序，接收多路视频流，对多路视频流采用所述训练好的YOLO Nano模型进行安全帽的识别，将识别结果整合进视频流并统计信息。

2.根据权利要求1所述的基于嵌入式设备和深度学习的安全帽识别方法，其特征在于，所述步骤(1)具体包括：构建YOLO Nano原型网络和搜索空间；收集具体数据集；在收集到的数据集上进行自搜索网络结构的训练；输出Normal Cell和Reduce Cell两种网络模块；得到训练好的YOLO Nano模型。

3.根据权利要求1所述的基于嵌入式设备和深度学习的安全帽识别方法，其特征在于，所述步骤(2)中对多路视频流采用所述训练好的YOLO Nano模型进行安全帽的识别时使用TensorRT技术进行模型的优化。

4.根据权利要求3所述的基于嵌入式设备和深度学习的安全帽识别方法，其特征在于，所述使用TensorRT技术进行模型的优化具体为：得到训练好的临时权重参数，并转化为YOLO Nano模型；将YOLO Nano模型文件转换为ONNX格式的模型文件；使用TensorRT框架将ONNX格式的模型转换为TensorRT优化后的推理引擎，并放入整体的安全帽识别流程框架中作为最终推理引擎使用。

5.根据权利要求1所述的基于嵌入式设备和深度学习的安全帽识别方法，其特征在于，所述步骤(2)中对多路视频流采用所述训练好的YOLO Nano模型进行安全帽的识别前还包括将多路视频流整合为一个待处理流的步骤。

6.根据权利要求1所述的基于嵌入式设备和深度学习的安全帽识别方法，其特征在于，所述步骤(2)中在对多路视频流采用所述训练好的YOLO Nano模型进行安全帽的识别后还包括对检测到的未佩戴安全帽人员的定位框的位置进行判断的步骤，具体的判断方式为使用PNPoly算法判断所述定位框是否至少有一个点在多边形危险区域内部。

7.根据权利要求1所述的基于嵌入式设备和深度学习的安全帽识别方法，其特征在于，所述步骤(2)中对多路视频流采用所述训练好的YOLO Nano模型进行安全帽的识别后还包括对检测到的未佩戴安全帽人员在场景中的位置进行定位，并记录位置信息；同时，对所述未佩戴安全帽人员的截图进行标注，并记录序号，实现对未佩戴安全帽人员的轨迹追踪。