[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

说明书

本发明涉及一种基于嵌入式设备和深度学习的安全帽识别方法，包括以下步骤：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YOLO Nano模型搭载到嵌入式设备上；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。本发明在保证检测精度的同时提高检测的速度以实现实时检测。

技术领域

本发明涉及目标识别技术领域，特别是涉及一种基于嵌入式设备和深度学习的安全帽识别方法。

背景技术

在施工过程中，佩戴安全帽是一项基本的规章制度，但由于监管不力，工人不佩戴安全帽而引发的安全事故时有发生。为了改善这种情况，有必要对施工人员的安全帽佩戴进行检测，降低由于作业人员没有佩戴安全帽而造成的事故发生率。

目前大多数的建筑行业的施工现场对安全帽佩戴情况的监管都还停留在人工监管的阶段，这种工作十分机械且不严谨，非常依赖于监管人员的专注力，安全性无法保障。随着近年来人工智能的发展，很多人开始将计算机视觉和深度学习的知识应用在了安全帽识别和检测的领域。但是目前的一些方法主要采用的是前端采集视频或图片数据然后通过互联网传递给后端的大型服务器来进行计算，这样做一是浪费了前端的计算资源，将所有的处理都集中在了后端的服务器上；二是通过网络传输的方式来传递数据，消耗极大，也会浪费很多的时间，无法做到实时性；最后，这样的做法无法满足大多数实际现场的需求，适用性较差。

现有中国专利文献CN103745226A公开了一种电力设施作业现场人员着装安全检测方法，这种方法基于HOG特征训练SVM分类器识别电力设施作业现场人员以及基于人员识别结果来判断人员是否佩戴安全帽、所佩戴安全帽的颜色等。但是其使用的检测方法为传统的图像识别方法，通过颜色等浅层特征来对图像进行检测，精度较低。

现有中国专利文献CN111241959A中公开的一种通过工地视频流检测未佩戴安全帽人员的方法，该方法采用的是一种前端采集视频流，然后传输至后端进行检测的模式，这样的模式对网络的要求比较高，也无法保证检测的实时性，与目前很多施工现场网络环境差，需要实时检测的需求不符。

发明内容

本发明所要解决的技术问题是提供一种基于嵌入式设备和深度学习的安全帽识别方法，在保证检测精度的同时提高检测的速度以实现实时检测。

本发明解决其技术问题所采用的技术方案是：提供一种基于嵌入式设备和深度学习的安全帽识别方法，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。

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。

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。

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。