[发明专利]一种基于深度学习的安全装备实时检测方法及装置

说明书

本发明涉及一种基于深度学习的安全装备实时检测方法及装置，其方法包括如下步骤：获取多种场景中的视频流数据并利用其训练目标检测神经网络；根据所述目标检测神经网络获取安全装备与佩戴人的识别置信度以及动态锚框、动态锚框的坐标；统计所述动态锚框内的预设颜色像素占其所有颜色的比例；根据所述识别置信度、动态锚框的坐标以及预设颜色像素占其所有颜色的比例，判断佩戴人是否安全佩戴安全装备。本发明综合了多种途径检测安全装备方法，由于采取了分层次的检测方法，速度快、精度高，可以适用于多种场景，特别是佩戴人在出现安全问题时的检测。

技术领域

本发明涉及视觉识别和安全领域，尤其涉及一种基于深度学习的安全装备实时检测方法及装置。

背景技术

在社会生产经营中，由于工作人员的不安全行为引发的安全事故时有发生。不安全行为是指生产经营单位从业人员在进行生产操作时进行的违反安全生产客观规律，且有可能导致事故的行为，他们是造成大量事故的直接原因。通过对往年全国安全生产事故进行分析，有90％以上的安全事故是由工作人员的不安全行为或违规行为导致的，如违章操作、失误操作、疲劳操作、未正确穿戴劳保用品。检测工作人员是否按照工业生产规定佩戴安全帽和安全带，可以有效降低高空坠物、高空坠落等安全事故发生的概率及造成的伤害。

随着深度学习技术的高速发展，目标检测算法的速度、精度不断提高，在计算机视觉任务上有着非常优秀的表现。主流的目标检测算法可以分为两类，一类是基于候选区域的R-CNN系列算法(R-CNN,Fast R-CNN,Faster R-CNN)，这一类算法食分为两个阶段检测的，需要先使用启发式方法(选择性检索selective search)或CNN网络(RPN)产生候选区域，然后再在候选区域上做分类与回归；另一类是YOLO系列，SSD这类一阶段算法，YOLO仅仅使用一个CNN网络就能直接预测不同目标的类别与位置。

R-CNN系列算法检测目标时首先在图像中提取几千个候选框，每一个候选框都要输入神经网络进行判断，计算时间较长，无法满足实时性的要求。

YOLO系列经过一系列的迭代，但精度和速度方面距离实时检测仍有不尽人意。

发明内容

本发明针对现有实时检测安全装备在精度不高、实时性差等技术问题，在本发明的第一方面，提供了一种基于深度学习的安全装备实时检测方法，包括如下步骤：获取多种场景中的视频流数据并利用其训练目标检测神经网络；根据所述目标检测神经网络获取安全装备与佩戴人的识别置信度以及动态锚框、动态锚框的坐标；统计所述动态锚框内的预设颜色像素占其所有颜色的比例；根据所述识别置信度、动态锚框的坐标以及预设颜色像素占其所有颜色的比例，判断佩戴人是否安全佩戴安全装备。

在本发明的一些实施例中，所述目标检测神经网络的训练步骤包括如下步骤：将所述视频流数据提取为图像，并将其制作为图像数据集；利用图片标注工具对所述图像数据集中的目标人员及其安全装备标注，以及获取目标人员及其安全装备的坐标，制作成图像数据集的标签；将所述图像数据集及其标签作为目标检测神经网络的输入，训练所述目标检测神经网络直至误差低于阈值。

在本发明的一些实施例中，所述统计所述动态锚框内的预设颜色像素占其所有颜色的比例具体为：统计锚框内红、黄、蓝、橙、白像素占锚框内全部像素的比例。