[发明专利]一种基于YOLOV4的anchor优化安全帽检测方法

说明书

本发明公开了一种基于YOLOV4的anchor优化安全帽检测方法，涉及人工智能领域，包括以下步骤：(1)工人佩戴安全帽情况图像数据的获取；(2)工人安全帽佩戴情况图像样本的划分；(3)工人安全帽佩戴情况图像的特征提取；(4)基于优化anchor的工人安全帽佩戴情况识别模型的构建。本发明采用主干网络CSPDarknet53进行工人安全帽佩戴情况监测模型的构建，并对anchor进行优化，进而能提取更多、更有效的特征信息，在无需现场查看的情况下，能够高效、准确地对工人是否佩戴安全帽进行检测。这样既保证了工人的工作效率，又保证了工人的生命安全。

技术领域

本发明设及一种基于YOLOV4的anchor优化安全帽检测方法，属于人工智能的领域。

背景技术

在施工、生产以及煤矿作业中，安全帽作为保护工作人员头部的重要工具，在生产作业中必须要求所有人必须佩带。根据权威人员统计的数据显示，施工造成的安全事故大多数是因为没有佩戴安全帽造成的，为了降低工人因为没有佩戴安全帽造成的事故，有必要对施工人员安全帽佩戴情况进行检测。

因此,本文提出一种新型的“工人安全帽佩戴情况检测系统”--基于YOLOv4的检测系统，主要针对的是“安全帽佩戴检测”，该检测能检测与标记未戴安全帽的工人，并在检测出未戴安全帽工人时给出提示，在不影响正常作业的情况下快速检测，提高生产效率，保障工人的生命安全。

发明内容

针对上述问题，本发明提出一种快速简单的戴安全帽识别方法。为实现上述目的，本发明发采用的技术方案为：一种基于YOLOV4的anchor优化安全帽检测方法，包括以下步骤：

(1)工人佩戴安全帽情况图像数据的获取；

(2)工人安全帽佩戴情况图像样本的划分；

(3)工人安全帽佩戴情况图像的特征提取；

(4)基于优化anchor的工人安全帽佩戴情况识别模型的构建。

作为优选，所述步骤(1)中，获取工人安全帽佩戴情况的图像信息，得到工人安全帽佩戴情况的图像数据集。

作为优选，所述步骤(2)中，采用随机抽样的方式将所采集的工人安全帽佩戴情况图像数据按一定比例划分为独立不重复的验证集和测试集。

作为优选，所述步骤(3)中，用于提取工人安全帽佩戴情况图像信息特征的主干网络CSPDarknet53，其中，CSPDarknet53里面包含了5个CSP模块，可以有效解决因为在网络的深入过程中梯度信息因为重复的学习而造成资源浪费和增加计算量，从而提升整体速度。

作为优选，所述步骤(4)中，在训练和测试阶段，利用CSPDarknet53提取工人佩戴安全帽情况的图像特征在验证集上构建未佩戴安全帽工人识别模块，优化了提取图像特征的anchor，利用K-means算法针对安全帽目标数据集重新聚类,得到更精准、更具代表性的anchor。确定识别模块的参数，然后利用测试集来检测识别效果，验证模块性能。

通过上述技术方案，本发明的优点是：(1)由CSPDarknet53网络对数据集进行训练，得到一个高效的训练结果，由此可以对未戴安全帽工人的快速定位，比起以往的方法更高效，节省了大量的时间和人工成本；(2)对YOLOV4的anchor进行优化，通过重新聚类得到最优的anchor尺寸，更符合安全帽检测的应用，使得卷积神经网络更容易准确预测目标位置，提高了检测的精度，提高定位和分类的准确性，从而模型稳定，有利于快速、准确的达到预期的检测效果。

Yolov3和Yolov4网络的整体架构是一样的，主要在Yolov3的基础上进行了以下几个方面的改进。