[发明专利]一种基于单像素特征放大的安全帽检测方法及其应用

说明书

本发明公开了一种基于单像素特征放大的安全帽检测方法及其应用，所述检测算法包括以下步骤：对安全帽数据集进行预处理增强；通过Efficientnet‑b0网络抽取到目标的特征表示形式；使用单像素特征放缩模块对主干网络特征进行特征过滤，增强特征中的前景元素；通过BiFPN特征融合模块对增强之后的特征进行多尺度特征融合操作；将融合之后的特征输入到目标预测网络，对目标进行分类和定位。本发明的SPZ‑Det安全帽佩戴检测算法主要使用SPZ模块对特征进行放缩操作，保证小目标特征在网络中不会被丢失，以提升算法在对小目标检测的性能。

技术领域

本发明涉及深度学习和目标检测技术领域，特别是涉及一种基于单像素特征放大的安全帽检测方法及其应用。

背景技术

佩戴安全帽是建筑工地施工现场必需的一种安全防范措施，据研究报告表明，我国每年都有近百名建筑工人遭遇施工事故。这些事故的发生，大多是由于施工现场的安全监督不到位造成的。在施工现场，佩戴安全帽是工人最基本的安全防护措施，但是由于工人安全意识低，自我保护意识薄弱，工人为了方便工作会在工作途中摘下安全帽，这就导致了一旦发生事故，建筑工人的生命就会遭到威胁。

目前安全帽的佩戴检测方案主要还是视频监控，人工巡查等检测方式，不能对未佩戴安全帽的工人及时发出警告，且需要大量的人力资源的使用，因此安全帽的自动检测技术至关重要。安全帽检测是目标检测的实际应用领域，早期的安全帽检测中，通过对安全帽和人脸颜色分布的对比，确定安全帽和人脸的位置分布，根据位置分布信息，最终确定工人是否佩戴了安全帽。这类基于颜色分布的检测算法极度依赖于安全帽颜色差异的特征，难以满足安全帽种类多变的检测环境。

随着深度学习技术的发展完善，深度神经网络可以自动捕获更加细粒度的特征信息，使用自适应捕获的信息特征帮助后续检测任务对目标位置的预测。深度学习时代的安全帽检测方法，避免了对单一特征的依赖性，网络已经可以自适应的获取更加精细的特征信息用于目标的预测。在通用目标检测算法中可以分为两大类：一是以YOLO、SSD、RetinalNet为代表的基于回归的单步目标检测算法；二是基于区域的两步检测算法如Fast-RCNN、Faster-RCNN等。有些算法为了追求检测的准确性，采用两步检测算法Faster-RCNN对头盔进行检测，但是却很难运用到实际生活中，因为两步检测算法计算过程复杂，导致了它的检测速度十分缓慢。

除此之外，在安全帽佩戴检测的相关算法研究中，面临巨大挑战，如施工现场的背景变化较大，场景复杂；距离摄像头较远的个体往往尺寸小，很难从复杂的背景中辨别出来；施工现场人员密集，常出现许多人出现在同一场景中，互相遮挡的情况。这些挑战大大的限制了安全帽佩戴检测算法的性能。

发明内容

本发明的目的是针对现有技术中存在的安全帽佩戴检测步骤复杂、检测速度慢、辨别难度大的问题，而提供一种基于单像素特征放大的安全帽检测方法，本发明可采用单步检测的策略，实现对安全帽佩戴自动检测的算法，解决了小目标和遮挡的问题。

本发明的另一方面，是提供所述基于单像素特征放大的安全帽检测方法在施工现场监测中的应用。

为实现本发明的目的所采用的技术方案是：

一种基于单像素特征放大的安全帽检测方法，包括以下步骤：

步骤1，对安全帽数据集进行预处理增强，得到预处理增强的样本数据；

步骤2，从步骤1得到的预处理增强的样本数据中，通过Efficientnet-b0网络抽取到目标的特征表示形式，得到主干网络特征；

步骤3，使用单像素特征放缩模块对步骤2得到的主干网络特征进行特征过滤，增强特征中的前景元素，得到新的特征值；

步骤4，通过BiFPN特征融合模块对所述步骤3得到的新的特征值进行多尺度特征融合操作，得到融合之后的特征；