[发明专利]一种面向生产实际的安全帽检测方法

说明书

一种面向生产实际的安全帽检测方法，包括以下步骤：步骤一、初始训练数据采集及标注；步骤二、训练步骤一中得到的数据集C_f得到FCOS目标检测模型M_f；步骤三、训练步骤一中得到的数据集C_r得到Resnet18目标分类模型M_r；步骤四、输入原始图像，使用人头检测定位‑安全帽再分类二步法进行生产车间图像检测。本发明适用于复杂生产场景的鲁棒安全帽检测系统，极大程度降低了人工成本，提高本发明的实际应用价值；本方法将FCOS和Resnet18级联检测，有效解决了训练样本不足的问题；本方法在快速检测目标位置的同时，准确提取目标特征，实现了精准的目标分类。

技术领域

本发明涉及计算机视觉领域的大数据处理与分析，特别涉及复杂的生产环境的安全帽检测，具体是一种通过人头检测定位-安全帽再分类二步法判断人员是否佩戴安全帽的方法，属于机器学习及机器视觉领域。

背景技术

安全帽作为作业工人最基本的个体防护装备，对作业人员的生命安全具有重要意义。但是部分作业人员安全意识缺乏，不佩戴安全帽的违规行为时常发生。安全帽检测已经成为构建生产安全视频监控的一项重要技术，在煤矿、变电站、建筑工地等实际场景中需求广泛。传统的检测算法依赖大量的先验知识，主观性强，分三步走的检测过程繁琐、计算开销大，在一些要求实时检测的场景，往往具有挑战性。

现如今国家越来越重视安全生产，各个企业也都采取各种措施保障员工的安全生产从而保障了企业的利益。然而，在各行各业都存在着在岗工人不佩戴安全帽和做相关安全措施危险作业，由于未佩戴安全帽而造成的伤亡时有发生。市场十分需要面对复杂生产环境的精准的鲁棒安全帽检测系统。

从已有发明来看，主要可分为基于传统方法的图像识别和基于深度学习的图像识别方法两大类，检测准确率和速度需要进一步提高。2006年，胡恬等通过BP神经网络实现了工人安全帽检测，其通过提取安全帽的16个特征向量作为BP神经网络的输入层来识别安全帽，这也是我国研究人员对工人安全帽佩戴自动识别的最初尝试。这种方法在提取安全帽特征时还需要确定与头部或脸部的位置关系，而建筑施工现场背景环境复杂，会对头部检测产生较大干扰。2015年，Park等通过提取图像安全帽的HOG特征，输入支持向量机(SVM)中，采用监督训练生成安全帽的识别模型。同年，刘云波等提出一种基于计算机视觉的安全帽检测方法。用背景差法从获得的视频图像中提取出前景，通过二值化将运动目标分割出来，再根据运动目标的特征通过尺度滤波等方法区分其是否为代表人的运动目标，对代表人的运动目标进行跟踪和标记，最后，在路面中间处设置两条检测线，当代表人的运动目标到达两条检测线中间时，通过检测其1/3部分中的像素点色度值分布情况，判断该人是否佩戴安全帽及安全帽的颜色。2017年，Mneymneh等通过图像信息分别提取工人和安全帽的几何空间位置信息进行匹配，根据特征点设置级联器，以判断工人是否佩戴安全帽。2018年，Fang等利用Fater R-CNN网络对施工现场未佩戴安全帽的工人做了大样本收集，并根据图像识别效果影响因素划分为5个大类和19个小类的数据集，结果表明对所采集数据集的识别精度为90％，为基于深度学习的图像识别方法检测工人安全帽佩戴提供了坚实的基础。

发明内容

为了解决现有安全帽检测技术存在的检测速度慢，判别准确率低的问题，本发明提供了面向生产实际的安全帽检测方法，即人头检测定位-安全帽再分类二步法。所述方法主要包括：按照VOC格式制作工人戴帽和不戴帽的数据集；分别使用FCOS和Resnet18对数据集进行训练形成两个训练模型；实时采集图片文件；使用FCOS进行目标检测；根据目标检测获得的目标位置信息对图像进行截取；使用Resnet18进行目标分类，得到最终的目标分类。。

本发明解决其技术问题所采用的技术方案是：

一种面向生产实际的安全帽检测方法，包括以下步骤：