[发明专利]一种基于YOLOv3算法的安全帽佩戴检查方法

说明书

本发明公开了一种基于YOLOv3算法的安全帽佩戴检查方法，通过对YOLOv3模型的检测尺度进行拓展，得到尺寸更大的特征图，进而避免安全帽特征较小时造成检测精度不足或特征提取困难的问题；同时对YOLOv3中的损失函数进行改进，基于尺度检测框与真实目标框之间的IoU值得对数损失建立损失函数，进而避免了传统的YOLOv3模型中损失函数对尺度信息敏感的问题，进而大大提高了YOLOv3模型迭代计算的效率和稳定性，最终使得对安全帽特征的检测提取效率更高，精度更高。

技术领域

本发明属于图像检测识别的技术领域，具体涉及一种基于YOLOv3算法的安全帽佩戴检查方法。

背景技术

为了保护工作人员的安全，工作人员在进入车间时必须佩戴安全帽，但是实际情况中由于工作人员的疏忽，经常没有佩戴安全帽。而车间或施工现场中往往通过设置安全巡检员对工作人员是否佩戴安全帽进行巡查，但是上述检查方式存在区域性限制且效率低下。

现有技术中也通过图像目标检测的技术检测工作人员是否佩戴安全帽，目前使用较多的是基于YOLO算法进行图像检测。但是在传统的基于YOLO算法进行图像检测的过程中，需要对图像特征进行提取。由于工作人员佩戴的安全帽的体积相比人体以及场景存在体积小的问题，因此传统基于YOLO算法进行安全帽佩戴检测就存在图像特征提取困难、特征提取敏感性高的问题。同时由于车间等施工现场面积较大，这就造成采集的图像中安全帽或人体等特征体积较小，进一步造成传统基于YOLO算法提取安全帽或人体特征时存在特征提取困难、特征提取精度不足的问题，进而造成最终检测结果不够准确。

针对传统的基于YOLO算法进行图像检测以判断工作人员是否佩戴安全帽存在的特征提取困难、检测精度不足的缺陷，本发明公开了一种基于YOLOv3算法的安全帽佩戴检查方法。

发明内容

本发明的目的在于提供一种基于YOLOv3算法的安全帽佩戴检查方法，实现对车间内的工作人员是否佩戴安全帽进行高效精确判断。

本发明通过下述技术方案实现：

一种基于YOLOv3算法的安全帽佩戴检查方法，包括以下步骤：

步骤1、对样本图片中的工人头部及安全帽进行标记得到真实目标框，并将YOLOv3模型的网络结构拓展为4尺度检测结构，并通过拓展的网络结构对样本图片进行卷积和下采样处理得到特征图，然后对特征图中的工人头部及安全帽特征进行预测得到尺度预测框；

步骤2、对尺度预测框包含的工人头部及安全帽特征进行分类回归与位置回归，得到尺度预测框中工人头部及安全帽特征映射至特征图上的预测位置参数；并将尺度预测框对应的预测位置参数与真实目标框的实际位置参数进行比对得到位置误差，根据位置误差对YOLOv3模型的权重参数进行更新；

步骤3、根据尺度预测框与真实目标框之间的IoU值的对数损失建立损失函数，并根据YOLOv3模型更新后的权重参数计算损失函数值；

步骤4、迭代进行步骤2与步骤3，直到损失函数值趋于平稳即完成YOLOv3模型训练，得到最优的安全帽佩戴检测网络模型；

步骤5、将现场作业图像输入步骤4中得到的安全帽佩戴检测网络模型进行安全帽佩戴检测。

为了更好的实现本发明，进一步地，所述步骤1包括以下步骤：

步骤1.1、通过标注软件对样本图片中的工人头部及安全帽进行标注获得样本集；

步骤1.2、基于YOLOv3模型中的PyTorch深度学习框架搭建多尺度目标检测网络Darknet-53；

步骤1.3、向多尺度目标检测网络Darknet-53中输入样本图片，并通过多尺度目标检测网络Darknet-53对样本图片依次进行6次二倍下采样和卷积，得到四种尺寸的特征图；