[发明专利]一种基于深度学习模型的安全帽佩戴检测方法及系统

权利要求书

1.一种基于深度学习模型的安全帽佩戴检测方法，其特征在于，包括以下步骤：

步骤1、采集图像数据，并选取部分数据作为训练集，其余数据作为验证集；

步骤2、将采集的图像进行标定；

步骤3、根据需要检测的目标数量，修改训练参数，对检测模型进行训练，得到训练后的检测模型；

步骤4、根据实际场景的检测效果，进行检测模型的超参数调整与数据集的补充，调整检测模型的超参数；

步骤5、通过检测模型进行头部安全帽的佩戴检测，并根据佩戴情况做出相应的信息记录与提示。

2.如权利要求1所述基于深度学习模型的安全帽佩戴检测方法，其特征在于，所述步骤1中，采集的图像数据需要确保采集图像大于等于要求的数量，并保证图像的清晰程度。

3.如权利要求1所述基于深度学习模型的安全帽佩戴检测方法，其特征在于，所述步骤2中，采用LableImg标签工具进行数据信息的标定，创建自己的数据集，并生成对应的标签文件，用于记录原始图像中目标物体在图像中的位置信息。

4.如权利要求1所述基于深度学习模型的安全帽佩戴检测方法，其特征在于，所述步骤3中，检测模型采用MobileNet-V1与YOLO结合的网络结构。

5.如权利要求4所述基于深度学习模型的安全帽佩戴检测方法，其特征在于，所述MobileNet-V1与YOLO结合的网络结构是将MobileNet网络中的深度可分离卷积应用于Yolo-V4的网络中。

6.如权利要求4或5所述基于深度学习模型的安全帽佩戴检测方法，其特征在于，所述结合方法为：在Yolo-V4模型中利用主干网络提取三个特征层；然后利用MobileNet的深度可分离卷积方法，将MobileNet-V1中抽取三个与Yolo-V4模型对应的三个特征层，从而与Yolo-V4之后的网络模型衔接，实现结合。

7.如权利要求4或5所述基于深度学习模型的安全帽佩戴检测方法，其特征在于，所述MobileNet-V1与YOLO结合的网络结构包括深度可分离卷积模块、SPP模块、PANet模块和YOLP-head模块；从所述深度可分离卷积模块中抽取三层特征层作为输入数据，经所述SPP模块和PANet模块进行特征提取后传输至所述YOLO-head模块，由所述YOLO-head模块将提取后的特征图像进行预测处理。

8.如权利要求1所述基于深度学习模型的安全帽佩戴检测方法，其特征在于，所述步骤5中，检测模型对头部安全帽的佩戴情况进行检测的方法为：

步骤5.1、确定检测的场地与场景；

步骤5.2、通过人员佩戴安全的情况，与训练数据的正确佩戴安全帽的情况进行对比，由此来检测人员是否正确佩戴安全帽；

当施工人员没有佩戴或者没有符合正规佩戴的标准时，对当前采集的图像进行记录，作为不安全行为的示例，以此警告提示其他员工，加强工人的安全意识。

9.如权利要求8所述基于深度学习模型的安全帽佩戴检测方法，其特征在于，在采集的图片中，会部分图像是误检情况，需要根据当前情况进行分析是多次出现，还是偶然发生，若为多次同一情况的误检，需要将当前情况的数据进行采集补充，对检测模型进行新的训练，得到新的模型参数，或者采用迁移学习的方法，依据之前已有的模型参数进行一个迁移训练，更快速地得到一个较好适应场景的检测模型。

10.一种基于深度学习模型的安全帽佩戴检测系统，其特征在于，包括：采集模块、标定模块、训练模块、参数调整模块和佩戴检测模块；

所述采集模块，用于采集图像数据，并选取部分数据作为训练集，其余数据作为验证集；

所述标定模块，将采集的图像进行标定；

所述训练模块，根据需要检测的目标数量，修改训练参数，对检测模型进行训练，得到训练后的检测模型；

所述参数调整模块，根据实际场景的检测效果，进行检测模型的超参数调整与数据集的补充，调整检测模型的超参数；

所述佩戴检测模块，通过检测模型进行头部安全帽的佩戴检测，并根据佩戴情况做出相应的信息记录与提示。