[发明专利]一种基于深度学习的安全帽识别方法

权利要求书

1.一种基于深度学习的安全帽识别方法，其特征在于包括以下步骤：

步骤S1：采集各类施工现场的人员佩戴安全帽图像数据；

步骤S2：对采集到的人员安全帽图像数据进行数据集划分、人员安全帽佩戴目标框标注；标注完成后对原始图像数据集进行数据增强，图像增强方法包括：自适应高斯滤波去噪、噪声模拟雨雪、大雾天气状况；

步骤S3：对深度学习模型YOLOv5进行针对人员安全帽佩戴检测改进，包括对主干网络加入ghostbottleneck检测机制、加入注意力机制；完成改进后用制作好的数据集训练该模型，并验证模型的检测速度和精度；

步骤S4：将训练好的改进YOLOv5模型用于实时检测输入的施工现场视频流，并判断施工现场人员是否佩戴安全帽；

步骤S5：若模型判断出有人员没有佩戴安全帽，则记录该时刻，并保存该时刻前后一段时间的视频流。

2.根据权利要求1所述的一种基于深度学习的安全帽识别方法，其主要特征在于：所述步骤S2包括以下步骤：

步骤S2.1：对获取到的各类施工现场的图像进行人员安全帽佩戴目标框标注，目标框种类为：person、head、helmet三类；

步骤S2.2：将标注好的人员安全帽佩戴图像进行高斯滤波去噪，提高图像数据的清晰度且放大图片细节；

步骤S2.3：对获取到的部分施工现场实际图像进行噪声模拟各类天气状况处理，主要对雨雪天、雾天和灰尘较多天气进行模拟，使用OPENCV生成不同密度的随机噪声来模拟不同情况的雨雪雾，随后对随机噪声拉长、旋转方向，模拟方向的雨雪雾，并将噪声和原始图像叠加可得到模拟的雨雪雾天气场景；其中随机生成噪声的数学公式为：

给定初始值x₀，产生(0，1)区间上的随机数y_i，其中：a＝2000，c＝1，M2²⁵；然后，通过变换Z_i＝a+(b-a)y_i产生(a，b)区间上的随机数Z_i。

3.根据权利要求1所述的一种基于深度学习的安全帽识别方法，其主要特征在于：所述步骤S3包括以下步骤：

步骤S3.1：在原生的YOLOv5中加入SElayer机制，即在YOLOv5的BackBone网络里增加注意力机制：在Focus结构中加入SE模块，再对二者进行信息refine，提升对YOLOv5模型对channel特征的敏感性，以提升模型的检测性能；

步骤S3.2：在原生的YOLOv5中加入ghostbottleneck检测机制，即在YOLOv5的Neck网络层里使用GHOST模块，在不更改输出特征图大小的情况下，减少所需的参数总数，降低计算复杂度；

步骤S3.3：将上述步骤S2中制作好的数据集用于训练上述步骤S3.1和S3.2改进后的YOLOv5模型，当模型具有良好的鲁棒性时，训练结束。

4.根据权利要求1所述的一种基于深度学习的安全帽识别方法，其主要特征在于：所述步骤S4包括以下步骤：

步骤S4.1：将上述步骤S3.3训练好的模型用于施工现场的安全帽检测，检测中出现的3类目标框person、head、helmet将进行如下匹配：出现person框时会继续检测该框内是否出现head、helmet框，若没有出现person框，则不检测head、helmet框；当检测出person框并检测出helmet框时，对两个框做重合度匹配，匹配度高于13％时判断该人员佩戴了安全帽；若检测出person框和检测出head框，二者匹配度高于13％则视为没有佩戴安全帽，重合度IoU使用如下公式计算：

其中，area(P)表示为person框面积，area(H)表示head、helmet框面积。