[发明专利]一种基于深度学习的安全帽识别方法

说明书

本发明提供了一种基于深度学习的安全帽识别方法，首先是获取各类施工现场的人员佩戴安全帽图像数据；采用多种数据增强方法让图像更清晰、丰富且具有一定的泛化能力，将数据增强后的图像制作为安全帽数据集；改进原生的YOLOv5模型，使其在对安全帽的检测精度和检测速度上能有所提升；模型训练完成后将其用于检测施工现场的视频流，并对检测出的目标框进行二次重合度匹配以提升检测的精准性，降低在实际使用中的误报率；当出现没有佩戴安全帽的人员时及时的向系统发出警告。

技术领域

本发明属于人工智能领域，更具体地说是一种基于YOLOv5改进的安全帽识别办法。

背景技术

在建筑工程的施工现场中，安全是工人最重要亦是最基本的需求。由于生产和施工作业场地众多，分布较广，现场的环境十分复杂，施工作业人员众多，而负责监督的工作人员有限，很难做到生产和施工作业现场全方位、全过程和实时性的安全监督管理。尽管现在很多的生产和施工作业现场都安装了大量的监控设备，监督人员在一段时间后会对这些监控材料进行检查，但对于那些已经发生的事故或者不安全行为于事无补，无法满足施工现场安全监控的需求，一些因此产生的人身损失和财产损失将不能挽回。

在施工作业现场，需要用到大量的安全器具，安全帽是一种比较重要的安全器具，它对头部起到一个保护作用，防止头部受到坠落物和其他因素的伤害。现在的大多数生产和施工作业场地，都有安全帽正确佩戴的规定，但仍然存在许多不佩戴安全帽的行为。为了有效改善这种情况，减少类似的行为发生，使用具有实时性、高精准性和鲁棒性的现代化计算机视觉技术来检测施工现场人员是否戴了安全帽就显得十分的有必要。

本文基于保障施工现场工人的安全背景下，提出一种“快速准确且鲁棒性高的安全帽检测系统”--基于YOLOv5改进的安全帽检测系统，主要针对施工现场的施工人员是否佩戴安全帽，该系统可以通过摄像头实时的对范围内的工人进行检测，判断其是否佩戴安全帽，若发现未佩戴安全帽的员工则通过告警系统立即发出警报，并记录，为后台监控人员提供可靠信息。用这种方式提高生产环境的安全性，可以极大提升对企业安全生产的保障。

发明内容

本发明基于施工现场目前因安全帽未佩戴而频频引发事故提出了一种基于YOLOv5改进的安全帽识别办法，在一般计算机视觉检测方法的基础上加入了目标框匹配方法，提高了人员佩戴安全帽的检测精度。

本发明内容具体如下：一种基于YOLOv5改进的安全帽识别办法，包括了数据采集、数据集制作并增强、改进Yolov5模型并训练、安全帽佩戴检测和决策报警五个步骤：

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YOLOv5模型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；

为了更好的实现本发明，进一步的，所述步骤S1，具体还包括以下步骤：在各类施工现场架设不同角度、高度的摄像头，将摄像头拍摄视频的参数设置为分辨率：1920*1080，帧率：30，连续不间断拍摄施工现场人员安全帽佩戴情况。获取到较多视频时，筛选出角度较好、人员清晰的视频并从中随机抽帧，抽取出的图片作为人员佩戴安全帽图像数据。

为了更好的实现本发明，进一步的，所述步骤S2，具体还包括以下步骤：