[发明专利]一种基于YOLOv4-Tiny的加油站安全帽佩戴实时检测方法

说明书

本发明公开一种基于YOLOv4‑Tiny的加油站安全帽佩戴实时检测方法，包括：S1、对加油站原有监控视频进行抽帧处理，提取得到多张监控图片，对监控图片进行预处理，以得到训练图片，并选取相应比例训练图片进行对抗样本生成，剩余训练图片作为原始样本；S2、基于对抗样本、原始样本生成第一训练集；S3、采用第一训练集对YOLOv4‑Tiny改进模型进行训练，以得到相应训练权重；S4、接入加油站实时监控，并进行帧分解，将每一帧的分解图片实时输入训练完成的YOLOv4‑Tiny改进模型中，以得到分解图片中人员安全帽佩戴分类结果，并将分类结果叠加至分解图片中，以得到分类图片；S5、将分类图片实时合成视频，进行视频实时输出。检测准确度更高、实时性更强，且适配于油站内硬件设备基础。

技术领域

本发明属于油站安全图像智能识别技术领域，具体涉及一种基于YOLOv4-Tiny的加油站安全帽佩戴实时检测方法。

背景技术

随着工业系统的日益复杂以及人工智能技术的不断发展，对于工业上的许多问题都可以通过运用人工智能技术来提高工作效率。技术提升的同时，工人的安全开始备受关注。安全帽作为保护工人人身安全的重要装备，在实际工业生产中可以有效保护工人的安全，大幅减少生产安全事故。

现有的安全帽检测大多是基于深度学习的方法，通过对目标检测领域的经典算法进行训练集的替换，用来专门对安全帽进行检测。比如用目标检测中两阶段模型 R-CNN系列和单阶段网络YOLO系列。但是在实际使用中，现有的目标检测模型在实际安全帽检测时，由于检测环境的恶劣和安全帽的尺寸过小，导致现有的检测方法存在对检测环境要求较高，且检测精度不高的问题。其次，加油站内硬件设备更新较慢，硬件端算力较低，因此在提高检测准确率的同时，还需要考虑目标检测模型的复杂程度，以适配加油站的硬件设备基础。

因此，亟需对现有的检测模型进行改进，以适配加油站内硬件设备基础，并提高检测模型的检测精度。

发明内容

针对现有技术中存在的上述问题，本发明提出一种基于YOLOv4-Tiny的加油站安全帽佩戴实时检测方法，可适配于加油站内硬件设备基础，且检测准确度更高。

本发明采用以下技术方案：一种基于YOLOv4-Tiny的加油站安全帽佩戴实时检测方法，包括步骤：S1、对加油站原有监控视频进行抽帧处理，提取得到多张监控图片，对监控图片进行预处理，以得到训练图片，并选取相应比例训练图片进行对抗样本生成，剩余训练图片作为原始样本；

S2、基于对抗样本、原始样本生成第一训练集；

S3、采用第一训练集对YOLOv4-Tiny改进模型进行训练，以得到相应训练权重；

S4、接入加油站实时监控，并进行帧分解，将每一帧的分解图片实时输入训练完成的YOLOv4-Tiny改进模型中，以得到分解图片中人员安全帽佩戴分类结果，并将分类结果叠加至分解图片中，以得到分类图片；

S5、将分类图片实时合成视频，进行视频实时输出；

YOLOv4-Tiny改进模型包括依次相联的特征提取骨干网络模块、多尺度特征融合模块、分类预测模块，特征提取骨干网络模块为CSPdarknet53_tiny网络；

YOLOv4-Tiny改进模型还包括注意力机制模块，注意力机制模块插入到CSPdarknet53_tiny网络的Resblock_body模块的残差网络中。

作为优选方案，注意力机制模块为SENet网络，所述的SENet网络为通道特征注意力网络，对输入的特征图首先进行全局平均池化，再经过两个全连接层，最后通过Sigmoid激活函数输出相应的权重，该权重与输入的特征图相乘得到输出。

作为优选方案，步骤S1中，包括步骤：

S1.1、选取一时间段内加油站监控视频，进行抽帧处理，得到包含人员佩戴安全帽和不佩戴安全帽的监控图片；

S1.2、对监控图片中目标位置进行标记，并形成标签，以得到训练图片；