[发明专利]一种基于深度学习的检测工人是否佩戴安全帽的方法

说明书

本发明属于深度学习的计算机视觉领域，是一种基于深度学习的工人安全帽佩戴检测方法，该方法包括以下步骤：S1、获取足够数量的含有佩戴安全帽人物样本和未佩戴安全帽人物样本的安全帽检测数据集，并随即按一定比例划分为训练集和测试集；S2、使用Pytorch深度学习框架，搭建CSP‑R‑FCN双阶段目标检测模型；S3、搭建模型训练和测试系统，对CSP‑R‑FCN双阶段目标检测模型进行训练和测试，直到其获得检测安全帽佩戴的能力；S4、提取实际应用场景：工地监控的视频，逐帧进行检测并输出检测结果，完成对安全帽佩戴的检测。本发明对视频流数据进行逐帧检测，标记出图像内所有人物的头部以及他们的安全帽佩戴情况。该方法不需要预设候选框、且具有较强的鲁棒性，在各种应用场景下都有高的检测精度。

技术领域

本发明涉及基于深度学习的计算机视觉技术领域，具体为一种基于深度学习的检测工人是否佩戴安全帽的方法。

背景技术

佩戴安全帽是工地生产作业中最有效的个人防护措施，为了最大程度地降低工地中各种危险事故对工人们人身安全的危害，监督工人的安全帽佩戴情况十分重要。随着人工智能领域的飞快发展，有越来越多基于深度学习的目标检测算法被应用在安全帽佩戴检测任务上。目前主流的目标检测模型，如单阶段的SSD、YOLOv3和双阶段的Faster-RCNN、都是对预设的或滑窗生成的锚框进行分类和回归。预设锚框受所预设的尺寸和宽高比的影响，不能很好的匹配各种各样的实际目标；而滑窗生成锚框的思路需要耗费大量的运算资源，严重影响检测速度。

为解决上述问题，本方案研发的方法运用CSP无锚框的行人检测算法和R-FCN双阶段的物体检测器，对视频流数据进行逐帧检测，标记出图像内所有人物的头部以及他们的安全帽佩戴情况。该方法不需要预设候选框、且具有较强的鲁棒性，在各种应用场景下都有高的检测精度。

发明内容

本发明的目的在于提供一种基于深度学习的检测工人是否佩戴安全帽的方法，以提高检测准确度、检测效率和节约计算资源。

为实现上述目的，本发明提供如下技术方案：

一种基于深度学习的检测工人是否佩戴安全帽的方法，其特征在于：所述方法包括以下步骤：

S1、获取足够数量的含有佩戴安全帽人物样本和未佩戴安全帽人物样本的安全帽检测数据集，并随即按一定比例划分为训练集和测试集；

所述获取安全帽检测数据集的方法，包括：

1)对现有的安全帽数据集进行数据清洗，并将标签数据转换为VOC数据集的标注格式；

2)提取现有的行人检测数据集，使用labelimg标注工具对所述行人检测数据进行重新标注，得到可用的安全帽检测数据集；所标注的标签数据为VOC数据集的标注格式；

3)逐帧提取工地监控视频中的图片，对所提取的图片进行筛选并使用labelimg标注工具标注，得到可用的安全帽检测数据集；所标注的标签数据为VOC数据集的标注格式；

所述获取的安全帽检测数据集的标签数据，所标注的位置为图像内人物的头部；所标注的类别分为五类，分别是：佩戴黄色安全帽(yellow)、佩戴红色安全帽(red)、佩戴蓝色安全帽(blue)、佩戴白色安全帽(white)和未佩戴安全帽(none)；其中，未佩戴安全帽指的就是没有佩戴安全帽，无论是光头还是受到照明的影响还是带了不是安全帽的帽子都包含在内，神经网络可以在训练过程中自行分辨哪些是佩戴安全帽的，哪些没有佩戴；

S2、使用Pytorch深度学习框架，搭建CSP-R-FCN双阶段目标检测模型，所述CSP-R-FCN双阶段目标检测模型包括骨干网络、csp目标区域推荐模块、R-FCN特征提取模块和R-FCN分类预测模块；