[发明专利]基于多特征融合和迁移学习的安全护具佩戴检测方法

说明书

本发明涉及一种基于多特征融合和迁移学习的安全护具佩戴检测方法。该方法采用预处理与数据增强，扩充训练数据集，防止网络模型出现过拟合现象，在特征提取网络部分引入压缩与激励网络SENet模块，并在YOLOv3输出的三个特征图基础上，增加输出一个小尺度的特征图，为后续网络特征融合阶段提供更多小目标特征信息。由于数据集中安全帽目标居多而其他目标较少，为了平衡目标样本数量，引入迁移学习策略，进一步提高安全护具的检测精度。在电力安全护具数据集上的实验结果表明，本发明算法具有良好的检测性能。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于多特征融合和迁移学习的安全护具佩戴检测方法。

背景技术

近年来，随着电力系统与大型变电站的规模不断增加，变电站从业人员基数也日益增大，但由于缺乏足够的重视和安全意识，仍有不少变电站工作人员在实际工作中容易违反操作规程，导致各种事故，给电力系统的安全运行埋下隐患。因此，如何保障对如此大规模从业人员的安全监管显得尤为重要，电力企业迫切需求一种智能化、高性能的安全护具佩戴检测方法。

安全护具佩戴检测可视为一类特殊的目标检测任务。在实际变电站场景下，人员穿着不仅受到角度、光照、遮挡等因素的影响，还面临室内室外复杂背景差异带来的干扰，给该问题的研究带来相当的挑战。现阶段安全护具佩戴检测[1]的方法基本上可以分为两类：基于传统图像处理的方法；基于深度学习的方法。

传统方法[2]主要是利用图像处理技术提取工人的肤色、面部和头部特征等信息，但此类特征依赖手工设计，面对复杂背景时其精度难以满足实际需求。随着深度学习技术广泛地应用于目标检测领域，由于基于深度学习的安全护具佩戴检测方法[3]能够直接输入和输出数据至多层卷积神经网络，通过反复的训练，自动学习到有效的物体特征，获取输入和输出数据之间的非线性映射关系，逐渐成为当前目标检测技术的主流手段。

但值得注意的是，在现阶段的电力系统中，大部分基于上述深度模型设计的检测方法主要针对单独的安全帽检测任务，但很少有论文探讨多分类安全护具的检测方法，限制了此类方法的实用性。

安全护具佩戴检测研究集中在安全帽检测问题上，但是在整个安全护具佩戴检测问题上还没有得到很好的关注，一是由于数据集的问题，安全护具佩戴检测的场景只在一些特定的场景下，例如变电站、变电所等等，二是由于安全护具检测任务检测类别多，有多种目标尺寸存在，存在小目标检测问题等，在特殊场景下很难满足精度和速度同时达到一个好的效果。针对以上问题，提出一种基于改进YOLOv3的安全护具佩戴检测算法，提高了小目标检测的精度，并且在没有增加网络复杂度的情况下有效地提高检测精度。

发明内容

本发明的目的在于解决上述问题，提供一种基于多特征融合和迁移学习的安全护具佩戴检测方法，首先将传统的安全护具佩戴检测任务在类别数上进一步增加，不仅仅只局限于是否佩戴安全帽，更具体分为是否佩戴安全帽、工装以及安全带六种情况进行检测与识别。并基于此目标，提出一种改进YOLOv3方法，通过引入K-means算法确定适合数据集尺寸的先验锚框等方式，提高了安全护具佩戴检测精度。

为实现上述目的，本发明的技术方案是：一种基于多特征融合和迁移学习的安全护具佩戴检测方法，构建基于YOLOv3的多特征融合模型，用于安全护具佩戴检测；首先，采用数据增强，扩充安全护具训练数据集；其次，在特征提取网络部分引入压缩与激励网络SENet模块，并在YOLOv3输出的三个特征图基础上，增加输出一个小尺度的特征图；最后，为平衡目标样本数量，引入迁移学习策略，提高安全护具佩戴的检测精度。

在本发明一实施例中，数据增强方式为：首先调整图片长宽，然后通过随机的翻转来增加图片的数量，另外将数据集图像转到HSV颜色空间，并随机调整其饱和度、对比度以及亮度来生成辅助图像

在本发明一实施例中，安全护具训练数据集得到后，需经过数据处理，然后使用K-means聚类算法，获取12个尺寸的锚框大小，从而得到最合适从小到大的安全护具检测锚框，而后对基于YOLOv3的多特征融合模型进行迭代训练。