基于子特征融合的轻量化安全帽检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115100495A(43)申请公布日2022.09.23(21)申请号202210801277.9G06V20/52(2022.01)(22)申请日2022.07.08G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人福州大学地址350108福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学(72)发明人柯逍陈文垚(74)专利代理机构福州元创专利商标代理有限公司35100专利代理师陈鼎桂蔡学俊(51)Int.Cl.G06V10/80(2022.01)G06V10/82(2022.01)G06V20/70(2022.01)G06V10/20(2022.01)G06V10/762(2022.01)权利要求书3页说明书6页附图1页(54)发明名称基于子特征融合的轻量化安全帽检测方法(57)摘要本发明涉及一种基于子特征融合的轻量化安全帽检测方法,包括以下步骤：步骤S1:获取安全帽数据图片，并预处理，构建安全帽检测数据集；步骤S2：构建子特征融合的轻量化网络模块，通过低代价卷积操作生成子特征图并与初始特征图进行融合；步骤S3：构建轻量化目标检测网络；步骤S4：对YOLOv5目标检测算法的训练超参数进行调优，利用安全帽检测数据集训练轻量化目标检测网络得到安全帽检测模型；步骤S5：根据安全帽检测模型对输入图片进行检测，获取初步检测结果，对初步检测结果进行解码后采用改进的非极大值抑制算法筛选出最终的检测结果，将检测结果绘制在原图中。本发明能够有效减少检测模型的模型大小，并且对工人是否佩戴安全帽进行精准检测。CN115100495ACN115100495A权利要求书1/3页1.一种基于子特征融合的轻量化安全帽检测方法,其特征在于，包括以下步骤：步骤S1:获取安全帽数据图片，并预处理，构建安全帽检测数据集；步骤S2：构建子特征融合的轻量化网络模块，通过低代价卷积操作生成子特征图并与初始特征图进行融合；步骤S3：利子特征融合的轻量化网络模块和STEM模块构建轻量化Backbone网络，利用普通卷积模块和C3模块构建Neck和Head，再将轻量化Backbone网络，Neck和Head组成一个轻量化目标检测网络；步骤S4：对YOLOv5目标检测算法的训练超参数进行调优，利用安全帽检测数据集训练轻量化目标检测网络得到安全帽检测模型；步骤S5：根据安全帽检测模型对输入图片进行检测，获取初步检测结果，对初步检测结果进行解码后采用改进的非极大值抑制算法筛选出最终的检测结果，将检测结果绘制在原图中。2.根据权利要求1所述的基于子特征融合的轻量化安全帽检测方法，其特征在于，所述步骤S1，具体为：步骤S11；获取安全帽相关的数据图片，筛选图片并统一命名；步骤S12：采用邻域去噪、中值滤波对图片进行处理；步骤S13：确定安全帽图片中的物体类别，使用LabelImg标注工具对预处理后的数据图片进行标注，得到并保存标注信息；步骤S14：使用几何变换对标注后的数据图片进行数据增强，然后根据YOLOv5模型要求制作数据集，将所有数据按比例分为训练集，验证集和测试集，根据包含图片数据标注信息的xml文件生成训练模型所需的txt文件。3.根据权利要求1所述的基于子特征融合的轻量化安全帽检测方法，其特征在于，所述子特征融合的轻量化网络模块包括第一卷积层、深度可分离卷积层和第二卷积层，具体为；所述第一卷积层，实际输出通道数设为传入输出通道参数值的一半，对输入特征图进行卷积操作后生成输出特征图；所述第二卷积层，同样将该卷积层的实际输出通道数设为传入输出通道参数值的一半，该卷积层将第一卷积层的输出特征图作为输入特征图，进行卷积之后生成子特征图作为输出特征图；将第一个卷积层的输出特征图和第二个卷积层生成的子特征图进行融合，作为最终的输出特征图。4.根据权利要求1所述的基于子特征融合的轻量化安全帽检测方法，其特征在于，所述步骤S3，具体为：步骤S31：利用子特征融合模块和STEM模块构建轻量化Backbone网络，Backbone网络的第一层使用STEM模块；步骤S32：利用普通卷积模块和C3模块构建Neck和Head，普通卷积模块和C3模块交叉搭建构成Neck和Head网络；步骤S33：将Backbone，Neck和Head网络组成一个轻量化目标检测网络，其中Backbone和Neck之间进行多尺度特征融合，提高检测网络精度。5.根据权利要求4所述的基于子特征融合的轻量化安全帽检测方法，其特征在于，所述2CN115100495A权利要求书2/3页C3模块由三个卷积层和一个标准瓶颈层组成。6.根据权利要求1所述的基于子特征融合的轻量化安全帽检测方法，其特征在于，所述步骤S4，具体为：步骤S4