预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共18页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115035472A(43)申请公布日2022.09.09(21)申请号202210701256.XG06V10/82(2022.01)(22)申请日2022.06.21G06F16/951(2019.01)G06N3/04(2006.01)(71)申请人中南大学G06N3/08(2006.01)地址410083湖南省长沙市岳麓区麓山南路932号(72)发明人谢学斌赵伟张欢李少乾孙康帅黄颖玲杨云鹏(74)专利代理机构长沙市融智专利事务所(普通合伙)43114专利代理师颜勇(51)Int.Cl.G06V20/52(2022.01)G06V20/70(2022.01)G06V10/764(2022.01)G06V10/774(2022.01)权利要求书2页说明书10页附图5页(54)发明名称安全帽佩戴识别模型训练方法、识别方法及存储介质(57)摘要本发明公开了一种安全帽佩戴识别模型训练方法、识别方法及存储介质,其中训练方法包括获取工业场所图片集;对工业场所图片集进行标签标记,其中标签类别包括安全帽和工作人员;将标签标记处理后的工业场所图片集划分为训练集和测试集;构建安全帽佩戴识别模型框架,包括基于CNN的特征提取网络、基于GCN的标签分类器建立网络,特征提取网络得到的特征向量与标签分类器作点积运算输出预测分数矩阵;基于训练集和测试集对安全帽佩戴识别模型进行训练,得到最终的安全帽佩戴识别模型。本方案能够正确、高效的识别工业场所工作人员佩戴安全帽的情况,为减少工业场所工作人员因未佩戴安全帽造成风险事故的概率提供了一种可靠智能识别方法。CN115035472ACN115035472A权利要求书1/2页1.一种安全帽佩戴识别模型训练方法,其特征在于,包括:获取不同工作场景、环境条件下包含安全帽和工作人员的工业场所图片,并进行预处理,得到工业场所图片集;对工业场所图片集进行标签标记,其中标签类别包括安全帽和工作人员;将标签标记处理后的工业场所图片集划分为训练集和测试集;构建安全帽佩戴识别模型框架,包括基于CNN的特征提取网络、基于GCN的标签分类器建立网络,特征提取网络得到的特征向量与标签分类器作点积运算输出预测分数矩阵,根据预测分数矩阵得到标签分类结果;其中,特征提取网络的输入为工业场所图片,输出为特征向量x∈RD,D为特征向量的维度;标签分类器建立网络的输入为基于工业场所图片中的标签构建的词嵌入向量,输出为标签分类器W∈RC×D,C为标签的类别数;基于训练集和测试集对安全帽佩戴识别模型进行训练,得到最终的安全帽佩戴识别模型,包括得到其中的特征提取网络和标签分类器。2.根据权利要求1所述的安全帽佩戴识别模型训练方法,其特征在于,所述特征提取网络基于残差卷积神经网络构建,通过一个全局最大池化层将最后一个卷积池化层输出的特征图像转化一维的特征向量x∈RD。3.根据权利要求1所述的安全帽佩戴识别模型训练方法,其特征在于,所述标签分类器建立网络为多层GCN网络堆叠而成,每层GCN网络的处理公式表示如下:H0=Z∈RC×d其中,Hl为第l层的输入,即第l‑1层输出的标签特征;Hl+1为第l层输出的标签特征;第1层的输入H0为基于工业场所图片中的标签构建的词嵌入向量,d为标签的特征个数;A为互相关矩阵;为非线性激活函数;最后一层GCN网络输出的标签特征即为标签分类器W∈RC×D。4.根据权利要求3所述的安全帽佩戴识别模型训练方法,其特征在于,互相关矩阵通过如下方法得到:统计训练集中标签对共现的次数得到标签共现矩阵M∈RC×C,然后使用该标签共现矩阵得到条件概率矩阵,处理公式如下:Pi=Mi/Ni其中,M表示标签共现矩阵,Mi表示M中与标签i对应的所有Mij,Ni表示标签i在训练集中出现的概率;Pi中的元素Pij=P(Lj|Li)表示标签i出现时标签j出现的概率;将条件概率矩阵作为互相关矩阵A。5.根据权利要求4所述的安全帽佩戴识别模型训练方法,其特征在于,在利用训练集进行训练过程中,对互相关矩阵进行阻止过拟合的处理,具体如下:随机选取互相关矩阵A中的q个非零元素,将其置0,得到A′;将A′进行归一化处理,得到使用替代中的A;在利用测试集进行测试过程中,则不对互相关矩阵进行阻止过拟合的处理。6.根据权利要求1至5任一项所述的安全帽佩戴识别模型训练方法,其特征在于,预测分数矩阵可以表示为:2CN115035472A权利要求书2/2页训练时,损失函数BCEloss为:其中,yc={0,1},表示图片中是否有标签c;σ表示sigmoid激活函数;表示标签c的预测分数,标签c表示安全帽或工作人员。7.根据权利要求1所述的安全帽佩戴识别模型训练方法,其特征在于,所述获取不同工作场景、环境条件下包含安