基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114332773A(43)申请公布日2022.04.12(21)申请号202210006165.4G06K9/62(2022.01)(22)申请日2022.01.05G06V10/82(2022.01)G06N3/04(2006.01)(71)申请人苏州麦科斯工程科技有限公司G06N3/08(2006.01)地址215100江苏省苏州市相城区相城大道1168号品上商业中心5幢2315室(72)发明人李忠(74)专利代理机构北京图亿天下专利代理有限公司11974代理人叶春娜(51)Int.Cl.G06V20/52(2022.01)G06V10/30(2022.01)G06V10/40(2022.01)G06V10/762(2022.01)G06V10/774(2022.01)权利要求书2页说明书3页附图2页(54)发明名称基于Yolov4改进模型的智慧工地安全帽佩戴识别控制系统(57)摘要本发明公开了基于Yolov4改进模型的智慧工地安全帽佩戴识别控制系统,涉及在原始Yolov4模型中使用噪声模拟环境的数据增强技术，加入自适应锚框计算，采用加权nms的方式进行多目标筛选，提高安全帽识别精度和效率。包括以下步骤：首先获取模型训练数据，然后建立改进的Yolov4模型，并训练该模型。通过摄像头获取工地端的场景图片，利用建立的模型检测施工人员是否佩戴安全帽，如果没有佩戴则发出警告，并把检测结果上传到云平台侧。本发明通过加入自适应锚框计算、加权nms多目标筛选和噪声模拟环境的数据增强技术对Yolov4算法进行了改进，具有更高的精度，并发出预警，提醒工人正确佩戴安全帽，降低安全事故的危害。CN114332773ACN114332773A权利要求书1/2页1.基于Yolov4改进模型的智慧工地安全帽佩戴识别控制系统，其特征在于：包括以下步骤：S1：通过大量工地图片，获取模型训练数据；S2：建立安全帽佩戴识别的Yolov4改进模型，并使用训练数据训练该模型；S3：通过摄像头获取工地端的场景图片，检测出进入工地的人员是否佩戴安全帽；S4：如果没有佩戴安全帽则发出警告，并把检测结果通过无线网络上传到智慧工地云平台侧。2.根据权利要求1所述的基于Yolov4改进模型的智慧工地安全帽佩戴识别控制系统，其特征在于：所述S1包括以下步骤，模型训练选择SHWD数据集。所述SHWD数据集共包含7581幅图像，随机选取90％作为智慧工地安全帽佩戴识别算法的训练集。3.根据权利要求1所述的基于Yolov4改进模型的智慧工地安全帽佩戴识别控制系统，其特征在于：所述S2包括以下步骤，Yolov4模型主要包括输入端、BackBone主干网络、Neck网络和Head输出端。4.根据权利要求3所述的基于Yolov4改进模型的智慧工地安全帽佩戴识别控制系统，其特征在于：所述输入端通过数据增强Mosaic提升模型的训练速度和网络的精度。5.根据权利要求1所述的基于Yolov4改进模型的智慧工地安全帽佩戴识别控制系统，其特征在于：所述Yolov4模型还包括夜晚、雨天不同模拟模式作为新的训练集，提高在真实场景应用的识别效果；雨天模拟模式随机生成不同密度的噪声近似不同雨量的情况，使用均匀随机数和阈值来控制噪声的水平，拉长和旋转得到不同大小和方向的雨水情况。最后将原始图像和生成的噪声进行叠加,得到模拟的下雨模式；夜晚模拟模式将夜晚工地背景图加权到图像上模拟夜晚真实场景。6.根据权利要求1所述的基于Yolov4改进模型的智慧工地安全帽佩戴识别控制系统，其特征在于：所述Yolov4模型网络训练时，在初始锚框的基础上输出预测框，进而和真实框groundtruth进行比对，计算两者差距，再反向更新，迭代网络参数。为了提高精度和效率，每次训练时，提取采用自适应锚框计算，获取不同训练集中的最佳锚框值。7.根据权利要求1所述的基于Yolov4改进模型的智慧工地安全帽佩戴识别控制系统，其特征在于：所述Yolov4模型使用CSPDarknet53结构，有5个CSP模块，采用Mish激活函数加Leaky_relu激活函数，增强了CNN的学习能力，使得在轻量化的同时保持准确性。8.根据权利要求3所述的基于Yolov4改进模型的智慧工地安全帽佩戴识别控制系统，其特征在于：所述Neck网络主要采用了SPP模块、FPN+PAN的方式。在目标检测的后处理过程中，采用DIOU_nms的方式。为了提高遮挡重叠的目标的处理效果，采用加权nms的方式。9.根据权利要求1所述的基于Yolov4改进模型的智慧工地安全帽佩戴识别控制系统，其特征在于：所述S3包括以下步骤，通过摄像头实时获取工地端的场景图片，对其进行卷积和池化操作，获取特征图片。通过F