一种基于深度学习的安全帽佩戴监测方法及系统.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CN113936144A(43)申请公布日2022.01.14(21)申请号202111136622.3G06V20/40(2022.01)(22)申请日2021.09.27(71)申请人深圳市瑞驰信息技术有限公司地址518000广东省深圳市前海深港合作区前湾一路1号A栋201（入驻深圳市前海商务秘书有限公司）(72)发明人胡胤王涛汪云柴涛涛邱真陈阳汤园生陈志祥刘健王秋玲周靖轩(74)专利代理机构深圳市中科创为专利代理有限公司44384代理人何路宋鹏跃(51)Int.Cl.G06V10/44(2022.01)G06V40/10(2022.01)权利要求书1页说明书4页附图4页(54)发明名称一种基于深度学习的安全帽佩戴监测方法及系统(57)摘要本发明提供一种基于深度学习的安全帽佩戴监测方法及系统，该方法包括如下步骤：输入视频流，从视频流中抽取视频帧；对抽取的视频帧进行预处理，形成头肩特征图，检测出人员的头肩位置，并进行头肩区域外扩，形成头肩及外扩区域视频帧；对头肩及外扩区域视频帧进行预处理，形成安全帽特征图，检测出人员是否佩戴安全帽；对未佩戴安全帽的行为进行预警。本发明将检测之后的头肩区域进行二次属性分析，采用人员的头肩检测和基于头肩的安全帽检测方案，目标漏检测少、精度高、速度快，利用深度学习的特征提取优势，提升安全帽的检测精度和速度，能够快速实时的捕捉到监控目标未佩戴安全帽的违规事件，并及时作出预警提醒。CN113936144ACN113936144A权利要求书1/1页1.一种基于深度学习的安全帽佩戴监测方法，其特征在于，包括如下步骤：S1，输入视频流，从视频流中抽取视频帧；S2，对抽取的视频帧进行预处理，形成头肩特征图，检测出人员的头肩位置，并进行头肩区域外扩，形成头肩及外扩区域视频帧；S3，对头肩及外扩区域视频帧进行预处理，形成安全帽特征图，检测出人员是否佩戴安全帽；S4，对未佩戴安全帽的行为进行预警，并进入下一视频帧的处理；当检测到佩戴了安全帽则直接进入下一视频帧的处理。2.根据权利要求1所述的一种基于深度学习的安全帽佩戴监测方法，其特征在于，步骤S2具体包括如下步骤：S21，从视频流中提取较大尺寸的视频帧；S22，将视频帧缩放到SSD目标检测模型的规定尺寸并输入给SSD目标检测模型；S23，从经过缩放的视频帧中由浅层到深层提取6层头肩特征图；S24，由浅层特征图到深层特征图中分别设置多个不同长宽比及尺寸的预选框，预选框的数量由浅层特征图到深层特征图逐渐减少；S25，由SSD目标检测模型判断预选框中的对象是否为头肩；S26，将确定为包含头肩的头肩特征图进行头肩区域外扩，形成头肩及外扩区域视频帧。3.根据权利要求1所述的一种基于深度学习的安全帽佩戴监测方法，其特征在于，步骤S3具体包括如下步骤：S31，输入头肩及外扩区域视频帧；S32，将头肩及外扩区域视频帧缩放到SSD目标检测模型规定的尺寸；S33，从头肩及外扩区域视频帧中提取3层安全帽特征图；S34，在每一层安全帽特征图设置1或2个预选框；S35，由SSD目标检测模型判断预选框中的对象是否为安全帽。4.一种基于深度学习的安全帽佩戴监测系统，其特征在于，包括头肩检测模块和安全帽检测模块；所述头肩检测模块包括视频数据预处理单元、头肩检测单元；所述安全帽检测模块包括头肩数据预处理单元、安全帽检测单元；所述头肩检测模块用于检测头肩部位，所述安全帽检测模块用于检测头部是否存在安全帽；所述视频数据预处理单元用于从视频帧中抽取头肩特征图；所述头肩数据预处理单元用于从头肩及外扩区域视频帧中抽取安全帽特征图。5.根据权利要求4所述的基于深度学习的安全帽佩戴监测系统，其特征在于，所述视频数据预处理单元采用MobileNet网络模型，从视频帧中抽取头肩特征图。6.根据权利要求4所述的基于深度学习的安全帽佩戴监测系统，其特征在于，所述头肩数据预处理单元采用残差模型，从头肩及外扩区域视频帧中抽取安全帽特征图。2CN113936144A说明书1/4页一种基于深度学习的安全帽佩戴监测方法及系统技术领域[0001]本发明涉及机器视觉识别技术领域，具体涉及一种基于深度学习的安全帽佩戴监测方法及系统。背景技术[0002]随着人工智能和大数据的发展和普及，人们对于自动化智能化的需求也越来越多，传统行业在AI技术的加持下，能大大的提升工作的效率和便捷性，甚至在安全保障性上也有所加强。[0003]目前，在智慧工地场景的安全监控领域，还未形成成熟的落地技术方案，根据技术实现要求，现有技术采用的方案是，基于传统机器学习方法针对人员头肩和安全帽佩戴检测，需要先对目标进行定位，然后利用分类器进行事件分类；[0004]现有的安全帽监测方法主要有如