一种安全帽佩戴检测方法.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CN113920469A(43)申请公布日2022.01.11(21)申请号202111080254.5G06V10/44(2022.01)(22)申请日2021.09.15G06V10/762(2022.01)G06V10/774(2022.01)(71)申请人国网浙江省电力有限公司电力科学G06V10/82(2022.01)研究院G06K9/62(2022.01)地址310014浙江省杭州市下城区朝晖八G06N3/04(2006.01)区华电弄1号G06N3/08(2006.01)(72)发明人韩睿刘黎赵泓闫云凤王文浩姜雄伟蒋鹏李特温典(74)专利代理机构浙江翔隆专利事务所(普通合伙)33206代理人徐锟(51)Int.Cl.G06V20/52(2022.01)G06V10/25(2022.01)权利要求书3页说明书9页附图3页(54)发明名称一种安全帽佩戴检测方法(57)摘要本发明属于图像识别技术领域，具体涉及一种安全帽佩戴检测方法。针对现有检测算法存在的重叠目标检测难度大或者小目标漏检率高的不足，发明采用如下技术方案：一种安全帽佩戴检测方法，包括：数据集制作；模型建立：模型选择，包括：改进的YOLOv3模型使用newconv2d代替标准卷积层，采用的公式为：Y＝x*w1+b1＝x1*w2+b2；数据集预处理；聚类算法初始化锚框，模型训练；模型测试，包括：特征提取和边界框预测，以及对预测出的边界框进行非极大值抑制；目标检测。本发明的安全帽佩戴检测方法的有益效果是：通过矩阵分解的方式减少了网络的参数提升检测速率；优化了非极大值抑制，使得检测的结果更加准确。CN113920469ACN113920469A权利要求书1/3页1.一种安全帽佩戴检测方法，其特征在于：所述安全帽佩戴检测方法包括：步骤S1，数据集制作，包括：采集图片样本和图片样本标注；步骤S2，模型建立，包括：步骤S2.1，模型选择，包括：选择改进YOLOv3作为施工场景中是否佩戴安全帽的判断模型，以兼顾检测速度和检测精度，改进的YOLOv3模型使用newconv2d代替标准卷积层，采用的公式为：Y＝x*w1+b1＝x1*w2+b2其中，Y表示卷积输出，x表示变量，w表示权重，b表示偏置量；步骤S2.2，数据集预处理，包括：对取得的安全帽佩戴数据集的标准信息进行归一化处理，转换成改进YOLOv3可用的训练格式；步骤S2.3，K‑means聚类算法初始化锚框，包括：在归一化后的安全帽佩戴数据集上进行K‑means聚类算法初始化锚框，用以预测边界框的坐标；步骤S2.4，模型训练，包括：首先对标注目标坐标信息进行定位，然后对标注目标边界框置信度进行预测，以及对预定义目标类别的得分进行预测，最后将未标注测试图片送入训练好的目标检测网络模型中，若检测目标的得分大于设定阈值则框出图像中检测到的目标类别及输出目标类别得分；步骤S2.5，模型测试，包括：特征提取和边界框预测，以及对预测出的边界框进行非极大值抑制，以消除重复检测得到最终的预测结果；步骤S3，目标检测，包括：应用测试完成的模型对图片进行检测。2.根据权利要求1所述的一种安全帽佩戴检测方法，其特征在于：步骤S1中，通过巡检机器人对变电站场景展开数据集的图像采集工作；图片样本包括各种背景条件、不同分辨率和不同质量的变电站场所关于安全帽佩戴的图片，图片样本中含有佩戴安全帽人员和未佩戴安全帽人员，图片样本标注为对图片样本进行多标签标注，其中包括对象名和真实边界框的坐标信息；标注的目标类别包括人、安全帽以及人戴安全帽3类；将数据集划分为训练集和测试集，数量比例为3：1。3.根据权利要求1所述的一种安全帽佩戴检测方法，其特征在于：步骤S2.1中，改进的YOLOv3模型采用矩阵分解的dense层，矩阵分解的dense层采用的公式为：Y＝x*w1+b1＝x1*w2+b2其中，Y表示卷积输出，x表示变量，w表示权重，b表示偏置量。4.根据权利要求1或3所述的一种安全帽佩戴检测方法，其特征在于：步骤S2.1中，改进的YOLOv3模型通过矩阵分解的方式，构造一个参数k，保证输出通道数的同时，降低w权值矩阵的参数量。5.根据权利要求1所述的一种安全帽佩戴检测方法，其特征在于：步骤S2.2中，对样本标注数据归一化处理，即将样本标注数据除以图像的宽度和高度，以将最终的数据控制在0～1之间，便于训练样本数据的快速读取，同时满足多尺度训练的要求。6.根据权利要求1所述的一种安全帽佩戴检测方法，其特征在于：步骤S2.2中，归一化公式如下式所示：2CN113920469A权利要求书2/3页其中，(xmax，xmin，ymax，ymin)表示原始样本边界框标注信息，(width,he