一种基于改进YOLOV5的安全帽检测方法和系统技术方案

本发明专利技术公开一种基于改进YOLO V5的安全帽检测方法和系统，属于目标检测领域。包括：采用安全帽佩戴状态训练集训练改进YOLO V5，训练集中的训练样本为包含工作人员的图片帧，标签为工作人员安全帽佩戴状态，得到训练好的检测模型；将工业监控视频的每一帧输入至训练好的检测模型，得到安全帽检测结果。本发明专利技术对Prediction进行改进，新增检测头特征图尺度为160*160，专门用于检测微小目标。本发明专利技术对Neck进行改进，在模块十七提取特征并完成卷积操作之后，对提取到的特征图增加上采样操作，进一步扩大网络中特征图的尺寸；增加网络结构中的连接层，将提取得到的浅层特征信息与Backbone模块提取得到的深层特征信息进行拼接融合，增强YOLO V5算法模型多尺度特征提取能力。V5算法模型多尺度特征提取能力。V5算法模型多尺度特征提取能力。

【技术实现步骤摘要】
一种基于改进YOLO V5的安全帽检测方法和系统


[0001]本专利技术属于目标检测领域，更具体地，涉及一种基于改进YOLO V5的安全帽检测方法和系统。

技术介绍

[0002]安全帽是工业生产过程中保障人身安全的防护设备，其穿戴检测研究属于智慧工业建设中重要一环。通过对安全帽穿戴情况检测，可以对施工作业中的安全隐患及时预警，保障工作人员的生命安全，辅助工业智能化监控管理。
[0003]专利CN112784821A公开一种基于YOLO V5的工地行为安全检测识别方法及系统，主要思想为：获取待识别的工地现场图像信息；采用预训练检测模型对所述待识别的工地现场图像信息进行识别，对安全帽的佩戴情况进行检测，其中，检测模型为基于深度学习模型，用于训练检测模型的训练集包括标注安全帽佩戴位置的图像信息；当识别到工人未佩戴安全帽或者佩戴位置不正确时，发出警示，所述检测模型为YOLO V5模型。
[0004]论文“改进YOLO V5的口罩和安全帽佩戴人工智能检测识别算法”主要思想为：首先采用K
‑
means++算法进行Anchor维度聚类，确定Anchor参数；并通过Ciou，Diou_nms等方法计算YOLO V5网络中的损失函数，通过Ciou，Diou_nms等方法改进YOLO V5网络识别安全帽和口罩佩戴检测情况。
[0005]然而，上述技术均采用原始YOLO V5网络模型结构，由于真实工业生产环境极为复杂，待检测目标容易受到光照变化、遮挡情况造成的检测困难，直接采用原始YOLO V5检测安全帽佩戴检测，存在对于大面积遮挡的目标与小目标检测困难的缺点。

技术实现思路

[0006]针对现有技术的缺陷和改进需求，本专利技术提供了一种基于改进YOLO V5的安全帽检测方法和系统，其目的在于在保证实时性与检测速度要求的前提下，对于此类安全帽目标在检测准确率与鲁棒性方面均有较大性能的提升。
[0007]为实现上述目的，按照本专利技术的第一方面，提供了一种基于改进YOLO V5的安全帽检测方法，该方法包括：
[0008]采用安全帽佩戴状态训练集训练改进YOLO V5，所述训练集中的训练样本为包含工作人员的图片帧，标签为工作人员安全帽佩戴状态，得到训练好的检测模型；训练好的检测模型堆工业监控视频流的每一帧进行检测，并返回安全帽检测结果；
[0009]所述改进YOLO V5包括串联的Input、Backbone、改进Neck和改进Prediction，所述改进Neck包括串联的模块十～模块三十，模块十、十四、十八、二十二、二十五和二十八为CBL，模块十一、十五和十九为上采样操作，模块十二、十六、二十、二十三、二十六和二十九为Concat操作，模块二十的输入端接模块十七和十九输出端，模块二十三的输入端接模块二十和二十二输出端，模块二十六的输入端接模块二十五和十四输出端，模块二十九的输入端接模块二十八和十输出端，模块十三、十七、二十一、二十四、二十七和三十为
BottleneckCSP，所述改进Prediction包括检测尺度降序的第一预测头～第四预测头，模块二十四、二十一、二十七、三十的输出端依次接第一、第二、第三、第四预测头。
[0010]优选地，采用以下方式构建安全帽佩戴状态训练集：
[0011]从真实工业场景监控视频中提取包含工作人员的图片帧；
[0012]根据工作人员安全帽佩戴状态，对每个图片帧中工作人员头部区域进行标注，标注内容包括：是否佩戴安全帽和佩戴何种颜色安全帽，得到安全帽佩戴状态检测数据集和与安全帽佩戴颜色检测数据集。
[0013]优选地，提取图片帧的方式如下：将读取到的监控视频流第一帧图像设为背景帧，将静止不动对象设置为背景，使用背景建模算法提取运动目标对象；并计算后续帧与当前背景帧之间的差值，如果差值大于阈值T，则更新背景帧，否则继续读取直到视频结束为止；如果差值小于阈值T，则计算运动目标对象的移动轮廓面积，如果移动轮廓面积大于阈值T
’
，保存该图像帧，否则继续读取下一帧。
[0014]有益效果：本专利技术提出一种关键帧提取算法，将对监控视频感兴趣片段中的行人检测转换为对视频画面中运动目标对象的检测，对监控视频数据进行自动挑选，极大地提高了数据预处理效率。
[0015]优选地，使用LabelImg软件对安全帽数据集中工作人员佩戴安全帽的情况进行标注，正确佩戴安全帽标注为“Helmet”，没有佩戴安全帽标注为“No_Helmet”，佩戴蓝色安全帽标注为“Blue”，佩戴黄色安全帽标注为“Yellow”，佩戴红色安全帽标注为“Red”，佩戴白色安全帽标注为“White”。
[0016]优选地，采用k
‑
means聚类算法对于数据集图片中的安全帽目标检测框进行聚类分析，得到新的适用于真实工业场景安全帽的Anchor数量与尺寸；依据k
‑
means聚类算法得到的参数修改YOLO V5网络配置文件中Anchor数量与尺寸。
[0017]有益效果：原始YOLO V5的三组Anchor是基于COCO数据集聚类得到，并不适用于安全帽目标检测数据集。本专利技术使用k
‑
means聚类算法对安全帽数据集重新进行聚类分析，在YOLO V5的Head模块网络结构增加一组专门针对于小目标的Anchor。
[0018]优选地，在Input模块采用Mosaic和MixUp数据增强技术对训练过程中同一批次图片进行不同程度的混合。
[0019]有益效果：由于人体头部区域面积较小，不易被遮挡，本专利技术优选采用Mosaic和MixUp数据增强技术对训练过程中一个Batch图片进行不同程度的混合，模拟真实工业场景中的多种遮挡情况，增强模型的鲁棒性。
[0020]为实现上述目的，按照本专利技术的第二方面，提供了一种基于改进YOLO V5的安全帽检测系统，包括：计算机可读存储介质和处理器；
[0021]所述计算机可读存储介质用于存储可执行指令；
[0022]所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行第一方面所述的基于改进YOLO V5的安全帽检测方法。
[0023]总体而言，通过本专利技术所构思的以上技术方案，能够取得以下有益效果：
[0024](1)为解决安全帽数据集部分目标在复杂背景中受到光照变化、多遮挡导致的检测困难问题与小目标检测问题，本专利技术对Prediction进行改进，新增的第一预测头尺度为160*160，专门用于检测尺度为12*12至32*32的微小目标。
[0025](2)为了在图像输入中对于较小检测区域尽可能多的提取到更加完整与丰富的特征信息，本专利技术对Neck模块进行改进，在模块十七(CSP)提取特征完成卷积操作之后，对提取到的特征图增加上采样(模块十九)操作，进一步扩大网络中特征图的尺寸；增加网络结构中的连接层，模块二十三、二十六与二十九将Backbone模块提取得到的浅层特征信息与Neck模块提取得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLO V5的安全帽检测方法，其特征在于，该方法包括：采用安全帽佩戴状态训练集训练改进YOLO V5，所述训练集中的训练样本为包含工作人员的图片帧，标签为工作人员安全帽佩戴状态，得到训练好的检测模型；将工业监控视频的每一帧输入至训练好的检测模型，得到安全帽检测结果；所述改进YOLO V5包括串联的Input、Backbone、改进Neck和改进Prediction，所述改进Neck包括串联的模块十～模块三十，模块十、十四、十八、二十二、二十五和二十八为CBL，模块十一、十五和十九为上采样操作，模块十二、十六、二十、二十三、二十六和二十九为Concat操作，模块二十的输入端接模块十七和十九输出端，模块二十三的输入端接模块二十和二十二输出端，模块二十六的输入端接模块二十五和十四输出端，模块二十九的输入端接模块二十八和十输出端，模块十三、十七、二十一、二十四、二十七和三十为BottleneckCSP，所述改进Prediction包括检测尺度降序的第一预测头～第四预测头，模块二十四、二十一、二十七、三十的输出端依次接第一、第二、第三、第四预测头。2.如权利要求1所述的方法，其特征在于，采用以下方式构建安全帽佩戴状态训练集：从真实工业场景监控视频中提取包含工作人员的图片帧；根据工作人员安全帽佩戴状态，对每个图片帧中工作人员头部区域进行标注，标注内容包括：是否佩戴安全帽和佩戴何种颜色安全帽，得到安全帽佩戴状态检测数据集和与安全帽佩戴颜色检测数据集。3.如权利要求2所述的方法，其特征在于，提取图片帧的方式如下：将读取到的监控视频流第一帧图像设为背景帧，将静止...

【专利技术属性】
技术研发人员：于俊清，张培基，张晖，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：