一种基于神经网络目标检测的厂区工装检测方法及系统技术方案

本申请实施例提供的一种基于神经网络目标检测的厂区工装检测方法及系统，包含了对数据集进行划分、损失函数与目标函数的设计、目标检测模型的训练与推理等。此处使用的目标检测模型主要采用YOLOv6模型，也即YOLO架构的目标检测框架。针对工作服样本图像的训练样本数据集进行划分，主要采用二分类来进行区分判断是否有穿戴工装，将数据集传入目标检测框架中生成相应的检测模型，最终即可得到推理检测的结果。结果。结果。

【技术实现步骤摘要】
一种基于神经网络目标检测的厂区工装检测方法及系统


[0001]本申请涉及工业视觉
，具体涉及一种基于神经网络目标检测的厂区工装检测方法及系统。

技术介绍

[0002]近年来，由于操作不规范和着装不规范的原因，已经成为作业人员在工业厂区发生意外的主要原因之一。标准化作业规范检测也随之成为工业检测的一个技术指标。
[0003]普通衣服在天气干燥或者作业时衣服之间的摩擦而产生静电，但是在变电站、油库等特殊场合，绝对不能出现静电，所以都必须穿着特制的防静电工作服，面料必须是防静电面料才可以。而且为了方便管理，对内部工作人员、司机、施工人员等关键人员统一服装款式。为保证内部所有人员穿戴了防静电工作服，并且工作人员穿戴了统一的服装，对内部的所有进出人员进行工作服的检测。然而，仅依靠人力进行监督查看，需耗费大量的人力资源。
[0004]鉴于此，结合深度学习与目标检测对工业厂区的工服工装进行识别检测具有重大意义，本申请提出一种基于神经网络目标检测的厂区工装检测方法及系统，能够精准、快速地对厂区工装进行检测，识别出工作场所中工作人员是否按要求穿戴指定工作服。

技术实现思路

[0005]本申请实施例提出了一种基于神经网络目标检测的厂区工装检测方法及系统，来解决以上
技术介绍
部分提到的技术问题。
[0006]第一方面，本申请实施例提供了一种基于神经网络目标检测的厂区工装检测方法，包括以下步骤：
[0007]S1、获取多张工作服样本图像，对所述工作服样本图像标注标签，将全部的所述工作服样本图像及其对应的标签确定为训练样本数据集；
[0008]S2、将所述训练样本数据集按比例划分为训练集、验证集和测试集；
[0009]S3、构建目标检测模型：将所述训练样本数据集中的图像输入到backbone网络中，根据所述backbone网络中的三层输出，在neck层通过Rep
‑
PAN网络继续输出三层不同尺寸大小的特征图，将所述特征图输入到head层中，并且对所述特征图进行三类任务预测；构建所述目标检测模型的损失函数；
[0010]S4、将所述训练集输入到构建好的所述目标检测模型中进行训练，所述损失函数不断迭代至收敛，获得最优网络权重，所述目标检测模型通过所述验证集进行预测，并通过所述测试集进行测试验证；以及
[0011]S5、设置固定阈值，并根据所述固定阈值输出目标检测结果。
[0012]通过上述技术方案，根据指定的工作服训练目标检测模型，大量采集工作服样本，通过深度学习，识别出工作场所中工作人员是否按要求穿戴指定工作服，对未穿指定工作服的人员，进行抓图报警。在实际应用中，还可以进行语音提示报警。
[0013]在具体的实施例中，在步骤S3中，将所述训练样本数据集中的图像输入到backbone网络中，包括以下子步骤：
[0014]S311、输入640*640*3的所述训练样本数据集中的图像到所述backbone网络中，通过stem层输出为320*320*3*2的图像；
[0015]S312、所述stem层连接多个ERBlock，每个所述ERBlock均做特征层的下采样和channel的增大，每个所述ERBlock由一个RVB和一个RB组成，在所述RVB中做特征层的下采样，同时channel增大，在所述RB中对特征层充分融合后输出；以及
[0016]S313、最后，所述backbone网络输出三个特征图。
[0017]在具体的实施例中，在步骤S3中，在neck层通过Rep
‑
PAN网络继续输出三层不同尺寸大小的特征图，包括以下子步骤：
[0018]S321、从ERB5输出20*20*512的特征图，通过SConv将所述特征图变成20*20*128大小，上采样后真实框高度h和真实框宽度w增大一倍后与ERB4的输出特征图在channel层上进行特征融合后，所述特征图的尺寸变成40*43*84，通过RB后，输出40*40*128特征图；
[0019]S322、重复执行步骤S321后，输出第一个所述特征图；
[0020]S323、将80*80*64的特征图先通过所述SConv下采样，得到40*40*64的特征图，与步骤S321中的真实框高度h和真实框宽度w一致的特征图在channel层上特征融合后，通过RB后，输出第二个所述特征图；以及
[0021]S324、重复执行步骤S323，输出第三个所述特征图。
[0022]在具体的实施例中，在步骤S3中，将所述特征图输入到head层中，并且对所述特征图进行三类任务预测，包括以下子步骤：
[0023]S331、从neck层输出三个分支，对于每个分支，先对输出的所述特征图通过BConv层，进行所述特征图的特征融合；
[0024]S332、对步骤S331中进行所述特征图的特征融合后，分成两个分支，一个分支通过BConv+Conv完成分类任务的预测，另外一个分支先通过BConv融合特征后再分成两个分支，一个分支通过Conv完成边框的回归，另一个分支通过Conv完成前后背景的分类；以及
[0025]S333、三个分支再通过channel层进行特征融合，输出预测结果。
[0026]在具体的实施例中，，在步骤S120中，将所述训练样本数据集按8:1:1的比例划分为训练集、验证集和测试集
[0027]在具体的实施例中，在步骤S3中，所述损失函数为SIOU损失函数，表达式为：
[0028]SIOU＝DIOU+βv
[0029]其中，DIOU是距离损失函数，β是权重系数，v用来衡量预测框和真实框之间的长宽比的相似性；
[0030][0031]其中，w、h分别是预测框和真实框对应的宽度和高度。
[0032]在具体的实施例中，，还包括设置所述目标检测模型的路径传入，设置所述训练样本数据集读取路径传给所述目标检测模型。
[0033]在具体的实施例中，，还包括通过调节epoch、batchsize参数控制所述目标检测模
型的训练迭代次数、迭代图片大小。
[0034]第二方面，本申请提出一种基于神经网络目标检测的厂区工装检测系统，所述系统包括：
[0035]获取模块，用于获取多张工作服样本图像，对所述工作服样本图像标注标签，将全部的所述工作服样本图像及其对应的标签确定为训练样本数据集；
[0036]划分模块，用于将所述训练样本数据集按比例划分为训练集、验证集和测试集；
[0037]目标检测模块，用于构建目标检测模型：将所述训练样本数据集中的图像输入到backbone网络中，根据所述backbone网络中的三层输出，在neck层通过Rep
‑
PAN网络继续输出三层不同尺寸大小的特征图，将所述特征图输入到head层中，并且对所述特征图进行三类任务预测；构建所述目标检测模型的损失函数；
[0038]优化模块，用于将所述训练集输入到构建好的所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络目标检测的厂区工装检测方法，其特征在于，包括以下步骤：S1、获取多张工作服样本图像，对所述工作服样本图像标注标签，将全部的所述工作服样本图像及其对应的标签确定为训练样本数据集；S2、将所述训练样本数据集按比例划分为训练集、验证集和测试集；S3、构建目标检测模型：将所述训练样本数据集中的图像输入到backbone网络中，根据所述backbone网络中的三层输出，在neck层通过Rep
‑
PAN网络继续输出三层不同尺寸大小的特征图，将所述特征图输入到head层中，并且对所述特征图进行三类任务预测；构建所述目标检测模型的损失函数；S4、将所述训练集输入到构建好的所述目标检测模型中进行训练，所述损失函数不断迭代至收敛，获得最优网络权重，所述目标检测模型通过所述验证集进行预测，并通过所述测试集进行测试验证；以及S5、设置固定阈值，并根据所述固定阈值输出目标检测结果。2.根据权利要求1一种基于神经网络目标检测的厂区工装检测方法，其特征在于，在步骤S3中，将所述训练样本数据集中的图像输入到backbone网络中，包括以下子步骤：S311、输入640*640*3的所述训练样本数据集中的图像到所述backbone网络中，通过stem层输出为320*320*3*2的图像；S312、所述stem层连接多个ERBlock，每个所述ERBlock均做特征层的下采样和channel的增大，每个所述ERBlock由一个RVB和一个RB组成，在所述RVB中做特征层的下采样，同时channel增大，在所述RB中对特征层充分融合后输出；以及S313、最后，所述backbone网络输出三个特征图。3.根据权利要求1一种基于神经网络目标检测的厂区工装检测方法，其特征在于，在步骤S3中，在neck层通过Rep
‑
PAN网络继续输出三层不同尺寸大小的特征图，包括以下子步骤：S321、从ERB5输出20*20*512的特征图，通过SConv将所述特征图变成20*20*128大小，上采样后真实框高度h和真实框宽度w增大一倍后与ERB4的输出特征图在channel层上进行特征融合后，所述特征图的尺寸变成40*43*84，通过RB后，输出40*40*128特征图；S322、重复执行步骤S321后，输出第一个所述特征图；S323、将80*80*64的特征图先通过所述SConv下采样，得到40*40*64的特征图，与步骤S321中的真实框高度h和真实框宽度w一致的特征图在channel层上特征融合后，通过RB后，输出第二个所述特征图；以及S324、重复执行步骤S323，输出第三个所述特征图。4.根据权利要求1一种基于神经网络目标检测的厂区工装检测方法，其特征在于，在步骤S3中，将所述特...

【专利技术属性】
技术研发人员：林旭，李密，陈旭，陈佳期，唐光铁，曾远强，卢雨畋，周小报，
申请(专利权)人：福建省海峡智汇科技有限公司，
类型：发明
国别省市：