一种基于深度学习的工业安全检测方法及检测系统技术方案

本发明专利技术公开了一种基于深度学习的工业安全检测方法及检测系统，属于计算机视觉检测技术领域，其特征在于，包括如下步骤：S1、数据预处理；从ADE20K数据集选取不包括六类目标的图片，同时从网络上搜集与检测目标具有相同特征的图片；六类目标分别为反光衣、未穿戴反光衣、安全帽、未穿戴安全帽、戴口罩、未戴口罩；使用网络爬虫获得反光衣样本，对反光衣样本进行数据清洗，删除重复样本和小于20K的图片，并对爬虫的得到的反光衣样本进行人工标注；对训练集进行数据增强；S2、构建和训练TPH

【技术实现步骤摘要】
一种基于深度学习的工业安全检测方法及检测系统


[0001]本专利技术属于计算机视觉检测
，尤其涉及一种基于深度学习的工业安全检测方法及检测系统。

技术介绍

[0002]现代计算机视觉领域的快速发展表明，视觉方面的技术可以应用在现实中的较多方面，而目标检测是计算机视觉领域最重要也最具有挑战性的分支之一。目标检测的任务是对图片中的不同区域进行定义，使得图像中不同的对象对计算机表现为可识别的状态。人类视觉系统不需要对目标图像进行长时间的逐像素分析就能够对图像中的目标进行识别，在近些年的技术突破中，神经网络的发展让机器对图像中的目标进行识别变得更加精确与快速，所以在视觉领域可以通过机器学习的模型进行学习与预测，判定图像中是否存在需要检测的目标物体。在工业环境中，安全问题是重中之重，现代计算机视觉系统能够识别工业场景中潜在的危险情况。根据指定的目标与事件对场景图像进行训练，可以最大程度的减少危险的发生，确保生命安全，设备安全与生产安全。
[0003]目前工业环境中的安全检测主要还是依靠规定与人工纠正，在实际中表现不佳。

技术实现思路

[0004]针对现有技术的缺陷，本专利技术提供一种基于深度学习的工业安全检测方法及检测系统，用于对工业生产环境中的口罩，安全帽，反光衣几种目标进行检测。
[0005]本专利技术所采用的具体技术方案为：
[0006]本专利的第一专利技术目的是提供一种基于深度学习的工业安全检测方法，包括如下步骤：
[0007]S1、数据预处理：
[0008]从ADE20K数据集选取不包括六类目标的图片，同时从网络上搜集与检测目标具有相同特征的图片；六类目标分别为反光衣、未穿戴反光衣、安全帽、未穿戴安全帽、戴口罩、未戴口罩；
[0009]使用网络爬虫获得反光衣样本，对反光衣样本进行数据清洗，删除重复样本和小于20K的图片，并对爬虫的得到的反光衣样本进行人工标注；
[0010]对训练集进行数据增强；
[0011]S2、构建和训练TPH
‑
YOLOv5网络；具体为：
[0012]构建过程为：采用TPH
‑
YOLOv5网络进行工业安全检测，所述TPH
‑
YOLOv5网络是在YOLOv5网络的基础上，添加有一个预测头来检测不同尺度的物体，在网络中集成有CBAM、Transformer Block模块；
[0013]训练过程为：首先使用Adam优化器对测试集进行训练，随后使用SGD优化器并且调整batchsize为1，并保持学习率继续训练；
[0014]S3、网络测试；具体为：
[0015]使用AP作为评价损失的方式，根据检测出的矩形框与实际目标框的IoU来判断是否预测正确，统计出TP、FP、FN的值，并计算Precision和Recall，具体计算公式为：
[0016][0017]其中：TP表示做出Positive的判定，而且判定是正确的，FP表示错误的Positive判定的个数，FN表示错误的Negative判定个数；
[0018]根据Precision和Recall绘制出PR曲线，并根据PR曲线与坐标轴的面积计算出AP@0.5值，其中0.5代表第一步计算IoU的阈值为0.5；分别统计六个类别的AP@0.5以及六类的平均指标mAP@0.5；
[0019]在验证过程中，通过调整conf_thres和iou_thres两个超参数来控制网络的最终输出，其中：conf_thres用于对网络输出进行筛选，过滤掉置信度过低的bbox，iou_thres用于控制网络后处理NMS过程中的IoU阈值。
[0020]优选地：所述数据增强包括：
[0021]传统数据增强：通过对图像进行翻转、平移和裁剪，使模型分别学习到旋转不变性和平移不变性，对图像实施色彩变换降低模型的色彩敏感性；
[0022]MixUP数据增强：MixUp从训练图像中随机选取2个训练集中的样本进行随机加权求和，样本的标签也对应于加权求和，拼接图像；
[0023]Multi
‑
scale和letterbox数据增强：使用Multi
‑
scale融合不同尺度的图片进行数据增强；使用letterbox自适应图片缩放技术，保持目标的比例特征不变；
[0024]添加噪声：对图像添加高斯、椒盐噪声从而提高模型的抗噪能力和鲁棒性；对图像施加对抗扰动，为后续的对抗训练提供数据基础。
[0025]本专利的第二专利技术目的是提供一种基于深度学习的工业安全检测系统，包括：
[0026]数据预处理模块：
[0027]从ADE20K数据集选取不包括六类目标的图片，同时从网络上搜集与检测目标具有相同特征的图片；六类目标分别为反光衣、未穿戴反光衣、安全帽、未穿戴安全帽、戴口罩、未戴口罩；
[0028]使用网络爬虫获得反光衣样本，对反光衣样本进行数据清洗，删除重复样本和小于20K的图片，并对爬虫的得到的反光衣样本进行人工标注；
[0029]对训练集进行数据增强；
[0030]构建和训练模块：构建和训练TPH
‑
YOLOv5网络；具体为：
[0031]构建过程为：采用TPH
‑
YOLOv5网络进行工业安全检测，所述TPH
‑
YOLOv5网络是在YOLOv5网络的基础上，添加有一个预测头来检测不同尺度的物体，在网络中集成有CBAM、Transformer Block模块；
[0032]训练过程为：首先使用Adam优化器对测试集进行训练，随后使用SGD优化器并且调整batchsize为1，并保持学习率继续训练；
[0033]测试模块：网络测试；具体为：
[0034]使用AP作为评价损失的方式，根据检测出的矩形框与实际目标框的IoU来判断是否预测正确，统计出TP、FP、FN的值，并计算Precision和Recall，具体计算公式为：
[0035][0036]其中：TP表示做出Positive的判定，而且判定是正确的，FP表示错误的Positive判定的个数，FN表示错误的Negative判定个数；
[0037]根据Precision和Recall绘制出PR曲线，并根据PR曲线与坐标轴的面积计算出AP@0.5值，其中0.5代表第一步计算IoU的阈值为0.5；分别统计六个类别的AP@0.5以及六类的平均指标mAP@0.5；
[0038]在验证过程中，通过调整conf_thres和iou_thres两个超参数来控制网络的最终输出，其中：conf_thres用于对网络输出进行筛选，过滤掉置信度过低的bbox，iou_thres用于控制网络后处理NMS过程中的IoU阈值。
[0039]优选地：将数据集按照5：1的比例划分训练集与测试集；在训练集中增加多张无关样本。
[0040]优选地：所述数据增强包括：
[0041]传统数据增强：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的工业安全检测方法，其特征在于，包括如下步骤：S1、数据预处理：从ADE20K数据集选取不包括六类目标的图片，同时从网络上搜集与检测目标具有相同特征的图片；六类目标分别为反光衣、未穿戴反光衣、安全帽、未穿戴安全帽、戴口罩、未戴口罩；使用网络爬虫获得反光衣样本，对反光衣样本进行数据清洗，删除重复样本和小于20K的图片，并对爬虫的得到的反光衣样本进行人工标注；对训练集进行数据增强；S2、构建和训练TPH
‑
YOLOv5网络；具体为：构建过程为：采用TPH
‑
YOLOv5网络进行工业安全检测，所述TPH
‑
YOLOv5网络是在YOLOv5网络的基础上，添加有一个预测头来检测不同尺度的物体，在网络中集成有CBAM、Transformer Block模块；训练过程为：首先使用Adam优化器对测试集进行训练，随后使用SGD优化器并且调整batchsize为1，并保持学习率继续训练；S3、网络测试；具体为：使用AP作为评价损失的方式，根据检测出的矩形框与实际目标框的IoU来判断是否预测正确，统计出TP、FP、FN的值，并计算Precision和Recall，具体计算公式为：其中：TP表示做出Positive的判定，而且判定是正确的，FP表示错误的Positive判定的个数，FN表示错误的Negative判定个数；根据Precision和Recall绘制出PR曲线，并根据PR曲线与坐标轴的面积计算出AP@0.5值，其中0.5代表第一步计算IoU的阈值为0.5；分别统计六个类别的AP@0.5以及六类的平均指标mAP@0.5；在验证过程中，通过调整conf_thres和iou_thres两个超参数来控制网络的最终输出，其中：conf_thres用于对网络输出进行筛选，过滤掉置信度过低的bbox，iou_thres用于控制网络后处理NMS过程中的IoU阈值。2.根据权利要求1所述的基于深度学习的工业安全检测方法，其特征在于：S1中将数据集按照5：1的比例划分训练集与测试集；在训练集中增加多张无关样本。3.根据权利要求1所述的基于深度学习的工业安全检测方法，其特征在于：所述数据增强包括：传统数据增强：通过对图像进行翻转、平移和裁剪，使模型分别学习到旋转不变性和平移不变性，对图像实施色彩变换降低模型的色彩敏感性；MixUP数据增强：MixUp从训练图像中随机选取2个训练集中的样本进行随机加权求和，样本的标签也对应于加权求和，拼接图像；Multi
‑
scale和letterbox数据增强：使用Multi
‑
scale融合不同尺度的图片进行数据增强；使用letterbox自适应图片缩放技术，保持目标的比例特征不变；添加噪声：对图像添加高斯、椒盐噪声从而提高模型的抗噪能力和鲁棒性；对图像施加对抗扰动，为后续的对抗训练提供数据基础。
4.一种基于深度学习的工业安全检测系统，其特征在于，包括：数据预处理模块：从ADE20K数据集选取不包括六类目标的图片，同时从网络上搜集与检测目标具有相同特征的图片；...

【专利技术属性】
技术研发人员：吴旭，张文毳，李梦鸽，王思涵，张艺楠，
申请(专利权)人：天津安捷物联科技股份有限公司，
类型：发明
国别省市：