一种基于YOLOv5s对骑行者头盔佩戴检测的方法技术

本发明专利技术涉及目标检测技术领域，尤其涉及一种基于YOLOv5s对骑行者头盔佩戴检测的方法，包括采集骑行者佩戴头盔和没有佩戴头盔的图片数据，并剔除异常数据；对图片数据集分块进行数据增强；将增强后的数据集与原数据集合并为骑行者头盔检测数据集，并使用labelimg软件进行标注；利用训练集数据在改进YOLOv5s网络模型上进行训练；采用map指标评估改进YOLOv5s网络模型。本发明专利技术结合实际应用场景对YOLOv5s算法进行改进，使其在满足检测速度的同时，提高检测精度，方便快捷地协助有关部门检测。方便快捷地协助有关部门检测。方便快捷地协助有关部门检测。

【技术实现步骤摘要】
一种基于YOLOv5s对骑行者头盔佩戴检测的方法


[0001]本专利技术涉及目标检测
，尤其涉及一种基于YOLOv5s对骑行者头盔佩戴检测的方法。

技术介绍

[0002]为了提高公民的安全意识，在2020年4月提出“一盔一带”的安全守护行动，各地交通部门采用人工临检的方式对当地骑行者头盔佩戴问题进行抽检，然而这种费时费力的方式无法随时对未能正确佩戴头盔的骑行者进行检查，需要一种方便快捷且准确的检测方法来帮助交通部门解决这一问题。
[0003]传统的目标检测方法只能处理一些背景简单且目标单一的应用场景，随着GPU等硬件设施的迭代升级，基于深度学习的神经网络目标检测方法也在不断地发展。其中基于回归的单阶段目标检测算法删除了二阶段算法的候选框生成部分，直接进行目标分类和位置回归，在保持优秀的检测性能同时降低计算成本，其中YOLO系列算法以其优越的性能成为单阶段算法的代表。
[0004]郝媛媛等引入CBAM注意力机制，并结合密集连接网络，提高了神经网络对骑行者头盔的检测精确度；金雨芳等通过增加小目标检测头来扩大模型的视野，提高模型精度；以上两者部署所需运算量较大，对设备性能要求较高，无法满足实际的大面积部署需求。

技术实现思路

[0005]针对现有方法的不足，本专利技术结合实际应用场景对YOLOv5s算法进行改进，使其在满足检测速度的同时，提高检测精度，方便快捷地协助有关部门检测。
[0006]本专利技术所采用的技术方案是：一种基于YOLOv5s对骑行者头盔佩戴检测的方法包括以下步骤：
[0007]步骤一、采集骑行者佩戴头盔和没有佩戴头盔的图片数据，并对差的数据进行剔除；
[0008]步骤二、对图片数据集分块进行数据增强；
[0009]进一步的，数据增强包括高斯噪声、椒盐噪声和HSV色彩干扰。
[0010]步骤三、将增强后的数据集与原数据集合并为骑行者头盔检测数据集，并使用labelimg软件进行标注；
[0011]步骤四、利用训练集数据在改进YOLOv5s网络模型上进行训练；
[0012]进一步的，步骤四具体包括：
[0013]步骤41、在C3结构末端加入CBAM注意力机制，构成C3
‑
Att模块；
[0014]进一步的，CBAM注意力模块包括通道注意力模块和空间注意力模块，将输入特征图F先经过通道注意力模块M
C
(F)得到关于通道重要性学习的通道加权特征图F
′
，然后将学习到通道重要性的加权特征图输入给空间注意力模块M
S
(F
′
)得到空间加权的特征图F
″
；
[0015]M
C
(F)＝δ(MLP(Avgpool(F))+MLP(Maxpool(F)))；
[0016][0017]M
S
(F
′
)＝δ(f
7*7
[Avgpool(F
′
)；Maxpool(F
′
)])；
[0018][0019]其中，F指输入的特征图，F
′
指经过通道注意力加权的特征图，F
″
指经过空间注意力加权的特征图，M
C
(F)指原始特征图经过通道注意力模块生成的权重特征，Avgpool指平均池化操作，Maxpool指最大池化操作，MLP指共享全连接操作，δ是sigmoid激活操作，M
S
(F
′
)指F
′
经过空间注意力模块生成的权重特征，f
7*7
指使用7*7的卷积操作。
[0020]步骤42、将颈部的nearest上采样改为carafe上采样；
[0021]进一步的，carafe上采样包括：
[0022]W
l
′
＝ψ(N(X
l
,k
up
))；
[0023][0024]其中，X
′
l
′
为新特征图X
′
上的每个新位置l
′
，W
l
′
为经过预测模块ψ得到每个新位置l
′
的位置核，N(X
l
,k
up
)为特征图X上以位置l为中心的k
up
*k
up
的子区域。
[0025]步骤43、使用SIoU Loss边界框回归损失函数；
[0026]进一步的，SIoU Loss的公式为：
[0027][0028][0029]其中，B为预测框，B
gt
为真实框，Δ是关于中心点之间的距离的描述，Ω是描述两框的宽高比。
[0030]步骤五、采用map指标评估改进YOLOv5s网络模型。
[0031]本专利技术的有益效果：
[0032]1、通过对YOLOv5s算法的C3模块改进，引入CBAM注意力机制模块，得到的新模块C3
‑
Att，使模型能够在通道和空间两个维度上进行特征学习；
[0033]2、采用carafe上采样算子，使得上采样得到的特征图能够融合原图的通道信息；
[0034]3、改进边界框回归损失函数，损失惩罚中加入所需回归之间的向量角度关系，加快训练时目标框的收敛；
[0035]4、与标准YOLOv5s方法相比，能有效提高对骑行者是否佩戴头盔的检测精度，满足有关部门的需求，使相应的检测更加轻便、高效。
附图说明
[0036]图1是本专利技术的基于YOLOv5s对骑行者头盔佩戴检测的方法流程图；
[0037]图2是采集数据集的部分样本示例图；
[0038]图3是数据增强后的对比图；
[0039]图4是改进YOLOv5s网络模型示意图；
[0040]图5是改进YOLOv5s网络构建模块结构示意图；
[0041]图6为CBAM注意力机制示意图；
[0042]图7为carafe算法上采样流程示意图；
[0043]图8为本专利技术对骑行者头盔佩戴检测的示意图。
具体实施方式
[0044]下面结合附图和实施例对本专利技术作进一步说明，此图为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0045]如图1所示，一种基于YOLOv5s对骑行者头盔佩戴检测的方法，包括以下步骤：
[0046]步骤一、采集骑行者佩戴头盔和没有佩戴头盔的图片数据，并对差的数据进行去除；
[0047]图片数据来源于网络下载和主干道上非机动车道的街拍，图片类型包括不同的光照、不同的复杂背景以及不同方向下的视图，来满足对不同复杂背景条件以及不同目标方向的检测需求，去除存在模糊、虚影以及不符合应用场景的图片数据，构成原始数据集。
[0048]不同光照指不同时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5s对骑行者头盔佩戴检测的方法，其特征在于，包括以下步骤：步骤一、采集骑行者佩戴头盔和没有佩戴头盔的图片数据，并剔除异常数据；步骤二、对图片数据集分块进行数据增强；步骤三、将增强后的数据集与原数据集合并为骑行者头盔检测数据集，并使用labelimg软件进行标注；步骤四、利用训练集数据在改进YOLOv5s网络模型上进行训练；步骤五、采用map指标评估改进YOLOv5s网络模型。2.根据权利要求1所述的基于YOLOv5s对骑行者头盔佩戴检测的方法，其特征在于，数据增强包括高斯噪声、椒盐噪声和HSV色彩干扰。3.根据权利要求1所述的基于YOLOv5s对骑行者头盔佩戴检测的方法，其特征在于，步骤四具体包括：步骤41、在C3结构末端加入CBAM注意力机制，构成C3
‑
Att模块；步骤42、将颈部的nearest上采样改为carafe上采样；步骤43、使用SIoU Loss边界框回归损失函数。4.根据权利要求3所述的基于YOLOv5s对骑行者头盔佩戴检测的方法，其特征在于，CBAM注意力模块包括通道注意力模块和空间注意力模块，将输入特征图F先经过通道注意力模块M
C
(F)得到关于通道重要性学习的通道加权特征图F
′
，然后将学习到通道重要性的加权特征图输入给空间注意力模块M
S
(F
′
)得到空间加权的特征图F
″
；M
C
(F)＝δ(MLP(Avgpool(F))+MLP(Maxpool(F)))；M
S
(F
′
)＝δ(f
7*7
[Avgpool(F
′

【专利技术属性】
技术研发人员：屈霞，习驭博，
申请(专利权)人：常州大学，
类型：发明
国别省市：