【技术实现步骤摘要】
本专利技术涉及计算机视觉，尤其涉及一种基于深度学习的安全帽佩戴检测装置。
技术介绍
1、规范使用个人安全防护设备（如安全帽和安全带）可以有效预防主要的建筑业事故，尤其是正确使用安全帽可以大大减少头部的致命损伤，当施工现场人员遭受建筑事故时，安全帽可吸收外部物体直接撞击头部产生的冲击力，从而保护工人。然而，由于舒适度等原因，许多工人往往在个人安全上疏忽大意，没有规范佩戴安全帽，因此，通过自动化技术监控安全帽的佩戴情况，及时发出预警，对于保护工人生命安全、减少建筑业事故率有着重大的意义。在检测精度和实时性上仍然有提升的余地，尤其是在小目标检测问题上，由于现有检测方案大多采用基于anchor-based思想的目标检测模型，而在实际应用场景中，受限于摄像机的数量和摆放方式，建筑工人常常以小目标的形式出现在画面中，因此，提高小目标检测能力，对于降低硬件成本、进一步提高安全帽佩戴检测的实用化能力，有着重要的意义。
技术实现思路
1、本专利技术的目的是公开一种基于深度学习的安全帽佩戴检测装置及装置，以解决现有技术中针对现有的安全帽检测方法中普遍存在的检测速度不足、准确率有待提升、小目标检测困难等问题，进行进一步研究，构建一种具备高精度和实时性的安全帽佩戴检测模型，能够在不同的拍摄场景下待识别的图像中安全帽图像的安全帽分类属性概率，也即有否佩戴安全帽，并正确识别安全帽的分类属性。本系统采用多种手段提高可靠性和稳定性，提高了准确性，降低了误识别和漏识别现象。
2、本专利技术的一种基于深度
3、本专利技术所述的一种基于深度学习的安全帽佩戴检测装置，其特征在于所述第一摄像模块与第一图像采集模块连接，所述第二摄像模块与第二图像采集模块连接，所述的第一图像采集模块与亮度均衡控制模块连接，所述的亮度均衡控制模块输出端与深度卷积网络服务器第一输入端连接，所述的第二图像采集模块与与深度卷积网络服务器第二输入端连接，所述的深度卷积网络服务器第二输出端与云台跟踪驱动模块连接，所述云台跟踪驱动模块与第二摄像模块的云台输入端连接，第一摄像模块与第二摄像模块组成联动结构对目标进行变焦距特写跟踪，对视频目标即可全景监控，又可进行特写跟踪。
4、本专利技术所述的一种基于深度学习的安全帽佩戴检测装置，其特征在于所述深度卷积网络的训练步骤具体包括：步骤一，获取带有属性及参数标记的安全帽图像样本；步骤二，利用预先设置有初始参数的深度卷积网络对所述安全帽图像样本进行分类；根据所述深度卷积网络输出结果与所述安全帽分类的属性信息之间的差异逐层反传至所述深度卷积网络，训练所述深度卷积网络的参数；步骤三所述利用预先设置有初始参数的深度卷积网络对所述安全帽图像样本进行分类具体为：利用预先设置有初始参数的卷积核与所述安全帽图像样本进行卷积计算；经过池化层的池化操作以及全连接第一层和全连接第二层的全连接操作，得到所述安全帽图像样本的安全帽分类属性概率；所述根据所述深度卷积网络输出结果与所述安全帽分类的属性信息之间的差异逐层反传至所述深度卷积网络，训练所述深度卷积网络的参数，具体为：当所述安全帽分类属性概率与所述安全帽分类的属性信息之间存在差异时，调整所述卷积核中的参数，直至输出的安全帽分类属性概率与所述安全帽分类的属性信息相符。
5、本专利技术所述的一种基于深度学习的安全帽佩戴检测装置，其特征在于，所述深度卷积网络的参数具体为使用深度卷积网络的训练工具通过tensorflow2.2进行训练，所述tensorflow2.2的参数包括：卷积第一层的卷积核尺寸为11×11，颜色通道为3，卷积核数量为64，卷积步长为4×4，图片每4×4区域只取样一次，横向间隔是4，纵向间隔是4，每次取样的卷积核为11×11；池化第一层的池化尺寸为3×3，取样步长为2×2；卷积第二层的卷积核尺寸为5×5，输入通道数为64，卷积核数量为192，卷积步长为1；池化第二层的池化尺寸为3×3，取样步长为2×2；卷积第三层的卷积核尺寸为3×3，输入通道数为192，卷积核数量为384，卷积步长为1；卷积第四层的卷积核尺寸为3×3，输入通道数为384，卷积核数量为256，卷积步长为1；池化第三层的池化尺寸为3×3，取样步长为2×2；卷积第五层的卷积核尺寸为3×3，输入通道数为256，卷积核数量为256，卷积步长为1；池化第四层的池化尺寸为3×3，取样步长为2×2；学习率为0.007~0.01，学习动量项为0.91~0.95，权重衰减系数为0.0004~0.0005 。
6、本专利技术所述的一种基于深度学习的安全帽佩戴检测装置，其特征在于所述深度卷积网络的运行步骤包括：所述第一摄像模块与第一图像采集模块连接，所述第二摄像模块与第二图像采集模块连接，所述的第一图像采集模块与亮度均衡控制模块连接，所述的亮度均衡控制模块输出端与深度卷积网络服务器第一输入端连接，所述的第二图像采集模块与与深度卷积网络服务器第二输入端连接，所述的深度卷积网络服务器第二输出端与云台跟踪驱动模块连接，所述云台跟踪驱动模块与第二摄像模块的云台输入端连接，第一摄像模块与第二摄像模块组成联动结构，第本文档来自技高网...
【技术保护点】
1.一种基于深度学习的安全帽佩戴检测装置，包括第一摄像模块、第一图像采集模块、第二摄像模块、第二图像采集模块、亮度均衡控制模块、深度卷积网络服务器、显示驱动模块、显示终端、补光灯、远端算力系统模块；所述远端AGI算力系统模块通过带宽为1000M的时分复用VPN通讯专线与深度卷积网络服务器连接，作用是提供基于GPU集群算力的双重结果校验，由AGI算力系统模块生成实时校验报告通过带宽为1000M的时分复用VPN通讯专线将实时校验报告传送给深度卷积网络服务器；所述远端AGI算力系统模块和深度卷积网络服务器的数据实现异地灾备确保数据实时安全；所述远端AGI算力系统模块和深度卷积网络服务器互为同步运行状态；其特征在于所述的第一摄像模块与第一图像采集模块连接，所述的第一图像采集模块与亮度均衡控制模块连接，所述的亮度均衡控制模块输出端与深度卷积网络服务器第一输入端连接，所述第二摄像模块与第二图像采集模块连接，所述的第二图像采集模块与与深度卷积网络服务器第二输入端连接；所述的深度卷积网络服务器第一输出端与显示驱动模块连接，所述显示驱动模块与显示终端连接，所述的深度卷积网络服务器第二输出端与云台跟
2.如权利要求1所述的一种基于深度学习的安全帽佩戴检测装置，其特征在于所述第一摄像模块与第一图像采集模块连接，所述第二摄像模块与第二图像采集模块连接，所述的第一图像采集模块与亮度均衡控制模块连接，所述的亮度均衡控制模块输出端与深度卷积网络服务器第一输入端连接，所述的第二图像采集模块与与深度卷积网络服务器第二输入端连接，所述的深度卷积网络服务器第二输出端与云台跟踪驱动模块连接，所述云台跟踪驱动模块与第二摄像模块的云台输入端连接，第一摄像模块与第二摄像模块组成联动结构对目标进行变焦距特写跟踪，对视频目标即可全景监控，又可进行特写跟踪。
3.如权利要求1所述的一种基于深度学习的安全帽佩戴检测装置，其特征在于所述深度卷积网络的训练步骤具体包括：步骤一，获取带有属性及参数标记的安全帽图像样本；步骤二，利用预先设置有初始参数的深度卷积网络对所述安全帽图像样本进行分类；根据所述深度卷积网络输出结果与所述安全帽分类的属性信息之间的差异逐层反传至所述深度卷积网络，训练所述深度卷积网络的参数；步骤三所述利用预先设置有初始参数的深度卷积网络对所述安全帽图像样本进行分类具体为：利用预先设置有初始参数的卷积核与所述安全帽图像样本进行卷积计算；经过池化层的池化操作以及全连接第一层和全连接第二层的全连接操作，得到所述安全帽图像样本的安全帽分类属性概率；所述根据所述深度卷积网络输出结果与所述安全帽分类的属性信息之间的差异逐层反传至所述深度卷积网络，训练所述深度卷积网络的参数，具体为：当所述安全帽分类属性概率与所述安全帽分类的属性信息之间存在差异时，调整所述卷积核中的参数，直至输出的安全帽分类属性概率与所述安全帽分类的属性信息相符。
4. 如权利要求1所述的一种基于深度学习的安全帽佩戴检测装置，其特征在于，所述深度卷积网络的参数具体为使用深度卷积网络的训练工具通过tensorflow2.2进行训练，所述tensorflow2.2的参数包括：卷积第一层的卷积核尺寸为11×11，颜色通道为3，卷积核数量为64，卷积步长为4×4，图片每4×4区域只取样一次，横向间隔是4，纵向间隔是4，每次取样的卷积核为11×11；池化第一层的池化尺寸为3×3，取样步长为2×2；卷积第二层的卷积核尺寸为5×5，输入通道数为64，卷积核数量为192，卷积步长为1；池化第二层的池化尺寸为3×3，取样步长为2×2；卷积第三层的卷积核尺寸为3×3，输入通道数为192，卷积核数量为384，卷积步长为1；卷积第四层的卷积核尺寸为3×3，输入通道数为384，卷积核数量为256，卷积步长为1；池化第三层的池化尺寸为3×3，取样步长为2×2；卷积第五层的卷积核尺寸为3×3，输入通道数为256，卷积核数量为256，卷积步长为1；池化第四层的池化尺寸为3×3，取样步长为2×2；学习率为0.007~0.01，学习动量项为0.91~0.95，权重衰减系数为0.0004~0.0005...
【技术特征摘要】
1.一种基于深度学习的安全帽佩戴检测装置，包括第一摄像模块、第一图像采集模块、第二摄像模块、第二图像采集模块、亮度均衡控制模块、深度卷积网络服务器、显示驱动模块、显示终端、补光灯、远端算力系统模块；所述远端agi算力系统模块通过带宽为1000m的时分复用vpn通讯专线与深度卷积网络服务器连接，作用是提供基于gpu集群算力的双重结果校验，由agi算力系统模块生成实时校验报告通过带宽为1000m的时分复用vpn通讯专线将实时校验报告传送给深度卷积网络服务器；所述远端agi算力系统模块和深度卷积网络服务器的数据实现异地灾备确保数据实时安全；所述远端agi算力系统模块和深度卷积网络服务器互为同步运行状态；其特征在于所述的第一摄像模块与第一图像采集模块连接，所述的第一图像采集模块与亮度均衡控制模块连接，所述的亮度均衡控制模块输出端与深度卷积网络服务器第一输入端连接，所述第二摄像模块与第二图像采集模块连接，所述的第二图像采集模块与与深度卷积网络服务器第二输入端连接；所述的深度卷积网络服务器第一输出端与显示驱动模块连接，所述显示驱动模块与显示终端连接，所述的深度卷积网络服务器第二输出端与云台跟踪驱动模块连接，所述云台跟踪驱动模块与第二摄像模块的云台输入端连接，所述亮度均衡控制模块与补光灯连接；所述的第一摄像模块作用是拍摄目标范围的影像即全景监控，所述的第二摄像模块作用是对拍摄目标范围的影像中特定目标物进行进行变焦距特写跟踪即拉近特写跟踪；所述的亮度均衡控制模块用于对来自第一摄像模块的图像亮度平均值进行检测，根据亮度平均值结果控制补光灯；所述的显示终端是100寸led拼合显示器，所述100寸led拼合显示器通过hdmi转光纤接口与远端显示屏连接，实现多点同步显示；所述的深度卷积网络服务器采用深度卷积网络。
2.如权利要求1所述的一种基于深度学习的安全帽佩戴检测装置，其特征在于所述第一摄像模块与第一图像采集模块连接，所述第二摄像模块与第二图像采集模块连接，所述的第一图像采集模块与亮度均衡控制模块连接，所述的亮度均衡控制模块输出端与深度卷积网络服务器第一输入端连接，所述的第二图像采集模块与与深度卷积网络服务器第二输入端连接，所述的深度卷积网络服务器第二输出端与云台跟踪驱动模块连接，所述云台跟踪驱动模块与第二摄像模块的云台输入端连接，第一摄像模块与第二摄像模块组成联动结构对目标进行变焦距特写跟踪，对视频目标即可全景监控，又可进行特写跟踪。
3.如权利要求1所述的一种基于深度学习的安全帽佩戴检测装置，其特征在于所述深度卷积网络的训练步骤具体包括：步骤一，获取带有属性及参数标记的安全帽图像样本；步骤二，利用预先设置有初始参数的深度卷积网络对所述安全帽图像样本进行分类；根据所述深度卷积网络输出结果与所述安全帽分类的属性信息之间的差异逐层反传至所述深度卷积网络，训练所述深度卷积网络的参数；步骤三所述利用预先设置有初始参数的深度卷积网络对所述安全帽图像样本进行分类具体为：利用预先设置有初始参数的卷积核与所述安全帽图像样本进行卷积计算；经过池化层的池化操作以及全连接第一层和全连接第二层的全连接操作，得到所述安全帽图像样本的安全帽分类属性概率；所述根据所述深度卷积网络输出结果与所述安全帽分类的属性信息之间的差异逐层反传至所述深度卷积网络，训练所述深度卷积网络的参数，具体为：当所述安全帽分类属性概率与所述安全帽分类的属性信息之间存在差异时，调整所述卷积核中的参数，直至输出的安全帽分类属性概率与所述安全帽分类的属性信息相符。
4. 如权利要求1所述的一种基于深度学习的安全帽佩戴检测装置，其特征...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。