一种基于深度学习的安全帽识别方法

1.本发明属于人工智能领域，更具体地说是一种基于yolov5改进的安全帽识别办法。


背景技术：

2.在建筑工程的施工现场中，安全是工人最重要亦是最基本的需求。由于生产和施工作业场地众多，分布较广，现场的环境十分复杂，施工作业人员众多，而负责监督的工作人员有限，很难做到生产和施工作业现场全方位、全过程和实时性的安全监督管理。尽管现在很多的生产和施工作业现场都安装了大量的监控设备，监督人员在一段时间后会对这些监控材料进行检查，但对于那些已经发生的事故或者不安全行为于事无补，无法满足施工现场安全监控的需求，一些因此产生的人身损失和财产损失将不能挽回。
3.在施工作业现场，需要用到大量的安全器具，安全帽是一种比较重要的安全器具，它对头部起到一个保护作用，防止头部受到坠落物和其他因素的伤害。现在的大多数生产和施工作业场地，都有安全帽正确佩戴的规定，但仍然存在许多不佩戴安全帽的行为。为了有效改善这种情况，减少类似的行为发生，使用具有实时性、高精准性和鲁棒性的现代化计算机视觉技术来检测施工现场人员是否戴了安全帽就显得十分的有必要。
4.本文基于保障施工现场工人的安全背景下，提出一种“快速准确且鲁棒性高的安全帽检测系统
”‑‑
基于yolov5改进的安全帽检测系统，主要针对施工现场的施工人员是否佩戴安全帽，该系统可以通过摄像头实时的对范围内的工人进行检测，判断其是否佩戴安全帽，若发现未佩戴安全帽的员工则通过告警系统立即发出警报，并记录，为后台监控人员提供可靠信息。用这种方式提高生产环境的安全性，可以极大提升对企业安全生产的保障。


技术实现要素：

5.本发明基于施工现场目前因安全帽未佩戴而频频引发事故提出了一种基于yolov5改进的安全帽识别办法，在一般计算机视觉检测方法的基础上加入了目标框匹配方法，提高了人员佩戴安全帽的检测精度。
6.本发明内容具体如下：一种基于yolov5改进的安全帽识别办法，包括了数据采集、数据集制作并增强、改进yolov5模型并训练、安全帽佩戴检测和决策报警五个步骤：
7.步骤s1：采集各类施工现场的人员佩戴安全帽图像数据；
8.步骤s2：对采集到的人员安全帽图像数据进行数据集划分、人员安全帽佩戴目标框标注；标注完成后对原始图像数据集进行数据增强，图像增强方法包括：自适应高斯滤波去噪、噪声模拟雨雪、大雾天气状况；
9.步骤s3：对yolov5模型进行针对人员安全帽佩戴检测改进，包括对主干网络加入ghostbottleneck检测机制、加入注意力机制；完成改进后用制作好的数据集训练该模型，并验证模型的检测速度和精度；
10.步骤s4：将训练好的yolov5模型用于实时检测输入的施工现场视频流，并判断施
工现场人员是否佩戴安全帽；
11.步骤s5：若模型判断出有人员没有佩戴安全帽，则记录该时刻，并保存该时刻前后一段时间的视频流；
12.为了更好的实现本发明，进一步的，所述步骤s1，具体还包括以下步骤：在各类施工现场架设不同角度、高度的摄像头，将摄像头拍摄视频的参数设置为分辨率：1920*1080，帧率：30，连续不间断拍摄施工现场人员安全帽佩戴情况。获取到较多视频时，筛选出角度较好、人员清晰的视频并从中随机抽帧，抽取出的图片作为人员佩戴安全帽图像数据。
13.为了更好的实现本发明，进一步的，所述步骤s2，具体还包括以下步骤：
14.步骤s2.1：目标框标注和数据集制作，使用labellmg工具对人员佩戴安全帽图像数据进行目标框标注，目标框种类为：person、head、helmet三类。随后对完成标注的图像按照6:2:2的比例划分为训练集、测试集和验证集。
15.步骤s2.2：对步骤s2.1中制作好的数据集进行自适应高斯滤波去噪，实际工地中获取到的图像会出现因摄像头质量差或老化而出现图像模糊，对图片进行高斯滤波去噪可以提升图片细节，让图片更加清晰。采用的二维的高斯函数公式如下：其中σ为正态分布的标准偏差，其值决定了高斯函数的变化幅度，对应就是滤波器的权值。
16.步骤s2.3：：模拟雨雪天气、大雾天气状况。实际施工现场中由于拍摄时间有限并不能完全覆盖到各类天气状况，模拟各类天气状况可以让数据更丰富。具体方法为：使用opencv生成不同密度的随机噪声来模拟不同情况的雨雪雾，随后对随机噪声拉长、旋转方向，模拟方向的雨雪雾，并将噪声和原始图像叠加可得到模拟的雨雪雾天气场景；其中随机生成噪声的数学公式为：给定初始值x0，产生(0,1)区间上的随机数y
i
。其中：a＝2000，c＝1，m2
25
；然后，通过变换z
i
＝a+(b
‑
a)y
i
产生(a，b)区间上的随机数z
i
。
17.为了更好的实现本发明，进一步的，所述步骤s3，具体还包括以下步骤：
18.步骤s3.1：在原生的yolov5中加入ghostbottleneck检测机制，即在yolov5的neck网络里使用ghost模块，在不更改输出特征图大小的情况下，减少所需的参数总数，降低计算复杂度。
19.步骤s3.2：ghostnet一种新型的网络结构，在少量的非线性的卷积得到的特征图基础上，在进行一次线性卷积，从而获取更多的特征图，实现消除冗余特征，获取更加轻量的模型。在原生yolov5的改进中，使用具有ghostnet网络结构的模块ghostbottleneck代替yolov5中的bottleneckcps结构，以此来降低原生yolov5计算参数，可以提升模型的训练速度。
20.步骤s3.3：完成对yolov5的主干网络和neck部分的改进后，利用步骤s2.3中制作好的数据集对改进后的模型进行训练，模型完成训练后保存模型权重。
21.为了更好的实现本发明，进一步的，所述步骤s4，具体还包括以下步骤：
22.步骤s4.1：将上述步骤s3.3训练好的模型用于施工现场的安全帽检测，模型检测出的3类目标框person、head、helmet会进行如下步骤：出现person框时会继续检测该框内
是否出现head、helmet框，若没有出现person框，则不检测head、helmet框。检测出person框并检测出helmet框时再对两个框做重合度匹配，匹配度高于13％时判断该人员佩戴了安全帽。若检测出person框和检测出head框，二者匹配度高于13％则视为没有佩戴安全帽。
23.步骤s4.2：检测出现没有佩戴安全帽的人员，向系统发出警报信息。
24.本发明与现有技术相比有以下有点和有益效果：
25.1)：对检测端和数据采集端的硬件要求不高；
26.2)：改进了yolov5的主干网络，在focus结构中加入了se模块，增加了少量的计算模块来提升模型的检测精度；
27.3)：改进了yolov5的neck层，不损失性能的情况下，提升了模型的检测速度；
28.4)：在模型检测的基础上加入了目标框重合度检测，使其在实际运用中减少误报率。
附图说明
29.图1数据增强示意图
30.图2 ghostbottleneck模块示意图
31.图3 se模块示意图
32.图4改进后yolov5模型结构图
33.图5安全帽佩戴判断图
具体实施方式：
34.为了更清楚地说明本发明实施例的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
35.一种基于yolov5改进的安全帽识别办法，结合图1，图2，图3，图4，图5所示包括了数据采集、数据增强、改进yolov5模型并训练、安全帽佩戴检测和决策报警五个步骤：
36.步骤s1：采集各类施工现场的人员佩戴安全帽图像数据；在各类施工现场架设不同角度、高度的摄像头，将摄像头拍摄视频的参数设置为分辨率：1920*1080，帧率：30，连续不间断拍摄施工现场人员安全帽佩戴情况。获取到较多视频时，筛选出角度较好、人员清晰的视频并从中随机抽帧，抽取出的图片作为人员佩戴安全帽图像数据。
37.步骤s2：使用labellmg工具对对采集到的人员佩戴安全帽图像数进行目标框标注，目标框种类为：person、head、helmet三类。随后对完成标注的图像按照6:2:2的比例划分为训练集、测试集和验证集。
38.数据集划分完成后对人员佩戴安全帽图像数据进行增强：实际工地中获取到的图像会出现因摄像头质量差或老化而出现图像模糊，对图片进行高斯滤波去噪可以提升图片细节，让图片更加清晰。采用的二维的高斯函数公式如下：其中σ为正态分布的标准偏差，其值决定了高斯函数的变化幅度，对应就是滤波器的权值。
39.实际施工现场中由于拍摄时间有限并不能完全覆盖到各类天气状况，模拟各类天气状况可以让数据更丰富。具体方法为：使用opencv生成不同密度的随机噪声来模拟不同大小的雨雪雾，设置均匀随机数和阈值来控制噪声的水平，对噪声拉长、旋转方向和余量控制可以模拟不同方向的雨雪雾，将生成的噪声和原始图片进行叠加即可得到模拟雨雪雾天气图片，其中随机生成噪声的数学公式为：给定初始值x0，产生(0,1)区间上的随机数y
i
。其中：a＝2000，c＝1，m2
25
；然后，通过变换z
i
＝a+(b
‑
a)y
i
产生(a，b)区间上的随机数z
i
。获取到的模拟图片如图1数据增强示意图所示。
40.步骤s3：对yolov5模型进行针对性改进，改进neck层：使用具有ghostnet网络结构的模块ghostbottleneck代替yolov5中的bottleneckcps结构，如图2ghostbottleneck示意图所示，以此来降低原生yolov5计算参数，ghostnet一种新型的网络结构，在少量的非线性的卷积得到的特征图基础上，在进行一次线性卷积，从而获取更多的特征图，实现消除冗余特征，获取更加轻量的模型。改进主干网络：在focus结构中加入selayer模块，优化学习到的内容，提升模型对channel特征的敏感性，se模块示意图3所示。
41.完成对yolov5的主干网络和neck部分的改进后，改进后的yoolov5网络结构图如图4所示，利用步骤s2.3中制作好的数据集对改进后的模型进行训练，模型完成训练后保存模型权重。
42.步骤s4：将上述步骤s3训练好的模型用于施工现场的安全帽检测，模型检测出的3类目标框person、head、helmet会进行如下步骤：出现person框时会继续检测该框内是否出现head、helmet框，若没有出现person框，则不检测head、helmet框。检测出person框并检测出helmet框时再对两个框做重合度匹配，匹配度高于13％时判断该人员佩戴了安全帽。若检测出person框和检测出head框，二者匹配度高于13％则视为没有佩戴安全帽，判断流程如图5安全帽佩戴判断图所示。
43.步骤s5：若模型判断出有人员没有佩戴安全帽，则记录该时刻，并保存该时刻前后一段时间的视频流；
44.步骤s4.2：检测出现没有佩戴安全帽的人员，向系统发出警报信息。