一种基于yolov7建筑工地安全帽佩戴检测方法

本发明涉及一种安全帽佩戴检测方法，特别是涉及一种基于yolov7建筑工地安全帽佩戴检测方法。

背景技术：

1、安全帽是工人在施工现场的重要防护工具，但许多工人因安全帽缺乏舒适感而选择不佩戴，这将危及工人的生命安全。因此实时监控工人是否正确佩戴安全帽十分重要，但工地上作业环境危险，不适合用人力迚行实时监控，所以考虑将机器视觉应用其中，代替人力迚行安全帽佩戴检测。这可以一定程度上预防安全事故的収生，保证工人的安全。

2、安全帽检测由于施工环境复杂、摄像头拍摄角度、摄像头距离目标的距离进近等问题，国内外许多学者对其迚行研究。刘晓慧等利用肤色检测定位人脸区域,将hu矩作为图像的特征向量,利用支持向量机(supportvectormachine,svm)作为分类器对安全帽迚行识别。冯国臣等选取sift角点特征和颜色统计特征的方法进行安全帽检测。park等通过hog特征提取来检测人体，而后通过颜色直方图识别安全帽。李琪瑞提出研究如何定位头部区域以及安全帽颜色特征的计算来检测安全帽。虽然以上方法可以有较好的精度需求，但传统检测算法存在特征提取困难、泛化能力差等问题，还需迚一步的改迚。由于神经网络的发展，深度学习在目标检测领域已有很好的效果，许多研究者进行研究。

3、安全帽识别中建筑工人与摄像头之间的距离，会导致在检测过程中产生错检、漏检和误检的现象发生。

4、基于深度学习的目标检测算法一般分为：双阶段检测和单阶段检测算法。双阶段检测算法包括：物体定位和图像分类两个步骤。主要的检测算法包括rcnn、spp-net、fast-rcnn、faster-rcnn、maskr-cnn。单阶段检测是基于回归的检测算法，主要使用yolo系列和ssd算法。双阶段检测算法的准确度高，但所需检测速度慢。与之相反单阶段检测虽然准确率略逊。由于ssd网络层数不深，对特征提取不充分。许多学者也将深度学习方法应用在安全帽检测中。张明媛等使用faster-rcnn对安全帽迚行识别。王兵等改迚giou计算方法幵结合yolov3迚行安全帽检测。施辉等在yolov3中添加特征金字塔迚行多尺度的特征提取，获得不同尺度的特征图，以此实现安全帽的检测。尽管上述使用的网络可以实现对安全帽的自动检测，同时准确率高，但以上网络都是大型复杂网络，需要足够的算力支持。考虑到在实际的检测场景中，要求将算法部署在移动端或者嵌入式设备上，而移动端的计算能力进不如计算机等大型设备，不足以支撑大型神经网络所需的计算。

技术实现思路

1、本发明的目的在于提供一种基于yolov7建筑工地安全帽佩戴检测方法，本发明采用yolov7目标检测算法对实时监控的视频流进行处理，提取图片特征并将图片中需要的信息数据传递至安全帽监控识别模块，该模块通过数据得知工人佩戴安全帽情况并进行适当的提醒未佩戴安全帽的工人的模式，提高对安全帽佩戴检测的及时性，最终对未佩戴正确安全帽的工人进行提醒。

2、本发明的目的是通过以下技术方案实现的：

3、一种基于yolov7建筑工地安全帽佩戴检测方法，所述搭建安全帽实时监控识别的图像检测网络模型，安全帽实时监控识别模块对输入图像进行帧提取并警告建筑工人合理佩戴安全帽，具体包括以下步骤：

4、1)搜集网上开源数据集并筛选出满足该模型的所有的图像数据集；

5、2)采用深度学习pytorch框架配置网络的环境，在该环境下完成yolov7的模型构建；

6、3)在yolov7的原有模型框架中加入了se注意力机制来优化模型；

7、4)将预处理完成的数据集作为网络的输入并进行训练，加载yolov7预训练权重，采用eiou作为损失函数；

8、5)将拍摄的视频放入yolov7网络模型中进行安全帽检测；

9、6)安全帽实时监控识别模块对系统检测的安全帽状况进行整理，根据安全帽检测数据决策出合理的安全帽佩戴检测的流程。

10、所述的一种基于yolov7建筑工地安全帽佩戴检测方法，所述方法包括两个系统主体部分，对输入模型的图片数据集进行预处理操作；针对安全帽实时监控模式识别，数据集采用建筑工地工人佩戴安全帽和部分教室的学生们；收集监控设备的录像并将其分帧处理，将佩戴安全帽工人的图片进行收集整理并将图片转换为jpg格式，其次将图片数据采用labelimg工具进行人工打标签处理，然后将标签格式以xml格式进行输出，由于yolo的标签格式采用txt，所以需要通过python代码将xml格式的标签转换为txt格式；在网络训练时需要将数据划分为训练集和测试集，将数据集的80％作为网络的训练集，剩下20％的数据集作为测试集。

11、所述的一种基于yolov7建筑工地安全帽佩戴检测方法，所述对图片数据集所做预处理，完成图像处理目标检测模型的搭建；模型架构分为input输入端、backbone主干网络、neck网络层、head输出端四个部分，输入端对输入的图片进行处理，采用mixup数据增强、自适应锚框计算、自适应图片缩放等形式提升模型训练的速度和网络的精度，backbone网络采用cbs结构和elan结构搭建图像特征的神经网络，neck网络采用fpn+pan结构加强网络特征融合能力，head采用eiou作为损失函数对图像特征进行预测，生成边界框和类别置信度；模型加载yolov7预训练权重，初始学习率采用0.0005，动量设置0.937，损失函数采用eiou，其余参数采用默认值。

12、所述的一种基于yolov7建筑工地安全帽佩戴检测方法，所述搭建目标检测模型，引入se注意力机制对网络模型进行优化，在搭建完成的yolov7主干网络中添加注意力机制，将自注意力机制和卷积相结合的方法用于该网络，使之安全帽检测精度得到提升。

13、所述的一种基于yolov7建筑工地安全帽佩戴检测方法，所述完成对模型的优化，设置一次输入到网络中数据的张数、训练的轮数、工作线程等一些参数，开始对模型进行训练；模型训练完成之后，检查模型的性能指标是否合理，开启摄像头对输入数据进行检测，查看预测框的置信度。

14、所述的一种基于yolov7建筑工地安全帽佩戴检测方法，所述模型训练完成并进行测试，安全帽佩戴检测系统使用目标检测网络对工人佩戴安全帽情况进行提取，系统会将每个进入正确佩戴安全帽的工人进行记录，在一定的间隔时间内，记录正确佩戴安全帽和未正确佩戴安全帽等数据，并将数据传输到信息管理模块，用于对安全帽检测进行优化；安全帽模式识别模块会得到目标检测的安全帽数据，根据实时检测的数据来制定合理的安全帽检测形式。

15、本发明的优点与效果是：

16、1.本发明采用基于目标检测的方法，将图像识别加入到安全帽检测系统之中，通过对建筑工地工人佩戴安全帽进行检测，可以实时得到工人佩戴安全帽状况，相较于传统的时间序列预测算法，具有极强的真实性和时效性，通过将实际的佩戴安全帽数据传输到安全帽模式识别模块中，可以决策出工人佩戴安全帽的情况。此外，可以通过检测未正确佩戴安全帽和正确安全帽的数据用于优化调度算法。在yolov7目标检测算法中加入了se注意力机制，对原有算法进行了优化，提高了网络的精度，有助于安全帽佩戴的检测。

17、2.本发明采用yolov7目标检测算法对建筑工地工人是否合理而正确佩戴安全帽进行检测，得到实时的佩戴安全帽的情况，将数据传输到相应的控制模块，最终系统会根据工人佩戴安全帽的数据对未佩戴安全帽的工人进行提醒。采用目标检测技术相比传统时间序列模型具有高效性、精准性和实时性，能够使系统得到当前实际有效的佩戴安全帽数据，进而可以提高对安全帽佩戴检测的及时性，最终对未佩戴正确安全帽的工人进行适当提醒。