一种安全帽佩戴检测方法、装置、系统及存储介质

本发明涉及一种安全帽佩戴检测方法、装置、系统及存储介质，属于图像处理。

背景技术：

1、在目标检测领域中，安全帽佩戴检测是一项重要的任务，旨在自动识别图像或视频中的人员，并判断其是否佩戴了安全帽。安全帽作为一种个人防护装备，可以有效降低头部受伤的风险，因此，通过目标检测技术来监测和识别工人是否佩戴安全帽具有重要的意义。

2、随着计算机视觉和深度学习的不断发展，安全帽佩戴检测的精度和实时性不断提高。基于深度学习的安全帽佩戴检测引入了卷积神经网络等技术，可以从图像中提取高级特征，性能普遍优于传统方法，这将为工作场所的安全管理提供更多的支持。

3、然而场景中可能存在多个人员，它们的姿态、角度、光照等因素都可能影响佩戴检测的准确性。其次，安全帽的颜色和款式可能因场景和应用而异，需要考虑不同类型的安全帽。此外，复杂的背景和遮挡情况也会降低检测精度。因此研究更高精度的安全帽佩戴检测模型具有较强的理论意义和应用价值。

技术实现思路

1、本发明的目的在于提供一种安全帽佩戴检测方法、装置、系统及存储介质，能够缓解目标遮挡问题，提高安全帽佩戴检测的精度。

2、为达到上述目的，本发明提供如下技术方案：

3、第一方面，本发明提供一种安全帽佩戴检测方法，包括：

4、构建安全帽佩戴数据集；

5、根据所述安全帽佩戴数据集，对预构建的安全帽佩戴检测模型进行训练，获取训练好的安全帽佩戴检测模型；

6、将待测数据输入至训练好的安全帽佩戴检测模型进行检测，并利用非极大值抑制和软非极大值抑制滤除冗余检测框，获取安全帽佩戴检测结果；

7、其中，所述安全帽佩戴检测模型是根据预获取的yolov5s模型改进获取的。

8、结合第一方面，进一步的，构建安全帽佩戴数据集包括：

9、对预获取的图像数据集进行整合，获取整合图像数据集；

10、将所述整合图像数据集中的标注修改为代表佩戴安全帽的hat和代表未佩戴安全帽的person；

11、遍历所有修改后的标注的坐标，将面积为负数的标注进行删除，获取安全帽佩戴数据集；

12、其中，预获取的图像数据集包括开源安全帽佩戴检测数据集、不同颜色的开源安全帽数据集以及非安全帽的其他帽子数据集。

13、结合第一方面，进一步的，根据预获取的yolov5s模型改进获取安全帽佩戴检测模型包括：

14、对预获取的yolov5s模型的c3模块进行改进，构建dsec3模块，并利用所述dsec3模块，构建耦合通道注意力机制的特征提取网络，对输入的待测数据进行特征提取，输出特征图；

15、对预获取的yolov5s模型的特征融合网络进行改进，构建多尺度特征融合网络，对所述耦合通道注意力机制的特征提取网络输出的特征图进行多尺度特征融合，输出不同尺度的特征图；

16、对预获取的yolov5s模型的输出端进行改进，构建检测输出端，根据所述多尺度特征融合网络输出的不同尺度的特征图，输出安全帽佩戴检测结果；

17、由所述耦合通道注意力机制的特征提取网络、多尺度特征融合网络和检测输出端共同构成安全帽佩戴检测模型。

18、结合第一方面，进一步的，所述dsec3模块包括第一支路和第二支路，所述第一支路包括一个深度可分离卷积模块，所述第二支路包括连接的两个深度可分离卷积模块和一个使用relu6为激活函数的通道注意力模块，所述第一支路和第二支路的输出经过拼接后连接一个深度可分离卷积模块；

19、其中，所述通道注意力模块后构建有残差结构，若使用残差连接，并且输入和输出的通道数相同，则将所述通道注意力模块的输出进行深度可分离卷积后再与所述通道注意力模块的输出相加，作为所述第二支路的输出，否则，直接将所述通道注意力模块的输出进行深度可分离卷积，作为所述第二支路的输出；

20、其中，所述输入和输出的通道数相同是指对所述通道注意力模块的输出进行深度可分离卷积时所使用的深度可分离卷积模块的输入和输出通道数相同。

21、结合第一方面，进一步的，对预获取的yolov5s模型的特征融合网络进行改进，构建多尺度特征融合网络包括：将预获取的yolov5s模型的特征融合网络中所有卷积模块替换为轻量型卷积gsconv模块，获取多尺度特征融合网络。

22、结合第一方面，进一步的，根据所述安全帽佩戴数据集，对预构建的安全帽佩戴检测模型进行训练，获取训练好的安全帽佩戴检测模型包括：

23、将所述安全帽佩戴数据集划分为训练集和测试集；

24、将所述训练集输入至预构建的安全帽佩戴检测模型进行训练；

25、在训练的每个轮次，分别计算所述安全帽佩戴检测模型的精确度、召回率和平均精度均值；

26、根据所述精确度、召回率和平均精度均值，计算最佳权重；

27、将所述测试集输入至所述最佳权重对应的安全帽佩戴检测模型进行测试，获取训练好的安全帽佩戴检测模型。

28、结合第一方面，进一步的，利用非极大值抑制和软非极大值抑制滤除冗余检测框包括：

29、按照检测框的置信度，对每个类别的所有检测框进行降序排序；

30、选择置信度最高的检测框作为保留框，计算检测框与保留框的交并比；

31、对交并比大于0.6的检测框执行非极大值抑制进行滤除；

32、对交并比在0.3至0.6之间的检测框执行软非极大值抑制，降低其置信度；

33、其中，所述检测框的类别包括标注为hat的检测框和标注为person的检测框，hat代表佩戴安全帽，person代表未佩戴安全帽。

34、第二方面，本发明提供一种安全帽佩戴检测装置，包括：

35、数据集构建模块：用于构建安全帽佩戴数据集；

36、训练模块：用于根据所述安全帽佩戴数据集，对预构建的安全帽佩戴检测模型进行训练，获取训练好的安全帽佩戴检测模型；

37、检测模块：用于将待测数据输入至训练好的安全帽佩戴检测模型进行检测，并利用非极大值抑制和软非极大值抑制滤除冗余检测框，获取安全帽佩戴检测结果；

38、其中，所述安全帽佩戴检测模型是根据预获取的yolov5s模型改进获取的。

39、第三方面，本发明提供一种系统，包括处理器及存储介质；

40、所述存储介质用于存储指令；

41、所述处理器用于根据所述指令进行操作以执行根据第一方面任一项所述方法的步骤。

42、第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面任一项所述方法的步骤。

43、与现有技术相比，本发明的有益效果是：

44、本发明提供的安全帽佩戴检测方法，通过对现有的yolov5s模型进行改进，获取安全帽佩戴检测模型，实现安全帽佩戴检测，并利用非极大值抑制和软非极大值抑制滤除冗余检测框，能够缓解目标遮挡问题，提高安全帽佩戴检测的精度。在对yolov5s模型进行改进时，通过耦合通道注意力机制的特征提取网络，增强特征提取，丰富目标特征，减少背景噪声的不利影响，从而提升检测精度；多尺度特征融合网络联合轻量型卷积gsconv模块，在提升检测精度的同时能够降低参数量，提高检测精度和检测速度的平衡性。本发明构建的安全帽佩戴数据集包含不同像素、不同尺寸下的标注数据，不同颜色的安全帽数据以及非安全帽的其他帽子数据，图像数量多，样本类间比例平衡，有利于增强模型的训练效果，提高模型的鲁棒性。