[发明专利]一种基于深度学习的安全帽佩戴检测方法及装置

权利要求书

1.一种基于深度学习的安全帽佩戴检测方法，其特征在于，所述方法包括：

获得预设数量以上的工地工人作业图片，利用labelImg标注工具对所述工地工人作业图片进行标注，获得数据集，其中，所述数据集包括训练集和测试集；

对所述数据集中的数据进行K-means聚类安全帽数据集目标框预处理，获得6种不同尺寸大小的聚类模板框；

基于Yolov3网络搭建用于安全帽佩戴检测的深度学习网络，将所述训练集中的6种不同尺寸大小的聚类模板框输入所述深度学习网络中进行训练；

在训练完成之后，导入所述测试集中的6种不同尺寸大小的聚类模板框至所述训练后的深度学习网络判断是否训练收敛；

若收敛，则将待识别图像输入收敛深度学习网络模型中进行安全帽佩戴检测。

2.根据权利要求1所述的安全帽佩戴检测方法，其特征在于，所述利用labelImg标注工具对所述工地工人作业图片进行标注，获得数据集，包括：

所述利用labelImg标注工具对所述工地工人作业图片进行目标框标注，获得数据集；

其中，所述工地工人作业图片的尺寸大小不固定，所述目标框标注包括目标框坐标、框中物体的类别；所述类别为三种，分别标记为:person、hat、head。

3.根据权利要求1所述的安全帽佩戴检测方法，其特征在于，所述训练集和测试集的数量比例为7:3。

4.根据权利要求1所述的安全帽佩戴检测方法，其特征在于，所述对所述数据集中的数据进行K-means聚类安全帽数据集目标框预处理，获得6种不同尺寸大小的聚类模板框，包括：

将所述数据集中数据进行尺度归一化处理，并归一化至416*416尺度，获得归一化后的数据集；

对所述归一化后的数据集利用扩展二叉排序树的聚类中心初始化方式进行K-means聚类安全帽数据集目标框，获得6种不同尺寸大小的聚类模板框。

5.根据权利要求4所述的安全帽佩戴检测方法，其特征在于，所述对所述K-means聚类中的K为6；

所述6种不同尺寸大小的聚类模板框为：[[[w1,h1][w2,h2][w3,h3]][[w4,h4][w5,h5][w6,h6]]]]，且按照高宽值从大到小排序。

6.根据权利要求1所述的安全帽佩戴检测方法，其特征在于，所述基于Yolov3网络搭建用于安全帽佩戴检测的深度学习网络，包括：

将所述Yolov3网络的输出的三组输出张量改为两组，去掉张量横截面为13*13尺度的输出，输出特征图层分别为26*26*21、52*52*21，获得用于安全帽佩戴检测的深度学习网络；

其中，21代表三个目标框中各有两个类别、四个坐标框值和一个置信度C。

7.根据权利要求1所述的安全帽佩戴检测方法，其特征在于，所述导入所述测试集中的6种不同尺寸大小的聚类模板框至所述训练后的深度学习网络判断是否训练收敛，包括：

导入所述测试集中的6种不同尺寸大小的聚类模板框至所述训练后的深度学习网络，输出测试结果；

根据所述测试结果中的准确率是否大于预设概率来判断是否收敛。

8.根据权利要求1所述的安全帽佩戴检测方法，其特征在于，所述方法还包括：

若不收敛，基于反向算法更新所述训练后的深度学习网络节点参数，在更新完成之后，利用所述数据集中的训练集进行重新训练。

9.根据权利要求1所述的安全帽佩戴检测方法，其特征在于，所述将待识别图像输入收敛深度学习网络模型中进行安全帽佩戴检测，包括：

将待识别图像输入收敛深度学习网络模型中，输出待识别图像；

计算待识别图像中人头目标框和安全帽目标框的重叠率，并根据重叠率判断工人是否佩戴安全帽。

10.一种基于深度学习的安全帽佩戴检测装置，其特征在于，所述装置包括：

数据获得模块：用于获得预设数量以上的工地工人作业图片，利用labelImg标注工具对所述工地工人作业图片进行标注，获得数据集，其中，所述数据集包括训练集和测试集；

数据预处理模块：用于对所述数据集中的数据进行K-means聚类安全帽数据集目标框预处理，获得6种不同尺寸大小的聚类模板框；

网络构建及训练模块：用于基于Yolov3网络搭建用于安全帽佩戴检测的深度学习网络，将所述训练集中的6种不同尺寸大小的聚类模板框输入所述深度学习网络中进行训练；

收敛判断模块：用于在训练完成之后，导入所述测试集中的6种不同尺寸大小的聚类模板框至所述训练后的深度学习网络判断是否训练收敛；

识别检测模块：用于若收敛，则将待识别图像输入收敛深度学习网络模型中进行安全帽佩戴检测。