[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

说明书

本发明公开了一种基于深度学习的安全帽佩戴检测方法及装置，其中，所述方法包括：获得预设数量以上的工地工人作业图片，对工地工人作业图片进行标注，获得数据集；对数据集中的数据进行预处理，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；导入测试集中的6种不同尺寸大小的聚类模板框至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。在本发明实施例中，通过训练收敛的深度学习网络可以实时检测人目标是否佩戴或是否正确佩戴安全帽。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于深度学习的安全帽佩戴检测方法及装置。

背景技术

安全帽是施工人员作业的安全保障，佩戴安全帽能够大大减少安全事故的发生，不论是建筑工地、生产车间还是户外高空抢修等环境下，都一律规定必须佩戴安全帽。但是每年都有大量因没有或不合理佩戴安全帽导致的安全事故发生，造成生命财产损失。针对安全帽的佩戴的检测具有重要意义。

最早的安全帽检测方法是基于图像处理技术实施的，如依据安全帽图像、形状、颜色进行识别，这类方法易受到噪音干扰，应用范围窄，识别效果很差；随着计算机算力的提高，基于机器学习算法的安全帽识别方法被提出；相比图像处理技术进行识别，机器学习算法在识别率有较大提高，鲁棒性也大大增强，但是传统机器学习算法始终存在特征提取难的问题，此外传统机器学习算法不擅长对图片特征提取。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于深度学习的安全帽佩戴检测方法及装置，通过训练收敛的深度学习网络可以实时检测人目标是否佩戴或是否正确佩戴安全帽。

为了解决上述技术问题，本发明实施例提供了一种基于深度学习的安全帽佩戴检测方法，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。

可选的，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。

可选的，所述训练集和测试集的数量比例为7:3。

可选的，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。

可选的，所述对所述K-means聚类中的K为6；