[发明专利]复杂环境小目标识别场景下的卸油工安全帽级联检测方法

说明书

本发明公开了一种复杂环境小目标识别场景下的卸油工安全帽级联检测方法，基于YOLOv3算法搭建级联检测模块，采用DIoU损失函数和迁移学习方法进行训练，级联检测模块包括工人检测子模块，安全帽检测子模块和后处理子模块。工人检测子模块在监控图像中检测工人，输出全局坐标，并截取为工人子图像；安全帽检测子模块在工人子图像中检测安全帽佩戴情况，输出佩戴类别与局部坐标；后处理子模块结合全局坐标，局部坐标和佩戴类别，经过坐标转换及NMS输出监控图像中的检测结果。本发明能够有效解决复杂环境小目标识别场景下的安全帽检测问题，适应于实际工业部署时训练样本较少的场景，可以达到理想的检测精度，检测模型对于监控区域的适应性和鲁棒性强。

技术领域

本发明属于工业生产环境的智能监控图像识别领域，特别是针对复杂环境小目标识别场景下的卸油工安全帽级联检测方法。

背景技术

在加油站卸油区的工作现场，往往需要卸油工人进行卸油等一系列具有危险性的操作，为了降低事故发生对于卸油工人的危害，因此明确要求卸油工人在卸油区域进行作业时佩戴安全帽。然而，部分卸油工人或者工作人员缺乏安全意识，经常没有佩戴安全帽在卸油区域进行作业。据我国电网公司统计，未佩戴安全帽进行作业已成为工人实际操作中最常见也是急需管控的现实问题。

近年来有学者尝试使用机器视觉方法进行安全帽检测，总体来说，主要包括基于手工特征传统机器学习方法以及基于数据驱动的深度学习方法，对于简单场景下的安全帽检测取得了一定的进展。然而，实际作业现场往往是复杂环境，存在背景复杂，天气光照，拥挤遮挡等问题，同时作业现场获取的监控数据，往往具有监控场景大而待检测目标小的特点，比如需检测的卸油工的头部区域长宽占比约为监控图像的1/20，远小于小目标检测的1/10的界定，因此，前人的相关研究方法难以直接适用于复杂环境小目标识别的场景。目前针对小目标检测的场景，往往采取数据增强，增大感受野，提取上下文信息等方法，安全帽检测作为检测人体头部区域，可以建立在行人检测的基础上，充分利用上下文信息。

同时，由于加油站卸油区的作业特殊性和监控视频的硬件存储限制，监控中仅可提取少量具有可区分性的图像数据进行模型训练，因此难以支撑深度学习方法比如目标检测训练一个具有高鲁棒性和强适应性的模型。值得注意的是，行人检测与人头检测均拥有开源数据集，拥有大量的正样本，若利用开源数据集作为模型的先验知识进行迁移学习，可以弥补场景中样本不足的缺陷。如何有效利用迁移学习和深度学习方法，应对复杂环境小目标识别场景下的卸油工安全帽检测问题，获取一个具有高鲁棒性，高精度的检测模型，是一个巨大的挑战。

发明内容

本发明针对加油站卸油区卸油工人安全帽佩戴检测这一典型的复杂场景、超小目标、训练样本较少的工业生产监控环节，提出了复杂环境小目标识别场景下的卸油工安全帽级联检测方法。该方法考虑到场景复杂，超小目标、训练样本较少等现实因素，构建了基于迁移学习的级联检测模型。所述级联检测模块包括工人检测子模块，安全帽检测子模块和后处理子模块。其中，所述工人检测子模块基于COCO数据集预训练进行迁移学习，在监控图像中对工人进行检测，输出全局坐标，并截取为多个工人子图像；所述安全帽检测子模块基于SHWD和CAS-PEAL数据集预训练进行迁移学习，在所述工人子图像中对工人安全帽佩戴情况进行检测，输出佩戴类别与局部坐标；所述后处理子模块结合所述全局坐标，所述局部坐标以及所述佩戴类别，经过坐标转换及NMS处理输出检测结果，对监控图像中卸油工人安全帽佩戴情况进行检测与精准定位。

本发明的目的通过以下技术方案实现：

一种复杂环境小目标识别场景下的卸油工安全帽级联检测方法，该方法采用级联检测模型对获取的监控图像中卸油工人安全帽佩戴情况进行精准检测，所述级联检测模型包括工人检测子模块，安全帽检测子模块和后处理子模块。其中：

工人检测子模块用于定位监控图像中的工人区域，输出全局坐标，并截取获得多个工人子图像；

安全帽检测子模块用于在工人子图像中对工人安全帽佩戴情况进行检测，输出佩戴类别与局部坐标；