[发明专利]基于YOLOv5的工地行为安全检测识别方法及系统

权利要求书

1.基于YOLOv5的工地行为安全检测识别方法，其特征在于：包括以下步骤：

获取待识别的工地现场图像信息；

采用预训练好的检测模型对所述待识别的工地现场图像信息进行识别，对安全帽的佩戴情况进行检测，其中，检测模型为深度学习模型，用于训练检测模型的训练集包括标注安全帽佩戴位置的图像信息；

当识别到工人未佩戴安全帽或者佩戴位置不规范时，发出警示。

2.根据权利要求1所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：所述检测模型为Yolov5模型。

3.根据权利要求2所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：获取待识别的工地现场图像信息之前，还包括：

搭建所述检测模型，检测模型具有Yolov5模型结构的pytorch框架；

采集工地现场中不同环境下工人的工地现场图像信息；

响应于所述工地现场图像信息中包括有待筛选的模糊图像的区域，将所述模糊图像的区域确定为可疑候选区域；

将所述可疑候选区域切割成尺寸一致的多个区块，根据各个所述区块中安全帽颜色像素的占比，确定可疑候选区域的分割区块，其中，所述安全帽颜色像素为在安全帽目标颜色色域内的像素，通过判断像素的RGB值确定是否为安全帽颜色像素；

根据所述分割区块，确定安全帽的佩戴位置，并对安全帽的佩戴位置进行标注，得到均包括标注安全帽佩戴位置的图像信息的训练集和测试集；

采用所述训练集对检测模型进行训练，并根据训练结果对检测模型进行参数微调，得到预训练好的检测模型。

4.根据权利要求3所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：响应于所述工地现场图像信息中包括有待筛选的模糊图像的区域，将所述模糊图像的区域确定为可疑候选区域之前，还包括：

响应于任何一个区域内安全帽颜色像素的占比不高于预设阈值，确定该工地现场图像信息中不包括有安全帽图像信息，剔除该工地现场图像信息。

5.根据权利要求4所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：响应于所述工地现场图像信息中包括有待筛选的模糊图像的区域，将所述模糊图像的区域确定为可疑候选区域，具体包括：

将所述工地现场图像信息划分为多个区域；

获取每个所述区域内安全帽颜色的占比，所述占比的计算方法为公式(1)，所述公式(1)为：

响应于任意一个区域内安全帽颜色的占比低于预设阈值，将安全帽颜色的占比低于预设阈值的区域确定为待筛选的模糊图像的区域；

响应于工地现场图像信息中包括有待筛选的模糊图像的区域，将安全帽颜色的占比低于预设阈值的区域确定为可疑候选区域。

6.根据权利要求5所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：将所述可疑候选区域切割成尺寸一致的多个区块，具体为：

将可疑候选区域按等高或者等宽的原则切割成尺寸一致的多个区块。

7.根据权利要求6所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：将所述可疑候选区域切割成尺寸一致的多个区块，根据各个所述区块中安全帽颜色像素的占比，确定可疑候选区域的分割区块，具体包括：

确定基础区块；

从所述基础区块开始，获取基础区块后的每个区块中安全帽颜色像素的占比；

获取占比最小的区块，将占比最小的区块确定为可疑候选区域的分割区块。

8.根据权利要求7所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：所述训练集和所述测试集的比例为7：3。

9.根据权利要求8所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：采用所述训练集对检测模型进行训练，并根据训练结果对检测模型进行参数微调，得到预训练好的检测模型中，所述参数包括P、R和mAP，P、R和mAP分别代表识别精度、召回率和综合准确率。

10.基于YOLOv5的工地行为安全检测识别系统，其特征在于：包括：

现场信息获取模块，用于获取待识别的工地现场图像信息；

安全帽位置识别模块，用于采用预训练好的检测模型对所述待识别的工地现场图像信息进行识别，对安全帽的佩戴情况进行检测，其中，检测模型为深度学习模型，用于训练检测模型的训练集包括标注安全帽佩戴位置的图像信息；

安全警示模块，用于当识别到工人未佩戴安全帽或者佩戴位置不规范时，发出警示。