[发明专利]基于自主学习策略的安全防护设备识别方法及存储介质

说明书

本发明属于安防监控技术领域，具体涉及一种基于自主学习策略的安全防护设备识别方法及存储介质。本方法包括以下步骤：S1、采集训练图片集合；S2、对训练图片集合进行预处理；S3、根据训练图片集合对构建的深度网络模型进行训练；S4、将待检测图片集合输入所述深度网络模型进行识别，得到识别结果集合；S5、将识别结果集合分类为识别成功集合和无法识别集合；S6、输出识别成功集合；S7、将无法识别集合对应的所述待检测图片集合作为新的训练图片集合，跳转至S2继续执行。本方法无需占用大量的人工资源和计算资源，半自动化地产生新训练样本，适用于不同复杂场景。通过引入特征的权重和标签平滑机制，保证获取网络特征的精准度并有效防止过拟合。

技术领域

本发明属于安防监控技术领域，具体涉及一种基于自主学习策略的安全防护设备识别方法及存储介质。

背景技术

佩戴安全帽等防护设备的安全行为是防止施工场所发生不安全事故发生、保护施工人员的有效手段。

传统防护设备穿戴检测方法采用人工检测，具有耗时、人力成本高、误检率高等缺陷，随着计算机技术的发展，越来越多的施工场所逐步引入智能化检测系统，但大多智能化检测技术都是基于传统的机器视觉技术，包括：

1)基于传统数字图像处理加机器学习的方法。此类方法首先基于人类经验，人工制造特征(特征工程)，之后利用机器学习方法(如支持向量机、模板匹配)训练样本，进而判断工人是否穿戴安全防护设备。

2)基于深度学习的安全防护设备穿戴检测方法。相较于传统机器学习方法，深度学习一般不需要各种特征工程，适应和推广性更强，而且在大量样本训练下可以得到更准确的目标检测结果，近些年得到了广泛的应用，但模型推理对样本资源要求高，不能满足不同资源场景下的使用。

针对上述问题，如何设计一种自主学习策略的安全防护设备识别方法，仅需要小部分样本训练即可进行识别工作，并且可以在识别过程中不断优化完善模型，是亟需解决的一个技术问题。

发明内容

本发明的目的之一在于克服以上缺点，提供一种自主学习策略的安全防护设备识别方法，所需的人工标注训练样本集是少量的，第一次训练的网络模型仅是能较好检测输入视频帧的目标网络模型，其目的是减少人工标注样本花费的时间与精力，之后在实际生产实践中二次会加入人工因素，半自动化的产生新训练样本，用于重新调整网络模型参数，优化模型参数。

为解决上述问题，本申请提供了一种基于自主学习策略的安全防护设备识别方法，包括以下步骤：

S1、采集训练图片集合；

S2、对所述训练图片集合进行预处理；

S3、根据所述训练图片集合对构建的深度网络模型进行训练；

S4、将待检测图片集合输入所述深度网络模型进行识别，得到由每个待检测图片识别结果组成的识别结果集合；

S5、将识别结果集合分类为识别成功集合和无法识别集合；

S6、输出识别成功集合；

S7、将无法识别集合对应的所述待检测图片集合作为新的训练图片集合，跳转至S2继续执行。

进一步地，所述对所述训练图片集合进行预处理，包括以下步骤：

S21、对每一张训练图片进行归一化处理；

S22、对每一张训练图片中包含待检测目标的区域进行标注；

S23、为标注后的每一张训练图片生成对应的训练数据文件。

进一步地，所述根据所述训练图片集合对构建的深度网络模型进行训练，包括以下步骤：

S31、根据所述训练数据文件使用k-means聚类方法获取所述训练图片中待检测目标的先验框位置；