[发明专利]基于改进YOLOv5的化工生产过程中安全防护品佩戴检测方法

说明书

本发明公开了一种基于改进YOLOv5的化工安全防护品佩戴检测方法，获取训练图像，使用MixUp算法对安全帽图像数据和口罩图像数据进行加权融合，得到更多存在双目标的训练图像；搭建包含注意力机制NAM模块和Encoder结构的改进的YOLOv5网络模型，在骨干网络中插入注意力机制NAM模型，在颈部模块添加了改进的Encoder结构；将训练数据集和测试数据集输入到改进的YOLOv5网络模型中，进行优化训练，得到改进的安全防护品佩戴检测模型；将待检测图像数据集输入上述模型，得到待检测图像中的安全防护品的检测结果。与现有技术相比，本发明充分优化了网络模型的特征提取能力，有效地提高了小目标检测的精确度，提高了化工生产过程中安全防护品佩戴检测的准确性。

技术领域

本发明涉及化工生产场景下安全防护品佩戴检测与机器视觉的技术领域，具体涉及一种基于改进YOLOv5的化工生产过程中安全防护品佩戴检测方法。

背景技术

随着化工行业的发展，化工安全越来越被重视和关注。安全帽和口罩作为一种对人员头部防护和肺部防护起着关键作用的设备，在化工生产过程中，佩戴安全防护品的监管十分必要，研究一种精度高、鲁棒性强的安全防护品佩戴检测算法可以保障生产人员的人身安全，降低安全事故的危害，具有重要的实际意义。

安全防护品佩戴检测的研究可以分成两大类∶基于传感器的检测方法和基于计算机视觉的检测方法。基于传感器的检测方法通过在安全帽上嵌入各类传感器，如压力传感器、电子标签等实现与外界通信。但这就会对工人的正常作业造成干扰，跟踪设备通常都会有距离限制，且成本较高。

基于计算机视觉的检测方法主要包括基于深度学习的两阶段检测算法和基于深度学习的单阶段检测算法。由于两阶段安全帽检测算法需要预先生成候选框，再对候选框进行分类和回归，边界框经过两次微调，检测准确度比单阶段安全防护品佩戴检测算法要高，但损失了检测速度。这就导致两阶段安全防护品佩戴检测算法不能够适用于对速度要求极高的检测任务。

基于深度学习的单阶段安全防护品检测算法模型结构简单且检测速度快，能够很好的应用于安全防护品佩戴检测任务中，但单阶段检测算法的检测准确度有所下降。YOLOv5沿用了YOLOv4的网络结构，采用了Mosaic数据增强方法，采用自适应锚框，检测速度很快，集成了YOLOv3和YOLOv4的部分特性，检测速度远超YOLOv4，但是对于检测复杂场景中和密集小目标中作业人员安全防护品佩戴情况的检测准确度依旧有所欠缺。

发明内容

发明目的：针对现有技术中存在的问题，本发明提出一种基于改进YOLOv5的化工安全防护品佩戴检测方法，能够在小目标的情况下，精确的识别是否佩戴安全防护品。

技术方案：本发明提出一种基于改进YOLOv5的化工安全防护品佩戴检测方法，包括以下步骤：

步骤1：获取训练图像并进行预处理，使用MixUp数据增强算法对安全帽图像数据和口罩图像数据进行加权融合，得到更多存在双目标的训练图像，按比例分配得到训练数据集D1和测试数据集D2；

步骤2：搭建包含注意力机制NAM模块和Encoder结构的改进的YOLOv5网络模型；

步骤3：搭将训练数据集D1和测试数据集D2输入改进的YOLOv5网络模型中，对网络进行训练与测试，得到改进的安全防护品佩戴检测模型Mod；

步骤4：搭将待检测图像输入模型Mod中，得到待检测图像中的安全防护品的检测结果。

进一步地，所述步骤1中获取训练图像并进行预处理具体包括以下步骤：

步骤1.1：通过化工厂的监控图像和公共数据集获取安全防护品佩戴情况的图像，其中安全防护品包括安全帽和口罩；

步骤1.2：对得到的图像进行筛选，选取安全防护品佩戴图像，包括不同场景、光线、遮挡和多目标情况下的图片，并且删除错误图片；