[发明专利]一种基于改进YOLOv5算法的电动车驾乘人员头盔佩戴检测方法

说明书

本发明公开了一种基于改进YOLOv5算法的电动车驾乘人员头盔佩戴检测方法，包括首先在实际道路采集图像并构建包含三个类别的数据集，设计了计算量更少的GhostCSP‑Bottleneck模块以优化特征提取，用步长为2的GhostBottleneck模块替换原来的CBL卷积以减少参数量，引入CIOU损失函数以解决YOLOv5s原始损失函数GIOU的退化问题，加入SE注意力机制学习通道之间的相关性，提升检测精度，在检测的后处理过程中加入过滤模块排除掉不相关的行人目标。改进后的YOLOv5s模型在计算量和检测速度上均有明显提升，适合部署于嵌入式设备上，实现在实际道路场景的电动车驾乘人员的头盔佩戴检测的目的，具有重大的实际应用价值。

技术领域

本发明涉及人工智能目标检测领域，特别涉及一种基于改进YOLOv5算法的电动车驾乘人员头盔佩戴检测方法。

背景技术

在中国众多城市市民的交通方式调研中，电动车以骑行方便、环保等优势。使用频率超过其他交通工具，成为市民、外卖员短距离出行的首选方式。交通工具的多样化给我们带来便利的同时也带来了极大的道路安全隐患。电动车驾乘人员在发生碰撞时由于没有保护机制，对生命安全构成了极大的威胁。骑行头盔可吸收大部分撞击力，起到缓冲、减震的保护作用。正确佩戴安全头盔可以营造一个相对安全的行车环境，在危险发生的时候能够降低受伤程度。因此，电动车驾乘人员的头盔佩戴检测具有广泛的应用场景和实际价值。

传统的安全头盔检测算法存在特征提取困难、泛化性差等问题，需要进一步改进。目前使用深度学习方法对头盔检测的研究虽然精度较高，但是模型体积较大，难以满足嵌入式端的部署需求。为了解决道路电动车骑行者头盔佩戴的实时性检测问题，构建了适用于道路电动车驾乘人员头盔佩戴检测的数据集，通过优化了YOLOv5s的模型结构，大幅压缩了模型体积的同时提高了检测精度，在检测速度和精度上取得了较好的平衡，适合嵌入式端的部署。本发明能够将佩戴头盔的驾乘人员用绿色框标出，未佩戴安全头盔的驾乘人员用红框标出，并附上检测的日期、时间和地点，同时在本地保存图像以便后续查看。这种检测方法应用于交通道路监测可以明显提高人们佩戴安全头盔的比例，有效保障交通事故中电动车驾乘人员的生命安全。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于改进YOLOv5算法的电动车驾乘人员头盔佩戴检测方法。

为了解决上述技术问题，本发明提供了如下技术方案：

本发明涉及一种基于改进YOLOv5算法的电动车驾乘人员头盔佩戴检测方法，包括具体步骤如下：

步骤S1：从不同地点非机动车道路口拍摄电动车驾乘人员图片，构建数据集，用于检测特定人群即电动车驾乘人员的头盔佩戴状态；

步骤S2：将采集到的图片用Labelimg工具进行标注，生成YOLO格式的标签文件，并将数据集按比例划分训练集和测试集；

步骤S3：检测前对数据集进行预处理，包括用K-means聚类算法生成最符合数据集特性的初始Anchor框参数，并使用随机缩放、随机裁剪、翻转、旋转等Mosaic数据增强方式来增加数据集多样性，提升小目标的检测效果；

步骤S4：根据检测场景道路电动车驾乘人员头盔佩戴检测对YOLOv5s算法做出改进，主要包括设计GhostCSP-Bottleneck用于提特征提取并替换原始的C3模块、用步长为2的GhostBottleneck模块替换原来的CBL卷积、加入SE注意力机制、引入CIOU损失函数以解决原始损失函数GIOU的退化问题；将制作好的数据集放入改进后的YOLOv5s网络中进行训练可得到新的模型；

步骤S5：然后在推理检测部分加入过滤检测模块，将电动车和其驾乘人员关联起来，达到仅检测并提醒电动车骑行者，而对行人和自行车骑行者排除的目的，过滤检测模块可有效地将电动车骑行者和非电动车骑行者区分开来，提高检测的工作效率；