CN110222672A

CN110222672A - 施工现场的安全帽佩戴检测方法、装置、设备及存储介质

Info

Publication number: CN110222672A
Application number: CN201910532371.7A
Authority: CN
Inventors: 蔡念; 伍吉修; 陈文杰; 王慧恒; 王国田
Original assignee: Guangdong University of Technology
Current assignee: Guangdong University of Technology
Priority date: 2019-06-19
Filing date: 2019-06-19
Publication date: 2019-09-10
Anticipated expiration: 2039-06-19
Also published as: CN110222672B

Abstract

本发明公开了一种施工现场的安全帽佩戴检测方法、装置、设备及存储介质，通过根据施工现场图像样本以及包括人体头部位置标注和安全帽类别标注的标注信息训练安全帽佩戴检测模型，将待检测图像输入该安全帽佩戴检测模型，得到待检测图像中的人体头部位置信息以及与人体头部位置信息对应的安全帽类别信息并输出，相比于传统的从背景检测人体再检测头部区域再到安全帽识别的图像处理方法，整个过程是端到端的，更关注人体头部特征和安全帽类别特征进行学习，因此能够适应背景不同的多种施工场景，无需针对各施工场景分别训练模型参数，减小了传统模型泛化能力差的问题，便于及时发现未佩戴安全帽的工人、保障工人安全。

Description

施工现场的安全帽佩戴检测方法、装置、设备及存储介质

技术领域

本发明涉及图像识别技术领域，特别是涉及一种施工现场的安全帽佩戴检测方法、装置、设备及存储介质。

背景技术

被坠落的物体击中是所有工业部门的潜在危害，导致了许多工伤和死亡案例。佩戴安全帽能有效的减少坠落的物体对人员造成的伤害。因此，在建筑业、制造业、油田和化工厂等企业的施工场合强制规定作业人员必须佩戴安全帽。但是一些工人并不总是遵守这样的规定，通过图像识别技术对施工现场的工人是否佩戴安全帽进行检测，以及时发现没有按照规定佩戴安全帽的工人，是施工现场安全管理中的重要环节。

然而，由于施工现场条件恶劣，场景复杂，目前已有的基于传统图像处理算法的安全帽检测方法并不能很好地应用到各种施工现场中。一种基于传统图像处理算法的安全帽检测方法为：首先从搜集的视频数据中抽取图片进行标注，含有行人的图片为行人正样本数据，不含有行人的图片作为负样本；接着将标注后的行人正样本中带有安全帽的区域标注为安全帽正样本数据；将安全帽正样本数据中的安全帽区域遮盖后作为安全帽负样本；利用上述数据训练行人检测网络和安全帽检测网络；在检测时，通过背景差分法获取待检测图片的待检测区域，利用行人检测网络判断该区域是否存在行人，若存在行人则取该区域的上2/5部分输入到安全帽检测网络判断是否佩戴安全帽，若检测到安全帽，则通过HSV颜色空间判断安全帽的类型。

可见，传统的用于施工现场的安全帽检测方法是先将工人图像从图片中提取出来，再从工人图像中提取头部区域，从头部区域判断该工人是否佩戴安全帽。这种方法的检测精度依赖于工人检测算法的精度，且对于每种特定场景，往往都需要重新训练检测模型，具有鲁棒性较差、不能适应复杂的环境的问题。

因此，提出一种能够适应多种施工现场的具有较强鲁棒性的安全帽佩戴检测与识别方法，提高施工现场安全帽检测的准确性与易行性，从而及时发现未佩戴安全帽的工人、保障工人安全，是本领域技术人员需要解决的技术问题。

发明内容

本发明的目的是提供一种施工现场的安全帽佩戴检测方法、装置、设备及存储介质，具有较强鲁棒性，能够适应多种施工现场，提高了施工现场安全帽检测的准确性与易行性，从而能够及时发现未佩戴安全帽的工人、保障工人安全。

为解决上述技术问题，本发明提供一种施工现场的安全帽佩戴检测方法，包括：

根据施工现场图像样本以及与所述施工现场图像样本对应的标注信息训练安全帽佩戴检测模型；

将待检测图像输入所述安全帽佩戴检测模型，得到所述待检测图像中的人体头部位置信息以及与所述人体头部位置信息对应的安全帽类别信息；

输出所述人体头部位置信息和所述安全帽类别信息；

其中，所述标注信息包括所述施工现场图像样本上的人体头部位置标注以及与所述人体头部位置标注对应的安全帽类别标注，安全帽类别具体为佩戴安全帽类别或未佩戴安全帽类别。

可选的，所述根据施工现场图像样本以及与所述施工现场图像样本对应的标注信息训练安全帽佩戴检测模型，具体包括：

获取所述施工现场图像样本和所述标注信息；

将所述施工现场图像样本和所述标注信息输入SSD检测网络，训练所述SSD检测模型检测人体头部位置的能力以及识别所述人体头部位置处的安全帽类别的能力；

以训练好的SSD检测网络为所述安全帽佩戴检测模型。

可选的，在所述将所述施工现场图像样本和所述标注信息输入SSD检测网络，训练所述SSD检测模型检测人体头部位置的能力以及识别所述人体头部位置处的安全帽类别的能力之前，还包括：

将所述施工现场图像样本划分为训练集和测试集；

相应的，所述将所述施工现场图像样本输入SSD检测网络，训练所述SSD检测模型检测人体头部位置的能力以及识别所述人体头部位置处的安全帽类别的能力，具体包括：

利用所述训练集训练并更新所述SSD检测模型中的权值；

利用所述测试集测试所述SSD检测模型的泛化能力。

可选的，所述将所述施工现场图像样本输入SSD检测网络，训练所述SSD检测模型检测人体头部位置的能力以及识别所述人体头部位置处的安全帽类别的能力，具体包括：

将所述施工现场图像样本输入所述SSD检测网络；

应用所述SSD检测网络提取所述施工现场图像样本中的特征，并应用注意力机制根据高层特征图的特征生成位置注意力特征图，以所述位置注意力特征图监督低层特征图的学习；

其中，所述特征包括人体头部特征和安全帽类别特征。

可选的，所述应用注意力机制根据高层特征图的特征生成位置注意力特征图，以所述位置注意力特征图监督低层特征图的学习，具体为：

将所述SSD检测网络中高层网络的语义信息向低层网络逐层传递，使各层网络中的语义信息逐阶段整合至预设低层网络，以通过所述预设低层网络实现对安全帽的检测。

可选的，还包括：

当检测到与所述人体头部位置信息对应的安全帽类别为所述未佩戴安全帽类别时，向与所述人体头部位置信息对应的地址发送报警信号。

可选的，所述佩戴安全帽类别具体为佩戴蓝色安全帽、佩戴红色安全帽、佩戴黄色安全帽和佩戴白色安全帽中的任意一种。

为解决上述技术问题，本发明还提供一种施工现场的安全帽佩戴检测装置，包括：

建模单元，用于根据施工现场图像样本以及与所述施工现场图像样本对应的标注信息训练安全帽佩戴检测模型；

检测单元，用于将待检测图像输入所述安全帽佩戴检测模型，得到所述待检测图像中的人体头部位置信息以及与所述人体头部位置信息对应的安全帽类别信息；

输出单元，用于输出所述人体头部位置信息和所述安全帽类别信息；

为解决上述技术问题，本发明还提供一种施工现场的安全帽佩戴检测设备，包括：

存储器，用于存储指令，所述指令包括上述任意一项所述施工现场的安全帽佩戴检测方法的步骤；

处理器，用于执行所述指令。

为解决上述技术问题，本发明还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述施工现场的安全帽佩戴检测方法的步骤。

本发明所提供的施工现场的安全帽佩戴检测方法，通过根据施工现场图像样本以及包括人体头部位置标注和安全帽类别标注的标注信息训练安全帽佩戴检测模型，将待检测图像输入该安全帽佩戴检测模型，得到待检测图像中的人体头部位置信息以及与人体头部位置信息对应的安全帽类别信息并输出，整个过程是端到端的，无需经历从背景中分割出工人全身图像、从工人全身图像上定位出头部图像等过程，只针对人体头部特征和安全帽类别特征进行学习，因此该安全帽佩戴检测模型能够适应背景不同的多种施工场合，无需针对各施工场合分别训练模型参数，减小了传统模型泛化能力差的问题，具有较强的鲁棒性，提高了施工现场安全帽检测的准确性与易行性，从而能够及时发现未佩戴安全帽的工人、保障工人安全。本发明还提供一种施工现场的安全帽佩戴检测装置、设备及存储介质，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种施工现场的安全帽佩戴检测方法的流程图；

图2为本发明实施例提供的一种图1中步骤S101的具体实施方式的流程图；

图3为本发明实施例提供的安全帽佩戴检测模型的框架示意图；

图4为本发明实施例提供的一种图2中步骤S202的具体实施方式的流程图；

图5为本发明实施例提供的一种施工现场的安全帽佩戴检测装置的结构示意图；

图6为本发明实施例提供的一种施工现场的安全帽佩戴检测设备的结构示意图。

具体实施方式

本发明的核心是提供一种施工现场的安全帽佩戴检测方法、装置、设备及存储介质，具有较强鲁棒性，能够适应多种施工现场，提高了施工现场安全帽检测的准确性与易行性，从而能够及时发现未佩戴安全帽的工人、保障工人安全。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的一种施工现场的安全帽佩戴检测方法的流程图。

如图1所示，施工现场的安全帽佩戴检测方法包括：

S101：根据施工现场图像样本以及与施工现场图像样本对应的标注信息训练安全帽佩戴检测模型。

其中，标注信息包括施工现场图像样本上的人体头部位置标注以及与人体头部位置标注对应的安全帽类别标注，安全帽类别具体为佩戴安全帽类别或未佩戴安全帽类别。

在构造施工现场图像样本时，挑选施工现场的图像，并对其中的人体头部位置以及与人体头部位置对应的安全帽类别进行标注，训练安全帽佩戴检测模型对人体头部以及安全帽类别的检测能力。

其中，为了增加模型功能，可以进一步训练安全帽佩戴检测模型识别安全帽颜色的能力，这需要在施工现场图像样本上标注安全帽颜色。从而，佩戴安全帽类别具体为佩戴蓝色安全帽、佩戴红色安全帽、佩戴黄色安全帽和佩戴白色安全帽中的任意一种。

为保证识别能力与检测精度，安全帽佩戴检测模型可以采用机器学习方法，结合深度学习网络，从而保证鲁棒性，适应施工现场的复杂环境和安全帽监控要求。

S102：将待检测图像输入安全帽佩戴检测模型，得到待检测图像中的人体头部位置信息以及与人体头部位置信息对应的安全帽类别信息。

S103：输出人体头部位置信息和安全帽类别信息。

训练好安全帽佩戴检测模型后，可以从监控视频中截取视频帧作为待检测图像，输入安全帽佩戴检测模型，得到待检测图像中的人体头部位置信息以及与人体头部位置信息对应的安全帽类别信息，同时输出人体头部位置信息和安全帽类别信息，从训练到检测整个过程是端到端的。逐帧检测，实现对施工现场的实时监控。

设计输出效果可以为在待检测图像上，将人体头部位置用方框框起来，而后用预设的与安全帽类别对应的颜色在方框处标识出来(如蓝色对应佩戴蓝色安全帽，红色对应佩戴红色安全帽，黄色对应佩戴黄色安全帽，白色对应佩戴白色安全帽，黑色对应未佩戴安全帽等)。

进一步的，施工现场的安全帽佩戴检测方法还包括：

当检测到与人体头部位置信息对应的安全帽类别为未佩戴安全帽类别时，向与人体头部位置信息对应的地址发送报警信号。

本发明实施例提供的施工现场的安全帽佩戴检测方法适用于不同类型、不同背景的施工现场，因此可以对不同施工现场的不同监控摄像头所采集到的录像进行批量处理，在处理过程中，当检测到某一帧图像中与人体头部位置对应的安全帽类别为未佩戴安全帽类别，即发现该施工现场有人未佩戴安全帽，则向与人体头部位置信息对应的地址发送报警信号，如发送至该施工现场的管理中心、发送至该施工现场的管理员或以广播的形式在该施工现场对所有工人发起提醒，引起工人注意及互相监督。

本发明实施例提供的施工现场的安全帽佩戴检测方法，通过根据施工现场图像样本以及包括人体头部位置标注和安全帽类别标注的标注信息训练安全帽佩戴检测模型，得到待检测图像中的人体头部位置信息以及与人体头部位置信息对应的安全帽类别信息并输出，无需经历从背景中分割出工人全身图像、从工人全身图像上分割出头部图像等过程，更关注人体头部特征和安全帽类别特征进行学习，整个过程是端到端数据驱动的，因此该安全帽佩戴检测模型能够适应背景不同的多种施工场合，无需针对各施工场合分别训练模型参数，减小了传统模型泛化能力差的问题，具有较强的鲁棒性，提高了施工现场安全帽检测的准确性与易行性，从而能够及时发现未佩戴安全帽的工人、保障工人安全。

图2为本发明实施例提供的一种图1中步骤S101的具体实施方式的流程图；图3为本发明实施例提供的安全帽佩戴检测模型的框架示意图；图4为本发明实施例提供的一种图2中步骤S202的具体实施方式的流程图。

在上述实施例的基础上，在另一实施例中，为进一步提高检测能力，安全帽佩戴检测模型可以采用基于单次多框检测器(SSD)算法的深度学习模型，该模型相较传统的图像处理算法和规则来说能够更好的识别人体与物体，鲁棒性更强，更能适应施工现场的复杂环境，满足检测需求。

如图2所示，步骤S101具体可以包括：

S201：获取标注人体头部位置和安全帽类别的施工现场图像样本。

在具体实施中，步骤S201可以包括图像下载、图像筛选、图像标注和数据集划分几步。

图像下载：可以应用网络爬虫技术从搜索引擎检索并下载施工场景图像，这些图像应包含佩戴安全帽或无佩戴安全帽人员，检索关键词可以是“施工场景”、“建筑工地”、“工人”、“工人施工”等。

图像筛选：为减少干扰，对下载的图像进行筛选，可以筛选去除如下图像：去除背景单一、非施工场景、应用于广告宣传的图像；分辨率低于300×300像素的图像；人员尺度过大(占图像50％以上)或过小(占图像0.0001％以下)的图像。为提高安全帽佩戴检测模型的泛化能力，还可以选择一些带有小尺寸人员(头部区域≤30×30像素)、带遮挡人员与拥挤场景的图像。

图像标注：对筛选过后剩余的图像进行人体头部位置和安全帽类别的标注，标注区域为人员的头部区域，即包含整个带有安全帽或无安全帽的区域。标注的信息可以为该区域的左上角和右下角坐标，分别用(xmin,ymin)、(xmax,ymax)表示，同时标注该区域是否佩戴安全帽；在训练具有安全帽颜色识别功能的安全帽佩戴检测模型时，还应同时在人体头部区域标注颜色类别(如蓝色、红色、黄色、白色等)。将标注信息保存为xml文件，保存上述信息。

数据集划分：在步骤S202进行模型训练之前，将施工现场图像样本划分为训练集和测试集，其中，训练集用于训练并更新SSD检测模型中的权值，测试集用于测试SSD检测模型的泛化能力。

S202：将施工现场图像样本输入SSD检测网络，训练SSD检测模型检测人体头部位置的能力以及识别人体头部位置处的安全帽类别的能力。

S203：以训练好的SSD检测网络为安全帽佩戴检测模型。

在具体实施中，利用训练集训练并更新SSD检测模型中的权值；利用测试集测试SSD检测模型的泛化能力。

为了有效应对不同场景下的人体头部识别与安全帽检测，本发明实施例基于卷积神经网络提出使用步骤S201中构建的数据集用于训练检测网络，其基本思想是使用高分辨率的特征图检测小目标而使用低分辨率的特征图检测大目标，具体可以用以下公式表示：

θ_l＝F_l(θ_l-1)＝F_l(F_l-1(…F₁(X))) (1)

Detections＝T(τ_l(θ_l),…,τ_l-n(θ_l-n)),l＞n＞0 (2)

其中，θ_l是在第l层的特征图，表示第l-1层特征图到第l层的非线性映射函数，它可以是卷积层、激活层和池化层的组合；另外，τ_l()表示将第l层特征图转换为的检测结果，其计算是以3×3的卷积核在第l层的每个像素进行的，输出结果为目标的左上角和右下角坐标以及该像素对应的区域属于各个类别的置信度分数(蓝色、红色、黄色、白色、未佩戴安全帽)；最后，T将n个结果进行整合，通过非极大值抑制得到最后的结果。

本发明实施例提供的一种安全帽佩戴检测模型的框架如图3所示。现有技术中的SSD网络对远景图像中的小尺度目标的检测效果较差，在检测网络中，由于重复的下采样操作(如池化和卷积)，高层的特征图分辨率变小从而包含更少的特征，与之相反，低层的特征图拥有更大的分辨率但包含较少的语义信息，现有的SSD网络无法在高层特征图中确定物体位置，同时无法在底层特征图中确定物体类型，这不利于准确检测安全帽的位置以及识别其颜色。为了提高网络的特征表达能力，更有效解决远景图像中人员的安全帽检测与识别问题，本发明实施例在SSD检测模型中加入反向注意力机制，以反向注意力机制完成特征整合，即让高层具有较强语义信息的特征通过注意力机制生成一个位置注意力特征图监督低层特征图学习更有利于小尺度安全帽检测与识别的特征，把高层特征图中的语义信息传递至低层特征图中，使得低层特征图既具有大分辨率的优势，又包含更多的语义信息，提高SSD网络对远景图像中的小尺度目标的检测能力。

基于图3所示的框架，如图4所示，步骤S202具体可以包括：

S401：将施工现场图像样本输入SSD检测网络；

S402：应用SSD检测网络提取施工现场图像样本中的特征，并应用注意力机制根据高层特征图的特征生成位置注意力特征图，以位置注意力特征图监督低层特征图的学习；

其中，特征包括人体头部特征和安全帽类别特征。

为进一步提高反向注意力机制的特征整合能力，在上述反向注意力机制的基础上，本发明实施例提出一种新的基于反向渐进注意力的特征自动整合方式，生成更有利于小目标检测的特征图，整个特征自动整合基本思想是在让高层具有较强语义信息的特征通过注意力机制生成一个位置注意力特征图监督低层特征图学习的基础上，以递归形式进行特征整合。即对于随着层数增加，特征图逐渐呈现分辨率降低、语义信息增多的特点，本发明实施例提出反向渐进注意力用于逐阶段将各层的语义信息进行整合，使低层特征图包含更多语义信息用于安全帽的检测与识别。

相应的，步骤S402中应用注意力机制根据高层特征图的特征生成位置注意力特征图，以位置注意力特征图监督低层特征图的学习，具体为：将SSD检测网络中高层网络的语义信息向低层网络逐层传递，使各层网络中的语义信息逐阶段整合至预设低层网络，以通过预设低层网络实现对安全帽的检测。

特征整合过程具体通过以下公式表示：

Φ_l＝D_l(θ_l，θ_l-1) (3)

Φ_l-1＝D_l-1(θ_l-1，θ_l-2) (4)

……

Φ_l-n＝D_l-n(θ_l-n，θ_l-(n+1)) (5)

Detections＝T(τ_l(θ_l)，…，τ_l-n(Φ_l-n))，l＞n＞0 (6)

其中，D_l表示本发明实施例提出的反向渐进注意力模块(RPA)用于将第l层特征进行反向传递生成一个与θ_l相同维度的特征图Φ_l。

在此基础上，给定在第l-1层的特征Φ_l∈R^C/2×H×W，该层的位置注意力特征图α_l-1可以用下述公式计算：

Ψ_l-1＝W_s*UP(θ_l-1)₂+b_s (7)

α_l-1＝Sigmoid(W_m*Ψ_l-1+b_m) (8)

其中，*为卷积运算，W_s∈R^C/2×3×3和W_m∈R^1×k×k表示卷积核权值，b_s∈R^C/2和b_m∈R¹为偏置项，UP(θ_l-1)₂为对θ_l-1进行2倍上采样操作。

经过以上操作可以生成特征图Φ_l-1的位置注意力权值α_l-1∈[0，1]^1×2H×2W监督θ_l有选择性地生成更有利于安全帽检测与识别的特征，具体通过以下公式计算：

其中，ο表示哈达玛积。

在上述特征整合过程中，用于生成检测与识别结果的Φ_l是逐阶段生成的。同时，位置注意力特征图α_l-1以非监督的方式学习，并不需要额外的分割标注信息(即并不需要逐像素学习，大大缩减了学习时间)。

应用本发明实施例提供的基于反向渐进注意力的特征自动整合方式的SSD检测网络训练得到的安全帽佩戴检测模型，相比于传统的图像识别处理算法以及SSD网络，具有更好的检测能力，能够适应不同类型的施工现场，且对远景图像的小目标安全帽具有较强的识别能力。

上文详述了施工现场的安全帽佩戴检测方法对应的各个实施例，在此基础上，本发明还公开了与上述方法对应的施工现场的安全帽佩戴检测装置。

图5为本发明实施例提供的一种施工现场的安全帽佩戴检测装置的结构示意图。

如图5所示，本发明实施例提供的施工现场的安全帽佩戴检测装置，包括：

建模单元501，用于根据施工现场图像样本以及与施工现场图像样本对应的标注信息训练安全帽佩戴检测模型；

检测单元502，用于将待检测图像输入安全帽佩戴检测模型，得到待检测图像中的人体头部位置信息以及与人体头部位置信息对应的安全帽类别信息；

输出单元503，用于输出人体头部位置信息和安全帽类别信息；

由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

如图6所示，本发明实施例提供的施工现场的安全帽佩戴检测设备包括：

存储器601，用于存储指令，所述指令包括上述任意一项实施例所述施工现场的安全帽佩戴检测方法的步骤；

处理器602，用于执行所述指令。

本实施例提供的施工现场的安全帽佩戴检测设备，由于可以通过处理器调用存储器存储的计算机程序，实现如上述任一实施例提供的施工现场的安全帽佩戴检测方法的步骤，所以本分析装置具有同上述施工现场的安全帽佩戴检测方法同样的实际效果。

为了更好地理解本方案，本发明实施例还提供一种存储介质，该存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上任一实施例提到的施工现场的安全帽佩戴检测方法的步骤。

本实施例提供的存储介质，由于可以通过处理器调用存储介质存储的计算机程序，实现如上述任一实施例提供的施工现场的安全帽佩戴检测方法的步骤，所以本存储介质具有同上述施工现场的安全帽佩戴检测方法同样的实际效果。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置、设备及存储介质，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，功能调用装置，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上对本发明所提供的一种施工现场的安全帽佩戴检测方法、装置、设备及存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims

1.一种施工现场的安全帽佩戴检测方法，其特征在于，包括：

输出所述人体头部位置信息和所述安全帽类别信息；

2.根据权利要求1所述的安全帽佩戴检测方法，其特征在于，所述根据施工现场图像样本以及与所述施工现场图像样本对应的标注信息训练安全帽佩戴检测模型，具体包括：

获取所述施工现场图像样本和所述标注信息；

以训练好的SSD检测网络为所述安全帽佩戴检测模型。

3.根据权利要求2所述的安全帽佩戴检测方法，其特征在于，在所述将所述施工现场图像样本和所述标注信息输入SSD检测网络，训练所述SSD检测模型检测人体头部位置的能力以及识别所述人体头部位置处的安全帽类别的能力之前，还包括：

将所述施工现场图像样本划分为训练集和测试集；

利用所述训练集训练并更新所述SSD检测模型中的权值；

利用所述测试集测试所述SSD检测模型的泛化能力。

4.根据权利要求2所述的安全帽佩戴检测方法，其特征在于，所述将所述施工现场图像样本输入SSD检测网络，训练所述SSD检测模型检测人体头部位置的能力以及识别所述人体头部位置处的安全帽类别的能力，具体包括：

将所述施工现场图像样本输入所述SSD检测网络；

其中，所述特征包括人体头部特征和安全帽类别特征。

5.根据权利要求4所述的安全帽佩戴检测方法，其特征在于，所述应用注意力机制根据高层特征图的特征生成位置注意力特征图，以所述位置注意力特征图监督低层特征图的学习，具体为：

6.根据权利要求1所述的安全帽佩戴检测方法，其特征在于，还包括：

7.根据权利要求1所述的安全帽佩戴检测方法，其特征在于，所述佩戴安全帽类别具体为佩戴蓝色安全帽、佩戴红色安全帽、佩戴黄色安全帽和佩戴白色安全帽中的任意一种。

8.一种施工现场的安全帽佩戴检测装置，其特征在于，包括：

9.一种施工现场的安全帽佩戴检测设备，其特征在于，包括：

存储器，用于存储指令，所述指令包括权利要求1至7任意一项所述施工现场的安全帽佩戴检测方法的步骤；

处理器，用于执行所述指令。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述施工现场的安全帽佩戴检测方法的步骤。