CN110472586B - 一种基于迁移学习的安全帽检测的方法 - Google Patents
一种基于迁移学习的安全帽检测的方法 Download PDFInfo
- Publication number
- CN110472586B CN110472586B CN201910761077.3A CN201910761077A CN110472586B CN 110472586 B CN110472586 B CN 110472586B CN 201910761077 A CN201910761077 A CN 201910761077A CN 110472586 B CN110472586 B CN 110472586B
- Authority
- CN
- China
- Prior art keywords
- data set
- faster
- cnn network
- head
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于迁移学习的安全帽检测的方法,一种基于迁移学习的安全帽检测的方法,其特征在于,将Faster R‑CNN网络中除了分类头部分支外的其他层的参数固定,并制作安全帽数据集以及人体头部数据集,利用这两个数据集不断训练部分固定的Faster R‑CNN网络,直至分类损失最小,得到最后的Faster R‑CNN网络。本发明只需要安全帽的图片,即可满足数据集的需求,完成训练。
Description
技术领域
本发明涉及安全生产技术领域,特别是一种基于迁移学习的安全帽检测的方法。
背景技术
安全帽虽然小,但它的作用却不容忽视。安全帽是工人个人重要的安全防护用品。在现场作业中,安全帽可以承受和分散落物的冲击力,并保护或减轻由于高处坠落或头部先着地面的撞击伤害,关键时刻可以挽救一个人的生命。因此,每一个进出施工场地的人员,都必须佩戴安全帽。然而,却常有未佩戴安全帽而导致的严重安全事故。对施工环境下的人员是否佩戴安全帽进行实时监测,势在必行且不可或缺。
现已存在的安全帽检测方法是基于Faster R-CNN而实现的。此方法在实现上具有一定的缺点:其数据集的制作难度较大--自然环境(施工环境)下,包含人且人的头上佩戴着安全帽的图片。这类的图片网络爬取难度大,在经过大量的人工筛选工作后,又只有数量较少的符合要求的样本;人工录制视频以获取图片样本的话,则会添加大量的额外工作量。
发明内容
有鉴于此,本发明的目的是提出一种基于迁移学习的安全帽检测的方法,对数据集的要求小,只需要安全帽的图片,即可满足数据集的需求,完成训练。
本发明采用以下方案实现:一种基于迁移学习的安全帽检测的方法,将Faster R-CNN网络中除了分类头部分支外的其他层的参数固定,并制作安全帽数据集以及人体头部数据集,利用这两个数据集不断训练部分固定的Faster R-CNN网络,直至分类损失最小,得到最后的Faster R-CNN网络。
具体包括以下步骤:
步骤S1:采用SCUT-HEAD数据集,将通过COCO数据集预训练的Faster R-CNN网络进行微调操作,使得该Faster R-CNN网络具备在自然环境下检测人的头部的能力;
步骤S2:将微调后的Faster R-CNN网络中除了分类头部分支外的其他层的参数固定,得到部分固定的Faster R-CNN网络;
步骤S3:网络爬取安全帽图片,并制作安全帽数据集;
步骤S4:提取SCUT-HEAD数据集中只包含人头部的图片,以制作人头部数据集;
步骤S5:随机从安全帽数据集和人头部数据集中各抽取N张图片,将这些图片组成一个图片批次,将该图片批次输入步骤S2得到的Faster R-CNN网络中的固定的特征提取网络中,得到特征图,将得到的特征图的第二维度和第三维度的图划分为相同大小的(n*n)个区域,并对每个区域做最大池化操作,得到处理后的特征图;
步骤S6:将处理后的特征图输入步骤S2得到的Faster R-CNN网络中的固定的全连接层,后经过分类头部分支、Softmax计算,得到分类输出,并计算分类损失值;
步骤S7:循环步骤S5至步骤S6,直至分类损失最小时完成训练,得到最优的分类头部分支;
步骤S8:将训练好的Faster R-CNN网络用来检测自然环境下的人戴在头上的安全帽。
进一步地,步骤S1中,所述将对该头部数据集进行预训练的Faster R-CNN网络进行微调操作具体为:在训练过程中,将Faster R-CNN网络的参数中的锚的长宽比率设为1。
进一步地,步骤S5中,所述图片批次的形状为(2N,*,*,3),所述特征图的形状为(2N,*,*,2N),处理后的特征图形状为(2N,n,n,2N)。
进一步地,步骤S6中,所述计算分类损失值具体为:根据分类输出的结果与groundtruth来计算分类损失值。
本发明还提供了一种基于上文所述的基于迁移学习的安全帽检测的方法的系统,包括存储器、处理器,所述存储器中存储有计算机程序,该计算机程序在运行时使得处理器执行上文所述的基于迁移学习的安全帽检测的方法。
与现有技术相比,本发明有以下有益效果:本发明的方法对数据集的制作要求小,只需要安全帽的图片,即可满足数据集的需求,完成训练。该类图片易于获取,且品类多、数量大、数据集制作容易,大大提高易实现性。
附图说明
图1为本发明实施例的SCUT-HEAD数据集示例图。
图2为本发明实施例的Faster R-CNN网络原理图。
图3为本发明实施例的安全帽图片示意图。
图4为本发明实施例的只包含人头部的图片。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供了一种基于迁移学习的安全帽检测的方法,将Faster R-CNN网络中除了分类头部分支外的其他层的参数固定,并制作安全帽数据集以及人体头部数据集,利用这两个数据集不断训练部分固定的Faster R-CNN网络,直至分类损失最小,得到最后的Faster R-CNN网络。
具体包括以下步骤:
步骤S1:采用SCUT-HEAD数据集(数据集力图如图1所示),将通过COCO数据集预训练的Faster R-CNN网络进行微调操作,使得该Faster R-CNN网络具备在自然环境下检测人的头部的能力;其中,经过coco数据集训练过的模型已经具有较好的特征提取能力,拿来微调可以较容易收敛;
步骤S2:将微调后的Faster R-CNN网络中除了分类头部分支(如图2所示,除了图2中的灰度部分,其余层均固定)外的其他层的参数固定,得到部分固定的Faster R-CNN网络;在后续的训练中,对固定的部分不再进行训练优化更新参数值;
步骤S3:网络爬取安全帽图片,如图3所示,并制作安全帽数据集;
步骤S4:提取SCUT-HEAD数据集中只包含人头部的图片,以制作人头部数据集;
步骤S5:随机从安全帽数据集和人头部数据集中各抽取128张图片,将这些图片组成一个图片批次,将该图片批次输入步骤S2得到的Faster R-CNN网络中的固定的特征提取网络中,得到特征图,将得到的特征图的第二维度和第三维度的图划分为相同大小的(7*7)个区域,并对每个区域做最大池化操作,得到处理后的特征图;
步骤S6:将处理后的特征图输入步骤S2得到的Faster R-CNN网络中的固定的全连接层(图2中的点A),后经过分类头部分支、Softmax计算,得到分类输出,并计算分类损失值;
步骤S7:循环步骤S5至步骤S6,直至分类损失最小时完成训练,得到最优的分类头部分支;
步骤S8:将训练好的Faster R-CNN网络用来检测自然环境下的人戴在头上的安全帽。
在本实施例中,所述将对该头部数据集进行预训练的Faster R-CNN网络进行微调操作具体为:在训练过程中,将Faster R-CNN网络的参数中的锚的长宽比率(anchorratio)设为1。
在本实施中,步骤S4具体为,使用SCUT-HEAD数据集,利用其标注的人头部的包围盒信息,从该数据集中提取只包含人头部的图片(如图4),以制作人头部数据集。
在本实施例中,步骤S5所述图片批次的形状为(256,*,*,3),所述特征图的形状为(256,*,*,256),处理后的特征图形状为(256,7,7,256)。其中,*表示任意待定数值。
在本实施例中,步骤S6中,所述计算分类损失值具体为:根据分类输出的结果与ground truth来计算分类损失值。
在本实施例中,步骤S8具体为,将Faster R-CNN网络中的各部分(特征提取网络、RPN、全连接层、头部分支部分等)连接组合起来,得到一个具有可在自然环境下检测被人戴在头上的安全帽的功能的Faster R-CNN模型。
本实施例还提供了一种基于上文所述的基于迁移学习的安全帽检测的方法的系统,包括存储器、处理器,所述存储器中存储有计算机程序,该计算机程序在运行时使得处理器执行上文所述的基于迁移学习的安全帽检测的方法。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (5)
1.一种基于迁移学习的安全帽检测的方法,其特征在于,将Faster R-CNN网络中除了分类头部分支外的其他层的参数固定,并制作安全帽数据集以及人体头部数据集,利用这两个数据集不断训练部分固定的Faster R-CNN网络,直至分类损失最小,得到最后的Faster R-CNN网络;
包括以下步骤:
步骤S1:采用SCUT-HEAD数据集,将通过COCO数据集预训练的Faster R-CNN网络进行微调操作,使得该Faster R-CNN网络具备在自然环境下检测人的头部的能力;
步骤S2:将微调后的Faster R-CNN网络中除了分类头部分支外的其他层的参数固定,得到部分固定的Faster R-CNN网络;
步骤S3:网络爬取安全帽图片,并制作安全帽数据集;
步骤S4:提取SCUT-HEAD数据集中只包含人头部的图片,以制作人头部数据集;
步骤S5:随机从安全帽数据集和人头部数据集中各抽取N张图片,将这些图片组成一个图片批次,将该图片批次输入步骤S2得到的Faster R-CNN网络中的固定的特征提取网络中,得到特征图,将得到的特征图的第二维度和第三维度的图划分为相同大小的(n*n)个区域,并对每个区域做最大池化操作,得到处理后的特征图;
步骤S6:将处理后的特征图输入步骤S2得到的Faster R-CNN网络中的固定的全连接层,后经过分类头部分支、Softmax计算,得到分类输出,并计算分类损失值;
步骤S7:循环步骤S5至步骤S6,直至分类损失最小时完成训练,得到最优的分类头部分支;
步骤S8:将训练好的Faster R-CNN网络用来检测自然环境下的人戴在头上的安全帽。
2.根据权利要求1所述的一种基于迁移学习的安全帽检测的方法,其特征在于,步骤S1中,所述将对该头部数据集进行预训练的Faster R-CNN网络进行微调操作具体为:在训练过程中,将Faster R-CNN网络的参数中的锚的长宽比率设为1。
3.根据权利要求1所述的一种基于迁移学习的安全帽检测的方法,其特征在于,步骤S5中,所述图片批次的形状为(2N,*,*,3),所述特征图的形状为(2N,*,*,2N),处理后的特征图形状为(2N,n,n,2N)。
4.根据权利要求1所述的一种基于迁移学习的安全帽检测的方法,其特征在于,步骤S6中,所述计算分类损失值具体为:根据分类输出的结果与ground truth来计算分类损失值。
5.一种基于权利要求1-4任一项所述的基于迁移学习的安全帽检测的方法的系统,其特征在于,包括存储器、处理器,所述存储器中存储有计算机程序,该计算机程序在运行时使得处理器执行权利要求1-4任一项所述的基于迁移学习的安全帽检测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910761077.3A CN110472586B (zh) | 2019-08-17 | 2019-08-17 | 一种基于迁移学习的安全帽检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910761077.3A CN110472586B (zh) | 2019-08-17 | 2019-08-17 | 一种基于迁移学习的安全帽检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472586A CN110472586A (zh) | 2019-11-19 |
CN110472586B true CN110472586B (zh) | 2022-10-14 |
Family
ID=68511941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910761077.3A Active CN110472586B (zh) | 2019-08-17 | 2019-08-17 | 一种基于迁移学习的安全帽检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472586B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310592B (zh) * | 2020-01-20 | 2023-06-16 | 杭州视在科技有限公司 | 一种基于场景分析和深度学习的检测方法 |
CN113159049A (zh) * | 2021-04-23 | 2021-07-23 | 上海芯翌智能科技有限公司 | 弱监督语义分割模型的训练方法及装置、存储介质、终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018107760A1 (zh) * | 2016-12-16 | 2018-06-21 | 北京大学深圳研究生院 | 一种用于行人检测的协同式深度网络模型方法 |
CN108288033A (zh) * | 2018-01-05 | 2018-07-17 | 电子科技大学 | 一种基于随机蕨融合多特征的安全帽检测方法 |
CN108921159A (zh) * | 2018-07-26 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于检测安全帽的佩戴情况的方法和装置 |
-
2019
- 2019-08-17 CN CN201910761077.3A patent/CN110472586B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018107760A1 (zh) * | 2016-12-16 | 2018-06-21 | 北京大学深圳研究生院 | 一种用于行人检测的协同式深度网络模型方法 |
CN108288033A (zh) * | 2018-01-05 | 2018-07-17 | 电子科技大学 | 一种基于随机蕨融合多特征的安全帽检测方法 |
CN108921159A (zh) * | 2018-07-26 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于检测安全帽的佩戴情况的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110472586A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472586B (zh) | 一种基于迁移学习的安全帽检测的方法 | |
CN110222628A (zh) | 一种基于生成式对抗网络的人脸修复方法 | |
CN110287804A (zh) | 一种基于移动视频监控的电力作业人员着装识别方法 | |
CN109886167A (zh) | 一种遮挡人脸识别方法及装置 | |
CN103324655B (zh) | 图像检索系统、图像检索装置以及图像检索方法 | |
CN107463892A (zh) | 一种结合上下文信息和多级特征的图像中行人检测方法 | |
CN109472284A (zh) | 一种基于无偏嵌入零样本学习的电芯缺陷分类方法 | |
CN108898085A (zh) | 一种基于手机视频的道路病害智能检测方法 | |
CN110633624B (zh) | 一种基于多特征融合的机器视觉人体异常行为识别方法 | |
CN108256431A (zh) | 一种手部位置标识方法及装置 | |
CN109685724A (zh) | 一种基于深度学习的对称感知人脸图像补全方法 | |
CN110110755A (zh) | 基于ptgan区域差距与多重分支的行人重识别检测算法及装置 | |
CN111462230A (zh) | 一种基于深度强化学习的台风中心定位方法 | |
CN104036243A (zh) | 一种基于光流信息的行为识别方法 | |
CN111091110A (zh) | 一种基于人工智能的反光背心穿戴识别方法 | |
CN108985200A (zh) | 一种基于终端设备的非配合式的活体检测算法 | |
CN107665348A (zh) | 一种变电站数字仪表的数字识别方法和装置 | |
CN115294533B (zh) | 基于数据处理的建筑施工状态监测方法 | |
CN108229252A (zh) | 一种瞳孔定位方法及系统 | |
CN106971142B (zh) | 一种图像处理方法及装置 | |
CN115546614A (zh) | 一种基于改进yolov5模型的安全帽佩戴检测方法 | |
CN111259845A (zh) | 一种混凝土结构表面裂缝识别方法 | |
CN111814571A (zh) | 一种基于背景过滤的口罩人脸识别方法及系统 | |
CN116630668A (zh) | 一种快速轻量级的安全帽佩戴异常识别方法 | |
CN117726991B (zh) | 一种高空吊篮安全带检测方法及终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |