CN110688893A - 佩戴安全帽的检测方法、模型训练方法及相关装置 - Google Patents

佩戴安全帽的检测方法、模型训练方法及相关装置 Download PDF

Info

Publication number
CN110688893A
CN110688893A CN201910778373.4A CN201910778373A CN110688893A CN 110688893 A CN110688893 A CN 110688893A CN 201910778373 A CN201910778373 A CN 201910778373A CN 110688893 A CN110688893 A CN 110688893A
Authority
CN
China
Prior art keywords
training sample
sample set
training
image
network
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.)
Pending
Application number
CN201910778373.4A
Other languages
English (en)
Inventor
陈志超
毛河
赵攀
高枫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Tongjia Youbo Technology Co Ltd
Original Assignee
Chengdu Tongjia Youbo Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Tongjia Youbo Technology Co Ltd filed Critical Chengdu Tongjia Youbo Technology Co Ltd
Priority to CN201910778373.4A priority Critical patent/CN110688893A/zh
Publication of CN110688893A publication Critical patent/CN110688893A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出一种佩戴安全帽的检测方法、模型训练方法及相关装置，涉及机器学习技术领域，利用获得的第一训练样本集对应的第一图像参数和第二训练样本集对应的第二图像参数，分别对第一训练样本集和第二图像样本集进行图像增强更新，然后分别利用更新后的第一训练样本集和第二训练样本集分别对安全帽检测网络中的目标检测网络和二分类网络进行训练，直至目标检测网络及二分类网络满足设定的收敛条件，相比于现有技术，通过目标检测网络与二分类网络相配合的方式，使目标检测网络在有效的提取检测对象的特征后，利用二分类网络根据提取的特征判断检测对象是否正确佩戴安全帽，从而提升对检测对象是否有正确佩戴安全帽的检测精度。

Description

佩戴安全帽的检测方法、模型训练方法及相关装置
技术领域
本申请涉及机器学习技术领域，具体而言，涉及一种佩戴安全帽的检测方法、模型训练方法及相关装置。
背景技术
为了保证人员的安全，一般会要求进入施工现场的人员佩戴安全帽；但由于是否佩戴安全帽、以及是否正确佩戴安全帽，涉及的人为因素较大，若进入施工现场的人员未正确佩戴安全帽，则可能会存在安全隐患，发生安全事故。
为此，目前的一些解决方案利用机器学习技术，通过对施工现场的监控画面进行检测，以识别进入施工现场的检测对象是否有佩戴安全帽，从而使管理人员能够对未佩戴安全帽的人员进行维护操作。
但由于对图片特征进行识别的精度较低，导致对进入施工现场的检测对象是否有正确佩戴安全帽的检测精度较低。
发明内容
本申请的目的在于提供一种佩戴安全帽的检测方法、模型训练方法及相关装置，以提升对检测对象是否有正确佩戴安全帽的检测精度。
为了实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供一种安全帽检测模型训练方法，所述安全帽检测模型包括目标检测网络和二分类网络，所述方法包括：
获得第一训练样本集和第二训练样本集，其中，所述第一训练样本集包括标注有头肩特征标签的多个训练样本，所述第二训练样本集包括标注有是否正确佩戴安全帽的特征标签的多个训练样本；
分别获得所述第一训练样本集对应的第一图像参数，以及所述第二训练样本集对应的第二图像参数；
利用所述第一图像参数和所述第二图像参数分别对所述第一训练样本集和所述第二训练样本集进行更新，以增强所述第一训练样本集及所述第二训练样本集各自包含的多个训练样本的图像参数；
利用更新后的第一训练样本集和更新后的第二训练样本集，分别对所述目标检测网络及所述二分类网络进行训练，直至所述目标检测网络及所述二分类网络满足设定的收敛条件。
第二方面，本申请实施例提供一种佩戴安全帽的检测方法，应用于电子设备，所述电子设备中预设有利用本申请实施例第一方面所述的安全帽检测模型训练方法训练完成的安全帽检测模型；所述方法包括：
利用所述第一图像参数对接收的待检测图像进行更新；
将更新后的待检测图像输入至所述目标检测网络并进行处理，获得所述待检测图像对应的头肩标注结果；
基于所述头肩标注结果，获得所述待检测图像对应的感兴趣区域；
利用所述第二图像参数对所述感兴趣区域进行更新；
将更新后的感兴趣区域输入至所述二分类网络并进行处理，获得所述待检测图像对应的检测结果。
第三方面，本申请实施例提供一种安全帽检测模型训练装置，所述安全帽检测模型包括目标检测网络和二分类网络，所述装置包括：
预处理模块，用于获得第一训练样本集和第二训练样本集，其中，所述第一训练样本集包括标注有头肩特征标签的多个训练样本，所述第二训练样本集包括标注有是否正确佩戴安全帽的特征标签的多个训练样本；
所述预处理模块还用于，分别获得所述第一训练样本集对应的第一图像参数，以及所述第二训练样本集对应的第二图像参数；
所述预处理模块还用于，利用所述第一图像参数和所述第二图像参数分别对所述第一训练样本集和所述第二训练样本集进行更新，以增强所述第一训练样本集及所述第二训练样本集各自包含的多个训练样本的图像参数；
训练模块，利用更新后的第一训练样本集和更新后的第二训练样本集，分别对所述目标检测网络及所述二分类网络进行训练，直至所述目标检测网络及所述二分类网络满足设定的收敛条件。
第四方面，本申请实施例提供一种佩戴安全帽的检测装置，应用于电子设备，所述电子设备中预设有利用本申请实施例第一方面所述的安全帽检测模型训练方法训练完成的安全帽检测模型；所述装置包括：
第一处理模块，用于利用所述第一图像参数对接收的待检测图像进行更新；
所述第一处理模块还用于，将更新后的待检测图像输入至所述目标检测网络并进行处理，获得所述待检测图像对应的头肩标注结果；
第二处理模块，用于基于所述头肩标注结果，获得所述待检测图像对应的感兴趣区域；
所述第二处理模块还用于，利用所述第二图像参数对所述感兴趣区域进行更新；
所述第二处理模块还用于，将更新后的感兴趣区域输入至所述二分类网络并进行处理，获得所述待检测图像对应的检测结果。
第五方面，本申请实施例提供一种电子设备，所述电子设备包括存储器，用于存储一个或多个程序；处理器。当所述一个或多个程序被所述处理器执行时，实现上述的安全帽检测模型训练方法或佩戴安全帽的检测方法。
第六方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的安全帽检测模型训练方法或佩戴安全帽的检测方法。
本申请实施例提供的一种佩戴安全帽的检测方法、模型训练方法及相关装置，通过分别获得第一训练样本集对应的第一图像参数和第二训练样本集对应的第二图像参数，进而利用第一图像参数和第二图像参数分别对第一训练样本集和第二训练样本集进行更新，以增强第一训练样本集和第二图像样本集各自包含的多个训练样本的图像参数，然后分别利用更新后的第一训练样本集和第二训练样本集分别对安全帽检测网络中的目标检测网络和二分类网络进行训练，直至目标检测网络及二分类网络满足设定的收敛条件，相比于现有技术，通过目标检测网络与二分类网络相配合的方式，使目标检测网络在有效的提取检测对象的特征后，利用二分类网络根据提取的特征判断检测对象是否正确佩戴安全帽，从而提升对检测对象是否有正确佩戴安全帽的检测精度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。
图1为本申请实施例提供的电子设备的一种示意性结构框图；
图2为本申请实施例提供的安全帽检测模型训练方法的一种示意性流程图；
图3为图2中S205的子步骤的一种示意性流程图；
图4为图2中S205的子步骤的另一种示意性流程图；
图5为图2中S207的子步骤的一种示意性流程图；
图6为图2中S207的子步骤的另一种示意性流程图；
图7为本申请实施例提供的检测方法的一种示意性流程图；
图8为本申请实施例提供的对佩戴安全帽进行检测的一种示意性应用场景图；
图9为本申请实施例提供的安全帽检测模型训练装置的一种示意性结构图；
图10为本申请实施例提供的检测装置的一种示意性结构图。
图中：100-电子设备；101-存储器；102-处理器；103-通信接口；400-安全帽检测模型训练装置；401-预处理模块；402-训练模块；500-检测装置；501-第一处理模块；502-第二处理模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，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。
目前针对进入施工现场的人员是否有佩戴安全帽的检测方案有多种，比如利用训练完成的SSD(Single Shot MultiBox Detector，单镜多检测器)检测网络对视频监控画面进行检测，以判断视频监控画面拍摄到的进入施工现场的检测对象是否有佩戴安全帽。
但上述检测方案仅能够初步的判断检测对象是否有佩戴安全帽，对检测对象是否有正确佩戴安全帽的判断精度却不高。例如，假定某施工人员将安全帽携带在背上，而并未正确佩戴在头上，按照SSD检测网络的方案，SSD关心的是进入监控画面的检测对象是否佩戴有安全帽，即使施工人员将安全帽携带在背上，SSD检测网络仍然会判定该施工人员是佩戴有安全帽的，因为目前的检测方案关心的是检测对象与安全帽是否同时出现在同一画面；但实际上该施工人员并没有正确的佩戴安全帽，这与SSD检测网络的检测结论是相悖的，即目前的安全帽检测方案对进入施工现场的检测对象是否有正确佩戴安全帽的检测精度较低。
发明人在实际的工作中对上述安全帽检测方案进行实际分析后发现，上述检测方案对进入施工现场的检测对象是否有正确佩戴安全帽的检测精度较低的原因在于，安全帽在视频监控画面中属于较小尺寸的目标，而例如SSD检测网络等对小尺寸目标的检测精度较低，因为小尺寸目标在图像中的特征信息较少，导致无法利用深层的卷积网络提取图像的特征信息，而只能用浅层的卷积网络提取图像的特征信息，使得无法获取图像更高级的语义特征，从而导致目前的检测方案针对进入施工现场的检测对象是否有正确佩戴安全帽的检测精度较低。
为此，基于上述缺陷，本申请实施例提供的一种可能的实现方式为：分别利用获得的第一训练样本集对应的第一图像参数、第二训练样本集对应的第二图像参数对第一训练样本集和第二训练样本集进行更新，以增强第一训练样本集和第二图像样本集各自包含的多个训练样本的图像参数，然后分别利用更新后的第一训练样本集和第二训练样本集分别对安全帽检测网络中的目标检测网络和二分类网络进行训练，直至目标检测网络及二分类网络满足设定的收敛条件，从而通过目标检测网络与二分类网络相配合的方式，使目标检测网络在有效的提取检测对象的特征后，利用二分类网络根据提取的特征判断检测对象是否正确佩戴安全帽，进而提升对检测对象是否有正确佩戴安全帽的检测精度。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1为本申请实施例提供的电子设备100的一种示意性结构框图。电子设备100可作为训练安全帽检测模型、以实现本申请实施例提供的安全帽检测模型训练方法的设备，也可以作为存储训练完成的安全帽检测模型、以实现本申请实施例提供的佩戴安全帽的检测方法的设备，比如个人电脑(personal computer，PC)、平板电脑、服务器等等。
其中，电子设备100包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
存储器101可用于存储软件程序及模块，如本申请实施例提供的安全帽检测模型训练装置400或者是检测装置500对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图1所示的结构仅为示意，电子设备100还可以包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
下面以图1中的电子设备100以执行主体为例，对本申请实施例提供的安全帽检测模型训练方法所述的步骤进行示例性说明。
请参阅图2，图2为本申请实施例提供的安全帽检测模型训练方法的一种示意性流程图，可以包括以下步骤：
S201，获得第一训练样本集和第二训练样本集；
S203，分别获得第一训练样本集对应的第一图像参数，以及第二训练样本集对应的第二图像参数；
S205，利用第一图像参数和第二图像参数分别对第一训练样本集和第二训练样本集进行更新，以增强第一训练样本集及第二训练样本集各自包含的多个训练样本的图像参数；
S207，利用更新后的第一训练样本集和更新后的第二训练样本集，分别对目标检测网络及二分类网络进行训练，直至目标检测网络及二分类网络满足设定的收敛条件。
在本申请实施例中，安全帽检测模型包括目标检测网络和二分类网络，目标检测网络用于图像进行处理，以提取图像中检测对象的特征，比如提取图像中检测对象的头肩特征等；二分类网络则用于对目标检测网络所提取的特征进行处理，判断检测对象是否有正确佩戴安全帽。
其中，作为一种可能的实现方式，目标检测网络可采用上述的SSD检测网络进行实现，采用SSD检测网络提取图像中检测对象的特征；当然，可以理解的是，上述以SSD检测网络作为目标检测网络仅为示意，目标检测网络还可以利用除SSD检测网络以外的以及网络结构实现，比如YOLO(You Only Look Once)、Faster RCNN等，本申请对目标检测网络的网络结构不进行限定，只要所采用的网络结构能提取图像中检测对象的特征即可，例如提取头肩特征，比如该目标检测网络还可以采用VGG模型(Visual Geometry Group Network)、Resnet Block、Inception等。
在本申请实施例中，可以利用网络爬虫(web crawler)以及结合实际的监控场景，获得大量的图像作为训练样本；其中，所获得的所有图像中，一般包括有正确佩戴安全帽和未正确佩戴安全帽两种类型，未正确佩戴安全帽包括未佩戴安全帽以及错误佩戴安全帽，比如拿在手里、携带在背上、挂在肩上等等；将获得的所有图像通过预处理的方式，比如添加头肩特征标签、添加是否正确佩戴安全帽的特征标签等等，然后将所有预处理的图像采用例如零值填充的方式将图像填充为设定的规则形状，比如正方形、或者是长方形等，之后将图像缩放至设定的大小(比如160×160)后进行存储；从而使执行S201时，将存储的图像进行分类，获得第一训练样本集和第二训练样本集，其中，第一训练样本集包括标注有头肩特征的多个训练样本，第二训练样本集包括标注有是否正确佩戴安全帽的特征标签的多个训练样本。
需要说明的是，上述仅为示意，可以采用对预先存储的图像进行分类的方式，实现上述S201，在本申请实施例其他一些可能的实现方式中，还可以采用例如接收用户输入的第一训练样本集和第二训练样本集的方式实现上述S201，本申请实施例对此不进行限制，只要获得的第一训练样本集包括标注有头肩特征标签的多个训练样本、第二训练样本集包括标注有是否正确佩戴安全帽的特征标签的多个训练样本即可。
接着，分别获得第一训练样本集对应的第一图像参数，以及第二训练样本集对应的第二图像参数，并利用所获得的第一图像参数和第二图像参数分别对第一训练样本集和第二训练样本集进行更新，以增强第一训练样本集和第二训练样本集各自包括的多个训练样本的图像参数。
其中，在执行S203时，获得第一图像参数的方式可以为：计算第一训练样本集包括的所有训练样本的RGB均值以及标准差；同理，获得第二图像参数的方式可以为：计算第二训练样本集包括的所有训练样本的RGB均值以及标准差；从而在执行S205时，以计算获得的第一训练样本集对应的RGB均值以及标准差对第一训练样本集进行更新，进而增强第一训练样本集包含的多个训练样本的图像参数，使得第一训练样本集包含的多个训练样本的特征更明显；同理，以计算获得的第二训练样本集对应的RGB均值以及标准差对第二训练样本集进行更新，进而增强第二训练样本集包含的多个训练样本的图像参数，使得第二训练样本集包含的多个训练样本的特征更明显。
其中，需要说明的是，上述仅作为示意，以RGB均值以及标准差作为第一图像参数及第二图像参数的取值维度，在本申请实施例其他一些可能的应用场景中，还可以采用除RGB均值以及标注差以外的其他维度作为第一图像参数及第二图像参数的取值维度，比如亮度均值、饱和度均值等等，本申请实施例对此不进行限定。
然后，利用更新后的第一训练样本集和更新后的第二训练样本集，分别对目标检测网络及二分类网络进行训练，直至目标检测网络及二分类网络满足设定的收敛条件，从而使目标检测网络及二分类网络能够分别利用更新后的第一训练样本集和更新后的第二训练样本集，能够学习到训练样本中的特征，进而在应用时，能够使目标检测网络更有效的提取检测对象的特征，且二分类网络能够对是否正确佩戴安全帽判断更精准，以提升对检测对象是否有正确佩戴安全帽的检测精度。
可见，基于上述设计，本申请实施例提供的一种安全帽检测模型训练方法，通过分别获得第一训练样本集对应的第一图像参数和第二训练样本集对应的第二图像参数，进而利用第一图像参数和第二图像参数分别对第一训练样本集和第二训练样本集进行更新，以增强第一训练样本集和第二图像样本集各自包含的多个训练样本的图像参数，然后分别利用更新后的第一训练样本集和第二训练样本集分别对安全帽检测网络中的目标检测网络和二分类网络进行训练，直至目标检测网络及二分类网络满足设定的收敛条件，相比于现有技术，通过目标检测网络与二分类网络相配合的方式，使目标检测网络在有效的提取检测对象的特征后，利用二分类网络根据提取的特征判断检测对象是否正确佩戴安全帽，从而提升对检测对象是否有正确佩戴安全帽的检测精度。
其中，值得说明的是，执行S207时，目标检测网络与二分类网络两者并没有必然的训练先后顺序，可以是先对目标检测网络进行训练，再对二分类网络进行训练，也可以是先对二分类网络进行训练，再对目标检测网络进行训练，这取决于具体的应用场景或用户设置而定，本申请实施例对此不进行限定；比如说，还可以是目标检测网络与二分类网络同时进行训练。
另外，上述的第一训练样本集和第二训练样本集可以为不同的训练样本集，也可以为相同的训练样本集；比如为相同的训练样本集时，则训练样本集中的每个训练样本均标注有头肩特征标签以及是否正确佩戴安全帽的特征标签。
并且，为实现上述S205中对第一训练样本集进行更新的过程，请参阅图3，图3为图2中S205的子步骤的一种示意性流程图，包括以下子步骤：
S205-1，对第一训练样本集进行图像增强；
S205-2，利用第一图像参数对图像增强后的第一训练样本集进行归一化处理，得到更新后的第一训练样本集。
在本申请实施例中，可以通过随机调整的方式，对第一训练样本集包含的多个训练样本的图像参数进行调整，比如亮度、饱和度、对比度以及色调等，用以对第一训练样本进行图像增强；然后利用上述的第一图像参数对图像增强后的第一训练样本集进行归一化处理，从而得到上述的更新后的第一训练样本集，从而使第一训练样本集包含的训练样本不仅特征更为明显，并且目标检测网络处理的数据量较小，能够更快的学习到样本特征。
比如在上述以第一训练样本集包括的所有训练样本的RGB均值以及标准差作为第一图像参数的示例中，假定第一训练样本集包括有100张训练样本，先通过随机调整的方式，对第一训练样本集包括的100张训练样本的亮度、饱和度、对比度以及色调进行随机调整，对第一训练样本集进行图像增强；假定图像增强后的第一训练样本集包括200张训练样本，然后利用前述计算得到的第一训练样本集对应的RGB均值以及标准差，将200张训练样本中每一张训练样本均采用减去RGB均值、并处于标准差的方式进行归一化操作，进而得到更新后的第一训练样本集。
同理，为实现上述S205中对第二训练样本集进行更新的过程，请参阅图4，图4为图2中S205的子步骤的另一种示意性流程图，包括以下子步骤：
S205-6，对第二训练样本集进行图像增强；
S205-7，利用第二图像参数对图像增强后的第二训练样本集进行归一化处理，得到更新后的第二训练样本集。
在本申请实施例中，可以采用与第一训练样本集相同的更新方式，先通过例如随机调整的方式，对第二训练样本进行图像增强；然后利用上述的第二图像参数对图像增强后的第二训练样本集进行归一化处理，从而得到上述的更新后的第二训练样本集，从而使第二训练样本集包含的训练样本不仅特征更为明显，并且二分类网络处理的数据量较小，能够更快的学习到样本特征。
另外，为实现上述S207中对目标检测网络进行训练的过程，请参阅图5，图5为图2中S207的子步骤的一种示意性流程图，以更新后的第一训练样本集包含的所有训练样本中的任意一个作为第一目标训练样本为例，S207可以包括以下子步骤：
S207-1，将更新后的第一训练样本集中的第一目标训练样本输入目标检测网络并进行处理，得到第一目标训练样本对应预测头肩特征标签；
S207-2，根据第一目标训练样本对应的头肩特征标签及预测头肩特征标签计算得到的损失函数，更新目标检测网络的模型参数。
在本申请实施例中，目标检测网络将第一目标训练样本作为输入，并对第一目标训练样本进行处理后，得到该第一目标训练样本对应的预测头肩特征标签，该预测头肩特征标签表征的是目标检测网络对第一目标训练样本预测的头肩标注结果；根据第一目标训练样本对应的头肩特征标签，以及目标检测网络得到的第一目标训练样本对应的预测头肩特征标签，计算损失函数，从而根据得到的损失函数，更新目标检测网络的模型参数。
其中，以SSD检测网络作为目标检测网络为例，SSD检测网络的损失函数包括分类损失和回归损失两部分，可以采用如faster RCNN的损失函数；但需要说明的是，训练样本中往往会存在正负样本倾斜的问题，从而会影响模型的训练效果。
为此，本申请实施例结合第一训练样本集中正样本以及负样本各自所占的比例，对目标检测网络的损失函数进行改进，从而获得在利用第一目标训练样本对目标检测网络进行训练时，第一目标训练样本对应的损失函数。
其中，示例性地，以上述SSD检测网络作为目标检测网络为例，本申请实施例针对损失函数中的分类损失部分，可以利用第一训练样本集中正样本以及负样本各自所占的比例计算获得。
例如，目标检测网络更新后的损失函数可以满足如下公式：
Figure BDA0002175788870000151
或者是：
Figure BDA0002175788870000152
式中，Lcls(pi,pi *)为训练样本的分类损失；
Figure BDA0002175788870000153
为训练样本的回归损失；a、b均为超参数，pi为预测置信度；ti＝{tx,ty,tw,th}，表示锚点预测的偏移量；λ表示分类损失和回归损失的占比系数，Ncls表示用于计算分类损失的样本数，Nreg表示用于计算回归损失的样本数，
Figure BDA0002175788870000154
是与ti相同维度的向量，表示锚点相对于GT标签实际的偏移量；GT标签：
需要说明的是，上述的超参数a、b可以采用预设的定值，比如取a＝1.8、b＝0.58。
需要说明的是，上述仅为示意，以a＝1.8、b＝0.58进行示例性说明，在本申请实施例其他一些可能的实现方式中，a、b也可以分别取其他不同的值，这取决于具体的应用场景或者是用户的设置而定，本申请实施例对此不进行限定。
另外，需要说明的是，在对目标检测网络进行训练时，第一训练样本集中的正样本以及负样本，可以基于每一训练样本的交并比进行定义；比如以第一训练样本集中的第一目标训练样本为例，若目标检测网络对第一目标训练样本进行处理，得到的预测头肩特征标签，与人工标注的头肩特征标签两者的交并比达到第一阈值，比如0.7，则认为第一目标训练样本为正样本；反之，若两者的交并比未达到第一阈值，则认为第一目标训练样本为负样本。
可以理解的是，上述对正样本以及负样本的定义仅为示意，在本申请实施例其他一些可能的应用场景中，正样本以及负样本的定义还可以采用其他的一些形式，比如对每个样本的损失进行加权等，本申请实施例对此不进行限定。
同理，为实现上述S207中对二分类网络进行训练的过程，请参阅图6，图6为图2中S207的子步骤的另一种示意性流程图，以更新后的第二训练样本集包含的所有训练样本中的任意一个作为第二目标训练样本为例，S207还可以包括以下子步骤：
S207-6，将更新后的第二训练样本集中的第二目标训练样本输入二分类网络并进行处理，得到第二目标训练样本对应预测佩戴结果；
S207-7，根据第二目标训练样本对应的是否正确佩戴安全帽的特征标签以及预测佩戴结果计算得到的损失函数，更新二分类网络的模型参数；
在本申请实施例中，二分类将第二目标训练样本作为输入，并对第二目标训练样本进行处理到，得到该第二目标训练样本对应的预测佩戴结果，比如已正确佩戴安全帽，或者是未正确佩戴安全帽；根据第二目标训练样本对应的是否正确佩戴安全帽的特征标签，以及第二目标训练样本对应的预测佩戴结果，计算损失函数，从而根据得到的损失函数，更新二分类网络的模型参数。
其中，出于与上述目标检测网络相同的目的，为减小训练样本中正负样本倾斜对训练二分类网络的影响，本申请实施例结合第二训练样本集中正样本以及负样本各自所占的比例，对二分类网络的损失函数进行改进，从而获得在利用第二目标训练样本对目标检测网络进行训练时，第二目标训练样本对应的损失函数。
其中，示例性地，二分类网络更新后的损失函数可以满足如下公式：
Figure BDA0002175788870000171
或者是：
Figure BDA0002175788870000172
式中，pt为预测的置信度，γ为超参数，p∈{0,1}为标签；K表示第二训练样本集中所有训练样本的数量；k1表示第二训练样本集中所有负训练样本的数量；k2表示第二训练样本集中所有正训练样本的数量。
需要说明的是，上述的超参数γ可以采用预设的定值，比如可以预先设定γ＝2.2，或者是其他的值。
另外，在对二分类网络和目标检测网络进行训练时，为了加速网络的收敛速度，可以动态的修改学习率的大小。可选地，可以建立学习率与学习次数之间的关系，对学习率进行更新；比如，更新后的学习率可以满足如下公式：
l＝0.1*0.99step/1000，
式中，l表示学习率，step表示训练次数；上式的含义即为，每1000次更新一次学习率，从而使学习率更加平滑。
可见，基于上述涉及设计，本申请实施例提供的一种安全帽检测模型训练方法，结合focal loss对目标检测网络以及二分类网络的损失函数进行更新，从而减小训练样本中正负样本倾斜对训练二分类网络的影响。
采用本申请实施例提供的上述安全帽检测模型训练方法训练完成的安全帽检测模型，可以用在施工现象，对进入施工现象的人员是否有正确佩戴安全带进行检测；比如将该训练完成的安全帽检测模型预先存储在监控摄像机中，监控摄像机通过拍摄施工现场的监控画面，利用该安全帽检测模型对监控画面中的检测对象进行识别，判断检测对象是否有正确佩戴安全帽；或者是将该训练完成的安全帽检测模型预先存储在管理终端，管理终端接收监控摄像机发送的监控画面，进而由管理终端利用该安全帽检测模型对监控画面中的检测对象进行识别，判断检测对象是否有正确佩戴安全帽。
其中，为对本申请实施例提供的检测方法进行示例性说明，以图1中的电子设备100作为执行主体为例，请参阅图7，图7为本申请实施例提供的检测方法的一种示意性流程图，该检测方法可用于对检测对象是否佩戴安全帽进行检测，该检测方法包括以下步骤：
S301，利用第一图像参数对接收的待检测图像进行更新；
S303，将更新后的待检测图像输入至目标检测网络并进行处理，获得待检测图像对应的头肩标注结果；
S305，基于头肩标注结果，获得待检测图像对应的感兴趣区域；
S307，利用第二图像参数对感兴趣区域进行更新；
S309，将更新后的感兴趣区域输入至二分类网络并进行处理，获得待检测图像对应的检测结果。
以图8所示的应用场景为例，在应用时，首先利用训练时所获得的第一图像参数对待检测图像进行处理，比如进行归一化处理，以使安全帽检测模型处理的数据量较小；从而利用更新后的待检测图像输入至SSD网络，由于SSD网络对待检测图像进行头肩部位检测，并将检测得到的头肩部位作为感兴趣区域；然后利用裁剪的方式，提取SSD网络进行头肩部位检测的结果，得到待检测图像中的感兴趣区域；接着利用二分类网络对感兴趣区域进行处理，得到该待检测图像的最终检测结果(图8中示例的结果为正确佩戴安全帽)。
利用该安全帽检测模型对待检测图像中的检测对象是否正确佩戴安全帽进行检测时，由于是对待检测图像首先提取头肩部位的特征，获得待检测图像中的感兴趣区域，进而放大了二分类网络处理的图像中关键信息的占比，从而提升了对待检测图像中检测对象是否正确佩戴安全帽的检测精度。
基于与上述安全帽检测模型训练方法相同的发明构思，请参阅图9，图9为本申请实施例提供的安全帽检测模型训练装置400的一种示意性结构图，该安全帽检测模型训练装置400包括预处理模块401及训练模块402。
其中：
预处理模块401用于，获得第一训练样本集和第二训练样本集，其中，第一训练样本集包括标注有头肩特征标签的多个训练样本，第二训练样本集包括标注有是否正确佩戴安全帽的特征标签的多个训练样本；
预处理模块401还用于，分别获得第一训练样本集对应的第一图像参数，以及第二训练样本集对应的第二图像参数；
预处理模块401还用于，利用第一图像参数和第二图像参数分别对第一训练样本集和第二训练样本集进行更新，以增强第一训练样本集及第二训练样本集各自包含的多个训练样本的图像参数；
训练模块402用于，利用更新后的第一训练样本集和更新后的第二训练样本集，分别对目标检测网络及二分类网络进行训练，直至目标检测网络及二分类网络满足设定的收敛条件。
其中，为描述的方便和简洁，上述安全帽检测模型训练装置400的具体工作过程，请参照前述对应的安全帽检测模型训练方法中对应的步骤，本申请实施例在此不再进行赘述。
并且，基于与上述佩戴安全帽的检测方法相同的发明构思，请参阅图10，图10为本申请实施例提供的检测装置500的一种示意性结构图，该检测装置500可以对检测对象是否配置安全帽进行检测，该检测装置500包括第一处理模块501及第二处理模块502。其中：
第一处理模块501用于，利用第一图像参数对接收的待检测图像进行更新；
第一处理模块501还用于，将更新后的待检测图像输入至目标检测网络并进行处理，获得待检测图像对应的头肩标注结果；
第二处理模块502用于，基于头肩标注结果，获得待检测图像对应的感兴趣区域；
第二处理模块502还用于，利用第二图像参数对感兴趣区域进行更新；
第二处理模块502还用于，将更新后的感兴趣区域输入至二分类网络并进行处理，获得待检测图像对应的检测结果。
其中，为描述的方便和简洁，上述安全帽检测装置500的具体工作过程，请参照前述对应的安全帽检测方法中对应的步骤，本申请实施例在此不再进行赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能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，服务器，或者网络设备等)执行本申请实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请实施例提供的一种佩戴安全帽的检测方法、模型训练方法及相关装置，通过分别获得第一训练样本集对应的第一图像参数和第二训练样本集对应的第二图像参数，进而利用第一图像参数和第二图像参数分别对第一训练样本集和第二训练样本集进行更新，以增强第一训练样本集和第二图像样本集各自包含的多个训练样本的图像参数，然后分别利用更新后的第一训练样本集和第二训练样本集分别对安全帽检测网络中的目标检测网络和二分类网络进行训练，直至目标检测网络及二分类网络满足设定的收敛条件，相比于现有技术，通过目标检测网络与二分类网络相配合的方式，使目标检测网络在有效的提取检测对象的特征后，利用二分类网络根据提取的特征判断检测对象是否正确佩戴安全帽，从而提升对检测对象是否有正确佩戴安全帽的检测精度。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种安全帽检测模型训练方法，其特征在于，所述安全帽检测模型包括目标检测网络和二分类网络，所述方法包括：
获得第一训练样本集和第二训练样本集，其中，所述第一训练样本集包括标注有头肩特征标签的多个训练样本，所述第二训练样本集包括标注有是否正确佩戴安全帽的特征标签的多个训练样本；
分别获得所述第一训练样本集对应的第一图像参数，以及所述第二训练样本集对应的第二图像参数；
利用所述第一图像参数和所述第二图像参数分别对所述第一训练样本集和所述第二训练样本集进行更新，以增强所述第一训练样本集及所述第二训练样本集各自包含的多个训练样本的图像参数；
利用更新后的第一训练样本集和更新后的第二训练样本集，分别对所述目标检测网络及所述二分类网络进行训练，直至所述目标检测网络及所述二分类网络满足设定的收敛条件。
2.如权利要求1所述的方法，其特征在于，利用所述第一图像参数对所述第一训练样本集进行更新，包括：
对所述第一训练样本集进行图像增强；
利用所述第一图像参数对图像增强后的第一训练样本集进行归一化处理，得到所述更新后的第一训练样本集。
3.如权利要求1所述的方法，其特征在于，利用所述第二图像参数对所述第二训练样本集进行更新，包括：
对所述第二训练样本集进行图像增强；
利用所述第二图像参数对图像增强后的第二训练样本集进行归一化处理，得到所述更新后的第二训练样本集。
4.如权利要求1-3中任一项所述的方法，其特征在于，利用更新后的第一训练样本集，对所述目标检测网络进行训练，包括：
将所述更新后的第一训练样本集中的第一目标训练样本输入所述目标检测网络并进行处理，得到所述第一目标训练样本对应预测头肩特征标签，其中，所述第一目标训练样本为所述更新后的第一训练样本集包含的所有训练样本中的任意一个；
根据所述第一目标训练样本对应的头肩特征标签及所述预测头肩特征标签计算得到的损失函数，更新所述目标检测网络的模型参数；
其中，在根据所述第一目标训练样本对应的头肩特征标签及所述预测头肩特征标签计算损失函数时：
结合所述第一训练样本集中正样本以及负样本各自所占的比例，计算所述第一目标训练样本对应的损失函数。
5.如权利要求1-3中任一项所述的方法，其特征在于，利用更新后的第二训练样本集，对所述二分类网络进行训练，包括：
将所述更新后的第二训练样本集中的第二目标训练样本输入所述二分类网络并进行处理，得到所述第二目标训练样本对应预测佩戴结果，其中，所述第二目标训练样本为所述更新后的第二训练样本集包含的所有训练样本中的任意一个；
根据所述第二目标训练样本对应的是否正确佩戴安全帽的特征标签以及所述预测佩戴结果计算得到的损失函数，更新所述二分类网络的模型参数；
其中，在根据所述第二目标训练样本对应的是否正确佩戴安全帽的特征标签以及所述预测佩戴结果计算得到的损失函数时：
结合所述第二训练样本集中正样本以及负样本各自所占的比例，计算所述第二目标训练样本对应的损失函数。
6.一种佩戴安全帽的检测方法，其特征在于，应用于电子设备，所述电子设备中预设有利用如权利要求1-5中任一项所述的安全帽检测模型训练方法训练完成的安全帽检测模型；所述方法包括：
利用所述第一图像参数对接收的待检测图像进行更新；
将更新后的待检测图像输入至所述目标检测网络并进行处理，获得所述待检测图像对应的头肩标注结果；
基于所述头肩标注结果，获得所述待检测图像对应的感兴趣区域；
利用所述第二图像参数对所述感兴趣区域进行更新；
将更新后的感兴趣区域输入至所述二分类网络并进行处理，获得所述待检测图像对应的检测结果。
7.一种安全帽检测模型训练装置，其特征在于，所述安全帽检测模型包括目标检测网络和二分类网络，所述装置包括：
预处理模块，用于获得第一训练样本集和第二训练样本集，其中，所述第一训练样本集包括标注有头肩特征标签的多个训练样本，所述第二训练样本集包括标注有是否正确佩戴安全帽的特征标签的多个训练样本；
所述预处理模块还用于，分别获得所述第一训练样本集对应的第一图像参数，以及所述第二训练样本集对应的第二图像参数；
所述预处理模块还用于，利用所述第一图像参数和所述第二图像参数分别对所述第一训练样本集和所述第二训练样本集进行更新，以增强所述第一训练样本集及所述第二训练样本集各自包含的多个训练样本的图像参数；
训练模块，利用更新后的第一训练样本集和更新后的第二训练样本集，分别对所述目标检测网络及所述二分类网络进行训练，直至所述目标检测网络及所述二分类网络满足设定的收敛条件。
8.一种佩戴安全帽的检测装置，其特征在于，应用于电子设备，所述电子设备中预设有利用如权利要求1-5中任一项所述的安全帽检测模型训练方法训练完成的安全帽检测模型；所述装置包括：
第一处理模块，用于利用所述第一图像参数对接收的待检测图像进行更新；
所述第一处理模块还用于，将更新后的待检测图像输入至所述目标检测网络并进行处理，获得所述待检测图像对应的头肩标注结果；
第二处理模块，用于基于所述头肩标注结果，获得所述待检测图像对应的感兴趣区域；
所述第二处理模块还用于，利用所述第二图像参数对所述感兴趣区域进行更新；
所述第二处理模块还用于，将更新后的感兴趣区域输入至所述二分类网络并进行处理，获得所述待检测图像对应的检测结果。
9.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
CN201910778373.4A 2019-08-22 2019-08-22 佩戴安全帽的检测方法、模型训练方法及相关装置 Pending CN110688893A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910778373.4A CN110688893A (zh) 2019-08-22 2019-08-22 佩戴安全帽的检测方法、模型训练方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910778373.4A CN110688893A (zh) 2019-08-22 2019-08-22 佩戴安全帽的检测方法、模型训练方法及相关装置

Publications (1)

Publication Number Publication Date
CN110688893A true CN110688893A (zh) 2020-01-14

Family

ID=69108346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910778373.4A Pending CN110688893A (zh) 2019-08-22 2019-08-22 佩戴安全帽的检测方法、模型训练方法及相关装置

Country Status (1)

Country Link
CN (1) CN110688893A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476083A (zh) * 2020-02-07 2020-07-31 山东理工大学 一种电力员工安全帽佩戴自动识别方法
CN111627015A (zh) * 2020-05-29 2020-09-04 联想(北京)有限公司 小样本缺陷识别方法、装置、设备及存储介质
CN111652052A (zh) * 2020-04-21 2020-09-11 济南浪潮高新科技投资发展有限公司 一种疫情防控方法、设备及介质
CN111814805A (zh) * 2020-06-18 2020-10-23 浙江大华技术股份有限公司 特征提取网络训练方法以及相关方法和装置
CN111860256A (zh) * 2020-07-10 2020-10-30 云镝智慧科技有限公司 安全检测方法、装置、计算机设备和存储介质
CN112232426A (zh) * 2020-10-21 2021-01-15 平安国际智慧城市科技股份有限公司 目标检测模型的训练方法、装置、设备及可读存储介质
CN112288019A (zh) * 2020-10-30 2021-01-29 天津天地伟业智能安全防范科技有限公司 一种基于关键点定位的厨师帽检测方法
CN112507935A (zh) * 2020-12-17 2021-03-16 上海依图网络科技有限公司 一种图像检测的方法及装置
CN113177513A (zh) * 2021-05-20 2021-07-27 国网江苏省电力有限公司电力科学研究院 一种安全帽佩戴检测方法、装置、设备以及存储介质
CN115063753A (zh) * 2022-08-17 2022-09-16 苏州魔视智能科技有限公司 一种安全带佩戴检测模型训练方法及安全带佩戴检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408562A (zh) * 2016-09-22 2017-02-15 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统
CN107016373A (zh) * 2017-04-12 2017-08-04 广东工业大学 一种安全帽佩戴的检测方法及装置
CN107679524A (zh) * 2017-10-31 2018-02-09 天津天地伟业信息系统集成有限公司 一种基于视频的安全帽佩戴情况的检测方法
CN109271970A (zh) * 2018-10-30 2019-01-25 北京旷视科技有限公司 人脸检测模型训练方法及装置
CN109711551A (zh) * 2018-12-28 2019-05-03 北京旷视科技有限公司 数据处理方法及装置
CN109800665A (zh) * 2018-12-28 2019-05-24 广州粤建三和软件股份有限公司 一种人体行为识别方法、系统及存储介质
WO2019100724A1 (zh) * 2017-11-24 2019-05-31 华为技术有限公司 训练多标签分类模型的方法和装置
CN110046574A (zh) * 2019-04-15 2019-07-23 北京易达图灵科技有限公司 基于深度学习的安全帽佩戴识别方法及设备
CN110084313A (zh) * 2019-05-05 2019-08-02 厦门美图之家科技有限公司 一种生成物体检测模型的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408562A (zh) * 2016-09-22 2017-02-15 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统
CN107016373A (zh) * 2017-04-12 2017-08-04 广东工业大学 一种安全帽佩戴的检测方法及装置
CN107679524A (zh) * 2017-10-31 2018-02-09 天津天地伟业信息系统集成有限公司 一种基于视频的安全帽佩戴情况的检测方法
WO2019100724A1 (zh) * 2017-11-24 2019-05-31 华为技术有限公司 训练多标签分类模型的方法和装置
CN109271970A (zh) * 2018-10-30 2019-01-25 北京旷视科技有限公司 人脸检测模型训练方法及装置
CN109711551A (zh) * 2018-12-28 2019-05-03 北京旷视科技有限公司 数据处理方法及装置
CN109800665A (zh) * 2018-12-28 2019-05-24 广州粤建三和软件股份有限公司 一种人体行为识别方法、系统及存储介质
CN110046574A (zh) * 2019-04-15 2019-07-23 北京易达图灵科技有限公司 基于深度学习的安全帽佩戴识别方法及设备
CN110084313A (zh) * 2019-05-05 2019-08-02 厦门美图之家科技有限公司 一种生成物体检测模型的方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476083A (zh) * 2020-02-07 2020-07-31 山东理工大学 一种电力员工安全帽佩戴自动识别方法
CN111652052A (zh) * 2020-04-21 2020-09-11 济南浪潮高新科技投资发展有限公司 一种疫情防控方法、设备及介质
CN111627015A (zh) * 2020-05-29 2020-09-04 联想(北京)有限公司 小样本缺陷识别方法、装置、设备及存储介质
CN111627015B (zh) * 2020-05-29 2024-04-26 联想(北京)有限公司 小样本缺陷识别方法、装置、设备及存储介质
CN111814805B (zh) * 2020-06-18 2023-07-11 浙江大华技术股份有限公司 特征提取网络训练方法以及相关方法和装置
CN111814805A (zh) * 2020-06-18 2020-10-23 浙江大华技术股份有限公司 特征提取网络训练方法以及相关方法和装置
CN111860256A (zh) * 2020-07-10 2020-10-30 云镝智慧科技有限公司 安全检测方法、装置、计算机设备和存储介质
CN112232426A (zh) * 2020-10-21 2021-01-15 平安国际智慧城市科技股份有限公司 目标检测模型的训练方法、装置、设备及可读存储介质
CN112232426B (zh) * 2020-10-21 2024-04-02 深圳赛安特技术服务有限公司 目标检测模型的训练方法、装置、设备及可读存储介质
CN112288019A (zh) * 2020-10-30 2021-01-29 天津天地伟业智能安全防范科技有限公司 一种基于关键点定位的厨师帽检测方法
CN112288019B (zh) * 2020-10-30 2023-07-14 天津天地伟业信息系统集成有限公司 一种基于关键点定位的厨师帽检测方法
CN112507935A (zh) * 2020-12-17 2021-03-16 上海依图网络科技有限公司 一种图像检测的方法及装置
CN113177513B (zh) * 2021-05-20 2022-09-16 国网江苏省电力有限公司电力科学研究院 一种安全帽佩戴检测方法、装置、设备以及存储介质
CN113177513A (zh) * 2021-05-20 2021-07-27 国网江苏省电力有限公司电力科学研究院 一种安全帽佩戴检测方法、装置、设备以及存储介质
CN115063753A (zh) * 2022-08-17 2022-09-16 苏州魔视智能科技有限公司 一种安全带佩戴检测模型训练方法及安全带佩戴检测方法

Similar Documents

Publication Publication Date Title
CN110688893A (zh) 佩戴安全帽的检测方法、模型训练方法及相关装置
US11182592B2 (en) Target object recognition method and apparatus, storage medium, and electronic device
CN105426356B (zh) 一种目标信息识别方法和装置
US10346464B2 (en) Cross-modiality image matching method
US10635946B2 (en) Eyeglass positioning method, apparatus and storage medium
WO2021051601A1 (zh) 利用Mask R-CNN选择检测框的方法及系统、电子装置及存储介质
CN111598164B (zh) 识别目标对象的属性的方法、装置、电子设备和存储介质
US8792722B2 (en) Hand gesture detection
US8750573B2 (en) Hand gesture detection
CN108171158B (zh) 活体检测方法、装置、电子设备及存储介质
US20150262068A1 (en) Event detection apparatus and event detection method
KR102002024B1 (ko) 객체 라벨링 처리 방법 및 객체 관리 서버
CN113361603B (zh) 训练方法、类别识别方法、装置、电子设备以及存储介质
US20200265304A1 (en) System and method for identifying misclassifications by a neural network
CN112784760B (zh) 人体行为识别方法、装置、设备以及存储介质
CN113642474A (zh) 一种基于yolov5的危险区域人员监控方法
CN113841161A (zh) 用于自动生成内容分发图像的可扩展体系架构
CN112115803B (zh) 口罩状态提醒方法、装置及移动终端
CN111783812A (zh) 违禁图像识别方法、装置和计算机可读存储介质
CN115223022B (zh) 一种图像处理方法、装置、存储介质及设备
CN112862345A (zh) 隐患质检方法、装置、电子设备及存储介质
CN111753618A (zh) 图像识别方法、装置、计算机设备及计算机可读存储介质
CN113888760B (zh) 基于软件应用的违规信息监控方法、装置、设备及介质
CN114913233A (zh) 图像处理方法、装置、设备、介质及产品
US11048985B2 (en) Method and system for classifying an object in input data using artificial neural network model

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200114