CN111815577A - 安全帽佩戴检测模型处理方法、装置、设备和存储介质 - Google Patents
安全帽佩戴检测模型处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111815577A CN111815577A CN202010581016.1A CN202010581016A CN111815577A CN 111815577 A CN111815577 A CN 111815577A CN 202010581016 A CN202010581016 A CN 202010581016A CN 111815577 A CN111815577 A CN 111815577A
- Authority
- CN
- China
- Prior art keywords
- training
- safety helmet
- image
- model
- head
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 245
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 245
- 238000010276 construction Methods 0.000 claims description 123
- 238000004590 computer program Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 21
- 238000003672 processing method Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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]
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种安全帽佩戴检测模型处理方法、装置、计算机设备和存储介质。方法包括:获取样本图像;样本图像包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像;根据样本图像中人体头部是否佩戴安全帽,对样本图像进行类别标记,得到训练数据集和对应的检测类别数;获取对目标物体检测数据集训练所得的预训练模型;预训练模型包括特征金字塔网络和预测网络;目标物体检测数据集包括的物体图像中,物体的尺寸占比小于预设占比;将预训练模型的预测网络的输出类别数调整为检测类别数,得到调整后预训练模型;将训练数据集输入调整后预训练模型进行训练,得到安全帽佩戴检测模型。采用本方法能够提高对安全帽佩戴情况的监控效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种安全帽佩戴检测模型处理方法、装置、设备和存储介质。
背景技术
安全帽对人体头部受坠落物及其他特定因素引起的伤害具有较好的防护作用,为了避免安全事故的发生,在施工现场中要求工作人员佩戴安全帽是安全生产的必要措施。为了避免工作人员未佩戴安全帽进入施工现场,通常需要对施工现场的工作人员的安全帽佩戴情况进行监控,传统的监控方式是通过摄像头采集施工现场的图像数据,根据该图像数据确定出未佩戴安全帽的工作人员。
然而当所采集的图像数据的分辨率不高或图像数据中的人体尺寸较小时,传统的监控方式无法对安全帽佩戴情况进行高效、准确地判断,从而导致对施工现场安全帽佩戴情况的监控效率较低。
发明内容
基于此,有必要针对施工现场安全帽佩戴情况的监控效率低的技术问题,提供一种安全帽佩戴检测模型处理方法、装置、设备和存储介质。
一种安全帽佩戴检测模型处理方法,所述方法包括:
获取样本图像;所述样本图像包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像;
根据所述样本图像中人体头部是否佩戴安全帽,对所述样本图像进行类别标记,得到训练数据集和对应的检测类别数;
获取对目标物体检测数据集训练所得的预训练模型;所述预训练模型包括特征金字塔网络和预测网络;所述目标物体检测数据集包括的物体图像中,物体的尺寸占比小于预设占比;
将所述预训练模型的预测网络的输出类别数调整为所述检测类别数,得到调整后预训练模型;
将所述训练数据集输入所述调整后预训练模型进行训练,得到安全帽佩戴检测模型。
在一个实施例中,所述获取样本图像,包括:
获取人体头部佩戴安全帽的原始图像、人体头部未佩戴安全帽的原始图像;
对所述原始图像进行光度变形和/或几何变形的数据增强处理,得到预设数量的样本图像。
在一个实施例中,所述将所述训练数据集输入所述调整后预训练模型进行训练,得到安全帽佩戴检测模型,包括:
对所述训练数据集所包含的样本图像进行缩放处理,得到处理后训练数据集,所述处理后训练数据集所包含的样本图像的分辨率为预设分辨率;
将所述处理后训练数据集输入所述调整后预训练模型进行训练,得到安全帽佩戴检测模型。
在一个实施例中,训练所述安全帽佩戴检测模型时,所使用的损失函数为:
Lfocal=-2α(1-y1)β(1-y*)ln(y1)-2(1-α)y*ln(y2)
其中,Lfocal为损失函数值,α为权重系数,β为聚焦系数,y1为正例的置信度,y2为负例的置信度,y*为类别值。
在一个实施例中,所述方法还包括:
获取施工现场图像;
通过所述安全帽佩戴检测模型对所述施工现场图像进行安全帽佩戴检测,得到包围所述施工现场图像中人体头部的预测框和所述预测框对应的类别;
若根据所述类别确定出所述施工现场图像中存在未佩戴安全帽的人体头部,则进行告警提示。
在一个实施例中,所述通过所述安全帽佩戴检测模型对所述施工现场图像进行安全帽佩戴检测,得到包围所述施工现场图像中人体头部的预测框和所述预测框对应的类别,包括:
通过所述安全帽佩戴检测模型的特征金字塔网络对所述施工现场图像进行提取,得到施工现场特征图;
通过安全帽佩戴检测模型的预测网络对所述施工现场特征图进行人体头部检测、分类和位置回归,得到包围所述施工现场图像中人体头部的预测框和所述预测框对应的类别。
一种安全帽佩戴检测模型处理装置,所述装置包括:
样本图像获取模块,用于获取样本图像;所述样本图像包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像;
类别标记模块,用于根据所述样本图像中人体头部是否佩戴安全帽,对所述样本图像进行类别标记,得到训练数据集和对应的检测类别数;
预训练模型获取模块,用于获取对目标物体检测数据集训练所得的预训练模型;所述预训练模型包括特征金字塔网络和预测网络;所述目标物体检测数据集包括的物体图像中,物体的尺寸占比小于预设占比;
预训练模型调整模块,用于将所述预训练模型的预测网络的输出类别数调整为所述检测类别数,得到调整后预训练模型;
模型训练模块,用于将所述训练数据集输入所述调整后预训练模型进行训练,得到安全帽佩戴检测模型。
在一个实施例中,所述样本图像获取模块,还用于:
获取人体头部佩戴安全帽的原始图像、人体头部未佩戴安全帽的原始图像;
对所述原始图像进行光度变形和/或几何变形的数据增强处理,得到预设数量的样本图像。
在一个实施例中,所述模型训练模块,还用于:
对所述训练数据集所包含的样本图像进行缩放处理,得到处理后训练数据集,所述处理后训练数据集所包含的样本图像的分辨率为预设分辨率;
将所述处理后训练数据集输入所述调整后预训练模型进行训练,得到安全帽佩戴检测模型。
在一个实施例中,训练所述安全帽佩戴检测模型时,所使用的损失函数为:
Lfocal=-2α(1-y1)β(1-y*)ln(y1)-2(1-α)y*ln(y2)
其中,Lfocal为损失函数值,α为权重系数,β为聚焦系数,y1为正例的置信度,y2为负例的置信度,y*为类别值。
在一个实施例中,所述装置还包括:
施工现场图像获取模块,用于获取施工现场图像;
安全帽佩戴检测模块,用于通过所述安全帽佩戴检测模型对所述施工现场图像进行安全帽佩戴检测,得到包围所述施工现场图像中人体头部的预测框和所述预测框对应的类别;
告警提示模块,用于若根据所述类别确定出所述施工现场图像中存在未佩戴安全帽的人体头部,则进行告警提示。
在一个实施例中,所述安全帽佩戴检测模块,还用于:
通过所述安全帽佩戴检测模型的特征金字塔网络对所述施工现场图像进行提取,得到施工现场特征图;
通过安全帽佩戴检测模型的预测网络对所述施工现场特征图进行人体头部检测、分类和位置回归,得到包围所述施工现场图像中人体头部的预测框和所述预测框对应的类别。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,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上述的方法的步骤。
上述安全帽佩戴检测模型处理方法、装置、设备和存储介质,在获取包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像的样本图像之后,根据样本图像中人体头部是否佩戴安全帽,对样本图像进行类别标记,得到训练数据集和对应的检测类别数,在获取基于目标物体检测数据集训练的预训练模型之后,调整该预训练模型的输出类别数为上述所得的检测类别数,得到调整后预训练模型,其中目标物体检测数据集包括的物体图像中,物体的尺寸占比小于预设占比,然后通过该调整后预训练模型训练安全帽佩戴检测模型,从而一方面提高了安全帽佩戴检测模型的训练效率,另一方面提高了训练所得的安全帽佩戴检测模型对安全帽的识别准确率,进而当使用训练所得的安全帽佩戴检测模型对施工现场图片进行安全帽佩戴检测时,确保了对施工现场安全帽佩戴情况的监控效率。
附图说明
图1为一个实施例中安全帽佩戴检测模型处理方法的应用环境图;
图2为一个实施例中安全帽佩戴检测模型处理方法的流程示意图;
图3为一个实施例中数据增强处理的样本示意图;
图4为一个实施例中RetinaNet模型的结构示意图;
图5为一个实施例中安全帽佩戴检测步骤的流程示意图;
图6为一个实施例中安全帽佩戴检测结果示意图;
图7为另一个实施例中安全帽佩戴检测模型处理方法的流程示意图;
图8为一个实施例中安全帽佩戴检测模型处理装置的结构框图;
图9为另一个实施例中安全帽佩戴检测模型处理装置的结构框图;
图10为一个实施例中计算机设备的内部结构图;
图11为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的安全帽佩戴检测模型处理方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。上述安全帽佩戴检测模型处理方法可以执行于终端102或服务器104,以执行于终端102为例,终端102获取样本图像;样本图像包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像;根据样本图像中人体头部是否佩戴安全帽,对样本图像进行类别标记,得到训练数据集和对应的检测类别数;获取对目标物体检测数据集训练所得的预训练模型;预训练模型包括特征金字塔网络和预测网络;目标物体检测数据集包括的物体图像中,物体的尺寸占比小于预设占比;将预训练模型的预测网络的输出类别数调整为检测类别数,得到调整后预训练模型;将训练数据集输入调整后预训练模型进行训练,得到安全帽佩戴检测模型。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种安全帽佩戴检测模型处理方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S202,获取样本图像。
其中,样本图形是包含人体头部的图像,包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像,具体可以是摄像头采集后传输给终端的施工现场的图像,也可以是终端从互联网中下载的图像,还可以是终端对所得的施工现场的图像进行数据增强处理后所得到的图像。
具体地,摄像头采集后传输给终端的图像可以是安装在施工现场的摄像头对施工现场进行拍摄的图像,也可以是通过搭载在无人机上的摄像头对施工现场进行拍摄的图像。终端从互联网中下载的图像可以是终端从搜索引擎检索并下载的施工场景突图像。
在一个实施例中,终端获取人体头部佩戴安全帽的原始图像和人体头部未佩戴安全帽的原始图像,当需要进行安全帽佩戴检测模型训练时,根据安全帽佩戴检测模型训练对样本图像的数量需求,对所获取的原始图形进行数据增强处理,得到满足预设数量的样本图像。其中,数量需求包括样本图像的数据量、以及人体头部佩戴安全帽的图像与人体头部未佩戴安全帽的图像的比值;数据增强处理可以是对样本图像进行光度变形和几何变形中的至少一种处理,光度变形包括随机亮度增减、随机对比度变化、随机伽马变换,几何变形包括随机裁剪、随机扩展和随机翻转,参考图3,图3示出了针对原图进行不同类型的数据增强处理后得到的样本图像。
S204,根据样本图像中人体头部是否佩戴安全帽,对样本图像进行类别标记,得到训练数据集和对应的检测类别数。
其中,类别标记是对样本图像的人体头部位置和对应类别进行标记,标记的区域为样本图像中人体头部区域,类别包括佩戴安全帽类别和未佩戴安全帽类别和背景类别,即标记所得的检测类别数据为3。
在一个实施例中,终端在获取样本图像之后,标记出样本图像中人体头部的位置和对应的类别,对应的标记方式可以是标记出包围人体头部区域的包围框的左上角坐标和右下角坐标,左上角坐标和右下角坐标分别记为(xmin,ymin)和(xmax,ymax),并根据人体头部是否佩戴安全帽,对人体头部进行类别标记,包围人体头部区域的包围框之外的区域标记为背景类别。
在一个实施例中,终端在对样本图像进行类别标记之后,当需要进行安全帽佩戴检测模型训练时,根据安全帽佩戴检测模型训练对样本图像的尺寸需求,对类别标记后的样本图像进行预处理。预处理的操作具体可以包括将标记后样本图像统一转换为预设的目标尺寸,同时对样本图像上所标记的包围框也进行转换,包围框的转换的比例与包围框所属样本图像的转换比例保持一致。
S206,获取对目标物体检测数据集训练所得的预训练模型。
其中,具体地,本申请中所使用的预训练模型包括特征金字塔网络(FeaturePyramid Networks,FPN)和预测网络,预训练模型具体可以是RetinaNet模型,是一个全卷积的网络模型,RetinaNet模型的特征金字塔网络包括主网络结构和特征金字塔结构,主网络结构用于提取图像特征,特征金字塔结构用于融合主网络结构提取的特征以提高多尺度目标检测精度,预测网络主要用于预测包含目标的边界框。本申请中所使用的主网络结构为残差网络(Residual Network,ResNet)。
具体地,ResNet是由残差块(Residual block)构建的,通过残差块之间的跨层连接可以减轻深度神经网络在训练过程中梯度消散的问题,本申请所使用的RetinaNet模型的FPN的主网络为18层的ResNet,即ResNet18。FPN可以将主干网络ResNet所提取的不同层次的特征图进行融合,得到不同层次的有丰富语义信息的特征图,形成特征金字塔。预测网络可以对不同层次的有丰富语义信息的特征图分别进行检测,最后将置信度大于预设阈值的预测框作为检测结果输出。
为了使最终训练得到的安全帽佩戴检测模型针对小尺寸的安全帽具有较好的检测性能,可以对RetinaNet模型的FPN的主网络的结构进行了改进,参考图4,图4示出了一个实施例中所使用的主网络为ResNet18的RetinaNet模型,对ResNet18原始的第一个常规Block的结构更改为Root Block(根模块),具体更改方式为将原始的7×7、步长为2的卷积层改为3个3×3、步长为1的卷积层,另外,为了保持维持Block 3~Block 5的输出特征的尺度不变,将Block 2的下采样倍率由1改为2。从而可以通过Block 3~Block 5提取出不同层次的特征图,并通过特征金字塔结构将Block 5的输出和Block 4的输出融合生成特征图P4,并将P4再与Block 3的输出融合生成P3,从而得到三个不同尺度的特征图P3,P4,P5,其中特征图P3,P4,P5的尺度可以分别为120×68、60×34、30×17,然后通过预测网络对三个不同尺度的特征图P3,P4,P5进行检测,并输出检测结果。
本申请中训练预训练模型所使用的目标物体检测数据集所包括的物体图像中,物体的尺寸占比小于预设占比,使用该预训练模型训练所得的安全帽佩戴检测模型对目标尺寸的物体具有较高的检测能力,比如对小尺寸的安全帽具有较高的检测能力。本申请中所使用的目标物体检测数据集可以是MS COCO物体检测数据集,具体可以使用COCOtrainval35k子集,MS COCO物体检测数据集是微软团队提供的一个可以用来进行图像识别的数据集。MS COCO数据集中的图像分为训练、验证和测试集,一共有80类物体,在使用该数据集训练预训练模型时,设置预测网络的输出类别数为81(包含80类物体和背景),最终训练得到的预训练模型可以检测MS COCO物体检测数据集中的80类物体。
S208,将预训练模型的预测网络的输出类别数调整为检测类别数,得到调整后预训练模型。
在一个实施例中,终端在获取到预训练模型之后,需要对预训练模型进行调整,以适应安全帽佩戴检测模型的训练,预训练模型进行调整可以是将预训练模型的预测网络的输出类别数调整为训练数据集的检测类别数,例如,预训练模型是基于对COCO物体检测数据训练所得的,则将该预训练模型的预测网络的输出类别数从81调整为3。
在一个实施例中,为了使安全帽佩戴检测模型的训练速度加快,即可以在较少的迭代训练次数即可得到收敛的安全帽佩戴检测模型,则对于所得的预训练模型,仅需调整其预测网络的输出类别数,对于预训练模型的特征金字塔网络的权重进行保留,从而使得在基于该调整后预训练模型训练安全帽佩戴检测模时可以快速地收敛,提高安全帽佩戴检测模型的训练速度。
S210,将训练数据集输入调整后预训练模型进行训练,得到安全帽佩戴检测模型。
在一个实施例中,终端在对预训练模型的预测网络的输出类别数进行调整,得到调整后预训练模型之后,将预先进行类别标记好的训练数据集输入调整后预训练模型进行训练,得到安全帽佩戴检测模型。
在一个实施例中,终端预先对训练数据集所包含的样本图像进行缩放处理,得到处理后训练数据集,处理后训练数据集所包含的样本图像的分辨率为预设分辨率,并将处理后训练数据集输入调整后预训练模型进行训练,得到安全帽佩戴检测模型。
上述实施例中,终端在获取包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像的样本图像之后,根据样本图像中人体头部是否佩戴安全帽,对样本图像进行类别标记,得到训练数据集和对应的检测类别数,在获取基于目标物体检测数据集训练的预训练模型之后,调整该预训练模型的输出类别数为上述所得的检测类别数,得到调整后预训练模型,其中目标物体检测数据集包括的物体图像中,物体的尺寸占比小于预设占比,然后通过该调整后预训练模型训练安全帽佩戴检测模型,从而一方面提高了安全帽佩戴检测模型的训练效率,另一方面提高了训练所得的安全帽佩戴检测模型对安全帽的识别准确率,进而当使用训练所得的安全帽佩戴检测模型对施工现场图片进行安全帽佩戴检测时,确保了对施工现场安全帽佩戴情况的监控效率。
在一个实施例中,本申请中在训练预训练模型,以及训练安全帽佩戴检测模型时,所使用的损失函数为:
L=-2α(1-y1)β(1-y*)ln(y1)-2(1-α)y*ln(y2)
其中,L为损失函数值,α为权重系数,β为聚焦系数,y1为正例的置信度,y2为负例的置信度,y*为类别值。α用于平衡正例和负例对损失函数值的贡献度,β控制了训练的模型对简单样本的忽略程度,本申请中α可以取值为13,对应的β取值为1。
上述实施例中,终端在训练预训练模型以及训练安全帽佩戴检测模型时通过使用上述损失函数可以有效调整正负样本的对损失函数值的贡献度,使得正负样本对损失函数值的贡献度均衡,进而提高训练得到的安全帽佩戴检测模型的检测精度。
在一个实施例中,如图5所示,上述安全帽佩戴检测模型处理方法还包括使用训练好的安全帽佩戴检测模型进行安全帽佩戴检测的过程,具体包括以下步骤:
S502,获取施工现场图像。
其中,施工现场图像为待进行安全帽佩戴检测的图像,可以是摄像头实时采集并上传给终端的施工现场的图像,摄像头可以是安装在施工现场的摄像头或巡检无人机上搭载的摄像头。
S504,通过安全帽佩戴检测模型对施工现场图像进行安全帽佩戴检测,得到包围施工现场图像中人体头部的预测框和预测框对应的类别。
在一个实施例中,终端在获取到施工现场图像之后,还可以根据安全帽佩戴检测模型对输入图像的尺寸需求,对所获取的施工现场图像进行预处理,预处理的操作可以是与训练安全帽佩戴检测模型时对样本图像所进行的预处理操作是相同的,例如将施工现场图像转换为预设的目标尺寸。
在一个实施例中,终端在获取到施工现场图像之后,将施工现场图像输入训练好的安全帽佩戴检测模型,通过该安全帽佩戴检测模型的特征金字塔网络对该施工现场图像特征提取和特征融合,得到不同尺度的施工现场特征图,并通过该安全帽佩戴检测模型的预测网络对所得到的不同尺度的施工现场特征图进行检测,得到包围施工现场图像中人体头部的预测框和预测框对应的类别。
具体地,通过安全帽佩戴检测模型的特征金字塔网络对该施工现场图像特征提取和特征融合包括:通过安全帽佩戴检测模型的特征金字塔网络的主网络结构对该施工现场图像进行特征提取,得到不同尺度的施工现场特征图,并通过特征金字塔网络的特征金字塔网络结构对不同尺度的施工现场特征图进行特征融合,得到不同尺度的融合后的施工现场特征图。
通过该安全帽佩戴检测模型的预测网络对所得到的不同尺度的施工现场特征图进行检测,包括:通过安全帽佩戴检测模型的预测网络所包含针对每一个施工现场特征图的预测分支和边框回归分支,对得到的不同尺度的融合后的施工现场特征图进行人体头部检测、分类和位置回归,得到包围施工现场图像中人体头部的预测框和预测框对应的类别。
S506,若根据类别确定出施工现场图像中存在未佩戴安全帽的人体头部,则进行告警提示。
其中,告警提示包括终端显示标注了未佩戴安全帽的人体头部的施工现场图像,以及通过施工现场设置的告警设备进行告警提示。
在一个实施例中,终端在得到包围施工现场图像中人体头部的预测框和预测框对应的类别之后,根据所得到的类别判断施工现场图像中是否存在未佩戴安全帽的人体头部,若存在,则终端一方面在施工现场图像中对未佩戴安全帽的人体头部进行标注显示,如图6所示,用内部包含有“×”的矩形框标注显示出了未佩戴安全帽的人体头部;另一方面生成告警提示信息,并将该告警提示信息发送到所检测的施工现场图像所对应的告警设备,以指示该告警设备根据所接收到的告警提示信息进行告警提示。
上述实施例中,终端在获取施工现场图像之后,通过上述训练好的检测精度更高的安全帽佩戴检测模型对施工现场图像进行安全帽佩戴检测,得到包围施工现场图像中人体头部的预测框和预测框对应的类别,若根据类别确定出施工现场图像中存在未佩戴安全帽的人体头部,则进行告警提示,从而提高了对施工现场安全帽佩戴情况的监控效率。
在一个实施例中,如图7所示,还提供了一种安全帽佩戴检测模型处理方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S702,获取样本图像,样本图像包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像。
S704,根据样本图像中人体头部是否佩戴安全帽,对样本图像进行类别标记,得到训练数据集和对应的检测类别数。
S706,获取对目标物体检测数据集训练所得的预训练模型。
其中,预训练模型包括特征金字塔网络和预测网络;目标物体检测数据集包括的物体图像中,物体的尺寸占比小于预设占比。
S708,将预训练模型的预测网络的输出类别数调整为检测类别数,得到调整后预训练模型。
S710,将训练数据集输入调整后预训练模型进行训练,得到安全帽佩戴检测模型。
S712,获取施工现场图像。
S712,通过安全帽佩戴检测模型对施工现场图像进行安全帽佩戴检测,得到包围施工现场图像中人体头部的预测框和预测框对应的类别。
上述实施例中,终端在获取包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像的样本图像之后对样本图像进行类别标记,得到训练数据集和对应的检测类别数,在获取基于目标物体检测数据集训练的预训练模型之后,调整该预训练模型的输出类别数为上述所得的检测类别数,得到调整后预训练模型,其中目标物体检测数据集包括的物体图像中,物体的尺寸占比小于预设占比,然后通过该调整后预训练模型训练安全帽佩戴检测模型,从而一方面提高了安全帽佩戴检测模型的训练效率,另一方面提高了训练所得的安全帽佩戴检测模型对安全帽的识别准确率,进而当使用训练所得的安全帽佩戴检测模型对施工现场图片进行安全帽佩戴检测时,通过该安全帽佩戴检测模型对施工现场图像进行安全帽佩戴检测,得到包围施工现场图像中人体头部的预测框和预测框对应的类别,进而确保了对施工现场安全帽佩戴情况的监控效率。
对采用本申请安全帽佩戴检测模型处理方法所得的安全帽佩戴检测模型的检测精度进行说明,分别用本申请中训练得到安全帽佩戴检测模型,以及普通安全帽佩戴检测模型对400张测试图像进行检测,检测结果如下表所示,由此可知本申请的安全帽佩戴检测模型的检测效果优于普通安全帽佩戴检测模型。其中,普通安全帽佩戴检测模型直接对RetinaNet模型进行训练得到的,AP(mean accuracy)和mAP(mean Average Precision)是多标签图像分类任务的评价方法。
表1安全帽佩戴检测模型检测效果对比表
安全帽佩戴检测模型 | 区别 | 戴安全帽AP | 未戴安全帽AP | mAP |
普通模型 | 常规FPN | 0.642 | 0.596 | 0.619 |
本申请模型 | 改进的FPN | 0.716 | 0.647 | 0.681 |
应该理解的是,虽然图2、5和7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、5和7中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种安全帽佩戴检测模型处理装置,包括:样本图像获取模块802、类别标记模块804、预训练模型获取模块806、预训练模型调整模块808和模型训练模块810,其中:
样本图像获取模块802,用于获取样本图像;样本图像包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像;
类别标记模块804,用于根据样本图像中人体头部是否佩戴安全帽,对样本图像进行类别标记,得到训练数据集和对应的检测类别数;
预训练模型获取模块806,用于获取对目标物体检测数据集训练所得的预训练模型;预训练模型包括特征金字塔网络和预测网络;目标物体检测数据集包括的物体图像中,物体的尺寸占比小于预设占比;
预训练模型调整模块808,用于将预训练模型的预测网络的输出类别数调整为检测类别数,得到调整后预训练模型;
模型训练模块810,用于将训练数据集输入调整后预训练模型进行训练,得到安全帽佩戴检测模型。
在一个实施例中,样本图像获取模块802,还用于:
获取人体头部佩戴安全帽的原始图像、人体头部未佩戴安全帽的原始图像;
对原始图像进行光度变形和/或几何变形的数据增强处理,得到预设数量的样本图像。
在一个实施例中,模型训练模块810,还用于:
对训练数据集所包含的样本图像进行缩放处理,得到处理后训练数据集,处理后训练数据集所包含的样本图像的分辨率为预设分辨率;
将处理后训练数据集输入调整后预训练模型进行训练,得到安全帽佩戴检测模型。
上述实施例中,终端在获取包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像的样本图像之后,根据样本图像中人体头部是否佩戴安全帽,对样本图像进行类别标记,得到训练数据集和对应的检测类别数,在获取基于目标物体检测数据集训练的预训练模型之后,调整该预训练模型的输出类别数为上述所得的检测类别数,得到调整后预训练模型,其中目标物体检测数据集包括的物体图像中,物体的尺寸占比小于预设占比,然后通过该调整后预训练模型训练安全帽佩戴检测模型,从而一方面提高了安全帽佩戴检测模型的训练效率,另一方面提高了训练所得的安全帽佩戴检测模型对安全帽的识别准确率,进而当使用训练所得的安全帽佩戴检测模型对施工现场图片进行安全帽佩戴检测时,确保了对施工现场安全帽佩戴情况的监控效率。
在一个实施例中,训练安全帽佩戴检测模型时,所使用的损失函数为:
Lfocal=-2α(1-y1)β(1-y*)ln(y1)-2(1-α)y*ln(y2)
其中,Lfocal为损失函数值,α为权重系数,β为聚焦系数,y1为正例的置信度,y2为负例的置信度,y*为类别值。
上述实施例中,终端在训练预训练模型以及训练安全帽佩戴检测模型时通过使用上述损失函数可以有效调整正负样本的对损失函数值的贡献度,使得正负样本对损失函数值的贡献度均衡,进而提高训练得到的安全帽佩戴检测模型的检测精度。
在一个实施例中,如图9所示,装置还包括:施工现场图像获取模块812、安全帽佩戴检测模块814和告警提示模块816,其中:
施工现场图像获取模块812,用于获取施工现场图像;
安全帽佩戴检测模块814,用于通过安全帽佩戴检测模型对施工现场图像进行安全帽佩戴检测,得到包围施工现场图像中人体头部的预测框和预测框对应的类别;
告警提示模块816,用于若根据类别确定出施工现场图像中存在未佩戴安全帽的人体头部,则进行告警提示。
在一个实施例中,安全帽佩戴检测模块,还用于:
通过安全帽佩戴检测模型的特征金字塔网络对施工现场图像进行提取,得到施工现场特征图;
通过安全帽佩戴检测模型的预测网络对施工现场特征图进行人体头部检测、分类和位置回归,得到包围施工现场图像中人体头部的预测框和预测框对应的类别。
上述实施例中,终端在获取施工现场图像之后,通过上述训练好的检测精度更高的安全帽佩戴检测模型对施工现场图像进行安全帽佩戴检测,得到包围施工现场图像中人体头部的预测框和预测框对应的类别,若根据类别确定出施工现场图像中存在未佩戴安全帽的人体头部,则进行告警提示,从而提高了对施工现场安全帽佩戴情况的监控效率。
关于安全帽佩戴检测模型处理装置的具体限定可以参见上文中对于安全帽佩戴检测模型处理方法的限定,在此不再赘述。上述安全帽佩戴检测模型处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种安全帽佩戴检测模型处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种安全帽佩戴检测模型处理方法。
本领域技术人员可以理解,图10或图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下的步骤:获取样本图像;样本图像包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像;根据样本图像中人体头部是否佩戴安全帽,对样本图像进行类别标记,得到训练数据集和对应的检测类别数;获取对目标物体检测数据集训练所得的预训练模型;预训练模型包括特征金字塔网络和预测网络;目标物体检测数据集包括的物体图像中,物体的尺寸占比小于预设占比;将预训练模型的预测网络的输出类别数调整为检测类别数,得到调整后预训练模型;将训练数据集输入调整后预训练模型进行训练,得到安全帽佩戴检测模型。
在一个实施例中,计算机程序被处理器执行获取样本图像的步骤时,使得处理器具体执行以下步骤:获取人体头部佩戴安全帽的原始图像、人体头部未佩戴安全帽的原始图像;对原始图像进行光度变形和/或几何变形的数据增强处理,得到预设数量的样本图像。
在一个实施例中,计算机程序被处理器执行将训练数据集输入调整后预训练模型进行训练,得到安全帽佩戴检测模型的步骤时,使得处理器具体执行以下步骤:对训练数据集所包含的样本图像进行缩放处理,得到处理后训练数据集,处理后训练数据集所包含的样本图像的分辨率为预设分辨率;将处理后训练数据集输入调整后预训练模型进行训练,得到安全帽佩戴检测模型。
在一个实施例中,计算机程序被处理器执行训练安全帽佩戴检测模型的步骤时,所使用的损失函数为:
Lfocal=-2α(1-y1)β(1-y*)ln(y1)-2(1-α)y*ln(y2)
其中,Lfocal为损失函数值,α为权重系数,β为聚焦系数,y1为正例的置信度,y2为负例的置信度,y*为类别值。
在一个实施例中,计算机程序被处理器执行时,使得处理器还执行以下的步骤:获取施工现场图像;通过安全帽佩戴检测模型对施工现场图像进行安全帽佩戴检测,得到包围施工现场图像中人体头部的预测框和预测框对应的类别;若根据类别确定出施工现场图像中存在未佩戴安全帽的人体头部,则进行告警提示。
在一个实施例中,计算机程序被处理器执行通过安全帽佩戴检测模型对施工现场图像进行安全帽佩戴检测,得到包围施工现场图像中人体头部的预测框和预测框对应的类别的步骤时,使得处理器具体执行以下步骤:通过安全帽佩戴检测模型的特征金字塔网络对施工现场图像进行提取,得到施工现场特征图;通过安全帽佩戴检测模型的预测网络对施工现场特征图进行人体头部检测、分类和位置回归,得到包围施工现场图像中人体头部的预测框和预测框对应的类别。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下的步骤:获取样本图像;样本图像包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像;根据样本图像中人体头部是否佩戴安全帽,对样本图像进行类别标记,得到训练数据集和对应的检测类别数;获取对目标物体检测数据集训练所得的预训练模型;预训练模型包括特征金字塔网络和预测网络;目标物体检测数据集包括的物体图像中,物体的尺寸占比小于预设占比;将预训练模型的预测网络的输出类别数调整为检测类别数,得到调整后预训练模型;将训练数据集输入调整后预训练模型进行训练,得到安全帽佩戴检测模型。
在一个实施例中,计算机程序被处理器执行获取样本图像的步骤时,使得处理器具体执行以下步骤:获取人体头部佩戴安全帽的原始图像、人体头部未佩戴安全帽的原始图像;对原始图像进行光度变形和/或几何变形的数据增强处理,得到预设数量的样本图像。
在一个实施例中,计算机程序被处理器执行将训练数据集输入调整后预训练模型进行训练,得到安全帽佩戴检测模型的步骤时,使得处理器具体执行以下步骤:对训练数据集所包含的样本图像进行缩放处理,得到处理后训练数据集,处理后训练数据集所包含的样本图像的分辨率为预设分辨率;将处理后训练数据集输入调整后预训练模型进行训练,得到安全帽佩戴检测模型。
在一个实施例中,计算机程序被处理器执行训练安全帽佩戴检测模型的步骤时,所使用的损失函数为:
Lfocal=-2α(1-y1)β(1-y*)ln(y1)-2(1-α)y*ln(y2)
其中,Lfocal为损失函数值,α为权重系数,β为聚焦系数,y1为正例的置信度,y2为负例的置信度,y*为类别值。
在一个实施例中,计算机程序被处理器执行时,使得处理器还执行以下的步骤:获取施工现场图像;通过安全帽佩戴检测模型对施工现场图像进行安全帽佩戴检测,得到包围施工现场图像中人体头部的预测框和预测框对应的类别;若根据类别确定出施工现场图像中存在未佩戴安全帽的人体头部,则进行告警提示。
在一个实施例中,计算机程序被处理器执行通过安全帽佩戴检测模型对施工现场图像进行安全帽佩戴检测,得到包围施工现场图像中人体头部的预测框和预测框对应的类别的步骤时,使得处理器具体执行以下步骤:通过安全帽佩戴检测模型的特征金字塔网络对施工现场图像进行提取,得到施工现场特征图;通过安全帽佩戴检测模型的预测网络对施工现场特征图进行人体头部检测、分类和位置回归,得到包围施工现场图像中人体头部的预测框和预测框对应的类别。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种安全帽佩戴检测模型处理方法,其特征在于,所述方法包括:
获取样本图像;所述样本图像包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像;
根据所述样本图像中人体头部是否佩戴安全帽,对所述样本图像进行类别标记,得到训练数据集和对应的检测类别数;
获取对目标物体检测数据集训练所得的预训练模型;所述预训练模型包括特征金字塔网络和预测网络;所述目标物体检测数据集包括的物体图像中,物体的尺寸占比小于预设占比;
将所述预训练模型的预测网络的输出类别数调整为所述检测类别数,得到调整后预训练模型;
将所述训练数据集输入所述调整后预训练模型进行训练,得到安全帽佩戴检测模型。
2.根据权利要求1所述的方法,其特征在于,所述获取样本图像,包括:
获取人体头部佩戴安全帽的原始图像、人体头部未佩戴安全帽的原始图像;
对所述原始图像进行光度变形和/或几何变形的数据增强处理,得到预设数量的样本图像。
3.根据权利要求1所述的方法,其特征在于,所述将所述训练数据集输入所述调整后预训练模型进行训练,得到安全帽佩戴检测模型,包括:
对所述训练数据集所包含的样本图像进行缩放处理,得到处理后训练数据集,所述处理后训练数据集所包含的样本图像的分辨率为预设分辨率;
将所述处理后训练数据集输入所述调整后预训练模型进行训练,得到安全帽佩戴检测模型。
4.根据权利要求1所述的方法,其特征在于,训练所述安全帽佩戴检测模型时,所使用的损失函数为:
L=-2α(1-y1)β(1-y*)ln(y1)-2(1-α)y*ln(y2)
其中,L为损失函数值,α为权重系数,β为聚焦系数,y1为正例的置信度,y2为负例的置信度,y*为类别值。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取施工现场图像;
通过所述安全帽佩戴检测模型对所述施工现场图像进行安全帽佩戴检测,得到包围所述施工现场图像中人体头部的预测框和所述预测框对应的类别;
若根据所述类别确定出所述施工现场图像中存在未佩戴安全帽的人体头部,则进行告警提示。
6.根据权利要求5所述的方法,其特征在于,所述通过所述安全帽佩戴检测模型对所述施工现场图像进行安全帽佩戴检测,得到包围所述施工现场图像中人体头部的预测框和所述预测框对应的类别,包括:
通过所述安全帽佩戴检测模型的特征金字塔网络对所述施工现场图像进行提取,得到施工现场特征图;
通过安全帽佩戴检测模型的预测网络对所述施工现场特征图进行人体头部检测、分类和位置回归,得到包围所述施工现场图像中人体头部的预测框和所述预测框对应的类别。
7.一种安全帽佩戴检测模型处理装置,其特征在于,所述装置包括:
样本图像获取模块,用于获取样本图像;所述样本图像包括人体头部佩戴安全帽的图像和人体头部未佩戴安全帽的图像;
类别标记模块,用于根据所述样本图像中人体头部是否佩戴安全帽,对所述样本图像进行类别标记,得到训练数据集和对应的检测类别数;
预训练模型获取模块,用于获取对目标物体检测数据集训练所得的预训练模型;所述预训练模型包括特征金字塔网络和预测网络;所述目标物体检测数据集包括的物体图像中,物体的尺寸占比小于预设占比;
预训练模型调整模块,用于将所述预训练模型的预测网络的输出类别数调整为所述检测类别数,得到调整后预训练模型;
模型训练模块,用于将所述训练数据集输入所述调整后预训练模型进行训练,得到安全帽佩戴检测模型。
8.根据权利要求7所述的装置,其特征在于,所述样本图像获取模块,还用于:
获取人体头部佩戴安全帽的原始图像、人体头部未佩戴安全帽的原始图像;
对所述原始图像进行光度变形和/或几何变形的数据增强处理,得到预设数量的样本图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581016.1A CN111815577B (zh) | 2020-06-23 | 2020-06-23 | 安全帽佩戴检测模型处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581016.1A CN111815577B (zh) | 2020-06-23 | 2020-06-23 | 安全帽佩戴检测模型处理方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815577A true CN111815577A (zh) | 2020-10-23 |
CN111815577B CN111815577B (zh) | 2024-06-07 |
Family
ID=72845610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010581016.1A Active CN111815577B (zh) | 2020-06-23 | 2020-06-23 | 安全帽佩戴检测模型处理方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815577B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906611A (zh) * | 2021-03-05 | 2021-06-04 | 新疆爱华盈通信息技术有限公司 | 一种井盖检测方法、装置、电子设备及存储介质 |
CN112966546A (zh) * | 2021-01-04 | 2021-06-15 | 航天时代飞鸿技术有限公司 | 一种基于无人机侦察图像的嵌入式姿态估计方法 |
CN113033289A (zh) * | 2021-01-29 | 2021-06-25 | 南瑞集团有限公司 | 一种基于dssd算法的安全帽佩戴检查方法、装置与系统 |
CN113052107A (zh) * | 2021-04-01 | 2021-06-29 | 北京华夏启信科技有限公司 | 一种检测安全帽佩戴情况的方法、计算机设备及存储介质 |
CN113139426A (zh) * | 2021-03-12 | 2021-07-20 | 浙江智慧视频安防创新中心有限公司 | 一种佩戴安全帽的检测方法、装置、存储介质及终端 |
CN113361340A (zh) * | 2021-05-17 | 2021-09-07 | 上海云从汇临人工智能科技有限公司 | 特征提示方法、装置及计算机存储介质 |
CN113469043A (zh) * | 2021-06-30 | 2021-10-01 | 南方科技大学 | 安全帽佩戴状态检测方法、装置、计算机设备和存储介质 |
CN113516082A (zh) * | 2021-07-19 | 2021-10-19 | 曙光信息产业(北京)有限公司 | 安全帽的检测方法、装置、计算机设备及存储介质 |
CN113792584A (zh) * | 2021-08-03 | 2021-12-14 | 云南大学 | 一种安全护具佩戴检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569722A (zh) * | 2019-08-01 | 2019-12-13 | 江苏濠汉信息技术有限公司 | 基于视觉分析的施工人员着装规范检测方法及装置 |
CN110956126A (zh) * | 2019-11-27 | 2020-04-03 | 云南电网有限责任公司电力科学研究院 | 一种联合超分辨率重建的小目标检测方法 |
-
2020
- 2020-06-23 CN CN202010581016.1A patent/CN111815577B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569722A (zh) * | 2019-08-01 | 2019-12-13 | 江苏濠汉信息技术有限公司 | 基于视觉分析的施工人员着装规范检测方法及装置 |
CN110956126A (zh) * | 2019-11-27 | 2020-04-03 | 云南电网有限责任公司电力科学研究院 | 一种联合超分辨率重建的小目标检测方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966546A (zh) * | 2021-01-04 | 2021-06-15 | 航天时代飞鸿技术有限公司 | 一种基于无人机侦察图像的嵌入式姿态估计方法 |
CN113033289A (zh) * | 2021-01-29 | 2021-06-25 | 南瑞集团有限公司 | 一种基于dssd算法的安全帽佩戴检查方法、装置与系统 |
CN112906611A (zh) * | 2021-03-05 | 2021-06-04 | 新疆爱华盈通信息技术有限公司 | 一种井盖检测方法、装置、电子设备及存储介质 |
CN112906611B (zh) * | 2021-03-05 | 2024-04-26 | 新疆爱华盈通信息技术有限公司 | 一种井盖检测方法、装置、电子设备及存储介质 |
CN113139426A (zh) * | 2021-03-12 | 2021-07-20 | 浙江智慧视频安防创新中心有限公司 | 一种佩戴安全帽的检测方法、装置、存储介质及终端 |
CN113052107B (zh) * | 2021-04-01 | 2023-10-24 | 北京华夏启信科技有限公司 | 一种检测安全帽佩戴情况的方法、计算机设备及存储介质 |
CN113052107A (zh) * | 2021-04-01 | 2021-06-29 | 北京华夏启信科技有限公司 | 一种检测安全帽佩戴情况的方法、计算机设备及存储介质 |
CN113361340A (zh) * | 2021-05-17 | 2021-09-07 | 上海云从汇临人工智能科技有限公司 | 特征提示方法、装置及计算机存储介质 |
CN113361340B (zh) * | 2021-05-17 | 2024-05-28 | 上海云从汇临人工智能科技有限公司 | 特征提示方法、装置及计算机存储介质 |
CN113469043A (zh) * | 2021-06-30 | 2021-10-01 | 南方科技大学 | 安全帽佩戴状态检测方法、装置、计算机设备和存储介质 |
CN113516082A (zh) * | 2021-07-19 | 2021-10-19 | 曙光信息产业(北京)有限公司 | 安全帽的检测方法、装置、计算机设备及存储介质 |
CN113792584A (zh) * | 2021-08-03 | 2021-12-14 | 云南大学 | 一种安全护具佩戴检测方法及系统 |
CN113792584B (zh) * | 2021-08-03 | 2023-10-27 | 云南大学 | 一种安全护具佩戴检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111815577B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815577B (zh) | 安全帽佩戴检测模型处理方法、装置、设备和存储介质 | |
CN108921159B (zh) | 用于检测安全帽的佩戴情况的方法和装置 | |
CN112232293B (zh) | 图像处理模型训练、图像处理方法及相关设备 | |
CN111353512B (zh) | 障碍物分类方法、装置、存储介质和计算机设备 | |
US10366300B1 (en) | Systems and methods regarding 2D image and 3D image ensemble prediction models | |
CN109117760B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
US11670097B2 (en) | Systems and methods for 3D image distification | |
US10289938B1 (en) | Systems and methods regarding image distification and prediction models | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
US9305208B2 (en) | System and method for recognizing offensive images | |
US11941891B2 (en) | Method for detecting lane line, vehicle and computing device | |
CN111667001B (zh) | 目标重识别方法、装置、计算机设备和存储介质 | |
CN116152863B (zh) | 一种人员信息识别方法、装置、电子设备及存储介质 | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN108229289B (zh) | 目标检索方法、装置和电子设备 | |
CN113888514A (zh) | 导地线缺陷检测方法、装置、边缘计算设备和存储介质 | |
CN113034514A (zh) | 天空区域分割方法、装置、计算机设备和存储介质 | |
CN112381092B (zh) | 跟踪方法、装置及计算机可读存储介质 | |
CN113627406A (zh) | 异常行为检测方法、装置、计算机设备和存储介质 | |
CN111815576A (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN112862730B (zh) | 点云特征增强方法、装置、计算机设备和存储介质 | |
CN110569921A (zh) | 一种车标识别方法、系统、装置及计算机可读介质 | |
CN115115552B (zh) | 图像矫正模型训练及图像矫正方法、装置和计算机设备 | |
CN115731442A (zh) | 图像处理方法、装置、计算机设备和存储介质 |
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 |