CN112906497A - 一种基于嵌入式的安全帽检测方法和设备 - Google Patents

一种基于嵌入式的安全帽检测方法和设备 Download PDF

Info

Publication number
CN112906497A
CN112906497A CN202110123374.2A CN202110123374A CN112906497A CN 112906497 A CN112906497 A CN 112906497A CN 202110123374 A CN202110123374 A CN 202110123374A CN 112906497 A CN112906497 A CN 112906497A
Authority
CN
China
Prior art keywords
feature map
layer
dimension
inputting
convolution
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
CN202110123374.2A
Other languages
English (en)
Inventor
王俊杰
农元军
吕文胜
徐晓东
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202110123374.2A priority Critical patent/CN112906497A/zh
Publication of CN112906497A publication Critical patent/CN112906497A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于嵌入式的安全帽检测方法和设备，该方法包括：获取待检测图像数据；利用特征提取网络对所述待检测图像数据进行特征提取，得到多个不同维度的特征图；所述特征提取网络为网络层数和卷积核数均少于传统darknet‑53神经网络的精简darknet‑53神经网络；利用构建好的改进的YOLOv3网络模型对所述多个不同维度的特征图进行检测识别，得到安全帽图像区域；其中，所述改进的YOLOv3网络模型包含四层YOLO检测层。本发明能够降低网络参数量，提升检测速度，且精度高于原始的YOLOv3。

Description

一种基于嵌入式的安全帽检测方法和设备
技术领域
本发明涉及目标检测技术领域，特别是涉及一种基于嵌入式的安全帽检测方法和设备。
背景技术
安全帽作为作业工人最基本的个体防护装备，对作业人员的生命安全具有重要意义。但是部分作业人员安全意识缺乏，不佩戴安全帽行为时常发生。为了保障作业人员的人身安全，安全帽的实时检测十分必要。
随着计算机视觉和卷积神经网络的快速发展，目标检测技术掀起新的研究热潮，为安全帽检测提供新的研究视角。利用目标检测算法对安全帽进行检测，实现了较高的准确率，已有技术中对安全帽进行检测，取得了90％以上的准确率。尽管取得了较高的准确率，但也存在一定的局限性，目前基于卷积神经网络的目标检测算法由于参数巨大，对计算资源消耗大，现有的检测模式需要将视频文件传到服务器端，并依赖大型GPU计算平台进行计算和优化，难以向嵌入式平台移植，无法满足实时性和便捷性检测的现实需求。
发明内容
本发明的目的是提供一种基于嵌入式的安全帽检测方法和设备，以实现借助嵌入式平台进行安全帽检测，提高安全帽检测的实时性和便捷性。
为实现上述目的，本发明提供了如下方案：一种基于嵌入式的安全帽检测方法，所述方法包括：
获取待检测图像数据；
利用特征提取网络对所述待检测图像数据进行特征提取，得到多个不同维度的特征图；所述特征提取网络为网络层数和卷积核数均少于传统darknet-53神经网络的精简darknet-53神经网络；
利用构建好的改进的YOLOv3网络模型对所述多个不同维度的特征图进行检测识别，得到安全帽图像区域；其中，所述改进的YOLOv3网络模型包含四层YOLO检测层。
可选的，所述特征提取网络具体包括一卷积层、五个下采样层和五个残差块。
可选的，所述特征提取网络的具体网络结构为：
第一卷积层：卷积核尺寸c1*c1，数目filters＝N1；
第一下采样层：卷积核尺寸c2*c2，数目filters＝N2；
第一残差块：包括一个shortcut connection和两个卷积层；第一个卷积层的卷积核尺寸c3a*c3a，数目filters＝N3a；第二个卷积层的卷积核尺寸c3b*c3b，数目filters＝N3b；
第二下采样层：卷积核尺寸c4*c4，数目filters＝N4；
第二残差块：包括一个shortcut connection和两个卷积层；第一个卷积层的卷积核尺寸c5a*c5a，数目filters＝N5a；第二个卷积层的卷积核尺寸c5b*c5b，数目filters＝N5b；
第三下采样层：卷积核尺寸c6*c6，数目filters＝N6；
第三残差块：包括一个shortcut connection和两个卷积层；第一个卷积层的卷积核尺寸c7a*c7a，数目filters＝N7a；第二个卷积层的卷积核尺寸c7b*c7b，数目filters＝N7b；
第四下采样层：卷积核尺寸c8*c8，数目filters＝N8；
第四残差块：包括一个shortcut connection和两个卷积层；第一个卷积层的卷积核尺寸c9a*c9a，数目filters＝N9a；第二个卷积层的卷积核尺寸c9b*c9b，数目filters＝N9b；
第五下采样层：卷积核尺寸c10*c10，数目filters＝N10；
第五残差块：包括一个shortcut connection和两个卷积层；第一个卷积层的卷积核尺寸c11a*c11a，数目filters＝N11a；第二个卷积层的卷积核尺寸c11b*c11b，数目filters＝N11b。
可选的，所述利用特征提取网络对所述待检测图像数据进行特征提取，得到多个不同维度的特征图，具体包括：
将尺寸为W0*W0的图片M0输入第一卷积层，使用批标准化和leaky激活函数进行特征提取，得到维度为W1*W1*N1的特征图M1；
将特征图M1输入第一下采样层，使用批标准化和leaky激活函数进行特征提取，得到维度为W2*W2*N2的特征图M2；
将特征图M2输入第一残差块，第一残差块的两个卷积层使用批标准化和leaky激活函数、shortcut connection使用linear激活函数进行特征提取，得到维度为W3*W3*N3b的特征图M3；
将特征图M3输入第二下采样层，使用批标准化和leaky激活函数进行特征提取，得到维度为W4*W4*N4的特征图M4；
将特征图M4输入第二残差块，第二残差块的两个卷积层使用批标准化和leaky激活函数、shortcut connection使用linear激活函数进行特征提取，得到维度为W5*W5*N5b的特征图M5；
将特征图M5输入第三下采样层，使用批标准化和leaky激活函数进行特征提取，得到维度为W6*W6*N6的特征图M6；
将特征图M6输入第三残差块，第三残差块的两个卷积层使用批标准化和leaky激活函数、shortcut connection使用linear激活函数进行特征提取，得到维度为W7*W7*N7b的特征图M7；
将特征图M7输入第四下采样层，使用批标准化和leaky激活函数进行特征提取，得到维度为W8*W8*N8的特征图M8；
将特征图M8输入第四残差块，第四残差块的两个卷积层使用批标准化和leaky激活函数、shortcut connection使用linear激活函数进行特征提取，得到维度为W9*W9*N9b的特征图M9；
将特征图M9输入第五下采样层，使用批标准化和leaky激活函数进行特征提取，得到维度为W10*W10*N10的特征图M10；
将特征图M10输入第五残差块，第五残差块的两个卷积层使用批标准化和leaky激活函数、shortcut connection使用linear激活函数进行特征提取，得到维度为W11*W11*N11b的特征图M11。
可选的，所述改进的YOLOv3网络模型具体包括十五个卷积层、三个上采样层和四个YOLO检测层。
可选的，所述改进的YOLOv3网络模型的具体网络结构为：
卷积层一：卷积核尺寸c12*c12，数目filters＝N12；
卷积层二：卷积核尺寸c13*c13，数目filters＝N13；
卷积层三：卷积核尺寸c14*c14，数目filters＝N14；
YOLO检测层一：包含三个先验锚点框(x1，y1)、(x2，y2)和(x3，y3)；
卷积层四：卷积核尺寸c15*c15，数目filters＝N15；
上采样层一：步长为L1；
卷积层五：卷积核尺寸c16*c16，数目filters＝N16；
卷积层六：卷积核尺寸c17*c17，数目filters＝N17；
卷积层七：卷积核尺寸c18*c18，数目filters＝N18；
YOLO检测层二：包含三个先验锚点框(x4，y4)、(x5，y5)和(x6，y6)；
卷积层八：卷积核尺寸c19*c19，数目filters＝N19；
上采样层二：步长为L2；
卷积层九：卷积核尺寸c20*c20，数目filters＝N20；
卷积层十：卷积核尺寸c21*c21，数目filters＝N21；
卷积层十一：卷积核尺寸c22*c22，数目filters＝N22；
YOLO检测层三：包含三个先验锚点框(x7，y7)、(x8，y8)和(x9，y9)；
卷积层十二：卷积核尺寸c23*c23，数目filters＝N23；
上采样层三：步长为L3；
卷积层十三：卷积核尺寸c24*c24，数目filters＝N24；
卷积层十四：卷积核尺寸c25*c25，数目filters＝N25；
卷积层十五：卷积核尺寸c26*c26，数目filters＝N26；
YOLO检测层一：包含三个先验锚点框(x10，y10)、(x11，y11)和(x12，y12)。
可选的，所述利用构建好的改进的YOLOv3网络模型对所述多个不同维度的特征图进行检测识别，得到安全帽图像区域，具体包括：
将特征图M11输入卷积层一，使用批标准化和leaky激活函数进行特征提取，得到维度为W12*W12*N12的特征图M12；
将特征图M12输入卷积层二，使用批标准化和leaky激活函数进行特征提取，得到维度为W13*W13*N13的特征图M13；
将特征图M13输入卷积层三，使用批标准化和leaky激活函数进行特征提取，得到维度为W14*W14*N14的特征图M14；
将特征图M14输入YOLO检测层一，得到维度为W14*W14*N14的第一YOLO检测层输出结果；
将特征图M12输入卷积层四，使用批标准化和leaky激活函数进行特征提取，得到维度为W15*W15*N15的特征图M15；
将特征图M15输入上采样层一进行步长为L1的上采样操作，得到维度为W16*W16*N15的特征图M16；
将特征图M16与特征图M9进行拼接，得到维度为W17*W17*(N15+N9)的特征图M17；
将特征图M17输入卷积层五，使用批标准化和leaky激活函数进行特征提取，得到维度为W18*W18*N16的特征图M18；
将特征图M18输入卷积层六，使用批标准化和leaky激活函数进行特征提取，得到维度为W19*W19*N17的特征图M19；
将特征图M19输入卷积层七，使用批标准化和leaky激活函数进行特征提取，得到维度为W20*W20*N18的特征图M20；
将特征图M20输入YOLO检测层二，得到维度为W20*W20*N18的第二YOLO检测层输出结果；
将特征图M16输入卷积层八，使用批标准化和leaky激活函数进行特征提取，得到维度为W21*W21*N19的特征图M21；。
将特征图M21输入上采样层二进行步长为L2的上采样操作，得到维度为W22*W22*N19的特征图M22；
将特征图M22与特征图M7进行拼接，得到维度为W23*W23*(N19+N7)的特征图M23；
将特征图M23输入卷积层九，使用批标准化和leaky激活函数进行特征提取，得到维度为W24*W24*N20的特征图M24；
将特征图M24输入卷积层十，使用批标准化和leaky激活函数进行特征提取，得到维度为W25*W25*N21的特征图M25；
将特征图M25输入卷积层十一，使用批标准化和leaky激活函数进行特征提取，得到维度为W26*W26*N22的特征图M26；
将特征图M26输入YOLO检测层三，得到维度为W26*W26*N22的第三YOLO检测层输出结果；
将特征图M24输入卷积层十二，使用批标准化和leaky激活函数进行特征提取，得到维度为W27*W27*N23的特征图M27；
将特征图M27输入上采样层三进行步长为L3的上采样操作，得到维度为W28*W28*N23的特征图M28；
将特征图M28与特征图M5进行拼接，得到维度为W29*W29*(N23+N5)的特征图M29；
将特征图M29输入卷积层十三，使用批标准化和leaky激活函数进行特征提取，得到维度为W30*W30*N24的特征图M30；
将特征图M30输入卷积层十四，使用批标准化和leaky激活函数进行特征提取，得到维度为W31*W31*N25的特征图M31；
将特征图M31输入卷积层十五，使用批标准化和leaky激活函数进行特征提取，得到维度为W32*W32*N26的特征图M32；
将特征图M32输入YOLO检测层四，得到维度为W32*W32*N26的第四YOLO检测层输出结果。
可选的，四层所述YOLO检测层共包含12个先验锚点框；所述先验锚点框是通过对历史安全帽数据集采用k-means聚类算法进行聚类得到的。
可选的，所述构建改进的YOLOv3网络模型具体包括：
构建所述改进的YOLOv3网络模型的具体网络结构；
获取设定数量的历史安全帽数据集；
将所述历史安全帽数据集分为训练集和测试集；
利用所述训练集采用多尺度训练策略对所述改进的YOLOv3网络模型进行训练，得到训练后的改进的YOLOv3网络模型；
利用所述测试集对所述训练后的改进的YOLOv3网络模型进行测试，并获取训练后的改进的YOLOv3网络模型的评价指标，所述评价指标包括精确率、召回率、平均精确率以及模型大小；
根据评价指标确定创建好的改建的YOLOv3网络模型。
本发明还提供了一种基于嵌入式的安全帽检测设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-9任一项所述的基于嵌入式的安全帽检测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
(1)本发明在特征提取部分对原始Darknet-53网络进行精简，减小网络层数和卷积核个数，形成新的特征提取网络，精简后的特征提取网络包含五个残差块、五个降采样层以及一个卷积层，降低了网络参数量，提升检测速度。
(2)在安全帽目标检测部分，在传统的YOLOv3网络模型基础上增加一个YOLO检测层，丰富网络的多尺度预测，降低了特征提取网络由于结构精简和卷积核变小而造成的精度损失，同时提高本发明对小目标的识别能力，从而提升整个方法的性能。
(3)本发明改进的YOLOv3网络模型检测精度高：本发明在测试集上取得了85.76％的平均准确率，高于YOLOv3的82.14％。
(4)本发明改进的YOLOv3网络模型所占内存小，大小只有8.6MB，小于YOLOv3-tiny的34.7MB。因此更适合应用于嵌入式系统中。
(5)本发明检测速度快，本发明在NVIDIAJetson TX2上达到了17FPS的检测速度，远高于YOLOv3的3FPS，稍微逊色于YOLOv3-tiny的18.5FPS，基本满足了实时检测的需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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基于嵌入式的安全帽检测方法的流程图；
图2为本发明实施例提供的基于嵌入式的安全帽检测方法的神经网络结构图；
图3为本发明与其他两种模型在测试集上对两类样本检测的PR曲线图；其中(a)为佩戴安全帽，(b)为未佩戴安全帽；
图4为本发明在测试集上的检测效果图；
图5为本发明在嵌入式设备JETSON TX2上进行速度检测的实验图。
具体实施方式
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
YOLOv3是Redmon于2018年提出的一种基于卷积神经网络的端到端目标检测算法。鉴于YOLOv3在检测速度具有较大的优势，并且很好地平衡了检测速度和精度的关系，本发明基于YOLOv3，提出一种适用于安全帽检测的轻量化算法。
首先，在特征提取部分对原始Darknet-53进行精简，减小网络层数和卷积核个数，以降低网络参数量，提升检测速度。精简后的特征提取部分包含五个残差块、五个降采样层以及一个卷积层。
其次，在目标检测部分，增加一个YOLO检测层，丰富网络多尺度预测，降低特征提取部分结构精简和卷积核变小造成的精度损失。同时，受作业现场空间位置的限制，检测安全帽设备与待检查人员存在一定的距离，造成输入检测网络的安全帽目标较小，给网络检测带来困难，容易出现漏检现象，增加一个YOLO检测层可提高网络对小目标的识别能力，从而提升整个网络的性能。
最后，采用k-means算法重新进行聚类。传统的YOLO v3使用k-means算法预测得到9个先验框，并将其均分到3个尺度特征图进行预测，但其得到的9个先验框不适合本文的安全帽检测场景，因此需要重新进行聚类。由于本文增加了一个YOLO检测层，需要计算12个先验框。最后采用k-means计算得到的12个先验框为：(5，11)、(8，16)、(11，21)、(16，28)、(22，37)、(29，52)、(41，66)、(50，95)、(75，111)、(82，164)、(130，200)、(225，289)，面积从小到大均分到4个不同尺度的特征图上。
如图1所示，本实施例提供的基于嵌入式的安全帽检测方法包括：
步骤101：获取待检测图像数据；
步骤102：利用特征提取网络对所述待检测图像数据进行特征提取，得到多个不同维度的特征图；所述特征提取网络为网络层数和卷积核数均少于传统darknet-53神经网络的精简darknet-53神经网络；
步骤103：利用构建好的改进的YOLOv3网络模型对所述多个不同维度的特征图进行检测识别，得到安全帽图像区域；其中，所述改进的YOLOv3网络模型包含四层YOLO检测层。
下面结合本实施例的神经网络结构图图2进一步阐述本实施例的实现流程：
一、特征提取部分
以尺寸为416*416的图片M0为例输入特征提取网络：
(1)将尺寸为416*416的图片M0输入第一卷积层，该第一卷积层设置步长stride＝1，卷积核尺寸size＝3*3，数目filters＝16，pad＝1，使用批标准化和leaky激活函数进行特征提取，得到维度为416*416*16的特征图M1。
(2)将维度为416*416*16的特征图M1输入第一下采样层，该第一下采样层设置步长stride＝2，卷积核尺寸size＝3*3，数目filters＝20，pad＝1，使用批标准化和leaky激活函数进行特征提取，得到维度为208*208*20的特征图M2。
(3)将2维度为208*208*20的特征图M2输入第一残差块，该第一残差块包含一个shortcut connection和两个卷积层，第一个卷积层设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝8，pad＝1，使用批标准化和leaky激活函数进行特征提取，第二个卷积层设置步长stride＝1，卷积核尺寸size＝3*3，数目filters＝22，pad＝1，使用批标准化和leaky激活函数进行特征提取，shortcut connection使用linear激活函数进行特征提取，特征图M2经过第一残差块后得到维度为208*208*22的特征图M3。
(4)将维度为208*208*22的特征图M3输入第二下采样层，该第二下采样层设置步长stride＝2，卷积核尺寸size＝3*3，数目filters＝40，pad＝1，使用批标准化和leaky激活函数进行特征提取，得到维度为104*104*40的特征图M4。
(5)将维度为104*104*40的特征图M4输入第二残差块，该第二残差块包含一个shortcut connection和两个卷积层，第一个卷积层设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝16，pad＝1，使用批标准化和leaky激活函数进行特征提取，第二个卷积层设置步长stride＝1，卷积核尺寸size＝3*3，数目filters＝44，pad＝1，使用批标准化和leaky激活函数进行特征提取，shortcut connection使用linear激活函数进行特征提取，特征图M4经过第二残差块后得到维度为104*104*44的特征图M5。
(6)将维度为104*104*44的特征图M5输入第三下采样层，该第三下采样层设置步长stride＝2，卷积核尺寸size＝3*3，数目filters＝80，pad＝1，使用批标准化和leaky激活函数进行特征提取，得到维度为52*52*80的特征图M6。
(7)将维度为52*52*80的特征图M6输入第三残差块，该第三残差块包含一个shortcut connection和两个卷积层，第一个卷积层设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝32，pad＝1，使用批标准化和leaky激活函数进行特征提取，第二个卷积层设置步长stride＝1，卷积核尺寸size＝3*3，数目filters＝88，pad＝1，使用批标准化和leaky激活函数进行特征提取，shortcut connection使用linear激活函数进行特征提取，特征图M6经过第三残差块后得到维度为52*52*88的特征图M7。
(8)将维度为52*52*88的特征图M7输入第四下采样层，该第四下采样层设置步长stride＝2，卷积核尺寸size＝3*3，数目filters＝160，pad＝1，使用批标准化和leaky激活函数进行特征提取，得到维度为26*26*160的特征图M8。
(9)将维度为26*26*160的特征图M8输入第四残差块，该第四残差块包含一个shortcut connection和两个卷积层，第一个卷积层设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝64，pad＝1，使用批标准化和leaky激活函数进行特征提取，第二个卷积层设置步长stride＝1，卷积核尺寸size＝3*3，数目filters＝176，pad＝1，使用批标准化和leaky激活函数进行特征提取，shortcut connection使用linear激活函数进行特征提取，特征图M8经过第四残差块后得到维度为26*26*176的特征图M9。
(10)将维度为26*26*176的特征图M9输入第五下采样层，该第五下采样层设置步长stride＝2，卷积核尺寸size＝3*3，数目filters＝320，pad＝1，使用批标准化和leaky激活函数进行特征提取，得到维度为13*13*320的特征图M10。
(11)将维度为13*13*320的特征图M10输入第五残差块，该第五残差块包含一个shortcut connection和两个卷积层，第一个卷积层设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝128，pad＝1，使用批标准化和leaky激活函数进行特征提取，第二个卷积层设置步长stride＝1，卷积核尺寸size＝3*3，数目filters＝352，pad＝1，使用批标准化和leaky激活函数进行特征提取，shortcut connection使用linear激活函数进行特征提取，特征图M10经过第五残差块后得到维度为13*13*352的特征图M11。
二、目标检测部分。
利用改进的YOLOv3网络模型进行安全帽检测：
(12)将维度为13*13*352的特征图M11输入改进的YOLOv3网络模型的卷积层一，该卷积层一设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝128，pad＝1，使用批标准化和leaky激活函数，得到维度为13*13*128的特征图M12。
(13)将维度为13*13*128的特征图M12输入卷积层二，该卷积层二设置步长stride＝1，卷积核尺寸size＝3*3，数目filters＝512，pad＝1，使用批标准化和leaky激活函数，得到维度为13*13*512的特征图M13。
(14)将维度为13*13*512的特征图M13输入卷积层三，该卷积层三设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝21，pad＝1，使用linear激活函数，得到维度为13*13*21的特征图M14。
(15)将维度为13*13*21的特征图M14输入检测部分的YOLO检测层一，该层设置三个大小为(82，164)、(130，200)、(225，289)的先验锚点框(anchors)，类别classes＝2，num＝12(每个grid cell预测几个box，和anchors的数量一致)，随机调整宽高比的范围jitter＝0.3(数据增强手段，通过抖动增加噪声来抑制过拟合)，参与计算的IOU阈值ignore_thresh＝0.7(当预测的检测框真实框的IOU值大于ignore_thresh时，参与损失值loss的计算，否则，不参与计算)，random＝1(random＝1表示打开随机多尺度训练，random＝0表示关闭随机多尺度训练)，得到维度为13*13*21的第一YOLO检测层输出结果。
(16)将维度为13*13*128的特征图M12输入卷积层四，该卷积层四设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝64，pad＝1，使用批标准化和leaky激活函数，得到维度为13*13*64的特征图M15。
(17)将维度为13*13*64的特征图M15输入上采样层一进行步长为stride＝2的上采样操作，得到维度为26*26*64的特征图M16。
(18)将维度为26*26*64的特征图M16与维度为26*26*176的特征图M9进行拼接，得到维度为26*26*240的特征图M17。
(19)将维度为26*26*240的特征图M17输入卷积层五，该卷积层五设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝64，pad＝1，使用批标准化和leaky激活函数，得到维度为26*26*64的特征图M18。
(20)将维度为26*26*64的特征图M18输入卷积层六，该卷积层六设置步长stride＝1，卷积核尺寸size＝3*3，数目filters＝256，pad＝1，使用批标准化和leaky激活函数，得到维度为26*26*256的特征图M19。
(21)将维度为26*26*256的特征图M19输入卷积层七，该卷积层七设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝21，pad＝1，使用linear激活函数，得到维度为26*26*21的特征图M20。
(22)将维度为26*26*21的特征图M20输入YOLO检测层二，该层设置三个大小为(41，66)、(50，95)、(75，111)的先验锚点框(anchors)，类别classes＝2，num＝12(每个gridcell预测几个box，和anchors的数量一致)，随机调整宽高比的范围jitter＝0.3(数据增强手段，通过抖动增加噪声来抑制过拟合)，参与计算的IOU阈值ignore_thresh＝0.7(当预测的检测框真实框的IOU值大于ignore_thresh时，参与损失值loss的计算，否则，不参与计算)，random＝1(random＝1表示打开随机多尺度训练，random＝0表示关闭随机多尺度训练)，得到维度为26*26*21的第二YOLO检测层输出结果。
(23)将维度为26*26*64的特征图M16输入卷积层八，该卷积层八设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝32，pad＝1，使用批标准化和leaky激活函数，得到维度为26*26*32的特征图M21。
(24)将维度为26*26*32的特征图M21输入上采样层二进行步长stride＝2的上采样操作，得到维度为52*52*32的特征图M22。
(25)将维度为52*52*32的特征图M22与维度为52*52*88的特征图M7进行拼接，得到维度为52*52*120的特征图M23。
(26)将维度为52*52*120的特征图M23输入卷积层九，该卷积层九设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝32，pad＝1，使用批标准化和leaky激活函数，得到维度为52*52*32的特征图M24。
(27)将维度为52*52*32的特征图M24输入卷积层十，该卷积层十设置步长stride＝1，卷积核尺寸size＝3*3，数目filters＝128，pad＝1，使用批标准化和leaky激活函数，得到维度为52*52*128的特征图M25。
(28)将维度为52*52*128的特征图M25输入卷积层十一，该卷积层十一设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝21，pad＝1，使用linear激活函数，得到维度为52*52*21的特征图M26。
(29)将维度为52*52*21的特征图M26输入YOLO检测层三，该层设置三个大小为(16，28)、(22，37)、(29，52)的先验锚点框(anchors)，类别classes＝2，num＝12(每个gridcell预测几个box，和anchors的数量一致)，随机调整宽高比的范围jitter＝0.3(数据增强手段，通过抖动增加噪声来抑制过拟合)，参与计算的IOU阈值ignore_thresh＝0.7(当预测的检测框真实框的IOU值大于ignore_thresh时，参与损失值loss的计算，否则，不参与计算)，random＝1(random＝1表示打开随机多尺度训练，random＝0表示关闭随机多尺度训练)，得到维度为52*52*21的第三YOLO检测层输出结果。
(30)将维度为52*52*32的特征图M24输入卷积层十二，该卷积层十二设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝16，pad＝1，使用批标准化和leaky激活函数，得到维度为52*52*16的特征图M27。
(31)将维度为52*52*16的特征图M27输入上采样层三进行步长stride＝2的上采样操作，得到维度为104*104*16的特征图M28。
(32)将维度为104*104*16的特征图M28与维度为104*104*44的特征图M5进行拼接，得到维度为104*104*60的特征图M29。
(33)将维度为104*104*60的特征图M29输入卷积层十三，该卷积层十三设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝16，pad＝1，使用批标准化和leaky激活函数，得到维度为104*104*16的特征图M30。
(34)将维度为104*104*16的特征图M31输入卷积层十四，该卷积层十四设置步长stride＝1，卷积核尺寸size＝3*3，数目filters＝64，pad＝1，使用批标准化和leaky激活函数，得到维度为104*104*64的特征图M31。
(35)将维度为104*104*64的特征图M31输入卷积层十五，该卷积层十五设置步长stride＝1，卷积核尺寸size＝1*1，数目filters＝21，pad＝1，使用linear激活函数，得到维度为104*104*21的特征图M32。
(36)将维度为104*104*21的特征图M32输入YOLO检测层四，该层设置三个大小为(5，11)、(8，16)、(11，21)的先验锚点框(anchors)，类别classes＝2，num＝12(每个gridcell预测几个box，和anchors的数量一致)，随机调整宽高比的范围jitter＝0.3(数据增强手段，通过抖动增加噪声来抑制过拟合)，参与计算的IOU阈值ignore_thresh＝0.7(当预测的检测框真实框的IOU值大于ignore_thresh时，参与损失值loss的计算，否则，不参与计算)，random＝1(random＝1表示打开随机多尺度训练，random＝0表示关闭随机多尺度训练)，得到维度为104*104*21的第四YOLO检测层输出结果。
三、本实施例的神经网络的网络训练和检测部分。
(37)本实施例中使用网上开源的SHWD和GDUT-HWD安全帽数据集作为本文的数据集。两个数据集合并后图片数量共10755张，随机将其中的8655张图片作为训练集，剩余的2100张作为测试集。数据集由佩戴安全帽的hat类和未佩戴安全帽的person类两类样本组成。
(38)实验基于darknet深度学习框架进行，操作系统采用Ubuntu 16.04。
(39)网络模型初始参数设置为：学习率Learning_rate＝0.001、动量Momentum＝0.9、权重衰减正则项Decay＝0.0005。
(40)采用多尺度训练策略，每训练十轮就重新调整输入尺寸的大小，增强对不同分辨率图像的鲁棒性。
(41)采用精确率P、召回率R、平均精确率mAP以及模型大小MB作为评价模型的指标。
(42)采用训练集对网络进行训练，迭代8万次后在测试集上计算准确率及召回率，如表1所示。
表1模型测试结果
Figure BDA0002922886920000161
(43)采用迭代12万次的权重文件作为最终的模型权值文件。
采用相同的训练集和测试集对原始YOLOv3和YOLOv3-tiny进行训练和测试，与本发明进行比较，如表2所示。图3展示了三种模型在测试集上对两类样本检测的PR曲线图。图4展示了本发明提出的方法在测试集上的检测效果图。
表2不同模型检测结果比较
Figure BDA0002922886920000162
Figure BDA0002922886920000171
(44)将训练好的网络移植到嵌入端NVIDIAJetson TX2上进行部署，以检验模型在NVIDIA Jetson TX2上的检测速度。NVIDIA Jetson TX2是英伟达公司开发的高性能AI计算终端，采用NVIDIAPascalTM构架，外形小巧、
节能高效，适用机器人、无人机等智能边缘设备。
(45)同样将训练好的YOLOv3和YOLOv3-tiny模型移植到嵌入端NVIDIAJetsonTX2上进行速度检验，与本发明进行比较，如图5所示。采用分辨率为480*360的视频输入模型进行速度检测，结果如表3所示。
表3不同模型速度检验结果
Figure BDA0002922886920000172
根据上述对比结果，如表2所示，本发明在测试集上取得了85.76％的平均准确率，高于YOLOv3的82.14％，因此本发明的检测方法检测精度高。
而且本发明模型所占内存小，大小只有8.6MB，小于YOLOv3-tiny的34.7MB。更适用于嵌入式平台。
如表3所示，本发明在NVIDIA JetsonTX2上达到了17FPS的检测速度，远高于YOLOv3的3FPS，稍微逊色于YOLOv3-tiny的18.5FPS，基本满足了实时检测的需求。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于嵌入式的安全帽检测方法，其特征在于，所述方法包括：
获取待检测图像数据；
利用特征提取网络对所述待检测图像数据进行特征提取，得到多个不同维度的特征图；所述特征提取网络为网络层数和卷积核数均少于传统darknet-53神经网络的精简darknet-53神经网络；
利用构建好的改进的YOLOv3网络模型对所述多个不同维度的特征图进行检测识别，得到安全帽图像区域；其中，所述改进的YOLOv3网络模型包含四层YOLO检测层。
2.根据权利要求1所述的检测方法，其特征在于，所述特征提取网络具体包括一卷积层、五个下采样层和五个残差块。
3.根据权利要求2所述的检测方法，其特征在于，所述特征提取网络的具体网络结构为：
第一卷积层：卷积核尺寸c1*c1，数目filters＝N1；
第一下采样层：卷积核尺寸c2*c2，数目filters＝N2；
第一残差块：包括一个shortcut connection和两个卷积层；第一个卷积层的卷积核尺寸c3a*c3a，数目filters＝N3a；第二个卷积层的卷积核尺寸c3b*c3b，数目filters＝N3b；
第二下采样层：卷积核尺寸c4*c4，数目filters＝N4；
第二残差块：包括一个shortcut connection和两个卷积层；第一个卷积层的卷积核尺寸c5a*c5a，数目filters＝N5a；第二个卷积层的卷积核尺寸c5b*c5b，数目filters＝N5b；
第三下采样层：卷积核尺寸c6*c6，数目filters＝N6；
第三残差块：包括一个shortcut connection和两个卷积层；第一个卷积层的卷积核尺寸c7a*c7a，数目filters＝N7a；第二个卷积层的卷积核尺寸c7b*c7b，数目filters＝N7b；
第四下采样层：卷积核尺寸c8*c8，数目filters＝N8；
第四残差块：包括一个shortcut connection和两个卷积层；第一个卷积层的卷积核尺寸c9a*c9a，数目filters＝N9a；第二个卷积层的卷积核尺寸c9b*c9b，数目filters＝N9b；
第五下采样层：卷积核尺寸c10*c10，数目filters＝N10；
第五残差块：包括一个shortcut connection和两个卷积层；第一个卷积层的卷积核尺寸c11a*c11a，数目filters＝N11a；第二个卷积层的卷积核尺寸c11b*c11b，数目filters＝N11b。
4.根据权利要求2或3所述的检测方法，其特征在于，所述利用特征提取网络对所述待检测图像数据进行特征提取，得到多个不同维度的特征图，具体包括：
将尺寸为W0*W0的图片M0输入第一卷积层，使用批标准化和leaky激活函数进行特征提取，得到维度为W1*W1*N1的特征图M1；
将特征图M1输入第一下采样层，使用批标准化和leaky激活函数进行特征提取，得到维度为W2*W2*N2的特征图M2；
将特征图M2输入第一残差块，第一残差块的两个卷积层使用批标准化和leaky激活函数、shortcut connection使用linear激活函数进行特征提取，得到维度为W3*W3*N3b的特征图M3；
将特征图M3输入第二下采样层，使用批标准化和leaky激活函数进行特征提取，得到维度为W4*W4*N4的特征图M4；
将特征图M4输入第二残差块，第二残差块的两个卷积层使用批标准化和leaky激活函数、shortcut connection使用linear激活函数进行特征提取，得到维度为W5*W5*N5b的特征图M5；
将特征图M5输入第三下采样层，使用批标准化和leaky激活函数进行特征提取，得到维度为W6*W6*N6的特征图M6；
将特征图M6输入第三残差块，第三残差块的两个卷积层使用批标准化和leaky激活函数、shortcut connection使用linear激活函数进行特征提取，得到维度为W7*W7*N7b的特征图M7；
将特征图M7输入第四下采样层，使用批标准化和leaky激活函数进行特征提取，得到维度为W8*W8*N8的特征图M8；
将特征图M8输入第四残差块，第四残差块的两个卷积层使用批标准化和leaky激活函数、shortcut connection使用linear激活函数进行特征提取，得到维度为W9*W9*N9b的特征图M9；
将特征图M9输入第五下采样层，使用批标准化和leaky激活函数进行特征提取，得到维度为W10*W10*N10的特征图M10；
将特征图M10输入第五残差块，第五残差块的两个卷积层使用批标准化和leaky激活函数、shortcut connection使用linear激活函数进行特征提取，得到维度为W11*W11*N11b的特征图M11。
5.根据权利要求4所述的检测方法，其特征在于，所述改进的YOLOv3网络模型具体包括十五个卷积层、三个上采样层和四个YOLO检测层。
6.根据权利要求5所述的检测方法，其特征在于，所述改进的YOLOv3网络模型的具体网络结构为：
卷积层一：卷积核尺寸c12*c12，数目filters＝N12；
卷积层二：卷积核尺寸c13*c13，数目filters＝N13；
卷积层三：卷积核尺寸c14*c14，数目filters＝N14；
YOLO检测层一：包含三个先验锚点框(x1，y1)、(x2，y2)和(x3，y3)；
卷积层四：卷积核尺寸c15*c15，数目filters＝N15；
上采样层一：步长为L1；
卷积层五：卷积核尺寸c16*c16，数目filters＝N16；
卷积层六：卷积核尺寸c17*c17，数目filters＝N17；
卷积层七：卷积核尺寸c18*c18，数目filters＝N18；
YOLO检测层二：包含三个先验锚点框(x4，y4)、(x5，y5)和(x6，y6)；
卷积层八：卷积核尺寸c19*c19，数目filters＝N19；
上采样层二：步长为L2；
卷积层九：卷积核尺寸c20*c20，数目filters＝N20；
卷积层十：卷积核尺寸c21*c21，数目filters＝N21；
卷积层十一：卷积核尺寸c22*c22，数目filters＝N22；
YOLO检测层三：包含三个先验锚点框(x7，y7)、(x8，y8)和(x9，y9)；
卷积层十二：卷积核尺寸c23*c23，数目filters＝N23；
上采样层三：步长为L3；
卷积层十三：卷积核尺寸c24*c24，数目filters＝N24；
卷积层十四：卷积核尺寸c25*c25，数目filters＝N25；
卷积层十五：卷积核尺寸c26*c26，数目filters＝N26；
YOLO检测层一：包含三个先验锚点框(x10，y10)、(x11，y11)和(x12，y12)。
7.根据权利要求6所述的检测方法，其特征在于，所述利用构建好的改进的YOLOv3网络模型对所述多个不同维度的特征图进行检测识别，得到安全帽图像区域，具体包括：
将特征图M11输入卷积层一，使用批标准化和leaky激活函数进行特征提取，得到维度为W12*W12*N12的特征图M12；
将特征图M12输入卷积层二，使用批标准化和leaky激活函数进行特征提取，得到维度为W13*W13*N13的特征图M13；
将特征图M13输入卷积层三，使用批标准化和leaky激活函数进行特征提取，得到维度为W14*W14*N14的特征图M14；
将特征图M14输入YOLO检测层一，得到维度为W14*W14*N14的第一YOLO检测层输出结果；
将特征图M12输入卷积层四，使用批标准化和leaky激活函数进行特征提取，得到维度为W15*W15*N15的特征图M15；
将特征图M15输入上采样层一进行步长为L1的上采样操作，得到维度为W16*W16*N15的特征图M16；
将特征图M16与特征图M9进行拼接，得到维度为W17*W17*(N15+N9)的特征图M17；
将特征图M17输入卷积层五，使用批标准化和leaky激活函数进行特征提取，得到维度为W18*W18*N16的特征图M18；
将特征图M18输入卷积层六，使用批标准化和leaky激活函数进行特征提取，得到维度为W19*W19*N17的特征图M19；
将特征图M19输入卷积层七，使用批标准化和leaky激活函数进行特征提取，得到维度为W20*W20*N18的特征图M20；
将特征图M20输入YOLO检测层二，得到维度为W20*W20*N18的第二YOLO检测层输出结果；
将特征图M16输入卷积层八，使用批标准化和leaky激活函数进行特征提取，得到维度为W21*W21*N19的特征图M21；。
将特征图M21输入上采样层二进行步长为L2的上采样操作，得到维度为W22*W22*N19的特征图M22；
将特征图M22与特征图M7进行拼接，得到维度为W23*W23*(N19+N7)的特征图M23；
将特征图M23输入卷积层九，使用批标准化和leaky激活函数进行特征提取，得到维度为W24*W24*N20的特征图M24；
将特征图M24输入卷积层十，使用批标准化和leaky激活函数进行特征提取，得到维度为W25*W25*N21的特征图M25；
将特征图M25输入卷积层十一，使用批标准化和leaky激活函数进行特征提取，得到维度为W26*W26*N22的特征图M26；
将特征图M26输入YOLO检测层三，得到维度为W26*W26*N22的第三YOLO检测层输出结果；
将特征图M24输入卷积层十二，使用批标准化和leaky激活函数进行特征提取，得到维度为W27*W27*N23的特征图M27；
将特征图M27输入上采样层三进行步长为L3的上采样操作，得到维度为W28*W28*N23的特征图M28；
将特征图M28与特征图M5进行拼接，得到维度为W29*W29*(N23+N5)的特征图M29；
将特征图M29输入卷积层十三，使用批标准化和leaky激活函数进行特征提取，得到维度为W30*W30*N24的特征图M30；
将特征图M30输入卷积层十四，使用批标准化和leaky激活函数进行特征提取，得到维度为W31*W31*N25的特征图M31；
将特征图M31输入卷积层十五，使用批标准化和leaky激活函数进行特征提取，得到维度为W32*W32*N26的特征图M32；
将特征图M32输入YOLO检测层四，得到维度为W32*W32*N26的第四YOLO检测层输出结果。
8.根据权利要求1所述的检测方法，其特征在于，四层所述YOLO检测层共包含12个先验锚点框；所述先验锚点框是通过对历史安全帽数据集采用k-means聚类算法进行聚类得到的。
9.根据权利要求6所述的检测方法，其特征在于，所述构建改进的YOLOv3网络模型具体包括：
构建所述改进的YOLOv3网络模型的具体网络结构；
获取设定数量的历史安全帽数据集；
将所述历史安全帽数据集分为训练集和测试集；
利用所述训练集采用多尺度训练策略对所述改进的YOLOv3网络模型进行训练，得到训练后的改进的YOLOv3网络模型；
利用所述测试集对所述训练后的改进的YOLOv3网络模型进行测试，并获取训练后的改进的YOLOv3网络模型的评价指标，所述评价指标包括精确率、召回率、平均精确率以及模型大小；
根据评价指标确定创建好的改建的YOLOv3网络模型。
10.一种基于嵌入式的安全帽检测设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-9任一项所述的基于嵌入式的安全帽检测方法。
CN202110123374.2A 2021-01-29 2021-01-29 一种基于嵌入式的安全帽检测方法和设备 Pending CN112906497A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110123374.2A CN112906497A (zh) 2021-01-29 2021-01-29 一种基于嵌入式的安全帽检测方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110123374.2A CN112906497A (zh) 2021-01-29 2021-01-29 一种基于嵌入式的安全帽检测方法和设备

Publications (1)

Publication Number Publication Date
CN112906497A true CN112906497A (zh) 2021-06-04

Family

ID=76120753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110123374.2A Pending CN112906497A (zh) 2021-01-29 2021-01-29 一种基于嵌入式的安全帽检测方法和设备

Country Status (1)

Country Link
CN (1) CN112906497A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114003058A (zh) * 2021-10-25 2022-02-01 上海宝冶冶金工程有限公司 一种安全帽佩戴智慧巡检系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399905A (zh) * 2019-07-03 2019-11-01 常州大学 施工场景中安全帽佩戴情况的检测及描述方法
CN110751206A (zh) * 2019-10-17 2020-02-04 北京中盾安全技术开发公司 一种多目标智能成像与识别装置及方法
WO2020114120A1 (zh) * 2018-12-07 2020-06-11 深圳光启空间技术有限公司 一种车辆信息识别方法、系统、存储器及处理器
CN111275680A (zh) * 2020-01-18 2020-06-12 中国海洋大学 基于Gabor卷积网络的SAR图像变化检测方法
CN111898432A (zh) * 2020-06-24 2020-11-06 南京理工大学 一种基于改进YOLOv3算法的行人检测系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020114120A1 (zh) * 2018-12-07 2020-06-11 深圳光启空间技术有限公司 一种车辆信息识别方法、系统、存储器及处理器
CN110399905A (zh) * 2019-07-03 2019-11-01 常州大学 施工场景中安全帽佩戴情况的检测及描述方法
CN110751206A (zh) * 2019-10-17 2020-02-04 北京中盾安全技术开发公司 一种多目标智能成像与识别装置及方法
CN111275680A (zh) * 2020-01-18 2020-06-12 中国海洋大学 基于Gabor卷积网络的SAR图像变化检测方法
CN111898432A (zh) * 2020-06-24 2020-11-06 南京理工大学 一种基于改进YOLOv3算法的行人检测系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114003058A (zh) * 2021-10-25 2022-02-01 上海宝冶冶金工程有限公司 一种安全帽佩戴智慧巡检系统及方法
CN114003058B (zh) * 2021-10-25 2024-01-26 上海宝冶冶金工程有限公司 一种安全帽佩戴智慧巡检系统及方法

Similar Documents

Publication Publication Date Title
CN110458165B (zh) 一种引入注意力机制的自然场景文本检测方法
KR101721062B1 (ko) 얼굴 이미지들의 데이터로부터 얼굴 특징들을 추출하는 방법 및 시스템
CN110956122B (zh) 图像处理方法及装置、处理器、电子设备、存储介质
CN108230354B (zh) 目标跟踪、网络训练方法、装置、电子设备和存储介质
CN116229295A (zh) 基于融合卷积注意力机制的遥感图像目标检测方法
CN110796152A (zh) 一种基于倾斜摄影的群体建筑物震害提取方法及系统
CN115115924A (zh) 基于ir7-ec网络的混凝土图像裂缝类型迅捷智能识别方法
CN109753996B (zh) 基于三维轻量化深度网络的高光谱图像分类方法
CN116503399B (zh) 基于yolo-afps的绝缘子污闪检测方法
CN111738403A (zh) 一种神经网络的优化方法及相关设备
CN114463759A (zh) 一种基于无锚框算法的轻量化文字检测方法及装置
CN111950700A (zh) 一种神经网络的优化方法及相关设备
CN113253364A (zh) 一种对站点风速预报结果进行订正的方法及装置
CN114495006A (zh) 遗留物体的检测方法、装置及存储介质
CN112906497A (zh) 一种基于嵌入式的安全帽检测方法和设备
CN111898693A (zh) 能见度分类模型的训练方法、能见度估计方法、装置
CN111429424A (zh) 一种基于深度学习的加热炉入口异常识别方法
CN114565824B (zh) 基于全卷积网络的单阶段旋转舰船检测方法
CN110210321B (zh) 基于多维尺度变换网络与分块加权法的欠样本人脸识别方法
CN116385906A (zh) 一种基于深度学习的边坡灾害轻巧感知系统、设备及平台
CN115294467A (zh) 茶叶病害的检测方法及相关装置
CN115082813A (zh) 检测方法、无人机、检测系统及介质
CN113902958A (zh) 基于锚点自适应的基建现场人员检测方法
CN116229419B (zh) 一种行人检测方法及装置
CN115346115A (zh) 图像目标检测方法、装置、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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210604