CN114332773A - 基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统 - Google Patents
基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统 Download PDFInfo
- Publication number
- CN114332773A CN114332773A CN202210006165.4A CN202210006165A CN114332773A CN 114332773 A CN114332773 A CN 114332773A CN 202210006165 A CN202210006165 A CN 202210006165A CN 114332773 A CN114332773 A CN 114332773A
- Authority
- CN
- China
- Prior art keywords
- yolo
- model
- control system
- network
- construction site
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统,涉及在原始Yolo v4模型中使用噪声模拟环境的数据增强技术,加入自适应锚框计算,采用加权nms的方式进行多目标筛选,提高安全帽识别精度和效率。包括以下步骤:首先获取模型训练数据,然后建立改进的Yolo v4模型,并训练该模型。通过摄像头获取工地端的场景图片,利用建立的模型检测施工人员是否佩戴安全帽,如果没有佩戴则发出警告,并把检测结果上传到云平台侧。本发明通过加入自适应锚框计算、加权nms多目标筛选和噪声模拟环境的数据增强技术对Yolo v4算法进行了改进,具有更高的精度,并发出预警,提醒工人正确佩戴安全帽,降低安全事故的危害。
Description
技术领域
本发明涉及智慧工地安全帽佩戴识别系统技术领域,尤其涉及基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统。
背景技术
随着建筑行业的发展、“新基建”策略的推行,施工安全越来越被重视和关注。安全帽作为一种对人员头部防护起着关键作用的设备,在施工现场,佩戴安全帽的监管十分必要,研究一种精度高、鲁棒性强的安全帽佩戴检测算法可以保障施工者的人身安全,降低安全事故的危害,具有重要的实际意义。
安全帽的正确佩戴是一类典型的目标检测问题,随着人工智能的快速发展,利用神经网络和深度学习方法进行图像处理,成为了当下目标检测技术的主流手段。在施工现场进行安全帽识别时,经常出现难以检测到小目标,受环境噪声、光照、遮挡物等因素影响导致检测准确率低的问题。近年来,YOLO系列模型为代表的单阶段检测器发展迅速,在安全帽检测中得到了广泛应用。YOLO v4因其精度高、速度快的优点,成为目前检测效果最好的算法之一。但是其存在难以检测到小目标,受环境噪声、光照、遮挡物等因素影响等问题,迫切需要提高复杂环境下的安全帽佩戴检测精度。
发明内容
本发明通过提供基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统,旨在提高安全帽佩戴识别的精度,减少施工时的安全隐患。
本发明实施例提供了基于Yolo v4改进模型的智慧工地安全帽佩戴识
别控制系统,包括以下步骤:
S1:通过大量工地图片,获取模型训练数据;
S2:建立安全帽佩戴识别的Yolo v4改进模型,并使用训练数据训练该模型;
S3:通过摄像头获取工地端的场景图片,检测出进入工地的人员是否佩戴安全帽;
S4:如果没有佩戴安全帽则发出警告,并把检测结果通过无线网络上传到智慧工地云平台侧。
进一步的所述S1包括以下步骤,
模型训练选择SHWD数据集。所述SHWD数据集共包含7581幅图像,随机选取90%作为智慧工地安全帽佩戴识别算法的训练集。
进一步的所述S2包括以下步骤,
Yolo v4模型主要包括输入端、BackBone主干网络、Neck网络和Head输出端。
进一步的所述输入端通过数据增强Mosaic提升模型的训练速度和网络的精度。
进一步的所述Yolo v4模型还包括夜晚、雨天不同模拟模式作为新的训练集,提高在真实场景应用的识别效果;
雨天模拟模式随机生成不同密度的噪声近似不同雨量的情况,使用均匀随机数和阈值来控制噪声的水平,拉长和旋转得到不同大小和方向的雨水情况。最后将原始图像和生成的噪声进行叠加,得到模拟的下雨模式;
夜晚模拟模式将夜晚工地背景图加权到图像上模拟夜晚真实场景。
进一步的所述Yolo v4模型网络训练时,在初始锚框的基础上输出预测框,进而和真实框groundtruth进行比对,计算两者差距,再反向更新,迭代网络参数。为了提高精度和效率,每次训练时,提取采用自适应锚框计算,获取不同训练集中的最佳锚框值。
进一步的所述Yolo v4模型使用CSPDarknet53结构,有5个CSP模块,采用Mish激活函数加Leaky_relu激活函数,增强了CNN的学习能力,使得在轻量化的同时保持准确性。
进一步的所述Neck网络主要采用了SPP模块、FPN+PAN的方式。在目标检测的后处理过程中,采用DIOU_nms的方式。为了提高遮挡重叠的目标的处理效果,采用加权nms的方式。
进一步的所述S3包括以下步骤,
通过摄像头实时获取工地端的场景图片,对其进行卷积和池化操作,获取特征图片。通过FPN网络构建所述特征图片的不同尺度的预测特征。对RPN网络中的所述模型训练数据进行聚类,并将所述聚类结果对应到所述FPN网络的不同尺度的所述预测特征中;对所述聚类结果进行分类任务和定位任务,获得置信度得分;根据置信度得分判断图片中是否佩戴安全帽。
进一步的所述S4中,如果没有佩戴安全帽则通过Head输出端发出声光报警信号。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、使用噪声模拟环境的数据增强技术,增加噪声数据,增强模型的鲁棒性。
2、在网络训练中,加入自适应锚框计算,获取不同训练集中的最佳锚框值,并在目标检测的后处理过程中采用加权nms的方式进行多目标的筛选,提高识别精度和效率。
3、该方法实现简单,是否佩戴安全帽的识别精度更高,减少施工时的安全隐患。
附图说明
图1为安全帽佩戴识别控制系统框图;
图2为Yolo v4网络结构流程图;
图3为Yolo v4改进网络结构流程图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施方式。相反地,提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1-3,基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统,包括以下步骤:
S1:为验证本发明方法的精确性,模型训练选择SHWD数据集,此数据集共包含7581幅图像,随机选取90%作为智慧工地安全帽佩戴识别算法的训练集。
S2:参照图2和图3,Yolo v4模型主要包括输入端、BackBone主干网络、Neck网络和Head输出端。输入端通过数据增强Mosaic提升模型的训练速度和网络的精度。改进的模型加入夜晚、雨天不同噪声模拟作为新的训练集,提高在真实场景应用的识别效果。雨天模拟模式随机生成不同密度的噪声近似不同雨量的情况,使用均匀随机数和阈值来控制噪声的水平,拉长和旋转得到不同大小和方向的雨水情况。最后将原始图像和生成的噪声进行叠加,得到模拟的下雨模式。夜晚模拟模式将夜晚工地背景图加权到图像上模拟夜晚真实场景。
在网络训练中,网络在初始锚框的基础上输出预测框,进而和真实框groundtruth进行比对,计算两者差距,再反向更新,迭代网络参数。为了提高精度和效率,每次训练时,提取采用自适应锚框计算,获取不同训练集中的最佳锚框值。
Yolo v4模型使用了CSPDarknet53结构,有5个CSP模块,采用了Mish激活函数加Leaky_relu激活函数,增强了CNN的学习能力,使得在轻量化的同时保持准确性。Yolov4的Neck结构主要采用了SPP模块、FPN+PAN的方式。在目标检测的后处理过程中,采用DIOU_nms的方式。为了提高遮挡重叠的目标的处理效果,采用加权nms的方式;
使用上述Yolo v4改进模型和训练数据进行训练。
S3:通过摄像头实时获取工地端的场景图片,对其进行卷积和池化操作,获取特征图片。通过FPN网络构建所述特征图片的不同尺度的预测特征。对RPN网络中的所述模型训练数据进行聚类,并将所述聚类结果对应到所述FPN网络的不同尺度的所述预测特征中;对所述聚类结果进行分类任务和定位任务,获得置信度得分;根据置信度得分判断图片中是否佩戴安全帽。
S4:如果没有佩戴安全帽则发出警告,并把检测结果通过无线网络上传到云平台侧。
参照图1安全帽佩戴识别框图,首先随机选取SHWD数据集的90%作为智慧工地安全帽佩戴识别算法的训练集,然后利用训练集的数据训练Yolo v4改进模型,形成安全帽对比数据库。通过摄像头获取工地场景图片,然后带入训练好的模型中,如果没有佩戴安全帽则通过Head输出端发出声光报警信号,并把检测结果通过无线网络上传到智慧工地云平台侧。
本发明之基于改进的Yolo v4模型的智慧工地安全帽佩戴识别算法能实现对安全帽佩戴的检测,方法简单有效,同时具有较高的精度。
本领域的技术人员可以对本发明进行各种修改和变型,倘若这些修改和变型在本发明权利要求及其等同技术的范围之内,则这些修改和变型也在本发明的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。
Claims (10)
1.基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统,其特征在于:包括以下步骤:
S1:通过大量工地图片,获取模型训练数据;
S2:建立安全帽佩戴识别的Yolo v4改进模型,并使用训练数据训练该模型;
S3:通过摄像头获取工地端的场景图片,检测出进入工地的人员是否佩戴安全帽;
S4:如果没有佩戴安全帽则发出警告,并把检测结果通过无线网络上传到智慧工地云平台侧。
2.根据权利要求1所述的基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统,其特征在于:所述S1包括以下步骤,
模型训练选择SHWD数据集。所述SHWD数据集共包含7581幅图像,随机选取90%作为智慧工地安全帽佩戴识别算法的训练集。
3.根据权利要求1所述的基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统,其特征在于:所述S2包括以下步骤,
Yolo v4模型主要包括输入端、BackBone主干网络、Neck网络和Head输出端。
4.根据权利要求3所述的基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统,其特征在于:所述输入端通过数据增强Mosaic提升模型的训练速度和网络的精度。
5.根据权利要求1所述的基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统,其特征在于:所述Yolo v4模型还包括夜晚、雨天不同模拟模式作为新的训练集,提高在真实场景应用的识别效果;
雨天模拟模式随机生成不同密度的噪声近似不同雨量的情况,使用均匀随机数和阈值来控制噪声的水平,拉长和旋转得到不同大小和方向的雨水情况。最后将原始图像和生成的噪声进行叠加,得到模拟的下雨模式;
夜晚模拟模式将夜晚工地背景图加权到图像上模拟夜晚真实场景。
6.根据权利要求1所述的基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统,其特征在于:所述Yolo v4模型网络训练时,在初始锚框的基础上输出预测框,进而和真实框groundtruth进行比对,计算两者差距,再反向更新,迭代网络参数。为了提高精度和效率,每次训练时,提取采用自适应锚框计算,获取不同训练集中的最佳锚框值。
7.根据权利要求1所述的基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统,其特征在于:所述Yolo v4模型使用CSPDarknet53结构,有5个CSP模块,采用Mish激活函数加Leaky_relu激活函数,增强了CNN的学习能力,使得在轻量化的同时保持准确性。
8.根据权利要求3所述的基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统,其特征在于:所述Neck网络主要采用了SPP模块、FPN+PAN的方式。在目标检测的后处理过程中,采用DIOU_nms的方式。为了提高遮挡重叠的目标的处理效果,采用加权nms的方式。
9.根据权利要求1所述的基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统,其特征在于:所述S3包括以下步骤,
通过摄像头实时获取工地端的场景图片,对其进行卷积和池化操作,获取特征图片。通过FPN网络构建所述特征图片的不同尺度的预测特征。对RPN网络中的所述模型训练数据进行聚类,并将所述聚类结果对应到所述FPN网络的不同尺度的所述预测特征中;对所述聚类结果进行分类任务和定位任务,获得置信度得分;根据置信度得分判断图片中是否佩戴安全帽。
10.根据权利要求1所述的基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统,其特征在于:所述S4中,如果没有佩戴安全帽则通过Head输出端发出声光报警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210006165.4A CN114332773A (zh) | 2022-01-05 | 2022-01-05 | 基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210006165.4A CN114332773A (zh) | 2022-01-05 | 2022-01-05 | 基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114332773A true CN114332773A (zh) | 2022-04-12 |
Family
ID=81024375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210006165.4A Pending CN114332773A (zh) | 2022-01-05 | 2022-01-05 | 基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332773A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020100705A4 (en) * | 2020-05-05 | 2020-06-18 | Chang, Jiaying Miss | A helmet detection method with lightweight backbone based on yolov3 network |
CN111881730A (zh) * | 2020-06-16 | 2020-11-03 | 北京华电天仁电力控制技术有限公司 | 一种火电厂现场安全帽佩戴检测方法 |
CN111967393A (zh) * | 2020-08-18 | 2020-11-20 | 杭州师范大学 | 一种基于改进YOLOv4的安全帽佩戴检测方法 |
CN112347943A (zh) * | 2020-11-09 | 2021-02-09 | 哈尔滨理工大学 | 一种基于YOLOV4的anchor优化安全帽检测方法 |
CN112926405A (zh) * | 2021-02-01 | 2021-06-08 | 西安建筑科技大学 | 一种安全帽佩戴检测方法、系统、设备及存储介质 |
US20210192225A1 (en) * | 2019-12-24 | 2021-06-24 | Uif (University Industry Foundation), Yonsei University | Apparatus for real-time monitoring for construction object and monitoring method and computer program for the same |
CN113743256A (zh) * | 2021-08-17 | 2021-12-03 | 武汉大学 | 一种工地安全智能预警方法与装置 |
-
2022
- 2022-01-05 CN CN202210006165.4A patent/CN114332773A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210192225A1 (en) * | 2019-12-24 | 2021-06-24 | Uif (University Industry Foundation), Yonsei University | Apparatus for real-time monitoring for construction object and monitoring method and computer program for the same |
AU2020100705A4 (en) * | 2020-05-05 | 2020-06-18 | Chang, Jiaying Miss | A helmet detection method with lightweight backbone based on yolov3 network |
CN111881730A (zh) * | 2020-06-16 | 2020-11-03 | 北京华电天仁电力控制技术有限公司 | 一种火电厂现场安全帽佩戴检测方法 |
CN111967393A (zh) * | 2020-08-18 | 2020-11-20 | 杭州师范大学 | 一种基于改进YOLOv4的安全帽佩戴检测方法 |
CN112347943A (zh) * | 2020-11-09 | 2021-02-09 | 哈尔滨理工大学 | 一种基于YOLOV4的anchor优化安全帽检测方法 |
CN112926405A (zh) * | 2021-02-01 | 2021-06-08 | 西安建筑科技大学 | 一种安全帽佩戴检测方法、系统、设备及存储介质 |
CN113743256A (zh) * | 2021-08-17 | 2021-12-03 | 武汉大学 | 一种工地安全智能预警方法与装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728223A (zh) | 一种基于深度学习的安全帽佩戴识别方法 | |
CN110414400B (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
CN113537099B (zh) | 一种公路隧道火灾烟雾动态检测方法 | |
CN111598066A (zh) | 一种基于级联预测的安全帽佩戴识别方法 | |
CN110765964A (zh) | 基于计算机视觉的电梯轿厢内异常行为的检测方法 | |
EP3582181B1 (en) | Method, device and system for determining whether pixel positions in an image frame belong to a background or a foreground | |
CN113903081A (zh) | 一种水电厂图像视觉识别人工智能报警方法及装置 | |
CN108074234A (zh) | 一种基于目标跟踪和多特征融合的大空间火焰检测方法 | |
CN111738336A (zh) | 基于多尺度特征融合的图像检测方法 | |
CN105243667A (zh) | 基于局部特征融合的目标再识别方法 | |
CN103488993A (zh) | 一种基于fast的人群异常行为识别方法 | |
CN111145475A (zh) | 基于振动光纤和深度学习的入侵报警系统、方法及介质 | |
CN103020985A (zh) | 一种基于场量分析的视频图像显著性检测方法 | |
CN106204586A (zh) | 一种基于跟踪的复杂场景下的运动目标检测方法 | |
CN113609482B (zh) | 一种针对图像分类模型的后门检测及修复方法及系统 | |
CN105260715A (zh) | 面向偏僻地段的小动物目标检测方法 | |
CN111091110A (zh) | 一种基于人工智能的反光背心穿戴识别方法 | |
CN109492575A (zh) | 一种基于YOLOv3的扶梯安全监测方法 | |
CN110991274A (zh) | 一种基于混合高斯模型和神经网络的行人摔倒检测方法 | |
CN111062373A (zh) | 一种基于深度学习的吊装过程危险识别方法及系统 | |
CN107222726A (zh) | 电力设施防外破预警方案 | |
CN116563776A (zh) | 基于人工智能的违章行为告警方法、系统、介质及设备 | |
CN102592125A (zh) | 基于标准差特征的运动目标检测方法 | |
CN114332773A (zh) | 基于Yolo v4改进模型的智慧工地安全帽佩戴识别控制系统 | |
CN111428567A (zh) | 一种基于仿射多任务回归的行人跟踪系统及方法 |
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 |