CN115995093A - 一种基于改进YOLOv5的安全帽佩戴识别方法 - Google Patents

Abstract

本发明专利公开了一种基于改进YOLOv5算法在安全帽佩戴识别中的应用，其涉及到基于深度学习的目标检测领域。本发明首先通过摄像头采集数据集，通过对采集的数据集进行人工标注，分为训练集和测试集,然后将训练集输入到模型当中进行训练，将测试集输入到模型中进行测试，最后对车间视频流进行安全帽佩戴实时检测。本发明解决了安全帽检测过程当中检测准确率过低的问题，可以大幅提高安全帽佩戴检测的准确率以及fps，可以满足数字化车间现场的实时性和准确性。

Description

一种基于改进YOLOv5的安全帽佩戴识别方法

技术领域

本发明涉及目标检测领域，具体说是一种基于改进YOLOv5的安全帽佩戴识别方法。

背景技术

在数字化车间当中，作业人员是否佩戴安全帽非常重要。如果没有佩戴安全帽，将会造成安全隐患。所以在数字化车间中必须佩戴安全帽，针对人员是否佩戴安全帽采用的主要方法是人工查看的方式，在车间的各个入口配备检查人员，这种方法不具有全天候性，很容易造成漏检的情况，这给车间带来了很多安全隐患。近年来，人工智能技术被应用于各行各业中，从现有实际效果来看，深度学习算法优于现有的人工或传统的机器学习方法。在基于深度学习的目标检测领域中，大致可以分为两种模型，即two-stage和one-stage模型，前者的检测过程分为两个步骤：首先由算法生成若干个候选框，再通过CNN对候选框进行分类；后者则是对目标的类别概率和位置坐标直接回归，相对来说精度有所损失，但速度较two-stage模式的算法更快。YOLOv5属于two-stage模式的算法，因为YOLOv5在检测过程当中存在着检测准确率低，检测速度慢，检测实时性较差等问题，在检测车间当中的工人是否佩戴安全帽时，需要对其进行高实时性、高准确率的检测，来保障工人在数字化车间当中的安全。

发明内容

为解决上述技术问题，本发明提出了一种基于改进YOLOv5的安全帽佩戴识别方法。

本发明为实现上述目的所采用的技术方案是：

一种基于改进YOLOv5的安全帽佩戴识别方法，包括以下步骤：

获取车间图像，构建检测数据集，并将检测数据集分为训练集和测试集；

基于YOLOv5网络构建安全帽佩戴识别网络，并使用训练集对其进行训练；

使用测试集对训练好的安全帽佩戴识别网络进行测试，并对其进行评价，根据评价结果不断对其进行优化；

实时获取车间图像数据，使用安全帽佩戴识别网络对车间中工人进行安全帽佩戴检测。

所述基于YOLOv5网络构建安全帽佩戴识别网络具体为：在YOLOv5网络的输出层后增加一个9*9的特征尺度。

使用softpool方法作为安全帽佩戴识别网络中的池化方法。

使用GIoU_Loss作为安全帽佩戴识别网络中损失函数。

使用精确率Precision和召回率Recall计算平均精确度均值mAP，使用平均精确度均值mAP对安全帽佩戴识别网络进行评价。

一种基于改进YOLOv5的安全帽佩戴识别系统，包括：

图像获取模块，用于获取车间图像，构建检测数据集，并将检测数据集分为训练集和测试集；

网络训练模块，用于基于YOLOv5网络构建安全帽佩戴识别网络，并使用训练集对其进行训练；

网络测试模块，用于使用测试集对训练好的安全帽佩戴识别网络进行测试，并对其进行评价，根据评价结果不断对其进行优化；

实时监测模块，用于实时获取车间图像数据，使用安全帽佩戴识别网络对车间中工人进行安全帽佩戴检测。

一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的一种基于改进YOLOv5的安全帽佩戴识别方法。

一种基于改进YOLOv5的安全帽佩戴识别系统，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的一种基于改进YOLOv5的安全帽佩戴识别方法。

本发明具有以下有益效果及优点：

1.本发明采用了改进的YOLOv5网络来当做训练的模型,提高了对特征图的提取能力，增强了对图像中目标检测的能力，在准确率、检测速度上都有一定的提升。

2.本发明使用softpool池化，较低的激活包含了特征图的次要信息，较高的激活包含了特征图的主要信息，所以较低的激活获得较低的权重，较高的激活获得较高的权重，与其他方法相比，softpool保留了更多的信息。使用DIoU_Loss可以防止某一些目标检测框退化为IoU。

附图说明

图1为本发明方法模块流程图；

图2为YOLOv5网络的结构图；

图3为改进YOLOv5网络的结构图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

本方法主要包括以下步骤：

1)通过摄像头进行数据集的采集；

2)将数据集分成两类:训练集和测试集；

3)将数据集输入到改进的YOLOv5网络当中做训练；

4)将测试集输入到已经训练好的模型当中进行测试，进行模型的评价；

5)获取车间实时视频流，对车间中的工人进行安全帽佩戴检测。

所述改进后的YOLOv5网络在输出层上，增加了一个特征尺度9*9，再对目标实现充分的浅层特征和深层特征的提取，最后对模型进行特征的融合，采用池化方法softpool，可以以指数加权方式累加激活，使用GIoU_Loss做损失函数，防止目标框回归不稳定。

如图1所示，本发明的具体流程涉及三部分，第一部分为数据集的采集，主要是通过摄像头进行图片采集，将采集的图片分为训练集和测试集。第二部分将训练集输入到模型当中做训练，并将测试集输入到模型当中做测试。第三部分将实时视频流输入到模型当中做实时安全帽佩戴检测。

1)通过摄像头进行数据集的采集，其主要包括：

通过摄像头从现场抓拍了7581张图片，这包括两种类别，人员佩戴安全帽以及人员没有佩戴安全帽，并且采集的图片中要包括大中小三种类型的目标。

2)将数据集分成两类:训练集和测试集，其主要包括；

将收集到的7581张图片进行随机分组，分为训练集6064张，测试集1517张，并对图片进行人工标注，hat表示人员正确佩戴了安全帽，person表示人员没有正确佩戴安全帽。数据集采用PASCAL VOC格式。

3)将数据集输入到改进的YOLOv5网络当中做训练，其主要包括：

改进YOLOv5网络，YOLOv5网络结构图如图2所示，其中，Input表示输入，Backbone表示基准网络，Neck表示FPN(特征金字塔网络)+PAN结构(金字塔注意力网络)，Prediction表示目标检测结果的输出，CSP表示CSPNet网络结构，Focus表示切片操作，CBL表示由卷积、批量归一化和激活函数组合而成的操作，Concat表示融合操作，Conv表示卷积，YOLOv5网络分为四个部分：Input、Backbone、Neck、Prediction。Input端包括Mosaic数据增强、图片尺寸处理、自适应猫框计算三部分。YOLOv5与YOLOv4一样采用了Mosaic方式增强数据，这种对小目标检测效果比较理想，YOLOv5算法需要将输入图像的尺寸变换成固定大小，再送入检测模型中训练，本文设计图片标准尺寸为460*460*3。在网络训练前都需要设定初始锚框，YOLOv5设定的初始锚框为[116，90，156，198，373，326]、[30，61，62，45，59，119]、[10，13，16，30，33，23]。网络模型在基础锚框的基础上训练得到预测框，并和真实框进行比较，根据差值反向更新，迭代调整网络模型参数。Backbone包含Focus和CSP结构，Focus关键步骤为切片操作。Neck中采用了FPN+PAN的结构，FPN是自上而下的，利用上采样的方式对信息进行传递融合，获得预测的特征图，PAN采用自底向上的特征金字塔。Prediction包括Boundingbox损失函数和加权NMS。在改进的网络模型中，增加一个特征尺度9*9，实现对目标的充分的浅层特征和深层特征的提取，提高了对目标特征的提取能力，如图3所示。使用训练集训练此改进的网络模型，设置目标的置信度阈值为0.1，初始学习率为0.0005，总迭代次数为300次，batch-size设置成16。

4)将测试集输入到已经训练好的模型当中进行测试，进行模型的评价，其主要包括：

将测试集输入到训练好的模型当中，根据精确率P(Precision)和召回率R(Recall)两个指标计算出平均精确度均值mAP(mean Average Precision)，把mAP作为网络模型性能评估标准。mAP是所有类别平均检测准确率的均值，用来评价检测模型的整体性能，fps用来评价网络模型的检测速度。

5)获取车间实时视频流，对车间中的工人进行安全帽佩戴检测，其主要包括：

将大华球形摄像头安装在数字化车间门口以及数字化车间上方，通过此摄像头实时获取视频流，通过rtsp协议将获取到的视频流输入到模型当中进行安全帽佩戴检测，最终将检测结果实时返回给监控中心查看。

Claims (8)

1.一种基于改进YOLOv5的安全帽佩戴识别方法，其特征在于，包括以下步骤：

获取车间图像，构建检测数据集，并将检测数据集分为训练集和测试集；

基于YOLOv5网络构建安全帽佩戴识别网络，并使用训练集对其进行训练；

使用测试集对训练好的安全帽佩戴识别网络进行测试，并对其进行评价，根据评价结果不断对其进行优化；

实时获取车间图像数据，使用安全帽佩戴识别网络对车间中工人进行安全帽佩戴检测。

2.根据权利要求1所述的一种基于改进YOLOv5的安全帽佩戴识别方法，其特征在于，所述基于YOLOv5网络构建安全帽佩戴识别网络具体为：在YOLOv5网络的输出层后增加一个9*9的特征尺度。

3.根据权利要求1所述的一种基于改进YOLOv5的安全帽佩戴识别方法，其特征在于，使用softpool方法作为安全帽佩戴识别网络中的池化方法。

4.根据权利要求1所述的一种基于改进YOLOv5的安全帽佩戴识别方法，其特征在于，使用GIoU_Loss作为安全帽佩戴识别网络中损失函数。

5.根据权利要求1所述的一种基于改进YOLOv5的安全帽佩戴识别方法，其特征在于，使用精确率Precision和召回率Recall计算平均精确度均值mAP，使用平均精确度均值mAP对安全帽佩戴识别网络进行评价。

6.一种基于改进YOLOv5的安全帽佩戴识别系统，其特征在于，包括：

图像获取模块，用于获取车间图像，构建检测数据集，并将检测数据集分为训练集和测试集；

网络训练模块，用于基于YOLOv5网络构建安全帽佩戴识别网络，并使用训练集对其进行训练；

网络测试模块，用于使用测试集对训练好的安全帽佩戴识别网络进行测试，并对其进行评价，根据评价结果不断对其进行优化；

实时监测模块，用于实时获取车间图像数据，使用安全帽佩戴识别网络对车间中工人进行安全帽佩戴检测。

7.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-5任一项所述的一种基于改进YOLOv5的安全帽佩戴识别方法。

8.一种基于改进YOLOv5的安全帽佩戴识别系统，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-5任一项所述的一种基于改进YOLOv5的安全帽佩戴识别方法。

Images