基于改進(jìn)YOLOv7的復(fù)雜背景下安全帽佩戴實(shí)時(shí)檢測(cè)方法及系統(tǒng)技術(shù)方案

本發(fā)明專利技術(shù)屬于作業(yè)安全監(jiān)測(cè)的技術(shù)領(lǐng)域，尤其涉及一種基于改進(jìn)YOLO v7的復(fù)雜背景下安全帽佩戴實(shí)時(shí)檢測(cè)方法及系統(tǒng)，包括圖像采集、圖像增強(qiáng)及標(biāo)注，構(gòu)建數(shù)據(jù)集并進(jìn)行隨機(jī)劃分；對(duì)YOLO v7模型進(jìn)行改進(jìn)；對(duì)改進(jìn)后的YOLO v7模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的模型，并對(duì)模型進(jìn)行評(píng)估；將模型部署到可視化監(jiān)拍設(shè)備系統(tǒng)，進(jìn)行實(shí)時(shí)檢測(cè)并判斷是否發(fā)出警告。所述對(duì)YOLO v7模型進(jìn)行改進(jìn)包括新增特征提取層、在特征提取之后增加SimAM模塊、改進(jìn)ELAN和MP模塊、采用歸一化Wasserstein距離和損失懲罰項(xiàng)改進(jìn)的SIoU損失函數(shù)、引入可變形卷積和輕量化的深度可分離卷積以及自監(jiān)督蒸餾。本發(fā)明專利技術(shù)解決了模型樣本數(shù)據(jù)需求高、精度不夠高、訓(xùn)練時(shí)間長(zhǎng)、模型復(fù)雜等問題，實(shí)時(shí)監(jiān)測(cè)，降低了工地的安全風(fēng)險(xiǎn)。降低了工地的安全風(fēng)險(xiǎn)。降低了工地的安全風(fēng)險(xiǎn)。

【技術(shù)實(shí)現(xiàn)步驟摘要】
基于改進(jìn)YOLO v7的復(fù)雜背景下安全帽佩戴實(shí)時(shí)檢測(cè)方法及系統(tǒng)


[0001]本專利技術(shù)屬于作業(yè)安全監(jiān)測(cè)的
，尤其涉及一種基于改進(jìn)YOLO v7的復(fù)雜背景下安全帽佩戴實(shí)時(shí)檢測(cè)方法及系統(tǒng)。

技術(shù)介紹

[0002]安全帽是用于施工場(chǎng)地的頭部防護(hù)用品，能夠保護(hù)使用者免受墜落物、小型飛濺物等因素引起的頭部傷害。近年來，由于不佩戴安全帽或佩戴不規(guī)范等原因，安全生產(chǎn)事故頻頻發(fā)生，其背后的影響不容小覷，不僅會(huì)給家庭帶來巨大的痛苦，也會(huì)給企業(yè)帶來巨大的損失。施工場(chǎng)地背景復(fù)雜，安全帽存在遮擋、圖像中安全帽尺寸不一，尺寸在圖像中所占比例為0.02％
?
30％，如何規(guī)范佩戴安全帽、保障員工和企業(yè)雙方利益，一直是各方關(guān)注和追求的目標(biāo)。因此，研究佩戴安全帽的監(jiān)測(cè)算法具有重大意義和廣泛應(yīng)用價(jià)值。
[0003]傳統(tǒng)的計(jì)算機(jī)視覺方法包括目標(biāo)檢測(cè)、特征提取和分類等技術(shù)。常用的目標(biāo)檢測(cè)算法有Haar特征分類器和HOG+SVM等，這些算法主要依靠手工設(shè)計(jì)的特征和分類器進(jìn)行安全帽的檢測(cè)和識(shí)別。此外，還可以使用基于顏色和形狀等特征的檢測(cè)算法。這些算法可以通過對(duì)大量數(shù)據(jù)的訓(xùn)練和優(yōu)化來提高安全帽佩戴的檢測(cè)和識(shí)別準(zhǔn)確率。但是，這些傳統(tǒng)方法的準(zhǔn)確率受到很大限制，容易受到光線、角度等環(huán)境因素的影響，對(duì)于復(fù)雜場(chǎng)景的安全帽佩戴檢測(cè)效果不佳。
[0004]近年來，深度學(xué)習(xí)技術(shù)在安全帽佩戴檢測(cè)方面得到廣泛應(yīng)用。常用的深度學(xué)習(xí)模型有卷積神經(jīng)網(wǎng)絡(luò)(CNN)、區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(RCNN)和YOLO等。這些模型不需要手工提取特征，而是直接從原始圖像中學(xué)習(xí)特征，并進(jìn)行安全帽佩戴的檢測(cè)和識(shí)別。與傳統(tǒng)方法相比，深度學(xué)習(xí)方法的準(zhǔn)確率較高，對(duì)于復(fù)雜場(chǎng)景的安全帽佩戴檢測(cè)效果也更好。但是，深度學(xué)習(xí)方法需要大量的訓(xùn)練數(shù)據(jù)，訓(xùn)練時(shí)間長(zhǎng)，而且模型較為復(fù)雜，計(jì)算速度存在瓶頸。

技術(shù)實(shí)現(xiàn)思路

[0005]本專利技術(shù)針對(duì)復(fù)雜場(chǎng)景下安全帽佩戴檢測(cè)所存在的技術(shù)問題，提出一種設(shè)計(jì)合理、方法簡(jiǎn)單、理論性強(qiáng)且能夠解決精度不夠高、訓(xùn)練時(shí)間長(zhǎng)、模型復(fù)雜等問題的一種基于改進(jìn)YOLO v7的復(fù)雜背景下安全帽佩戴實(shí)時(shí)檢測(cè)方法及系統(tǒng)。
[0006]為了達(dá)到上述目的，本專利技術(shù)采用的技術(shù)方案為：本專利技術(shù)提供一種基于改進(jìn)YOLO v7的復(fù)雜背景下安全帽佩戴實(shí)時(shí)檢測(cè)方法及系統(tǒng)，包括以下步驟：
[0007]S1、圖像采集：通過圖像采集設(shè)備對(duì)復(fù)雜背景下的圖像數(shù)據(jù)進(jìn)行采集，所述圖像數(shù)據(jù)為復(fù)雜背景下正確佩戴安全帽、未正確佩戴安全帽以及未佩戴安全帽的圖像；
[0008]S2、對(duì)所獲得的圖像進(jìn)行數(shù)據(jù)增強(qiáng)達(dá)到擴(kuò)充樣本的目的，并對(duì)數(shù)據(jù)增強(qiáng)后的圖像使用labelImg進(jìn)行標(biāo)注，將所獲得的圖像和標(biāo)注制作成YOLO v7模型所需格式，得到數(shù)據(jù)集；
[0009]S3、將數(shù)據(jù)集按照一定比例隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；
[0010]S4、對(duì)YOLO v7模型進(jìn)行改進(jìn)：包括新增加一個(gè)特征提取層、增加SimAM模塊、改進(jìn)ELAN和MP模塊以及改進(jìn)損失函數(shù)，所述改進(jìn)損失函數(shù)，基于SIoU函數(shù)添加歸一化Wasserstein距離(NWD)、IOU損失懲罰項(xiàng)ε，距離損失和形狀損失懲罰項(xiàng)α，得到Loss的最終計(jì)算公式為：
[0011]Loss＝(1
?
β)(1
?
NWD(N
A
,N
B
))+β(1
?
IoU
ε
+(1
?
α)Δ+αΩ)
[0012]其中，Δ為距離損失，Ω為形狀損失，β是NWD的權(quán)重比例系數(shù)，ε為IoU損失懲罰項(xiàng)，α為距離損失和形狀損失懲罰項(xiàng)；
[0013]S5、對(duì)改進(jìn)后的YOLO v7模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的模型，并對(duì)模型進(jìn)行評(píng)估：基于自監(jiān)督蒸餾使用訓(xùn)練集對(duì)改進(jìn)后的YOLO v7模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的模型后對(duì)模型進(jìn)行評(píng)估；
[0014]S6、將模型部署到可視化監(jiān)拍設(shè)備系統(tǒng)，進(jìn)行實(shí)時(shí)檢測(cè)并判斷是否發(fā)出警告：在進(jìn)行實(shí)時(shí)檢測(cè)時(shí)，若檢測(cè)到未佩戴安全帽或未正確佩戴安全帽，則監(jiān)拍設(shè)備發(fā)出警告。
[0015]作為優(yōu)選，所述步驟S2的數(shù)據(jù)增強(qiáng)采用隨機(jī)裁剪和Mosaic技術(shù)；
[0016]作為優(yōu)選，所述步驟S4的具體改進(jìn)為：
[0017]S4.1所述新增加一個(gè)特征提取層，是在原有的三個(gè)提取層的基礎(chǔ)上，新增一個(gè)尺度為160
×
160的特征提取層，形成四尺度預(yù)測(cè)；
[0018]S4.2所述增加SimAM模塊，是在特征提取之后添加四個(gè)無參數(shù)的SimAM模塊；
[0019]S4.3所述改進(jìn)ELAN和MP模塊，是引入可變形卷積(Deformable Convolution)和深度可分離卷積(DWConv)，基于可變形卷積、BN以及SiLU構(gòu)建DCBS模塊，基于DWConv、BN以及SiLU構(gòu)建DWBS模塊，組建新的DELAN模塊和DWMP模塊；
[0020]S4.4所述改進(jìn)損失函數(shù)，基于SIoU函數(shù)添加歸一化Wasserstein距離(NWD)、IoU損失懲罰項(xiàng)ε，距離損失和形狀損失懲罰項(xiàng)α，其中NWD的計(jì)算公式為：
[0021][0022][0023]其中，是距離度量，C是一個(gè)常數(shù)，N
A
為預(yù)測(cè)框A的高斯分布模型，N
B
為真實(shí)框B的高斯分布模型。添加懲罰項(xiàng)ε和α，得到最終Loss的計(jì)算公式為：
[0024]Loss＝(1
?
β)(1
?
NWD(N
A
,N
B
))+β(1
?
IoU
ε
+(1
?
α)Δ+αΩ)
[0025]其中，Δ為距離損失，Ω為形狀損失，β是NWD的權(quán)重比例系數(shù)，ε為IoU損失懲罰項(xiàng)，α為距離損失和形狀損失懲罰項(xiàng)。
[0026]作為優(yōu)選，所述步驟S5的自監(jiān)督蒸餾是不提前訓(xùn)練一個(gè)teacher網(wǎng)絡(luò)模型，而是student網(wǎng)絡(luò)本身的訓(xùn)練完成一個(gè)蒸餾過程，所述蒸餾過程具體是先開始訓(xùn)練student模型，在整個(gè)訓(xùn)練過程的最后幾個(gè)epoch的時(shí)候，利用前面訓(xùn)練的student作為監(jiān)督模型，在剩下的epoch中，對(duì)模型進(jìn)行蒸餾。
[0027]作為優(yōu)選，所述步驟S5的評(píng)估指標(biāo)為：
[0028][0029][0030][0031][0032][0033]其中，P和R分別代表精確率和召回率，TP為識(shí)別結(jié)果為真且實(shí)際也為真的數(shù)量，F(xiàn)P為識(shí)別結(jié)果為真但實(shí)際為假的數(shù)量，F(xiàn)N為識(shí)別結(jié)果為假但實(shí)際為真的數(shù)量；AP為單個(gè)目標(biāo)類的平均精度，由P，R和坐標(biāo)軸圍成的面積計(jì)算得到；mAP表示對(duì)所有目標(biāo)類的AP求取的均值，其中N代表所有目標(biāo)類的數(shù)量；F1值是精確度和召回率的調(diào)和平均數(shù)。
[0034]與現(xiàn)有技術(shù)相比，本專利技術(shù)的優(yōu)點(diǎn)和積極效果在于：
[0035]1、本專利技術(shù)通過新增特征提取層、在特征提取之后增加SimAM模塊以及采用增加歸一化Wasserstein距離和損失懲罰項(xiàng)改進(jìn)的SIoU損失函數(shù)，用于提高模本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】

【技術(shù)特征摘要】
1.一種基于改進(jìn)YOLO v7的復(fù)雜背景下安全帽佩戴實(shí)時(shí)檢測(cè)方法及系統(tǒng)，其特征在于，包括以下步驟：S1、圖像采集：通過圖像采集設(shè)備對(duì)復(fù)雜背景下的圖像數(shù)據(jù)進(jìn)行采集，所述圖像數(shù)據(jù)為復(fù)雜背景下正確佩戴安全帽、未正確佩戴安全帽以及未佩戴安全帽的圖像；S2、對(duì)所獲得的圖像進(jìn)行數(shù)據(jù)增強(qiáng)達(dá)到擴(kuò)充樣本的目的，并對(duì)數(shù)據(jù)增強(qiáng)后的圖像使用labelImg進(jìn)行標(biāo)注，將所獲得的圖像和標(biāo)注制作成YOLO v7模型所需格式，得到數(shù)據(jù)集；S3、將數(shù)據(jù)集按照一定比例隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；S4、對(duì)YOLO v7模型進(jìn)行改進(jìn)：包括新增加一個(gè)特征提取層、增加SimAM模塊、改進(jìn)ELAN和MP模塊以及改進(jìn)損失函數(shù)，所述改進(jìn)損失函數(shù)，基于SIoU函數(shù)添加歸一化Wasserstein距離(NWD)、IOU損失懲罰項(xiàng)ε，距離損失和形狀損失懲罰項(xiàng)α，得到Loss的最終計(jì)算公式為：Loss＝(1
?
β)(1
?
NWD(N
A
,N
B
))+β(1
?
IoU
ε
+(1
?
α)Δ+αΩ)其中，Δ為距離損失，Ω為形狀損失，β是NWD的權(quán)重比例系數(shù)，ε為IoU損失懲罰項(xiàng)，α為距離損失和形狀損失懲罰項(xiàng)；S5、對(duì)改進(jìn)后的YOLO v7模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的模型，并對(duì)模型進(jìn)行評(píng)估：基于自監(jiān)督蒸餾使用訓(xùn)練集對(duì)改進(jìn)后的YOLO v7模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的模型后對(duì)模型進(jìn)行評(píng)估；S6、將模型部署到可視化監(jiān)拍設(shè)備系統(tǒng)，進(jìn)行實(shí)時(shí)檢測(cè)并判斷是否發(fā)出警告：在進(jìn)行實(shí)時(shí)檢測(cè)時(shí)，若檢測(cè)到未佩戴安全帽或未正確佩戴安全帽，則監(jiān)拍設(shè)備發(fā)出警告。2.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLO v7的復(fù)雜背景下安全帽佩戴實(shí)時(shí)檢測(cè)方法及系統(tǒng)，其特征在于，所述步驟S2的數(shù)據(jù)增強(qiáng)采用隨機(jī)裁剪和Mosaic技術(shù)。3.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)YOLO v7的復(fù)雜背景下安全帽佩戴實(shí)時(shí)檢測(cè)方法及系統(tǒng)，其特征在于，所述步驟S4的具體改進(jìn)為：S4.1所述新增加一個(gè)特征提取層，是在原有的三個(gè)提取層的基礎(chǔ)上，新增一個(gè)尺度為160
×
160的特征提取層，形成四尺度預(yù)測(cè)；S4.2所述增加SimAM模塊，是在特征提取之后添加四個(gè)無參數(shù)的SimAM模塊；S4.3所述改進(jìn)ELAN和MP模塊，是引入可變形卷積(Deformable...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王芬芬，
申請(qǐng)(專利權(quán))人：山東智和創(chuàng)信息技術(shù)有限公司，
類型：發(fā)明
國別省市：