【技術實現步驟摘要】
本專利技術屬于安全裝備檢測，尤其涉及一種基于sgr-yolo模型的安全裝備檢測方法及系統。
技術介紹
1、由于建筑工地存在施工環境復雜、人員流動大和不同機械同時作業等特點，工人們在作業中經常面臨潛在的安全風險，如果沒有采取有效的安全防護措施，甚至會導致各種安全事故的發生，造成人員傷亡和財產損失。工人在施工作業過程中要佩戴安全帽和穿戴安全馬甲。但在實際工作中，由于缺乏安全意識，施工人員未穿戴安全裝備的行為經常發生，從而引發嚴重的安全事故，造成人員和財產的損失。
2、目前，對于安全生產監管方面，建筑施工單位通常采取人為監管和監控監管兩個方面。通過人為對安全生產進行監管，容易發生安全生產責任落實不到位、浪費人力資源等問題。而通過監控進行監管，會有監控畫面的死角區域無法進行監管、檢測的準確性低和實時性差等問題發生。
3、近年來，隨著目標檢測技術的不斷發展，在安全裝備檢測研究中取得了一定的成果。經過大量行業和場景中的實際部署、測試，yolov5算法脫穎而出，其檢測速度快，精度高，備受專家學者關注。然而，yolov5模型在嵌入式設備中落地部署時，無法在復雜的施工環境下對目標進行有效檢測，容易出現小目標漏檢、誤檢的問題，精度和速度惡化嚴重。因此，如何避免在復雜環境下對安全裝備進行檢測時出現小目標漏檢、誤檢的問題，并同時保證其輕量化，是本領域技術人員亟需解決的問題。
技術實現思路
1、針對現有技術中的上述不足，本專利技術提供的一種基于sgr-yolo模型的安全裝備檢測方法及
2、為了達到以上目的，本專利技術采用的技術方案為：一種基于sgr-yolo模型的安全裝備檢測方法，包括以下步驟：
3、s1、獲取安全裝備圖像，并對安全裝備圖像進行預處理，將預處理后的安全裝備圖像劃分為訓練集、測試集和驗證集；
4、s2、利用訓練集和驗證集對sgr-yolo模型進行訓練，得到訓練后的sgr-yolo模型權重；
5、s3、利用評價指標對已訓練的sgr-yolo模型進行評估，并根據評估結果，將測試集輸入至已訓練的sgr-yolo模型中，得到施工人員是否穿戴安全裝備的檢測結果。
6、本專利技術的有益效果是：本專利技術從安全裝備圖像中選取施工場景光線昏暗的圖像進行自適應變換處理gamma的圖像增強；利用標注軟件對圖像中的目標進行標注，并劃分為訓練集、測試集、驗證集；在改進yolov5網絡中使用mobilenetv3網絡作為骨干網絡進行特征提取，降低網絡的參數量；在neck部分應用雙向特征金字塔網絡bi-fpn，用于融合多尺度特征，適應由攝影距離造成的目標尺度變化；引入cbam注意力機制模塊，用于結合通道和空間注意力，適應小目標的特征表示需求；優化預測框和回歸損失函數，提升網絡訓練中的收斂速度并降低漏檢率；利用評價指標對sgr-yolo模型進行評估；并將測試集輸入至所述訓練后sgr-yolo模型，得到施工人員是否穿戴安全裝備的檢測結果；解決了在嵌入式設備中落地部署時yolov5算法的精度和速度降低的問題。
7、進一步地，所述步驟s1包括以下步驟：
8、s101、獲取安全裝備圖像；
9、s102、從獲取的安全裝備圖像中選取施工場景光線昏暗的圖像，并進行圖像增強處理，得到圖像增強后的安全裝備圖像；
10、s103、對圖像增強后的安全裝備圖像的數據集中的目標進行標注，并劃分為訓練集、測試集和驗證集。
11、上述進一步方案的有益效果是：通過對安全裝備圖像進行增強處理，可以有效地提高圖像的質量和信息量，從而提高目標檢測模型的準確性。
12、再進一步地，所述sgr-yolo模型具體為：
13、在yolov5的基本框架上，使用mobilenetv3網絡作為骨干網絡進行安全裝備圖像的特征提取，在neck部分應用雙向特征金字塔網絡bi-fpn，用于采用歸一化融合的加權融合方法，平衡不同特征層級之間的權重機制，以融合多尺度特征；引入注意力機制模塊cbam，用于結合通道和空間注意力以及優化預測框和回歸損失函數。
14、上述進一步方案的有益效果是：通過采用mobilenetv3作為骨干網絡進行特征提取，大幅降低網絡的參數量和運算內存，提高網絡運行性能。在neck部分應用雙向特征金字塔網絡bi-fpn，可以實現簡單、快速的多尺度特征融合，滿足更高效、更小型化的嵌入式目標檢測實時性要求。在特征提取部分引入注意力機制模塊cbam，能夠使網絡對關鍵特征進行有效地提取，從而進一步提高目標檢測的準確度，可應對室外施工應用場景中各種復雜天氣的情況。
15、再進一步地，所述mobilenetv3網絡包括深度可分離卷積和h-swish激活函數；
16、所述深度可分離卷積，用于將接收到的多特征圖拆分為單個通道的特征圖，并對拆分的特征圖進行單通道卷積操作，并將卷積操作的結果進行堆疊，將堆疊后的特征圖進行逐點卷積操作；
17、所述h-swish激活函數的表達式如下：
18、
19、relu6(x)＝min(max(x,0),6)
20、其中，h-swish(x)表示h-swish激活函數，relu6(x)表示relu6函數，為修正線性單元函數relu的變種，x表示輸入變量。
21、上述進一步方案的有益效果是：mobilenetv3網絡架構輕量，計算量更少，適合實時檢測。捕獲關鍵信息，抑制冗余信息，特征提取能力強，可提高檢測精度。
22、再進一步地，所述雙向特征金字塔網絡bi-fpn具體為：
23、在特征金字塔網絡fpn結構的基礎上，刪除位于最高維特征層和最低維特征層的中間節點，并在位于中間位置的每個特征層上增加輸入特征圖和輸出特征圖相連的殘差邊。
24、上述進一步方案的有益效果是：在特征金字塔網絡fpn結構的基礎上，刪除位于最高維特征層和最低維特征層的中間節點，并在位于中間位置的每個特征層上增加輸入特征圖和輸出特征圖相連的殘差邊，可以提高特征提取效率、增強特征融合能力和提升模型魯棒性，從而使模型能夠更好地進行安全裝備檢測。
25、再進一步地，所述權重機制的表達式如下：
26、
27、其中，i，j均表示特征融合的節點處輸入的特征圖數量，i＝j，ωi和ωj均表示輸入的各個特征圖的權重，權重的初始范圍為0<ωi<1，0<ωj<1，每訓練一次權重后，將通過relu激活函數保證ωi的值恒大于0，ε表示常數，ii表示特征圖矩陣。
28、上述進一步方案的有益效果是：bi-fpn的快速歸一化融合加權融合方法是一種有效且高效的特征融合方法，可以提高特征融合的有效性、增強模型的魯棒性和降低模型的計算復雜度，從而使模型能夠更好地進行安全裝備檢測。
29、再進一步地，所述注意力機制模塊cb本文檔來自技高網...
【技術保護點】
1.一種基于SGR-YOLO模型的安全裝備檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于SGR-YOLO模型的安全裝備檢測方法，其特征在于，所述步驟S1包括以下步驟：
3.根據權利要求1所述的基于SGR-YOLO模型的安全裝備檢測方法，其特征在于，所述SGR-YOLO模型具體為：
4.根據權利要求3所述的基于SGR-YOLO模型的安全裝備檢測方法，其特征在于，所述MobileNetV3網絡包括深度可分離卷積和h-swish激活函數；
5.根據權利要求3所述的基于SGR-YOLO模型的安全裝備檢測方法，其特征在于，所述雙向特征金字塔網絡Bi-FPN具體為：
6.根據權利要求5所述的基于SGR-YOLO模型的安全裝備檢測方法，其特征在于，所述權重機制的表達式如下：
7.根據權利要求3所述的基于SGR-YOLO模型的安全裝備檢測方法，其特征在于，所述注意力機制模塊CBAM的表達式如下：
8.根據權利要求3所述的基于SGR-YOLO模型的安全裝備檢測方法，其特征在于，所述優化預測框和回
9.根據權利要求1-8任的所述的基于SGR-YOLO模型的安全裝備檢測方法的安全裝備檢測系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于sgr-yolo模型的安全裝備檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于sgr-yolo模型的安全裝備檢測方法，其特征在于，所述步驟s1包括以下步驟：
3.根據權利要求1所述的基于sgr-yolo模型的安全裝備檢測方法，其特征在于，所述sgr-yolo模型具體為：
4.根據權利要求3所述的基于sgr-yolo模型的安全裝備檢測方法，其特征在于，所述mobilenetv3網絡包括深度可分離卷積和h-swish激活函數；
5.根據權利要求3所述的基于sgr-yolo模型的安全裝備檢測方法，...
【專利技術屬性】
技術研發人員：楊立山，榮則凱，白成林，許恒迎，許友興，王學振，崔圓浩，王柄錢，李智軒，
申請(專利權)人：聊城大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。