一种基于改进YOLOV5模型的安全帽佩戴检测方法

技术特征：
1.一种基于改进yolov5模型的安全帽佩戴检测方法，其特征在于，包括以下步骤：s1、获取安全帽佩戴图像数据集，从所述安全帽佩戴图像数据集中随机选取n张图像进行图像数据增强，得到数据增强后的图像；s2、将所述数据增强后的图像输入至改进yolov5模型中进行训练，得到训练后的改进yolov5模型；所述改进yolov5模型包括：在特征提取部分嵌入倒置残差模块与倒置残差注意力模块进行图像特征提取；在特征融合部分设计多尺度特征融合模块进行特征融合，并生成四个不同感受野的检测头；优化预测框回归损失函数；s3、将待检测图像输入至所述训练后的改进yolov5模型，得到相关人员是否佩戴安全帽的检测结果。2.根据权利要求1所述的一种基于改进yolov5模型的安全帽佩戴检测方法，其特征在于，所述步骤s1中，从所述安全帽佩戴图像数据集中随机选取n张图像进行图像数据增强，所述图像数据增强包括：对图像进行翻转、缩放和色域变换；将翻转、缩放和色域变换后的图像按照预设模板随机裁剪后进行拼接。3.根据权利要求2所述的基于改进yolov5模型的安全帽佩戴检测方法，其特征在于，所述对图像进行缩放具体为：在所述安全帽佩戴图像数据集中随机选择n张图像，将图像的宽和高作为边界值，对图像进行t
x
和t
y
缩放倍率的缩放；t
x
=f
r
(t
w
,t
w
δt
w
)t
y
=f
r
(t
h
,t
h
δt
h
)其中，t
w
和t
h
分别为宽和高缩放倍率的最小值，δt
w
和δt
h
分别为宽和高缩放倍率随机区间的长度，f
r
表示随机值函数。4.根据权利要求1所述的一种基于改进yolov5模型的安全帽佩戴检测方法，其特征在于，所述步骤s2中，所述在特征提取部分嵌入倒置残差模块与倒置残差注意力模块进行图像特征提取；具体包括以下步骤：a、将所述数据增强后的图像，通过focus卷积和3
×
3的卷积层后得到特征图feature_c0；b、将所述特征图feature_c0输入至第一倒置残差模块，采用通道扩张的方式放大浅层的特征，利用卷积进行特征提取，通过残差连接的方式进行特征重复学习，输出特征图feature_c1；c、将所述特征图feature_c1经过一层卷积和第二倒置残差模块后得到特征图feature_c2，再经过一层卷积输入到第一倒置残差注意力模块中，得到特征图feature_c3，将所述特征图feature_c3经过卷积核大小为3
×
3的卷积并经过空间金字塔池化后，进入第二倒置残差注意力模块中，得到特征图feature_c4，作为多尺度特征融合模块的输入。5.根据权利要求4所述的一种基于改进yolov5模型的安全帽佩戴检测方法，其特征在于，所述步骤s2中，所述在特征融合部分设计多尺度特征融合模块进行特征融合，并生成四个不同感受野的检测头，具体包括以下步骤：1)、将所述特征图feature_c4通过卷积并经过上采样操作获得特征图feature_up1；2)、将所述特征图feature_up1与所述特征图feature_c3特征进行融合，再经过c3模块，得到融合后的特征图feature_fuse1，将所述特征图feature_fuse1通过卷积并经过上
采样操作获得特征图feature_up2；3)、将所述特征图feature_up2与所述特征图feature_c2融合后得到特征图feature_fuse2，通过卷积并经过上采样操作获得特征图feature_up3，4)、将所述特征图feature_up3与所述特征图feature_c1进行级联操作得到特征图feature_fuse3，然后通过c3模块和卷积核大小为1
×
1的卷积层进行特征提取获得特征图f4，其特征尺寸为原图像的1/4；5)、将所述特征图feature_fuse3经过c3模块和卷积核大小为3
×
3的卷积得到特征图feature_fuse4，与所述特征图feature_up2进行级联，进一步与所述特征图feature_c2进行级联操作获得特征图f3，其特征尺寸为原图像的1/8；6)、将所述特征图feature_fuse4经过c3模块和卷积核大小为3
×
3的卷积与所述特征图feature_fuse1经过c3模块和卷积核大小为3
×
3的卷积后进行级联，得到特征图feature_fuse5，然后通过c3模块和卷积核大小为1
×
1的卷积层进行特征提取获得特征图f2，其特征尺寸为原图像的1/16；7)、将所述特征图feature_fuse5经过c3模块和卷积核大小为3
×
3的卷积与所述特征图feature_c4经过卷积核大小为3
×
3的卷积后进行级联，得到特征图feature_fuse6，然后通过c3模块和卷积核大小为1
×
1的卷积层进行特征提取获得特征图f1，其特征尺寸为原图像的1/32。6.根据权利要求1所述的一种基于改进yolov5模型的安全帽佩戴检测方法，其特征在于，所述优化预测框回归损失函数中：采用ciou损失函数作为改进yolov5模型算法的预测框回归损失函数l
ciou
，其定义为：l
ciou
=1-ciou其中，iou代表预测框和真实框的交并比，b代表预测框的中心点，b
gt
代表真实框的中心点，ρ代表为欧式距离，ρ2(b,b
gt
)代表计算预测框的中心点和真实框的中心点之间欧氏距离的平方，c代表能够同时包含预测框和真实框的最小外接矩形的对角线距离；α代表用于做权衡的参数，v代表衡量长宽比一致性的参数；其中，α和v的参数表达式如下:其中，α和v的参数表达式如下:其中，w和h分别为预测框的宽度和高度；w
gt
和h
gt
分别为真实框的宽度和高度。

技术总结
本发明公开了一种基于改进YOLOV5模型的安全帽佩戴检测方法，方法包括：从安全帽佩戴图像数据集中随机选取图像进行图像数据增强，得到数据增强后的图像，输入至改进YOLOV5模型中进行训练，得到训练后的改进YOLOV5模型；改进YOLOV5模型包括：在特征提取部分嵌入倒置残差模块与倒置残差注意力模块进行图像特征提取；在特征融合部分设计多尺度特征融合模块进行特征融合，并生成四个不同感受野的检测头；优化预测框回归损失函数；最后将待检测图像输入至训练后的改进YOLOV5模型，得到相关人员是否佩戴安全帽的检测结果；本发明有效改善了施工现场视频监控图像中小目标漏检、误检的问题，提高了安全帽佩戴检测精度。提高了安全帽佩戴检测精度。提高了安全帽佩戴检测精度。


技术研发人员：张艳 梁化民 刘业辉 孙晶雪
受保护的技术使用者：天津城建大学
技术研发日：2022.12.02
技术公布日：2022/12/30