技术领域
[0001] 本
发明属于
图像识别技术领域，特别是涉及一种基于深度学习的安全帽佩戴识别方法。
背景技术
[0002] 随着深度学习技术的发展，基于深度学习的
卷积神经网络在目标检测中应用已经日趋成熟。但同时，由于
数据采集方式、数据
质量以及数据集标注方式的不同，
算法模型的预测准确度以及逻辑判定的复杂度也不尽相同。如何通过一种有效的方式合理的标注数据，训练出高效率的神经网络是算法模型能够成功被训练出来的关键。
发明内容
[0003] 本发明的目的在于提供基于深度学习的安全帽佩戴识别方法，通过接对人员的头部进行标记，得到的头部信息数据集被标记为两类：戴安全帽、未戴安全帽，将头部信息数据集作为卷积神经网络模型的训练集，得到用于对
检测区域人员进行安全帽佩戴状态识别的安全帽佩戴识别模型，安全帽佩戴状态包括佩戴安全帽和未佩戴安全帽两种，解决了现有的识别效率低以及准确率差的问题。
[0004] 为解决上述技术问题，本发明是通过以下技术方案实现的：
[0005] 本发明为基于深度学习的安全帽佩戴识别方法，包括如下过程：
[0006] A00：采集若干个人员的图像，根据预设的标注筛选规则以标注和筛选出符合要求的头部信息，得到头部信息数据集；所述头部信息的类别至少包括戴安全帽和未戴安全帽两种头部信息；
[0007] A01：将所述头部信息数据集作为卷积神经网络模型的训练集，得到用于对检测区域人员进行安全帽佩戴状态识别的安全帽佩戴识别模型，所述安全帽佩戴状态包括佩戴安全帽和未佩戴安全帽。
[0008] 优选地，A00和A01具体包括如下步骤：
[0009] S00：采集图像数据；
[0010] S01：根据设定的标注筛选规则以标注和筛选出符合要求的头部信息；
[0011] S02：设计卷积神经网络模型；
[0012] S03：训练生成安全帽佩戴识别模型；
[0013] S04：集成安全帽佩戴识别模型。
[0014] 优选地，S00中采集图像数据具体包括：采集不同参数条件下的人员的头部图像；所述参数条件包括采集场景、人员性别、人员姿势、环境因子以及摄像头参数。
[0015] 优选地，S01中根据设定的标注筛选规则包括如下步骤：
[0016] B00：选择标注工具；
[0017] B01：采用选择的标注工具从每张采集到的图像中选取标注目标进而获取头部信息数据集；其中，所述标注目标为人员头部区域；
[0018] B02：判断所述头部信息数据集中每张图像中的标注目标的大小是否满足设定大小
阈值范围，剔除所述头部信息数据集中标注目标不满足设定大小阈值范围的图像；
[0019] B03：判断所述头部信息数据集中每张图像中的标注目标在所属图像上的
位置，剔除所述头部信息数据集中标注目标处于图像边缘的图像；
[0020] B04：对所述头部信息数据集中剩余图像的类别进行标注，类别至少包括戴安全帽和未戴安全帽的头部信息。
[0021] 优选地，S02中设计卷积神经网络模型具体包括如下：
[0022] C00：确定卷积神经网络的结构为keras-retinane；
[0023] C01：确定卷积神经网络的参数具体包括：Dropout、Lr、Batchsize、Epoch；其中，所述Lr采用动态值；
[0024] C02：确定卷积神经网络BP自适应优化方法为传统随机梯度下降的方法或者
牛顿动量的优化方法；
[0025] C03：通过EarlyStopping设置网络训练的提前终止条件；其中，设置最小变化值以及“耐心”来确定训练的过程是否提前终止。
[0026] 优选地，还包括对安全帽佩戴识别模型进行评估，具体包括：
[0027] 采用安全帽佩戴识别模型对评估样本数据集进行识别，计算识别准确率和召回率，如果识别准确率和召回率分别大于设定准确率阈值和设定召回率阈值，判定安全帽佩戴识别模型满足识别需求。
[0028] 本发明具有以下有益效果：
[0029] 本发明直接对人员的头部进行标记，得到的头部信息数据集被标记为两类：戴安全帽、未戴安全帽，将头部信息数据集作为卷积神经网络模型的训练集，得到用于对检测区域人员进行安全帽佩戴状态识别的安全帽佩戴识别模型，安全帽佩戴状态包括佩戴安全帽和未佩戴安全帽两种；能够有效进行安全帽佩戴识别，减少识别时间，提高识别效率，切实提升安全帽佩戴识别的准确率；并且相比于传统的目标检测的神经网络，神经网络训练过程可以更快进行收敛，获得明显的效果提升。
[0030] 当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0031] 为了更清楚地说明本发明
实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0032] 图1为本发明的基于深度学习的安全帽佩戴识别方法的
流程图；
[0033] 图2为本发明中设定标注筛选规则的流程图；
[0034] 图3为本发明中设计卷积神经网络模型的流程图。
具体实施方式
[0035] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0036] 请参阅图1所示，本发明为基于深度学习的安全帽佩戴识别方法，包括如下过程：
[0037] A00：采集若干个人员的图像，根据预设的标注筛选规则以标注和筛选出符合要求的头部信息，得到头部信息数据集；头部信息的类别至少包括戴安全帽和未戴安全帽两种头部信息；
[0038] A01：将头部信息数据集作为卷积神经网络模型的训练集，得到用于对检测区域人员进行安全帽佩戴状态识别的安全帽佩戴识别模型，安全帽佩戴状态包括佩戴安全帽和未佩戴安全帽。
[0039] 本发明具体包括如下步骤：
[0040] S00：采集图像数据；
[0041] 在卷积神经网络训练过程中，数据样本的多样性可以有效提高最终生成的模型的鲁棒性；因此，在条件允许时，可以采集尽可能多样并且满足实际需求的数据样本。采集若干个人员图像数据是指：采集不同参数条件下的人员的图像数据，参数条件包括采集场景、人员性别、人员姿势、环境因子、摄像头参数中的几种或者全部。具体如下：
[0042] (1)安全帽数据采集场景：鉴于模型的不同使用场景会对模型的最终识别效果造成影响；例如室内、室外等，因此需要确定多个模型的应用场景，采集前述多个应用场景下的不同图像数据。
[0043] (2)安全帽采集人员的性别：由于不同性别人脸的面部特征的不一样，采集的数据包括男女性别的数据。
[0044] (3)安全帽数据采集中的人员姿势：同样，考虑到安全帽佩戴识别模型的具体应用场景；采集到的数据包括人员的
正面、侧面、以及背面的数据，提高模型的鲁棒性。
[0045] (4)安全帽数据采集时的环境因子：环境因子包括环境光强度、天气因素。同样是考虑到安全帽佩戴识别模型的具体应用场景，例如晴朗天气下太阳照射安全帽发生反光、雨
雪天气下图像干扰大等等。
[0046] (5)采集数据摄像头的清晰度：摄像头的清晰度越高，模型训练出来就会越准确，在真实场景中的应用也会越精确。
[0047] S01：根据设定的标注筛选规则以标注和筛选出符合要求的头部信息；
[0048] 请参阅图2所示，设定的标注筛选规则具体包括如下：
[0049] B00：选择标注工具；
[0050] B01：采用选择的标注工具从每张采集到的图像中选取标注目标进而获取头部信息数据集；其中，标注目标为人员头部区域；
[0051] B02：判断头部信息数据集中每张图像中的标注目标的大小是否满足设定大小阈值范围，剔除头部信息数据集中标注目标不满足设定大小阈值范围的图像；
[0052] B03：判断头部信息数据集中每张图像中的标注目标在所属图像上的位置，剔除头部信息数据集中标注目标处于图像边缘的图像；
[0053] B04：对头部信息数据集中剩余图像的类别进行标注，类别至少包括戴安全帽和未戴安全帽的头部信息。
[0054] 实际工作中，标注选择包括以下细
节点：
[0055] (1)标注工具的选择：标注工具采用labelimg，标注图片并生成xml的文件，生成的xml文件可直接用于之后的模型的训练，节省变换数据格式的时间。
[0056] (2)标注目标的选择：这一步是整个安全帽佩戴识别算法构建的核心部分，以往选标目标的方式为优先识别行人，之后再进行安全帽的识别，传统方案的检测的速度以及检测的准确度都不是很理想。本发明提出，直接对人员的头部进行标记，将数据集标记为两类：戴安全帽，未戴安全帽。这样既有利于网络对两类数据集特征进行选择以提高准确率，也减少了传统安全帽佩戴识别的步骤，提高了程序的运行速度。
[0057] (3)标注目标远近的选择：标注的目标太小容易导致网络学习到错误的信息，标注的目标太大容易学习到太过于细化的面部特征，这样不利于网络对两类数据的特征的学习，选择合适大小的标注目标至关重要。
[0058] (4)标注类别的选择：标定目标的选择人类头部，所以类别设置为两类：戴安全帽，没带安全帽。
[0059] (5)标注目标在图中位置的选择：过滤在图像边缘的目标，以便于剔除头部不完全错标的情况，即，图像边缘的头部显示不完整的数据不进行标定，用以提高模型的鲁棒性。
[0060] S02：设计卷积神经网络模型，具体的包括如下：
[0061] 请参阅图3所示，
[0062] C00：确定卷积神经网络的结构为keras-retinane，卷积神经网络的结构直接会影响到训练速度已经之后模型的准确率；
[0063] C01：确定卷积神经网络的参数具体包括：Dropout、Lr、Batchsize、Epoch；神经网络的这几个参数直接会影响模型的训练情况，合理的设置可以加快参数的收敛以及防止模型的过拟合；其中，Lr采用动态值，慢慢变小的学习率更有利于最优解的查找；
[0064] C02：确定卷积神经网络BP自适应优化方法为传统随机梯度下降的方法或者牛顿动量的优化方法，卷积神经网络的BP的结构，能够进行神经网络的参数优化；
[0065] C03：通过EarlyStopping设置网络训练的提前终止条件；其中，设置最小变化值以及“耐心”来确定训练的过程是否提前终止。
[0066] S03：训练生成安全帽佩戴识别模型，具体包括如下：
[0067] <1>训练机器配置的选择：训练机器的配置越高的越有利于模型的训练，可以在短时间内进行多次训练，例如采用以下配置：CPU：i7-6700K；RAM：32G；GPU：GTX1060。
[0068] <2>训练时候GPU的调用：GPU的调用可以大大加快模型训练的速度。
[0069] <3>训练模型的评估：包括模型在应用场景中识别的速度，模型的准确率等指标的评估，具体的，识别方法还包括对安全帽佩戴识别模型进行评估：
[0070] 采用安全帽佩戴识别模型对评估样本数据集进行识别，计算识别准确率和召回率，如果识别准确率和召回率分别大于设定准确率阈值和设定召回率阈值，判定安全帽佩戴识别模型满足识别需求。
[0071] <4>最优模型的保存：保存最优的模型用于模型的移植，将模型集成到项目中进行应用。
[0072] S04：集成安全帽佩戴识别模型，具体包括两种方式：
[0073] 第一种方式：将训练好的安全帽佩戴识别模型集成到项目中，直接传入数据，并且预测出输出结果。
[0074] 第二种方式：在Web服务启动时便对安全帽佩戴识别模型进行加载，避免每次调用服务时候加载降低效率。
[0075] 值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0076] 另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的
硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
[0077] 以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本
说明书的内容，可作很多的
修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受
权利要求书及其全部范围和等效物的限制。
