基于深度学习的安全帽识别方法和系统与流程

本发明涉及安全帽识别技术领域，具体而言涉及一种基于深度学习的安全帽识别方法和系统。

背景技术：

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。

技术实现要素：

本发明目的在于提供一种基于深度学习的安全帽识别方法和系统，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两种。本发明能够有效进行安全帽识别，减少识别时间，提高识别效率，切实提升安全帽识别的准确率；并且相比于传统的目标检测的神经网络，本发明中的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。

为达成上述目的，结合图1，本发明提出一种基于深度学习的安全帽识别方法，所述识别方法包括：

S1：采集若干个人员图像数据，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，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的头部信息和未戴安全帽的头部信息两种。

S2：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。

基于前述基于深度学习的安全帽识别方法，本发明还提及一种基于深度学习的安全帽识别系统，所述识别系统包括以下模块：

(1)用于采集若干个人员图像数据的模块。

(2)用于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，得到头部信息数据集的模块，所述头部信息的类别至少包括戴安全帽的头部信息和未戴安全帽的头部信息两种。

(3)用于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识别模型的模块，所述安全帽佩戴状态包括佩戴安全帽和未佩戴安全帽。

(4)用于将安全帽识别模型集成至指定项目中的模块。

传统安全帽识别方法中，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。本发明通过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，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识别的步骤，提高了程序的运行速度。

以上本发明的技术方案，与现有相比，其显著的有益效果在于：

1)能够有效进行安全帽识别，减少识别时间，提高识别效率，切实提升安全帽识别的准确率。

2)相比于传统的目标检测的神经网络，本发明中的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。

3)采集不同参数条件下的人员的图像数据，所述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，提高采集图像的多样性，以增加最终训练生成的安全帽识别模型的鲁棒性。

4)采用labelImg标注图片并生成格式为xml的文件，一方面能够直接用于之后的模型的训练，另一方面可以节省变换数据格式的时间。

5)Lr的值设置为动态的，慢慢变小的学习率更有利于最优解的查找。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是本发明的基于深度学习的安全帽识别方法的流程图。

图2是本发明的具体实施例二的流程图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

具体实施例一

结合图1，本发明提出一种基于深度学习的安全帽识别方法，所述识别方法包括：

S1：采集若干个人员图像数据，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，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的头部信息和未戴安全帽的头部信息两种。

S2：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。

本发明分为以下几个步骤。

第一步，采集图像数据

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。

在一些例子中，本发明提出，步骤S1中，所述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，所述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。

(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。

(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。

(3)安全帽数据采集中的人员姿势

同样，考虑到安全帽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。

(4)安全帽数据采集时的环境因子

优选的，所述环境因子包括环境光强度、天气因素。同样是考虑到安全帽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

(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。

第二步，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

步骤S1中，所述设定的标注筛选规则包括以下步骤：

S11：选择标注工具。

S12：采用选择的标注工具从每张采集到的图像数据中选取标注目标，所述标注目标为人员头部区域，得到头部信息源数据集。

S13：判断头部信息源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，剔除头部信息源数据集中标注目标不满足设定大小阈值范围的图像数据。

S14：判断头部信息源数据集中每张图像中的标注目标在所属图像上的位置，剔除头部信息源数据集中标注目标处于图像边缘的图像数据。

S15：对头部信息源数据集中剩余图像数据的类别进行标注，类别至少包括戴安全帽的头部信息和未戴安全帽的头部信息两种。

分为以下几个部分：

(1)标注工具的选择

步骤S11中，所述标注工具采用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。

(2)标注目标的选择

这一步是整个安全帽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识别的步骤，提高了程序的运行速度。

(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。

(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。

(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。

第三步，卷积神经网络设计

步骤S2中，所述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识别模型的过程包括以下步骤：

S21：确定卷积神经网络的结构以及参数，采用随机梯度下降算法和牛顿动量算法作为神经网络BP自适应优化方法。

S22：通过设置最小变化值以确定神经网络终止训练条件。

<1>确定卷积神经网络的结构

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，优选的，所述卷积神经网络采用keras-retinanet。

<2>确定卷积神经网络的参数

所述卷积神经网络的参数包括Dropout、Lr、Batchsize、Epoch等。

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，所述Lr采用动态值，慢慢变小的学习率更有利于最优解的查找。

<3>确定卷积神经网络BP自适应优化方法

卷积神经网络的BP的结构，能够进行神经网络的参数优化，这里可以使用传统随机梯度下降的方法或者牛顿动量的优化方法。

<4>确定神经网络终止训练的条件

通过EarlyStopping设置网络训练的提前终止条件，具体的，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。

第四步，训练生成安全帽识别模型

<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。

<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。

<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，所述识别方法还包括：

S3：对安全帽识别模型进行评估，包括：

采用安全帽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，判定安全帽识别模型满足识别需求。

<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。

第五，集成安全帽识别模型

通过以下两种方式对生成的安全帽识别模型进行应用：

第一种方式

将训练好的安全帽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。

第二种方式

在Web服务启动时便对安全帽识别模型进行加载，避免每次调用服务时候加载降低效率。

具体实施例二

结合图2，为本发明提供基于深度学习的安全帽识别方法的一个实例化流程图，包括：

步骤01，各类情况安全帽数据采集。

采集的数据须具备多样性的特征，以提高模型的鲁棒性。

步骤02，安全帽数据标注方式的选择。

本发明的核心，标定目标选为图像中人的头部进行标定，生成xml文件。

步骤03，安全帽识别算法的设计及训练。

选择深度神经网络的模型，设定参数以及终止条件，进行训练保存最优模型。

步骤04，模型的集成及预测。

将模型集成到最终的项目中，启动Web服务，对传入的数据进行预测并且返回。

基于前述基于深度学习的安全帽识别方法，本发明还提及一种基于深度学习的安全帽识别系统，所述识别系统包括以下模块：

(1)用于采集若干个人员图像数据的模块。

(2)用于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，得到头部信息数据集的模块，所述头部信息的类别至少包括戴安全帽的头部信息和未戴安全帽的头部信息两种。

(3)用于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识别模型的模块，所述安全帽佩戴状态包括佩戴安全帽和未佩戴安全帽。

(4)用于将安全帽识别模型集成至指定项目中的模块。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。