一种基于迁移学习和改进YOLOv5电力工人安全帽佩戴检测方法

本发明属于电力领域，具体公开了一种基于迁移学习和改进yolov5电力工人安全帽佩戴检测方法。

背景技术：

1、现有的安全帽检测技术常分为传统阶段检测技术和深度学习阶段的检测技术，传统阶段检测技术以支持向量机+方向梯度直方图(svm+hog)为代表，该种方法对于安全帽的检测精度较低且检测速度较慢，不适用于复杂的电力作业场景的安全帽检测。

2、深度学习阶段的检测技术分为单阶段和双阶段检测，单阶段中主要以yolo系列模型为代表，双阶段中主要以faster rcnn、rcnn为代表，由于双阶段检测方法虽检测精度较高，但检测速度慢，不适用于实时检测，而对于单阶段的yolo系列，检测速度虽然快，但由于电力作业场景下的工人常处于高空，安全帽目标较小，难以提取目标特征信息，导致对于小样本和小目标的检测会出现误检和漏检问题。

技术实现思路

1、本发明目的是为解决当前电力作业场景下yolov5安全帽佩戴检测对小样本和小目标安全帽佩戴检测性能差，提出一种基于迁移学习和改进yolov5电力工人安全帽佩戴检测方法，提高了电力作业场景小样本数据集下安全帽佩戴检测精度，改善电力作业场景下小目标检测性能，减少电力作业中的安全帽佩戴误检和漏检问题。

2、本发明所采用的技术方案是，

3、一种基于迁移学习和改进yolov5电力工人安全帽佩戴检测方法，具体按照如下步骤进行：

4、步骤1：分别构建施工场景下和电力作业场景下的安全帽佩戴检测数据集a和b；

5、步骤2：搭建改进yolov5安全帽佩戴检测模型，提升小样本和小目标安全帽检测精度；

6、步骤3：将施工场景下的安全帽佩戴检测数据集a输入至步骤2改进yolov5安全帽佩戴检测模型训练，获取安全帽佩戴检测的最优预训练模型权重besta.pt；

7、步骤4：将电力作业场景下的安全帽佩戴检测数据集b输入至步骤2改进yolov5安全帽佩戴检测模型训练，使用迁移学习进行加载步骤3最优预训练权重besta.pt进行训练，获取电力作业场景下的安全帽佩戴检测最优模型权重bestb.pt；

8、步骤5：输入电力作业场景下的待检测图片，加载步骤4中最优模型权重bestb.pt，获取待检测图片中电力作业人员是否佩戴安全帽。

9、进一步的，步骤1具体包括：

10、步骤1.1：在线收集安全帽佩戴图片，分别为施工场景下的安全帽佩戴数据集a，电力作业场景下的安全帽佩戴检测数据集b，数据集a图片数据为5000张，数据集b图片数据集为295张，各自分别包含佩戴和未佩戴安全帽图片；

11、步骤1.2：使用labelimg分别对数据集a和数据集b进行类别标注，生成对饮的xml文件，标签类别为helmet和no_helmet；

12、步骤1.3：转换xml文件为改进yolov5安全帽佩戴检测模型所需的txt文件格式以用于模型训练。

13、进一步的，步骤2具体包括：

14、步骤2.1：将yolov5安全帽佩戴检测模型主干网络改进为基于动态卷积odconv的odconv_mobilenetv2主干网络，将基于动态卷积odconv的odconv_mobilenetv2主干网络替换至sppf层的上一层，动态卷积odconv公式如下所示：

15、y＝(αw1⊙αf1⊙αc1⊙αs1⊙w1+...+αwn⊙αfn⊙αcn⊙αsn⊙wn)*x   (1)

16、上式(1)，αwi为卷积核wi的注意力，αsi为卷积核空间的注意力，αci为输入通道的注意力，αfi为输出通道的注意力，i∈(1，n)，本文n为4，代表卷积核数量，动态卷积odconv通过卷积沿位置、通道、滤波器和核等维度四点进行渐进式乘不同注意力，从而获取更丰富的特征信息；

17、步骤2.2：添加基于跨空间学习的高效多尺度注意力ema模块至yolov5颈部结构第14层，ema模块是一种轻量级注意力机制模块，该模块可在降低参数量的同时提升对小目标安全帽佩戴检测精度；

18、步骤2.3：将yolov5安全帽佩戴检测模型损失函数ciou_loss替换为一种基于最小点距离的mpdiou_loss损失函数，加快模型训练过程中损失收敛速度，提高回归结果的精确度，mpdiou_loss公式如下所示：

19、

20、

21、

22、mpdiou_loss＝1-mpdiou      (5)

23、分别代表真实边界框a的左上角和右下角坐标点，代表预测框b的左下角和右下角坐标点，mpdiou代表了最小化目标预测框b和真实边界框a的左上角和右下角之间的距离，w，h为输入图像的宽和高，d1，d2分别代表左上和右下脚之间的距离；

24、进一步的，步骤3具体包括：

25、将步骤1中构建的施工场景下的安全帽佩戴检测数据集a输入至步骤2中改进yolov5安全帽佩戴检测模型进行训练，设置网络模型训练参数，训练轮数为300轮，bacth-size为16，使用sgd为优化器，训练结束后，保存安全帽佩戴检测模型效果最优权重，将其命名为besta.pt；

26、进一步的，步骤4具体包括：

27、获取到施工场景下改进yolov5安全帽佩戴检测模型的最优权重besta.pt,通过加载最优预训练权重besta.pt，使用迁移学习，从施工场景下的安全帽佩戴检测迁移到电力作业场景下的安全帽佩戴检测，网络训练参数保持一致，最后获取电力作业场景下安全帽佩戴检测的最优权重bestb.pt；

28、进一步的，步骤5具体包括：

29、步骤5.1：输入待检测目标图片，通过加载电力作业场景下最优权重bestb.pt进行图像推理，最终在输出图片中显示检测类别和检测精度，检测结果中检测精度值与检测效果成正比；

30、步骤5.2：验证基于迁移学习和改进yolov5的电力作业人员安全帽佩戴检测精度提升，使用precision准确率和map平均精确度作为评价指标，n为类别，本文n为2，类别名分别为未佩戴安全帽和佩戴安全帽，tp为目标正样本正确识别为正样本的个数，fp为目标样本为假样本被错误识别为正样本的个数，api代表每个类别的精度，公式如下所示：

31、

32、

33、

34、有益效果：

35、本发明所提出的一种基于迁移学习和改进yolov5电力工人安全帽佩戴检测方法，将yolov5主干网络改进为基于动态卷积odconv的odconv_mobilenetv2主干网络，可以更好的提取目标特征信息，增加ema注意力机制模块至颈部结构可增强颈部结构对小目标信息的特征融合，改进损失函数为mpdiou，可加快模型训练速度，减少误差，升回归精度，结合迁移学习和改进后的yolov5模型训练获取准确率、map值分别达到了94.8％、63.3％，相比yolov5分别提升了2.4％、15.9％，不仅解决当前检测方法对于小样本电力作业场景数据集下的小目标安全帽佩戴检测精度低问题，还降低电力作业场景下的小目标安全帽佩戴检测漏检和误检问题。