基于YOLOv5s的驾驶员安全带识别模型构建的方法

本技术属于计算机视觉，更具体地说涉及基于yolov5s的驾驶员安全带识别模型构建的方法。

背景技术：

1、计算机视觉是一门涉及计算机科学和人工智能领域的交叉学科，旨在使计算机系统能够获得、处理、分析和理解数字图像和视频。计算机视觉的研究和应用涉及到图像处理、模式识别、机器学习、深度学习等多个领域的知识，并且随着深度学习技术的发展，计算机视觉的应用取得了飞快的进步。

2、从统计数据可知，不系安全带仅次于超速行驶和酒后驾车，是造成死亡事故的第三大原因。经研究发现，事故发生时，佩戴安全带能极大程度上限度地保护驾驶员的生命安全、降低死亡率。因此必须对驾驶员是否佩戴安全带进行检测工作加以重视，通过对驾驶员进行安全带佩戴检测，可以有效的减少事故发生时的生命和财产损失。

3、传统的驾驶员安全带佩戴检测主要通过监控图像进行人工判断，无法满足快速检测和智能化管理的要求。因此，针对驾驶员安全带佩戴检测的需求，基于计算机视觉和深度学习的解决方案可以实现对驾驶员安全带佩戴情况的自动快速检测，从而提高驾驶员交通行驶得安全性。

技术实现思路

1、为了克服背景技术中存在的问题，本技术专利提供了基于yolov5s的驾驶员安全带识别模型构建的方法，通过利用驾驶员安全带识别模型，能够实现对驾驶员安全带佩戴情况的快速、准确识别，提高驾驶员交通行驶得安全性。

2、第一方面，本技术提供了基于yolov5s的驾驶员安全带识别模型构建的方法，包括：

3、通过标注工具对训练数据和验证数据进行标注，分别得到训练数据集与验证数据集，其中该训练数据和该验证数据是通过图像采集装置采集得到；

4、该图像采集装置可以为一个摄像机，通过对摄像机拍摄到的视频数据进行随机采样获取，并将获取到的图像进行resize操作，即可得到训练数据和验证数据，在将训练数据和验证数据进行标注后建立起训练数据集与验证数据集。

5、根据该训练数据集和训练参数，对驾驶员安全带识别模型进行模型训练得到候选权重，其中，该训练参数为修改后的配置文件中的超参数，该驾驶员安全带识别模型是基于该yolov5s构建得到；

6、根据该验证数据集对该候选权重进行评估量化得到目标权重，使用该目标权重更新该候选权重，完成该驾驶员安全带识别模型的构建。

7、进一步可选的，在第一方面的一种可能的实现方式中，

8、该驾驶员安全带识别模型包括：特征提取模块、bifpn模块和检测头模块，该特征提取模块用于进行特征提取，得到特征图；该bifpn模块用于进行特征融合；该检测头模块用于提高模型通用性、减少参数量和提高模型检测性能。

9、进一步可选的，在第一方面的一种可能的实现方式中，

10、该特征提取模块包括：第一cbs模块、第一ghostconv模块、第一c3ghost模块、第二c3ghost模块、第三c3ghost模块、第四c3ghost模块和sppfghost模块；其中：

11、该第一cbs模块包括：一个6x6的卷积层、bn层和silu激活函数；

12、该第一ghostconv模块包括：第二cbs模块和5×5深度可分离卷积，其中，该第二cbs模块包括：一个3x3的卷积层、bn层和silu激活函数；

13、该第一c3ghost模块包括：三个第三cbs模块和一个ghostbottlenck模块，该第二c3ghost模块包括：三个第三cbs模块和两个ghostbottlenck模块；

14、该第三c3ghost模块包括：三个第三cbs模块和三个ghostbottlenck模块；

15、该第四c3ghost模块包括：三个第三cbs模块和一个ghostbottlenck模块，其中，该第三cbs模块包括：一个1x1的卷积层、bn层和silu激活函数，该ghostbottlenck模块包括：两个第一ghostconv模块构成的残差结构；

16、该sppfghost模块包括：两个第二ghostconv模块和三个maxpool模块，其中该第二ghostconv模块包括：第三cbs模块和5×5深度可分离卷积。

17、进一步可选的，在第一方面的一种可能的实现方式中，

18、在模型训练过程中，该特征提取模块执行以下操作步骤：将训练数据集中的图像依次通过第一cbs模块、第一ghostconv模块、第一c3ghost模块、第一ghostconv模块和第二c3ghost模块进行处理，得到特征图x1，随后再依次通过第一ghostconv模块和第三c3ghost模块进行处理，得到特征图x2，最后再依次经过第一ghostconv模块、第四c3ghost模块和sppfghost模块进行处理，得到特征图x3。

19、进一步可选的，在第一方面的一种可能的实现方式中，该bifpn模块的操作过程包括：

20、根据该特征图x1、特征图x2和特征图x3，通过自顶向下过程的操作得到特征图s1、特征图s2和特征图s3；

21、根据特征图s1、特征图s2和特征图s3，通过自底向上过程的操作得到特征图c1、特征图c2和特征图c3；

22、根据特征图x2、特征图s2和特征图c1，通过跳跃连接过程的操作得到特征图q2和特征图q3。

23、进一步可选的，在第一方面的一种可能的实现方式中，

24、该检测头模块的操作过程包括：

25、根据bifpn模块输出的特征图c1、特征图c2和特征图c3，得到回归结果、背景结果、分类结果；

26、其中，该回归结果用于获得特征点的回归参数，即判断目标区域的候选框位置，共有4个参数[center_x，center_y，width，height]，在每个特征图共有h×w×4个输出，该背景结果用于判断特征点是否包含物体，在每个特征图共有h×w×1个输出，该分类结果用于判断特征点所包含的目标类别，在每个特征图共有h×w×n个输出。

27、进一步可选的，在第一方面的一种可能的实现方式中，

28、该检测头模块中的背景结果和分类结果采用的bcewithlogitsloss损失函数；

29、该检测头模块回归结果采用siou损失函数。

30、进一步可选的，在第一方面的一种可能的实现方式中，

31、该根据验证数据集对候选权重进行评估量化得到目标权重，具体包括：

32、将该验证数据集输入到不同候选权重的驾驶员安全带识别模型中进行训练，通过该验证数据集对候选权重的性能进行量化评估，其中该量化评估的判断标准包括：准确率、召回率和平均精度均值，通过量化评估得到整体量化性能最好的目标权重。

33、第二方面，本技术提供了一种用于驾驶员安全带识别的系统，包括处理器、存储器和图像采集装置；

34、其中该存储器上存储有计算机程序代码指令；

35、当该计算机程序代码指令被该处理器所调用时，使得该处理器执行上述第一方面中的驾驶员安全带识别模型；

36、该处理器分别与该存储器和该图像采集装置之间建立通信连接。

37、进一步可选的，在第二方面的一种可能的实现方式中，

38、该系统还包括：预警模块和电源模块；

39、该预警模块和电源模块分别与处理器之间建立电连接；

40、该预警模块为一个扬声器；该电源模块为一个自带有电源控制模块的电池组。

41、可以理解的，上述技术特征只要彼此之间未构成冲突就可以相互组合。

42、本技术的有益效果可以在于：

43、本技术通过提供了基于yolov5s的驾驶员安全带识别模型构建的方法，将基于深度学习的目标检测方法引入到驾驶员安全检测技术领域，具有结构简单、高准确率、利于部署等优势；

44、本技术的驾驶员安全带识别模型，通过利用特征提取模块对输入图像进行特征提取，并且根据不同的卷积深度将提取到的特征分为浅层特征图和深层特征图，通过利用bifpn特征融合模块，以融合不同尺度和不同深度的特征，保障后续操作中的特征图既包含丰富的轮廓形态和边缘细节，又包含能表达复杂目标的语义信息和关键特征像素，通过利用检测头模块，通过使用无锚框来提高模型通用性、减少参数量和提高模型检测性能。

45、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。