1.一种基于挤压激励残差网络改进YOLOv3的安全帽佩戴检测方法,其特征在于,包括以下步骤:步骤1安全帽数据集的采集与制作:获取安全帽的图像及有效信息、佩戴安全帽的人员图像以及截取建筑工地监控录像中的有效样本的视频帧;
步骤2图像标注与数据预处理:对于采集过来的原始数据集的数据预处理包括:筛选有效的图像,去除不符合训练条件的图像;对于像素过大的图像降维压缩处理;对图像尺寸做相应调整,通过运行LabelImg逐次选择图像并进行选框分类标注,形成xml文件;
步骤3改进SE‑YOLO v3算法:安全帽佩戴检测特征提取网络结构改进以及基于GIoU改进YOLOv3损失函数;
步骤4模型训练:通过上面建立的安全帽佩戴数据集,定义好初始化Darknet‑53网络,输入带标签和经过预处理的图像数据,设置训练网络的超参数,在此基础上训练并优化改进后的SE‑YOLOv3安全帽佩戴检测模型;
步骤5Web端部署模型:选择将模型部署在Web端上。
2.根据权利要求1所述的基于挤压激励残差网络改进YOLOv3的安全帽佩戴检测方法,其特征在于,所述步骤1安全帽数据集的采集方式有:利用python网络爬虫工具包获取有关安全帽的图像并进行有效信息的筛选、实验室利用相机、摄像机工具对佩戴安全帽的人员全方位、各角度、多姿势拍摄和从建筑工地的监控录像中截取有效样本的视频帧。
3.根据权利要求2所述的基于挤压激励残差网络改进YOLOv3的安全帽佩戴检测方法,其特征在于,所述安全帽数据集的筛选制作包括以下两个条件:①数据集内的图像必须涵盖不同气候、不同场景、不同姿势、不同拍摄距离或受不同程度遮挡目标的图像,以确保算法训练结果的全面性;②保证数据集内的图像数量和检测目标数量。
4.根据权利要求3所述的基于挤压激励残差网络改进YOLOv3的安全帽佩戴检测方法,其特征在于,所述步骤2中数据集内标注分为五类:佩戴红色、黄色、白色、蓝色安全帽人员和未佩戴安全帽人员。
5.根据权利要求1所述的基于挤压激励残差网络改进YOLOv3的安全帽佩戴检测方法,其特征在于,所述安全帽佩戴检测特征提取网络结构改进:一方面通过引入挤压激励网络,对YOLOv3算法中特征提取网络Darknet53的残差网络作相应改进,增加特征通道中的有用通道权重,另一方面在原来三个尺度检测的基础上,上采样增加一个检测尺度;前者通过引入SE网络结构在特征提取的时候能获取每个通道的重要度,依照这个重要程度提升有用的特征并抑制对当前任务而言用处不大的特征通道,从而提升特征提取能力;后者增加特征尺度可以提升提取的特征利用率。
6.根据权利要求1所述的基于挤压激励残差网络改进YOLOv3的安全帽佩戴检测方法,其特征在于,所述基于GIoU改进YOLOv3损失函数:将GIoU思想加入YOLOv3目标函数,成为原目标函数的约束,YOLO v3的目标函数在之前本版上进行修改,预测框的中心点误差和宽高坐标误差计算依然使用平方误差,计算、框的置信度误差计算和类别误差计算使用二元交叉熵;YOLO v3的LossYOLOv3函数如下:LossYOLOv3=lossxy+losswh+lossconf+losscls
式中,YOLOv3损失函数主要由四项组成:中心坐标误差lossxy、宽高坐标误差losswh、置信度误差lossconf和类别误差losscls。
上述公式采用误差平方和计算方式计算预测框的中心位置误差和宽高坐标误差。式中
2
λcoord表示权重参数;S表示YOLOv3算法将图像划分的总网格数量;B表示anchor box的数量,在YOLOv3原算法中为9个,在本发明中为12个; 是布尔值表示第i个网格的第j个anchor box是否负责该object,如果负责 否则为0;xi和yi表示预测目标框的中心点位置相对坐标; 和 表示真实框的中心点位置相对坐标;wi和hi表示预测目标框的宽和高; 和 表示真实框的宽和高;
2
置信度误差lossconf公式采用二元交叉熵计算方式。式中S 、B和 含义与目标框位置计算公式相同; 和 分为真实值与预测值,表示第i个网格的第j个anchor box是否负责该object,负责为1,否则为0; 与 含义相反,表示第i个网格的第j个anchor box不负责该object。
类别误差losscls公式也是采用二元交叉熵计算方式,由公式可知只有当 等于1的时j
候才会计算后面的损失。式中 为真实值;Pi为预测值;class表示所有的类别。
将GIoU等思想应加入YOLO v3目标函数,成为原目标函数的约束;新目标损失函数Lossnew如下所示,其中LossYOLO v3为YOLO v3原目标函数。
Lossnew=LossYOLOv3+LossG
LossG考虑加入GIoU计算方法,如下所示:
设计的计算方法保障了面积计算不会存在异常情况,避免两负数相乘为正的错误计算;CArea为包含目标真实框与预测框最小的矩形的面积;ABArea为目标预测框与目标真实框交集的面积;计算公式如下所示:式中xi和yi表示真实目标框的中心点位置相对坐标; 和 表示预测框的中心点位置相对坐标;wi和hi表示真实目标框的宽和高; 和 表示预测框的宽和高;式中符号的单位均为像素值。
7.根据权利要求1所述的基于挤压激励残差网络改进YOLOv3的安全帽佩戴检测方法,其特征在于,步骤4中设置训练网络的超参数包括学习率、训练回合数、单次训练数据批次大小、损失函数、优化函数。
8.根据权利要求7所述的基于挤压激励残差网络改进YOLOv3的安全帽佩戴检测方法,其特征在于,所述步骤4中在完成整个训练回合数后,对训练好的模型进行测试与评估,测试评估结果好的模型保存参数。
9.根据权利要求1所述的基于挤压激励残差网络改进YOLOv3的安全帽佩戴检测方法,其特征在于,实现所述Web端部署模型所采用的方式是TensorFlow Serving+Docker部署上述训练好的YOLO v3神经网络模型。