欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023100585372
申请人: 郑州大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种AC‑YOLOX识别模型,其特征在于,包括:

Backbone模块,用于对输入的图像进行特征提取为四个尺度的特征;

采用DarkNet53主干和SPP层的架构,首先将输入的图像进行缩放,再通过Focus Net获取三尺度的图像特征,而后使用残差卷积、SPP池化操作获取四个尺度的特征图;

包括依次连接的一个Focus模块、两个CBS模块、一个Csplayer模块、一个CBS模块、一个Csplayer模块、一个CBS模块、一个Csplayer模块、一个CBS模块、SPP池化操作和一个Csplayer模块;

在阶段C3、C4、C5、C6输出特征;

neck模块,用于对Backbone模块提取的特征进行多尺度特征融合;

包括三个Conv卷积模块、两个UpSampling2D上采样模块、六个Concat+Csplayer模块、三个Downsample下采样模块、七个CBAM注意力模块和一个AC‑SR超分模块;

第一Conv卷积模块、第一UpSampling2D上采样模块、第一CBAM注意力模块、第一Concat+Csplayer模块、第二Conv卷积模块、第二UpSampling2D上采样模块、第二Concat+Csplayer模块、第三Conv卷积模块、AC‑SR超分模块和第三Concat+Csplayer模块依次连接;

第三Concat+Csplayer模块的输出接至第一Downsample下采样模块的输入;

第一Downsample下采样模块、第四Concat+Csplayer模块、第六CBAM注意力模块、第二Downsample下采样模块、第五Concat+Csplayer模块、第七CBAM注意力模块、第三Downsample下采样模块和第六Concat+Csplayer模块依次连接;

Backbone模块在阶段C3、C4、C5、C6输出的特征,分别对应输入第二、第三、第四、第五CBAM注意力模块;第二、第三、第四CBAM注意力模块的输出分别对应接入第一Conv卷积模块、第一Concat+Csplayer模块、第二Concat+Csplayer模块和第三Concat+Csplayer模块;

第一Conv卷积模块与第六Concat+Csplayer模块连接,第二Conv卷积模块与第五Concat+Csplayer模块连接,第二Concat+Csplayer模块与第四Concat+Csplayer模块连接;

第三Concat+Csplayer模块、第四Concat+Csplayer模块、第五Concat+Csplayer模块、第六Concat+Csplayer模块相互连接作为该neck模块的输出,并对应输出P2、P3、P4、P5四个尺度的特征层;

head模块,包括FNP feature分类模块和回归模块;

FNP feature分类模块对neck模块输出的P2、P3、P4、P5四个尺度的特征层分别进行解耦操作,分解成判断类别、判断前背景和定位目标三个分支操作;

回归模块对判断类别分支操作和判断前背景分支操作分别通过卷积映射到目标类别数和有无目标类别数,再利用Sigmoid操作转化为预测概率;

定位目标分支操作,也是通过卷积映射至所需回归的中心点横坐标、纵坐标、宽、高。

2.根据权利要求1所述的AC‑YOLOX识别模型,其特征在于:

AC‑SR超分模块包括ACmix模块、Conv卷积和上采样模块。

3.一种安全帽佩戴识别模型,其特征在于,该识别模型采用以下步骤训练而得:采集和拍摄安全帽视频数据步骤:拍摄工地员工安全帽佩戴视频数据并且截取不同帧数下的图片数据;

标注数据集步骤:使用labelme工具标注图片数据,分为hat、person两类,并将标签数据转化为VOC格式的数据集;

利用数据增强扩充和处理数据集步骤:使用Mosaic和/或Mixup数据增强方法扩充数据集,其中,Mosaic方法通过4张图像的随机拼接再缩放至相同输入尺寸大小,Mixup方法通过叠加不同图像方式模拟遮挡目标的效果;

构建模型步骤:依据权利要求1‑2任一项所述的AC‑YOLOX识别模型构建识别网络;

训练识别网络得到模型文件步骤:将数据集输入到AC‑YOLOX识别模型中进行训练和测试,按照7:1:2比例细化为训练集、测试集、验证集,最终得到AC‑YOLOX识别模型的模型文件。

4.根据权利要求3所述的安全帽佩戴识别模型,其特征在于:将数据集输入到AC‑YOLOX识别模型中进行训练和测试时,使用随机梯度下降优化器和余弦退火衰减学习机制调整学习率,初始学习率为0.01,SGD的动量设置为0.9,权重衰减为0.0005,Batchsize大小设为

16;测试时,Batchsize大小设为64。

5.一种非瞬时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求3‑4中任一项所述的安全帽佩戴识别模型。

6.一种安全帽佩戴识别方法,其特征在于,包括:

模型部署步骤:将权利要求3‑4中任一项所述的安全帽佩戴识别模型的模型文件利用tensorflow‑serving部署到平台服务器;

识别步骤:将实时监控视频图像输入到平台服务器进行安全帽佩戴识别。

7.一种安全帽佩戴识别系统,包括:

监控摄像头,用于采集待识别监控视频图像;

平台服务器,与监控摄像头通信连接,用于执行权利要求6中任一项所述的安全帽佩戴识别方法中的模型部署步骤和识别步骤。