【技術實現步驟摘要】
本專利技術涉及圖像處理，具體涉及一種施工場景下安全帽佩戴檢測方法、設備和介質。
技術介紹
1、建筑工地是一個高風險環境，正確佩戴安全帽是減少頭部傷害的有效措施。通過圖像識別技術，可以自動監控工人是否按照安全規定佩戴安全帽，從而提高工地的安全性，通過自動識別工地上是否所有人員都正確佩戴安全帽，可以及時發現違規行為，采取措施防止事故發生，從而降低工地事故的發生率。
2、目前，安全帽佩戴的圖像識別方法主要基于深度學習技術，尤其是卷積神經網絡(cnn)和transformer架構。以下是一些主要的方法及其缺點：
3、1.基于頭部檢測+佩戴安全帽檢測：
4、該方法首先訓練一個通用的頭部檢測模型(不區分是否佩戴安全帽)，然后外擴檢測框并裁剪頭部區域，再訓練一個佩戴安全帽分類器，完成對佩戴安全帽的分類識別。
5、缺點：這種方法采用two-stage方法進行檢測-識別，因此速度相對較慢。此外，頭部檢測模型不區分是否佩戴安全帽，只檢測頭部檢測框，可能會受到人臉檢測器性能的影響，特別是在人背向時，檢測效果可能較差。
6、2.基于深度學習的安全帽檢測：
7、現有技術深入研究了基于yolov8/v7/v6/v5的安全帽檢測，核心采用yolov8并整合了yolov7、yolov6、yolov5算法，進行性能指標對比。現有技術支持圖像、視頻和實時攝像頭進行安全帽檢測，可上傳不同訓練模型進行推理預測。
8、缺點：在實際應用中需要大量的計算資源，尤其是在處理高分辨率圖像時。此外
9、總的來說，盡管現有的安全帽佩戴圖像識別方法在準確性和實時性方面取得了顯著進展，但在復雜環境下的魯棒性差、對小目標的檢測準確性差、以及計算資源的需求高。
10、3.基于yolo系列算法的安全帽檢測：
11、yolo(you?only?look?once)系列算法，如yolov5、yolov6、yolov7、yolov8等，因其出色的實時性和準確率在許多實時目標檢測任務中占據主導地位。這些算法通過采用獨特的架構、訓練技巧和數據處理方法，顯著提升了目標檢測的效率和準確率。
12、缺點：盡管yolo系列算法在實時性和準確性上表現出色，但在復雜環境下的魯棒性、模型的實時性能優化以及對小目標檢測的準確性等方面仍面臨挑戰。此外，不同版本的yolo算法需要針對特定場景進行調整和優化，以適應不同的檢測需求，導致了不同場景應用的復雜度。
技術實現思路
1、本專利技術所要解決的技術問題是在復雜檢測環境下，魯棒性差，對小目標的檢測準確性差，目的在于提供一種施工場景下安全帽佩戴檢測方法、設備和介質，構建yolox目標檢測模型，通過將圖像劃分為網格，構建滑動窗口提取網格圖像中的特征信息，減少了計算量并緩解了正負樣本不平衡問題，基于提取的特征生成錨框，通過描述符獲取錨框各個方向的幅值，得到插值方向上鄰域內的梯度幅值，基于梯度幅值進行特征點定位并篩選錨框，能夠精確定位目標物體，提高檢測的準確性，通過消除拼接縫隙，得到更精準的識別數據，并對圖像進行去噪以提高圖像質量，提高了圖像識別的精度，尤其是在復雜環境下對特定目標的特征識別，優化了模型的訓練過程，提高了模型的泛化能力和處理速度，可以實現對施工場地工人是否佩戴安全帽的快速自動識別，提高安全管理效率，減少因未佩戴安全帽導致的安全事故。
2、本專利技術通過下述技術方案實現：
3、本專利技術第一方面提供一種施工場景下安全帽佩戴檢測方法，包括以下具體步驟：
4、獲取施工現場的圖像數據，對圖像數據進行增強操作和標注操作；
5、構建yolox目標檢測模型，基于圖像數據提取關鍵特征和描述符；
6、基于提取的特征生成錨框，通過描述符獲取錨框各個方向的幅值，得到插值方向上鄰域內的梯度幅值；
7、基于梯度幅值進行特征點定位，基于定位數據篩選錨框；
8、采用最大互相關匹配偏差對篩選出的錨框進行拼接和裂縫消除，得到拼接圖像；
9、對拼接圖像進行去噪處理，根據去噪后的圖像數據得到檢測結果。
10、進一步的，所述基于圖像數據提取關鍵特征，具體包括：
11、構建滑動窗口，選取窗口起始位置；
12、從起始位置開始，采用不同大小的滑動窗口對圖像數據進行遍歷；
13、所述遍歷過程中，在不同尺度的空間中尋找局部極值點，基于局部極值點確定關鍵點的位置和尺度，得到關鍵特征。
14、進一步的，基于圖像數據提取描述符，具體包括：
15、以關鍵點為中心，構建鄰域，在鄰域內隨機計算多個方向的梯度直方圖；
16、基于梯度直方圖在鄰域內選擇多個像素對，構建描述算子；
17、將描述算子進行兩兩比較，將所有像素對的比較結果串聯起來，形成一個固定長度的二進制字符串，得到描述符。
18、進一步的，所述通過描述符獲取錨框各個方向的幅值，得到插值方向上鄰域內的梯度幅值，具體包括：
19、獲取提取的特征，生成尺寸為n的特征圖，將特征圖劃分為多個網格，得到錨框；
20、基于關鍵點鄰域內隨機得到的計算多個方向的梯度直方圖，計算錨框在不同方向上的梯度幅值；
21、采用rpn對每個錨框預測一個目標分數，所述目標分數表示該錨框是否包含目標物體的可能性；
22、該層將特征圖的每個位置的特征向量映射到一個目標分數向量；
23、根據映射得到的目標分數向量，獲取關鍵點鄰域內隨機得到的計算多個方向的梯度直方圖，計算錨框在不同方向上的梯度幅值；
24、將計算得到的梯度幅值整合到每個錨框對應的描述符中，得到插值方向上鄰域內的梯度幅值。
25、進一步的，所述基于梯度幅值進行特征點定位，基于定位數據篩選錨框，具體包括：
26、基于梯度幅值進行特征點定位，獲得特征點方向，基于特征點方向計算錨框的偏移量；
27、計算每個錨框與真實邊界框的交并比，設定交并比閾值，確定錨框是否與真實邊界框大于重疊度閾值；
28、計算置信度得分，結合判斷結果對錨框進行非極大值抑制；
29、獲取錨框的偏移量閾值和置信度得分閾值，判斷錨框與預測框的匹配程度，根據匹配結果對錨框進行篩選。
30、進一步的，所述判斷錨框與預測框的匹配程度，根據匹配結果對錨框進行篩選，具體包括：
31、若匹配程度大于設定閾值，則所述初始預測框被判定為前景；
32、若匹配程度小于設定閾值，則所述初始預測框被判定為背景；
33、采用匈牙利算法將置信度低于設定閾值的初始預測框與判定為前景的初始預測框進行相似度匹配，采用匈牙利算法將置信度高于設定閾值的初始預測框與判定為背景的初始預測框進行相似度匹配。
34、進一步的，所述采用本文檔來自技高網...
【技術保護點】
1.一種施工場景下安全帽佩戴檢測方法，其特征在于，包括以下具體步驟：
2.根據權利要求1所述的施工場景下安全帽佩戴檢測方法，其特征在于，所述基于圖像數據提取關鍵特征，具體包括：
3.根據權利要求2所述的施工場景下安全帽佩戴檢測方法，其特征在于，基于圖像數據提取描述符，具體包括：
4.根據權利要求3所述的施工場景下安全帽佩戴檢測方法，其特征在于，所述通過描述符獲取錨框各個方向的幅值，得到插值方向上鄰域內的梯度幅值，具體包括：
5.根據權利要求1所述的施工場景下安全帽佩戴檢測方法，其特征在于，所述基于梯度幅值進行特征點定位，基于定位數據篩選錨框，具體包括：
6.根據權利要求5所述的施工場景下安全帽佩戴檢測方法，其特征在于，所述判斷錨框與預測框的匹配程度，根據匹配結果對錨框進行篩選，具體包括：
7.根據權利要求1所述的施工場景下安全帽佩戴檢測方法，其特征在于，所述采用最大互相關匹配偏差對篩選出的錨框進行拼接和裂縫消除，得到拼接圖像，具體包括：
8.根據權利要求1所述的施工場景下安全帽佩戴檢測方法，其特征
9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1至8任一項所述的施工場景下安全帽佩戴檢測方法。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現如權利要求1至8任一項所述的施工場景下安全帽佩戴檢測方法。
...【技術特征摘要】
1.一種施工場景下安全帽佩戴檢測方法，其特征在于，包括以下具體步驟：
2.根據權利要求1所述的施工場景下安全帽佩戴檢測方法，其特征在于，所述基于圖像數據提取關鍵特征，具體包括：
3.根據權利要求2所述的施工場景下安全帽佩戴檢測方法，其特征在于，基于圖像數據提取描述符，具體包括：
4.根據權利要求3所述的施工場景下安全帽佩戴檢測方法，其特征在于，所述通過描述符獲取錨框各個方向的幅值，得到插值方向上鄰域內的梯度幅值，具體包括：
5.根據權利要求1所述的施工場景下安全帽佩戴檢測方法，其特征在于，所述基于梯度幅值進行特征點定位，基于定位數據篩選錨框，具體包括：
6.根據權利要求5所述的施工場景下安全帽佩戴檢測方法，其特征在于，所述判斷錨框...
【專利技術屬性】
技術研發人員：郭少杰，周濟，趙偉，任杰，何波，姜拓燦，
申請(專利權)人：國網四川省電力公司映秀灣水力發電總廠，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。