(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211534970.0 (22)申请日 2022.12.02 (71)申请人 天津城建大 学 地址 300000 天津市西青区津静 路26号 (72)发明人 张艳　梁化民　刘业辉　孙晶雪　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 专利代理师 符继超 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/80(2022.01) G06N 3/08(2006.01) G06V 20/52(2022.01) G06T 3/40(2006.01) (54)发明名称 一种基于改进YOLOV5模型的安全帽佩戴检 测方法 (57)摘要 本发明公开了一种基于改进YOLOV5模型的 安全帽佩戴检测方法， 方法包括： 从安全帽佩戴 图像数据集中随机选取图像进行图像数据增强， 得到数据增强后的 图像， 输入至改进YOL OV5模型 中进行训练， 得到训练后的改进YOLOV5模型； 改 进YOLOV5模型包括： 在特征提取部分嵌入倒置残 差模块与倒置残差注意力模块进行图像特征提 取； 在特征融合部分设计多尺度特征融合模块进 行特征融合， 并生成四个不同感受野的检测头； 优化预测框回归损失函数； 最后将待检测图像输 入至训练后的改进YOL OV5模型， 得到相关人员是 否佩戴安全帽的检测结果； 本发 明有效改善了施 工现场视频监控图像中小目标漏检、 误检的问 题， 提高了安全帽佩戴检测精度。 权利要求书2页 说明书8页 附图4页 CN 115546614 A 2022.12.30 CN 115546614 A 1.一种基于改进YOLOV5模型的安全帽佩戴检测方法， 其特 征在于， 包括以下步骤： S1、 获取安全帽佩戴图像数据集， 从所述安全帽佩戴图像数据集中随机选取N张图像进 行图像数据增强， 得到数据增强后的图像； S2、 将所述数据增强后的图像输入至改进YOLOV5模型中进行训练， 得到训练后的改进 YOLOV5模型； 所述改进YOLOV5模型包括： 在特征提取部分嵌入倒置残差模块与倒置残差注 意力模块进行图像特征提取； 在特征融合部分设计多尺度特征融合模块进行特征融合， 并 生成四个不同感受野的检测头； 优化预测框回归损失函数； S3、 将待检测图像输入至所述训练后的改进YOLOV5模型， 得到相关人员是否佩戴安全 帽的检测结果。 2.根据权利要求1所述的一种基于改进YOLOV5模型的安全帽佩戴检测方法， 其特征在 于， 所述步骤S1中， 从所述安全帽佩戴图像数据集中随机选取N张图像进行图像数据增强， 所述图像数据增强包括： 对图像进行翻转、 缩放和色域变换； 将翻转、 缩放和色域变换后的图像按照预设模板随机 裁剪后进行拼接 。 3.根据权利 要求2所述的基于改进YOLOV5模型的安全帽佩戴检测方法， 其特征在于， 所 述对图像进 行缩放具体为： 在所述安全帽佩戴图像数据集中随机选择N张图像， 将图像的宽 和高作为 边界值， 对图像进行 tx和ty缩放倍率的缩放； tx=fr(tw,tw+Δtw) ty=fr(th,th+Δth) 其中，tw和th分别为宽和高缩放倍率的最小值， Δ tw和Δth分别为宽和高缩放倍率随机 区间的长度， fr表示随机值 函数。 4.根据权利要求1所述的一种基于改进YOLOV5模型的安全帽佩戴检测方法， 其特征在 于， 所述步骤S2中， 所述在特征提取部分嵌入倒置残差模块与倒置残差注意力模块进行图 像特征提取； 具体包括以下步骤： a、 将所述数据增强后的图像， 通过Focus卷积和3 ×3的卷积层后得到特征图Feature_ C0； b、 将所述特征图Feature_C0输入至第一倒 置残差模块， 采用通道扩张的方式放大浅层 的特征， 利用卷积进行特征提取， 通过残差连接的方式进行特征重复学习， 输出特征图 Feature_C1； c、 将所述特征图Feature_C1经过一层卷积和第二倒置残差模块后得到特征图 Feature_C2， 再经过一层卷积 输入到第一倒置残差注意力模块中， 得到特征图Feature_C3， 将所述特征图Feature_C3经过卷积核大小为3 ×3的卷积并经过空间金字塔池化后， 进入第 二倒置残差注意力模块中， 得到特 征图Feature_C4， 作为多尺度特 征融合模块的输入。 5.根据权利要求4所述的一种基于改进YOLOV5模型的安全帽佩戴检测方法， 其特征在 于， 所述步骤S2中， 所述在特征融合部 分设计多尺度特征融合模块进 行特征融合， 并生成四 个不同感受野的检测头， 具体包括以下步骤： 1)、 将所述特 征图Feature_C4 通过卷积并经 过上采样操作获得 特征图Feature_Up1； 2)、 将所述特征图Feature_Up1与所述特征图Feature_C3特征进行融合， 再经过C3模 块， 得到融合后的特征图Feature_Fuse1， 将所述特征图Feature_Fuse1通过卷积并经过上权　利　要　求　书 1/2 页 2 CN 115546614 A 2采样操作获得 特征图Feature_Up2； 3)、 将所述特征图Feature_Up2与所述特征图Feature_C2融合后得到特征图Feature_ Fuse2， 通过 卷积并经 过上采样操作获得 特征图Feature_Up3， 4)、 将所述特征图Feature_Up3与所述特征图Feature_C1进行级联操作得到特征图 Feature_Fuse3， 然后通过C3模块和卷积核大小为1 ×1的卷积层进行特征提取获得特征图 F4， 其特征尺寸为原图像的1/4； 5)、 将所述特征图Feature_Fuse3经过C3模块和 卷积核大小为3 ×3的卷积得到特征图 Feature_Fuse4， 与所述特征图Feature_Up2进行级联， 进一步与 所述特征图Feature_C2进 行级联操作获得 特征图F3， 其特 征尺寸为原图像的1/8； 6)、 将所述特征图Feature_Fuse4经过C3模块和 卷积核大小为3 ×3的卷积与所述特征 图Feature_Fuse1经过C3模块和卷积核大小为3 ×3的卷积后进行级联， 得到特征图 Feature_Fuse5， 然后通过C3模块和卷积核大小为1 ×1的卷积层进行特征提取获得特征图 F2， 其特征尺寸为原图像的1/16； 7)、 将所述特征图Feature_Fuse5经过C3模块和 卷积核大小为3 ×3的卷积与所述特征 图Feature_C4经过卷积核大小为3 ×3的卷积后进行级联， 得到特征图Feature_Fuse6， 然后 通过C3模块和卷积核 大小为1×1的卷积层进行特征提取获得特征图F1， 其特征尺 寸为原图 像的1/32。 6.根据权利要求1所述的一种基于改进YOLOV5模型的安全帽佩戴检测方法， 其特征在 于， 所述优化预测框回归损失函数中： 采用 CIoU损失函数作为改进YOLOV5模型算法的预测 框回归损失函数 LCIoU， 其定义为： LCIoU=1‑CIoU 其中，IoU代表预测框和真实框的交并比， b代表预测框的中心点， bgt代表真实框的中心 点，ρ代表为欧式距离， ρ2(b,bgt)代表计算预测框的中心 点和真实框的中心点之间 欧氏距离 的平方，c代表能够同时包含预测框和真实框的最小外接矩形的对角线距离； α代表用于做 权衡的参数， v代表衡量长 宽比一致性的参数； 其中，α和v的参数表达式如下: 其中，w和h分别为预测框的宽度和高度； wgt和hgt分别为真实框的宽度和高度。权　利　要　求　书 2/2 页 3 CN 115546614 A 3