(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 202210559142.6 (22)申请日 2022.05.22 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 刘鹏宇　王潇　刘天禹　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 专利代理师 王兆波 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/22(2022.01) G06T 7/73(2017.01)G06T 7/60(2017.01) G06T 7/00(2017.01) G06T 3/40(2006.01) (54)发明名称 一种适用 于远距离高俯角的安全帽佩戴检 测方法 (57)摘要 本发明公开了一种适用于远距离高俯角的 安全帽佩戴检测方法， 属于目标检测技术领域。 本发明包含以下步骤： 构建适用于实际施工监管 场景的安全帽图像数据集； 构建多尺度特征融合 的安全帽佩戴检测网络。 本发明针对现有方法对 远距离高俯角的安全帽佩戴检测精度低的问题， 根据实际场景需求构建了业界内专业的安全帽 数据集， 解决了深度学习的先验数据需求； 利用 CSP层和SPP层设计了 特征提取模块， 采用多尺寸 多维度特征融合的思想设计了特征映射模块， 选 取大尺寸特征图进行特征映射， 提高了远距离目 标的检测精度， 在实际应用场景中取得了优秀的 检测结果。 权利要求书1页 说明书4页 附图3页 CN 115131724 A 2022.09.30 CN 115131724 A 1.一种适用于远距离高俯角的安全帽佩戴检测方法， 其特征在于： 该方法包括如下步 骤， 步骤1： 构建适用于实际施工监管场景的安全帽图像数据集； 通过公开的安全帽开源图像数据构建近距离场景下的安全帽图像数据集； 然后 通过枪 机摄像头拍摄实际施工监管场景， 对枪机摄像头拍摄的实际施工监管场景画 面图像筛选出 远距离高俯角场景下的安全帽图像数据集； 最后采用数据标注软件对安全帽图像数据集中 的安全帽图像进行标注， 得到包含安全帽中心坐标和长宽的方框， 方框用于用于多尺度特 征融合的安全帽佩戴检测网络的训练； 步骤2： 构建多尺度特 征融合的安全帽佩戴检测网络； 安全帽佩戴检测网络由安全帽特 征提取模块和安全帽特 征映射模块组成； 安全帽特征提取模块负责将输送到安全帽佩戴检测网络的安全帽图像数据集进行特 征提取； 待安全帽的特征提取完 毕后， 将提取后的特征图送入安全帽特征映射模块； 安全帽 特征映射模块通过不断的叠加卷积层和上采样层， 并与安全帽特征提取模块的卷积层 ‑CSP 层输出进行维度拼接， 从而得到不同尺度与维度相结合的特 征图。 2.根据权利要求1所述的一种适用于远距离高俯角的安全帽佩戴检测方法， 其特征在 于： 安全帽特征提取模块的具体步骤如下： 先通过一个卷积层将原始安全帽图像的尺寸进 行压缩， 使原始 安全帽图像的维度进 行提升， 得到初始的安全帽特征图； 之后再经过四个由 卷积层和CSP层组成的结构进行安全帽特征的细致化提取， 安全帽特征图每经过一个卷积 层‑CSP层结构， 特征图的尺 寸缩小为原 来的一半， 维度提升为原来的2倍； 其中CSP层通过两 个分支对特征图进行不同程度的维度变化与特征提取； 第一个分支采用一个卷积层进 行处 理， 保留输入特征图的部 分信息， 另一个 分支使用多个卷积层获取深层的特征信息， 并采用 残差结构将分支的输入与输出直接相加， 减少网络过深引起的梯度消失现象， 将两个分支 的特征图相加并通过一个卷积进行融合； 在最后一个卷积层 ‑CSP层结构中还添加了SPP层， 该SPP层用3种不 同的池化层对将同 一个特征图处理， 得到3个拥有不同大小区域的特征图， 每个区域选取最大的权值， 然后利 用一个卷积层将不同池化的结果融合在一起， 安全帽特征提取模块更关注于包含安全帽特 征的区域； 在通过安全帽特征提取模块后， 得到尺寸为20 ×20的特征图， 维度从原来的3提 升到1024； 通过使用CSP层和SPP层， 提升安全帽特征提取模块的特征提取能力， 实现局部特 征和全局特 征的融合。 3.根据权利要求1所述的一种适用于远距离高俯角的安全帽佩戴检测方法， 其特征在 于： 安全帽特征映射模块的具体流程如下： 先将安全帽特征提取模块得到的20 ×20的特征 图扩大为40 ×40的特征图， 将扩大后的特征图与第三个CSP层输出的结果进 行维度拼接， 再 通过一个卷积层完成特征融合； 之后将融合后的40 ×40特征图进行上采样操作， 得到80 × 80的特征图， 再将该特征图和第二层的CSP层输出结果进 行维度拼接操作， 同样利用一个卷 积层进行特征融合； 最后将融合后的80 ×80特征图经过CSP层和一层卷积层 进行信息压缩， 得到尺寸为80 ×80， 维度为5的特征图， 其中1至4维度代表了安全帽的中心坐标(x,y)和长、 宽， 第5维度为佩戴安全帽的置信度； 由于这是针对80 ×80尺寸的位置信息， 最后需要将位 置信息乘上原图与80 ×80特征图的比例， 从而映射到原图上。权　利　要　求　书 1/1 页 2 CN 115131724 A 2一种适用于远距离高俯角的安全帽佩 戴检测方 法 技术领域 [0001]本发明涉及目标检测技术领域， 尤其涉及 一种适用于远距离高俯角的安全帽佩戴 检测方法。 背景技术 [0002]施工现场涉及登 高、 动火、 吊装多种高危作业类型， 作业数量多、 人员流动大， 人员 素质参差不齐。 部分作业人员安全意识不足， 违反 “安全禁令 ”， 施工现场安全事故率高； 同 时受限于人力和监管技术， 对作业人员的操作规范性监管力度薄弱， 安全隐患问题亟待解 决。 [0003]施工现场高危作业中， 安全帽佩戴不规范将直接影响着作业人员的生命安全。 通 过人工监管、 事后察看的方式存在监管有盲区、 监管及时性差的弊端， 因此利用机器视觉技 术对安全帽佩戴进行主动检测成为主流。 [0004]目前常用的安全帽检测技术为通过深度学习目标检测网络对佩戴安全帽的头部 区域特征进行提取获得特征图， 之后再将提取 的特征图转换为坐标信息映射回原图像上。 这种方法对于近距离施工现场具有很好的检测效果， 但在室外大范围施工现场， 特别是远 距离高俯角的监控场景 下， 安全帽识别率难以满足 实际智能化厂区的监管需求。 [0005]出现这类现象的原因分为两点： 第一点是深度学习技术需要大量的先验数据作为 支撑， 现有的安全帽数据偏向于近景以及正常拍摄角度， 这使得网络的权重偏向于识别这 类数据， 缺 乏对远距离高俯角安全帽检测的拟合能力； 第二点在于现有目标检测网络的设 计初衷是为了广泛检测多种类型 的目标， 在学术界公开的数据集上获取更高的准确 率， 这 些公开数据集中的小目标占比较低， 使得现有检测网络缺乏对小目标的特 征提取能力。 [0006]针对上述分析， 为此本发明针对真实施工现场中远距离高俯角的监控场景， 设计 了具有多尺度融合结构的安全帽佩戴检测网络。 首先， 定制化构建了小目标安全帽数据集， 使得检测网络更倾向于实际施工现场监管场景下 的安全帽佩戴的识别； 在此基础上， 设计 了具有多尺度融合结构的网络， 根据大尺寸特征图上目标所占像素多、 易定位， 但是通道数 少缺乏用于检测的特征信息， 小尺寸特征图上目标所占像素少、 难定位， 但是通道数多、 用 于检测的特征信息丰富的特点， 将这两种 特征图进行特征融合， 综合利用大尺寸图像的位 置信息和小尺寸多通道图像的特征信息， 并在大尺寸特征图上进行安全帽坐标映射， 有效 克服了远距离高俯角安全帽识别率低的技 术缺陷。 发明内容 [0007]本发明主要解决的技术问题为： 远距离高俯角场景下， 现有方法对安全帽识别率 欠佳。 [0008]针对该技术问题， 本发明提出了一种适用于远距离高俯角的安全帽佩戴检测方 法。 包含以下步骤： [0009]步骤1： 构建适用于实际施工监管场景的安全帽图像数据集。说　明　书 1/4 页 3 CN 115131724 A 3