(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 20221080127 7.9 (22)申请日 2022.07.08 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 柯逍　陈文垚　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 陈鼎桂　蔡学俊 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 20/70(2022.01) G06V 10/20(2022.01) G06V 10/762(2022.01)G06V 20/52(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于子特征融合的轻量 化安全帽检测方法 (57)摘要 本发明涉及一种基于子特征融合的轻量化 安全帽检测方法,包括以下步骤： 步骤S1:获取安 全帽数据图片， 并预处理， 构建安全帽检测数据 集； 步骤S2： 构建子 特征融合的轻量化网络模块， 通过低代价卷积操作生成子特征图并与初始特 征图进行融合； 步骤S3： 构建轻量化目标检测网 络； 步骤S4： 对YOLOv5目标检测算法的训练超参 数进行调优， 利用安全帽检测数据集训练轻量化 目标检测网络得到安全帽检测模型； 步骤S5： 根 据安全帽检测模 型对输入图片进行检测， 获取初 步检测结果， 对初步检测结果进行解码后采用改 进的非极大值抑制算法筛选出最终的检测结果， 将检测结果 绘制在原图中。 本发 明能够有效减少 检测模型的模 型大小， 并且对工人是否佩戴安全 帽进行精准检测。 权利要求书3页 说明书6页 附图1页 CN 115100495 A 2022.09.23 CN 115100495 A 1.一种基于 子特征融合的轻量 化安全帽检测方法,其特 征在于， 包括以下步骤： 步骤S1:获取安全帽数据图片， 并预处 理， 构建安全帽 检测数据集； 步骤S2： 构建子特征融合的轻量化网络模块， 通过低代价卷积操作生成子特征图并与 初始特征图进行融合； 步骤S3： 利子特征融合的轻量化网络模块和STEM模块构建轻量化Backbone网络， 利用 普通卷积模块和C3模块构建Neck和Head， 再将轻量化Backbone网络， Neck和Head组成一个 轻量化目标检测网络； 步骤S4： 对YOLOv5目标检测算法的训练超参数进行调优， 利用安全帽检测数据集训练 轻量化目标检测网络得到安全帽 检测模型； 步骤S5： 根据安全帽检测模型对输入图片进行检测， 获取初步检测结果， 对初步检测结 果进行解码后采用改进的非极大值抑制算法筛选出最 终的检测结果， 将 检测结果绘制在原 图中。 2.根据权利要求1所述的基于子特征融合的轻量化安全帽检测方法， 其特征在于， 所述 步骤S1， 具体为： 步骤S11； 获取安全帽相关的数据图片， 筛 选图片并统一命名； 步骤S12： 采用邻域去噪、 中值滤波对图片进行处 理； 步骤S13： 确定安全帽图片中的物体类别， 使用LabelImg标注工具对预处理后的数据图 片进行标注， 得到并保存标注信息； 步骤S14： 使用几何变换对标注后的数据图片进行数据增强， 然后根据YOLOv5模型要求 制作数据集， 将所有 数据按比例分为训练集， 验证集和测试集， 根据包含图片数据标注信息 的xml文件生成训练模型 所需的txt文件。 3.根据权利要求1所述的基于子特征融合的轻量化安全帽检测方法， 其特征在于， 所述 子特征融合的轻量 化网络模块包括第一卷积层、 深度可分离卷积层和第二卷积层， 具体为； 所述第一卷积层， 实 际输出通道数设为传入输出通道参数值的一半， 对输入特征图进 行卷积操作后生成输出 特征图； 所述第二卷积层， 同样将该卷积层的实际输出通道数设为传入输出通道参数值的一 半， 该卷积层将第一卷积层的输出特征图作为输入特征图， 进行卷积之后生成子特征图作 为输出特征图； 将第一个卷积层的输出特征图和第 二个卷积层生成的子特征图进行融合， 作为最终的 输出特征图。 4.根据权利要求1所述的基于子特征融合的轻量化安全帽检测方法， 其特征在于， 所述 步骤S3， 具体为： 步骤S31： 利用子特征融合模块和STEM模块构建轻量化Backbone网络， Backbone网络的 第一层使用STE M模块； 步骤S32： 利用普通卷积模块和C3模块构建Neck和Head， 普通卷积模块和C3模块交叉搭 建构成Neck和Head网络； 步骤S33： 将Backbone， Neck和Head网络组成一个轻量化目标检测网络， 其中Backbone 和Neck之间进行多尺度特 征融合， 提高检测网络精度。 5.根据权利要求4所述的基于子特征融合的轻量化安全帽检测方法， 其特征在于， 所述权　利　要　求　书 1/3 页 2 CN 115100495 A 2C3模块由三个卷积层和一个标准 瓶颈层组成。 6.根据权利要求1所述的基于子特征融合的轻量化安全帽检测方法， 其特征在于， 所述 步骤S4， 具体为： 步骤S41： 根据预设实验得 出超参数的最优值， 调优 超参数将使训练模型达 到最优； 步骤S42： 将标注文件中的标注框参数作为输入数据， 使用k ‑means聚类算法根据标注 框计算数据集的先验框anc hor； 步骤S43： 设置训练迭代次数为N， 设置数据图片读取批次batch ‑sizes， 训练完成后得 到安全帽 检测模型。 7.根据权利要求6所述的基于子特征融合的轻量化安全帽检测方法， 其特征在于， 所述 步骤S42具体为： 步骤S421： 使用数据集图像的宽高wimg,himg对标注框bounding  box的宽高wbox,hbox做归 一化， 具体为： 其中， WNormalize， HNormalize为归一化后的宽和高； 步骤S422： 令anchor＝(wanchor,hanchor),box＝(wbox,hbox)， wanchor,hanchor为先验框anchor 的宽和高， 使用交并比IOU作为度量， 其计算方式如下： IOU的取值在0到1之间， 两个box重合度越高则IOU值越大， d为最终度量， 其计算公式 为： d＝1‑IOU(box,anc hor) 步骤S423： 在数据集中随机选取box_k个bounding  box作为初始先验框anchor， 然后计 算每个标注框和这些anchor的IOU度量， 将每个bounding  box分配给与其距离最近的 anchor， 遍历所有bounding  box后， 计算每个簇中所有bounding  box宽和高的均值， 更新 anchor， 重复以上步骤直到anc hor不再变化或者达 到了最大迭代次数。 8.根据权利要求1所述的基于子特征融合的轻量化安全帽检测方法， 其特征在于， 所述 步骤S5具体为: 步骤S51： 利用安全帽检测模型进行检测任务， 输入的数据图片经过特征提取网络处理 后将得到三个不同尺寸的特 征图； 步骤S52： 利用特征图和通过k ‑means聚类算法计算得到的先验框anchor计算预测框的 大小和位置信息， 得到图片的初步预测结果； 步骤S53： 使用非极大值抑制算法处理初步预测结果， 在所有预测框中寻找每一类别中 置信度最大的预测框并抑制其 他预测框； 步骤S54： 经过非极大值抑制后得到最终的检测框， 将检测框绘制在原图中， 得到结果 图片。 9.根据权利要求8所述的基于子特征融合的轻量化安全帽检测方法， 其特征在于， 所述 步骤S52具体为：权　利　要　求　书 2/3 页 3 CN 115100495 A 3