(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 202211191908.6 (22)申请日 2022.09.28 (71)申请人 吉林建筑大学 地址 130033 吉林省长 春市净月区新城大 街5088号 (72)发明人 金佩剑　李杭　许金融　鲁鑫　 葛素伶　娄胜阳　严伟龙　蘧浩浩　 朱凯　史志坤　 (74)专利代理 机构 北京市广友专利事务所有限 责任公司 1 1237 专利代理师 张仲波 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) (54)发明名称 一种安全帽标准佩戴行为的检测方法和装 置 (57)摘要 本发明涉及目标检测技术领域， 特别是指一 种安全帽标准佩戴行为的检测方法和装置。 所述 方法包括： 接收安全帽标准佩戴行为相关的待检 测图片； 根据预先构建的基于改进YOL Ov5的安全 帽标准佩戴行为检测模型， 对所述待检测图片 进 行检测， 得到所述待检测图片分别属于正确佩戴 安全帽、 未佩戴安全帽和未正确佩戴安全帽这三 种佩戴类别的概率， 选取概率最大的类别作为所 述待检测图片的检测结果。 通过本发明， 在保持 原有YOLOv5算法的模型大小、 速度的基础上， 改 进后的算法精度更高， 收敛速度更快， 有效的减 少了训练时间， 并且在多目标和遮挡目标检测上 有较大改进。 权利要求书2页 说明书8页 附图4页 CN 115527237 A 2022.12.27 CN 115527237 A 1.一种安全帽标准佩戴行为的检测方法， 其特 征在于， 所述方法包括： 接收安全帽标准佩戴行为相关的待检测图片； 根据预先构建的基于改进YOLOv5的安全帽标准佩戴行为检测模型， 对所述待检测图片 进行检测， 得到所述待检测图片分别属于正确佩戴安全帽、 未佩戴安全帽和未正确佩戴安 全帽这三种佩戴类别的概 率， 选取概 率最大的类别作为所述待检测图片的检测结果。 2.根据权利 要求1所述的方法， 其特征在于， 构建所述基于改进YOLOv5的安全帽标准佩 戴行为检测模型， 具体包括： 收集安全帽标准佩戴行为相关图片， 对所收集的图片进行筛 选整理， 制作成训练集； 对所述训练集图片进行增强， 从而对所述训练集进行扩充， 得到扩充后的训练集； 应用Y0L0v5原始算法的Backbo ne主干网部分， 对所述扩充后的训练集进行 特征提取； 应用Y0L0v5原始算法的Neck部分， 对提取后的特 征进行特征融合； 使用EIOU损失函数与AlphaIOU损失函数相结合的方式作为总损失函数； 应用DIOU ‑nms非极大值抑制方法进行遮挡目标的筛选， 形成最终的安全帽标准佩戴行 为检测模型。 3.根据权利要求2所述的方法， 其特征在于， 所述收集安全帽标准佩戴行为相关图片， 对所收集的图片进行筛 选整理， 制作成训练集， 具体包括： 使用爬虫爬取 所述安全帽标准佩戴行为相关图片； 根据国家标准将安全帽佩戴行为分为正确佩戴安全帽、 未佩戴安全帽和未正确佩戴安 全帽三种佩戴类别， 筛 选整理所述图片， 并全部转 化为.jpg格式； 使用标注工具labelimg对每张图片进行标注， 形成相应的.txt标签文件， 所述标签文 件包含目标在标注框内的四个坐标以及给定的类别， 格式为YOLO。 4.根据权利要求2所述的方法， 其特征在于， 所述对所述训练集图片进行增强， 从而对 所述训练集进行扩充， 得到扩充后的训练集， 具体包括： 进行基础数据增强， 所述基础数据的增强包括将所述训练集中的图片进行如下的至少 一种变换： 色彩转换、 旋转、 平移、 扭 曲、 翻转， 将变换后的图片加入所述训练集， 其中， 禁止 竖直翻转， 相应的增 加了水平翻转的概 率； 进行Mosaic数据增强， 所述Mosaic数据增强包括： 任意选择4张图片， 进行随机裁剪、 缩 放， 再按照随机排布的方式拼接成一张图片， 将拼接后的图片加入所述训练集； ； 进行Mixup 数据增强， 所述Mixup 数据增强包括： 将不同类之间的图像进行混合， 将混合 后的图片加入数据集。 5.根据权利 要求2所述的方法， 其特征在于， 所述使用EIOU损失函数与AlphaIOU损失函 数相结合的方式作为总损失函数， 所述的总损失函数如下： 其中， b为锚框box中心点， w和h为锚框box的宽度和高度， bgt为目标框中心点， wgt和hgt 为目标框box的宽度和高度， wc和hc为覆盖两个锚框和目标框的最小外接框的宽度和高度， 将损失函数分为 三部分:IOU损失Lα‑IOU、 距离损失Lα‑dis、 面损失Lα‑asp， α 为参数， 设置为 4。 6.一种安全帽标准佩戴行为的检测装置， 其特 征在于， 所述装置包括：权　利　要　求　书 1/2 页 2 CN 115527237 A 2接收模块， 用于 接收安全帽标准佩戴行为相关的待检测图片； 检测模块， 用于根据预先构建的基于改进YOLOv5的安全帽标准佩戴行为检测模型， 对 所述待检测图片进行检测， 得到所述待检测图片分别属于正确佩戴安全帽、 未佩戴安全帽 和未正确佩戴安全帽这三种佩戴类别的概率， 选取概率最大的类别作为所述待检测图片的 检测结果。 7.根据权利要求6所述的装置， 其特征在于， 所述装置还包括构建模块， 所述构建模块 包括： 制作子模块， 用于收集安全帽标准佩戴行为相关图片， 对所收集的图片进行筛选整理， 制作成训练集； 增强子模块， 用于对所述训练集图片进行增强， 从而对所述训练集进行扩充， 得到扩充 后的训练集； 提取子模块， 用于应用Y0L0v5原始算法的Backbone主干网部分， 对所述扩充后的训练 集进行特征提取； 融合子模块， 用于应用Y 0L0v5原始算法的Neck部分， 对提取后的特 征进行特征融合； 结合子模块， 用于使用EIOU损失函数与AlphaIOU损失函数相结合的方式作为总损失函 数； 形成子模块， 应用DIOU ‑nms非极大值抑制方法进行遮挡目标的筛选， 形成最终的安全 帽标准佩戴行为检测模型。 8.根据权利要求7 所述的装置， 其特 征在于， 所述的总损失函数如下： 其中， b为锚框box中心点， w和h为锚框box的宽度和高度， bgt为目标框中心点， wgt和hgt 为目标框box的宽度和高度， wc和hc为覆盖两个锚框和目标框的最小外接框的宽度和高度， 将损失函数分为 三部分:IOU损失Lα‑IOU、 距离损失Lα‑dis、 面损失Lα‑asp， α 为参数， 设置为 4。 9.一种电子设备， 所述电子设备包括处理器CPU、 图形处理器GPU和存储器， 所述存储器 中存储有至少一条指 令， 所述至少一条指 令由所述GPU或所述CPU加载并执行以实现如权利 要求1‑7任一项所述安全帽标准佩戴行为的检测方法， 如果没有所述GPU则使用所述CPU加 载并执行， 如果所述GPU存在， 优先使用所述GPU加载并执 行。 10.一种计算机可读存储介质， 所述存储介质中存储有至少一条指令， 所述至少一条指 令由图形 处理器GPU或处理器CPU加载并执行以实现如权利要求 1‑7任一项所述安全帽标准 佩戴行为的检测方法， 如果没有所述GPU则使用所述CPU执行， 如果所述GPU存在， 优先使用 所述GPU执 行。权　利　要　求　书 2/2 页 3 CN 115527237 A 3