(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 202210912235.2 (22)申请日 2022.07.30 (71)申请人 福州大学 地址 362251 福建省泉州市晋 江市金井镇 水城路1号 (72)发明人 陈俊　陈海明　 (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 蔡学俊　薛金才 (51)Int.Cl. G06V 20/40(2022.01) G06V 20/52(2022.01) G06V 10/82(2022.01) (54)发明名称 一种在工地施工场景下的安全帽佩戴检测 方法 (57)摘要 本发明提供了一种在工地施工场景下的安 全帽佩戴检测方法， 包括如下步骤： 步骤S1: 采集 工地施工场景的视频帧图像； 步骤S2:将已获取 到的视频帧图像进行标注和数据增强处理； 步骤 S3:将预处理后的数据集送入改进的YOLOv4 ‑ tiny算法中进行训练； 步骤S4:用已训练好的检 测模型对获取到的工地现场摄像头视频流进行 检测； 步骤S5: 若检测到有人员未佩戴安全帽， 便 发出相应的声音警报信息。 应用本技术方案可实 现在保证工地安全帽佩戴检测效率的同时， 进一 步提高检测精度。 权利要求书2页 说明书6页 附图3页 CN 115240117 A 2022.10.25 CN 115240117 A 1.一种在工地施工场景 下的安全帽佩戴检测方法， 其特 征在于包括如下步骤： 步骤S1:采集工地施工场景的视频帧图像； 步骤S2:将已获取到的视频帧图像进行 标注和数据增强处 理； 步骤S3:将预处 理后的数据集送入改进的YOLOv4 ‑tiny算法中进行训练； 步骤S4:用已训练好的检测模型对获取到的工地现场摄 像头视频流进行检测； 步骤S5:若检测到有人员未佩戴安全帽， 便发出相应的声 音警报信息 。 2.根据权利要求1所述的一种在工地施工场景下的安全帽佩戴检测方法， 其特征在于， 所述步骤S1的视频帧图像是指在实际的施工环 境下通过工业摄像头采集到视频后， 再通过 对视频进行帧的获取处 理后而得到的图像。 3.根据权利要求1所述的一种在工地施工场景下的安全帽佩戴检测方法， 其特征在于， 所述步骤S2图像预处 理方法的实现过程 为： 步骤S21:通过运用LabelImg软件， 对采集到 的视频帧图像进行标注， 其中所标注的标 签文件为XML格式； 步骤S22:通过使用Python中的数据增强库imgaug， 对步骤S21的视频帧图像进行数据 增强处理， 其中数据增强处 理包括旋转、 平 移、 裁剪、 加入高斯噪声操作。 4.根据权利要求1所述的一种在工地施工场景下的安全帽佩戴检测方法， 其特征在于， 所述步骤S3中的改进的YOLOv4 ‑tiny算法具体为： 步骤S31:在YOLOv4 ‑tiny算法的FPN层的Concat操作中使用更浅层的特征图， 丰富 Concat后的特 征图的小目标位置细节信息； 步骤S32:在YOLOv4 ‑tiny算法的YOLO  Head前加入CBAM注意力机制模块， 使得网络模型 更关注于对重要信息的学习； 步骤S33:使用Soft ‑NMS算法代替YOLOv4 ‑tiny算法中原有的NMS算法。 5.根据权利要求1所述的一种在工地施工场景下的安全帽佩戴检测方法， 其特征在于， 所述步骤S4中的工地现场的摄像头将接入本地主机端， 同时在本地主机端通过对模型的加 载来实现对实际施工现场中工地人员的安全帽佩戴情况进行检测。 6.根据权利要求1所述的一种在工地施工场景下的安全帽佩戴检测方法， 其特征在于， 所述步骤S5中的声音警报信息将通过Python中自带的playsound模块来实现； playsound模 块通过“pip install playsound ”这个命令来进行安装。 7.根据权利要求1所述的一种在工地施工场景下的安全帽佩戴检测方法， 其特征在于， 当输入图像的大小 为608×608时， YOL Ov4‑tiny算法中由CSPDarknet53 ‑tiny产生的两个有 效特征层的尺寸大小分别是19 ×19， 38×38； 尺寸大小为38 ×38的有效特征层具有较多的 小目标位置细节信息， 而尺寸大小为19 ×19的有效特征层具有较多的图像语义信息， 这两 个有效特征层会参与到加强特征提取网络FPN层的构建； 其中需要注意的是， ResidualBlock_Body3输出的用于接下来进行Concat操作的特征图是未经过MaxPooling处 理的， 所以其尺寸大小仍然为38 ×38； YOLOv4 ‑tiny算法中的两个YOLO  Head的输出特征图 大小分别是19 ×19， 38×38； 尺寸大小为19 ×19的YOLO  Head负责进行对较大目标的检测， 尺寸大小为38 ×38的YOLO Head负责进行对较小目标的检测； 将ResidualBlock_Body2中的在MaxPooling处理前的尺寸大小为76 ×76的输出特征图 经过下采样之后， 再将其参与到尺 寸大小为 19×19的特征图通过卷积和上采样之后与 尺寸权　利　要　求　书 1/2 页 2 CN 115240117 A 2大小为38 ×38的特征图进行Co ncat的操作之中。 8.根据权利要求7所述的一种在工地施工场景下的安全帽佩戴检测方法， 其特征在于， YOLOv4‑tiny算法中的主干 特征提取网络CSPDarknet 53‑tiny由3个BasicConv模块以及3个 ResidualBlock_Body模块构成； 其中BasicConv模块包含DarknetConv2D、 BatchNormalization以及Leaky  ReLU激活函数结构； ResidualBlock_Body模块由4个 BasicConv模块以及1个MaxPooling模块构 成； 从CSPDarknet53 ‑tiny产生的两个有效特征 层会经过FPN即Feature  Pyramid Network层的处理， 经过FPN层处理后的特征图会输入到 YOLO Head中进行分类与回归处 理。 9.根据权利要求8所述的一种在工地施工场景下的安全帽佩戴检测方法， 其特征在于， 在YOLOv4 ‑tiny算法的YOLO  Head前加入包含通道注意力机制和空间注意力机制的CBAM注 意力机制模块； 在通道注意力机制模块中， 通过将输入的特征图分别进行最大池化以及平均池化操 作， 得到两个分别表示最大池化特征以及平均池化特征 的描述符， 然后将这两个描述符输 入到共享全连接层S hared MLP中生成两个通道注 意力特征图， 接下来将这两个通道注 意力 特征图进行在元素级别上的求和运算， 再经过Sigmoid函数的激活， 输出最 终的通道注意力 特征图； 这个最终的通道注意力特征图会与原始的输入特征图作乘法运算， 从而得到经过 通道注意力权 重值加权后的特 征图； 在空间注意力机制模块中， 将经过通道注意力权重值加权后的特征图作为输入， 首先 进行一个沿着通道轴 上的最大池化以及平均池化操作， 得到两个特征图， 然后将它们进行 Concat操作再通过卷积核进行卷积处理， 变为1个通道， 再经过Sigmoid函数激活后获得空 间注意力特征图； 这个空间注意力特征图会与经过通道注意力权重值加权后的特征图作 乘 法运算， 从而得到最终的经 过CBAM模块处 理后的特 征图。 10.根据权利要求4所述的一种在工地施工场景下的安全帽佩戴检测方法， 其特征在 于， 采用基于高斯加权表达方式的Soft ‑NMS算法， 相应的计算方式为： 其中， D表示最终检测结果的集合， Si表示当前待处理的检测框的置信度 得 分， IOU表示两个边框的交集与并集 的比值， Nt表示IOU的阈值， M表示置信度得分最高的检 测框， σ 表示高斯 惩罚函数的超参数， Bi表示当前待处 理的的检测框， e 是自然对数的底数。权　利　要　求　书 2/2 页 3 CN 115240117 A 3