本發(fā)明涉及一種煤礦井下礦工的安全帽佩戴檢測方法。

背景技術(shù)：

1、深度學(xué)習(xí)技術(shù)日新月異，新的研究成果層出不窮，已經(jīng)成功應(yīng)用到了工業(yè)生產(chǎn)領(lǐng)域中的很多場景。卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺領(lǐng)域的優(yōu)異性能使得其廣泛應(yīng)用于目標(biāo)檢測、圖像分割、圖像分類等領(lǐng)域，并取得優(yōu)異的效果。這也更加促進了深度學(xué)習(xí)在各個工業(yè)領(lǐng)域的深入應(yīng)用。煤礦井下安全帽佩戴檢測傳統(tǒng)方法是先采用特征提取子對頭部特征進行提取，再利用分類器如支持向量機等進行分類，這種方法的缺點是對于復(fù)雜環(huán)境適應(yīng)性不強，工作量也較大。

2、卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練基礎(chǔ)是有大量標(biāo)注完成的數(shù)據(jù)集，在科技逐漸發(fā)展到可以大規(guī)模采集數(shù)據(jù)集以及硬件設(shè)備的發(fā)展，研究人員開始逐漸將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到目標(biāo)檢測領(lǐng)域。目標(biāo)檢測算法包含一階段方法和兩階段方法，兩階段的研究方法主要包括r-cnn、fast?r-cnn、faster?r-cnn等，這類方法的共同特點是需要先對圖像進行定位，再對定位圖像進行分類，這類方法的優(yōu)勢是檢測精度高，但是同時檢測速度較慢。一階段目標(biāo)檢測算法近些年得到了快速發(fā)展，主要有ssd、yolo系列算法等，這類方法直接對邊界框進行回歸，檢測精度較低，但是檢測速度較快。由于在工業(yè)應(yīng)用場景中，要求實時檢測，所以本文選用yolo系列算法中的較為輕量的yolov5s算法作為本文的基礎(chǔ)算法，可以在擁有較高檢測速度的同時，檢測精度也較高。實驗結(jié)果表明，選用并進行改進后的模型識別精度達到較高水平，可以應(yīng)用在煤礦井下礦工安全帽佩戴的識別。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種煤礦井下礦工安全帽佩戴檢測方法，本發(fā)明采用圖像增強方法對采集的圖像進行處理，處理后的圖像輸入檢測模型進行檢測，輸出檢測結(jié)果并顯示在圖像上，方便及時看到礦工安全帽的佩戴情況，及時發(fā)現(xiàn)未佩戴安全帽行為的出現(xiàn)，以保障井下礦工的人員安全。

2、本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的：

3、一種煤礦井下礦工安全帽佩戴檢測方法，所述方法構(gòu)建安全帽檢測的網(wǎng)絡(luò)模型，網(wǎng)絡(luò)模型的檢測結(jié)果進行實時顯示，具體包括以下步驟：

4、1)制作用于檢測煤礦井下礦工是否佩戴安全帽的數(shù)據(jù)集；

5、2)采用深度學(xué)習(xí)pytorch框架配置網(wǎng)絡(luò)的環(huán)境，在該環(huán)境下完成模型的構(gòu)建；

6、3)在數(shù)據(jù)集輸入網(wǎng)絡(luò)模型之前，采用k-means++進行先驗框的重新聚類；

7、4)在yolov5s模型的基礎(chǔ)上，采用spd-conv替換原有模型中步長為2的常規(guī)卷積；

8、5)在yolov5s的基礎(chǔ)上采用siou損失函數(shù)作為邊界框回歸損失函數(shù)；

9、6)采用改進后的yolov5s模型，將預(yù)處理后的數(shù)據(jù)集輸入模型進行訓(xùn)練并采用煤礦井下礦工佩戴和未佩戴安全帽視頻圖像對網(wǎng)絡(luò)模型進行檢測。

10、所述的一種煤礦井下礦工安全帽佩戴檢測方法，所述系統(tǒng)對于輸入模型的圖片數(shù)據(jù)集進行預(yù)處理操作；針對煤礦井下環(huán)境，收集井下礦工佩戴安全帽和未佩戴安全帽的礦工圖像數(shù)據(jù)；將收集到的圖像采用labelimg工具進行標(biāo)注，標(biāo)簽格式以xml格式進行輸出；在網(wǎng)絡(luò)訓(xùn)練時需要將數(shù)據(jù)劃分為訓(xùn)練集和測試集，這里采用訓(xùn)練集和測試集的比例為7：3。

11、所述的一種煤礦井下礦工安全帽佩戴檢測方法，所述對圖片數(shù)據(jù)集進行預(yù)處理，完成安全帽佩戴檢測模型的搭建；模型主要分為輸入端、主干特征提取網(wǎng)絡(luò)、neck網(wǎng)絡(luò)層、預(yù)測端等四個部分，輸入端對輸入的圖像進行處理，采用masaic數(shù)據(jù)增強等方式提升網(wǎng)絡(luò)訓(xùn)練的性能，主干特征提取網(wǎng)絡(luò)采用csp結(jié)構(gòu)，并采用了sppf金字塔結(jié)構(gòu)，可以對特征進行更好的提取，neck部分采用fpn+pan結(jié)構(gòu)達到特征的進一步提取，預(yù)測端采用siou損失函數(shù)作為邊界框回歸損失函數(shù)對圖像特征進行預(yù)測，模型訓(xùn)練時采用sgd作為優(yōu)化器，初始學(xué)習(xí)率為0.003，循環(huán)學(xué)習(xí)率為0.1，學(xué)習(xí)率動量為0.937，權(quán)重衰減系數(shù)為0.0005。

12、所述的一種煤礦井下礦工安全帽佩戴檢測方法，所述搭建安全帽佩戴檢測模型，為了進一步提高模型的精度，首先采用k-means++針對本文數(shù)據(jù)集進行先驗框的重新聚類，基于重新聚類后的先驗框開啟模型的訓(xùn)練；其次采用對于井下低分辨率圖像和由于遠距離攝像導(dǎo)致的小目標(biāo)spd-conv替換yolov5s中步長為2的常規(guī)卷積；最后采用siou損失函數(shù)作為邊界框回歸損失函數(shù)，進一步提高模型的推理能力。改進后的yolov5s模型相比于原始yolov5s模型，檢測精度提升1.3％，可以提高模型檢測精度。

13、所述的一種煤礦井下礦工安全帽佩戴檢測方法，所述完成對模型的優(yōu)化，設(shè)置模型訓(xùn)練參數(shù)如batch_size、epoch等后開始模型的訓(xùn)練。模型訓(xùn)練完成之后，檢查模型訓(xùn)練結(jié)果是否符合要求，并輸入圖像數(shù)據(jù)進行檢測，查看輸出結(jié)果是否滿足需要。

14、所述的一種煤礦井下礦工安全帽佩戴檢測方法，所述模型訓(xùn)練完成并進行測試，安全帽佩戴檢測模型在完成對圖像中所出現(xiàn)礦工是否佩戴安全帽的檢測之后，將檢測結(jié)果在圖像中進行輸出和顯示，顯示結(jié)果為佩戴安全帽的礦工數(shù)量以及未佩戴安全帽的礦工數(shù)量，便于及時便捷看到監(jiān)控區(qū)域內(nèi)的礦工是否按照井下安全生產(chǎn)要求佩戴安全帽。

15、本發(fā)明的優(yōu)點與效果是：

16、本發(fā)明采用改進后的yolov5s模型作為安全帽佩戴檢測模型，在完成對圖像中所出現(xiàn)礦工是否佩戴安全帽的檢測之后，將檢測結(jié)果在圖像中進行實時輸出和顯示，顯示結(jié)果為佩戴安全帽的礦工數(shù)量以及未佩戴安全帽的礦工數(shù)量，便于及時便捷看到監(jiān)控區(qū)域內(nèi)的礦工是否按照井下安全生產(chǎn)要求佩戴安全帽。

17、本發(fā)明采用目標(biāo)檢測技術(shù)，構(gòu)建了安全帽佩戴檢測模型，通過對煤礦井下礦工安全帽佩戴的檢測，得到礦工安全帽佩戴實時檢測情況。通過對安全帽佩戴情況的實時分析，可以及時發(fā)現(xiàn)和提醒未佩戴安全帽的礦工。為了進一步提高檢測精度，首先采用k-means++針對本文數(shù)據(jù)集進行先驗框的重新聚類，基于重新聚類后的先驗框開啟模型的訓(xùn)練；其次采用對于井下低分辨率圖像和由于遠距離攝像導(dǎo)致的小目標(biāo)spd-conv替換yolov5s中步長為2的常規(guī)卷積；最后采用siou損失函數(shù)作為邊界框回歸損失函數(shù)，進一步提高模型的推理能力。

技術(shù)特征：

1.一種煤礦井下礦工安全帽佩戴檢測方法，其特征在于，所述方法構(gòu)建安全帽佩戴識別的圖像檢測網(wǎng)絡(luò)模型，安全帽佩戴檢測結(jié)果會實時顯示在圖像上，具體包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種煤礦井下礦工安全帽佩戴檢測方法，其特征在于，所述系統(tǒng)對于輸入模型的圖片數(shù)據(jù)集進行預(yù)處理操作；針對煤礦井下環(huán)境，收集井下礦工佩戴安全帽和未佩戴安全帽的礦工圖像數(shù)據(jù)；將收集到的圖像采用labelimg工具進行標(biāo)注，標(biāo)簽格式以xml格式進行輸出；在網(wǎng)絡(luò)訓(xùn)練時需要將數(shù)據(jù)劃分為訓(xùn)練集和測試集，這里采用訓(xùn)練集和測試集的比例為7：3。

3.根據(jù)權(quán)利要求1所述的一種煤礦井下礦工安全帽佩戴檢測方法，其特征在于，所述對圖片數(shù)據(jù)集進行預(yù)處理，完成安全帽佩戴檢測模型的搭建；模型主要分為輸入端、主干特征提取網(wǎng)絡(luò)、neck網(wǎng)絡(luò)層、預(yù)測端等四個部分，輸入端對輸入的圖像進行處理，采用masaic數(shù)據(jù)增強等方式提升網(wǎng)絡(luò)訓(xùn)練的性能，主干特征提取網(wǎng)絡(luò)采用csp結(jié)構(gòu)，并采用了sppf金字塔結(jié)構(gòu)，可以對特征進行更好的提取，neck部分采用fpn+pan結(jié)構(gòu)達到特征的進一步提取，預(yù)測端采用siou損失函數(shù)作為邊界框回歸損失函數(shù)對圖像特征進行預(yù)測，模型訓(xùn)練時采用sgd作為優(yōu)化器，初始學(xué)習(xí)率為0.003，循環(huán)學(xué)習(xí)率為0.1，學(xué)習(xí)率動量為0.937，權(quán)重衰減系數(shù)為0.0005。

4.根據(jù)權(quán)利要求1所述的一種煤礦井下礦工安全帽佩戴檢測方法，其特征在于，所述搭建安全帽佩戴檢測模型，為了進一步提高模型的精度，首先采用k-means++針對本文數(shù)據(jù)集進行先驗框的重新聚類，基于重新聚類后的先驗框開啟模型的訓(xùn)練；其次采用對于井下低分辨率圖像和由于遠距離攝像導(dǎo)致的小目標(biāo)spd-conv替換yolov5s中步長為2的常規(guī)卷積；最后采用siou損失函數(shù)作為邊界框回歸損失函數(shù)，進一步提高模型的推理能力。

5.根據(jù)權(quán)利要求1所述的一種煤礦井下礦工安全帽佩戴檢測方法，其特征在于，所述完成對模型的優(yōu)化，設(shè)置模型訓(xùn)練參數(shù)如batch_size、epoch等后開始模型的訓(xùn)練。模型訓(xùn)練完成之后，檢查模型訓(xùn)練結(jié)果是否符合要求，并輸入圖像數(shù)據(jù)進行檢測，查看輸出結(jié)果是否滿足需要。

6.根據(jù)權(quán)利要求1所述的一種煤礦井下礦工安全帽佩戴檢測方法，其特征在于，所述模型訓(xùn)練完成并進行測試，安全帽佩戴檢測模型在完成對圖像中所出現(xiàn)礦工是否佩戴安全帽的檢測之后，將檢測結(jié)果在圖像中進行輸出和顯示，顯示結(jié)果為佩戴安全帽的礦工數(shù)量以及未佩戴安全帽的礦工數(shù)量，便于及時便捷看到監(jiān)控區(qū)域內(nèi)的礦工是否按照井下安全生產(chǎn)要求佩戴安全帽。

技術(shù)總結(jié)
本發(fā)明公開一種煤礦井下礦工安全帽佩戴檢測方法，涉及煤礦井下安全作業(yè)檢測領(lǐng)域，該方法包括獲取煤礦井下需要監(jiān)控區(qū)域內(nèi)的井下圖像，利用訓(xùn)練好的礦工安全帽佩戴檢測模型對當(dāng)前圖像進行檢測，確定礦工是否佩戴安全帽，得到的檢測結(jié)果會顯示在圖像上。由于煤礦井下環(huán)境較為復(fù)雜會使得采集圖像質(zhì)量低，進而導(dǎo)致檢測精度降低。針對本文研究條件提出采用K?Means++對先驗框重新聚類；采用SPD?Conv代替基準(zhǔn)模型中步長為2的普通卷積；采用SIoU損失函數(shù)作為邊界框損失函數(shù)；得到最終改進后的檢測模型。本申請可以對煤礦井下智能識別礦工違反規(guī)章的行為做出貢獻。

技術(shù)研發(fā)人員：劉曉陽,徐新霞
受保護的技術(shù)使用者：中國礦業(yè)大學(xué)（北京）
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19