(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202110247682.6
(22)申请日 2021.03.06
(71)申请人 深圳市安比智慧科技有限公司
地址 518100 广东省深圳市宝安区石岩街
道塘头社区塘头1号路8号创维创新谷
2#楼B1531
(72)发明人 鄢必超
(74)专利代理机构 北京化育知识产权代理有限
公司 11833
代理人 闫露露
(51)Int.Cl.
G06K 9/00(2006.01)
G06K 9/34(2006.01)
G06K 9/46(2006.01)
G06K 9/62(2006.01)
G06N 3/04(2006.01)G06N 3/08(2006.01)G06Q 10/06(2012.01)G06Q 50/08(2012.01)
(54)发明名称基于YOLOv5的工地行为安全检测识别方法及系统(57)摘要本发明提供了基于YOLOv5的工地行为安全检测识别方法及系统，涉及建筑工程领域，包括以下步骤：获取待识别的工地现场图像信息；采用预训练好的检测模型对所述待识别的工地现场图像信息进行识别，对安全帽的佩戴情况进行检测，其中，检测模型为深度学习模型，用于训练检测模型的训练集包括标注安全帽佩戴位置的图像信息；当识别到工人未佩戴安全帽或者佩戴位置不规范时，发出警示，本发明整合机器视觉技术、智慧工地技术、神经网络技术的一体化工程安全监管应用成果，实现对工地现场工人安全帽佩戴情况的实时监测与告警，以此加强工程管理规范性、提升工程整体效率、减少成本消耗、降低意外事故与人员伤亡发生概率、并推进智慧城 市与智慧工地建设等。权利要求书2页 说明书8页 附图4页CN 112784821 A 2021.05.11
C N 112784821
A
1.基于YOLOv5的工地行为安全检测识别方法，其特征在于：包括以下步骤：
获取待识别的工地现场图像信息；
采用预训练好的检测模型对所述待识别的工地现场图像信息进行识别，对安全帽的佩戴情况进行检测，其中，检测模型为深度学习模型，用于训练检测模型的训练集包括标注安全帽佩戴位置的图像信息；
当识别到工人未佩戴安全帽或者佩戴位置不规范时，发出警示。
2.根据权利要求1所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：所述检测模型为Yolov5模型。
3.根据权利要求2所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：获取待识别的工地现场图像信息之前，还包括：
搭建所述检测模型，检测模型具有Yolov5模型结构的pytorch框架；
采集工地现场中不同环境下工人的工地现场图像信息；
响应于所述工地现场图像信息中包括有待筛选的模糊图像的区域，将所述模糊图像的区域确定为可疑候选区域；
将所述可疑候选区域切割成尺寸一致的多个区块，根据各个所述区块中安全帽颜像素的占比，确定可疑候选区域的分割区块，其中，所述安全帽颜像素为在安全帽目标颜域内的像素，通过判断像素的RGB值确定是否为安全帽颜像素；
根据所述分割区块，确定安全帽的佩戴位置，并对安全帽的佩戴位置进行标注，得到均包括标注安全帽佩戴位置的图像信息的训练集和测试集；
采用所述训练集对检测模型进行训练，并根据训练结果对检测模型进行参数微调，得到预训练好的检测模型。
4.根据权利要求3所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：响应于所述工地现场图像信息中包括有待筛选的模糊图像的区域，将所述模糊图像的区域确定为可疑候选区域之前，还包括：
响应于任何一个区域内安全帽颜像素的占比不高于预设阈值，确定该工地现场图像信息中不包括有安全帽图像信息，剔除该工地现场图像信息。
5.根据权利要求4所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：响应于所述工地现场图像信息中包括有待筛选的模糊图像的区域，将所述模糊图像的区域确定为可疑候选区域，具体包括：
将所述工地现场图像信息划分为多个区域；
获取每个所述区域内安全帽颜的占比，所述占比的计算方法为公式(1)，所述公式(1)为：
响应于任意一个区域内安全帽颜的占比低于预设阈值，将安全帽颜的占比低于预设阈值的区域确定为待筛选的模糊图像的区域；
响应于工地现场图像信息中包括有待筛选的模糊图像的区域，将安全帽颜的占比低于预设阈值的区域确定为可疑候选区域。
6.根据权利要求5所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：将所
述可疑候选区域切割成尺寸一致的多个区块，具体为：
将可疑候选区域按等高或者等宽的原则切割成尺寸一致的多个区块。
7.根据权利要求6所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：将所述可疑候选区域切割成尺寸一致的多个区块，根据各个所述区块中安全帽颜像素的占比，确定可疑候选区域的分割区块，具体包括：
确定基础区块；
从所述基础区块开始，获取基础区块后的每个区块中安全帽颜像素的占比；
获取占比最小的区块，将占比最小的区块确定为可疑候选区域的分割区块。
8.根据权利要求7所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：所述训练集和所述测试集的比例为7：3。
9.根据权利要求8所述的基于YOLOv5的工地行为安全检测识别方法，其特征在于：采用所述训练集对检测模型进行训练，并根据训练结果对检测模型进行参数微调，得到预训练好的检测模型中，所述参数包括P、R和mAP，P、R和mAP分别代表识别精度、召回率和综合准确率。
10.基于YOLOv5的工地行为安全检测识别系统，其特征在于：包括：
现场信息获取模块，用于获取待识别的工地现场图像信息；
安全帽位置识别模块，用于采用预训练好的检测模型对所述待识别的工地现场图像信息进行识别，对安全帽的佩戴情况进行检测，其中，检测模型为深度学习模型，用于训练检测模型的训练集包括标注安全帽佩戴位置的图像信息；
安全警示模块，用于当识别到工人未佩戴安全帽或者佩戴位置不规范时，发出警示。
基于YOLOv5的工地行为安全检测识别方法及系统
技术领域
[0001]本发明涉及建筑工程领域，尤其涉及基于YOLOv5的工地行为安全检测识别方法及系统。
背景技术
[0002]建筑施工作业过程中，存在着较多安全隐患，安全事故的发生率居高不下。在长期的实践论证中，在开展施工作业之前，对建筑工人的行为能力和安全设施的佩戴进行检查，能够有效的减少事故发
生的几率。因此，在日常施工作业工程中，监督工人的安全帽等安全设施是否佩戴显得尤为重要。但是目前大部分工地上，采用的都是人为监测，很依赖于现场经验丰富的管理人员，需要他们实时的进行观察和检查，又费时又费力，存在着自动化水平较低，工作量较大，检查项目有限的情况，极容易出现漏检等情况，造成安全隐患。因此出现了工地监管系统，实现智能化地监督工人施工。
[0003]传统工地监管系统大多由专门的工程管理干系实现，但是此种的工地监管系统需要消耗大量人力，并且由于个人疏忽等其他难以回避的因素，很难做到安全规范的广泛落实，具有可靠性较低、反应时延较长、成本较大以及管理不便等显著缺陷。因此出现了基于目标检测技术的自动化识别的工地监管系统，可以摆脱对人力的依赖，提供可靠、可控、低成本的工地安全保障，目标检测即对待检测对象的精准定位与准确识别，确定目标所在的位置和具体类别，当前对于目标检测方法的研究已经相当成熟了。不过对于施工现场，一些环境比较复杂的工矿这些特殊场景中对于目标检测的实时性、精确度都有着相当高的要求，对于这些外在的干扰特征信息，机器很多情况下无法做出准确判断，目标检测物的实时性、精确度较低，且通用性不强。
发明内容
[0004]有鉴于此，本发明的目的在于提出基于YOLOv5的工地行为安全检测识别方法及系统，以解决上述背景技术中提及的全部问题或之一。
[0005]基于上述目的，本发明提供了基于YOLOv5的工地行为安全检测识别方法，包括以下步骤：
[0006]获取待识别的工地现场图像信息；
[0007]采用预训练好的检测模型对所述待识别的工地现场图像信息进行识别，对安全帽的佩戴情况进行检测，其中，检测模型为深度学习模型，用于训练检测模型的训练集包括标注安全帽佩戴位置的图像信息；
[0008]当识别到工人未佩戴安全帽或者佩戴位置不规范时，发出警示。
[0009]可选的，所述检测模型为Yolov5模型。
[0010]可选的，获取待识别的工地现场图像信息之前，还包括：
[0011]搭建所述检测模型，检测模型具有Yolov5模型结构的pytorch框架；
[0012]采集工地现场中不同环境下工人的工地现场图像信息；
[0013]响应于所述工地现场图像信息中包括有待筛选的模糊图像的区域，将所述模糊图像的区域确定为可疑候选区域；
[0014]将所述可疑候选区域切割成尺寸一致的多个区块，根据各个所述区块中安全帽颜像素的占比，确定可疑候选区域的分割区块，其中，所述安全帽颜像素为在安全帽目标颜域内的像素，通过判断像素的RGB值确定是否为安全帽颜像素；
[0015]根据所述分割区块，确定安全帽的佩戴位置，并对安全帽的佩戴位置进行标注，得到均包括标注安全帽佩戴位置的图像信息的训练集和测试集；
[0016]采用所述训练集对检测模型进行训练，并根据训练结果对检测模型进行参数微调，得到预训练好的检测模型。
[0017]可选的，响应于所述工地现场图像信息中包括有待筛选的模糊图像的区域，将所述模糊图像的区域确定为可疑候选区域之前，还包括：
[0018]响应于任何一个区域内安全帽颜像素的占比不高于预设阈值，确定该工地现场图像信息中不包括有安全帽图像信息，剔除该工地现场图像信息。
[0019]可选的，响应于所述工地现场图像信息中包括有待筛选的模糊图像的区域，将所述模糊图像的区域确定为可疑候选区域，具体包括：
[0020]将所述工地现场图像信息划分为多个区域；
[0021]获取每个所述区域内安全帽颜的占比，所述占比的计算方法为公式(1)，所述公式(1)为：
[0022]
[0023]响应于任意一个区域内安全帽颜的占比低于预设阈值，将安全帽颜的占比低于预设阈值的区域确定为待筛选的模糊图像的区域；
[0024]响应于工地现场图像信息中包括有待筛选的模糊图像的区域，将安全帽颜的占比低于预设阈值的区域确定为可疑候选区域。
[0025]可选的，将所述可疑候选区域切割成尺寸一致的多个区块，具体为：
[0026]将可疑候选区域按等高或者等宽的原则切割成尺寸一致的多个区块。
[0027]可选的，将所述可疑候选区域切割成尺寸一致的多个区块，根据各个所述区块中安全帽颜像素的占比，确定可疑候选区域的分割区块，具体包括：
[0028]确定基础区块；
[0029]从所述基础区块开始，获取基础区块后的每个区块中安全帽颜像素的占比；[0030]获取占比最小的区块，将占比最小的区块确定为可疑候选区域的分割区块。[0031]可选的，所述训练集和所述测试集的比例为7：3。
[0032]可选的，采用所述训练集对检测模型进行训练，并根据训练结果对检测模型进行参数微调，得到预训练好的检测模型中，所述参数包括P、R和mAP，P、R和mAP分别代表识别精度、召回率和综合准确率。
[0033]进一步的，本发明还提供了基于YOLOv5的工地行为安全检测识别系统，包括：[0034]现场信息获取模块，用于获取待识别的工地现场图像信息；
[0035]安全帽位置识别模块，用于采用预训练好的检测模型对所述待识别的工地现场图像信息进行识别，对安全帽的佩戴情况进行检测，其中，检测模型为深度学习模型，用于训
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议