(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 20221084595 0.9 (22)申请日 2022.07.18 (71)申请人 江苏尊释智能科技有限公司 地址 226000 江苏省南 通市崇川区幸福新 城11幢302室 (72)发明人 路新华　于璐　马丽　魏海海　 孙留兰　 (74)专利代理 机构 河南商盾云专利代理事务所 (特殊普通 合伙) 41199 专利代理师 谷利平 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/40(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) (54)发明名称 一种基于改进的YOLOX网络的工地安全帽佩 戴检测方法 (57)摘要 本发明涉及计算机视觉、 目标检测领域， 且 公开了一种基于改进的YOL OX网络的工地安全帽 佩戴检测方法， 包括以下步骤： 第一步： 获取工地 安全帽图像数据集； 第二步： 构建改进的YOL OX网 络， 然后训练该网络； 第三步:工地实际应用， 本 发明提出的改进的YOLOX网络， 即YOLOX ‑CBAM网 络， 相比于原始 YOLOX目标检测网络， 更容易适应 工地复杂环 境下安全帽佩戴的准确检测。 注意力 机制可以增强特征图的表征能力， 抑制无关图像 中检测对象的背景噪声， 这对于提高目标检测的 准确性具有重要的意义； 且由于是一阶段目标检 测模型， 检测速度较快， 具有较强的实用性。 权利要求书1页 说明书4页 附图3页 CN 115223093 A 2022.10.21 CN 115223093 A 1.一种基于改进的YOLOX网络的工地安全帽佩戴检测方法， 其特征在于， 包括以下内 容： 第一步： 获取工地安全帽图像数据集， 其中佩戴安全帽的类别标签为hat， 未佩戴安全 帽的类别标签为perso n； 第二步： 构建改进的YOLOX网络， 然后训练网络； 第三步:工地实际应用。 2.根据权利要求1所述的一种基于改进的YOLOX网络的工地安全帽佩戴检测方法， 其特 征在于： 所述第一 步中获取 数据集包括以下内容： S1： 安全帽图像数据集标注文件为XML文件格式， 其包括 图像尺寸、 目标框的位置坐标 和类别标签； S2： 按照8 :1:1的比例将该 数据集划分为训练集、 验证集和 测试集； S3： 使用数据转换工具将标注文件 由XML格式转换为VOC格式， 即文件每一行包括图像 文件名、 目标检测 框的中心位置坐标、 长、 宽和 类别标签， 其中佩戴安全帽的类别标签为1， 未佩戴安全帽的类别标签为0 。 3.根据权利要求1所述的一种基于改进的YOLOX网络的工地安全帽佩戴检测方法， 其特 征在于： 所述第二 步中的训练网络包括以下内容： S1： 在YOLOX网络基础上融入注意力 模块， 并将网络分类的类别数目修改为安全帽数据 集的分类数目， 即2； S2： 使用转换后的安全帽佩戴数据集训练改进的YOLOX网络， 设置batch_size为64， 使 用动量为0.9的随机梯度下降训练3 00轮； S3： 使用测试集进行测试， 分析训练结果， 对比测试 结果的差异； S4： 在验证集上微调网络的超参数。 4.根据权利要求1所述的一种基于改进的YOLOX网络的工地安全帽佩戴检测方法， 其特 征在于： 第二步中改进YOLOX的Neck网络， 在每个Neck网络的输出分支之后， 序列化地添加 通道和空间注意力模块。 5.根据权利要求1所述的一种基于改进的YOLOX网络的工地安全帽佩戴检测方法， 其特 征在于： 所述第三 步中实际应用包括以下内容： S1： 将工地监控视频或摄像头实时采集的视频流输入到训练好的改进 的YOLOX网络模 型中， 得到画面中每 个人物头 部位置的位置检测框、 相应 类别标签及对应的置信度； S2： 当画面中获得的标签中含有非hat标签时， 对当前采集的图像进行记录并提 示。权　利　要　求　书 1/1 页 2 CN 115223093 A 2一种基于改进的Y OLOX网络的工地安全帽佩 戴检测方 法 技术领域 [0001]本发明涉及 计算机视觉、 目标检测领域， 具体为一种基于改进的YOLOX 网络的工地 安全帽佩戴检测方法。 背景技术 [0002]随着工业化的不断发展和人们安全意识的不断提高， 工地安全问题成为企业家和 工人们最关心的问题之一， 而安全帽的佩戴可以有效地降低事故的发生概率。 因此， 安全帽 佩戴检测系统在工业 安全生产中起到 至关重要的作用。 [0003]传统的安全帽佩戴检测算法主要通过采用人工设计特征的方法进行目标检测， 存 在检测准确率低， 模 型泛化性差等检测问题。 因此， 大部 分工地还是通过人工的方式对安全 帽佩戴检测， 这很难做到施工时全程 监测， 而且费时费力。 [0004]随着计算机视觉相关技术的快速发展， 各种目标检测算法被提出， 主要可分为两 阶段模型和一阶段模型。 两阶段模型主要以RCNN系列为主， 包括Fast  RCNN、 Faster  RCNN、 Mask RCNN等， 该类方法首先使用区域建议网络RPN生成大量的目标候选框， 再将这些目标 候选框送入检测网络中进 行检测对象的类别预测和位置确定。 这类方法的优势主要体现在 可扩展性和高准确性方面。 一阶段模型以YOLO系列为主， 包括YOLOv3、 YOLOv4、 YOLOv5、 YOLOX等， 该类方法在生成目标候选框的同时， 进行分类和回归。 这类方法通常模型较为简 单， 检测速度较快， 更加适用于需要实时检测的目标识别问题。 [0005]由于工地安全帽佩戴检测有一定实时性和准确性的需求， 所以本发明选用一阶段 模型YOLOX， 并对其进行改进， 在一定程度上， 达到提高工地安全帽佩戴检测的实时性和准 确性的目的， 为此我们提出了一种基于改进的YOLOX网络的工地 安全帽佩戴检测方法。 发明内容 [0006](一)解决的技 术问题 [0007]针对现有技术的不足， 本发明提供了一种基于改进的YOLOX网络的工地安全帽佩 戴检测方法， 解决了上述的问题。 [0008](二)技术方案 [0009]为实现上述所述目的， 本 发明提供如下技术方案： 一种基于改进的YOLOX 网络的工 地安全帽佩戴检测方法， 包括以下步骤： [0010]第一步： 获取工地 安全帽图像数据集； [0011]第二步： 构建改进的YOLOX网络， 然后训练该网络； [0012]第三步:工地实际应用。 [0013]优选的， 所述第一 步中获取 数据集包括以下内容： [0014]S1： 该图像数据集为 公开发布的Safety ‑Helmet‑Wearing‑Dataset(S HWD)， 该数据 集包含7581张图像， 其中佩戴安全帽的目标对象有9044个， 未佩戴安全帽的目标对象有 111514个， 标注文件为XML文件格式， 包括图像尺 寸、 目标框的位置坐标和类别标签。 其中佩说　明　书 1/4 页 3 CN 115223093 A 3