本發(fā)明涉及施工安全檢測(cè)方法領(lǐng)域，具體是一種基于內(nèi)容引導(dǎo)金字塔結(jié)構(gòu)改進(jìn)的工地安全帽檢測(cè)方法。

背景技術(shù)：

1、在建筑行業(yè)，工地安全一直是首要考慮的問(wèn)題。安全帽作為最基本的個(gè)人防護(hù)裝備，其佩戴情況和質(zhì)量狀態(tài)直接影響到工人的生命安全。近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的迅猛發(fā)展，基于計(jì)算機(jī)視覺(jué)的安全帽檢測(cè)方法已經(jīng)得到了廣泛應(yīng)用。其中，一些基于cnn(卷積神經(jīng)網(wǎng)絡(luò))和faster-rcnn等的方法雖然在安全帽檢測(cè)方面取得了一定的成果，能夠有效提升檢測(cè)算法的精度，但其檢測(cè)速度往往不盡如人意，難以滿足工地實(shí)時(shí)監(jiān)控的需求。為了克服這一難題，工業(yè)界逐漸采用了一系列高精度且速度快的先進(jìn)檢測(cè)算法，如yolov5、yolov8和yolov9等。這些算法通過(guò)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和檢測(cè)機(jī)制，在保持高精度的同時(shí)，顯著提升了檢測(cè)速度，使得實(shí)時(shí)安全帽檢測(cè)成為可能。然而，在工地安全帽檢測(cè)這一特定場(chǎng)景中，由于攝像頭通常安裝在較高的位置，導(dǎo)致拍攝到的安全帽目標(biāo)相對(duì)較小，給檢測(cè)算法帶來(lái)了新的挑戰(zhàn)。盡管yolo系列算法在通用目標(biāo)檢測(cè)領(lǐng)域表現(xiàn)出色，但在處理小目標(biāo)檢測(cè)時(shí)，其性能往往會(huì)受到一定程度的限制。最近，清華大學(xué)提出的yolov10算法采用了無(wú)nms的方法，在檢測(cè)精度和效率上均有所提升，但在工地安全帽檢測(cè)這一特殊應(yīng)用中，仍然存在對(duì)小目標(biāo)檢測(cè)效果不佳的問(wèn)題。

2、針對(duì)上述問(wèn)題，本發(fā)明提出了一種內(nèi)容引導(dǎo)金字塔結(jié)構(gòu)改進(jìn)的工地安全帽檢測(cè)方法，為工地安全帽檢測(cè)提供了一種新的高效解決方案。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于內(nèi)容引導(dǎo)金字塔結(jié)構(gòu)改進(jìn)的工地安全帽檢測(cè)方法，以解決現(xiàn)有技術(shù)yolov10算法難以應(yīng)用于工地安全帽檢測(cè)的問(wèn)題。

2、為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案為：

3、一種基于內(nèi)容引導(dǎo)金字塔結(jié)構(gòu)改進(jìn)的工地安全帽檢測(cè)方法，包括以下步驟：

4、步驟1、構(gòu)建檢測(cè)模型，過(guò)程如下：

5、生成yolov10模型，將yolov10網(wǎng)絡(luò)中的第十二層concat層、第十五層concat層、第二十一層concat層分別替換為內(nèi)容引導(dǎo)的特征融合模塊，得到改進(jìn)的yolov10模型；

6、然后，基于訓(xùn)練集數(shù)據(jù)對(duì)yolov10模型進(jìn)行訓(xùn)練，訓(xùn)練完成后得到所述檢測(cè)模型；

7、步驟2、將待識(shí)別的建筑工地現(xiàn)場(chǎng)圖像輸入至步驟1得到的檢測(cè)模型中，由檢測(cè)模型檢測(cè)識(shí)別安全帽。

8、進(jìn)一步的，步驟1中，所述內(nèi)容引導(dǎo)的特征融合模塊包括多尺度注意力模塊和特征交叉融合模塊，其數(shù)據(jù)處理過(guò)程為：

9、首先，由模塊接收，經(jīng)過(guò)concat函數(shù)對(duì)特征進(jìn)行處理，得到拼接后的特征，然后再由多尺度注意力模塊計(jì)算其注意力權(quán)重，之后使用特征交叉融合模塊將得到的注意力權(quán)重與最初的兩路特征分別相乘和求和，得到帶有注意力權(quán)重的兩個(gè)特征，最后經(jīng)過(guò)concat函數(shù)對(duì)兩個(gè)特征進(jìn)行拼接，得到最后的輸出。

10、進(jìn)一步的，步驟1中，訓(xùn)練時(shí)采用加權(quán)eiou作為損失函數(shù)。

11、本發(fā)明在yolov10的基礎(chǔ)上，提出一種基于內(nèi)容引導(dǎo)的特征融合模塊(contextguide?fusion)，并搭建特征金字塔結(jié)構(gòu)融合高低維度的特征信息，同時(shí)引入一種加權(quán)eiou-loss，有效的提升了復(fù)雜背景下小目標(biāo)的檢測(cè)能力。與現(xiàn)有技術(shù)相比，本發(fā)明優(yōu)點(diǎn)為：

12、本發(fā)明提出的基于內(nèi)容引導(dǎo)的特征融合模塊(context?guide?fusion)能夠更有效地融合高低維度的特征信息，使得模型在識(shí)別安全帽時(shí)能夠充分考慮上下文信息，提高識(shí)別的準(zhǔn)確性。搭建的特征金字塔結(jié)構(gòu)能夠充分利用不同尺度的特征信息，特別是在處理小目標(biāo)安全帽時(shí)，能夠更精確地定位和識(shí)別目標(biāo)。加權(quán)eiou-loss的引入對(duì)檢測(cè)框尺度偏差施加不同的權(quán)值，能夠有效提升小目標(biāo)的檢測(cè)精度。

技術(shù)特征：

1.一種基于內(nèi)容引導(dǎo)金字塔結(jié)構(gòu)改進(jìn)的工地安全帽檢測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于內(nèi)容引導(dǎo)金字塔結(jié)構(gòu)改進(jìn)的工地安全帽檢測(cè)方法，其特征在于，步驟1中，所述內(nèi)容引導(dǎo)的特征融合模塊包括多尺度注意力模塊和特征交叉融合模塊，其數(shù)據(jù)處理過(guò)程為：

3.根據(jù)權(quán)利要求1所述的一種基于內(nèi)容引導(dǎo)金字塔結(jié)構(gòu)改進(jìn)的工地安全帽檢測(cè)方法，其特征在于，步驟1中，訓(xùn)練時(shí)采用加權(quán)eiou作為損失函數(shù)。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于內(nèi)容引導(dǎo)金字塔結(jié)構(gòu)改進(jìn)的工地安全帽檢測(cè)方法，包括以下步驟：步驟1、構(gòu)建檢測(cè)模型，檢測(cè)模型為引入內(nèi)容引導(dǎo)的特征融合模塊的YOLOv10網(wǎng)絡(luò)經(jīng)訓(xùn)練后得到的；步驟2、將待識(shí)別的建筑工地現(xiàn)場(chǎng)圖像輸入至步驟1得到的檢測(cè)模型中，由檢測(cè)模型檢測(cè)識(shí)別安全帽。本發(fā)明能夠更精確地定位和識(shí)別目標(biāo)并有效提升小目標(biāo)的檢測(cè)精度。

技術(shù)研發(fā)人員：褚彪,劉洋,劉雙飛
受保護(hù)的技術(shù)使用者：合肥水泥研究設(shè)計(jì)院有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26