本發(fā)明涉及安全帽佩戴識別，具體來說，涉及基于人工智能判斷安全帽是否佩戴的識別方法。

背景技術：

1、在施工環(huán)境中，安全帽對工作人員的頭部起到了至關重要的保護作用；為了確保工人在施工現(xiàn)場的安全，佩戴安全帽是一項基本要求；因此，對于安全帽的佩戴檢查是施工安全管理中的重中之重；然而，傳統(tǒng)的通過人工檢測方式觀看監(jiān)控視頻來檢查工作人員是否佩戴安全帽的方法存在諸多缺點和局限性，這些問題不僅影響了檢查的有效性和準確性，也在一定程度上對整個施工項目的進度和質量造成了不利的影響；由于傳統(tǒng)的人工檢測方法需要耗費大量的人力資源，這意味著企業(yè)必須分配專門的人員來進行這項工作，這不僅增加了人力成本，還可能占用其他更關鍵任務所需的人手，隨著施工規(guī)模的擴大和復雜性的增加，所需投入的人力也相應增長，不利于企業(yè)的資源管理。

2、此外，長時間進行監(jiān)控觀察容易導致監(jiān)控人員疲勞，從而降低注意力和判斷力，使得誤檢和漏檢的情況更加頻繁；更重要的是，人工審查視頻資料的過程通常不是即時的，往往存在一定的滯后性，從發(fā)現(xiàn)違規(guī)行為到采取糾正措施之間可能存在較長的時間間隔；這種延遲意味著如果出現(xiàn)未佩戴安全帽的情況，不能立即得到處理，從而難以實現(xiàn)實時監(jiān)測和快速響應，進而影響整體施工計劃；綜上所述，傳統(tǒng)的人工檢測方式雖然在一定程度上能夠起到監(jiān)督作用，但其效率低下、易疲勞、實時性差、響應慢等問題明顯制約了其在現(xiàn)代高效施工環(huán)境中的應用。

3、針對相關技術中的問題，目前尚未提出有效的解決方案。

技術實現(xiàn)思路

1、針對相關技術中的問題，本發(fā)明提出基于人工智能判斷安全帽是否佩戴的識別方法，以克服現(xiàn)有相關技術所存在的上述技術問題。

2、為此，本發(fā)明采用的具體技術方案如下：

3、基于人工智能判斷安全帽是否佩戴的識別方法，該方法包括以下步驟：

4、s1、獲取工人活動圖像，對工人活動圖像尺寸進行統(tǒng)一化調整，得到規(guī)范化圖像，并對規(guī)范化圖像進行預處理，得到待檢測圖像；

5、s2、根據(jù)待檢測圖像，利用深度學習目標檢測模型進行頭部位置識別，得到頭部檢測區(qū)域，并基于頭部檢測區(qū)域，獲取頭部圖像；

6、s3、基于頭部圖像，利用支持向量機模型進行安全帽佩戴識別，得到安全帽佩戴結果，并將未佩戴安全帽結果進行安全預警。

7、進一步的，獲取工人活動圖像，對工人活動圖像尺寸進行統(tǒng)一化調整，得到規(guī)范化圖像，并對規(guī)范化圖像進行預處理，得到待檢測圖像包括以下步驟：

8、s11、獲取工人活動圖像，并通過插值處理對工人活動圖像尺寸進行統(tǒng)一化調整，得到規(guī)范化圖像；

9、s12、利用高斯模糊和伽瑪校正，對規(guī)范化圖像進行去噪和校正處理，并通過對數(shù)變換調整處理后圖像的對比度，得到優(yōu)化圖像；

10、s13、通過圖像網絡均值和標準差，對優(yōu)化圖像進行全局歸一化處理，得到待檢測圖像。

11、進一步的，利用高斯模糊和伽瑪校正，對規(guī)范化圖像進行去噪和校正處理，并通過對數(shù)變換調整處理后圖像的對比度，得到優(yōu)化圖像包括以下步驟：

12、s121、通過設置高斯模糊的卷積核和標準差，將規(guī)范化圖像的每個像素點及其鄰域內的像素值進行加權平均，得到降噪圖像；

13、s122、對伽瑪校正的伽瑪進行賦值，并根據(jù)伽瑪值生成映射表，基于映射表將降噪圖像的每個像素值替換為對應的查找表值，得到校正圖像；

14、s123、將校正圖像輸入對數(shù)變換公式進行對比度調整，并對調整結果進行歸一化處理，得到優(yōu)化圖像。

15、進一步的，根據(jù)待檢測圖像，利用深度學習目標檢測模型進行頭部位置識別，得到頭部檢測區(qū)域，并基于頭部檢測區(qū)域，獲取頭部圖像包括以下步驟：

16、s21、利用待檢測圖像，對深度學習目標檢測模型進行訓練，得到初始頭部檢測模型；

17、s22、利用交并比和完全交并比損失函數(shù)，對初始頭部檢測模型進行優(yōu)化，得到頭部檢測模型；

18、s23、基于頭部檢測模型，對預先獲取的待檢測圖像進行頭部位置識別，得到頭部檢測區(qū)域，并基于頭部檢測區(qū)域，獲取頭部圖像。

19、進一步的，利用交并比和完全交并比損失函數(shù)，對初始頭部檢測模型進行優(yōu)化包括：對交并比和完全交并比損失函數(shù)進行加權乘積，得到總損失函數(shù)，并基于總損失函數(shù)對初始頭部檢測模型進行優(yōu)化。

20、進一步的，基于頭部檢測區(qū)域，獲取頭部圖像包括：根據(jù)頭部檢測區(qū)域，對待檢測圖像進行預設比例擴展裁剪，得到頭部圖像。

21、進一步的，基于頭部圖像，利用支持向量機模型進行安全帽佩戴識別，得到安全帽佩戴結果，并將未佩戴安全帽結果進行安全預警包括以下步驟：

22、s31、對頭部圖像的顏色和輪廓進行提取，得到顏色特征數(shù)據(jù)和輪廓特征數(shù)據(jù)；

23、s32、將顏色特征數(shù)據(jù)和輪廓特征數(shù)據(jù)進行組合，并利用組合后的綜合特征向量對支持向量機模型進行訓練，得到初始安全帽佩戴識別模型；

24、s33、利用鉸鏈損失函數(shù)，對初始安全帽佩戴識別模型進行優(yōu)化，得到安全帽佩戴識別模型；

25、s34、基于安全帽佩戴識別模型，對預先獲取的頭部圖像進行安全帽佩戴識別，得到安全帽佩戴結果，并將未佩戴安全帽結果進行安全預警。

26、進一步的，對頭部圖像的顏色和輪廓進行提取，得到顏色特征數(shù)據(jù)和輪廓特征數(shù)據(jù)包括以下步驟：

27、s311、通過設定不同顏色通道和分箱數(shù)，對頭部圖像中每個像素的顏色值進行統(tǒng)計，計算各個顏色通道上的分布頻率，得到顏色直方圖；

28、s312、根據(jù)顏色直方圖各個顏色通道的顏色值，計算每個顏色通道的平均值、方差和偏度，得到顏色特征數(shù)據(jù)；

29、s313、基于坎尼邊緣檢測算法，對頭部圖像中的強度變化區(qū)域進行檢測，得到頭部圖像的邊緣數(shù)據(jù)，并對邊緣數(shù)據(jù)提取輪廓特征，得到輪廓特征數(shù)據(jù)。

30、進一步的，基于坎尼邊緣檢測算法，對頭部圖像中的強度變化區(qū)域進行檢測，得到頭部圖像的邊緣數(shù)據(jù)，并對邊緣數(shù)據(jù)提取輪廓特征，得到輪廓特征數(shù)據(jù)包括以下步驟：

31、s3131、利用坎尼邊緣檢測算法中的索貝爾算子，計算頭部圖像每個像素點的梯度幅值和方向，得到圖像灰度變化的方向和強度；

32、s3132、根據(jù)圖像灰度變化的方向和強度，對頭部圖像的梯度幅值進行非極大值抑制，得到邊緣數(shù)據(jù)；

33、s3133、通過設定兩個閾值，對邊緣數(shù)據(jù)進行雙閾值檢測，并根據(jù)檢測結果進行邊緣跟蹤與鏈接，得到輪廓特征數(shù)據(jù)。

34、進一步的，將顏色特征數(shù)據(jù)和輪廓特征數(shù)據(jù)進行組合，并利用組合后的綜合特征向量對支持向量機模型進行訓練，得到初始安全帽佩戴識別模型包括以下步驟：

35、s321、利用標準化方法，將顏色特征數(shù)據(jù)和輪廓特征數(shù)據(jù)進行標準化處理，得到顏色特征標準化數(shù)據(jù)和輪廓特征標準化數(shù)據(jù)；

36、s322、對顏色特征標準化數(shù)據(jù)和輪廓特征標準化數(shù)據(jù)進行加權求和，得到綜合特征向量；

37、s323、根據(jù)綜合特征向量，對支持向量機模型進行訓練，得到初始安全帽佩戴識別模型。

38、本發(fā)明的有益效果為：

39、1、本發(fā)明通過深度學習目標檢測模型進行頭部位置識別，并使用支持向量機模型進行安全帽佩戴識別，能夠準確識別安全帽的佩戴情況，實現(xiàn)了高效、精準的安全管理；不僅能夠顯著提高了施工現(xiàn)場和工業(yè)環(huán)境中的安全性，還大幅提升了安全帽佩戴檢測效率，極大降低了人力成本；同時還提高了安全帽佩戴檢測的精準性，避免了人工檢測的誤檢和漏檢情況，大幅提升了安全管理的效率。

40、2、本發(fā)明通過高斯模糊、伽瑪校正及對數(shù)變換，確保圖像數(shù)據(jù)具有一致性和高質量，提高了后續(xù)檢測的準確性和穩(wěn)定性；同時對頭部圖像提取顏色特征數(shù)據(jù)和輪廓特征數(shù)據(jù)，確保對安全帽佩戴識別更加準確，其中，高斯模糊有效去除了圖像噪聲，伽瑪校正調整了圖像亮度分布，而對數(shù)變換增強了對比度，使得特征更加明顯；此外，通過對頭部圖像提取顏色特征數(shù)據(jù)和輪廓特征數(shù)據(jù)，進一步豐富了支持向量機模型的輸入信息，進一步增強了對安全帽佩戴狀態(tài)的識別精度，使得在各種復雜環(huán)境下都能保持識別的高效和可靠性，更加確保了對安全帽佩戴識別的精準可靠。