申请/专利权人：中建三局第二建设工程有限责任公司

申请日：2020-05-25

公开（公告）日：2024-05-14

公开（公告）号：CN111598040B

主分类号：G06V40/16

分类号：G06V40/16;G07C9/37;G06V10/774;G06F16/55;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.05.14#授权;2020.09.22#实质审查的生效;2020.08.28#公开

摘要：本发明是一种建筑工人身份识别及安全帽佩戴检测方法及系统，包括以下步骤：收集建筑工人身份信息及实名制入口监控的工人图像；将公共数据集SHWD中的图像添加标签，做归一化处理；基于YOLOV3和Lightcnn‑29神经网络算法，搭建系统架构；在公共数据集SHWD上训练YOLOv3，把标记的图像输入，检测安全帽和人脸部分；训练LightCNN‑29；测试各种施工环境下的识别的精度与召回率，并修正；利用修正后的神经网络模型，对进入施工现场的人员进行身份验证，对进入施工场地的人员进行安全帽检测。本发明借助深度学习算法，对进入施工现场的人员进行身份验证，对进入施工场地的人员进行安全帽检测，防止非本项目人员和未佩戴安全帽进入施工现场，有效提高了施工现场的安全管理能力。

主权项：1.一种建筑工人身份识别及安全帽佩戴检测方法，其特征在于：包括以下步骤：下载公共数据集SHWD，并收集建筑工人身份信息及实名制入口监控的工人图像；将公共数据集SHWD中的图像添加标签，并把收集到的图像以工人身份信息命名保存，并做归一化处理；基于YOLOv3和LightCNN-29神经网络算法，搭建系统架构；在公共数据集SHWD上训练YOLOv3,并把带标记的SHWD数据集图像输入到YOLOv3；将经过YOLOv3检测为人脸区域的图像作为人脸识别训练集，训练LightCNN-29；分别检测YOLOv3和LightCNN-29神经网络系统性能，测试各种施工环境下的识别的精度与召回率，并修正；利用修正后的神经网络模型，对进入施工现场的人员进行身份验证，并对进入施工场地的人员进行安全帽检测；其中，基于YOLOv3和LightCNN-29神经网络算法，搭建系统架构，包括：首先搭建系统Python环境，定义图像描述函数，然后导入训练完成的YOLOv3和LightCNN-29算法，并引入Haarcascade级联分类器，最后定义Utils模块，Utils模块读取YOLOv3和LightCNN-29识别的结果，并联合输出；所述引入Haarcascade级联分类器，包括：Haarcascade级联分类器通过可扩大的窗口，定位人脸的位置，并从预测窗口中取最高分值定位人脸；在公共数据集SHWD上训练YOLOv3，并把带标记的SHWD数据集图像输入到YOLOv3，包括：创建VOC格式训练集，包括：首先创建Annotations文件夹，用来储存.xml格式的图像标记，然后创建ImageSets文件夹，文件夹中储存test.txt、train.txt、trainval.txt、val.txt，用来确定SHWD数据集中训练图像和验证图像，最后创建JPEGImages文件夹，用来储存SHWD数据集中的所有图像；将经过YOLOv3检测为人脸区域的图像作为人脸识别训练集，训练LightCNN-29，包括：采用开源深度学习框架Caffe实现LightCNN模型，Dropout方法用于完全连接的层，比例设置为0.7；对于卷积层和除fc2层之外的全连接层，动量设置为0.9，权值衰减设置为5×104倍；为了避免过拟合，增加了fc2层的权值，使其衰减到5×103倍；初始学习速率设置为1×103倍，然后逐渐衰减到5×105倍。

全文数据：

权利要求：

百度查询： 中建三局第二建设工程有限责任公司 一种建筑工人身份识别及安全帽佩戴检测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD