一种基于改进YOLOv8模型的高空作业安全带检测方法
本发明属于深度学习目标检测领域，涉及一种基于改进yolov8模型的高空作业安全带检测方法。
背景技术：
1、随着电力行业的快速发展，电力生产安全问题日益受到重视。在我国，电力生产事故频发，对城市生产安全构成严重威胁。电力生产作业中，高空作业是一种高风险活动，作业人员在高空中工作时，若未采取适当的安全措施，如正确佩戴安全带，极易发生安全事故，导致人员伤亡和财产损失。因此，确保电力工作人员在高空作业时正确佩戴安全带，对于提升现场安全作业水平至关重要。
2、传统的安全带检测方法主要依赖人工筛查，这不仅效率低下，而且检测精度不高，无法满足现代化电力生产的需求。随着深度学习技术的发展，基于计算机视觉的自动检测方法逐渐成为研究的热点。这些方法能够自动检测图像中的安全带并判断其佩戴情况，极大提高了检测效率和准确性。
3、然而，现有的基于深度学习的目标检测方法主要针对一般物体检测，对于高空作业安全带这类小目标检测仍面临挑战。高空作业安全带在图像中的占比小，特征不明显，加之作业环境复杂多变，如不同光照条件、多样的背景干扰等，都给准确检测安全带带来了困难。此外，电力作业的特殊性要求检测模型不仅要有高准确率，还要有快速的检测速度，以适应实时监控的需求。
4、以yolo为代表的目标检测模型在检测精度和速度上效果较好，其在生产领域目标检测的成功应用为高空安全带目标检测提供了借鉴，同时可以修改网络结构进一步减小模型参数量，提高目标检测速度，部署到算力有限的边缘设备上。
技术实现思路
1、1.发明目的：
2、本发明的目的在于，提出一种基于改进yolov8模型的高空作业安全带检测方法，以各地电厂高空作业安全带为研究对象，对生产现场中高空作业安全带目标检测模型进行轻量化改进，减小计算量、节约设备资源机满足高空作业过程中的安全带佩戴检测要求。
3、2.技术方案：
4、有鉴于此，为解决上述问题，本发明提供一种基于改进yolov8模型的高空作业安全带检测方法，技术方案如下：
5、步骤1：构建电厂生产现场高空作业安全带数据集，并按照8:2的比例划分为训练集和验证集；
6、步骤2：将yolov8n的骨干网络替换为fasternet的骨干网络，引入fasternet模块以及部分卷积(pconv)，并将pwconv附加在pconv之后；
7、步骤3：改进特征提取模块，将yolov8头部的concat模块全部替换成语义与细节融合(sdi)模块；
8、步骤4：构建轻量化检测头，在yolov8的head部分采用pconv卷积替换一部分传统的3×3卷积；
9、步骤5：利用构建的电厂高空作业安全带数据集对改进的yolov8模型进行训练、验证、评价。
10、2、根据一种基于改进yolov8模型的高空作业安全带检测方法，其特征在于，步骤2中fasternet模块的构建方法是：每个fasternet模块由一个pconv层和两个pwconv层组成；此外，在每个fasternet模块的两个pwconv层中加入归一化层(bn)和relu激活函数；最后，使用一个全局平均池化、一个1×1的卷积核和一个全连接层完成特征转换和分类。
11、3、根据一种基于改进yolov8模型的高空作业安全带检测方法，其特征在于，步骤3中语义与细节融合(sdi)模块的构建方法是：首先，对分层的初始特征分别使用通道注意力和空间注意力机制，重新分配特征的权重；其次，将所有层次的特征转换成相同的维度，利用1×1卷积将通道数降维为c，再通过自适应平均值池化下采样和双线性插值上采样，将所有特征映射到相同的维度；然后，对每层特征再用一个3×3的卷积以平滑特征图，减小上下采样带来的影响；最后，对每层解码器网络对应的所有特征求hadamard积来聚合各自的语义信息和细节信息。
12、4、根据一种基于改进yolov8模型的高空作业安全带检测方法，其特征在于，步骤4中所述pconv卷积的内存访问量和浮点运算量为：
13、pconv内存访问量params和浮点运算量flops的计算公式如下：
14、params＝h×w×2cp+k2×cp2≈h×w×2cp (5)
15、flops＝h×w×k2×cp2 (6)
16、式中h、w——特征图的宽和高
17、k——卷积核的大小
18、cp——pconv作用的通道数
19、其中pconv的内存访问量仅为常规卷积的1/4，其余的c-cp个通道不参与计算，无需进行内存访问，所以pconv的flops仅为常规卷积的1/16，能够有效降低模型的参数量和浮点运算量。
20、3.创新点：
21、与yolov8原模型相比，本发明采用fasternet取代传统的yolov8网络作为骨干网络，引入了语义与细节融合(sdi)模块，并且本发明在模型的head部分采用了pconv卷积替换一部分传统的3×3卷积。
22、总体而言，本发明引入了如下方法和思想：
23、(1)针对传统yolov8模型网络存在的计算速度低的问题，引入fasternet替换传统yolov8模型的骨干网络，在不影响精度的情况下减少延迟并提高计算速度。
24、(2)针对现有安全带检测方法在定位“高处作业人员”时存在模糊性，以及传统监督方法效率低下的问题，改进特征提取模块，引入sdi模块改进编码器解码器网络的跳连接，集成高级特征的语义信息和低级特征的细节信息，显著增强了模型对小目标的检测能力，并提升了高空作业安全带的检测精度。
25、(3)针对目前电厂生产环境下，高空作业过程中安全带的佩戴检测需要满足低延迟和高吞吐量的问题，构建轻量化检测头，在目标检测模型的head部分引入pconv卷积替换一部分传统的3×3卷积，进一步减少了计算量并显著提高了检测速度，使模型更适合实时监控应用。
26、4.有益效果：
27、本发明提供一种基于改进yolov8模型的高空作业安全带检测方法，通过引入fasternet骨干网络和部分卷积(pconv)技术，显著提升了电厂高空作业安全带检测的速度和准确性，通过改进特征提取模块，将concat模块全部替换成语义与细节融合(sdi)模块，有效增强了对小目标的检测能力，通过引入轻量化检测头，在目标检测模型的head部分引入pconv卷积替换一部分传统的3×3卷积，设计减少了对计算资源的需求，使其能够在资源受限的边缘设备上高效运行。这些改进不仅提高了电力维修和检修的效率，还为确保电力工作人员的人身安全提供了有力的技术保障，获得了显著的社会效益和经济效益。
技术特征：
1.一种基于改进yolov8模型的高空作业安全带检测方法，其特征在于，包括以下步骤：
2.根据一种基于改进yolov8模型的高空作业安全带检测方法，其特征在于，步骤2中fasternet模块的构建方法是：每个fasternet模块由一个pconv层和两个pwconv层组成；此外，在每个fasternet模块的两个pwconv层中加入归一化层(bn)和relu激活函数；最后，使用一个全局平均池化、一个1×1的卷积核和一个全连接层完成特征转换和分类。
3.根据一种基于改进yolov8模型的高空作业安全带检测方法，其特征在于，步骤3中语义与细节融合(sdi)模块的构建方法是：首先，对分层的初始特征分别使用通道注意力和空间注意力机制，重新分配特征的权重；其次，将所有层次的特征转换成相同的维度，利用1×1卷积将通道数降维为c，再通过自适应平均值池化下采样和双线性插值上采样，将所有特征映射到相同的维度；然后，对每层特征再用一个3×3的卷积以平滑特征图，减小上下采样带来的影响；最后，对每层解码器网络对应的所有特征求hadamard积来聚合各自的语义信息和细节信息。
4.根据一种基于改进yolov8模型的高空作业安全带检测方法，其特征在于，步骤4中所述pconv卷积的内存访问量和浮点运算量为：
技术总结
本发明提供一种基于YOLOv8改进模型的高空作业安全带检测方法，旨在提升电厂生产现场高空作业安全带的检测效率和准确性。该方法通过采用FasterNet作为骨干网络，引入语义与细节融合(SDI)模块，构建轻量化检测头，在Head部分采用PConv卷积替换一部分传统的3×3卷积，实现了在减少计算量的同时显著提高检测速度。本发明的方法能够在确保高检测准确率的同时，快速检测高空作业安全带，为电厂高空作业安全监控提供了有效的技术支持和解决方案。
技术研发人员：琚贇,刘威,邵晓琪,卢妍洁,张雨柔,赵勇彪,张之刚
受保护的技术使用者：华北电力大学
技术研发日：
技术公布日：2024/12/5