(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 202210392435.X (22)申请日 2022.04.18 (71)申请人 中航西安飞机 工业集团股份有限公 司 地址 710089 陕西省西安市西飞大道一 号 (72)发明人 张勇德　王玮　郭中华　吕小兵　 冀阳春　郝静怡　 (74)专利代理 机构 中国航空专利中心 1 1008 专利代理师 杜永保 (51)Int.Cl. G06V 20/52(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 20/40(2022.01) G06V 40/16(2022.01)G08B 21/24(2006.01) H04N 7/18(2006.01) (54)发明名称 一种生产环境下的安全帽与人员身份识别 系统 (57)摘要 本发明提供了一种生产环境下的安全帽与 人员身份识别系统。 它是由多个监控摄像机、 后 台分析服务器、 监控终端组成， 其特征在于， 监控 摄像机能全覆盖生产环境下的所有生产作业人 员， 监控摄像机将采集的画面通过有线网络传输 至后台分析服务器， 后台分析服务器配置有安全 帽智能识别算法与人脸识别算法， 后台分析服务 器对监控摄像机采集的画面进行分析处理后， 将 未佩戴安全帽的人员身份通过监控终端告警提 示。 与传统监控模式相比， 本申请引入作业人员 安全帽与人脸身份智能识别功能， 大大降低了管 理人员长期观看监控画面导致的大量人力耗费 和时间投入， 尤其适合多个监控场景下的作业人 员智能分析。 权利要求书2页 说明书4页 附图2页 CN 114926778 A 2022.08.19 CN 114926778 A 1.一种生产环境下的安全帽与人员身份识别系统， 包含多个监控摄像机、 后台分析服 务器、 监控终端， 其特征在于， 所述的监控摄像机能全覆盖生产环境下的所有生产作业人 员， 监控摄像机将采集的画面通过有线网络传输至后台分析服务器， 后台分析服务器配置 有安全帽智能识别算法与人脸识别算法， 后台分析服务器对监控摄像机采集的画面进 行分 析处理后， 将未佩戴安全帽的人员身份通过监控终端 告警提示， 具体步骤如下： S1： 在生产环境现场， 利用监控摄像机对生产环境现场的实况进行视频流采集并切成 图片， 获得生产环境现场的图像数据库； S2： 对生产环境现场的图像数据库的图片进行人工标注， 将每幅图片中人员的人体和 安全帽分别进行 标注， 形成图像训练数据库； S3： 搭建人体识别模型与安全帽识别模型， 利用图像训练数据库， 采用数据增强的方 式， 对人体识别模型与安全帽识别模型进行训练， 提升人体识别模型与安全帽识别模型 的 鲁棒性； S4： 采用神经网络结构化稀疏训练与剪枝技术对人体识别模型与安全帽识别模型进行 压缩； S5： 利用压缩后的人体识别模型对生产环境现场的实时图像进行分析， 识别包含有人 体的实时图像， 并将图像中的人体区域裁 剪形成人体区域图像。 S6： 利用压缩后的安全帽识别模型对人体区域图像进行分析， 识别人体是否佩戴安全 帽， 对未佩戴安全帽的人体区域图像裁 剪出人体头部区域图像； S7： 将未佩戴安全帽的人体头部区域图像输入人脸识别算法， 通过人脸识别算法识别 出未佩戴安全帽的人员身份信息 。 S8： 将未佩戴安全帽的人员身份信息通过监控终端 告警提示。 2.根据权利要求1所述的生产环境下的安全帽与 人员身份识别系统， 其特征在于： 所述 的安全帽智能识别算法中包含数据增强模块、 模型压缩模块和二次检测模块， 数据增强模 块用于提升识别模型鲁棒性； 模型压缩模块用于网络稀疏训练， 并对预训练模型进行结构 化剪枝， 提升检测 速度并降低模型硬件资源占用量； 使用二次检测模块完成上述S5和S6步 骤内容， 用于在人体识别的局部区域中， 通过区域尺度放大对安全帽目标进行识别， 实现更 高精度的安全帽小目标识别。 3.根据权利要求1所述的生产环境下的安全帽与 人员身份识别系统， 其特征在于： 所述 的人脸识别算法含有身份核验模块： 用于对未佩戴安全帽的人体头部区域图像进 行人脸身 份识别。 4.根据权利要求1所述的生产环境下的安全帽与 人员身份识别系统， 其特征在于： 步骤 S4中， 根据预定的压缩率， 对人体识别模型与安全帽识别模 型进行压缩时， 利用基于特征图 L1范数的结构化稀疏训练与剪枝技术， 在训练损失函数上添加各层特征图范数正则项， 能 够在网络训练中获取稀疏特征， 并增强保留特征 的显著性， 计算每层每个卷积核输出 的特 征图L1范数， 将特征图L1范数值较小的对应卷积核剔除， 施加结构特征稀疏惩罚项的多任 务训练优化目标表示 为： 式中， W为卷积神经网络CNN中的训练权重， (x,y)表示神经网络输入和 真实目标标签，权　利　要　求　书 1/2 页 2 CN 114926778 A 2为网络常规训练的损失值， 一般采用交叉熵损失函数， R代表施加在卷积层上 的结构特 征稀疏正则项， 即 范数， λ是平衡这两项的控制参数。 5.根据权利要求1或2或3或4所述的生产环境下的安全帽与人员身份识别系统， 其特征 在于： 步骤S2中， 首先将 每幅图片中人员的人体区域进 行标注， 再在人体区域的基础上对佩 戴安全帽的人体头 部及安全帽进行一类标注， 对未佩戴安全帽的人体头 部进行二类标注。 6.根据权利要求1或2或3或4所述的生产环境下的安全帽与人员身份识别系统， 其特征 在于： 步骤S 3中， 人体识别模 型与安全帽识别模 型采用基于目标识别算法YOLOv5架构， 利用 一类标注和二类标注的图片在训练人体识别模型与安全帽识别模型时， 采用的数据增强方 式包括马赛克增强、 HSV空间增强、 图像翻转。权　利　要　求　书 2/2 页 3 CN 114926778 A 3