基于改进SRGAN和GoogLeNet模型的安全帽佩戴安全性智能检测

在变电站作业中,正确佩戴安全帽可以保障工作人员的人身安全,利用摄像头采集数据可以检测工作人员是否正确佩戴安全帽,但是拍摄的图像存在分辨率低、含噪成分严重和图像模糊等问题,严重影响安全帽佩戴安全性智能检测的效果。针对该问题,提出一种结合改进的超分辨率生成式对抗网络(SRGAN)和GoogLeNet模型的安全帽佩戴安全性检测。首先,引入注意力机制、残差密集块网络、渐进式上采样和Wasserstein距离,使得SRGAN网络能够更好地获得图像的高频特征,生成高分辨率图像;其次,利用生成的高清图像训练已预训练的GoogLeNet模型,对GoogLeNet网络参数进行微调,重新训练后的GoogLeNet模型可以自主挖掘图像的特征;最后,在Faster RCNN框架下实现图像中安全帽佩戴安全性智能检测。实验结果表明,利用改进的SRGAN模型得到的高分辨率图像在主观视觉和客观评价指标上均优于现有方法,安全帽佩戴安全性智能检测的准确率可以达到98.10%,召回率可以达到98.30%。所提出的方法具有较好的智能检测效果,并且具有一定的泛化能力与鲁棒性。