(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 202211206576.4 (22)申请日 2022.09.30 (71)申请人 南通通州意达 港口机械有限公司 地址 226300 江苏省南 通市通州区石港镇 工业园区西区6号 (72)发明人 张玉灿　 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于神经网络的安全帽智能调节方法 (57)摘要 本发明涉及一种基于神经网络的安全帽智 能调节方法， 属于数据处理技术领域。 该方法主 要是对场景图像进行数据处理， 场景图像是采用 相机获取的； 然后利用各扩张率视野对应的滑动 窗口对样 本场景图像进行遍历， 得到各像素点对 应的各高维特征向量； 根据各扩张率视野对应的 权重和高维特征向量， 得到各像素点对应的各目 标特征向量； 根据高维特征向量和目标特征向 量， 得到转换矩阵； 根据待识别场景图像中各像 素点对应的各高维特征向量和转换矩阵， 得到待 识别场景图像对应的目标特征图； 根据目标特征 图判断是否对安全帽进行调节。 本发 明的方法可 以减少网络判断是否对安全帽松紧度进行调节 时的计算量和时间， 可以提高安全帽调节的实时 性。 权利要求书3页 说明书9页 附图3页 CN 115272985 A 2022.11.01 CN 115272985 A 1.一种基于神经网络的安全帽智能调节方法， 其特 征在于， 该 方法包括如下步骤： 获取样本场景图像； 获取第一网络中的各扩张率视野以及各扩张率视野对应的权重； 所述扩张率视野是指扩张卷积中的不同扩张率对应的感受野， 扩张率是指卷积核内参数间 的行列间隔数； 根据所述各扩张率视野， 得到各扩张率视野对应的滑动 窗口尺寸； 利用各扩张率视野 对应的滑动窗口对所述样本场景图像进行遍历， 得到样本场景图像中各像素点对应的各高 维特征向量； 根据所述各扩 张率视野对应的权重和所述高维特征向量， 得到样本场景图像中各像素 点对应的各目标 特征向量； 根据所述高维特 征向量和所述目标 特征向量， 得到转换矩阵； 获取待识别场景图像； 根据待识别场景图像中各像素点对应的各高维特征向量和所述 转换矩阵， 得到待识别场景图像对应的目标特征图； 将所述目标特征图输入到第二网络中， 判断是否对安全帽进行调节。 2.如权利要求1所述的一种基于神经网络的安全帽智能调节方法， 其特征在于， 获取第 一网络中的各扩张率视野和各扩张率视野 对应的滑动窗口尺寸的过程 为： 当卷积核为N0*N0， 扩张率为N1时， 对应扩张率视野为 （N0+N1） * （N0+N1） ； 以扩张率视野 （N0+N1） * （N0+N1） 作为对应的滑动窗口尺寸； 所述 N0和N1均为 正整数。 3.如权利要求1所述的一种基于神经网络的安全帽智能调节方法， 其特征在于， 所述第 一网络为训练完成的分类网络， 所述各扩张率视野对应的权重为不同的扩张率进 行卷积操 作时对应的权重， 所述第一网络对应的扩张率视野的种类为滑动窗口的种类， 一个扩张率 视野对应一个滑动窗口尺寸。 4.如权利要求1所述的一种基于神经网络的安全帽智能调节方法， 其特征在于， 所述利 用各扩张率视野对应的滑动窗口对所述样本场景图像进行遍历， 得到样本场景图像中各像 素点对应的各高维特 征向量的方法， 包括： 对于任一扩张率视野 对应的滑动窗口尺寸： 获得所述样本场景图像对应的R通道图像、 G通道图像以及B通道图像； 所述样本场景图 像为RGB图像； 将该扩张率视野对应的滑动窗口记为第 一窗口， 利用该扩 张率视野对应的第 一窗口对 样本场景图像对应的各通道图像进行遍历， 得到各通道图像对应的各第一窗口区域； 所述 滑动窗口滑动的步长为 一个像素点； 对于任一 通道图像对应的各第一窗口区域： 获取各角度方向上该通道图像对应的各第 一窗口区域对应的各像素值点对； 计算得到 各角度方向上该通道图像对应的各第一窗口区域对应的各像素值点对对应的差异值； 所述 差异值为像素值 点对对应的两个 像素点像素值之间差值的绝对值； 统计得到各角度方向上该通道图像对应的各像素值点对对应的各差异值类型和各差 异值类型对应的差异 值， 构建得到各角度方向上该通道图像对应的各差异 值类型序列和各 差异值类型序列对应的差异值序列； 对于任一角度方向上 该通道图像对应的差异值序列： 统计该角度方向上该通道图像对应的各第一窗口区域中该差异值序列中各差异值出 现的频次； 根据所述各第 一窗口区域中该差异值序列中各差异值出现的频次， 构建得到该角度方 向上该通道图像对应的各第一窗口区域对应的频次向量， 记为第一频次向量；权　利　要　求　书 1/3 页 2 CN 115272985 A 2将所述各第 一窗口区域对应的第 一频次向量赋予对应第 一窗口区域的中心像素点， 得 到该角度方向上 该通道图像中各像素点对应的第一频次向量； 获得该角度方向上样本场景图像中各像素点对应的各第 一频次向量； 所述样本场景图 像中任一像素点对应的各第一频次向量包括该角度方向上各通道图像中该像素点对应的 第一频次向量； 将所述各像素点对应的各第 一频次向量进行拼接， 得到该角度方向上样本场景图像中 各像素点对应的第一目标 频次向量； 根据所述各像素点对应的第 一目标频次向量， 得到样本场景图像中各像素点对应的各 第一目标频次向量； 所述样本场景图像中任一像素点对应的各第一目标频次向量包括各角 度方向上样本场景图像中该像素点对应的第一目标 频次向量； 将所述样本场景图像中各像素点对应的各第 一目标频次向量进行拼接， 得到样本场景 图像中各像素点对应的高维特 征向量； 所述高维特 征向量是任一扩张率视野 对应的。 5.如权利要求4所述的一种基于神经网络的安全帽智能调节方法， 其特征在于， 所述角 度方向包括0度方向、 45度方向、 90度方向以及13 5度方向。 6.如权利要求1所述的一种基于神经网络的安全帽智能调节方法， 其特征在于， 所述根 据所述各扩张率视野对应的权重和所述高维特征向量， 得到样本场景图像中各像素点对应 的各目标特征向量； 根据所述高维特征向量和所述目标特征向量， 得到转换矩阵的方法， 包 括： 按照从大到小的顺序对各扩张率视野对应的权重进行排序， 构建得到基准权重序列； 将基准权 重序列中的各权 重值记为基准权 重值； 利用多阈值分割算法对基准权重序列进行分类， 得到各目标类别和各目标类别对应的 各基准权 重值； 对样本场景图像中各像素点对应的各高维特征向量进行降维， 得到降维之后的样本场 景图像中各像素点对应的各 特征向量， 并记为低维特 征向量； 获得样本场景图像中各像素点对应的各低维特征向量和各低维特征向量对应的权重 值， 记为第一权 重值； 对于样本场景图像中的任一像素点： 将该像素点对应的各高维特征向量记为第 一高维特征向量， 将第 一高维特征向量对应 的低维特 征向量记为第一低维特 征向量； 获取各目标类别中各基准权重值对应的第 一高维特征向量； 获取各目标类别中各基准 权重值对应的第一高维特征向量对应的第一低 维特征向量和对应第一低 维特征向量的第 一权重值； 根据该像素点对应的各第 一低维特征向量的第 一权重值， 构建得到该像素点对应的第 一权重值序列； 根据所述各目标类别中各基准权重值对应的第一高维特征向量对应的第一低维特征 向量的第一权 重值， 构建得到各目标类别对应的第一子 权重值序列； 根据所述各目标类别中的各基准权重值， 构建得到各目标类别对应的子基准权重序 列； 根据所述各目标类别对应的子基准权重序列和各目标类别对应的第 一子权重值序列， 得到该像素点对应的降维评价 值；权　利　要　求　书 2/3 页 3 CN 115272985 A 3