基于目標(biāo)檢測算法的安全帽佩戴智能識(shí)別

孫利波，張明

1 引言

建設(shè)工程項(xiàng)目安全生產(chǎn)管理?xiàng)l例中明確規(guī)定，所有進(jìn)場作業(yè)人員必須按規(guī)定佩戴安全帽，但個(gè)別人員安全意識(shí)淡薄，對(duì)安全帽佩戴不夠重視，給項(xiàng)目施工帶來了非常大的安全隱患，因此，檢查現(xiàn)場作業(yè)人員是否按規(guī)定佩戴安全帽是安全管理工作的一項(xiàng)重要內(nèi)容。在項(xiàng)目施工現(xiàn)場一般是通過管理人員巡檢以及查看現(xiàn)場視頻來檢查作業(yè)人員是否按規(guī)定佩戴安全帽。這些檢查方法雖有一定的安全管理效果，但也存在工作效率較低、數(shù)據(jù)不準(zhǔn)確的問題。

隨著人工智能算法的發(fā)展，圖像分類[1]、目標(biāo)識(shí)別[2]、圖片分隔和檢測[3]等計(jì)算機(jī)技術(shù)被運(yùn)用到施工現(xiàn)場復(fù)雜場景的安全管理工作中，取得了良好的效果。

基于目標(biāo)檢測智能算法識(shí)別作業(yè)人員是否佩戴安全帽的方法，能夠自動(dòng)檢測現(xiàn)場視頻或圖片，實(shí)時(shí)輸出違規(guī)操作的數(shù)據(jù)報(bào)告，解決了人為巡檢時(shí)效性差、數(shù)據(jù)不精確的問題，同時(shí)節(jié)約了人力資源，減少了項(xiàng)目人力成本支出。

2 目標(biāo)檢測智能算法

2.1 算法原理

目標(biāo)檢測算法是計(jì)算機(jī)技術(shù)在視覺領(lǐng)域應(yīng)用的一個(gè)分支，該算法可對(duì)圖像內(nèi)的物體生成候選框，并對(duì)該候選框內(nèi)的物體進(jìn)行分類識(shí)別。

基于目標(biāo)檢測算法識(shí)別圖像時(shí)，首先將圖像送入到訓(xùn)練好的模型中，然后對(duì)輸入圖像進(jìn)行運(yùn)算處理，生成候選框，同時(shí)對(duì)候選框內(nèi)的物體進(jìn)行分類，最后用NMS算法去除冗余的候選框。識(shí)別流程如圖1所示。

圖1 目標(biāo)檢測流程

常用的目標(biāo)檢測算法模型有基于區(qū)域的R系列模型和基于回歸的模型。

R系列模型的特點(diǎn)是：用端到端的卷積網(wǎng)絡(luò)模型進(jìn)行識(shí)別檢測，保證一定的精度，但其實(shí)時(shí)性和檢測速度有待提高。回歸模型的特點(diǎn)是：將檢測任務(wù)轉(zhuǎn)換為回歸問題，提高了檢測速度，可滿足實(shí)時(shí)性的需求。本文采用回歸模型下的YOLOV3算法來進(jìn)行目標(biāo)檢測。

2.2 YOLOV3算法

YOLO算法是一種端到端的目標(biāo)檢測模型[4]，2016年由Remdon等人提出。在YOLO算法的實(shí)際應(yīng)用過程中，基于YOLO算法的改進(jìn)算法YOLO 9000和YOLOV3[5]開始被廣泛使用。YOLOV3算法在識(shí)別的準(zhǔn)確率和檢測速度上較之前的算法有很大提升，其采用的Darknrt-53基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)較之前的算法也大不相同，如圖2所示。

當(dāng)進(jìn)行邊框預(yù)測時(shí)，YOLOV3候選框的初始尺寸采用k-means聚類的方式來實(shí)現(xiàn)，可以預(yù)測出候選框中心點(diǎn)相對(duì)于網(wǎng)格單元左上角的相對(duì)坐標(biāo)（tx，ty，tw，th，t0），并通過坐標(biāo)偏移公式計(jì)算得到候選框的位置、大小和置信度，見公式（1）～（5）。

式中：

tx、ty——目標(biāo)中心點(diǎn)的坐標(biāo)

σ——激活函數(shù)，用于將中心點(diǎn)坐標(biāo)歸一化

cx、cy——物體中心點(diǎn)所在網(wǎng)格的左上角坐標(biāo)

bx、by——預(yù)測候選框的坐標(biāo)

pw、ph——標(biāo)注候選框的寬和高

tw、th——候選框?qū)捄透叩钠屏?/p>

bw、bh——預(yù)測候選框的寬度和高度

相比于原始YOLO算法，YOLOV3從多個(gè)尺度檢測目標(biāo)，解決了原始YOLO算法對(duì)小物體檢測效果不佳的問題。同時(shí)，YOLOV3算法在目標(biāo)分類上使用邏輯分類器代替softmax函數(shù)，可同時(shí)為一個(gè)目標(biāo)預(yù)測多個(gè)類別，提高了預(yù)測精度。

3 智能算法在安全帽佩戴管理中的應(yīng)用

我們采用前后端分離的方式檢測工人是否佩戴安全帽。前端通過搭建智能算法平臺(tái)展示違規(guī)數(shù)據(jù)。后端通過將目標(biāo)檢測算法訓(xùn)練模型嵌入到攝像頭，利用攝像頭檢測工人是否佩戴安全帽。

圖2 YOLOV3基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)

某公司項(xiàng)目現(xiàn)場安裝有攝像頭，能夠?qū)崟r(shí)回傳視頻文件，同時(shí)在總部布署了攝像頭后臺(tái)管理系統(tǒng)，能實(shí)時(shí)獲取項(xiàng)目現(xiàn)場視頻和圖片。總部機(jī)房配置了專門的深度學(xué)習(xí)服務(wù)器，用于訓(xùn)練模型和算法分析，同時(shí)，建有安全管理平臺(tái)，用于展示算法輸出結(jié)果。安全管理人員和項(xiàng)目現(xiàn)場管理人員可通過查看安全管理平臺(tái)實(shí)時(shí)狀況，掌握現(xiàn)場安全帽佩戴情況。現(xiàn)場安全帽佩戴情況檢測流程如圖3所示。

YOLOV3檢測安全帽模塊圖如圖4所示。在前端展示中，主要使用Web開發(fā)框架搭建智能算法平臺(tái)，通過開發(fā)語言、數(shù)據(jù)庫、瀏覽器腳本等，將檢測到的違規(guī)數(shù)據(jù)通過圖表、報(bào)告等在平臺(tái)展示。在后端算法中，首先將訓(xùn)練集圖片進(jìn)行標(biāo)注，并用python語言編寫腳本代碼，劃分?jǐn)?shù)據(jù)集；然后用調(diào)試好的YOLOV3算法訓(xùn)練模型，對(duì)模型性能進(jìn)行評(píng)估微調(diào)；最后上線投入使用。

目標(biāo)檢測算法實(shí)施步驟如下：

（1）準(zhǔn)備數(shù)據(jù)集

為提升目標(biāo)算法的準(zhǔn)確度，收集項(xiàng)目現(xiàn)場1 000張圖片并進(jìn)行標(biāo)注，將標(biāo)注的文件保存在服務(wù)器文件夾中。

圖3 現(xiàn)場安全帽佩戴情況檢測流程

（2）建立算法模型

基于標(biāo)注的文件，設(shè)置算法相關(guān)權(quán)重系數(shù)和目標(biāo)檢測圖片的輸出。通過調(diào)整相關(guān)參數(shù)，提高算法計(jì)算結(jié)果的準(zhǔn)確度，其中需調(diào)整的參數(shù)包括：根據(jù)不同場景下的不同類別修改模型類別個(gè)數(shù)，并在測試時(shí)設(shè)置閾值，將得分較低的候選框過濾掉，避免誤報(bào)。

圖4 YOLOV3檢測安全帽模塊圖

圖5 YOLOV3檢測效果

圖6 前端統(tǒng)計(jì)分析

（3）輸出圖片和數(shù)據(jù)

基于已經(jīng)訓(xùn)練好的算法，對(duì)接收到的視頻或圖片進(jìn)行計(jì)算，并將數(shù)據(jù)存入關(guān)系型數(shù)據(jù)庫中，圖片存儲(chǔ)在之前設(shè)置的文件夾或OSS文件服務(wù)器上。

（4）展示前端數(shù)據(jù)

用Web平臺(tái)展示違規(guī)數(shù)據(jù)、圖片、視頻等，并集成到安全管理平臺(tái)上，安全管理人員可通過平臺(tái)預(yù)警信息及時(shí)處理相關(guān)事務(wù)。YOLOV3檢測效果如圖5所示，前端統(tǒng)計(jì)分析如圖6所示。

4 結(jié)語

針對(duì)工程項(xiàng)目現(xiàn)場智能識(shí)別作業(yè)人員是否佩戴安全帽的問題，本文提出了采取回歸網(wǎng)絡(luò)模型YOLOV3算法進(jìn)行目標(biāo)檢測的方法，并將后端YOLOV3算法與前端展示相統(tǒng)一，應(yīng)用于工程項(xiàng)目安全管理領(lǐng)域中，為發(fā)現(xiàn)和消除現(xiàn)場安全隱患提供了便利，對(duì)未來智能算法在安全領(lǐng)域中的應(yīng)用具有一定的理論和實(shí)踐意義。