基于目標檢測算法的安全帽佩戴智能識別

孫利波，張明

1 引言

建設工程項目安全生產管理條例中明確規定，所有進場作業人員必須按規定佩戴安全帽，但個別人員安全意識淡薄，對安全帽佩戴不夠重視，給項目施工帶來了非常大的安全隱患，因此，檢查現場作業人員是否按規定佩戴安全帽是安全管理工作的一項重要內容。在項目施工現場一般是通過管理人員巡檢以及查看現場視頻來檢查作業人員是否按規定佩戴安全帽。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、數據不準確的問題。

隨著人工智能算法的發展，圖像分類[1]、目標識別[2]、圖片分隔和檢測[3]等計算機技術被運用到施工現場復雜場景的安全管理工作中，取得了良好的效果。

基于目標檢測智能算法識別作業人員是否佩戴安全帽的方法，能夠自動檢測現場視頻或圖片，實時輸出違規操作的數據報告，解決了人為巡檢時效性差、數據不精確的問題，同時節約了人力資源，減少了項目人力成本支出。

2 目標檢測智能算法

2.1 算法原理

目標檢測算法是計算機技術在視覺領域應用的一個分支，該算法可對圖像內的物體生成候選框，并對該候選框內的物體進行分類識別。

基于目標檢測算法識別圖像時，首先將圖像送入到訓練好的模型中，然后對輸入圖像進行運算處理，生成候選框，同時對候選框內的物體進行分類，最后用NMS算法去除冗余的候選框。識別流程如圖1所示。

圖1 目標檢測流程

常用的目標檢測算法模型有基于區域的R系列模型和基于回歸的模型。

R系列模型的特點是：用端到端的卷積網絡模型進行識別檢測，保證一定的精度，但其實時性和檢測速度有待提高。回歸模型的特點是：將檢測任務轉換為回歸問題，提高了檢測速度，可滿足實時性的需求。本文采用回歸模型下的YOLOV3算法來進行目標檢測。

2.2 YOLOV3算法

YOLO算法是一種端到端的目標檢測模型[4]，2016年由Remdon等人提出。在YOLO算法的實際應用過程中，基于YOLO算法的改進算法YOLO 9000和YOLOV3[5]開始被廣泛使用。YOLOV3算法在識別的準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基礎網絡結構較之前的算法也大不相同，如圖2所示。

當進行邊框預測時，YOLOV3候選框的初始尺寸采用k-means聚類的方式來實現，可以預測出候選框中心點相對于網格單元左上角的相對坐標（tx，ty，tw，th，t0），并通過坐標偏移公式計算得到候選框的位置、大小和置信度，見公式（1）～（5）。

式中：

tx、ty——目標中心點的坐標

σ——激活函數，用于將中心點坐標歸一化

cx、cy——物體中心點所在網格的左上角坐標

bx、by——預測候選框的坐標

pw、ph——標注候選框的寬和高

tw、th——候選框寬和高的偏移量

bw、bh——預測候選框的寬度和高度

相比于原始YOLO算法，YOLOV3從多個尺度檢測目標，解決了原始YOLO算法對小物體檢測效果不佳的問題。同時，YOLOV3算法在目標分類上使用邏輯分類器代替softmax函數，可同時為一個目標預測多個類別，提高了預測精度。

3 智能算法在安全帽佩戴管理中的應用

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展示違規數據。后端通過將目標檢測算法訓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基礎網絡結構

某公司項目現場安裝有攝像頭，能夠實時回傳視頻文件，同時在總部布署了攝像頭后臺管理系統，能實時獲取項目現場視頻和圖片。總部機房配置了專門的深度學習服務器，用于訓練模型和算法分析，同時，建有安全管理平臺，用于展示算法輸出結果。安全管理人員和項目現場管理人員可通過查看安全管理平臺實時狀況，掌握現場安全帽佩戴情況。現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開發框架搭建智能算法平臺，通過開發語言、數據庫、瀏覽器腳本等，將檢測到的違規數據通過圖表、報告等在平臺展示。在后端算法中，首先將訓練集圖片進行標注，并用python語言編寫腳本代碼，劃分數據集；然后用調試好的YOLOV3算法訓練模型，對模型性能進行評估微調；最后上線投入使用。

目標檢測算法實施步驟如下：

（1）準備數據集

為提升目標算法的準確度，收集項目現場1 000張圖片并進行標注，將標注的文件保存在服務器文件夾中。

圖3 現場安全帽佩戴情況檢測流程

（2）建立算法模型

基于標注的文件，設置算法相關權重系數和目標檢測圖片的輸出。通過調整相關參數，提高算法計算結果的準確度，其中需調整的參數包括：根據不同場景下的不同類別修改模型類別個數，并在測試時設置閾值，將得分較低的候選框過濾掉，避免誤報。

圖4 YOLOV3檢測安全帽模塊圖

圖5 YOLOV3檢測效果

圖6 前端統計分析

（3）輸出圖片和數據

基于已經訓練好的算法，對接收到的視頻或圖片進行計算，并將數據存入關系型數據庫中，圖片存儲在之前設置的文件夾或OSS文件服務器上。

（4）展示前端數據

用Web平臺展示違規數據、圖片、視頻等，并集成到安全管理平臺上，安全管理人員可通過平臺預警信息及時處理相關事務。YOLOV3檢測效果如圖5所示，前端統計分析如圖6所示。

4 結語

針對工程項目現場智能識別作業人員是否佩戴安全帽的問題，本文提出了采取回歸網絡模型YOLOV3算法進行目標檢測的方法，并將后端YOLOV3算法與前端展示相統一，應用于工程項目安全管理領域中，為發現和消除現場安全隱患提供了便利，對未來智能算法在安全領域中的應用具有一定的理論和實踐意義。