基于YOLOv5s的智慧工地安全管理系統的實現

文章編號：1673-5862（2023）05-0475-06

摘"""要：建筑行業是一種高危行業。在建筑安全中，安全帽的佩戴可以在一定程度上保障施工人員的安全。針對施工人員的安全帽佩戴問題，設計并實現了一款基于YOLOv5s算法模型的智慧工地安全管理系統。將訓練好的算法模型通過RT-Thread操作系統部署于嵌入式硬件平臺，在施工現場智能識別未佩戴安全帽的人員并提出報警。在進行推理測試后得出結果，基于YOLOv5s的算法模型可以有效地區別出施工人員有無正確佩戴安全帽，測試精度達到92.3%。當IoU為50時，mAP值達到93.1%。實驗結果表明，基于YOLOv5s的算法模型在人群密集和小頭檢測等問題上準確率高，實時性強，均已達到實際使用需求，同時有助于降低施工風險，減少不必要的人力監督，實現工地人員智能安全管理。

關"鍵"詞：安全帽檢測; YOLOv5s; RT-Thread; 物聯網; 邊緣計算

中圖分類號：TP391""""文獻標志碼：A

doi：10.3969/j.issn.1673-5862.2023.05.017

Implementation of a smart construction site safety management system based on YOLOv5s

ZHANG Yong， LI Lingtong， CUI Lili

（Software College， Shenyang Normal University， Shenyang， 110034， China）

Abstract：The construction industry is a high-risk industry， and the wearing of safety helmets by construction workers can ensure their safety to some extent. In response to the issue of safety helmet wearing by construction workers， a smart construction site safety management system based on the YOLOv5s algorithm model was designed and implemented. The trained algorithm model was deployed on an embedded hardware platform through the RT-Thread operating system， which can intelligently recognize personnel who are not wearing safety helmets at the construction site and issue an alarm. After inference testing， it was found that the YOLOv5s-based algorithm model can effectively distinguish whether construction workers are wearing safety helmets correctly， with a test accuracy of 92.3%. Under the condition of IoU=50， the mAP value reaches 93.1%. Based on the experimental results， the YOLOv5s-based algorithm model has high accuracy in problems such as crowded people and small head detection， strong real-time performance， and has met practical usage requirements. It can also help reduce construction risks， reduce unnecessary manual supervision， and achieve intelligent safety management of construction site personnel.

Key words：helmet detection; YOLOv5s; RT-Thread; internet of things; edge calculation

建筑行業是一種生產流動性大、生產周期長、生產事故多發的行業^［1］。由于建筑工地場地大，難以做到人工監控，因而仍存在著安全管理不規范、安全事故頻發等問題^［2］。在遇到施工危險時，有效佩戴安全帽對保障人員安全顯得格外重要。當前，物聯網和人工智能可應用領域越來越多^［3］，通過物聯網技術^［4］與智能視頻技術^［5］結合，用機器代替人工的方式來解決此類問題成為最優解。本文設計并實現了一款在RT-Thread操作系統上搭載經過訓練的YOLOv5s模型、結合物聯網和無線通信等技術的智慧工地安全管理系統，能夠實時識別現場未正確佩戴安全帽的施工人員，并進行實時干預和報警，確保施工人員安全，實現工地人員智能安全管理。

如何實時識別是否佩戴安全帽是實現整個系統的關鍵。 近年來，國內外有許多專家針對此類問題進行了不少算法的研究和改進。 文獻^［6］采用YOLOv4目標檢測網絡， 將膚色檢測和頭部檢測相結合， 定位頭部位置從而鎖定安全帽實現安全帽識別功能， 在一定程度上解決了復雜姿態下檢測難的問題。 文獻^［7］考慮到模型對邊緣設備的兼容性， 基于YOLOv3檢測模型實現檢測任務。 文獻^［8］基于Faster R-CNN目標檢測算法建立復雜環境數據集， 用Focal loss替代原本的損失函數并引入ROI Align， 進一步改善了復雜環境下安全帽識別的準確率。 文獻^［9］以YOLOv5s為基礎進行改進， 在保證目標不被裁剪及信息完整的情況下， 改善了模型在密集人群及遠距離小目標場景下的檢測功能。 文獻^［10］通過在線對困難樣本進行挖掘， 搜索拼接數據里的困難樣本， 對模型進行再訓練， 提高了模型在復雜環境下的魯棒性和施工環境中安全帽的檢測精度。 文獻^［11］選擇YOLOv3算法作為基礎網絡， 針對檢測中人員姿態變化難以識別、人頭等小目標檢測能力不足的問題， 對算法結構進行了改進。

本文對比YOLO系列算法， 考量速度與精度，選用RT-Thread操作系統搭載YOLOv5s模型， 使用藍牙和Wi-Fi分別實現短距離和中距離通信， 以Draco K210作為主控單元， 接收并處理圖像信息并將數據上傳至基于AIRIOT物聯網平臺搭建的用戶交互平臺， 從而做到對工地的智慧化精細化管理。

1"系統結構設計

本文提出的智慧工地安全管理系統分為2個子系統：現場監測系統和用戶交互系統。系統整體結構如圖1所示。

1.1"現場監測系統

現場監測系統分為3個部分：監控部分、主控部分及終端部分。

監控部分采用GC0308攝像頭，實現圖像采集功能。各個攝像頭將整個施工現場分割成不同的監控區域，對各自區域的現場按照一定頻率進行圖像采集，不斷地將采集的數據送至主控部分處理，實現施工現場的實時監控。

主控部分采用Kendryte K210處理器，主要負責搭載YOLOv5s算法模型進行圖像處理、控制分級報警及傳輸數據到上位機。主控部分通過RT-Thread操作系統將訓練好的算法導入硬件平臺，實時接收前端傳來的圖像，判斷圖像中是否存在未正確佩戴安全帽的人員。圖像經過處理后，主控部分將圖中出現的施工人員分為正確佩戴安全帽和未正確佩戴安全帽2類。若出現未正確佩戴安全帽的人員，通過圖像來源區域及出現該區域的人員鎖定報警對象，主控設備通過藍牙給未正確佩戴安全帽人員發送報警信號，并將該信息通過Wi-Fi模塊上傳至上位機。

終端部分主要由GPS定位模塊、藍牙模塊及報警模塊組成，與施工人員實名綁定，擁有固定編號，佩戴至施工人員身上，施工期間不得取下。當該終端被鎖定后，啟動報警機制。報警機制采用分級報警模式，分為一級預警與二級警告。一級預警時，控制報警模塊啟動報警來提醒施工人員正確佩戴安全帽，并對該終端進行3min的持續跟蹤模式。若3min過后，施工人員仍未正確佩戴安全帽，立即啟動二級預警模式，將人員信息匯總至監管部門，以監管部門線下干預的方式監督施工人員正確佩戴安全帽后再取消報警。

1.2"用戶交互系統

用戶交互系統主要是負責接收數據和統計分析，將現場實時數據信息同步給用戶，便于用戶對施工現場進行動態監控和管理。AIRIOT由航天科技智慧物聯事業部推出，具有低代碼、成本低等優點，在數據分析、數據可視化等方面均具有良好的能力，故采用AIRIOT搭建本系統的云平臺，實現用戶交互功能。

用戶交互系統主要分為施工現場管理模塊、安全報告模塊及人員信息模塊。

施工現場管理模塊主要顯示監控點的實時情況、施工人員實時軌跡及報警情況。安全報告模塊會周期性將違規人員信息及違規圖片匯總形成安全報告，用戶可以隨時查看和打印安全報告。人員信息模塊提供隨時查看施工人員位置及其違規記錄。

2"圖像處理算法

2.1"算法介紹

YOLO算法^［12］的核心思想是把物體檢測問題處理成回歸問題，用一個卷積神經網絡結構就可以從輸入圖像直接預測bounding box和類別概率。選用的YOLOv5s由輸入端，Backebone，Neck，Head 4個部分構成，按照不同的模型大小分為s，m，l，x 4個模型^［13］。4個模型在深度和寬度上均有所不同，隨著模型的大小、深度與寬度逐級增加。

本文要求將算法模型部署在嵌入式設備上，對算法模型大小要求較高，因而選用YOLOv5s為基礎模型對精度和準確度進行訓練。

2.2"評估方法

YOLO算法擁有多個評估指標^［14］，從各緯度評估一個模型的優劣。本文選用最為直觀的精度（precision）、召回率（recall）及不同重疊度（intersection over union）下的平均精度來評估。

表1各式中：TR表示真陽性（true positive）;TN表示真陰性（true negative）;FP表示假陽性（1 positive）;FN表示假陽性（1 negative）^［15］。

2.3"模型訓練

2.3.1"實驗條件

模型訓練選擇Python 3.8.16解釋器，采用Pytorch框架。根據網絡搜索和利用Labelme手工已標注的數據集2738張圖片，未標注的圖片3000張，共5738張。其中將佩戴安全帽的人員的整個頭部區域記為helmet，未佩戴安全帽人員的頭部區域標記為head，留取了700張圖片作為測試集。部分數據集展示如圖2所示。

采用的數據集圖片大多為復雜場景下的安全帽識別，提高了模型在復雜場景中識別安全帽的能力。

2.3.2"訓練過程

訓練共分為6個階段。首次訓練100張，逐次遞增至200，400，800，1600，2400張，觀察并記錄數據。每次完整訓練過程如圖3所示。

首先以8∶2的比例隨機劃分訓練集和驗證集，持續訓練100輪，訓練結束后記錄此次訓練的各項數據，進行推理測試，得出此次訓練后模型的效果，然后進行下一次訓練，訓練結束后，整理訓練數據，并對比分析。

2.3.3"訓練結果

第6次訓練共導入2400張照片，以8∶2的比例隨機劃分為訓練集和驗證集，最終模型各項具體數據見表2。

表2中，P代表精度，R代表回歸率。mAP代表平均精度，后面的數字代表不同的重疊度。例如：mAP50代表重疊度為0.5時模型的平均精度。由表2中可以看出，最終模型在各方面的數據都穩定在一個良好的水平。圖4和圖5為最后一次訓練的結果展示。圖4為PR曲線圖，其中橫坐標為回歸率，縱坐標為精度。

由圖6（b）與圖6（c）對比可以看出，模型在第一次訓練結束后，出現了不少漏檢、誤檢的情況，但在多次訓練結束后，漏檢與誤檢的情況均有所改善，且檢測精度均有所提高。

最終模型在檢測小頭與密集人群問題上取得的效果達到了預期理想狀態。部分最終訓練成果如圖7所示。

3"結""語

本文中的系統利用RT-Thread操作系統搭載YOLOv5s模型，在嵌入式硬件平臺完成實時圖像處理，實現邊緣計算，實現了采集圖像、報警、安全報告和可視化交互等多種功能，提高了工地安全管理的效率，實現了工地人員安全的智能化管理。

參考文獻：

［1］張錦，屈佩琪，孫程，等. 基于改進YOLOv5的安全帽佩戴檢測算法［J］. 計算機應用， 2022，42（4）：1292-1300.

［2］陳巨坤. 智慧工地中的智能安全帽及其管理平臺研究［D］. 廣州： 華南理工大學， 2019.

［3］HAN K，ZENG X. Deep learning-based workers safety helmet wearing detection on construction sites using multi-scale features［J］. IEEE Access， 2022（10）：718-729.

［4］徐友全，賈美珊. 物聯網在智慧工地安全管控中的應用［J］. 建筑經濟， 2019，40（12）：101-106.

［5］呂基平，熊政華，鄒容芳，等. 智能視頻分析技術在智慧工地安全監管中的應用研究［J］. 施工技術（中英文）， 2022，51（11）：12-17.

［6］王雨生，顧玉宛，莊麗華，等. 復雜姿態下的安全帽佩戴檢測方法研究［J］. 計算機工程與應用， 2022，58（1）：190-196.

［7］郭普特，鄭斌，黃敏，等. 基于深度學習的安全帽智能識別系統設計與實現［J］. 中阿科技論壇（中英文）， 2022（4）：137-141.

［8］李華，王巖彬，益朋，等. 基于深度學習的復雜作業場景下安全帽識別研究［J］. 中國安全生產科學技術， 2021，17（1）：175-181.

［9］趙睿，劉輝，劉沛霖，等. 基于改進YOLOv5s的安全帽檢測算法［J/OL］. ［2023-04-24］. https：∥doi.org/10.13700/j.bh.1001-5965.2021.0595.

［10］呂志軒，魏霞，馬志鋼. 改進YOLOX的輕量級安全帽檢測方法［J］. 計算機工程與應用， 2023，59（1）：61-71.

［11］張學鋒，王子琦，湯亞玲. 基于YOLO-CDF神經網絡的安全帽檢測［J］. 重慶工商大學學報（自然科學版）， 2022，39（4）：32-41.

［12］張偉，莊幸濤，王雪力，等. DS-YOLO： 一種部署在無人機終端上的小目標實時檢測算法［J］. 南京郵電大學學報（自然科學版）， 2021，41（1）：86-98.

［13］邱天衡，王玲，王鵬，等. 基于改進YOLOv5的目標檢測算法研究［J］. 計算機工程與應用， 2022，58（13）：63-73.

［14］邵延華，張鐸，楚紅雨，等. 基于深度學習的YOLO目標檢測綜述［J］. 電子與信息學報， 2022，44（10）：3697-3708.

［15］胡均平，王鴻樹，戴小標，等. 改進YOLOv5的小目標交通標志實時檢測算法［J］. 計算機工程與應用， 2023，59（2）：185-193.

收稿日期：2023-04-25

基金項目：遼寧省教育廳科學研究經費項目（LJKZ0999）;大學生創新創業項目（202210166001）。

作者簡介：張"勇（1978—），男，遼寧阜新人，沈陽師范大學副教授，碩士。