鉆井工人護目鏡佩戴的智能識別

文瑤瑤,陳浩辰,吳 英,翟 淵

(重慶科技學院 智能技術與工程學院,重慶 401331)

0 引言

隨著國家經濟的發展,國家對能源的需求逐漸增加,比如:石油、天然氣、電力等,因此鉆井工人作業的安全備受大眾的關注。鉆井工人作業時不規范的行為,通常會對施工現場的安全造成極大的影響。根據統計,87%的鉆井過程中的安全事故,主要是由于工人不規范的行為導致的。因此如何有效地對作業人員行為進行規范是保證鉆井現場安全的關鍵[1]。

人臉識別一直是機器視覺領域里面關鍵的研究方向之一。對于護目鏡佩戴的識別目前學術界還沒有直接的研究,但是對于眼鏡的識別有了不錯的進展。2000年,Jiang等[2]通過與其他區域對比,進行眼鏡的識別,該方法主要是由于眼鏡存在著灰度值不連續的區域。另外,Mohammad等[3]使用HOG進行特征提取,并使用ROI進行檢測,將融合后的特征送入SVM、MLP以及LDA等分類器,并將多個算法的結果進行融合后作為輸出。

通過已有文獻的閱讀,基于傳統檢測方法的眼鏡識別只能在特定的環境和位置情況下,才能有比較好的檢測效果,因此對護目鏡佩戴識別的檢測采用深度學習的方法。同時,護目鏡佩戴的圖片,目前還沒有公開的數據集,為保證實驗結果的準確性,有必要建立一個基于真實情況下的護目鏡佩戴的數據集。

1 YOLOv4目標檢測算法

YOLOv4主干網絡主要采取CSPDarknet53網絡結構,能夠減少計算量,使得模型更加輕量化。YOLOv4使用PANet進行參數的聚合,能夠檢測不同level的物體。對于檢測頭的部分,本研究仍然采用YOLOv3的結構。

YOLOv4的損失函數為:

LOSS=LOSSreg+LOSSconf+LOSScls

(1)

(2)

(3)

(4)

2 實驗過程

2.1 數據的采集和標注

護目鏡佩戴數據集的采集采用了網絡爬蟲等方式,總共獲取了446張包含不同場景的圖片。

采取的數據集的情況有:未被人員佩戴的護目鏡,主要指沒有佩戴在人眼部位的護目鏡,比如:佩戴在額頭上、放置在書桌上等;面部佩戴非護目鏡的區域,比如:太陽鏡、眼鏡、防護面具等;佩戴護目鏡的同時佩戴了其他物品。

為了方便后續的實驗操作,簡化數據處理的過程,在標注數據時,本研究簡單地分為兩類:goggles(佩戴護目鏡)和ungoggles(未佩戴護目鏡)。將采集好了數據集使用labelImg軟件進行標注,得到的標注結果如表1所示。

表1 標注數目情況

為了提高實驗的準確性,在數據集中添加了沒有出現護目鏡且人臉未佩戴護目鏡的圖片。

2.2 評價指標

本文主要選取精確度P、召回率R和平均值mAP這3種指標衡量模型對鉆井工人是否佩戴護目鏡的檢測性能。

2.2.1 精確度P

精確度P即正確的樣本占模型總樣本的比例,公式如(5)所示。

(5)

2.2.2 召回率R

R表示有多少正例被預測正確,公式如(6)所示。

(6)

2.2.3mAP

mAP表示為所有目標類的平均精度的平均值,公式如(7)所示。

(7)

2.3 實驗結果和分析

佩戴護目鏡和未佩戴護目鏡的圖片一共有671張圖片,其中訓練集為611張圖片,測試集為60張圖片,將標注好的圖片放入模型中進行迭代50次。每一次迭代的P、R、mAP如圖1所示,從圖中可以看出P、R、mAP逐漸增加,最后在0.8到0.9之間浮動。

圖1 每一次迭代的Precision、Recall、mAP

從實驗結果可以看出該模型,對于臉部遮擋較少的情況識別準確率較高,可以達到80%以上,對于臉部遮擋較大的情況識別準確率較低,如圖2所示。

圖2 佩戴護目鏡的實驗效果

3 結語

在鉆井作業中佩戴護目鏡能夠有效地抵擋生產過程中產生的粉塵、碎屑等物體,避免其對人們眼睛造成的傷害。但目前在實際生產的過程中,工人常忘記及時佩戴護目鏡,且現存的監控系統無法實時對工人的行為進行監督。針對以上問題,本文收集了446張護目鏡佩戴的圖片,并采用YOLOv4檢測模型進行護目鏡佩戴的檢測,通過實驗表明該模型對于臉部遮擋較少的情況識別率較高,精度能夠達到80%以上,能夠初步滿足對鉆井工人護目鏡佩戴的智能識別。