基于樹莓派自動檢測的帶頭燈安全帽設(shè)計研究

陳思妙，江宇東，黃臻臻，石建全

（南京工程學院自動化學院，江蘇 南京 211167）

目前，建筑施工領(lǐng)域的安全事故頻發(fā)，傷亡人員的數(shù)量隨著工程數(shù)量的增加和規(guī)模的擴大而居高不下，并且呈現(xiàn)逐年上升的趨勢。據(jù)統(tǒng)計數(shù)據(jù)顯示，僅2022 年上半年，全國發(fā)生各類生產(chǎn)安全事故11076起。死亡8870人，安全生產(chǎn)形勢嚴峻且復雜。根本原因是企業(yè)外包工程人員安全生產(chǎn)知識和技能在短期內(nèi)得不到有效提高。越來越多的企業(yè)感受到單純的人力管理的無力。為減少工業(yè)生產(chǎn)中的事故率和傷亡人數(shù)，許多發(fā)達國家開展智能安全帽的系統(tǒng)研究。國外市場上出現(xiàn)了多種不同功能的智能安全帽，在工業(yè)領(lǐng)域得到了應(yīng)用。在我國，工程管理雖取得了巨大的成就，但整體水平較西方發(fā)達國家仍有很大的差距，安全事故所造成的經(jīng)濟損失比較嚴重。

圖像處理技術(shù)充沛的理論基礎(chǔ)為自動化監(jiān)控提供了可能，目標檢測技術(shù)則能及時反饋工人當時的情況。因此，將深度學習理論應(yīng)用于智慧工地的施工監(jiān)控領(lǐng)域具有重大的現(xiàn)實意義。為提升作業(yè)人員對人身安全風險的辨識能力，規(guī)范人員作業(yè)行為和作業(yè)環(huán)境，突出安全風險辨識和隱患排查治理的雙重預(yù)防機制，本項目將圖像識別與自動檢測技術(shù)相結(jié)合，設(shè)計一款能自動檢測生產(chǎn)作業(yè)中存在的問題的帶頭燈安全帽。

1 系統(tǒng)總體設(shè)計

本項目擬用4B 樹莓派作為主板，結(jié)合Python 語言、YOLOv5 和OpenCV 研究圖像特征信息提取算法，通過數(shù)據(jù)預(yù)處理、灰度值分析和互信息分析提取可以表征圖像原始信息的特征值，并基于最小二乘支持向量機（LSSVM）研究稀疏化建模方法，在保證模型估計精度的前提下，選擇部分特征值進行建模，盡可能地降低模型復雜度，以實現(xiàn)在樹莓派上的實時檢測。當檢測出問題，樹莓派釋放信號引發(fā)震動傳感器震動，并將拍攝到的圖像無線傳輸?shù)奖O(jiān)測中心站點，以便及時進行人工干預(yù)，保障作業(yè)人員安全，提高生產(chǎn)效益。結(jié)構(gòu)框圖如圖1 所示，可以分為以下4 個方面。

圖1 總體設(shè)計結(jié)構(gòu)框圖

圖2 實物結(jié)構(gòu)位置圖

（1）圖像實時拍攝。運用實時理論實現(xiàn)，樹莓派每10s 向攝像頭發(fā)出拍攝指令，攝像頭接收到指令后拍攝外界畫面，圖像等待下一步的檢測。（2）頭燈亮度調(diào)節(jié)。設(shè)定頭燈的亮度為“暗”“亮”“特亮”三檔。攝像頭定時拍攝外界圖像，OpenCV 計算圖片在灰度圖上的均值，判斷應(yīng)該調(diào)節(jié)的亮度檔位，并將調(diào)節(jié)亮度信號發(fā)送至頭燈，實現(xiàn)根據(jù)當前環(huán)境明暗自動調(diào)節(jié)頭燈亮度的功能。（3）圖像信息處理。攝像頭模塊將所拍攝圖像傳輸至樹莓派，經(jīng)OpenCV降噪與修復算法處理后再在YOLOv5 基礎(chǔ)上運用LSSVM 后向遞歸剪枝策略、前向遞歸學習算法兩種稀疏化方法對圖像進行建模后檢測出是否佩戴安全帽與進入危險區(qū)域。（4）震動預(yù)警與圖像遠程傳輸模塊。樹莓派檢測到未佩戴安全帽與進入危險區(qū)域時，安全帽上震動傳感器震動，并將拍攝到的圖像傳輸給遠程服務(wù)器所在的監(jiān)測中心站點，以便人工干預(yù)。

2 系統(tǒng)硬件設(shè)計

2.1 樹莓派

采用樹莓派4B 主板作為開發(fā)平臺，它處理器速度快，多媒體性能與穩(wěn)定性強。此開發(fā)板質(zhì)量輕便，具有高性能、低功耗的特點，適合嵌入安裝在安全帽內(nèi)。

樹莓派4B 型主要硬件參數(shù)如下：1.5GHz 四核64 位ARM Cortex-A72 芯片，LPDDR4 SDRAM 內(nèi)存，板載全雙工千兆以太網(wǎng)接口，板載雙頻802.11ac 無線網(wǎng)絡(luò)，板載藍牙5.0，支持HEVC 視頻4Kp60 硬解碼。

2.2 攝像頭

2.3 震動傳感器

項目采用SW-420 震動傳感器（開關(guān)量傳感器），該產(chǎn)品適用于各種震動觸發(fā)作用，具有小巧便捷、傳感器靈敏、驅(qū)動能力強等優(yōu)點。具體參數(shù)如下：工作電壓3.3 ～5V，輸出數(shù)字量開關(guān)0 和1，尺寸3.2cm×1.4cm，使用寬電壓LM393 比較器。

2.4 其他元件

安全帽采用符合國標質(zhì)檢要求《安全帽：GB2811-2007》的標準安全帽，頭燈模塊鋰電池供電。

3 系統(tǒng)軟件設(shè)計

系統(tǒng)環(huán)境設(shè)計主要為樹莓派燒錄配置、安裝Python3 PyQt5 庫文件、OpenCV、YOLOV5 環(huán)境搭建。檢測過程分為輸入圖像、灰度值分析、圖像預(yù)處理、圖像檢測、輸出結(jié)果、上傳圖像5 個過程。

3.1 灰度值分析

灰度圖像上每個像素的顏色值稱為灰度，指黑白圖像中點的顏色深度，范圍為0 ～255。運用算術(shù)平均法即將彩色圖像中的三分量的亮度求平均得到灰度值的方法求圖像灰度值。

灰度值越低，頭燈亮度檔位越亮，反之，亮度越暗。

3.2 圖像預(yù)處理

由于電子干擾及其他干擾因素的存在，圖像在成像、采集、傳輸?shù)冗^程中圖像或多或少會造成一定的退化和噪聲干擾。運用OpenCV 中降噪修復等算法增強圖像，使用模板平滑濾波器對圖像進行濾波從而消減噪聲，提高圖像的清晰度與質(zhì)量，使圖像中的物體的輪廓更加清晰，細節(jié)更加明顯，降低對圖像進行后續(xù)研究的難度。

1) 細讀上下文，判定人物關(guān)系，分析此情此景下人物意欲何為：是爭辯說明、證實補充、異議修改、暗自詫異、震驚發(fā)問、稱贊品評、說笑調(diào)侃、轉(zhuǎn)換話題，還是思忖遲疑等；熟悉人物間情感距離的波動。擺脫well詞典原初意義的羈絆，考慮其在背景中所起的功能，以便在譯文中更充分地體現(xiàn)之。李漁《閑情偶寄·演習部》曾說“填詞之設(shè)，專為登場”[21]，譯者翻譯時要考慮到“優(yōu)人搬弄”之需，勿囿于“文人把玩”， 充分關(guān)注戲劇臺詞的表演性，只有這樣，才能雅俗共賞、智愚同歡。

3.3 圖像檢測

項目通過YOLOv5 實現(xiàn)檢測。YOLOv5 (You Only Look Once version 5)是一種最先進的對象檢測算法，用于圖像和視頻中的實時對象檢測。YOLOv5 依附Python 和PyTorch 實現(xiàn)，安裝完依賴項，就可以下載并使用預(yù)先訓練的模型，或者在自定義數(shù)據(jù)集上訓練自己的模型。

其流程大致如下：

輸入：YOLOv5 需要輸入一張圖像。

網(wǎng)絡(luò)：使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)來提取圖像的特征。

特征提取：CNN 從圖像中提取關(guān)鍵點和特征。

預(yù)測：根據(jù)提取的特征，YOLOv5 預(yù)測圖像中是否存在目標對象，以及目標對象的位置和類別。

輸出：YOLOv5 將預(yù)測結(jié)果輸出到一個矩形框中，框內(nèi)是目標對象。

本項目對危險性的檢測分為是否佩戴安全帽和是否進入危險區(qū)域兩方面。

通過人沒有帶安全帽、人有帶安全帽、人體3 個類別可以訓練模型來實現(xiàn)是否佩戴安全帽的檢測。首先，收集帶有安全帽和不帶安全帽的圖像數(shù)據(jù)并將圖像數(shù)據(jù)標注即準備一個包含圖像和標簽的數(shù)據(jù)集，再使用標注文件和圖像數(shù)據(jù)來訓練YOLOv5 模型。在訓練過程中，YOLOv5 會自動調(diào)整模型參數(shù)，使其更好地適應(yīng)數(shù)據(jù)集。訓練完成后，使用YOLOv5 的測試腳本進行模型測試。測試腳本會讀取一張圖像，并對其進行目標檢測，輸出檢測結(jié)果。最終實現(xiàn)根據(jù)輸出結(jié)果判斷是否佩戴安全帽。對危險區(qū)域進行標記，制作數(shù)據(jù)集，若拍攝并檢測到危險區(qū)域，危險區(qū)域會使用紅色框標出來，同時，危險區(qū)域里面的人體也會被框出來，危險區(qū)域外的人體不會被框選出來。

3.4 震動傳感器與圖像上傳

檢測到未佩戴安全帽與危險區(qū)域時，樹莓派發(fā)出震動信號給震動傳感器提示作業(yè)人員提示有人未佩戴安全帽與進入危險區(qū)域。同時，檢測出拍攝到圖像中未佩戴安全帽與進入危險區(qū)域的作業(yè)人員身份，并通過通信網(wǎng)絡(luò)發(fā)出信號，將拍攝到的圖像及檢測出的人員身份信息傳輸給遠程服務(wù)器所在的監(jiān)測中心站點。

4 基于最小二乘支持向量機（LSSVM）的稀疏化算法的YOLOv5 輕量化設(shè)計

在深度學習落地過程中，為適應(yīng)算力不足的問題，通常需要對深度學習模型進行壓縮。最小二乘支持向量機（LSSVM）的稀疏化建模方法LSSVM 是由Suyken在標準支持向量機（SVM）的基礎(chǔ)上提出的一種擴展機器學習算法，通過用等式約束代替SVM 中二次損失函數(shù)的不等式約束，使凸二次規(guī)劃問題轉(zhuǎn)化為求解線性方程組的方式，提高了建模過程中的訓練效率，具有收斂快、精度高等優(yōu)點。其求解形式與估計模型分別如下所示：

其中α，b 為模型的參數(shù)。

KNN=K(x i+x j),i,j∈{1,....,N}為核函數(shù)，γ為懲罰系數(shù)。

但LSSVM 存在一個主要的缺陷，即方程的解缺乏稀疏性，意味著絕大多數(shù)樣本與最終的模型具有直接關(guān)系。隨著訓練樣本的增加，模型復雜度越高。因此，在實際應(yīng)用中，應(yīng)首先研究LSSVM 的稀疏化方法。在初始訓練樣本集中，假設(shè)選定一部分樣本作為支持向量，即部分權(quán)重系數(shù)αs代替全部系數(shù)α，其中S 表示樣本索引{1,....,N}的一個子集。將其帶入目標函數(shù)后可以得到：

其中，Kss=K(x i,x j),i,j∈S，

K s=K(xi,x j),i∈S,j∈N，可得到約簡后估計模型

因此，在保證模型估計精度的前提下，選擇部分樣本進行訓練。通過對稀疏化算法的研究，將稀疏化算法分為2 類，分別為后向遞歸剪枝策略、前向遞歸學習算法。運用后向遞歸剪枝策略先將所有樣本當作支持向量，得到估計模型，然后基于每個支持向量對模型的貢獻度，剔除貢獻度少的支持向量，再重新建模，直到模型精度不滿足要求；運用前向遞歸學習算法在訓練模型前先選擇部分樣本作為支持向量，然后某種最優(yōu)準則從樣本中逐漸增加支持向量的個數(shù)，直到模型精度達到某個閾值。

5 項目創(chuàng)新點

本項目創(chuàng)新特色概述可分為以下三部分：（1）實時性。工作人員能及時意識到當前是否安全，檢測中心員工也能及時對危險情況進行干預(yù)，對不符合規(guī)定的作業(yè)行為進行指導。（2）自適應(yīng)性。自動切換頭燈亮度檔位，延長燈的單次使用時長，適應(yīng)各種工作環(huán)境，有效緩解工作人員因光線問題帶來的眼部不適。（3）稀疏化建模方法。基于最小二乘支持向量機（LSSVM）研究稀疏化建模方法，在保證模型估計精度的前提下，選擇部分特征值進行建模，盡可能地降低模型復雜度，以實現(xiàn)在樹莓派上的實時檢測。

6 結(jié)語

為滿足管理人員對施工人員人身安全監(jiān)管和數(shù)字化管理的需求，提出一種基于樹莓派平臺的智能安全帽系統(tǒng)，賦予智能安全帽強大的學習和計算功能，能夠更好地保障人身安全。該設(shè)計實時性、自適應(yīng)性、可靠性高，具有一定的市場推廣價值。為：