安全帽檢測系統(tǒng)設(shè)計

寧波市鎮(zhèn)海蛟川書院 錢昱成 符水波

為解決工地場所人員的安全隱患問題，提出了一種基于計算機(jī)視覺技術(shù)與人工智能技術(shù)相結(jié)合的安全帽檢測系統(tǒng)。設(shè)計了一種與特征圖深度融合的改進(jìn)YOLOv3算法，它能夠捕捉到原圖像中更多中小型目標(biāo)物體的圖像信息，使得系統(tǒng)模型更加關(guān)注、學(xué)習(xí)這一塊圖像信息，進(jìn)而能夠更好的完成對安全帽佩戴檢測這一任務(wù)。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能夠?qū)さ刂械墓と诉M(jìn)行實(shí)時、高效檢測，有效的減少工地場所安全隱患。

據(jù)2020年的全國安全生產(chǎn)數(shù)據(jù)分析，其發(fā)現(xiàn)生產(chǎn)安全事故中有94%的原因是作業(yè)技術(shù)人員的不安全行為所導(dǎo)致，如越權(quán)限進(jìn)入工地場所、違規(guī)操作、未正確佩戴安全保護(hù)設(shè)備、操作失誤等行為。在施工過程中，正確佩戴安全帽是一項(xiàng)基本規(guī)定。由于缺乏監(jiān)督，工人不戴安全帽所造成的安全事故時有發(fā)生。為了解決施工人員的安全隱患，有必要對施工人員的安全帽進(jìn)行檢查，降低因不正確佩戴安全帽而造成的事故發(fā)生率。

生產(chǎn)安全問題一直是一個社會關(guān)注度極高的話題。實(shí)現(xiàn)智能視頻監(jiān)控安全帽佩戴是安全生產(chǎn)環(huán)節(jié)必不可少的。胡恬等人使用YCbCr模型，利用不同人群膚色差異進(jìn)行定位、采取小波變換進(jìn)行數(shù)據(jù)預(yù)處理，通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)檢測圖像中人員是否佩戴安全帽。楊莉瓊利用SVM分類器對臉部上方是否有安全帽進(jìn)行判斷，進(jìn)而實(shí)現(xiàn)對工人安全帽佩戴行為的實(shí)時檢測和預(yù)警。與上述傳統(tǒng)方法不同，本文利用基于卷積神經(jīng)網(wǎng)絡(luò)，設(shè)計了一種安全帽檢測系統(tǒng)，能夠高效、準(zhǔn)確的檢測出未佩戴安全帽的工人并給予警告。

1 系統(tǒng)設(shè)計框架

檢測系統(tǒng)由兩塊組成，第一塊主要用于對人員的安全帽進(jìn)行檢測，第二塊實(shí)現(xiàn)人員的移動檢測。如何更好的實(shí)現(xiàn)兩者是主要的研究工作，檢測流程如下：

（1）現(xiàn)場監(jiān)控設(shè)備捕獲人員信息，將視頻流通過網(wǎng)絡(luò)傳送至管理系統(tǒng)。

（2）管理系統(tǒng)收到視頻后，通過目標(biāo)檢測網(wǎng)絡(luò)進(jìn)行安全帽檢測。

（3）若檢測到人員未帶安全帽進(jìn)行相關(guān)信息保存，保留當(dāng)前幀圖片并通知管理人員。

（4）管理人員收到警告信息，糾正違反安全生產(chǎn)行為。

2 網(wǎng)絡(luò)模型設(shè)計

安全帽佩戴檢測模塊采用YOLOv3為基礎(chǔ)框架，該方法能夠自主學(xué)習(xí)目標(biāo)特征，減少手工特征等人為因素干擾，從而能夠具有較高識別性能，對復(fù)雜場景下的不同方向、不同形狀以及不同顏色的安全帽檢測都可以呈現(xiàn)較好的泛化能力和魯棒性。同時還在網(wǎng)絡(luò)框架中引入了多尺度預(yù)測，在特征圖大小分別為13×13，26×26，52×52上進(jìn)行圖像檢測。由于不同尺度特征圖對不同物體的識別能力有所區(qū)別，通過多尺度預(yù)測和特征融合的方式能夠有效提高圖像中物體的檢測能力，進(jìn)而有效的提升整個系統(tǒng)的檢測性能?？傮w框架如圖1所示。

圖1 總體框架圖

2.1 特征提取網(wǎng)絡(luò)Darknet-53

文本中YOLOv3的特征提取網(wǎng)絡(luò)使用的是Darknet-53。與YOLOv2中的Darknet-19不同之處在于多了殘差單元模塊，和連續(xù)的1×1和3×3卷積層。該網(wǎng)絡(luò)結(jié)構(gòu)共包含了53個卷積層以及5個Max-Pooling層。其中，為了防止過擬合現(xiàn)象的產(chǎn)生，在每個卷積層后都會添加歸一化(BN)操作和dropout隨機(jī)線性失活操作。

2.2 YOLO V3設(shè)計思想和改進(jìn)

YOLOv3是采用多個不同尺度融合的方式進(jìn)行預(yù)測，結(jié)合不同特征圖對不同尺寸目標(biāo)的檢測能力不同，將不同尺度檢測效果最好的特征圖進(jìn)行融合的方式能夠提高整體的檢測性能。在YOLOv3中，使用的是維度聚類的方式獲取先驗(yàn)框從而預(yù)測邊界框。通過K-means方法對目標(biāo)框坐標(biāo)進(jìn)行維度聚類，進(jìn)而得到多個不同大小的先驗(yàn)框，然后將其分配到多個不同尺度的特征圖上，使得每個特征圖都有著更合適的特征先驗(yàn)框。在本文訓(xùn)練過程中，利用二值交叉熵?fù)p失進(jìn)行類別預(yù)測。

YOLOv3在目標(biāo)檢測領(lǐng)域的檢測效果已經(jīng)很不錯，但是針對本文中的安全帽數(shù)據(jù)集，仍需要一些改進(jìn)使其更適應(yīng)此檢測任務(wù)。改進(jìn)方法如圖2所示。

圖2 方法框架圖

在現(xiàn)實(shí)場景中，由于攝像機(jī)角度的不同，視頻中的目標(biāo)物體大小也不一致。因此為了更好的檢測不同尺寸的安全帽，在YOLOv3的基礎(chǔ)上，提出了多尺度圖像金字塔融合、k均值聚類和多尺度訓(xùn)練算法改進(jìn)?？紤]到不同尺度適合不同尺寸大小物體的檢測，使用多尺度特征預(yù)測更能捕捉到圖像全面，深層次的信息。為了使圖像中的目標(biāo)更好的檢測出來，盡可能的不漏檢，在網(wǎng)絡(luò)進(jìn)行特征提取后，加入一個更大的卷積層，實(shí)現(xiàn)不同尺度大小的物體檢測。多尺度融合指的是將不同層次的特征圖融合連接操作，得到最終的三組預(yù)測特征圖，然后在這三組預(yù)測特征圖上做定位和分類。在實(shí)驗(yàn)中，先通過k均值聚類算法在本文自制的工人數(shù)據(jù)集上得到預(yù)測先驗(yàn)框維度。YOLOv3算法中的先驗(yàn)框維度是原先基于COCO數(shù)據(jù)集上訓(xùn)練得到，這種方式不能很好的滿足于我們特定的安全帽佩戴檢測任務(wù)上，為此需要針對工人安全帽數(shù)據(jù)集進(jìn)行聚類操作，來獲取對應(yīng)的聚類中心。

2.3 人員跟蹤算法研究

在實(shí)際應(yīng)用場景中，人員都是流動的，攝像頭需要不斷的捕獲人員，有些場景下攝像頭拍攝角度不是固定不變的。因此為了更好的定位人員，設(shè)計了人員跟蹤算法Deep SORT。在實(shí)驗(yàn)中初步采用了SORT算法，但由于該算法使用的相關(guān)指標(biāo)只有在狀態(tài)估計的不確定性較低的情況下才能表現(xiàn)出較好的性能，并且在使用過程中容易引起ID切換，因此在遮擋的情況下SORT算法無法跟蹤。而Deep SORT使用更可靠的度量而不是關(guān)聯(lián)度量，并使用卷積神經(jīng)網(wǎng)絡(luò)對不同行人的數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，提取行人特征，以增加網(wǎng)絡(luò)的魯棒性，從而大大減少了SORT中的ID switches。通過實(shí)驗(yàn)驗(yàn)證該算法能夠有效減少ID switches，同時在不同場景下的視頻流中也能達(dá)到很好的檢測效果。

3 安全帽檢測系統(tǒng)的實(shí)現(xiàn)

3.1 系統(tǒng)開發(fā)環(huán)境

在本系統(tǒng)中，采用了基于YOLOv3的模型，開發(fā)工具為pycharm，開發(fā)語言主要為python。Keras是目前主流的深度學(xué)習(xí)開發(fā)框架之一，集成了Tensorflow更方便開發(fā)人員使用。在特定的開發(fā)環(huán)境下，使用該語言，能夠極大的縮短開發(fā)時間，其優(yōu)點(diǎn)如下：

（1）語法簡便，開發(fā)環(huán)境容易搭建。

（2）封裝多個神經(jīng)網(wǎng)絡(luò)模塊，能夠快速搭建網(wǎng)絡(luò)。

（3）做到CPU與GPU資源切換。

3.2 系統(tǒng)測試

通過設(shè)計安全帽檢測系統(tǒng)，在工地場景下的工人進(jìn)行安全帽檢測。當(dāng)監(jiān)控攝像頭下存在未佩戴安全帽的工人時，系統(tǒng)做出警報。為確保系統(tǒng)的實(shí)時性，在GPU環(huán)境中進(jìn)行了測試。在實(shí)時獲取到視頻流時，可能由于網(wǎng)絡(luò)環(huán)境等因素的影響造成檢測延時，因此使用GPU測試實(shí)時性更好。系統(tǒng)接收工地實(shí)時監(jiān)控視頻流，然后通過YOLOv3檢測視頻流中工人是否佩戴安全帽，將檢測的結(jié)果實(shí)時展示在檢測視頻方框中。實(shí)驗(yàn)結(jié)果證明本文的系統(tǒng)對于工地場景下的安全帽檢測達(dá)到了不錯的效果，人員是否佩戴安全帽基本上都能被本文所提出的系統(tǒng)所檢測出來。系統(tǒng)測試效果如圖3所示。

圖3 檢測效果圖

總結(jié)：本文提出的特征圖深度融合的改進(jìn)YOLOv3的安全帽檢測系統(tǒng)，它能夠更加關(guān)注于圖像的中小型目標(biāo)，同時能夠構(gòu)建4種不同尺度的特征金字塔，不同尺度的特征可以更全面的捕獲到圖像中不同尺寸大小的物體，和深層次的語義信息，使得在檢測中更為準(zhǔn)確的定位安全帽。在實(shí)時檢測中能夠滿足快速、準(zhǔn)確的要求。