基于目标检测算法的安全帽佩戴智能识别

孙利波，张明

1 引言

建设工程项目安全生产管理条例中明确规定，所有进场作业人员必须按规定佩戴安全帽，但个别人员安全意识淡薄，对安全帽佩戴不够重视，给项目施工带来了非常大的安全隐患，因此，检查现场作业人员是否按规定佩戴安全帽是安全管理工作的一项重要内容。在项目施工现场一般是通过管理人员巡检以及查看现场视频来检查作业人员是否按规定佩戴安全帽。这些检查方法虽有一定的安全管理效果，但也存在工作效率较低、数据不准确的问题。

随着人工智能算法的发展，图像分类[1]、目标识别[2]、图片分隔和检测[3]等计算机技术被运用到施工现场复杂场景的安全管理工作中，取得了良好的效果。

基于目标检测智能算法识别作业人员是否佩戴安全帽的方法，能够自动检测现场视频或图片，实时输出违规操作的数据报告，解决了人为巡检时效性差、数据不精确的问题，同时节约了人力资源，减少了项目人力成本支出。

2 目标检测智能算法

2.1 算法原理

目标检测算法是计算机技术在视觉领域应用的一个分支，该算法可对图像内的物体生成候选框，并对该候选框内的物体进行分类识别。

基于目标检测算法识别图像时，首先将图像送入到训练好的模型中，然后对输入图像进行运算处理，生成候选框，同时对候选框内的物体进行分类，最后用NMS算法去除冗余的候选框。识别流程如图1所示。

图1 目标检测流程

常用的目标检测算法模型有基于区域的R系列模型和基于回归的模型。

R系列模型的特点是：用端到端的卷积网络模型进行识别检测，保证一定的精度，但其实时性和检测速度有待提高。回归模型的特点是：将检测任务转换为回归问题，提高了检测速度，可满足实时性的需求。本文采用回归模型下的YOLOV3算法来进行目标检测。

2.2 YOLOV3算法

YOLO算法是一种端到端的目标检测模型[4]，2016年由Remdon等人提出。在YOLO算法的实际应用过程中，基于YOLO算法的改进算法YOLO 9000和YOLOV3[5]开始被广泛使用。YOLOV3算法在识别的准确率和检测速度上较之前的算法有很大提升，其采用的Darknrt-53基础网络结构较之前的算法也大不相同，如图2所示。

当进行边框预测时，YOLOV3候选框的初始尺寸采用k-means聚类的方式来实现，可以预测出候选框中心点相对于网格单元左上角的相对坐标（tx，ty，tw，th，t0），并通过坐标偏移公式计算得到候选框的位置、大小和置信度，见公式（1）～（5）。

式中：

tx、ty——目标中心点的坐标

σ——激活函数，用于将中心点坐标归一化

cx、cy——物体中心点所在网格的左上角坐标

bx、by——预测候选框的坐标

pw、ph——标注候选框的宽和高

tw、th——候选框宽和高的偏移量

bw、bh——预测候选框的宽度和高度

相比于原始YOLO算法，YOLOV3从多个尺度检测目标，解决了原始YOLO算法对小物体检测效果不佳的问题。同时，YOLOV3算法在目标分类上使用逻辑分类器代替softmax函数，可同时为一个目标预测多个类别，提高了预测精度。

3 智能算法在安全帽佩戴管理中的应用

我们采用前后端分离的方式检测工人是否佩戴安全帽。前端通过搭建智能算法平台展示违规数据。后端通过将目标检测算法训练模型嵌入到摄像头，利用摄像头检测工人是否佩戴安全帽。

图2 YOLOV3基础网络结构

某公司项目现场安装有摄像头，能够实时回传视频文件，同时在总部布署了摄像头后台管理系统，能实时获取项目现场视频和图片。总部机房配置了专门的深度学习服务器，用于训练模型和算法分析，同时，建有安全管理平台，用于展示算法输出结果。安全管理人员和项目现场管理人员可通过查看安全管理平台实时状况，掌握现场安全帽佩戴情况。现场安全帽佩戴情况检测流程如图3所示。

YOLOV3检测安全帽模块图如图4所示。在前端展示中，主要使用Web开发框架搭建智能算法平台，通过开发语言、数据库、浏览器脚本等，将检测到的违规数据通过图表、报告等在平台展示。在后端算法中，首先将训练集图片进行标注，并用python语言编写脚本代码，划分数据集；然后用调试好的YOLOV3算法训练模型，对模型性能进行评估微调；最后上线投入使用。

目标检测算法实施步骤如下：

（1）准备数据集

为提升目标算法的准确度，收集项目现场1 000张图片并进行标注，将标注的文件保存在服务器文件夹中。

图3 现场安全帽佩戴情况检测流程

（2）建立算法模型

基于标注的文件，设置算法相关权重系数和目标检测图片的输出。通过调整相关参数，提高算法计算结果的准确度，其中需调整的参数包括：根据不同场景下的不同类别修改模型类别个数，并在测试时设置阈值，将得分较低的候选框过滤掉，避免误报。

图4 YOLOV3检测安全帽模块图

图5 YOLOV3检测效果

图6 前端统计分析

（3）输出图片和数据

基于已经训练好的算法，对接收到的视频或图片进行计算，并将数据存入关系型数据库中，图片存储在之前设置的文件夹或OSS文件服务器上。

（4）展示前端数据

用Web平台展示违规数据、图片、视频等，并集成到安全管理平台上，安全管理人员可通过平台预警信息及时处理相关事务。YOLOV3检测效果如图5所示，前端统计分析如图6所示。

4 结语

针对工程项目现场智能识别作业人员是否佩戴安全帽的问题，本文提出了采取回归网络模型YOLOV3算法进行目标检测的方法，并将后端YOLOV3算法与前端展示相统一，应用于工程项目安全管理领域中，为发现和消除现场安全隐患提供了便利，对未来智能算法在安全领域中的应用具有一定的理论和实践意义。