论文总字数：18865字

摘 要

安全帽是工地工人最基础的个人防护设备，对工作人员的生命具有重要的保护作用，但是很多工人时常会忘记佩戴安全帽，安全事故时有发生。本文关注的正是在实际生产活动的场景下安全帽穿戴的自动识别问题。使用现阶段流行的YOLOv3算法，将实际场景下采集的2000张样本通过LabelImage软件标注并训练，根据loss和IOU结果对模型进行优化调参，最终得到一个相对理想的模型。在测试集上取得了97%的准确率，并通过OpenCV获取摄像头实时数据，实现对特定范围内的实时检测。并对一些特定条件下（遮挡、较远、低度模糊等）进行测试，仍然具有良好的检测效果。

关键词：计算机视觉；运动目标；安全帽检测；YOLO；实时检测

Machine vision based helmet wear identification system

Abstract

Safety helmets are the most basic personal protective equipment for site workers and have an important role in protecting the lives of workers, but many workers often forget to wear helmets, and safety accidents happen from time to time. This article is concerned with the automatic identification of helmet wear in the context of real production activities. Using the popular YOLOv3 algorithm, the 2000 samples collected in the actual scene were labeled and trained by LabelImage software, and the model was optimally tuned according to the loss and IOU results to obtain a relatively ideal model. A 97% accuracy was achieved on the test set, and real-time camera data was acquired via OpenCV for real-time detection of specific ranges. And tested under some specific conditions (shaded, farther away, low blur, etc.), it still has good detection results.

Keywords: Computer vision; motion target; helmet detection; YOLO; real-time detection

目录

摘要 I

Abstract II

第一章 绪论 1

1.1课题背景 1

1.2 目的和意义 2

1.3开发工具及技术 3

1.3.1开发工具 3

第二章 需求分析 5

2.1 需求分析 5

2.2可行性分析 5

2.2.1技术的可行性 5

2.2.2经济的可行性 6

2.3数据分析 6

2.4设计思想 6

2.5 设计流程图 6

2.6实验设置 8

第三章 算法原理 9

3.1算法介绍 9

3.2算法核心 9

3.2.1特征提取方式 9

3.2.2网络预测方式 9

3.2.3网络模型 10

3.2.4 YOLO目标检测原理 12

第四章 模型训练 18

4.1数据集的制作 18

4.1.1数据集的采集原则 18

4.1.2 数据集的处理 18

4.1.3 训练模型和模型转换 20

4.1.4 编写程序界面 21

4.1.5 程序功能实现 21

4.2实验结果分析 22

4.2.1 loss和迭代次数实验结果分析 22

4.2.2 Avg IOU实验结果分析 22

4.2.3 loss实验结果分析 23

4.2.3 整体程序测试 24

结论 27

思考与展望 28

参考文献 29

致谢 31

第一章 绪论

1.1课题背景

图像视频中的动态目标检测已经成为当前机器学习、计算机视觉领域的一个研究重点，并且生产安全问题也一直是一个受到社会群众高度关注的问题，每次发生大型生产安全事故都会牵动亿万人民群众的心，每年大约百万起安全事故则给社会和家庭带来经济和精神上的打击。有关报告表明，公认的违规行为造成了其中93，8%的意外事故，施工现场作业工人最基础的也是最方便的防护工具就是安全帽，它可以很好的保护作业人员的安全。虽然安全帽作用重大，不过仍然有很多工人在施工过程中出于有意或者无意不佩戴安全帽，所以安全帽佩戴检测已经成为构建自动化安全生产环境的一项重要技术，在交通工具建设现场、冶金厂、煤矿开采地、发电站、建筑工地、化工等实际场景中应用场景广泛。

采用基于机器视觉的安全帽佩戴检测方法不但可以提高管理监测的智能化、信息化水平，还可以很好的规避掉现有的、以人工检查为主要形式的监测方法所暴露的问题，比如费用开销高、个人主观干扰性强、不能每时每刻监控等诸如此类的问题。而实现这种自动化管理所需要的代价只需要在需要监控区域部署一些监控设备，甚至是只需要在原有监控设备上进行升级即可。只用简单的操作即可实现快速准确的对佩戴安全帽情况对全程快速检测识别。现在国内的很多企业、科研人员已经对相关课题进行了研究，推出了集中智能化识别的方法，比如基于小波变换和BP神经网络的安全帽穿戴识别人工网络模型，或是先采用肤色监测定位人脸，再利用向量机模型对安全帽穿戴进行监测的方法、抑或是监测运动目标部分区域中像素点色度值分布来判断是否佩戴的方法。虽然这些方法都实现了监测是否佩戴了安全帽这项基本功能，但仅仅局限于特定条件特定场景下，对于现实施工现场复杂的生产环境不具备通用性，容易收到光照条件变化、飞沙扬尘等的干扰，而且识别率和准确度也不尽如人意，所以需要基于现有技术提出更佳的方案。

随着越来越多的科研人员投入到机器学习的研究中来，也随着时代发展，信息化、自动化水平不断提高，使用机器学习（深度学习）解决生活中一些常规技术难以解决的问题越来越成为研究主流，机器学习也因此成为热门研究方向。而动态目标监测就是其中一个研究热点，许许多多的算法模型被提出，用于解决该问题。这其中主要分为两类：一种是以faster-RCNN算法为代表的“两次解决”的基于候选区域的目标检测算法，另一种是以YOLO系列、SSD为代表的“一次解决”的基于回归的目标检测算法。

1.2 目的和意义

在施工现场环境复杂，施工人员众多的情况下，如果安全帽检测使用纯人工方式，不但会产生大量的费用和开销，也存在主观不可控性，出现“人情”问题。因此开发一个安全帽佩戴识别系统是在实际生产过程中是十分必要的。它不但可以规避上面的缺点，还可以提高管理的自动化、精细化、智能化程度。让企业施工过程中提高效率，提高整体工作的连续性。通过在众多的施工现场部署安全帽佩戴自动检测系统，可以很好的保护施工人员安全，提高安全生产意识。同时安全帽佩戴自动识别系统可以有效杜绝作业人员的侥幸心理，当系统发现存在问题时，会实时反馈给监控人员，后台监控人员可以及时对违规人员作出相应处罚或者提醒，大大提升了对违规行业的处罚率，降低甚至避免了作业人员的违规行为，保障作业人员的人身安全。

除了现在已经开发的功能外，后面还可以加入自动报警提醒功能和联动门禁模式这两种拓展方向。第一种拓展就是在监控区域内发现作业人员不佩戴安全帽的违规情况，就自动进行报警提醒，这样可以更加智能化，减少监控人员数量降低成本。第二种拓展就是将常规的门禁系统进行升级，在工人进入施工区域要过门禁的同时进行安全帽检测，首先对工人信息进行读取，然后检测是否佩戴，如果没有佩戴则会在后台相应工人条目上进行记录，然后当下提醒工人佩戴安全帽，只有工人佩戴之后才可以进入。企业就可以每月或者每季度在后台进行查看，然后根据记录做相应处罚。

请支付后下载全文，论文总字数：18865字