發(fā)布時間：2020-02-08所屬分類：建筑師職稱論文瀏覽：1次
摘 要： 摘要：在電廠生產(chǎn)過程中，安全帽對于保障員工的安全具有非常重要的作用。工作人員在進行生產(chǎn)操作時未正確穿戴安全帽有可能直接導(dǎo)致事故的發(fā)生。在開發(fā)電廠不安全行為視頻檢測系統(tǒng)中，安全帽的檢測將是一項需要解決的關(guān)鍵問題。本文通過收集現(xiàn)場圖片信息和人
摘要：在電廠生產(chǎn)過程中，安全帽對于保障員工的安全具有非常重要的作用。工作人員在進行生產(chǎn)操作時未正確穿戴安全帽有可能直接導(dǎo)致事故的發(fā)生。在開發(fā)電廠不安全行為視頻檢測系統(tǒng)中，安全帽的檢測將是一項需要解決的關(guān)鍵問題。本文通過收集現(xiàn)場圖片信息和人工標注的方法，構(gòu)建了訓(xùn)練集和測試集。通過采用深度學習算法，在數(shù)據(jù)集上得到了一種具備安全帽檢測的神經(jīng)網(wǎng)絡(luò)模型。經(jīng)驗證，該模型在構(gòu)建的測試集上達到了良好的檢測效果。
關(guān)鍵詞：安全帽;不安全行為;深度學習;卷積神經(jīng)網(wǎng)絡(luò)
0引言
安全生產(chǎn)一直是電廠生產(chǎn)中很重要的一部分，只有保障了員工的安全，才能保證企業(yè)的利益[1]。但是在實際的生產(chǎn)過程中，不安全行為時有發(fā)生(不安全行為是指生產(chǎn)經(jīng)營單位從業(yè)人員在進行生產(chǎn)操作時的違反安全生產(chǎn)客觀規(guī)律有可能直接導(dǎo)致事故的行為)。對2017年全國安全生產(chǎn)數(shù)據(jù)分析后，發(fā)現(xiàn)生產(chǎn)安全事故中95%的原因是作業(yè)人員的不安全行為導(dǎo)致的，如越權(quán)限進入工作場所、違章操作、未正確穿戴勞保用品、操作失誤或忽視安全警告等[2]。開發(fā)不安全行為視頻監(jiān)測系統(tǒng)是一種有效杜絕人員不安全行為的手段。在不安全行為中，未佩戴安全帽的行為是企業(yè)監(jiān)控和防范的重點[3][4]。
在開發(fā)不安全行為視頻監(jiān)測系統(tǒng)中，安全帽佩戴自動檢測是系統(tǒng)重要的部分。這是督促員工佩戴安全帽的利器。可提高工人安全意識，將意外扼殺在搖籃中。
目前安全帽檢測系統(tǒng)多采用聯(lián)動門禁模式和動態(tài)檢測模式。在聯(lián)動門禁模式時，當工作人員要進入防護區(qū)域進行工作時，門禁刷卡后，通過部署于大門上方的攝像機檢測人員是否佩戴安全帽，若未佩戴安全帽則無法開啟門禁。工作人員必須佩戴安全帽才能打開門禁進入防護區(qū)工作。在動態(tài)檢測模式時，通過部署于高危區(qū)域內(nèi)攝像機，實時檢測攝像機畫面內(nèi)是否有人員活動，當檢測到有人時，同步檢測人員是否佩戴安全帽，若未佩戴安全帽則輸出報警信息，通知后臺監(jiān)控人員。這兩種檢測模式都需要解決安全帽識別的問題。但是在實際工廠的生產(chǎn)過程中，人員可能佩戴不同顏色的安全帽并且人員工作時的姿態(tài)也多變，這些因素會導(dǎo)致安全帽檢測的準確程度不高，影響到系統(tǒng)的正常使用，所以目前設(shè)計一種準確識別安全帽的算法有著非常重要的實用意義，本文提出了一種基于深度學習[5][6][7]的安全帽檢測算法。
1安全帽檢測數(shù)據(jù)集建立
本文采用某電廠一段時間內(nèi)的視頻監(jiān)控數(shù)據(jù)為訓(xùn)練樣本，利用MATLAB編寫程序?qū)⒁曨l轉(zhuǎn)換為5811張圖片，通過人工挑選的方式去除重復(fù)和無安全帽的數(shù)據(jù)，并對圖像進行旋轉(zhuǎn)、縮放、平移等預(yù)處理操作，豐富樣本集數(shù)量。得到最終的帶有安全帽的訓(xùn)練樣本個數(shù)為46488個。在建立好含有安全帽的數(shù)據(jù)集后，利用LabelImg工具將樣本集中所有圖片的安全帽區(qū)域進行人工標注，并將矩形框坐標位置和對應(yīng)的圖片文件名等信息保存為xml文件。將訓(xùn)練樣本數(shù)據(jù)集按照4∶1的比例分為訓(xùn)練集和驗證集，其中訓(xùn)練集樣本個數(shù)為37190個，驗證集樣本個數(shù)為9298個。通過采集不同于訓(xùn)練樣本的視頻數(shù)據(jù)建立測試集，測試集的建立除不經(jīng)過旋轉(zhuǎn)、縮放、平移等操作其余步驟與訓(xùn)練集樣本建立一致。得到最終的測試樣本集為9000個。
2安全帽檢測算法
由于安全帽顏色多樣和處于場景中的狀態(tài)多變，加上工作環(huán)境光線變化，傳統(tǒng)檢測方式很難兼顧解決以上問題。本文采用基于深度學習卷積神經(jīng)網(wǎng)絡(luò)[8]模型的目標檢測定位方法。由于其方法的獨特性，通過大量訓(xùn)練數(shù)據(jù)的擬合得到一種性能優(yōu)越的檢測方法。
2.1卷積神經(jīng)網(wǎng)絡(luò)
受視覺系統(tǒng)結(jié)構(gòu)的啟發(fā)，卷積神經(jīng)網(wǎng)絡(luò)首次真正實現(xiàn)了多層網(wǎng)絡(luò)結(jié)構(gòu)的學習和訓(xùn)練，它由多個卷積層和池化層(也稱下采樣層)交替組合而成。卷積層通過濾波器獲取圖像的局部特征圖，其權(quán)值共享和局部感受野的特性使網(wǎng)絡(luò)參數(shù)大大減少;池化層通過對輸入的特征圖進行壓縮降維使得圖像對平移、傾斜等空間形變具有高度的抵抗能力。體，得出相應(yīng)檢測結(jié)果，大大提高了檢測速度。因此本文采用基于YOLO卷積神經(jīng)網(wǎng)絡(luò)算法進行安全帽的自動檢測工作。圖3展示了不同顏色和不同狀態(tài)安全帽的檢測結(jié)果。
2.2安全帽區(qū)域檢測
YOLO[10]是用于目標檢測的算法，它可以一次性在圖像上預(yù)測多個物體的位置以及所對應(yīng)的事物的類別，能夠?qū)崿F(xiàn)端到端的目標檢測和識別。YOLO算法實質(zhì)是一個卷積神經(jīng)網(wǎng)絡(luò)，由24個卷積層與2個全連接層構(gòu)成，它采用整圖進行訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，這樣可以更好的區(qū)分待檢測的目標和背景區(qū)域。它能將輸入的圖像劃分為S*S的網(wǎng)格，采用概率進行預(yù)測，如果一個目標的中心落入某個格子中，那么該格子負責檢測該目標。各格自己負責檢測物
3檢測結(jié)果
3.1數(shù)據(jù)集格式
train：用于訓(xùn)練的圖像集合;test：用于測試的圖像集合;train_labels.xml：用戶訓(xùn)練的標注圖像內(nèi)容。內(nèi)容格式如表1。
3.2實驗評價標準
本文對YOLO目標檢測結(jié)果做了實驗分析，評價標準分別為檢測準確率和誤檢率。其中YOLO檢測準確率越高越好，安全帽檢測誤檢率越低越好。
3.3實驗結(jié)果
在測試樣本集中對訓(xùn)練的模型進行了測試，對于9000張測試圖像，檢測的準確率達到85.67%，誤檢率為4.6%，展示了非常好的效果。
4結(jié)論
本文采用機器學習的方法，通過構(gòu)建安全帽訓(xùn)練數(shù)據(jù)集，將深度學習模型卷積神經(jīng)網(wǎng)絡(luò)和YOLO目標檢測算法應(yīng)用于安全帽檢測。經(jīng)實驗分析，本文通過深度學習方法得到的神經(jīng)網(wǎng)絡(luò)模型識別效果明顯，對識別不同顏色和不同狀態(tài)下的安全帽都具有良好的效果。為進一步開發(fā)不安全行為檢測系統(tǒng)提供了方法。
相關(guān)期刊推薦：《河北省科學院學報》(季刊)創(chuàng)刊于1984年，是由河北省科學院主辦的自然科學學術(shù)性刊物，國內(nèi)外公開發(fā)行。辦刊宗旨：繁榮科學文化、促進學術(shù)交流、發(fā)現(xiàn)人才、為兩個文明建設(shè)服務(wù)。主要刊登應(yīng)用數(shù)學、計算機技術(shù)、自動化、能源、化工、地理科學及生物技術(shù)等學科的學術(shù)論文。有投稿需求的作者，可以咨詢期刊天空在線編輯。
