基于深度级联模型工业安全帽检测算法

计算机与现代化 ›› 2022, Vol. 0 ›› Issue (01): 91-97.

基于深度级联模型工业安全帽检测算法

(1.江西科技师范大学通信与电子学院,江西南昌330013;2.防城港市气象局,广西防城港538001)

出版日期:2022-01-24 发布日期:2022-01-24
作者简介:杨贞(1985—),男,山东菏泽人,讲师,博士,研究方向:目标检测,图像分类,E-mail: yangzhenphd@aliyun.com; 朱强强(1995—),男,安徽阜南人,硕士研究生,研究方向:目标检测,E-mail: qiangqiangzhu@aliyun.com; 彭小宝(1995—),男,江西新余人,硕士研究生, 研究方向:图像分割,E-mail: pengxiaobao@aliyun.com; 殷志坚(1968—),男,江西南昌人,教授,硕士,研究方向:目标识别与跟踪,E-mail: zhijianyin@aliyun.com; 温海桥(1990—),男,江西吉安人,讲师,硕士,研究方向:目标缺陷检测,E-mail: 2874116859qq.com; 黄春华(1986—),女,广西防城港人,高级工程师,学士,研究方向:大数据处理,E-mail: 775710447@qq.com。
基金资助:
国家自然科学基金资助项目(61866016); 江西省自然科学基金面上项目(20202BABL202014); 江西省教育厅一般项目(GJJ190587); 江西省教育厅青年项目(GJJ201142); 江西科技师范大学青年拔尖项目(2018QNBJRC002)

Industrial Safety Helmet Detection Algorithm Based on Depth Cascade Model

(1. College of Communication & Electronics, Jiangxi Science and Technology Normal University, Nanchang 330013, China；
2. Fangchenggang City Meteorological Bureau, Fangchenggang 538001, China)

Online:2022-01-24 Published:2022-01-24

摘要/Abstract

摘要： 在工业生产中，安全帽对人体头部提供了较好的安全保障。在现场环境中，检验施工人员是否佩戴安全帽主要依靠人工检查，因而效率非常低。为了解决施工现场安全帽检测识别难题，提出一种基于深度级联网络模型的安全帽检测方法。首先通过You Only Look Once version 4 (YOLOv4)检测网络对施工人员进行检测；然后运用注意力机制残差分类网络对人员ROI区域进行分类判断，识别其是否佩戴安全帽。该方法在Ubuntu18.04系统和Pytorch深度学习框架的实验环境中进行，在自主制作工业场景安全帽数据集中进行训练和测试实验。实验结果表明，基于深度级联网络的安全帽识别模型与YOLOv4算法相比，准确率提高了2个百分点，有效提升施工人员安全帽检测效果。

关键词: 安全帽, 级联网络, 目标检测, YOLOv4, 残差分类网络, 注意力机制

Abstract: In industrial production, safety helmet provides a better safety guarantee for human head. In the field environment, the inspection of whether the construction personnel wear safety helmet mainly depends on manual inspection, so the efficiency is very low. In order to solve the problem of helmet detection and identification in construction site, this paper proposes a helmet detection method based on the deep cascade network model. Firstly, the construction personnel are detected through the You Only Look Once version 4 (YOLOv4) detection network. Then, the attention mechanism residual classification network is used to classify and judge the ROI region of personnel and identify whether they wear a helmet or not. This method is carried out in the experimental environment of Ubuntu18.04 system and Pytorch deep learning framework, and training and testing experiments are carried out in the self-produced helmet data set. The experimental results show that compared with YOLOv4, the safety helmet recognition model based on the deep cascade network has an accuracy increase of 2 percentage points, which effectively improves the safety helmet detection effect of construction personnel.

Key words: safety helmet, cascade network, target detection, You Only Look Once version 4(YOLOv4), residual classification network, attention mechanism

杨贞, 朱强强, 彭小宝, 殷志坚, 温海桥, 黄春华. 基于深度级联模型工业安全帽检测算法[J]. 计算机与现代化, 2022, 0(01): 91-97.

YANG Zhen, ZHU Qiang-qiang, PENG Xiao-bao, YIN Zhi-jian, WEN Hai-qiao, HUANG Chun-hua. Industrial Safety Helmet Detection Algorithm Based on Depth Cascade Model[J]. Computer and Modernization, 2022, 0(01): 91-97.

参考文献

［1］李夕兵,杜晶,洪亮. 工业安全帽的抗冲击性能［J］. 中南大学学报(自然科学版), 2011,42(6):1692-1697.

［2］王思甜,赵禹平,刘云飞. 基于图像处理的城市智能化交通系统设计［J］. 科技与创新, 2019(9):42-44.

［3］黄凯奇,陈晓棠,康运锋,等. 智能视频监控技术综述［J］. 计算机学报, 2015,38(6):1093-1118.
［4］陈学斌. 基于人工智能的工业互联网生产设备故障检测研究［J］. 信息通信, 2020(8):143-144.
［5］杨露,牛燕雄,张颖,等. 星载光电成像系统空间目标的检测与识别技术研究［J］. 激光与光电子学进展, 2014,51(12):112-118.
［6］冯国臣,陈艳艳,陈宁,等. 基于机器视觉的安全帽自动识别技术研究［J］. 机械设计与制造工程, 2015,44(10):39-42.
［7］刘晓慧,叶西宁. 肤色检测和Hu矩在安全帽识别中的应用［J］. 华东理工大学学报(自然科学版), 2014,40(3):365-370.
［8］周艳青,薛河儒,姜新华,等. 基于LBP统计特征的低分辨率安全帽识别［J］. 计算机系统应用, 2015,24(7):211-215.
［9］林俊,党伟超,潘理虎,等. 基于YOLO的安全帽检测方法［J］. 计算机系统应用, 2019,28(9):174-179.
［10］REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: Unified, real-time object detection［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. 2016:779-788.
［11］施辉,陈先桥,杨英. 改进YOLOv3的安全帽佩戴检测方法［J］. 计算机工程与应用, 2019,55(11):213-220.
［12］REDMON J, FARHADI A. YOLOv3: An incremental improvement［J］. arXiv preprint arXiv:1804.02767, 2018.
［13］吴冬梅,王慧,李佳. 基于改进Faster RCNN的安全帽检测及身份识别［J］. 信息技术与信息化, 2020(1):17-20.
［14］吴红兵,杨道朋,赵兵,等. 基建现场视频监控系统的应用及关键技术研究［J］. 中国新通信, 2019,21(24):111.
［15］BOCHKOVSKIY A, WANG C Y, LIAO H Y M. YOLOv4: Optimal speed and accuracy of object detection［J］. arXiv preprint arXiv:2004.10934, 2020.
［16］LIU W, ANGUELOV D, ERHAN D, et al. SSD: Single shot multiBox detector［C］// 2016 European Conference on Computer Vision. 2016:21-37.
［17］LIN T Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. 2017:2999-3007.
［18］REDMON J, FARHADI A. YOLO9000: Better, faster, stronger［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. 2017:6517-6525.
［19］YU J H, JIANG Y N, WANG Z Y, et al. UnitBox: An advanced object detection network［C］// Proceedings of the 24th ACM International Conference on Multimedia. 2016:516-520.
［20］WANG C Y, LIAO H Y M, WU Y H, et al. CSPNet: A new backbone that can enhance learning capability of CNN［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2020:1571-1580.
［21］LIU S, QI L, QIN H F, et al. Path aggregation network for instance segmentation［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018:8759-8768.
［22］GHIASI G, LIN T Y, LE Q V. DropBlock: A regularization method for convolutional networks［C］// Proceedings of the 32nd International Conference on Neural Information Processing Systems. 2018:10750-10760.
［23］HU J, SHEN L, SUN G. Squeeze-and-excitation networks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018:7132-7141.
［24］ZHENG Z H, WANG P, LIU W, et al. Distance-IoU loss: Faster and better learning for bounding box regression［C］// Proceedings of the 2020 AAAI Conference on Artificial Intelligence. 2020,34(7):12993-13000.

[1]	何思达, 陈平华. 基于意图的轻量级自注意力序列推荐模型[J]. 计算机与现代化, 2024, 0(12): 1-9.
[2]	赵晨阳, 薛涛, 刘俊华. 基于改进Stable Diffusion的时尚服饰图案生成[J]. 计算机与现代化, 2024, 0(12): 15-23.
[3]	黄庭培1, 马禄彪1, 李世宝2, 刘建航1. 基于WiFi和原型网络的手势识别方法[J]. 计算机与现代化, 2024, 0(12): 34-39.
[4]	张晓东1, 白广芝1, 李敏1, 李昊洋2. 基于经验小波变换的油气井产量预测模型 [J]. 计算机与现代化, 2024, 0(12): 53-58.
[5]	刘云海1, 冯广1, 吴晓婷2, 杨群2. 复杂施工场景下的安全帽佩戴检测算法[J]. 计算机与现代化, 2024, 0(12): 66-71.
[6]	谷岳, 邓松峰, 沈霁, 穆文涛, 赵恩棋. 基于改进YOLOv8的SAR舰船目标检测算法[J]. 计算机与现代化, 2024, 0(12): 78-83.
[7]	王艳媛, 茅正冲. 中英文场景文本图像的检测和识别算法[J]. 计算机与现代化, 2024, 0(12): 84-90.
[8]	陈亮, 李诚, 易伟, 熊伟, 汪晓帆, 唐海东. 基于毫米波雷达与视觉融合的电力现场安全帽佩戴检测[J]. 计算机与现代化, 2024, 0(12): 100-107.
[9]	李钧超1, 尤菲1, 张超2, 苏乐乐2, 龚龑2. 基于新型多目标浣熊优化算法的BiLSTM-Attention#br# 预测模型及误差分析[J]. 计算机与现代化, 2024, 0(11): 70-76.
[10]	张宇1, 2, 黎靖1, 2, 马铭1, 2, 王众祥1, 2, 孙妍1, 2. YOLOLW:一个新的轻量级目标检测模型[J]. 计算机与现代化, 2024, 0(11): 91-98.
[11]	董玉玟. 基于改进YOLOv7-tiny的多尺度运动目标检测算法[J]. 计算机与现代化, 2024, 0(11): 99-105.
[12]	祁贤, 刘大铭, 常佳鑫. 基于改进自注意力机制的多视图三维重建[J]. 计算机与现代化, 2024, 0(11): 106-112.
[13]	陈凯1, 李宜汀1, 2, 全华凤1 . 基于改进YOLOv8的河道废弃瓶检测方法[J]. 计算机与现代化, 2024, 0(11): 113-120.
[14]	杨骏1, 胡为1, 朱文福2. 基于改进MobileNetV3的视觉SLAM回环检测算法[J]. 计算机与现代化, 2024, 0(10): 21-26.
[15]	魏学诚1, 江凌云1, 李研2, 何非2. 改进YOLOv5的路侧单目视角小目标检测算法[J]. 计算机与现代化, 2024, 0(10): 27-34.