摘 要

　　安全帽作為施工人員防護頭部的工具，對工人的人身安全有著(zhù)極 其重要的作用。現存的安全帽佩戴狀態(tài)檢測主要是基于人工監控，人 工監控要求監測人員時(shí)刻保持在崗狀態(tài)，但是人工監控容易出現疏 漏，存在漏檢情況。基于計算機視覺(jué)的安全帽佩戴狀態(tài)檢測可以代替 人工監控工作。在不同施工場(chǎng)景下檢測安全帽的佩戴情況已成為人工 智能、模式識別等領(lǐng)域的研究熱點(diǎn)，尤其是在計算機視覺(jué)領(lǐng)域。針對 安全帽佩戴狀態(tài)檢測的復雜性，本文從圖像特征描述、特征提取、目 標檢測等環(huán)節提出了兩種檢測研究方法。本文具體研究工作和創(chuàng )新點(diǎn) 包括以下兩點(diǎn)：

　　一、提出一種改進(jìn)增強隨機蕨算法（Improved Boosted Random Ferns Algorithm, IBRFs），并應用在安全帽佩戴狀態(tài)檢測中。針對安 全帽佩戴狀態(tài)檢測在復雜的建筑場(chǎng)景下容易失效的問(wèn)題，本文以隨機 蕨算法作為基礎，首先，利用方向梯度直方圖（Histogram of Oriented Gradient, HOG）對圖像進(jìn)行特征提取，形成圖像的特征域空間；其次， 在特征域空間采用隨機二元測試的方法構建隨機蕨；再次，在隨機蕨 上選擇目標與背景之間存在顯著(zhù)差異的位置點(diǎn)和參數，構建具有一定 識別能力的弱分類(lèi)器；最后，采用 Real AdaBoost 算法，構建強分類(lèi) 器對圖像進(jìn)行分類(lèi)預測。由于 Real AdaBoost 算法中分類(lèi)器的構建只 是將多個(gè)弱分類(lèi)器進(jìn)行簡(jiǎn)單的加權組合，沒(méi)有很好的發(fā)揮弱分類(lèi)器的 作用，因此本文提出了一種改進(jìn)增強隨機蕨算法，利用加權系數法選 擇多個(gè)判別性較強的弱分類(lèi)器構建強分類(lèi)器。在實(shí)時(shí)的安全帽檢測任務(wù)中，本文提出的 IBRFs 算法檢測精確度達到 92.74%,相對于 BRFs 算法準確率提高了 9.5%左右，極大地提高了分類(lèi)準確率。在普通環(huán) 境下，可以實(shí)現 8 f / s的檢測速度，滿(mǎn)足實(shí)時(shí)檢測的要求。

　　二、構建ResNet50-SSD（ResNet50-Single Shot Multi-box Detector） 模型，并應用在安全帽佩戴狀態(tài)檢測中。為了解決實(shí)時(shí)場(chǎng)景下小尺寸 目標檢測準確性較低的問(wèn)題，本文提出了一種基于 ResNet50-SSD 的 安全帽佩戴狀態(tài)檢測模型。該模型以 SSD（Single Shot Multi-box Detector）網(wǎng)絡(luò )作為基礎，首先，將基礎網(wǎng)絡(luò )VGG-16替換為ResNet-50, 并對 ResNet-50 中 conv4_x 的第一個(gè)殘差網(wǎng)絡(luò )結構進(jìn)行修改，使得第 一個(gè)輸出的特征矩陣大小不變；其次，在 conv4_x 之后添加一系列的 附加層，并引入批量歸一化（Batch Normalization, BN）層，加快網(wǎng) 絡(luò )收斂速度；再次，分別在不同的特征層上對不同尺寸的目標進(jìn)行預 測；最后，通過(guò)非極大值抑制算法，濾除掉小概率的目標得到最終的 檢測結果。在國際公開(kāi)的安全帽數據集 SHWD 上，本文提出的 ResNet50-SSD 模型檢測精確度為 80.4%,相對于 VGG16-SSD 模型提高 了 2.23%左右，檢測速度為每秒 35 幀，滿(mǎn)足實(shí)時(shí)檢測的要求。 本文將提出的兩種算法分別在實(shí)時(shí)場(chǎng)景下的數據集和國際公開(kāi) 的數據集上對安全帽佩戴狀態(tài)進(jìn)行實(shí)驗檢測，并與現存的其它先進(jìn)目 標檢測算法進(jìn)行比較并分析，驗證了本文算法在檢測精確度和實(shí)時(shí)性 上的優(yōu)越性。通過(guò)實(shí)驗驗證，本文提出的算法在確保較高檢測精確度 的同時(shí)亦能滿(mǎn)足實(shí)時(shí)檢測的要求，具有較強的泛化能力和魯棒性，能 夠適應復雜環(huán)境下的安全帽佩戴狀態(tài)實(shí)時(shí)檢測。

　　關(guān)鍵詞：目標檢測安全，帽佩戴狀態(tài)檢測，增強隨機蕨加權系數，ResNet50-SSD

　　Abstract:

　　Safety helmet, as a tool to protect the head of constructor, plays an extremely important role in the personal safety protection of workers. The existing helmet wearing status detection is mainly based on manual monitoring. Manual monitoring requires monitoring personnel to keep on duty at all times, however, manual monitoring is prone to oversight, there is a situation of missing inspection. Safety helmet wearing status detection based on computer vision can replace manual monitoring. Detecting the wearing of safety helmet in different construction scenarios has become a research hot spot in artificial intelligence, pattern recognition and other fields, especially in computer vision field. Aiming at the complexity of detecting the safety helmet wearing status, this paper proposes two detection methods in the process of image feature description, feature extraction, and object detection. The specific research work and innovations of this paper include the following two point

　　1. Propose an Improved Boosted Random Ferns Algorithm （IBRFs） and apply it to the detection of safety helmet wearing status. Aiming at the problem that helmet wearing status detection is easy to fail in complex architectural scenes, this paper takes random ferns algorithm as the basis. Firstly, the image features are extracted by Histogram of Oriented Gradient （HOG） to form the feature domain space of the image. Secondly, random ferns were constructed by random binary test in feature domain space. Then, the position points and parameters with significant difference between object and background were selected on random ferns to construct weak classifiers with certain recognition ability. Finally, the Real AdaBoost algorithm is used to construct a strong classifier for image classification and prediction. Since the construction of classifier in Real AdaBoost algorithm is only a simple weighted combination of multiple weak classifiers and does not play the role of weak classifiers well, an improved enhanced random ferns algorithm is proposed in this paper. The weighted coefficient method is used to select multiple weak classifiers with strong discriminant characteristics to build a strong classifier. In the real-time helmet detection task, the detection accuracy of the IBRFS model proposed in this paper reaches 92.74%, which is about 9.5% higher than that of the BRFS model, and greatly improves the classification accuracy of the classifier. In a normal environment, the detection speed of 8 f / s can be achieved to meet the requirements of real-time detection.

　　2. The ResNet50-SSD （ResNet50-Single Shot Multi-box Detector） network is constructed and applied in the safety helmet wearing status detection. In order to solve the problem of low accuracy of small-scale object detection in real-time scenes, this paper proposes a method of helmet wearing status detection based on ResNet50-SSD network. The model is based on the SSD （Single Shot Multi-box Detector） network. Firstly, the basic network VGG-16 is replaced with ResNet-50, and the structure of the first residual network of conv4_x in ResNet-50 is modified to make the size of the eigenmatrix of the first output constant; Secondly, a series of additional layers are added after conv4_x and the Batch Normalization （BN） layer is introduced to speed up the convergence of the network. Thirdly, the objects of different sizes are predicted in different feature layers. Finally, the non-maximum suppression algorithm is used to filter out the objects with low probability to get the final detection result. On the international pubilc safety helmet dataset SHWD, the detection accuracy of the ResNet50-SSD model proposed in this paper reaches 80.4%, Compared with vgg16-ssd model, it improves by 2.23%, and the detection speed is 35 frames per second, which meets the requirements of real-time detection.

　　The two algorithms proposed in this paper are used to test the wearing status of safety helmets in real-time scenes datasets and international public datasets respectively, and compared with other existing advanced object detection algorithms, it verifies the superiority of the proposed algorithm in detection accuracy and real-time performance. Through experimental verification, the proposed algorithm can not only ensure high detection accuracy, but also meet the requirements of real-time detection. It has strong generalization ability and robustness, and can adapt to real-time detection of safety helmet wearing status in complex environment.

　　Keywords: Object detection Safety helmet wearing status detection Boosted Random Ferns Weighting coefficient ResNet50-SSD

　　目 錄

　　1 緒 論

　　在本章中，首先，對本文的研究背景及意義進(jìn)行簡(jiǎn)要闡述；其次，對國內外安全 帽佩戴狀態(tài)檢測研究的最新研究現狀進(jìn)行闡述，分析現存的主要問(wèn)題；最后，介紹本 文的主要研究?jì)热荩�并對本文的組織結構進(jìn)行簡(jiǎn)要概括。

　　1.1 研究背景及意義

　　1.1.1 研究背景

　　近年來(lái)，隨著(zhù)城鎮化建設、新農村建設的加速發(fā)展，國家大力發(fā)展基礎設施建設， 各類(lèi)施工作業(yè)遍布大小城市。生產(chǎn)安全也成為了國家及各級政府最為關(guān)注和重視的問(wèn) 題，然而許多施工場(chǎng)地仍存在著(zhù)嚴重的安全隱患，根據住房和城鄉建設部統計，2019 年全國共發(fā)生房屋市政工程生產(chǎn)安全事故773起、死亡904人，給社會(huì )和家庭帶來(lái)了巨 大的損失，建筑施工行業(yè)的安全形勢十分嚴峻[1].因此，最大限度地降低安全隱患， 提高施工人員自身的安全意識迫在眉睫。雖然通過(guò)安全教育培訓，可以增強作業(yè)工人 的安全意識，一定程度上減少安全事故發(fā)生的概率，但是，要從根本上解決問(wèn)題，避 免因為未佩戴安全帽而造成的安全事故，還是需要科學(xué)、合理、高效的監控和管理[2]. 隨著(zhù)科技的發(fā)展，大多數的施工作業(yè)場(chǎng)地都安裝了監控設備，負責監控管理的人 員會(huì )定時(shí)進(jìn)行視頻監控處理，實(shí)現安全帽佩戴狀態(tài)的實(shí)時(shí)監測，但是目前的安全帽檢 測系統依舊存在著(zhù)以下問(wèn)題：

　　（1）檢測精確度低：目前的安全帽檢測算法分為傳統的目標檢測算法和深度學(xué) 習檢測算法。但是由于施工場(chǎng)景復雜、檢測目標之間存在部分遮擋、現場(chǎng)天氣變化、 光照等影響，導致安全帽佩戴狀況的檢測精確度較低。

　　（2）檢測成本較高：對整個(gè)施工現場(chǎng)部署攝像頭，規模較大且經(jīng)濟成本較高。 而且，施工場(chǎng)地工作繁忙且復雜，若專(zhuān)門(mén)安排人員進(jìn)行監控，極大地消耗了人力、物 力、財力。而且檢測工人不在工作崗位時(shí)，容易出現漏檢的情況，一旦出現疏漏，將 會(huì )造成不可估量的后果。

　　1.1.2 研究意義

　　安全帽作為施工人員最基本的安全防護用品，主要作用是保護施工現場(chǎng)人員的頭 部安全，防止被尖銳物體打擊、碰撞，對施工人員的個(gè)人人身安全及財產(chǎn)安全有著(zhù)很重要的意義[3-4].在施工現場(chǎng)，由于施工人員不重視、缺乏安全意識、掌握安全知識 欠缺等造成的一系列違規違紀操作，安全事故發(fā)生的現象時(shí)有發(fā)生。由于施工作業(yè)場(chǎng) 地環(huán)境較為復雜、范圍較廣、施工作業(yè)人員數量較多、負責監督管理的人員有限等原 因，要對施工現場(chǎng)工人安全帽佩戴狀態(tài)進(jìn)行全方位、全過(guò)程的檢測是很難實(shí)現的。 為了保證施工作業(yè)人員的人身財產(chǎn)安全，有必要采用人工智能的技術(shù)方法，減少 施工現場(chǎng)因為沒(méi)有佩戴安全帽而導致的安全事故發(fā)生。本課題基于計算機視覺(jué)，從理 論上，對主流的目標檢測算法進(jìn)行詳細闡述，并做了相關(guān)的改進(jìn)，結合圖像處理技術(shù) 提出了安全帽佩戴狀態(tài)的檢測方法。實(shí)現了復雜作業(yè)場(chǎng)景下施工作業(yè)人員是否佩戴安 全帽的精確檢測，降低了施工人員由于未佩戴安全帽而引發(fā)的安全事故發(fā)生率，對施 工現場(chǎng)的安全規范管理具有一定的指導意義和實(shí)際應用價(jià)值。

　　1.2 國內外研究現狀

　　安全帽佩戴狀態(tài)檢測實(shí)際為二分類(lèi)對象檢測問(wèn)題，為了提高安全帽佩戴狀況檢測 的精確度和實(shí)時(shí)性，國內外學(xué)者開(kāi)展了很多具有創(chuàng )新性的研究工作。在模式識別領(lǐng)域 中，安全帽佩戴狀態(tài)檢測方法主要分為傳統的目標檢測算法和基于深度學(xué)習的檢測算 法，為施工現場(chǎng)安全帽佩戴狀態(tài)檢測研究提供了較有價(jià)值的借鑒。

　　1.2.1 基于傳統模式識別的安全帽佩戴狀態(tài)檢測

　　基于傳統目標檢測算法的安全帽佩戴狀態(tài)檢測，首先，采用滑動(dòng)窗口對圖像上每 個(gè)像素點(diǎn)進(jìn)行遍歷；其次，對檢測目標的某種特性進(jìn)行統計描述；最后，通過(guò)分類(lèi)的 方法或者對提取到的特征進(jìn)行建模，判定檢測目標是否佩戴安全帽。

　　Rubaiyat 等人提出了一種基于特征提取的安全帽佩戴檢測算法[5].首先，結合方 向梯度直方圖 HOG 和圖像的頻域信息，對施工人員進(jìn)行檢測；其次，結合顏色和圓 環(huán)霍夫變換（Circle Hough Transform,CHT）特征，對安全帽進(jìn)行檢測。該方法在安 全帽佩戴檢測任務(wù)中，能夠實(shí)現安全帽的檢測，但是檢測精確度較低且只能檢測特定 顏色的安全帽，泛化能力較差。李瀟等人提出了一種基于支持向量機（Support Vector Machine,SVM）分類(lèi)器與特征提取的安全帽檢測模型[6].首先，采用幀間差分法對 視頻圖像進(jìn)行分割；其次，提取圖像的 HOG 特征，并通過(guò) SVM 分類(lèi)器判斷圖像中 是否存在行人；最后，對圖像中的行人提取 Haar-like 特征，并采用 AdaBoost 分類(lèi)器 判斷行人是否佩戴安全帽。該方法提取圖像的雙重特征，很大程度上提高了檢測精確 度，但是特征提取的過(guò)程較復雜、泛化能力差，不能滿(mǎn)足實(shí)時(shí)檢測。馮國臣等人提出了一種基于混合高斯模型的安全帽自動(dòng)檢測模型[7].首先，采用混合高斯模型在圖像 預處理階段進(jìn)行前景檢測；其次，對連通域進(jìn)行處理分析，判斷該連通域是否屬于人 體，實(shí)現檢測目標的自動(dòng)跟蹤；最后，在定位到的人頭區域進(jìn)行安全帽佩戴狀態(tài)的自 動(dòng)檢測識別。該方法檢測精確度高，受環(huán)境變化影響較小，但是在圖像處理階段耗時(shí) 較長(cháng)，在實(shí)際應用中很難滿(mǎn)足實(shí)時(shí)檢測。劉曉慧等人提出了一種基于 SVM 分類(lèi)器的 安全帽檢測算法[8].

　　首先，對圖像進(jìn)行預處理，建立安全帽數據集；其次，采用膚色 檢測的方法對人臉區域進(jìn)行定位，獲得安全帽所在位置的粗略定位，并手動(dòng)剪裁安全 帽所在區域圖像；接著(zhù)，提取安全帽的 Hu 矩特征向量；最后，結合 Hu 矩特征向量 和 SVM 分類(lèi)模型給出最終分類(lèi)結果。該方法相對于神經(jīng)網(wǎng)絡(luò )縮短了時(shí)間、識別率也 有一定的提升、具有較好的泛化能力。但是，該方法應用場(chǎng)景單一，僅用于工地進(jìn)出 口等固定場(chǎng)景，而且受視角影響較大。周艷青等人提出了一種基于局部二值模式 （Local Binary Pattern, LBP）特征的安全帽檢測算法[9].首先，對視頻圖像進(jìn)行預處 理，得到大小為22 ? 22的人頭區域圖像；其次，提取該部分的局部二進(jìn)制統計特征； 最后，利用反向傳播網(wǎng)絡(luò )（Back Propagation, BP）神經(jīng)網(wǎng)絡(luò )對檢測目標進(jìn)行分類(lèi)預測， 得到最終的檢測結果。該方法簡(jiǎn)單易行，但是由于圖像分辨率低、實(shí)際應用環(huán)境復雜， 所以檢測精確度還有待提高。

　　王雨生等人提出了一種基于姿態(tài)估計的安全帽佩戴狀態(tài) 檢測算法[10].首先，在 OpenRose 模型上引入了殘差網(wǎng)絡(luò )對檢測目標進(jìn)行姿態(tài)估計； 其次，通過(guò)三點(diǎn)定位法確定頭部的位置，縮小目標檢測范圍；最后，使用 RetinaNet 網(wǎng)絡(luò )對頭部區域進(jìn)行檢測判斷安全帽的佩戴情況。該方法很好地解決安全帽與施工背 景之間類(lèi)別不平衡的問(wèn)題。由于檢測的頭部區域是確定的，訓練時(shí)檢測效果較好，但 是在實(shí)際應用中泛化能力較弱，對較小尺寸的目標檢測效果不理想。Park 等人提出了 一種基于背景差分法的安全帽檢測算法[11].

　　首先，利用背景差分法提取前景，基于圖 像的 HOG 域提取目標邊緣特征；其次，通過(guò)支持向量機實(shí)現人體和安全帽的檢測； 最后，根據人體和安全帽的空間幾何關(guān)系確定工作人員是否佩戴安全帽。但是，當檢 測目標被部分遮擋，或者處于非站立、靜止不動(dòng)的時(shí)候，該方法存在一定的局限性。 綜上所述，現存的基于傳統模式識別的安全帽佩戴狀態(tài)檢測，在實(shí)際應用中存在 檢測效果差、檢測速度相對較慢、模型泛化能力差等問(wèn)題。在實(shí)際應用中不能滿(mǎn)足實(shí) 時(shí)監測的要求。

　　1.2.2 基于深度學(xué)習的安全帽佩戴狀態(tài)檢測

　　基于深度學(xué)習的目標檢測算法是現存的主流方法，通過(guò)多次的卷積、池化處理， 將得到的特征矩陣輸入分類(lèi)器進(jìn)行檢測判定[12-17].

　　首先，通過(guò)卷積層實(shí)現目標的特征 提取；其次，將提取到的特征輸入分類(lèi)器中，得到最終的分類(lèi)結果。 徐先峰等人提出了一種基于 MobileNet-SSD 的安全帽佩戴情況檢測方法[18].首 先，該網(wǎng)絡(luò )引入 MobileNet 網(wǎng)絡(luò )替換單點(diǎn)多框檢測（Single Shot Multi-box Detector, SSD）網(wǎng)絡(luò )中的 backbone,構建更加輕量化的網(wǎng)絡(luò )，提高模型的檢測速度；其次，引 入遷移學(xué)習策略解決模型訓練困難的問(wèn)題。在安全帽檢測任務(wù)中，MobileNet-SSD 相 比較于 SSD,在 CPU 平臺下的檢測速度得到了很大的提升，但是檢測精確度有一定 的損失。陳柳等人提出一種基于視覺(jué)感受野的輕量化卷積神經(jīng)網(wǎng)絡(luò )對安全帽佩戴情況 進(jìn)行檢測研究[19].首先，該網(wǎng)絡(luò )在 RFNet 網(wǎng)絡(luò )的基礎上添加了特征金字塔網(wǎng)絡(luò )模塊； 其次，在保證特征提取能力不變的情況下，采用 SE-Ghost 模塊對主干網(wǎng)絡(luò )進(jìn)行輕量 化處理；最后，在復雜的施工環(huán)境下對不同形態(tài)不同尺度大小的安全帽進(jìn)行識別檢測。

　　與卷積神經(jīng)網(wǎng)絡(luò )相比，該方法在確保檢測精確度的同時(shí)，采用了輕量化的模塊，極大 地縮小了網(wǎng)絡(luò )儲存空間，提高了檢測速度。龐殊楊等人提出了一種基于多任務(wù)級聯(lián)卷 積神經(jīng)網(wǎng)絡(luò )（Multitask Cascaded Convolutional Neural Networks, MTCNN）網(wǎng)絡(luò )的安全 帽識別方法[20].首先，對 MTCNN 網(wǎng)絡(luò )進(jìn)行簡(jiǎn)化；其次，采用普通卷積層構建全卷積 網(wǎng)絡(luò )，提高模型檢測精確度；再次，引入輕量化網(wǎng)絡(luò )結構 MobileNet 對網(wǎng)絡(luò )進(jìn)行優(yōu)化 處理，減小網(wǎng)絡(luò )儲存參數，加快運行速度；最后，調整網(wǎng)絡(luò )參數對不同尺寸的安全帽 進(jìn)行識別檢測。林俊等人提出了一種基于 YOLO（You Only Look Once, YOLO）的安 全帽佩戴檢測算法[21].

　　首先，將 YOLO 應用到未佩戴安全帽的單類(lèi)檢測問(wèn)題中，對 YOLO 網(wǎng)絡(luò )進(jìn)行修改，將輸出改為 18 維的張量；其次，根據損失函數和 IOU 曲線(xiàn)對 模型進(jìn)行調整，得到最終的安全帽檢測模型。但是，該算法在目標重疊、密集目標場(chǎng) 景下依然會(huì )出現漏檢情況。方明等人提出了一種基于 YOLOv2 的快速安全帽檢測算 法[22].首先，在 YOLOv2 中加入密集塊，提高了對小目標檢測的敏感度；其次，采 用輕量化網(wǎng)絡(luò )結構對網(wǎng)絡(luò )進(jìn)行壓縮，減小了參數量，增加了模型的可用性。改進(jìn)后的 YOLOv2 模型在保證一定的檢測準確率的同時(shí)，很大程度上提升了檢測速度，但是， 當檢測目標和背景顏色相差不大時(shí)，改進(jìn)后的 YOLOv2 模型對顏色的適應性較低， 會(huì )存在漏檢現象。徐守坤等人提出了一種基于語(yǔ)義規則和語(yǔ)義模塊的 YOLOv3 檢測算法對安全帽佩戴情況進(jìn)行檢測研究[23].首先，對采集的數據進(jìn)行預處理，得到安全 帽佩戴檢測數據集和圖像字幕數據集；其次，使用 K-means 算法確定數據集的錨框參 數值，并使用 YOLOv3 網(wǎng)絡(luò )進(jìn)行訓練檢測；再次，定義語(yǔ)義規則并結合目標檢測結 果，提取出視覺(jué)概念；最后，對圖像字幕進(jìn)行填充得到對應的語(yǔ)句模板，并生成安全 帽佩戴的圖像描述語(yǔ)句。施輝等人提出了一種基于 YOLOv3 算法的安全帽佩戴情況 檢測方法[24].首先，通過(guò)圖像金字塔結構獲得不同尺度的特征圖；其次，對目標檢測 框進(jìn)行聚類(lèi)處理，并確定目標檢測框參數；最后，將改進(jìn)的 YOLOv3 模型應用到實(shí) 際場(chǎng)景中，并在訓練過(guò)程中不斷調整輸入圖像的尺寸，增加模型的泛化能力。

　　結果顯 示改進(jìn)后的 YOLOv3 算法在檢測準確率與檢測速率上相較于 YOLOv3 均略有提高， 在保證較高精確度的同時(shí)滿(mǎn)足了安全帽佩戴檢測的實(shí)時(shí)性。徐守坤等人針對安全帽檢 測任務(wù)中存在的部分遮擋、檢測目標尺寸不一以及小目標檢測困難等問(wèn)題，提出了一 種改進(jìn)的 Faster RCNN 和多部件結合的安全帽佩戴檢測算法[25].首先，以 Faster RCNN 網(wǎng)絡(luò )作為基礎，使用多尺度訓練、增加錨點(diǎn)數量對 Faster RCNN 網(wǎng)絡(luò )模型進(jìn)行優(yōu)化， 增強網(wǎng)絡(luò )對不同尺寸目標檢測的魯棒性；其次，引入在線(xiàn)困難樣本挖掘策略，解決正 負樣本不均衡問(wèn)題。該方法解決了目標尺寸差異大、遮擋等問(wèn)題，克服了訓練時(shí)負樣 本空間過(guò)大的缺點(diǎn)，進(jìn)一步提高了檢測的準確率。但是，因為人員的姿態(tài)不一，Faster RCNN 網(wǎng)絡(luò )只能粗略的選取安全帽的相對位置。王兵等人提出了一種基于改進(jìn) YOLOv3 的算法對安全帽佩戴狀態(tài)進(jìn)行檢測研究[26].

　　首先，針對 YOLOv3 目標檢測 算法存在的目標函數與評價(jià)指標不統一的問(wèn)題，將改進(jìn)的 GIOU 算法與 YOLOv3 算 法目標函數相結合，進(jìn)一步減少預測框中負樣本對模型訓練的影響；其次，將改進(jìn)后 的 YOLOv3 算法應用到安全帽佩戴檢測任務(wù)中。改模型實(shí)現了目標函數局部最優(yōu)， 具有很好的魯棒性和泛化能力。王成龍等人提出了基于面部特征與卷積神經(jīng)網(wǎng)絡(luò )相結 合的算法[27].首先，以多任務(wù)級聯(lián)卷積神經(jīng)網(wǎng)絡(luò )（MTCNN）對檢測目標進(jìn)行臉部特 征提取，然后，將卷積神經(jīng)網(wǎng)絡(luò )與 VGG 深度卷積神經(jīng)網(wǎng)絡(luò )相結合實(shí)現安全帽檢測。

　　該檢測模型占用內存小、識別準確性高、算法實(shí)用性強。Cheng Rao 等人提出了一種 SAS-YOLOv3-tiny 算法對安全帽進(jìn)行檢測研究[28].首先，采用三尺度特征進(jìn)行特征預 測；然后，在特征提取網(wǎng)絡(luò )中加入了改進(jìn)的空間金字塔池（SPP）模塊，提取具有豐 富語(yǔ)義信息的局部和全局特征；最后，引入了完全交過(guò)聯(lián)（CIoU）損失對損失函數進(jìn) 行改進(jìn)。該算法在減少參數和計算量的同時(shí)，獲得更多的信息特征，提高檢測性能，速度比重量級模型更快。 綜上所述，基于深度學(xué)習的安全帽佩戴狀態(tài)檢測，在檢測效果上要優(yōu)于傳統的機 器學(xué)習算法，但是，由于至今尚未有公開(kāi)的大型安全帽數據集可供探究，而且基于深 度學(xué)習的目標檢測方法需要很高的硬件支持，所以基于深度學(xué)習的安全帽佩戴檢測研 究在小樣本上的無(wú)偏差估計效果欠佳，實(shí)時(shí)性受到了一定的限制。

　　1.2.3 難點(diǎn)與挑戰

　　安全帽佩戴狀態(tài)檢測，通過(guò)安裝在監控現場(chǎng)的攝像頭或相機獲得圖像，利用計算 機視覺(jué)對圖像進(jìn)行處理，將佩戴安全帽與不佩戴安全帽的人作為兩類(lèi)不同的目標進(jìn)行 檢測。雖然經(jīng)過(guò)多年的研究發(fā)展與積淀，安全帽佩戴檢測取得眾多豐碩的成果，但是 在實(shí)際場(chǎng)景中的安全帽佩戴檢測仍然存在以下幾個(gè)問(wèn)題亟待研究攻克：

　　（1）存在檢測速度低，實(shí)時(shí)性差的問(wèn)題。 對于施工現場(chǎng)的安全帽佩戴行為檢測研究而言，除了要求檢測精確度之外，是否 能進(jìn)行實(shí)時(shí)檢測也是一個(gè)巨大的挑戰。由于訓練模型的參數過(guò)多，導致運行內存占用 量過(guò)高。計算機很難在兼顧檢測精確度的同時(shí)滿(mǎn)足實(shí)時(shí)檢測的要求。因此，如何在確 保檢測精確度的同時(shí)進(jìn)行實(shí)時(shí)監測也是待解決的問(wèn)題之一。

　　（2）存在漏檢、誤檢現象，精確度不高的問(wèn)題。 在實(shí)際場(chǎng)景中，由于安全帽區域占佩戴安全帽工人區域比例相對較小，網(wǎng)絡(luò )可能 會(huì )將未佩戴安全帽的人員誤檢為目標；在人多復雜的環(huán)境下，工人之間相互遮擋、工 人被物體遮擋，導致檢測到的安全帽位置不是很明顯，可能會(huì )存在漏檢和誤檢現象。 因此，如何精確有效地對視頻中的施工人員是否佩戴安全帽進(jìn)行檢測研究，也是現存 的安全帽佩戴狀態(tài)檢測的主要問(wèn)題。

　　1.3 研究?jì)热?/strong>