基于卷积神经网络的施工人员佩戴安全帽智能判别方法研究.docx

??

?

??

基于卷积神经网络的施工人员佩戴安全帽智能判别方法研究

?

??

?

?

?

?

?

?

?

???

?

?

?

?

?

摘要：针对土木工程结构施工现场人员安全帽佩戴情况识别问题，对基于卷积神经网络的施工人人员佩戴安全帽智能判别方法进行了研究，并设计了一套安全帽佩戴智能识别软件系统。卷积神经网络模型主要包括AlexNet网络和FasterR-CNN网络。网络模型在Matlab中进行了训练和验证，训练损失小于0.2%，验证了该智能判别方法的有效性。

关键词：卷积神经网络，AlexNet，FasterR-CNN，安全帽

?

引言

在土木工程结构的建设和生产过程中，安全一直是永恒不变的主题。根据大数据统计，许多施工现场安全生产事故常常是由人为因素造成的。随着信息技术的发展和人们安全意识的提高，对于智能安防系统中的安全帽佩戴情况检测算法研究成为了热门的课题。安全帽佩戴检测作为土木工程结构建设和生产过程中施工作业人员穿戴规范性检测的一个重要研究内容，其安全帽本身具有一些鲜明的特征，适合被用作检测目标。70年代后期，Marr首次提出了计算机视觉理论后，计算机视觉便成了人工智能领域的热门研究方向之一。它主要的研究内容是如何将信号输入手段由各种成像系统代替视觉器官，然后对信息的处理和解释再通过计算机代替大脑来完成。目前，国内外已有一些学者对计算机视觉下安全帽的检测和识别进行了研究，具体有以下几种：结合目标检测和颜色特征的安全帽检测方法[1]、结合特征和分类器的安全帽检测方法[2]-[10]、基于颜色区域与目标位置关系的方法[11]、基于安全帽边缘特征的检测方法。

本文结合计算机视觉中的目标识别技术（ObjectDetectTechniques），利用多旋翼无人机搭载高清照相机从施工作业区获取现场图像，设计了一套用于土木工程结构施工作业现场工作人员安全帽智能识别的软件系统，对其中作业人员的穿戴进行识别和规范性检测，并对不规范的穿戴行为及时发出警告，进而排除安全隐患，保障施工现场作业人员的安全。

————————

通讯作者：刘韶新，硕士研究生，工程师，研究方向：桥梁工程，E-mail：247881418@

?

核心算法理论

本文所研究的基于CNN和FasterR-CNN网络的安全帽智能识别方法，主要内容包含以下两个模块。

?

AlexNet网络算法理论

本模块主要研究无人机采集图像中施工作业人员的识别分类，主要采用了基于卷积神经网络AlexNetCNN的深度学习算法。

AlexNet模型主要由五层卷积层、两层全连接层以及一个Softmax分类器组成，其网络架构如图2-1所示。本模块对AlexNet模型进行了调整，调整后AlexNet模型的输入数据为500×500像素的三通道图像，第一个卷积层使用96个11×11尺寸的卷积核进行卷积运算，其中步长的选择为4，第一层的输出为123×123像素的96个特征图。然后对数据进行ReLU激活函数和归一化处理并将处理后的数据作为池化层的输入数据，然后对这些数据进行最大池化Maxpool运算。在第二个卷积层中卷积核进行调整，使用128个尺寸为5×5的卷积核对数据进行卷积池化，输出30×30的特征图。第三层卷积层中的卷积核尺寸为3×3，卷积池化操作后的输出为30×30的384个特征图。第四层卷积层中为尺寸为3×3的卷积核，经过ReLU激活函数输出为30×30的384个特征图。第五层卷积层中的卷积核的尺寸为3×3，经过卷积池化操作输出为30×30的256个特征图，这些卷积层中均有ReLU激活函数操作。

图2-1AlexNet模型网络架构图（调参后）

?

FasterR-CNN网络算法理论

本模块主要研究无人机采集图像中施工作业人员安全帽佩戴情况检测，主要采用了基于卷积神经网络FasterR-CNN的深度学习算法。

图2-2FasterR-CNN处理流程图

FasterR-CNN是基于卷积神经网络（CNN）的经典目标检测算法。它集成了两个卷积神经网络，完成了目标的端到端的检测过程。第一种卷积神经网络负责从原始图象只提取数百个高质量的候选目标区域；第二种卷积神经网络负责对数百个候选目标区域进行分类，即减少误报，最终完成检测过程。整个网络模型的训练和检测过程，均在GPU上实现，检测速度快，检测过程端到端，确保了最终测试结果的准确性。FasterR-CNN模型具体的处理流程图2-2所示。

?

算法理论的应用实现

?

图像数据库构建

深度学习近两年来发展极为迅速，在计算能力大大提高的情况下，很多深度学习方向的思想都得以实现。但是，深度学习有一个令人头疼的缺点，那就是需要大量样本来进行训练才能达到较好的泛化。因此，大规模的图片数据集对我们神经网络模型的训练起到至关重要的作用。

在