佩戴安全帽是防止建筑工人頭部損傷的有效方法之一。將計(jì)算機(jī)視覺(jué)方法應(yīng)用于識(shí)別建筑工人的安全帽佩戴情況,能夠加強(qiáng)對(duì)建筑工人的外部監(jiān)督,從而減少頭部損傷安全事故的發(fā)生率。然而,以往的方法通常依賴于樣本的監(jiān)督訓(xùn)練,存在單一圖像遮擋性問(wèn)題、小目標(biāo)識(shí)別準(zhǔn)確率低、不能適應(yīng)場(chǎng)景的復(fù)雜環(huán)境等缺點(diǎn)。因此,本文針對(duì)施工現(xiàn)場(chǎng)視頻特點(diǎn)與環(huán)境特點(diǎn),提出了基于YOLO的半監(jiān)督學(xué)習(xí)安全帽佩戴識(shí)別算法,并設(shè)計(jì)了安全帽佩戴識(shí)別系統(tǒng)。首先,對(duì)YOLO網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)得到建筑工人識(shí)別網(wǎng)絡(luò)N_p與安全帽識(shí)別網(wǎng)絡(luò)N_h;之后采用了公共數(shù)據(jù)集與真實(shí)環(huán)境圖片數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)的預(yù)訓(xùn)練與離線訓(xùn)練,得到泛化模型。對(duì)其泛化模型采用半監(jiān)督學(xué)習(xí)方式進(jìn)行在線學(xué)習(xí),進(jìn)而提高算法在特定場(chǎng)景下的識(shí)別準(zhǔn)確率與泛化能力;最后將基于YOLO的半監(jiān)督學(xué)習(xí)安全帽佩戴識(shí)別算法移植到開發(fā)套件中,設(shè)計(jì)了安全帽佩戴識(shí)別系統(tǒng)。為了驗(yàn)證安全帽佩戴識(shí)別系統(tǒng)的識(shí)別性能,隨機(jī)選取了某市地鐵系統(tǒng)建設(shè)項(xiàng)目的視頻流序列作為案例研究,數(shù)據(jù)得出在一般場(chǎng)景條件視頻流的建筑工人與安全帽識(shí)別精度在85.7%至93.7%之間,顯示該系統(tǒng)有較高的準(zhǔn)確率。并在存在小目... 

【文章來(lái)源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

011-2017年我國(guó)建筑行業(yè)安全事故數(shù)量與死亡人數(shù)統(tǒng)計(jì)

圖 4-1 某市地鐵軌道交通系統(tǒng)4.2 數(shù)據(jù)采集處理在本文中，第三章第三小節(jié)算法流程闡述需采用施工現(xiàn)場(chǎng)的圖像數(shù)據(jù)對(duì)建筑工人與安全帽識(shí)別網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練。則針對(duì)離線訓(xùn)練方法的需求，首先我們建立標(biāo)注建筑工人注釋信息的圖像數(shù)據(jù)集，其目的是采集到建筑工人在建筑施工現(xiàn)場(chǎng)進(jìn)行日常工作時(shí)佩戴安全帽情況的行為信息。在進(jìn)行施工現(xiàn)場(chǎng)建筑工人佩戴安全帽數(shù)據(jù)收集時(shí)，需遵循兩個(gè)基本要求從而做到數(shù)據(jù)樣本質(zhì)量的控制與樣本數(shù)量的保證，從而保障實(shí)驗(yàn)預(yù)訓(xùn)練的算法訓(xùn)練結(jié)果。其一實(shí)時(shí)監(jiān)控視頻系統(tǒng)拍攝范圍應(yīng)覆蓋全部施工現(xiàn)場(chǎng)，需覆蓋著不同的建筑場(chǎng)地條件；其二必須需要有數(shù)量足夠多的圖像樣本。而且在進(jìn)行安全帽識(shí)別數(shù)據(jù)集圖像采集過(guò)程中遵循施工現(xiàn)場(chǎng)的真實(shí)性與建筑工人的行為無(wú)干擾兩項(xiàng)基本原則。

表 4-4 安全帽佩戴識(shí)別系統(tǒng)的識(shí)別結(jié)果（當(dāng)置信分?jǐn)?shù)=0.7）組類別 樣本類別 總樣本 TP FP FN 準(zhǔn)確率 召回率1 建筑工人 239 224 15 13 93.7% 95.3%安全帽 186 170 16 10 91.3% 94.4%2 建筑工人 183 168 15 12 91.8% 90.2%安全帽 161 138 23 25 85.7% 84.7%3 建筑工人 137 132 5 10 96.4% 93.0%安全帽 85 78 7 10 91.8% 88.6%4 建筑工人 469 410 59 57 87.4% 87.8%安全帽 428 367 59 60 86.2% 85.9%5 建筑工人 185 167 18 16 90.3% 91.3%安全帽 168 148 20 22 88.1% 87.1%6 建筑工人 265 236 29 27 89.1% 89.7%安全帽 236 206 30 32 87.3% 86.6%7 建筑工人 462 406 56 53 87.8% 88.5%安全帽 418 360 58 61 86.1% 85.5%8 建筑工人 146 118 27 28 80.8% 80.8%安全帽 115 88 27 30 76.5% 74.6%

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的礦工安全帽佩戴識(shí)別研究[J]. 畢林,謝偉,崔君.  黃金科學(xué)技術(shù). 2017(04)
[2]住房城鄉(xiāng)建設(shè)部通報(bào)2017年5月房屋市政工程生產(chǎn)安全事故情況[J].   工程建設(shè)標(biāo)準(zhǔn)化. 2017(07)
[3]基于YOLO網(wǎng)絡(luò)的行人檢測(cè)方法[J]. 高宗,李少波,陳濟(jì)楠,李政杰.  計(jì)算機(jī)工程. 2018(05)
[4]《安全生產(chǎn)“十三五”規(guī)劃》印發(fā):完善法律法規(guī)標(biāo)準(zhǔn)體系[J]. 李文娟.  工程建設(shè)標(biāo)準(zhǔn)化. 2017(02)
[5]448例建筑施工工傷事故的標(biāo)準(zhǔn)統(tǒng)計(jì)特征分析[J]. 郝忠,魏延曉.  中國(guó)標(biāo)準(zhǔn)化. 2017(02)
[6]基于YOLO算法的車輛實(shí)時(shí)檢測(cè)[J]. 王宇寧,龐智恒,袁德明.  武漢理工大學(xué)學(xué)報(bào). 2016(10)
[7]基于機(jī)器視覺(jué)的安全帽自動(dòng)識(shí)別技術(shù)研究[J]. 馮國(guó)臣,陳艷艷,陳寧,李鑫,宋程程.  機(jī)械設(shè)計(jì)與制造工程. 2015(10)
[8]施工現(xiàn)場(chǎng)安全帽佩戴情況監(jiān)控技術(shù)研究[J]. 劉云波,黃華.  電子科技. 2015(04)
[9]膚色檢測(cè)和Hu矩在安全帽識(shí)別中的應(yīng)用[J]. 劉曉慧,葉西寧.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(03)
[10]3G視頻監(jiān)控系統(tǒng)在施工現(xiàn)場(chǎng)的監(jiān)控與運(yùn)用[J]. 黃躍群.  石油化工建設(shè). 2013(05)

博士論文
[1]基于視頻的煤礦井下人員目標(biāo)檢測(cè)與跟蹤研究[D]. 蔡利梅.中國(guó)礦業(yè)大學(xué) 2010

碩士論文
[1]圖像識(shí)別技術(shù)在換流站監(jiān)控系統(tǒng)中的應(yīng)用研究[D]. 馮杰.華北電力大學(xué)（北京） 2010



本文編號(hào)：3440093