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Faster R-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，Faster R-CNN，安全帽
1.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（Object Detect Techniques），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。
————————
2.核心算法理论
本文所研究的基于CNN和Faster R-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。
2.1.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AlexNet CNN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。
.png)
图2-1 AlexNet模型网络架构图（调参后）
2.2.Faster R-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Faster R-CNN的深度学习算法。
.png)
Faster R-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。Faster R-CNN模型具体的处理流程图2-2所示。
3.算法理论的应用实现
3.1.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。
在本文中，用于构建体量庞大图像数据库的技术流程，主要分为四步，即图像数据获取、图像数据增强、图像数据分割、图像数据标注。
3.2.施工人员判别网络模型训练
在本节施工作业人员检测模型训练之前，需要对训练的数据进行人为标记，这里我们分别建立了两个不同的文件夹（“People”和“NoPeople”），然后将文件夹的名称作为其下属图像文件的标记，用于后续施工作业人员检测模型的训练。网络模型训练在matlab中进行。
.png)
3.3.佩戴安全帽的施工人员网络模型训练
在本节安全帽佩戴检测模型训练之前，需要利用Matlab中的ImageLabeler，将所有的包含有施工作业人员的样本图片（包括训练集和测试集）进行图像数据的矩形框标记，其中数据集中标记矩形框的颜色代表不同的识别目标，绿色的矩形框并附有“Yes”的代表已经佩戴安全帽的施工作业人员；紫色的矩形框并附有“No”的代表施工作业人员未佩戴安全帽。网络模型训练在matlab中进行。
3.4.安全帽智能识别算例
本节将一批工程现场采集的图像，输入到所训练好的卷积神经网络中，原始图像经过网络模型的处理后，可以迅速地识别出图片中地施工作业人员，并判别出施工作业人员是否佩戴安全帽。识别结果如图3-2所示，图中绿色的矩形框表示佩戴有安全帽的施工作业人员，紫色的矩形框表示未佩戴安全帽的施工作业人员。最终高精度的识别结果，验证了本文所研究方法的有效性。
4.结论
本文对基于卷积神经网络的施工人员安全帽智能判别方法进行了研究，此方法将无人机拍摄的土木工程结构施工作业现场照片作为处理对象，实现了对施工人员安全帽佩戴情况的智能识别。同时，文中卷积神经网络模型的测试识别结果验证了该方法的有效性。该方法针对工程施工现场的智能安全管理提出，其应用前景广阔，预计可极大提高工程现场安全管理的效率。
参考文献
[1].李太华,王迪.基于安全帽颜色识别的人员身份认证算法在变电站的应用[J].电脑知识与技术,2014,10(05):1018-1020.
[2].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(03):365-370.
[3].周艳青,薛河儒,姜新华,孙海鑫,寻言言.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(07):211-215.
[4].冯国臣,陈艳艳,陈宁,李鑫,宋程程.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.
[5].毕林,谢伟,崔君.基于卷积神经网络的矿工安全帽佩戴识别研究[J].黄金科学技术,2017,25(04):73-80.
[6].黄愉文,潘迪夫.基于并行双路卷积神经网络的安全帽识别[J].企业技术开发,2018,37(03):24-27+47
[7].施辉,陈先桥,杨英.改进YOLO v3的安全帽佩戴检测方法[J].计算机工程与应用,2019,55(11):213-220.
[8].张明媛,曹志颖,赵雪峰,杨震.基于深度学习的建筑工人安全帽佩戴识别研究[J].安全与环境学报,2019,19(02):535-541.
[9].张健华,刘海萍,李锋.高危作业中人脸识别和传感标签安全帽定位方法[J].计算机与数字工程,2019,47(06):1517-1520.
[10].杨莉琼,蔡利强,古松.基于机器学习方法的安全帽佩戴行为检测[J].中国安全生产科学技术,2019,15(10):152-157.
[11].何慧敏,林志贤,郭太良.基于卷积神经网络的行人安全帽自动识别[J].有线电视技术,2018(03):104-108.
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@qq.com