基于视频流的施工现场工人安全帽佩戴识别研究
发布时间：2021-10-16 15:57
佩戴安全帽是防止建筑工人头部损伤的有效方法之一。将计算机视觉方法应用于识别建筑工人的安全帽佩戴情况,能够加强对建筑工人的外部监督,从而减少头部损伤安全事故的发生率。然而,以往的方法通常依赖于样本的监督训练,存在单一图像遮挡性问题、小目标识别准确率低、不能适应场景的复杂环境等缺点。因此,本文针对施工现场视频特点与环境特点,提出了基于YOLO的半监督学习安全帽佩戴识别算法,并设计了安全帽佩戴识别系统。首先,对YOLO网络结构改进得到建筑工人识别网络Np与安全帽识别网络Nh;之后采用了公共数据集与真实环境图片数据集进行网络的预训练与离线训练,得到泛化模型。对其泛化模型采用半监督学习方式进行在线学习,进而提高算法在特定场景下的识别准确率与泛化能力;最后将基于YOLO的半监督学习安全帽佩戴识别算法移植到开发套件中,设计了安全帽佩戴识别系统。为了验证安全帽佩戴识别系统的识别性能,随机选取了某市地铁系统建设项目的视频流序列作为案例研究,数据得出在一般场景条件视频流的建筑工人与安全帽识别精度在85.7%至93.7%之间,显示该系统有较高的准确率。并在存在小目...
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
011-2017年我国建筑行业安全事故数量与死亡人数统计
图 4-1 某市地铁轨道交通系统4.2 数据采集处理在本文中，第三章第三小节算法流程阐述需采用施工现场的图像数据对建筑工人与安全帽识别网络进行离线训练。则针对离线训练方法的需求，首先我们建立标注建筑工人注释信息的图像数据集，其目的是采集到建筑工人在建筑施工现场进行日常工作时佩戴安全帽情况的行为信息。在进行施工现场建筑工人佩戴安全帽数据收集时，需遵循两个基本要求从而做到数据样本质量的控制与样本数量的保证，从而保障实验预训练的算法训练结果。其一实时监控视频系统拍摄范围应覆盖全部施工现场，需覆盖着不同的建筑场地条件；其二必须需要有数量足够多的图像样本。而且在进行安全帽识别数据集图像采集过程中遵循施工现场的真实性与建筑工人的行为无干扰两项基本原则。
表 4-4 安全帽佩戴识别系统的识别结果（当置信分数=0.7）组类别 样本类别 总样本 TP FP FN 准确率 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%
【参考文献】：
期刊论文
[1]基于卷积神经网络的矿工安全帽佩戴识别研究[J]. 毕林,谢伟,崔君. 黄金科学技术. 2017(04)
[2]住房城乡建设部通报2017年5月房屋市政工程生产安全事故情况[J]. 工程建设标准化. 2017(07)
[3]基于YOLO网络的行人检测方法[J]. 高宗,李少波,陈济楠,李政杰. 计算机工程. 2018(05)
[4]《安全生产“十三五”规划》印发:完善法律法规标准体系[J]. 李文娟. 工程建设标准化. 2017(02)
[5]448例建筑施工工伤事故的标准统计特征分析[J]. 郝忠,魏延晓. 中国标准化. 2017(02)
[6]基于YOLO算法的车辆实时检测[J]. 王宇宁,庞智恒,袁德明. 武汉理工大学学报. 2016(10)
[7]基于机器视觉的安全帽自动识别技术研究[J]. 冯国臣,陈艳艳,陈宁,李鑫,宋程程. 机械设计与制造工程. 2015(10)
[8]施工现场安全帽佩戴情况监控技术研究[J]. 刘云波,黄华. 电子科技. 2015(04)
[9]肤色检测和Hu矩在安全帽识别中的应用[J]. 刘晓慧,叶西宁. 华东理工大学学报(自然科学版). 2014(03)
[10]3G视频监控系统在施工现场的监控与运用[J]. 黄跃群. 石油化工建设. 2013(05)
博士论文
[1]基于视频的煤矿井下人员目标检测与跟踪研究[D]. 蔡利梅.中国矿业大学 2010
硕士论文
[1]图像识别技术在换流站监控系统中的应用研究[D]. 冯杰.华北电力大学（北京） 2010
本文编号：3440093
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
011-2017年我国建筑行业安全事故数量与死亡人数统计
图 4-1 某市地铁轨道交通系统4.2 数据采集处理在本文中，第三章第三小节算法流程阐述需采用施工现场的图像数据对建筑工人与安全帽识别网络进行离线训练。则针对离线训练方法的需求，首先我们建立标注建筑工人注释信息的图像数据集，其目的是采集到建筑工人在建筑施工现场进行日常工作时佩戴安全帽情况的行为信息。在进行施工现场建筑工人佩戴安全帽数据收集时，需遵循两个基本要求从而做到数据样本质量的控制与样本数量的保证，从而保障实验预训练的算法训练结果。其一实时监控视频系统拍摄范围应覆盖全部施工现场，需覆盖着不同的建筑场地条件；其二必须需要有数量足够多的图像样本。而且在进行安全帽识别数据集图像采集过程中遵循施工现场的真实性与建筑工人的行为无干扰两项基本原则。
表 4-4 安全帽佩戴识别系统的识别结果（当置信分数=0.7）组类别 样本类别 总样本 TP FP FN 准确率 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%
【参考文献】：
期刊论文
[1]基于卷积神经网络的矿工安全帽佩戴识别研究[J]. 毕林,谢伟,崔君. 黄金科学技术. 2017(04)
[2]住房城乡建设部通报2017年5月房屋市政工程生产安全事故情况[J]. 工程建设标准化. 2017(07)
[3]基于YOLO网络的行人检测方法[J]. 高宗,李少波,陈济楠,李政杰. 计算机工程. 2018(05)
[4]《安全生产“十三五”规划》印发:完善法律法规标准体系[J]. 李文娟. 工程建设标准化. 2017(02)
[5]448例建筑施工工伤事故的标准统计特征分析[J]. 郝忠,魏延晓. 中国标准化. 2017(02)
[6]基于YOLO算法的车辆实时检测[J]. 王宇宁,庞智恒,袁德明. 武汉理工大学学报. 2016(10)
[7]基于机器视觉的安全帽自动识别技术研究[J]. 冯国臣,陈艳艳,陈宁,李鑫,宋程程. 机械设计与制造工程. 2015(10)
[8]施工现场安全帽佩戴情况监控技术研究[J]. 刘云波,黄华. 电子科技. 2015(04)
[9]肤色检测和Hu矩在安全帽识别中的应用[J]. 刘晓慧,叶西宁. 华东理工大学学报(自然科学版). 2014(03)
[10]3G视频监控系统在施工现场的监控与运用[J]. 黄跃群. 石油化工建设. 2013(05)
博士论文
[1]基于视频的煤矿井下人员目标检测与跟踪研究[D]. 蔡利梅.中国矿业大学 2010
硕士论文
[1]图像识别技术在换流站监控系统中的应用研究[D]. 冯杰.华北电力大学（北京） 2010
本文编号：3440093
本文链接：https://www.wllwen.com/guanlilunwen/chengjian/3440093.html
