基于深度学习的工地安全防护检测系统
发布时间：2021-07-18 10:50
随着经济的快速发展,建筑行业的发展也是蒸蒸日上,如何在施工现场有效地检测工地安全防护的佩戴是目前急需解决的问题。针对这一问题,目前主要两种检测方式:一是依靠人工监察,但无法及时获取安全防护的佩戴情况,增加了安全事故发生的可能性;二是采用工地的智能视频检测系统,但其识别准确率低,实时视频传输有延时,实时性差。因此,本文设计了基于深度学习的工地安全防护检测系统来解决上述的问题。首先,阐述了系统所涉及的关键技术;接着,针对传统机器学习算法性能易受光照、图像质量等外界因素影响,且检测步骤繁琐等问题,提出了改进的Retina Net工地安全防护检测算法;然后,进行数据集的制作与模型的训练,并提出了对数据集进行加噪处理以提高模型鲁棒性;最后,将其训练权重模型结合Image AI视频检测库,应用于JETSON Tx2边缘计算机上,实现了高效的实时检测系统。本文的主要工作及创新总结如下:（1）针对施工现场的灰尘较多、光照分布不均匀而导致的图像对比度低的问题,本文采用了限制对比度自适应直方图均衡算法（CLAHE）进行图像预处理以便于后续的特征提取。同时,针对传统检测算法性能易受外界因素干扰和检测步骤繁琐...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
HE以及AHE处理后效果图（a）原图；（b）HE处理；（c）AHE处理；（d）原图直方图；（e）
鹊胤峙涓?直方图。步骤3：对步骤2中获得的直方图执行直方图均衡。组合相邻网格并使用双线性插值消除边界伪影。对于网格中心的像素，使用四个相邻像素的插值。虽然，原始方法是针对灰度图像开发的，但它已被用于具有不同方案的彩色图像。图3.3显示了经过CLAHE处理前后的安全帽和安全带图像。由此可见，对于图3.3（a）的原始工地图像，其图像背景较暗且对比度较低；图3.3（b）显示了经过CLAHE处理后的工地图像，由此可见，CLAHE算法明显提高了图像的对比度，有利于后续送入网络训练。（a）原始图像（b）CLAHE处理后图像图3.3CLAHE处理前后的安全帽和安全带图像
杭州电子科技大学硕士学位论文33图4.1安全工地装备样本图4.3.1数据集加噪在实际工程中获得寿命样本量有限，有标签寿命样本更少，这将产生过拟合问题[56]。同时，卷积神经网络包含多层网络，神经元数目众多，需要训练的网络参数庞大，这进一步导致了训练过程中的过拟合，即得到的网络对训练样本识别效果好而对测试样本识别效果差，泛化能力也差。针对这个问题，本文对实验数据集进行加噪处理，通过在有限的样本中加入适当的噪声来增加样本量，从而避免模型的过拟合并提高训练模型的鲁棒性和泛化能力。常见的噪声分为三类：椒盐噪声、泊松噪声和高斯噪声。（1）椒盐噪声：是一种因为信号脉冲强度引起的噪声，椒盐噪声又称脉冲噪声，在图像上随机出现黑色白色的像素，它随机改变一些像素值，是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。（2）泊松噪声是概率密度函数符合泊松分布的一类噪声，泊松分布适合于描述单位时间内随机事件发生的次数的概率分布。（3）高斯噪声是概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。图4.2中的（a）、（b）、（c）分别是椒盐噪声图、泊松噪声图以及高斯噪声图。本文采用MATLAB自带的imnoise函数进行图像的三种加噪处理，其中高斯噪声的均值为0，方差为0.01；椒盐噪声的噪声密度为0.05；泊松噪声参数则根据具体图像获得。图4.3中的（a）、（b）、（c）、（d）分别是样本原图、椒盐噪声加噪图、泊松噪声加噪图以及高斯噪声加噪图。图4.2噪声示意图（a）椒盐噪声；（b）泊松噪声；（c）高斯噪声（a）（b）（c）
【参考文献】：
期刊论文
[1]基于改进YOLOv2的快速安全帽佩戴情况检测[J]. 方明,孙腾腾,邵桢. 光学精密工程. 2019(05)
[2]加噪样本扩展深度稀疏自编码神经网络的滚动轴承寿命阶段识别[J]. 陈仁祥,黄鑫,杨黎霞,汤宝平,陈思杨,杨星. 振动工程学报. 2017(05)
[3]施工现场安全管理实施关键因素[J]. 刘文,赵挺生,蒋灵,周炜. 土木工程与管理学报. 2017(04)
[4]基于OpenCV的人体安全帽检测的实现[J]. 赵震. 电子测试. 2017(14)
[5]基于背景减除法的视频序列运动目标检测[J]. 刘仲民,何胜皎,胡文瑾,李战明. 计算机应用. 2017(06)
[6]中值滤波的噪声过滤技术研究[J]. 林婉怡,顾星,殷淑玥. 江西建材. 2017(02)
[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]基于帧间差分法和VIBE算法的运动目标检测[J]. 刘金利,傅志中,周阳,黄波. 电子科技. 2015(08)
[9]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)
[10]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)
本文编号：3289427
【文章来源】：杭州电子科技大学浙江省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
HE以及AHE处理后效果图（a）原图；（b）HE处理；（c）AHE处理；（d）原图直方图；（e）
鹊胤峙涓?直方图。步骤3：对步骤2中获得的直方图执行直方图均衡。组合相邻网格并使用双线性插值消除边界伪影。对于网格中心的像素，使用四个相邻像素的插值。虽然，原始方法是针对灰度图像开发的，但它已被用于具有不同方案的彩色图像。图3.3显示了经过CLAHE处理前后的安全帽和安全带图像。由此可见，对于图3.3（a）的原始工地图像，其图像背景较暗且对比度较低；图3.3（b）显示了经过CLAHE处理后的工地图像，由此可见，CLAHE算法明显提高了图像的对比度，有利于后续送入网络训练。（a）原始图像（b）CLAHE处理后图像图3.3CLAHE处理前后的安全帽和安全带图像
杭州电子科技大学硕士学位论文33图4.1安全工地装备样本图4.3.1数据集加噪在实际工程中获得寿命样本量有限，有标签寿命样本更少，这将产生过拟合问题[56]。同时，卷积神经网络包含多层网络，神经元数目众多，需要训练的网络参数庞大，这进一步导致了训练过程中的过拟合，即得到的网络对训练样本识别效果好而对测试样本识别效果差，泛化能力也差。针对这个问题，本文对实验数据集进行加噪处理，通过在有限的样本中加入适当的噪声来增加样本量，从而避免模型的过拟合并提高训练模型的鲁棒性和泛化能力。常见的噪声分为三类：椒盐噪声、泊松噪声和高斯噪声。（1）椒盐噪声：是一种因为信号脉冲强度引起的噪声，椒盐噪声又称脉冲噪声，在图像上随机出现黑色白色的像素，它随机改变一些像素值，是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。（2）泊松噪声是概率密度函数符合泊松分布的一类噪声，泊松分布适合于描述单位时间内随机事件发生的次数的概率分布。（3）高斯噪声是概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。图4.2中的（a）、（b）、（c）分别是椒盐噪声图、泊松噪声图以及高斯噪声图。本文采用MATLAB自带的imnoise函数进行图像的三种加噪处理，其中高斯噪声的均值为0，方差为0.01；椒盐噪声的噪声密度为0.05；泊松噪声参数则根据具体图像获得。图4.3中的（a）、（b）、（c）、（d）分别是样本原图、椒盐噪声加噪图、泊松噪声加噪图以及高斯噪声加噪图。图4.2噪声示意图（a）椒盐噪声；（b）泊松噪声；（c）高斯噪声（a）（b）（c）
【参考文献】：
期刊论文
[1]基于改进YOLOv2的快速安全帽佩戴情况检测[J]. 方明,孙腾腾,邵桢. 光学精密工程. 2019(05)
[2]加噪样本扩展深度稀疏自编码神经网络的滚动轴承寿命阶段识别[J]. 陈仁祥,黄鑫,杨黎霞,汤宝平,陈思杨,杨星. 振动工程学报. 2017(05)
[3]施工现场安全管理实施关键因素[J]. 刘文,赵挺生,蒋灵,周炜. 土木工程与管理学报. 2017(04)
[4]基于OpenCV的人体安全帽检测的实现[J]. 赵震. 电子测试. 2017(14)
[5]基于背景减除法的视频序列运动目标检测[J]. 刘仲民,何胜皎,胡文瑾,李战明. 计算机应用. 2017(06)
[6]中值滤波的噪声过滤技术研究[J]. 林婉怡,顾星,殷淑玥. 江西建材. 2017(02)
[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]基于帧间差分法和VIBE算法的运动目标检测[J]. 刘金利,傅志中,周阳,黄波. 电子科技. 2015(08)
[9]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)
[10]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)
本文编号：3289427
本文链接：https://www.wllwen.com/jianzhugongchenglunwen/3289427.html
