用于建筑工地安全生产监控的目标检测算法研究

发布时间：2020-05-29 21:04

【摘要】：随着互联网科技的迅猛发展,超过85%的信息都以像素的形式存在于互联网上。计算机视觉技术在人类生活中扮演越来越重要的角色,计算机视觉的研究也越来越火热。目标检测作为计算机视觉领域的基本算法,广泛应用于目标跟踪、视频监控、信息安全、自动驾驶、图像检索、医学影像分析、网络数据挖掘、无人机导航,遥感图像分析、国防系统等领域。目前市面上较为常用的图像目标识别算法需要对样本图片进行人为的图像预处理和特征提取,算法的处理结果容易受图片的背景、光线、尺寸等噪声影响。本文以基于深度学习的目标检测算法为主要研究内容,将改进后的Faster R-CNN算法运用于建筑工地的监控视频图像,用于检测工人是否佩戴安全帽,有助于加强工地安全生产的监管力度。本文的主要内容如下:1.详细介绍卷积神经网络(CNN)模型设计流程。从单个神经元的建模理念到常规网络优化设计,最后到CNN的构建,逐步阐明适用于图像特征提取的CNN模型的工作原理。2.介绍了目标检测的原理和检测过程中相关细节处理,对目前流行的目标检测深度网络算法进行比较说明。分析了从R-CNN到Faster R-CNN的三种基于候选区域的系列方法以及YOLO、SSD两种基于回归的系列方法。最后使用VOC公开数据集对Faster R-CNN进行训练测试,得出了算法在目标分类中的平均准确率、图片处理效率和图片处理效果等实验结果。3.改进实验中的算法训练过程,在训练集中加入负样本挖掘的策略,以此提高实验算法的检测精度。基于改进算法对实验样本进行模型训练、测试与评估。利用实验测试集对YOLO、SSD、Faster RCNN以及改进后的模型进行测试,根据每个算法在测试样本中的表现对改进后的算法性能进行评估,并将改进后算法成功地应用于工地安全帽检测项目。以下是本文的创新点所在:(1)在建筑工地的安全帽检测项目中,使用深度神经网络算法取代传统的图像特征处理和分类方法,简化了繁琐的图片预处理过程并提升了系统的泛化能力。(2)改进Faster R-CNN算法的训练过程,针对实验数据集,在训练过程中,设计加入难负样本挖掘的训练策略,提高了算法的检测精度。(3)应用于安全帽项目的检测模型能同时识别安全帽和工人两个目标,从而判断检测目标之间的关系。
【图文】：

模型图,神经元,单元数,模型

个突触连接起来，然后通过相应轴突产生输出信号，信号经过突[14]。我们将生物学运用于工程学，得到神经网帜。与结构下一个神经是否将被激活取决于通过树突传定的阈值，则神经元将会被激活，进而向轴，假设一神经元轴突产生信号0x ，突触的强突进行乘法交互即0 0w x。神经元计算建模时过学习得到，而权重的正负值则表示该单元奋还是使其抑制。图 2.1 为神经元单元数学模

曲线图,曲线图,函数,反向传播

用于建筑工地安全生产监控的目标检测算法研究moid 函数的数学表达式为 ( ) 1/(1 )x x e ，它将输入的实数值压缩，将无限大的负数变为 0，将无限大的正数变为 1。Sigmoid 函数的优释了在不同频率下单元的激活状态，从开始的 0 值单元完全不激活，到率处神经元完全饱和的激活。但由于单元的激活在接近 0 或 1 时饱和，得反向传播时与该梯度相乘的结果也趋于零，最终导致网络无法学习该函数的输出中心不为 0，也会影响反向传播时权重的更新出现Z 字型播结果造成一定影响。 Tanh 函数的表达式tanh( x ) 2 (2 x) 1中可看出，，tanh 函数其实就简单放大，但不同于 Sigmoid 函数将输入值压缩至[0,1]，tanh 函数将输至[-1,1]，所以 tanh 函数继承的 Sigmoid 函数的优点，同时使输出的中存在单元的饱和问题，图 2.2 分别为 Sigmoid 函数与 tanh 函数的曲线
【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TU714

【参考文献】