基于深度学习的施工区作业不安全行为检测

发布时间：2020-06-20 08:44

【摘要】：在企业的开采和生产过程的施工区域,常有施工人员的不安全行为造成的事故出现。事故一旦发生,给施工人员和企业的正常生产带来的影响是灾难性的。因此,为了预防施工区工作人员的不安全行为导致的安全事故的发生,进行施工区工作人员不安全行为的实时检测与识别的研究具有重要的意义。本文针对工作人员不正确佩戴安全帽和在施工现场进行吸烟这两种不安全行为的检测与识别进行了深入研究。考虑到深度学习算法相比于传统模式识别上拥有巨大的优势,本文使用了深度学习的方法进行相关研究工作。研究进行了如下工作:1)对通用的DSOD深度学习检测器进行了改进,使得其适用于本文不安全行为的检测。由于通用DSOD目标检测器通常是对多个不同的类别进行检测。同时,这些被检测类别之间差异性较大,并且是互斥的。而本文的不安全行为检测的检测对象可能仅有一个,但是该被检测对象却可能同时存在多种不安全行为。即,本文的被检测类别之间实际上是不互斥的,并不是只存在一种类别。因此,本文将DSOD扩展到了多标签检测上。为完成该需求,本文替换掉了最后的softmax层,使用sigmod为最后一层的激活函数,将原分类任务转换为了多个二分类任务,从而使得检测器可以适应本文的检测任务。2)针对不安全行为的非互斥性,本文设计了适用于不安全行为检测的损失函数。为进一步提升性能,本文又在该损失函数中引入了Focal损失。3)针对DSOD的网络结构,本文利用SE模块对其进行了进一步改良。为了获得更好的检测效果,本文将SENet中的SE模板嵌入到了DSOD的Dense模块中,并对分类和边界框回归进行了网络结构的分离,减小了2种任务的差异性带来的影响。4)针对模型可能存在的检测速度不足的问题,本文给出了一种对检测模型进行基于通道分离的压缩方案。通过在自建不安全行为数据集上的实验,验证了本文设计的不安全行为检测器的可行性以及模型改进方法的有效性。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：X91;TP18;TN948.6
【图文】：

感知机,结构组成,阈值,输入变量

图 2.1 感知机结构组成.1 所示感知机以 , , 作为输入变量，然后对所有输入变量得到一个值，该值与一个阈值做对比，当该值大于前面阈值 1，当该值小于等于前面阈值时，输出 output 为 0。为了直观用式子 2.1 表示计算过程: = { ( = ) 的是感知机的第 i 个输入变量， i表示感知机中对应第 i 个reshold 表示阈值，output 表示输出。实际上，式子 2.1 中的阈值示为权重 threshold 与输入 1 的乘积，再将其移入左边，进而可以用权重与输入的乘积表示。为了简化神经元的表示形式 = ， = π ， ( )表示阶跃函数，

感知机,手写体,数字,写数字

机的输入依然发生微小的变化，但是感知机的输出却从 0 跳变到 1，或变到 0，即感知机的输出的突变。这样导致的分类效果也是很糟糕的。写数字辨识为例，由于每个人手写的数字形态各不相同，即便是同一个同一个数字也会有一些差别。当我们把同一个数字的不同手写体送人感辨识时，由于感知机的输出对这种微小变化发生了突变，从而直接将这个数字的手写体分类成了两个个不同的数字，导致分类错误。可见，原始的感知机的能力十分有限，对简单任务还能正确处理，但是题就不行了。这也说明，原始的感知机的表示能力是不足的，并不能很事物的本质特征。为了解决感知机这种输出的局限性，于是，sigmod 神经元就应运而生。元仅仅是在感知机的基础上作了一点小小的改动。尽管如此，sigmod 神大改善了神经元的性质。图 2.2 直观地展示了 sigmod 神经元的输出与系。

【相似文献】