基于深度学习的安全帽检测监控研究

国网浙江省电力有限公司舟山供电公司 顾文涛 俞兴伟 浙江华云信息科技有限公司 李 毅 邱 臻 卓 一

杭州马太能源互联网技术有限公司 董 毅

安全帽佩戴监测是常见的变电站施工要求，但是对于研究这个问题的应用图像处理技术进行研究却很少，大多数研究都集中在监控摩托车手是否佩戴安全帽。Waranusast等人开发自动检测摩托车车手的系统，该系统能够确定摩托车手是否佩戴安全帽，这个系统通过提取运动对象并训练K-最近邻（KNN）分类器进行检测[1]。[2]提出了用于一种变电站内安全帽智能预警系统，该系统采用红外传感器进行人体检测，适用于一次设备入口处的安全帽佩戴情况检测。[3]提出一种基于机器学习的DSP图像处理的变电站实用型安全帽佩戴检测方法。该方法为了减少监控录像的检测范围，采用ViBe背景建模算法分割在前景框架中的运动对象，之后提取行人的梯度直方图（HOG）特征，使用支持向量机（SVM）来分类行人，最后利用颜色特征来确定人员是否佩戴安全头盔与否。

本文针对这一需求，提出一种完全基于深度学习的施工现场施工人员安全帽佩戴情况的监控方法，可自动对施工现场施工人员的安全帽佩戴情况进行监控。首先采用深度学习中的目标检测算法进行行人检测，然后对检测的行人的头部使用深度学习进行分类，判断其是否佩戴安全帽。

1 安全帽检测算法

将一台摄像机置于变电站户外作业区域内与一台位于后端的工控机相连，摄像机安装于高于地面8～10m的立杆上，调整其视角范围覆盖整个现场作业区域，摄像机后端工控机通过网络相通信，工控机根据获得的图像和数据信息对作业现场进行监控，对施工人员佩戴的各种安全帽数量进行统计（图1）。工控机进行图像处理时，首先通过基于深度学习的行人检测算法得到代表人的运动目标，然后通过检测行人的上1/3部分进行安全帽的检测，安全帽的检测同样采用的是基于深度学习的方法，使用迁移学习对行人的上1/3部分进行检测。如此记录每一帧的图像，并将检测到的施工人员是否佩戴安全帽的情况存入系统日志。

1.1行人目标的检测

行人检测的算法采用SSD（Single Shot MultiBox Detector）目标检测算法[4]。该算法将边界框的输出空间离散为不同高宽比的一组默认框以及对每个特征图位置进行缩放。在预测时，该网络会对每个默认框中每个对象类别的存在生成分数，并产生对框的调整以更好地匹配对象形状。另外，该网络组合了来自不同分辨率的多个特征图的预测，以自然地处理各种尺寸的对象（图2）。SSD相对于需要物体候选的方法而言是简单的，因为它完全消除了候选生成以及后续像素或特征采样阶段，并将所有计算封装在单个网络中，这使得SSD易于训练并直接集成到需要检测组件的系统中。

PASCAL VOC、COCO和ILSVRC数据集的 实验结果证实，SSD相对于利用额外的物体候选步骤的方法具有竞争性的准确度，并且要快得多，同时为训练和实际使用提供了统一的框架。在300×300的图片输入中，SSD使用Nvidia Titan X在VOC2008的测试数据集中获得了74.3%mAP，速度为59FPS，在对500×500的图片输入中获得了76.9%mAP，这比目前相对先进的Faster R-CNN模型更优秀。与其他的单级方法相比即使使用较小的输入图片尺寸，SSD也具有更好的准确度。所以SSD是一个综合检测准确度以及检测速度的较好的目标检测算法，用它来进行行人检测可达到一个比较好的效果。

1.2 安全帽的检测

得到代表人的检测目标后，为避免冗余信息的干扰，考虑到佩戴安全帽的部位为头部、即代表人靠顶端的部分，所以选择在该部分检测安全帽。实验表明，取行人目标框的上1/3部分区域较为合适，能最大程度的减少计算量。检测安全帽使用的是深度学习中的迁移学习方法，迁移学习就是把已学训练好的模型参数迁移到新的模型来帮助新模型训练数据集[5]。

迁移学习的研究来源于一个观测：人类可将以前的学到的知识应用于解决新的问题，更快的解决问题或取得更好的效果。迁移学习被赋予这样一个任务：从以前的任务当中去学习知识或经验，并应用于新的任务当中。换句话说，迁移学习目的是从一个或多个源任务中抽取知识、经验，然后应用于一个目标领域当中去。在这里所使用的用于安全帽检测的网络Inception v3最初是在ImageNet上训练的[6]。ImageNet数据集包含了大约100万张自然图像和1000个标签/分类。相对而言，有标注的安全帽数据集仅有8000张图像和2个标签/分类。因此，安全帽数据集不足以用来训练Inception v3这样复杂的网络，所以使用了来自根据ImageNet训练的Inception v3网络的权重。我们对所有的层都进行了微调，其原本的分类层classifier可以输出有1000个类别的预测，将其替换成了一个二元分类层（图3）。

2 实验结果与分析

为了评估所提出的方法的性能，对变电站的实时监控视频进行安全帽佩戴检测实验，中间结果可以描述如下。

选取高速摄像机获取的某一段施工现场的视频作为研究对象进行实验。首先采用行人检测的方法将图片中的行人都检测出来（图4），将行人都框出来了。获取行人的框后，选取行人框的上1/3位置作为待检测的头部区域（图5）。紧接着将该头部区域作为输入数据输入之前训练好的迁移网络，网络分别输出为带头盔和不带头盔的概率，当预测带头盔的概率大于0.7时，认为此时该行人佩戴了头盔，否则认为未佩戴头盔，此时系统发出警告。

对实录某道路施工现场的一段长15分钟的视频进行算法验证，对视频中施工人员是否佩戴安全帽的情况的检测准确率达到90%以上。根据结果可知，该方法可以实现检测施工人员佩戴安全帽情况的目的，且算法简单有效，并且相对于使用背景建模的方法来说，背景的变化对检测没有影响，同时对于使用安全帽颜色来判断是否佩戴安全帽的检测方法来说，使用深度学习来检测的效果明显更好，因为颜色检测的方法对于光照强弱、安全帽本身的颜色以及环境等都比较敏感，容易出现误分类，而使用神经网络的方法可以很好的解决该问题，所以它具有更好的鲁棒性。但同时，对于工人密集通过以及部分遮挡的情况时，则并不能很好的检测到行人，存在一些干扰，这也将是后续研究中需要解决的问题。