复杂工地环境下的安全帽视频AI监测算法的研究

佘宏彦 安长智 高佰灵 梁理

（1.湖南华菱湘潭钢铁有限公司，湖南 湘潭 411101；2.北京中泰创安科技有限公司，北京 100085；3.华菱涟源钢铁有限公司安全环保部，湖南 娄底 417000）

0 引言

在中国经济快速发展和新型城镇化的大力推进下，中国建筑行业正逐步出现规模化、结构功能多元化、生产流程复杂化、施工现场管理的新特点。以往粗放的管理方式，存在着人员频繁调动，施工管理混乱，资金利用率低，重大安全事故频发等问题，已经不适应安全管理的整体要求。如何提高对工程建设工地安全风险的监测、重特事故的发生、“三违”的防治，是当前安全管理的难题。于是，“智慧工地”应运而生，利用智能化的监管方式，通过对施工现场的安全巡查，及时发现安全隐患，时刻绷紧安全生产的生命底线。

在安全生产中，人是最重要的，也是最灵活的、最具活力的因素。智能工地要解决的问题有：如何利用智能化的方式有效、准确地掌控施工人员的安全状况，这也是施工现场安全管理的关键所在。而在工地上，设置了电子警示线，工人们穿上了安全帽和制服，就可以在一定程度上保障他们的人身安全，减少他们的安全隐患。因此，本论文重点研究了智能楼宇中的人员关联监测算法，以确保安全生产。通过人工智能对监控视频进行分析，利用深度学习技术对施工工地施工人员进行实时抓拍，24 h实时监测、预警施工人员站位不合理、未佩戴安全帽、未穿戴工作服等危险行为，实现规范施工管理、减少安全隐患、节省人力投入，为建筑施工安全生产保驾护航。1安全帽监测算法

1.1 Faster-RCNN算法

REN S等［1］于2015年提出了Faster-RCNN算法，该方法基于RPN候选框生成算法，在此基础上大大加快了对目标任务的监测。在Faster-RCNN模式下，头盔的配戴判定过程如下：输入头盔的试验图片，将整幅图片录入CNN，进行特征提取，再通过RPN进行编辑，生成一组Anchor box，再对其进行裁剪、筛选，最终判定anchors是前景，还是基础，即对象、非对象，因此，这是一个二分类；同时，另一条“bounding box regression”会对anchor box进行修改，以产生更加精确的proposal（注：更精确的是，在所有连接层中，同样的box regression），并将推荐窗口映射到CNN的上一个卷积feature map；然后，RoI pooling层中的每一RoI［2］生成一个固定尺寸的feature映射；最后，对分类概率和边界回归（SmoothL1 Loss）进行联合训练（Softmax Loss，SmoothL1 Loss）。Faster-RCNN的具体描述见图1、图2。

图1 Faster-RCNN结构详解

图2 Faster-RCNN网络组成

从上面的两张图［1］可以看出，Faster-RCNN由下面几部分组成：

1）数据集，image input；

2）基于卷积层的CNN等基本网络，从特征中抽取特征，得到feature map；

3）在RPN层中，通过卷积层提取的featuremap上用3×3的slide window遍历整个feature map，在遍历的过程中，每个window中心都会根据rate，scale（1∶2，1∶1，2∶1）产生9个anchors，然后将所有anchors进行二次划分（前景或背景），并输出300个更准确的ROIs。然后，用ROI pooling将通过卷积层feature映射的全部连接层的输入维度进行固定；

4）通过RPN的输出rois映射到ROIpooling［3］的feature map上进行bbox回归并对其进行分类。

1.2 YOLO算法

YOLO有最小的网络，最小的速率和最精确的AP。不过，如果是以大数据量的目标来测试，YOLO在执行速率上表现得更为出色，YOLO的模型只有十几兆左右，而且速度很快，在线上环境中运行也能起到很好的作用，能实现低延迟、实时监测的效果。

首先，进行Mosaic数据增强（9），先读出4个图像，再对4个图像进行翻转、缩放、色域变化等，再沿4个方向进行排列，最终完成图像和方块的拼接。YOLO算法中，在不同的数据集上，都会有一个固定长宽的框架。在网络训练中，通过对原始锚框的分析，将预测框和实际框groundtruth进行对比，得到不同的结果，再进行反向更新，对网络参数进行迭代。将原来的608×608×3的图象录入Focus结构，再将其分割为304×304×12的特征图，再对32个卷积核进行卷积，最终生成304×304×32的特征图。接着，采用FPN+PAN（PAN）的方法，将上层的特征进行上采样，进行数据的传递和融合，得到相应的预报结果。在YOLO中，利用CIOU_Loss来预测目标Bounding box的损耗。

1.3 SSD算法

本文在安全帽监测试验中引入了SSD算法［4］，见图3。首先将头盔监测图象（像素大小为300×300）输入，并在VGG16网络中加入相应的特征映射；接着，将VGG16的FC6和FC7分别转化为卷积，并将其与Conv6、Conv7相对应；移除所有Dropout和FC8；添加Atrous（hole）算法；将Pool5的变换从2×2-S2到3×3-S1；接着，从Conv4_3、Conv7、Conv8_2、Conv10_2、conv11_2层中的featuremap，在各个点上分别构建6个bbox，并分别对bbox进行监测和分类；利用不同feature映射的bbox，利用NMS（NMS）对bbox进行抑制，生成最终bbox集，也就是最终bbox集。

图3 SSD模型

SSD算法采用了多尺度特性映射（maps），SSD算法采用了conv4_3、conv_7、conv8_2、conv8_2、conv9_2、conv10_2、conv11_2等多种feature maps。由于底层feature map的感知范围较小，而上层的感知范围较大，因此使用不同的feature map可以实现多尺度的目标，而SSD中的Defalut box［1］与Fasterrcnn中的anchor机理类似。就是预设一些目标预选框，后续通过softmax分类+bounding box regression［5］获得真实目标的位置。不同规模的feature映射使用了不同的Default boxes。我们选择了38×38×512，19×19×1024，10×10×512，5×5×256，3×3×256，1×1×256，在conv4_3后面的feature map默认box为4，我们得到了38×38×4=5 776个box；同样地，我们也可以把每台机器人的数目设置为6、6、6、4、4，这样我们就能得到832个盒子，并把它们放进NMS组件［6］，得到最后的监测结果。

2 实验结果对比

针对安全帽监测，我们通过现场实时监控系统采集的影像，构建了1 500张图片的数据集，对1 500幅图像进行了标记、训练，最后对100幅图像进行了安全帽监测实验。基于所构建的图片数据集，我们分别利用上述3种算法进行了实验，得出训练模型，并利用100张相同的图像进行模型的测试，具体实验结果如表1。如表所示，通过性能对比，我们可以看到，针对安全帽监测数据集，SSD具有最高的mAP（mean Average Precision）和精确率（Precision），Faster-RCNN具有最高的召回率（Recall）。此外，利用YOLOv5算法得出的模型可以达到21帧/s的速率，基本满足实时监测的需要。

表1 YOLOv5、SSD、Faster-RCNN算法性能对比

图4—图6是安全帽监测的实际测试样图。

图4 SSD测试样图

图5 Faster-RNN测试样图

图6 YOLOv5测试样图

从图中可以看到，针对实际场景下的安全帽监测，上述3种算法均正确监测出了安全帽的佩戴情况，将未正确佩戴安全帽的标记为不同的颜色。参照表1提供的对比性能，我们发现Faster-RCNN的精准度虽然是最高的，但是算法执行速度比较慢，不能满足视频实时监测的效果，YOLOv5正好相反，速度比较快但是监测精准度略低于其他两种方法，SSD结合了两者之长。从理论上讲，SSD借鉴了YOLO将探测转换为regression的原理，并参考了Faster-RCNN中的anchor，但其anchor并没有像YOLO那样对每一个点进行细化，而是使用了栅格，生成了一个anchor。SSD采用多层次特性，使得每个层次的anchor都有差异，从而产生了更多的超参数，从而提高了训练的难度。

3 结语

本文对复杂工地环境下的安全帽视频AI监测算法进行了研究，详细介绍了现有的3种经典目标监测算法Faster-RCNN，SSD和YOLO的相关网络结构，构建了实际场景下的安全帽图片数据训练集和测试集，并利用实验的方式对3种算法的性能进行了比较。综合考虑安全帽现场监测的精度和算法执行速度，可以得出YOLOv5更适合复杂工地环境中的安全帽实时监测。