基于树莓派自动检测的带头灯安全帽设计研究

2024-03-10陈思妙江宇东黄臻臻石建全

中国设备工程 2024年4期

陈思妙，江宇东，黄臻臻，石建全

（南京工程学院自动化学院，江苏南京 211167）

目前，建筑施工领域的安全事故频发，伤亡人员的数量随着工程数量的增加和规模的扩大而居高不下，并且呈现逐年上升的趋势。据统计数据显示，仅2022 年上半年，全国发生各类生产安全事故11076起。死亡8870人，安全生产形势严峻且复杂。根本原因是企业外包工程人员安全生产知识和技能在短期内得不到有效提高。越来越多的企业感受到单纯的人力管理的无力。为减少工业生产中的事故率和伤亡人数，许多发达国家开展智能安全帽的系统研究。国外市场上出现了多种不同功能的智能安全帽，在工业领域得到了应用。在我国，工程管理虽取得了巨大的成就，但整体水平较西方发达国家仍有很大的差距，安全事故所造成的经济损失比较严重。

图像处理技术充沛的理论基础为自动化监控提供了可能，目标检测技术则能及时反馈工人当时的情况。因此，将深度学习理论应用于智慧工地的施工监控领域具有重大的现实意义。为提升作业人员对人身安全风险的辨识能力，规范人员作业行为和作业环境，突出安全风险辨识和隐患排查治理的双重预防机制，本项目将图像识别与自动检测技术相结合，设计一款能自动检测生产作业中存在的问题的带头灯安全帽。

1 系统总体设计

本项目拟用4B 树莓派作为主板，结合Python 语言、YOLOv5 和OpenCV 研究图像特征信息提取算法，通过数据预处理、灰度值分析和互信息分析提取可以表征图像原始信息的特征值，并基于最小二乘支持向量机（LSSVM）研究稀疏化建模方法，在保证模型估计精度的前提下，选择部分特征值进行建模，尽可能地降低模型复杂度，以实现在树莓派上的实时检测。当检测出问题，树莓派释放信号引发震动传感器震动，并将拍摄到的图像无线传输到监测中心站点，以便及时进行人工干预，保障作业人员安全，提高生产效益。结构框图如图1 所示，可以分为以下4 个方面。

图1 总体设计结构框图

图2 实物结构位置图

（1）图像实时拍摄。运用实时理论实现，树莓派每10s 向摄像头发出拍摄指令，摄像头接收到指令后拍摄外界画面，图像等待下一步的检测。（2）头灯亮度调节。设定头灯的亮度为“暗”“亮”“特亮”三档。摄像头定时拍摄外界图像，OpenCV 计算图片在灰度图上的均值，判断应该调节的亮度档位，并将调节亮度信号发送至头灯，实现根据当前环境明暗自动调节头灯亮度的功能。（3）图像信息处理。摄像头模块将所拍摄图像传输至树莓派，经OpenCV降噪与修复算法处理后再在YOLOv5 基础上运用LSSVM 后向递归剪枝策略、前向递归学习算法两种稀疏化方法对图像进行建模后检测出是否佩戴安全帽与进入危险区域。（4）震动预警与图像远程传输模块。树莓派检测到未佩戴安全帽与进入危险区域时，安全帽上震动传感器震动，并将拍摄到的图像传输给远程服务器所在的监测中心站点，以便人工干预。

2 系统硬件设计

2.1 树莓派

采用树莓派4B 主板作为开发平台，它处理器速度快，多媒体性能与稳定性强。此开发板质量轻便，具有高性能、低功耗的特点，适合嵌入安装在安全帽内。

树莓派4B 型主要硬件参数如下：1.5GHz 四核64 位ARM Cortex-A72 芯片，LPDDR4 SDRAM 内存，板载全双工千兆以太网接口，板载双频802.11ac 无线网络，板载蓝牙5.0，支持HEVC 视频4Kp60 硬解码。

2.2 摄像头

2.3 震动传感器

项目采用SW-420 震动传感器（开关量传感器），该产品适用于各种震动触发作用，具有小巧便捷、传感器灵敏、驱动能力强等优点。具体参数如下：工作电压3.3 ～5V，输出数字量开关0 和1，尺寸3.2cm×1.4cm，使用宽电压LM393 比较器。

2.4 其他元件

安全帽采用符合国标质检要求《安全帽：GB2811-2007》的标准安全帽，头灯模块锂电池供电。

3 系统软件设计

系统环境设计主要为树莓派烧录配置、安装Python3 PyQt5 库文件、OpenCV、YOLOV5 环境搭建。检测过程分为输入图像、灰度值分析、图像预处理、图像检测、输出结果、上传图像5 个过程。

3.1 灰度值分析

灰度图像上每个像素的颜色值称为灰度，指黑白图像中点的颜色深度，范围为0 ～255。运用算术平均法即将彩色图像中的三分量的亮度求平均得到灰度值的方法求图像灰度值。

灰度值越低，头灯亮度档位越亮，反之，亮度越暗。

3.2 图像预处理

由于电子干扰及其他干扰因素的存在，图像在成像、采集、传输等过程中图像或多或少会造成一定的退化和噪声干扰。运用OpenCV 中降噪修复等算法增强图像，使用模板平滑滤波器对图像进行滤波从而消减噪声，提高图像的清晰度与质量，使图像中的物体的轮廓更加清晰，细节更加明显，降低对图像进行后续研究的难度。

1) 细读上下文，判定人物关系，分析此情此景下人物意欲何为：是争辩说明、证实补充、异议修改、暗自诧异、震惊发问、称赞品评、说笑调侃、转换话题，还是思忖迟疑等；熟悉人物间情感距离的波动。摆脱well词典原初意义的羁绊，考虑其在背景中所起的功能，以便在译文中更充分地体现之。李渔《闲情偶寄·演习部》曾说“填词之设，专为登场”[21]，译者翻译时要考虑到“优人搬弄”之需，勿囿于“文人把玩”，充分关注戏剧台词的表演性，只有这样，才能雅俗共赏、智愚同欢。

3.3 图像检测

项目通过YOLOv5 实现检测。YOLOv5 (You Only Look Once version 5)是一种最先进的对象检测算法，用于图像和视频中的实时对象检测。YOLOv5 依附Python 和PyTorch 实现，安装完依赖项，就可以下载并使用预先训练的模型，或者在自定义数据集上训练自己的模型。

其流程大致如下：

输入：YOLOv5 需要输入一张图像。

网络：使用卷积神经网络(CNN)来提取图像的特征。

特征提取：CNN 从图像中提取关键点和特征。

预测：根据提取的特征，YOLOv5 预测图像中是否存在目标对象，以及目标对象的位置和类别。

输出：YOLOv5 将预测结果输出到一个矩形框中，框内是目标对象。

本项目对危险性的检测分为是否佩戴安全帽和是否进入危险区域两方面。

通过人没有带安全帽、人有带安全帽、人体3 个类别可以训练模型来实现是否佩戴安全帽的检测。首先，收集带有安全帽和不带安全帽的图像数据并将图像数据标注即准备一个包含图像和标签的数据集，再使用标注文件和图像数据来训练YOLOv5 模型。在训练过程中，YOLOv5 会自动调整模型参数，使其更好地适应数据集。训练完成后，使用YOLOv5 的测试脚本进行模型测试。测试脚本会读取一张图像，并对其进行目标检测，输出检测结果。最终实现根据输出结果判断是否佩戴安全帽。对危险区域进行标记，制作数据集，若拍摄并检测到危险区域，危险区域会使用红色框标出来，同时，危险区域里面的人体也会被框出来，危险区域外的人体不会被框选出来。

3.4 震动传感器与图像上传

检测到未佩戴安全帽与危险区域时，树莓派发出震动信号给震动传感器提示作业人员提示有人未佩戴安全帽与进入危险区域。同时，检测出拍摄到图像中未佩戴安全帽与进入危险区域的作业人员身份，并通过通信网络发出信号，将拍摄到的图像及检测出的人员身份信息传输给远程服务器所在的监测中心站点。

4 基于最小二乘支持向量机（LSSVM）的稀疏化算法的YOLOv5 轻量化设计

在深度学习落地过程中，为适应算力不足的问题，通常需要对深度学习模型进行压缩。最小二乘支持向量机（LSSVM）的稀疏化建模方法LSSVM 是由Suyken在标准支持向量机（SVM）的基础上提出的一种扩展机器学习算法，通过用等式约束代替SVM 中二次损失函数的不等式约束，使凸二次规划问题转化为求解线性方程组的方式，提高了建模过程中的训练效率，具有收敛快、精度高等优点。其求解形式与估计模型分别如下所示：

其中α，b 为模型的参数。

KNN=K(x i+x j),i,j∈{1,....,N}为核函数，γ为惩罚系数。

但LSSVM 存在一个主要的缺陷，即方程的解缺乏稀疏性，意味着绝大多数样本与最终的模型具有直接关系。随着训练样本的增加，模型复杂度越高。因此，在实际应用中，应首先研究LSSVM 的稀疏化方法。在初始训练样本集中，假设选定一部分样本作为支持向量，即部分权重系数αs代替全部系数α，其中S 表示样本索引{1,....,N}的一个子集。将其带入目标函数后可以得到：

其中，Kss=K(x i,x j),i,j∈S，

K s=K(xi,x j),i∈S,j∈N，可得到约简后估计模型

因此，在保证模型估计精度的前提下，选择部分样本进行训练。通过对稀疏化算法的研究，将稀疏化算法分为2 类，分别为后向递归剪枝策略、前向递归学习算法。运用后向递归剪枝策略先将所有样本当作支持向量，得到估计模型，然后基于每个支持向量对模型的贡献度，剔除贡献度少的支持向量，再重新建模，直到模型精度不满足要求；运用前向递归学习算法在训练模型前先选择部分样本作为支持向量，然后某种最优准则从样本中逐渐增加支持向量的个数，直到模型精度达到某个阈值。

5 项目创新点

本项目创新特色概述可分为以下三部分：（1）实时性。工作人员能及时意识到当前是否安全，检测中心员工也能及时对危险情况进行干预，对不符合规定的作业行为进行指导。（2）自适应性。自动切换头灯亮度档位，延长灯的单次使用时长，适应各种工作环境，有效缓解工作人员因光线问题带来的眼部不适。（3）稀疏化建模方法。基于最小二乘支持向量机（LSSVM）研究稀疏化建模方法，在保证模型估计精度的前提下，选择部分特征值进行建模，尽可能地降低模型复杂度，以实现在树莓派上的实时检测。