文摘

针对解决的问题,现有的头盔使用的检测方法检测研究低检测效率和累积误差影响精度,改善YOLOv5头盔佩戴检测的新算法。首先,我们使用 - - - - - -意味着+ +算法提高先验锚箱的大小匹配程度;其次,整合切除协调关注(DWCA)机制的骨干网络,所以网络可以学习每个通道独立的重量和提高之间的信息传播功能,从而加强网络区分前景和背景的能力。实验结果显示如下:白手起家的安全头盔佩戴检测数据集,平均准确率达到95.9%,头盔检测的平均精度达到96.5%,平均工人的头检测精度达到95.2%。与YOLOv5算法做比较,我们的模型已经增加了3%的平均精度头盔检测,符合精度要求的头盔戴在复杂的建筑场景中检测。

1。介绍

根据一系列的统计报告住房和城乡建设部颁发的,与934年相比事故和840人死亡,2018年总共有773建筑生产安全事故和2019年全国904人死亡。事故和死亡人数增加了5.31%和7.62%。一般来说,在建筑行业事故的数量逐渐增加。在文献[1),学习时使用安全保护设备之间的关系和死亡的人数在建筑工地,发现67.95%的受害者没有使用或使用安全防护(如安全头盔和安全带)。由于疲软的建筑工人的安全防护意识,佩戴安全头盔的重要性经常被忽视。在建筑工地,人工监督通常是用于监控员工是否佩戴安全头盔(2),这使得它不可能管理所有建筑工地的建筑工人及时和知道所有建筑工人的运动轨迹。自动监测方法的使用有助于监控施工人员并确认所有建筑工人戴头盔的具体情况在建筑工地,尤其是传统的监测方法是费时和昂贵,容易检测错误,不足以满足现代建筑的安全施工管理的要求。深度学习方法的使用自动监督有利于所有施工人员现场监督。

传统的目标检测经常使用一个特性和设计的人工选择和训练分类器基于特定的检测对象。这个方法是高度主观的,复杂的设计过程中,可怜的泛化能力,并在工程应用中有很大的局限性。近年来,由于卷积神经网络(CNN)不使用人工选择的特性,他们已经逐渐被学者们追求领域的深入学习。深卷积神经网络具有良好的综合性能检测领域的对象。2014年,Girshick等人成功地提出R-CNN [3),快R-CNN [4],和更快的R-CNN [5帕斯卡VOC2007dataset),验证,分别,逐步改善了实验效果。提取特征的方法框架,这些模型逐渐变化从选择性搜索区域建议网络(RPN),从而摆脱传统的人工特征提取方法。2015年,Redmon等人提出了一个单程对象检测模型YOLO[意思6),抽象的检测任务首次回归问题,避免了繁琐的操作将检测任务分成两个步骤的R-CNN系列。2016年,刘等人提出了SSD (7)检测算法,引入了多尺度检测方法,可以有效地检测组的小目标。2017年,林等人提出了RetinaNet [8密集的探测器,解决了极端的前景和背景不平衡训练过程中遇到的问题通过重塑标准熵的损失。2017年,Redmon和其他人提出了YOLOv2 [9检测模型,选择一个新的基本模型Darknet-19实现端到端培训。2018年,Redmon等人提议YOLOV3 [10]onYOLOV1和YOLOV2为基础。在这个模型中,采用红外系统方法整合三个不同大小特征图来完成检测任务,大大提高了小型目标的检测效果。2020年4月,Bochkovskiy提出YOLOv4 [11),它使用PANet代替红外系统用于YOLOv3路径聚合方法;同时,骨干网络使用CSP Darknet53,大大增强了网络的检测精度。2020年6月,格伦提出YOLov5 [12),设计了一种新的焦点结构并将它添加到骨干网络实现一个新的基准速度和准确度的完美结合。

迅速崛起的计算机视觉目标检测的方向,越来越多的研究人员关注深度学习与实际应用相结合的场景。例如,陈等人。13)提高了SSD模型通过添加一个初始模块之前预测层来实现快速、准确检测的小型汽车。田et al。14]DenseNet优化使用低分辨率层功能层的YOLOv3网络和应用改进YOLOv3炭疽表面损伤检测的果园苹果实现实时检测。大顺et al。15)应用改进RetinanNet网络领域的行人检测和行人意识到多光谱的快速检测。钟等。16]LocNet定位模块用来取代边界回归模块提高更快R-CNN模型和应用它多向文本实例检测。Zhang et al。17,18]使用剩余网络(重置)预测部分编码图像的输入特性和选择增加反褶积层改变MMDetection网络模型在特征信息解码的过程,达到一个更高的人群密集的场景。可以看到,深度学习已经成为一种流行的研究方向,它已成为主流领域结合实际应用场景。

安全帽检测是目标检测的应用领域之一。到目前为止,国内外许多研究人员已经进行了几个相关的调查在安全帽检测。2013年,凯尔姆经常19)等人设计了一个移动无线电频率识别(RFID)门户的合规检查建筑工人佩戴安全防护设备。然而,识别区域的无线射频识别阅读器是有限的。只是建议头盔接近工人,但不能确认是否正确佩戴头盔。2014年,刘20.)和其他人使用支持向量机的组合和肤色检测实现头盔检测。2016年,Rubaiya [21和席尔瓦22)和其他人联合梯度(猪)算法的直方图与图像的频率与领域相关的信息对人类探测,然后使用圆形霍夫变换(十)检测头盔。2017年,李23)和其他使用氛围算法来定位人体的位置,其次是压花算法检测工人的头,最后结合猪算法和支持向量机实现头盔佩戴检测。2018年,吴et al。24]使用胡时刻不变(HMI),颜色直方图(CH)和局部二值模式(LBP)提取的特点,不同颜色的头盔,然后建造了一个层次支持向量机(H-SVM)安全帽穿检测。由于复杂环境,检测精度的头盔佩戴检测低在这个阶段,这是完全不同于实际建筑施工的管理需求。

在这篇文章中,两种类型的目标建筑工人戴头盔和那些不戴头盔是检测任务,和超过7000的照片从互联网上收集数据集预处理构造一个头盔检测。选择YOLOv5网络模型为主体,首先,使用 - - - - - -意味着集群目标锚箱+ +算法获得一个边界框适合目标,以便模型收敛速度更快。其次,一个新的DWCA模块设计和集成了骨干网络的特点加强注意加强检测目标的注意,提高抗背景干扰能力。根据最终的实验结果,平均DWCA-YOLOv5检测模型的检测精度(mAP)已经显著提高,并且可以有效地检测建筑工地的工人的不安全行为不戴头盔。

2。相关工作

2.1。YOLOv5算法原理

YOLOv5是新一代目标探测网络YOLO系列的意思。这是一个产品的持续集成和创新基于YOLOv3和YOLOv4。其次,YOLOv5取得更好的结果在帕斯卡VOC和可可对象检测任务;因此,本文使用YOLOv5检测网络检测建筑工人的头盔佩戴。

YOLOv5对象检测网络官方给四个网络模型:YOLOv5s, YOLOv5m YOLOv51, YOLOv5x。YOLOv5m的三个模型,YOLOv51 YOLOv5x的产品是基于YOLOv5s持续深化和扩大。YOLOv5网络结构分为四个部分:输入、支柱、脖子,预测。YOLOv5添加马赛克数据增强数据输入部分;关注结构和CSP结构用于骨干;红外系统+锅结构添加到脖子;预测提高了边界框部分损失函数从CIOU_Loss GIOU_Loss;YOLOv5许多后处理过程中对象检测目标。目标的筛选锚架采用加权NMS操作。

与YOLOv4相比,YOLOv5骨干网络,有一个新的关注结构主要用于切割操作。在YOLOv5s网络模型中,一个普通的图像的大小 输入网络,专注切片操作后,特征地图的大小 转换,其次是普通32卷积核的卷积操作。最终转化为一个特征地图的大小 。不同于YOLOv4网络模型只使用CSP结构骨干网,YOLOv5网络模型设计了两个新的CSP结构。以YOLOv5s网络模型为例,骨干网络使用CSP1_1结构和CSP1_3结构,和颈部使用CSP2_1结构增强特性之间的融合网络。YOLOv5s如图的网络结构1。

2.2。DWCA Moduel

传统的通道模块致力于构建各种通道的重要性权重函数。例如,SEnet [25]改进通过计算获得了显著影响渠道关注借助二维全局池和一个小的计算开销。然而,SENet只考虑编码之间的信息渠道和忽略了位置信息的重要性,它是必不可少的捕捉物体视觉任务的结构。协调的关注(26)取得了显著的性能改进的编码信道间的关系和长期依赖性。ECANet [27)提出了一个方法,不降维采取措施实现横跨海峡的本地交互和方法,自动适应选择普通一维卷积,从而实现性能提升。CBAM [28]和BAM [29日)降低通道的输入维张量,其次使用卷积计算空间注意使用位置信息。然而,卷积只能捕捉当地关系,但不是什么需要建模长期依赖视觉任务。

解决上述问题,我们设计了一个新的关注机制基于以前的工作,这将在特征空间的位置信息集成到该频道的关注,以便网络参与更大的面积,同时避免很多模型参数的开销。DWCA机制的结构图如图2。

减少相关位置信息的缺乏引起的二维全球共享,我们使用两个一维全球聚合操作将频道关注分解成两个聚合特性以及垂直和水平方向,然后将获得的功能聚合成两个独立的定向知觉特征映射。促进模块捕获远程空间与精确的位置信息,本文分解全球池根据公式(1),将它转换成一个一对一的维特征编码操作。具体操作过程如下:首先,使用一个池内核的大小( ,1)或(1, )编码的单维度和横向和纵向坐标输入 。因此,输出的通道的高度可以看到下面的细节都显示在公式(2)。

的公式,输出相关吗th频道,输入的高度吗 ,和是输入的宽度 。

的公式,特定的输出通道高度在哪里 ,和是输入的宽度 。

通过类比,特定的输出th通道宽度可以看到下面,见公式(3详情)。

的公式,的输出是什么通道的宽度 ,和输入的高度吗 。

通过扩展上述两个特性的变换的聚合两个空间维度,direction-aware特性图,其次是CONCAT操作,然后使用共享 传统的卷积变换函数变换,如公式(4)所示。

的公式, 地图是一个中间功能,编码空间在垂直和水平方向的相关信息,是一个非线性激活函数,(*,*)代表了拼接操作空间维度。

然后,按照空间维度,转换成两个独立的张量 和 ,使用两个有效切除分离卷积变换和然后将张量和与相同数量的通道输入 ,见公式(5)和(6)。

的公式,和注意重量是扩大,乙状结肠函数,的减速比是通道的数量。

最后,整个DWCA模块可以表示如下,见公式(7详情:

2.3。提高YOLOv5算法

2.3.1。 - - - - - -意味着+ +目标框架优化

执行 - - - - - -意味着通用目标探测数据集上的聚类维可可获得初始先验YOLOv5锚架参数。然而,由于目标类型的可可数据集有80类别,本文中的头盔检测类型只有两类,不能满足头盔佩戴检测的实际需要,和先天的帧的大小需要重新设计。与锚设计框架的大小只有依靠人类的先验知识,为头盔佩戴数据集,我们选择 - - - - - -意味着+ +算法对标记执行多维集群目标框架,导致不同的数量和大小。尽可能准确的先验锚架之间的匹配和实际对象实现,从而进一步改善头盔检测的准确性。在聚类过程中,平均交叉比率(借据)中心的数量对应不同的集群如图3。

观察图3之前的数量,我们可以得到,当锚箱集群是0到9日平均交叉比率显示了一个快速的上升趋势,但是,当先验锚箱的数量是9到12日平均交叉比率增加逐渐温和。平衡计算精度和效率,9先验锚帧最终选择和不同大小的均匀分布到3预测分支。确定先验锚框架尺寸归一化如表所示1。

表2说明了模型的性能的优缺点。其中,先天的锚箱的聚类方法是改变 - - - - - -意味着算法 - - - - - -意味着+ +算法,地图有一定改进,改进的YOLOv5算法变化由于网络结构和检测精度。还有一个巨大的进步。与此同时,选择 - - - - - -意味着+ +聚类方法和改进的YOLOv5模型比原来的高出3.2 YOLOv5算法。白手起家的头盔佩戴检测数据集的平均精度达到95.9%,可准确检测施工人员是否戴着安全帽。

2.3.2。DWCA模块融合设计

对于小目标探测任务,和模型的网络层逐渐增加,小目标的特征信息,可以收集逐渐减少。所以,很容易导致网络模型错误检测和小姐小目标的检测。DWCA模块本身将位置信息的特征空间通道特性,使网络可以掌握目标的“关键点”特征在训练过程中。然而,在特定的情况下,哪个位置DWCA模块进行特征融合的网络模型是有效的研究仍然是一个问题。

摘要DWCA模块合并到不同位置的网络模型,并检测结果进行了研究。根据YOLOv5s网络模型的结构,本文将整合DWCA模块三个领域的骨干网络,颈部,YOLOv5s的预测模块。自从DWCA模块之间的关系是提高信道信息和信道特征空间中的信息,我们DWCA模块嵌入到每个功能融合区域在上面的三个部分,从而产生三种新的基于YOLOv5s算法。网络模型如下:DWCA-YOLOv5s-backbone DWCA-YOLOv5s-neck, DWCA-YOLOv5s-prediction。图4显示具体位置DWCA模块集成到网络。

在图3(一)DWCA模块集成在CSP1_3(即。,the feature fusion) in the backbone network of YOLOV5s. In Figure3(b), CONCAT背后的DWCA模块集成层YOLOV5s的脖子上。在图3(c), DWCA模块集成,分别在每个预测的卷积YOLOV5s之前。表3实验结果显示DWCA模块是否集成了三个不同的位置。

通过可视化的输出相同的通道的三个fusion-designed网络,如图5(只有通道输出相同的地图可视化)的特性,实验结果表明,相比DWCA模块融合到网络的脖子和网络预测部分,融合DWCA进入骨干网可以有效地加强语义信息特征层的实例和更多关注目标隐藏在较低的层,这是容易被忽视。纹理信息和轮廓信息可以有效地提高网络的小目标。

3所示。实验结果和分析

3.1。数据集建设

方向检测,实验所需的数据集一直是一个重要的基本条件。安全帽数据集已经开源只是SHWD (SafetyHelmetWearing-Dataset)。在这个数据集,不带头盔的类别标签数据主要来源于SCUT-HEAD数据集。SCUT-HEAD数据集被学生在课堂场景监控图或照片,所以数据不是一个标准的建筑工地现场数据集,不满足实际检测需求的建筑场景。为了解决这个问题,本文白手起家的头盔戴在建筑场景中检测数据集。构建这个数据集的主要过程包括数据收集、筛选、加工。

3.2。数据收集

本文所需的图像数据集的监控录像框架主要来自建筑工地,self-collecting在建筑工地,和网络爬行。收集的数据包括两种类型的工人戴不戴头盔的图片在不同的环境,不同的分辨率,不同的建筑工地。多组干扰图片添加到数据集,如建筑工人戴着棒球帽和安全头盔。建筑工人和帽子放在桌子上,建筑工人戴着竹编织帽子,等等,增加数据集的多样性,从而提高网络的鲁棒性。收集的样本数据集的地图如图6。

3.3。数据筛选和处理

图片来自于施工现场的监控录像分为帧或在互联网上爬。很多图片不包含施工人员为研究对象。他们可以被视为背景图片和没有本文的研究具有重要的实际意义。图片数据删除确认为背景。本文进行的初步筛选收集图片并选择满足要求的图像数据集作为注释。

预处理数据,将满足要求into.jpg格式的图片,并使用标签工具labellmg手动标签每个图像,图像中的施工人员我在戴着头盔(帽子),不带头盔(人)这两个类别标签,如图7;处理后,形成相应的XML标记文件,其中包含的四个目标的坐标框架和给定的类别(PASCAL VOC格式)。

最后的数据集获得本文共有7076图像。其中,具体信息是否戴头盔的数据集表中可以看到4。和数据集包含了各种各样的建设场景,可以更全面地反映实际的施工现场。最终数据集分为训练和验证符合9:1分比例。训练集图片的数量在最后7076图片数据集是6370的图片,还有测试集的706张照片。

3.4。实验环境

在本文实验中,操作环境的配置有很高的要求,需要和GPU加速实验。表5显示的配置说明本文的实验操作环境。模型建立、培训和测试结果都是完成PyTorch框架,使用CUDA并行计算体系结构,同时将cuDNN加速度库集成到PyTorch框架加速计算机计算能力。

4所示。结果分析

4.1。评价指标

在目标检测中,检测的准确性,和回忆,平均准确率(地图)是基本指数测试训练模型的整体稳定性和性能。本文还利用上述评价指标检测头盔佩戴模型性能评估。

上述评价指标应用于头盔的稳定性试验检测模型的检测结果是否建筑工人戴着头盔进行比较。其中,(真正的例子),(假阳性),(真正的负面例子),(假阴性)是关键指标用于描述精度。具体来说,TP指工人没有戴头盔的总和,其测试结果是正确的监控范围内的建筑工地。FP表明工人戴头盔的总和,但检测到错误,TN表明结果是完全正确的,和FN显示的和工人没有戴头盔,但却错误地发现戴着头盔。准确率和召回率的计算过程见公式(8)和(9)。

代表真实情况下的比率( )的和真正的病例和虚假的真实案例(+),真正的病例和错误的情况下的总和是头盔的总数;代表真实情况下(的总和 )和实际情况和假反例( )。对病例和错反例的比例是头盔的实际数量。

美联社是指所有精度获得的平均值在所有可能的召回率。精度的平均值是美联社的平均价值在所有类别,和计算公式所示(3)。

4.2。结果分析

本文使用YOLOv5头盔佩戴检测算法。来验证提出的算法具有更好的结果,相同数量的测试集是使用相同的配置条件下,和一些流行的对象检测网络在此阶段用于对比实验:RCNN更快,SSD, YOLOv3。其中,SSD和YOLOv3单级检测算法,和更快的RCNN检测算法分为两个阶段。实验结果评估使用两个评价指标AP50和地图。实验结果如表所示6。

观察表6,我们可以知道DWCA-YOLOv5算法可以显著提高检测的准确性是否戴着头盔一个工人。摘要DWCA-YOLOv5算法的平均精度可以达到96.2%的施工人员戴上头盔正确95.1%,施工人员不戴头盔。地图(意味着平均精度可以达到95.7%。与更快的RCNN和SSD相比,我们的模型检测结果更好。YOLOv3和YOLOv5相比,本文算法具有一定的改善AP50和地图。这表明DWCA-YOLOv5算法有一个性能优良的检测精度和检测头盔佩戴,它可以确保头盔的准确性检测在一个复杂的施工环境。

此外,为了更直观地看到检测不同算法之间的差距,本文还收集了158建筑工地的照片作为测试集。在这个测试集,我们分别使用YOLOv5和我们的模型试验。检测结果如图8在下面。

从图8,我们可以观察到操作员正确戴头盔被标识为一个红色的框架,运营商不戴头盔是用亮绿色的框架。图8(一个)显示了在强光施工现场检测。相比之下,原YOLOv5算法的检测精度远低于我们的算法;图8 (b)显示了小目标的检测在施工现场钢筋是屏蔽的。观察后,原始模型错过了一名建筑工人戴着头盔是谁在背后钢筋;图8 (c)显示了检测不同大小的目标。目标大小在近距离较大,在遥远的距离和目标大小更小。我们的模型检测到所有的目标,在遥远的原始模型错过了小目标范围和误检测钢管作为两个建筑工人佩戴安全头盔;图8 (d)显示了小目标的探测远距离施工现场。比较表明,原始YOLOv5模型已经错过了检测长距离小头盔,和我们的模型有更好的检测效果。原YOLOv5模型没有这种情况。有很多检查,但是我们的模型性能更好。可以看出从上述各种建筑场景的检测比较,改进的YOLOv5模型更好的检测安全头盔在复杂的经营环境。

5。结论

本文提出了一种改进的YOLOv5头盔佩戴检测方法。首先,使用 - - - - - -意味着+ +方法进行空间聚类数据集的白手起家的施工现场;其次,以获取更详细的信息,DWCA注意力机制结合骨干网络。根据最终的实验结果的比较,我们的模型可以获得检测精度高,可满足头盔的检测精度,在当前复杂的操作环境。在未来,我们将探讨如何使模型尽可能检测精度,同时减少的重量模型。

数据可用性

可以按照客户要求所有的数据都包含在本研究通过与相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持的部分开放研究项目的工业控制技术国家重点实验室(没有。ICT2021B10),湖南省自然科学基金(2021 jj30456)开放基金的科学和技术在并行和分布式处理实验室(WDZC20205500119),湖南省科技部门主要高新技术产业科技创新项目(2020 gk2009),和科技进步和创新湖南省交通部门的项目(201927),等等。