摘要：在电厂生产过程中，安全帽对于保障员工的安全具有非常重要的作用。工作人员在进行生产操作时未正确穿戴安全帽有可能直接导致事故的发生。在开发电厂不安全行为视频检测系统中，安全帽的检测将是一项需要解决的关键问题。本文通过收集现场图片信息和人工标注的方法，构建了训练集和测试集。通过采用深度学习算法，在数据集上得到了一种具备安全帽检测的神经网络模型。经验证，该模型在构建的测试集上达到了良好的检测效果。
关键词：安全帽;不安全行为;深度学习;卷积神经网络
0引言
安全生产一直是电厂生产中很重要的一部分，只有保障了员工的安全，才能保证企业的利益[1]。但是在实际的生产过程中，不安全行为时有发生(不安全行为是指生产经营单位从业人员在进行生产操作时的违反安全生产客观规律有可能直接导致事故的行为)。对2017年全国安全生产数据分析后，发现生产安全事故中95%的原因是作业人员的不安全行为导致的，如越权限进入工作场所、违章操作、未正确穿戴劳保用品、操作失误或忽视安全警告等[2]。开发不安全行为视频监测系统是一种有效杜绝人员不安全行为的手段。在不安全行为中，未佩戴安全帽的行为是企业监控和防范的重点[3][4]。
在开发不安全行为视频监测系统中，安全帽佩戴自动检测是系统重要的部分。这是督促员工佩戴安全帽的利器。可提高工人安全意识，将意外扼杀在摇篮中。
目前安全帽检测系统多采用联动门禁模式和动态检测模式。在联动门禁模式时，当工作人员要进入防护区域进行工作时，门禁刷卡后，通过部署于大门上方的摄像机检测人员是否佩戴安全帽，若未佩戴安全帽则无法开启门禁。工作人员必须佩戴安全帽才能打开门禁进入防护区工作。在动态检测模式时，通过部署于高危区域内摄像机，实时检测摄像机画面内是否有人员活动，当检测到有人时，同步检测人员是否佩戴安全帽，若未佩戴安全帽则输出报警信息，通知后台监控人员。这两种检测模式都需要解决安全帽识别的问题。但是在实际工厂的生产过程中，人员可能佩戴不同颜色的安全帽并且人员工作时的姿态也多变，这些因素会导致安全帽检测的准确程度不高，影响到系统的正常使用，所以目前设计一种准确识别安全帽的算法有着非常重要的实用意义，本文提出了一种基于深度学习[5][6][7]的安全帽检测算法。
1安全帽检测数据集建立
本文采用某电厂一段时间内的视频监控数据为训练样本，利用MATLAB编写程序将视频转换为5811张图片，通过人工挑选的方式去除重复和无安全帽的数据，并对图像进行旋转、缩放、平移等预处理操作，丰富样本集数量。得到最终的带有安全帽的训练样本个数为46488个。在建立好含有安全帽的数据集后，利用LabelImg工具将样本集中所有图片的安全帽区域进行人工标注，并将矩形框坐标位置和对应的图片文件名等信息保存为xml文件。将训练样本数据集按照4∶1的比例分为训练集和验证集，其中训练集样本个数为37190个，验证集样本个数为9298个。通过采集不同于训练样本的视频数据建立测试集，测试集的建立除不经过旋转、缩放、平移等操作其余步骤与训练集样本建立一致。得到最终的测试样本集为9000个。
2安全帽检测算法
由于安全帽颜色多样和处于场景中的状态多变，加上工作环境光线变化，传统检测方式很难兼顾解决以上问题。本文采用基于深度学习卷积神经网络[8]模型的目标检测定位方法。由于其方法的独特性，通过大量训练数据的拟合得到一种性能优越的检测方法。
2.1卷积神经网络
受视觉系统结构的启发，卷积神经网络首次真正实现了多层网络结构的学习和训练，它由多个卷积层和池化层(也称下采样层)交替组合而成。卷积层通过滤波器获取图像的局部特征图，其权值共享和局部感受野的特性使网络参数大大减少;池化层通过对输入的特征图进行压缩降维使得图像对平移、倾斜等空间形变具有高度的抵抗能力。体，得出相应检测结果，大大提高了检测速度。因此本文采用基于YOLO卷积神经网络算法进行安全帽的自动检测工作。图3展示了不同颜色和不同状态安全帽的检测结果。
2.2安全帽区域检测
YOLO[10]是用于目标检测的算法，它可以一次性在图像上预测多个物体的位置以及所对应的事物的类别，能够实现端到端的目标检测和识别。YOLO算法实质是一个卷积神经网络，由24个卷积层与2个全连接层构成，它采用整图进行训练卷积神经网络模型，这样可以更好的区分待检测的目标和背景区域。它能将输入的图像划分为S*S的网格，采用概率进行预测，如果一个目标的中心落入某个格子中，那么该格子负责检测该目标。各格自己负责检测物
3检测结果
3.1数据集格式
train：用于训练的图像集合;test：用于测试的图像集合;train_labels.xml：用户训练的标注图像内容。内容格式如表1。
3.2实验评价标准
本文对YOLO目标检测结果做了实验分析，评价标准分别为检测准确率和误检率。其中YOLO检测准确率越高越好，安全帽检测误检率越低越好。
3.3实验结果
在测试样本集中对训练的模型进行了测试，对于9000张测试图像，检测的准确率达到85.67%，误检率为4.6%，展示了非常好的效果。
4结论
本文采用机器学习的方法，通过构建安全帽训练数据集，将深度学习模型卷积神经网络和YOLO目标检测算法应用于安全帽检测。经实验分析，本文通过深度学习方法得到的神经网络模型识别效果明显，对识别不同颜色和不同状态下的安全帽都具有良好的效果。为进一步开发不安全行为检测系统提供了方法。
相关期刊推荐：《河北省科学院学报》(季刊)创刊于1984年，是由河北省科学院主办的自然科学学术性刊物，国内外公开发行。办刊宗旨：繁荣科学文化、促进学术交流、发现人才、为两个文明建设服务。主要刊登应用数学、计算机技术、自动化、能源、化工、地理科学及生物技术等学科的学术论文。有投稿需求的作者，可以咨询期刊天空在线编辑。
