摘要
随着第五代移动通信、物联网、人工智能等技术的发展，智能视频分析技术迎来了快速发展。区别于传统的视频监控技术，智能视频分析技术能够自动对视频图像信息进行分析识别，无需人工干预。在建筑工地中，安全帽是施工人员必备的安全防护用品，正确佩戴安全帽是对施工人员生命安全的一种保障。但是，目前对于施工人员安全帽的佩戴检测主要依赖于人工检测，这样做不仅浪费大量人力成本且效率低下。通过智能视频分析技术来替代人工检测，真正做到安全生产信息化管理。 针对安全帽检测这一问题，目前主要采用的是传统目标检测方法，此类方法基于手工设计的特征来进行识别，算法鲁棒性较差，且检测准确率低。随着深度学习的发展，目标检测准确率得到极大的提升，但是深度神经网络过度依赖于硬件的支持，不利于检测任务的实际落地，为此，本文提出了基于轻量级神经网络的智慧工地视频监控系统，本文的工作和成果如下： （1）针对没有公开适合本项目的安全帽检测数据集，本文采集施工现场的视频数据，通过人工标注的方式构建了一套安全帽检测数据集。通过采用几何变换和颜色变换的数据增强方法，并且融合了公共数据集SHWD（SafetyHelmetWearingDetectDataset），解决了安全帽有效目标数量过少的问题。 （2）采用主流目标检测算法YOLOv3（YouOnlyLookOnce）进行安全帽佩戴检测，对于未佩戴安全帽的施工人员进行标记与警告。采用卡尔曼滤波器结合匈牙利匹配算法对施工人员行走轨迹进行追踪，防止其进入危险区域。 （3）针对YOLOv3算法实时性不佳，无法实现边缘端部署的问题，本文对YOLOv3神经网络进行优化，替换其主网络框架，使用深度可分离卷积替代传统卷积层。通过TensorRT对已训练完成的神经网络进行压缩与量化，加速其推理运行时间，并将其部署于边缘计算开发板NVIDIAJetsonTX2上。不同于传统的以服务器为中心的集中式数据处理方式，本文提出的基于轻量级神经网络的智慧工地视频监控系统以边缘计算技术为核心，采取分布式数据处理方式，在边缘端直接处理视频数据，减少了视频数据的传输以及网络资源的占用，降低了建筑公司对于视频监控网络部署的费用，弥补了工地监管中的缺陷，真正做到事前预警，事中常态检测，事后规范管理。
NETL