摘要
我国是一个工业生产大国，在化工企业中，对设备状态及厂区人员行为的定期巡检是企业运营过程中不可或缺的环节。如今化工行业的巡检大多仍然依赖人工，巡检效率低下。并且在巡检过程中容易出现“偷工减料”——巡检不到位、不够时的现象，长此以往极其容易发生事故。因此亟需智能巡检系统辅助或替代人工巡检。 近些年人工智能技术发展迅速，智慧工厂的概念应运而生，学者对工业智能巡检的研究也逐步深入。在化工企业日常巡检的背景下，本文将目标检测技术与之融合。通过不断改进、优化YOLO算法，提高了准确率。最终将改进算法嵌入到智能视频巡检辅助系统，满足了辅助人工巡检的要求。本文主要研究工作如下： （1）分析智能监控以及不安全行为检测的国内外研究现状，结合在化工企业的实习经验找出日常巡检中的痛点，并对此构思解决方案，初步设计系统功能。 （2）掌握时下流行的目标检测算法的工作原理，复现、分析各个算法。通过对比各算法的优劣性并结合巡检过程识别实时性以及准确率的要求，最终选择YOLO作为原型网络进行改进和优化。 （3）对算法进行了五处改进，最终得到DDCN-YOLO模型。首先，从训练数据集入手，使用数据增强及Mosaic方法来丰富数据集背景，以加强网络在复杂环境下的目标分辨能力；其次，采用了DBSCAN-K-Means++聚类算法对模型中的AnchorBox重新聚类，用以提高对图像中小目标的识别率；再次，为了防止图像特征随网络深度增加逐渐被削弱，本文在网络中使用DenseNet替代ResNet；另外，本文又将可变卷积DCN与原有网络结合，以增加感受野；最后，加重了损失函数中坐标损失的权重。通过实验，准确率较YOLOv4提高了2.33%，并降低了小目标的漏检率。同时经过纵向和横向的对比，均验证了模型性能。 （4）系统使用Python语言进行开发，在TensorFlow2.0深度学习开发框架下进行模型训练，其中训练图片来自网络爬取以及人工拍摄。经过训练，实现了人员闯入、火焰、吸烟及未佩戴安全帽四种不安全行为的识别。系统人机交互界面的制作选用PyQt5开发框架，系统后台使用MySQL关系型数据库管理信息，系统开发IDE选用PyCharm，将训练好的改进模型嵌入到系统中，最终完成开发。
NETL