摘要
目前在大型建筑施工区域，仍然通过人工检查的方式监督施工人员佩戴安全帽，这种监管措施劳动成本大，效率低下，已经完全无法满足建筑行业高速发展的需求。近年来，在我国的建筑行业中，由于未佩戴安全帽造成的事故占总事故的60%以上，随着目标检测技术与智能摄像机的发展，使得实现智能化的安全帽佩戴检测成为可能。本文通过对主流的目标检测算法的分析，权衡检测精度与速度，选择YOLOv4作为基础算法开发安全帽佩戴检测算法。针对YOLOv4对小目标检测精度低，遮挡严重目标识别困难等问题，对YOLOv4进行改进提出一种新的安全帽佩戴检测算法。 首先，在YOLOv4的主干特征提取网络中引入多频谱通道注意力机制，对卷积神经网络提取的特征通道之间的相互依赖关系进行建模，自适应地调整各通道的特征响应值，提高模型的特征提取能力；其次，对YOLOv4的路径聚合网络和特征金字塔网络结构进行改进，将主干特征提取网络中分辨率低，细粒度特征丰富的浅层特征和语义信息丰富的深层特征进行更好地融合，输出分辨率更大的特征图检测小目标；最后对损失函数进行改进，降低了大量简单负样本在训练中所占的权重。 为了获得最佳模型，以每个类别的AP值和mAP值作为评价指标，对模型的改进点进行两两融合实验研究。最后通过综合实验研究和实际的图片测试，验证了本文所改进算法的有效性，通过以上三点改进后，YOLOv4的mAP值由原来的80.90%提升到90.11%,并且通过实际的图片测试后，改进后的模型具有更好地检测效果。 为了将改进后的算法应用到实际的建筑现场，通过华为软件定义摄像机进行二次开发，将训练好的模型通过转换，打包和签名等操作，移植到华为软件定义摄像机上形成了一套完整的安全帽佩戴检测系统。
NETL