基于卷積神經網絡的礦井安全帽佩戴檢測
2020年電子技術應用第9期
劉 欣，張燦明
安徽省煤炭科學研究院，安徽 合肥 230001
摘要： 在煤礦生產中，工人由于未佩戴安全帽而受傷的事故時有發生。為了構建數字化安全帽監測系統，提出了一種基于卷積神經網絡的安全帽佩戴檢測模型。采用先進的Darknet53網絡作為模型主干，用于提取圖片的特征信息。此外，在模型中引入注意力機制用于豐富特征之間的信息傳播，增強模型的泛化能力。最后，制作了安全帽佩戴預訓練數據集和實際礦井場景數據集，并在PyTorch平臺進行全面的對比實驗驗證了模型設計的有效性，模型在實際礦井場景數據集上獲得92.5 mAP的優異性能。
中圖分類號： TN919.8；TP391.41
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.200109
中文引用格式： 劉欣，張燦明. 基于卷積神經網絡的礦井安全帽佩戴檢測[J].電子技術應用，2020，46(9)：38-42，46.
英文引用格式： Liu Xin，Zhang Canming. Wearing safety helmet detection based on convolutional neural networks for mines[J]. Application of Electronic Technique，2020，46(9)：38-42，46.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.200109
中文引用格式： 劉欣，張燦明. 基于卷積神經網絡的礦井安全帽佩戴檢測[J].電子技術應用，2020，46(9)：38-42，46.
英文引用格式： Liu Xin，Zhang Canming. Wearing safety helmet detection based on convolutional neural networks for mines[J]. Application of Electronic Technique，2020，46(9)：38-42，46.
Wearing safety helmet detection based on convolutional neural networks for mines
Liu Xin，Zhang Canming
Anhui Academy of Coal Science，Hefei 230001，China
Abstract： In the production of coal mines, accidents happen to workers once in a while because of absence of safety helmet. In order to establish digital safety helmet detection system, a wearing safety helmet detection model based on convolutional neural networks is proposed. Specifically, the model is based on advanced Darknet53 as model backbone, which is used to extract feature information from pictures. In addition, attention mechanism is introduced to enrich the propagation of information between features, enhancing the generalization of model. Finally, a wearing safety helmet pre-training dataset and a real mine scene dataset are built, and comprehensively comparative experiments are conducted on PyTorch platform to verify the effectiveness of the model designs, which achieves an excellent performance of 92.5 mAP on the real mine scene dataset.
Key words : wearing safety helmet detection；deep learning；convolutional neural networks；attention mechanism
0 引言
在煤礦生產過程中，佩戴安全帽對于生產人員的人身安全至關重要。但由于缺乏安全意識和監管不足等原因，工人因未佩戴安全帽而受傷的事故頻頻發生，輕則停工整頓影響生產進度，重則危害生命安全。現如今，在數字化礦山的發展浪潮中，對于安全帽佩戴的監測需求日益提升。
自2012年AlexNet[1]在ImageNet圖片分類比賽上大放光彩，以卷積神經網絡(Convolutional Neural Networks，CNNs)為代表的深度學習技術在多個領域上取得突破性成功，例如人臉檢測[2]、火災預防[3]、風格遷移[4]等。基于CNNs的目標檢測方法采用多個卷積層堆疊，憑借著卷積運算的特性，能夠自動地獲取豐富的特征信息，進而分類獲得優異的預測性能。在目標檢測技領域，基于深度學習的方法多數可分成兩類：第一類是基于候選區域的檢測方法，R-CNN[5]率先將深度學習技術應用于目標檢測任務。Faster R-CNN[6]引入候選區域網絡替代手工選擇候選區域，并實現多步驟聯合訓練；第二類是基于回歸分類的檢測方法，REDMON J等人[7]率先提出單步驟目標檢測模型YOLO，該模型將待檢圖片分成若干個網格區域，直接預測目標邊界框和置信度。在此之后，YOLO2[8]和YOLO3[9]在YOLO的基礎上增加了多種深度學習技術，大幅度提升預測性能和推斷速度。
本文詳細內容請下載:http://www.jysgc.com/resource/share/2000002977
作者信息:
劉 欣，張燦明
(安徽省煤炭科學研究院，安徽 合肥 230001)
此內容為AET網站原創，未經授權禁止轉載。