基于改進(jìn)版的Faster RCNN的安全帽檢測及身份信息識(shí)別

王璽 武曲 郭坤

摘 要：隨著現(xiàn)代科學(xué)信息技術(shù)的不斷發(fā)展，計(jì)算機(jī)圖像視覺、人工智能等科學(xué)技術(shù)也在發(fā)展迅速。針對當(dāng)?shù)毓と瞬慌宕鞴さ仡^盔和越界違法作業(yè)的一些行為，本文提出了一種基于改進(jìn)方法的faster rcnn的不戴頭盔工人佩戴目標(biāo)檢測與工人身份識(shí)別方法，通過工地?cái)z像頭對工地圖像和移動(dòng)視頻聲音目標(biāo)進(jìn)行檢測。最后研究結(jié)果表明，該檢測方法能夠較好地有效實(shí)現(xiàn)不戴頭盔工人佩戴的工地圖像和聲音視頻目標(biāo)檢測。

關(guān)鍵詞：特征融合;安全帽檢測;多尺度檢測;Faster RCNN

當(dāng)前計(jì)算機(jī)圖像視覺技術(shù)是研究人工智能的一個(gè)熱門技術(shù)發(fā)展研究方向，圖像識(shí)別等新技術(shù)正逐步融入各行各業(yè)，包括國際金融、醫(yī)療、教育、家居等行業(yè)。在各個(gè)行業(yè)都已經(jīng)可以隨時(shí)看到，比如三維頭盔人體運(yùn)動(dòng)姿態(tài)監(jiān)測重建、跌倒?fàn)顟B(tài)監(jiān)測，以及汽車駕駛員疲勞運(yùn)動(dòng)監(jiān)測、行為自動(dòng)識(shí)別等諸多功能?；谝陨蠋讉€(gè)原因，本文提出了一種基于最新改進(jìn)技術(shù)faster rcnn的智能頭盔疲勞檢測行為識(shí)別智能算法。采集戴頭盔和不戴頭盔的建筑工人圖像，構(gòu)建模型訓(xùn)練和測試數(shù)據(jù)集，評(píng)估算法的測試速度和準(zhǔn)確率。該圖像檢測后的技術(shù)結(jié)果，可有效地地替代目前現(xiàn)有對于傳統(tǒng)施工項(xiàng)目企業(yè)人工成本高的監(jiān)管，既大大限度節(jié)省了其項(xiàng)目人工成本，又提高了其在實(shí)際施工現(xiàn)場的的可操作性和安全性，也將更利于產(chǎn)業(yè)建設(shè)開發(fā)，實(shí)現(xiàn)項(xiàng)目產(chǎn)業(yè)建設(shè)的“智慧工地”目標(biāo)。

1 相關(guān)技術(shù)簡介

1.1 ?Faster RCNN簡介

在原有Faster RCNN的基礎(chǔ)上，增加了一個(gè)用于提取節(jié)點(diǎn)邊緣的三叉神經(jīng)網(wǎng)絡(luò)，稱為Region Proposal Network（RPN）。首先通過利用volume層的積累積分層和pooling積累層，直接提取到一整幅特征圖像的基本位置信息，并形成一個(gè)特征向量圖。然后通過利用區(qū)域管理建議神經(jīng)網(wǎng)絡(luò)（rpn），提取多個(gè)用戶感興趣目標(biāo)區(qū)域的位置密度信息和非位置信度特征值等，對比這個(gè)區(qū)域內(nèi)是否存在有候選目標(biāo)。ROI pooing 層將多個(gè)特征向量映射到相同圖像大小的層，而后通過利用窗口重疊，可以得到每個(gè)區(qū)域?qū)ο蠡貧w后在校正窗口后的最高值得分。因此，F(xiàn)ast RCNN不再通過復(fù)雜耗時(shí)的各種選擇性區(qū)域搜索RCNN 和 Fast RCNN管理建議，使得檢測速度大大提高?；诤蜻x目標(biāo)區(qū)域的RCNN、Faster RCNN系列全球目標(biāo)區(qū)域檢測分析方法技術(shù)，是當(dāng)前檢測方法最重要的一個(gè)分支。

1.2 ?Faster RCNN的改進(jìn)

為了實(shí)現(xiàn)RPN五種網(wǎng)絡(luò)中，讓每個(gè)預(yù)測階段在目標(biāo)時(shí)間中獲得更多的尺度信息，本文通過融合了VGG16五個(gè)不同網(wǎng)絡(luò)預(yù)測階段的尺度特征檢測圖，將多尺寸尺度特征檢測圖直接輸入，實(shí)現(xiàn)了多種尺度的特征檢測。

具體操作方法細(xì)節(jié)：首先，找出具有相同的卷積維度目標(biāo)，對原圖特征和原圖分層進(jìn)行一次反卷積。然后在網(wǎng)絡(luò)設(shè)計(jì)階段的兩個(gè)特征原圖進(jìn)行融合，具體操作方法是為圖添加一個(gè)相應(yīng)的卷積像素，從而直接生成新的兩個(gè)特征圖分層。然后分別對RPN網(wǎng)絡(luò)進(jìn)行預(yù)測達(dá)到多尺度檢測的目的。該方法在提取頭盔特征時(shí)充分利用了所有特征層的信息，對提高頭盔檢測效果將大有裨益。

2 實(shí)驗(yàn)分析

2.1 數(shù)據(jù)集

關(guān)于頭盔佩戴檢測的研究，目前還沒有公開的數(shù)據(jù)集。本文通過與某知名化工企業(yè)的多次接觸，獲得了一組真實(shí)的項(xiàng)目施工現(xiàn)場監(jiān)控視頻。目前已完成制作實(shí)際中的施工過程場景網(wǎng)絡(luò)監(jiān)控視頻畫面和施工網(wǎng)絡(luò)監(jiān)控畫面及其組成的視頻畫面總計(jì)1800幅。視頻格式主要是aavoc2007的視頻數(shù)據(jù)集，記錄為“工廠”。下文將測試該分析方法，并驗(yàn)證該方法的正確有效性。圖片數(shù)據(jù)集中的標(biāo)簽圖片圖像標(biāo)簽可以分為5類：目標(biāo)人物戴著深紅色的鏡頭盔（紅色）、黃色頭盔（黃色）、白色頭盔（白色）、藍(lán)色頭盔（藍(lán)色）和不戴頭盔（無）。

2.2 實(shí)驗(yàn)結(jié)果及分析

本文使用平均精度（AP）和平均平均精度（mAP）來自于評(píng)估所有已提出檢測方法的基本檢測計(jì)算結(jié)果。precision的基本計(jì)算公式描述如下：

使用一個(gè)工廠錨點(diǎn)數(shù)據(jù)集群來訓(xùn)練原始數(shù)據(jù)faster rcnn錨點(diǎn)網(wǎng)絡(luò)，YIJI 數(shù)據(jù)結(jié)合錨點(diǎn)特征網(wǎng)絡(luò)融合、多面體尺度特征檢測方法。fasterr cnn在實(shí)際應(yīng)用場景中可以使用120張鋼廠監(jiān)控頭盔圖片（其中包括826名戴著不同品種顏色監(jiān)控頭盔的鋼廠工人）。本文測試了兩個(gè)虛擬模型，兩種模擬算法的實(shí)驗(yàn)效果如下圖表所示。

表1顯示了經(jīng)改進(jìn)后的算法faster rcnn的綜合測試結(jié)果，準(zhǔn)確率同比提高了16.8%。采用改進(jìn)后的幀的檢測數(shù)據(jù)結(jié)果好，置信度高，目標(biāo)幀定位準(zhǔn)確。實(shí)驗(yàn)結(jié)果證明，最終還是改進(jìn)后的faster rcnn框架可以有效應(yīng)用于實(shí)踐，準(zhǔn)確率高。

3結(jié)束語

針對頭盔工人佩戴頭盔上的佩戴錨點(diǎn)檢測，本文提出了一種需要改進(jìn)的方法faster rcnn，具有特征錨點(diǎn)融合、多種大尺度錨點(diǎn)檢測。經(jīng)過本次模擬實(shí)驗(yàn)和針對深度機(jī)器學(xué)習(xí)的深入研究，該檢測方法確實(shí)可以達(dá)到提高建筑工地人員佩戴檢測圖像和圖象視頻遠(yuǎn)程檢測時(shí)的效果。

參考文獻(xiàn)：

[1]黃愉文，潘迪夫，基于并行雙路卷積神經(jīng)網(wǎng)絡(luò)的安全帽識(shí)別[J].企業(yè)技術(shù)開發(fā)，2018，37（03）：24-27+47.

[2]吳冬梅，王慧，李佳.基于改進(jìn)Faster RCNN的安全帽檢測及身份識(shí)別[J].信息技術(shù)與信息化，2020，（01）：17-20.

[3]張圣昌.基于深度學(xué)習(xí)的異常檢測模型研究[D].河北大學(xué)，2019.

[4]徐晨玉.基于YOLOv3的危險(xiǎn)物品檢測模型研究與改進(jìn)[D].蘭州大學(xué)，2019.

[5]樊鈺.基于深度學(xué)習(xí)的安全帽檢測系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].內(nèi)蒙古大學(xué)，2019.