基于樹(shù)莓派自動(dòng)檢測(cè)的帶頭燈安全帽設(shè)計(jì)研究

陳思妙，江宇東，黃臻臻，石建全

（南京工程學(xué)院自動(dòng)化學(xué)院，江蘇 南京 211167）

目前，建筑施工領(lǐng)域的安全事故頻發(fā)，傷亡人員的數(shù)量隨著工程數(shù)量的增加和規(guī)模的擴(kuò)大而居高不下，并且呈現(xiàn)逐年上升的趨勢(shì)。據(jù)統(tǒng)計(jì)數(shù)據(jù)顯示，僅2022 年上半年，全國(guó)發(fā)生各類生產(chǎn)安全事故11076起。死亡8870人，安全生產(chǎn)形勢(shì)嚴(yán)峻且復(fù)雜。根本原因是企業(yè)外包工程人員安全生產(chǎn)知識(shí)和技能在短期內(nèi)得不到有效提高。越來(lái)越多的企業(yè)感受到單純的人力管理的無(wú)力。為減少工業(yè)生產(chǎn)中的事故率和傷亡人數(shù)，許多發(fā)達(dá)國(guó)家開(kāi)展智能安全帽的系統(tǒng)研究。國(guó)外市場(chǎng)上出現(xiàn)了多種不同功能的智能安全帽，在工業(yè)領(lǐng)域得到了應(yīng)用。在我國(guó)，工程管理雖取得了巨大的成就，但整體水平較西方發(fā)達(dá)國(guó)家仍有很大的差距，安全事故所造成的經(jīng)濟(jì)損失比較嚴(yán)重。

圖像處理技術(shù)充沛的理論基礎(chǔ)為自動(dòng)化監(jiān)控提供了可能，目標(biāo)檢測(cè)技術(shù)則能及時(shí)反饋工人當(dāng)時(shí)的情況。因此，將深度學(xué)習(xí)理論應(yīng)用于智慧工地的施工監(jiān)控領(lǐng)域具有重大的現(xiàn)實(shí)意義。為提升作業(yè)人員對(duì)人身安全風(fēng)險(xiǎn)的辨識(shí)能力，規(guī)范人員作業(yè)行為和作業(yè)環(huán)境，突出安全風(fēng)險(xiǎn)辨識(shí)和隱患排查治理的雙重預(yù)防機(jī)制，本項(xiàng)目將圖像識(shí)別與自動(dòng)檢測(cè)技術(shù)相結(jié)合，設(shè)計(jì)一款能自動(dòng)檢測(cè)生產(chǎn)作業(yè)中存在的問(wèn)題的帶頭燈安全帽。

1 系統(tǒng)總體設(shè)計(jì)

本項(xiàng)目擬用4B 樹(shù)莓派作為主板，結(jié)合Python 語(yǔ)言、YOLOv5 和OpenCV 研究圖像特征信息提取算法，通過(guò)數(shù)據(jù)預(yù)處理、灰度值分析和互信息分析提取可以表征圖像原始信息的特征值，并基于最小二乘支持向量機(jī)（LSSVM）研究稀疏化建模方法，在保證模型估計(jì)精度的前提下，選擇部分特征值進(jìn)行建模，盡可能地降低模型復(fù)雜度，以實(shí)現(xiàn)在樹(shù)莓派上的實(shí)時(shí)檢測(cè)。當(dāng)檢測(cè)出問(wèn)題，樹(shù)莓派釋放信號(hào)引發(fā)震動(dòng)傳感器震動(dòng)，并將拍攝到的圖像無(wú)線傳輸?shù)奖O(jiān)測(cè)中心站點(diǎn)，以便及時(shí)進(jìn)行人工干預(yù)，保障作業(yè)人員安全，提高生產(chǎn)效益。結(jié)構(gòu)框圖如圖1 所示，可以分為以下4 個(gè)方面。

圖1 總體設(shè)計(jì)結(jié)構(gòu)框圖

圖2 實(shí)物結(jié)構(gòu)位置圖

（1）圖像實(shí)時(shí)拍攝。運(yùn)用實(shí)時(shí)理論實(shí)現(xiàn)，樹(shù)莓派每10s 向攝像頭發(fā)出拍攝指令，攝像頭接收到指令后拍攝外界畫(huà)面，圖像等待下一步的檢測(cè)。（2）頭燈亮度調(diào)節(jié)。設(shè)定頭燈的亮度為“暗”“亮”“特亮”三檔。攝像頭定時(shí)拍攝外界圖像，OpenCV 計(jì)算圖片在灰度圖上的均值，判斷應(yīng)該調(diào)節(jié)的亮度檔位，并將調(diào)節(jié)亮度信號(hào)發(fā)送至頭燈，實(shí)現(xiàn)根據(jù)當(dāng)前環(huán)境明暗自動(dòng)調(diào)節(jié)頭燈亮度的功能。（3）圖像信息處理。攝像頭模塊將所拍攝圖像傳輸至樹(shù)莓派，經(jīng)OpenCV降噪與修復(fù)算法處理后再在YOLOv5 基礎(chǔ)上運(yùn)用LSSVM 后向遞歸剪枝策略、前向遞歸學(xué)習(xí)算法兩種稀疏化方法對(duì)圖像進(jìn)行建模后檢測(cè)出是否佩戴安全帽與進(jìn)入危險(xiǎn)區(qū)域。（4）震動(dòng)預(yù)警與圖像遠(yuǎn)程傳輸模塊。樹(shù)莓派檢測(cè)到未佩戴安全帽與進(jìn)入危險(xiǎn)區(qū)域時(shí)，安全帽上震動(dòng)傳感器震動(dòng)，并將拍攝到的圖像傳輸給遠(yuǎn)程服務(wù)器所在的監(jiān)測(cè)中心站點(diǎn)，以便人工干預(yù)。

2 系統(tǒng)硬件設(shè)計(jì)

2.1 樹(shù)莓派

采用樹(shù)莓派4B 主板作為開(kāi)發(fā)平臺(tái)，它處理器速度快，多媒體性能與穩(wěn)定性強(qiáng)。此開(kāi)發(fā)板質(zhì)量輕便，具有高性能、低功耗的特點(diǎn)，適合嵌入安裝在安全帽內(nèi)。

樹(shù)莓派4B 型主要硬件參數(shù)如下：1.5GHz 四核64 位ARM Cortex-A72 芯片，LPDDR4 SDRAM 內(nèi)存，板載全雙工千兆以太網(wǎng)接口，板載雙頻802.11ac 無(wú)線網(wǎng)絡(luò)，板載藍(lán)牙5.0，支持HEVC 視頻4Kp60 硬解碼。

2.2 攝像頭

2.3 震動(dòng)傳感器

項(xiàng)目采用SW-420 震動(dòng)傳感器（開(kāi)關(guān)量傳感器），該產(chǎn)品適用于各種震動(dòng)觸發(fā)作用，具有小巧便捷、傳感器靈敏、驅(qū)動(dòng)能力強(qiáng)等優(yōu)點(diǎn)。具體參數(shù)如下：工作電壓3.3 ～5V，輸出數(shù)字量開(kāi)關(guān)0 和1，尺寸3.2cm×1.4cm，使用寬電壓LM393 比較器。

2.4 其他元件

安全帽采用符合國(guó)標(biāo)質(zhì)檢要求《安全帽：GB2811-2007》的標(biāo)準(zhǔn)安全帽，頭燈模塊鋰電池供電。

3 系統(tǒng)軟件設(shè)計(jì)

系統(tǒng)環(huán)境設(shè)計(jì)主要為樹(shù)莓派燒錄配置、安裝Python3 PyQt5 庫(kù)文件、OpenCV、YOLOV5 環(huán)境搭建。檢測(cè)過(guò)程分為輸入圖像、灰度值分析、圖像預(yù)處理、圖像檢測(cè)、輸出結(jié)果、上傳圖像5 個(gè)過(guò)程。

3.1 灰度值分析

灰度圖像上每個(gè)像素的顏色值稱為灰度，指黑白圖像中點(diǎn)的顏色深度，范圍為0 ～255。運(yùn)用算術(shù)平均法即將彩色圖像中的三分量的亮度求平均得到灰度值的方法求圖像灰度值。

灰度值越低，頭燈亮度檔位越亮，反之，亮度越暗。

3.2 圖像預(yù)處理

由于電子干擾及其他干擾因素的存在，圖像在成像、采集、傳輸?shù)冗^(guò)程中圖像或多或少會(huì)造成一定的退化和噪聲干擾。運(yùn)用OpenCV 中降噪修復(fù)等算法增強(qiáng)圖像，使用模板平滑濾波器對(duì)圖像進(jìn)行濾波從而消減噪聲，提高圖像的清晰度與質(zhì)量，使圖像中的物體的輪廓更加清晰，細(xì)節(jié)更加明顯，降低對(duì)圖像進(jìn)行后續(xù)研究的難度。

1) 細(xì)讀上下文，判定人物關(guān)系，分析此情此景下人物意欲何為：是爭(zhēng)辯說(shuō)明、證實(shí)補(bǔ)充、異議修改、暗自詫異、震驚發(fā)問(wèn)、稱贊品評(píng)、說(shuō)笑調(diào)侃、轉(zhuǎn)換話題，還是思忖遲疑等；熟悉人物間情感距離的波動(dòng)。擺脫well詞典原初意義的羈絆，考慮其在背景中所起的功能，以便在譯文中更充分地體現(xiàn)之。李漁《閑情偶寄·演習(xí)部》曾說(shuō)“填詞之設(shè)，專為登場(chǎng)”[21]，譯者翻譯時(shí)要考慮到“優(yōu)人搬弄”之需，勿囿于“文人把玩”， 充分關(guān)注戲劇臺(tái)詞的表演性，只有這樣，才能雅俗共賞、智愚同歡。

3.3 圖像檢測(cè)

項(xiàng)目通過(guò)YOLOv5 實(shí)現(xiàn)檢測(cè)。YOLOv5 (You Only Look Once version 5)是一種最先進(jìn)的對(duì)象檢測(cè)算法，用于圖像和視頻中的實(shí)時(shí)對(duì)象檢測(cè)。YOLOv5 依附Python 和PyTorch 實(shí)現(xiàn)，安裝完依賴項(xiàng)，就可以下載并使用預(yù)先訓(xùn)練的模型，或者在自定義數(shù)據(jù)集上訓(xùn)練自己的模型。

其流程大致如下：

輸入：YOLOv5 需要輸入一張圖像。

網(wǎng)絡(luò)：使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)來(lái)提取圖像的特征。

特征提?。篊NN 從圖像中提取關(guān)鍵點(diǎn)和特征。

預(yù)測(cè)：根據(jù)提取的特征，YOLOv5 預(yù)測(cè)圖像中是否存在目標(biāo)對(duì)象，以及目標(biāo)對(duì)象的位置和類別。

輸出：YOLOv5 將預(yù)測(cè)結(jié)果輸出到一個(gè)矩形框中，框內(nèi)是目標(biāo)對(duì)象。

本項(xiàng)目對(duì)危險(xiǎn)性的檢測(cè)分為是否佩戴安全帽和是否進(jìn)入危險(xiǎn)區(qū)域兩方面。

通過(guò)人沒(méi)有帶安全帽、人有帶安全帽、人體3 個(gè)類別可以訓(xùn)練模型來(lái)實(shí)現(xiàn)是否佩戴安全帽的檢測(cè)。首先，收集帶有安全帽和不帶安全帽的圖像數(shù)據(jù)并將圖像數(shù)據(jù)標(biāo)注即準(zhǔn)備一個(gè)包含圖像和標(biāo)簽的數(shù)據(jù)集，再使用標(biāo)注文件和圖像數(shù)據(jù)來(lái)訓(xùn)練YOLOv5 模型。在訓(xùn)練過(guò)程中，YOLOv5 會(huì)自動(dòng)調(diào)整模型參數(shù)，使其更好地適應(yīng)數(shù)據(jù)集。訓(xùn)練完成后，使用YOLOv5 的測(cè)試腳本進(jìn)行模型測(cè)試。測(cè)試腳本會(huì)讀取一張圖像，并對(duì)其進(jìn)行目標(biāo)檢測(cè)，輸出檢測(cè)結(jié)果。最終實(shí)現(xiàn)根據(jù)輸出結(jié)果判斷是否佩戴安全帽。對(duì)危險(xiǎn)區(qū)域進(jìn)行標(biāo)記，制作數(shù)據(jù)集，若拍攝并檢測(cè)到危險(xiǎn)區(qū)域，危險(xiǎn)區(qū)域會(huì)使用紅色框標(biāo)出來(lái)，同時(shí)，危險(xiǎn)區(qū)域里面的人體也會(huì)被框出來(lái)，危險(xiǎn)區(qū)域外的人體不會(huì)被框選出來(lái)。

3.4 震動(dòng)傳感器與圖像上傳

檢測(cè)到未佩戴安全帽與危險(xiǎn)區(qū)域時(shí)，樹(shù)莓派發(fā)出震動(dòng)信號(hào)給震動(dòng)傳感器提示作業(yè)人員提示有人未佩戴安全帽與進(jìn)入危險(xiǎn)區(qū)域。同時(shí)，檢測(cè)出拍攝到圖像中未佩戴安全帽與進(jìn)入危險(xiǎn)區(qū)域的作業(yè)人員身份，并通過(guò)通信網(wǎng)絡(luò)發(fā)出信號(hào)，將拍攝到的圖像及檢測(cè)出的人員身份信息傳輸給遠(yuǎn)程服務(wù)器所在的監(jiān)測(cè)中心站點(diǎn)。

4 基于最小二乘支持向量機(jī)（LSSVM）的稀疏化算法的YOLOv5 輕量化設(shè)計(jì)

在深度學(xué)習(xí)落地過(guò)程中，為適應(yīng)算力不足的問(wèn)題，通常需要對(duì)深度學(xué)習(xí)模型進(jìn)行壓縮。最小二乘支持向量機(jī)（LSSVM）的稀疏化建模方法LSSVM 是由Suyken在標(biāo)準(zhǔn)支持向量機(jī)（SVM）的基礎(chǔ)上提出的一種擴(kuò)展機(jī)器學(xué)習(xí)算法，通過(guò)用等式約束代替SVM 中二次損失函數(shù)的不等式約束，使凸二次規(guī)劃問(wèn)題轉(zhuǎn)化為求解線性方程組的方式，提高了建模過(guò)程中的訓(xùn)練效率，具有收斂快、精度高等優(yōu)點(diǎn)。其求解形式與估計(jì)模型分別如下所示：

其中α，b 為模型的參數(shù)。

KNN=K(x i+x j),i,j∈{1,....,N}為核函數(shù)，γ為懲罰系數(shù)。

但LSSVM 存在一個(gè)主要的缺陷，即方程的解缺乏稀疏性，意味著絕大多數(shù)樣本與最終的模型具有直接關(guān)系。隨著訓(xùn)練樣本的增加，模型復(fù)雜度越高。因此，在實(shí)際應(yīng)用中，應(yīng)首先研究LSSVM 的稀疏化方法。在初始訓(xùn)練樣本集中，假設(shè)選定一部分樣本作為支持向量，即部分權(quán)重系數(shù)αs代替全部系數(shù)α，其中S 表示樣本索引{1,....,N}的一個(gè)子集。將其帶入目標(biāo)函數(shù)后可以得到：

其中，Kss=K(x i,x j),i,j∈S，

K s=K(xi,x j),i∈S,j∈N，可得到約簡(jiǎn)后估計(jì)模型

因此，在保證模型估計(jì)精度的前提下，選擇部分樣本進(jìn)行訓(xùn)練。通過(guò)對(duì)稀疏化算法的研究，將稀疏化算法分為2 類，分別為后向遞歸剪枝策略、前向遞歸學(xué)習(xí)算法。運(yùn)用后向遞歸剪枝策略先將所有樣本當(dāng)作支持向量，得到估計(jì)模型，然后基于每個(gè)支持向量對(duì)模型的貢獻(xiàn)度，剔除貢獻(xiàn)度少的支持向量，再重新建模，直到模型精度不滿足要求；運(yùn)用前向遞歸學(xué)習(xí)算法在訓(xùn)練模型前先選擇部分樣本作為支持向量，然后某種最優(yōu)準(zhǔn)則從樣本中逐漸增加支持向量的個(gè)數(shù)，直到模型精度達(dá)到某個(gè)閾值。

5 項(xiàng)目創(chuàng)新點(diǎn)

本項(xiàng)目創(chuàng)新特色概述可分為以下三部分：（1）實(shí)時(shí)性。工作人員能及時(shí)意識(shí)到當(dāng)前是否安全，檢測(cè)中心員工也能及時(shí)對(duì)危險(xiǎn)情況進(jìn)行干預(yù)，對(duì)不符合規(guī)定的作業(yè)行為進(jìn)行指導(dǎo)。（2）自適應(yīng)性。自動(dòng)切換頭燈亮度檔位，延長(zhǎng)燈的單次使用時(shí)長(zhǎng)，適應(yīng)各種工作環(huán)境，有效緩解工作人員因光線問(wèn)題帶來(lái)的眼部不適。（3）稀疏化建模方法。基于最小二乘支持向量機(jī)（LSSVM）研究稀疏化建模方法，在保證模型估計(jì)精度的前提下，選擇部分特征值進(jìn)行建模，盡可能地降低模型復(fù)雜度，以實(shí)現(xiàn)在樹(shù)莓派上的實(shí)時(shí)檢測(cè)。

6 結(jié)語(yǔ)

為滿足管理人員對(duì)施工人員人身安全監(jiān)管和數(shù)字化管理的需求，提出一種基于樹(shù)莓派平臺(tái)的智能安全帽系統(tǒng)，賦予智能安全帽強(qiáng)大的學(xué)習(xí)和計(jì)算功能，能夠更好地保障人身安全。該設(shè)計(jì)實(shí)時(shí)性、自適應(yīng)性、可靠性高，具有一定的市場(chǎng)推廣價(jià)值。為：