國(guó)網(wǎng)浙江省電力有限公司舟山供電公司 顧文濤 俞興偉 浙江華云信息科技有限公司 李 毅 邱 臻 卓 一

杭州馬太能源互聯(lián)網(wǎng)技術(shù)有限公司 董 毅

安全帽佩戴監(jiān)測(cè)是常見(jiàn)的變電站施工要求，但是對(duì)于研究這個(gè)問(wèn)題的應(yīng)用圖像處理技術(shù)進(jìn)行研究卻很少，大多數(shù)研究都集中在監(jiān)控摩托車手是否佩戴安全帽。Waranusast等人開(kāi)發(fā)自動(dòng)檢測(cè)摩托車車手的系統(tǒng)，該系統(tǒng)能夠確定摩托車手是否佩戴安全帽，這個(gè)系統(tǒng)通過(guò)提取運(yùn)動(dòng)對(duì)象并訓(xùn)練K-最近鄰（KNN）分類器進(jìn)行檢測(cè)[1]。[2]提出了用于一種變電站內(nèi)安全帽智能預(yù)警系統(tǒng)，該系統(tǒng)采用紅外傳感器進(jìn)行人體檢測(cè)，適用于一次設(shè)備入口處的安全帽佩戴情況檢測(cè)。[3]提出一種基于機(jī)器學(xué)習(xí)的DSP圖像處理的變電站實(shí)用型安全帽佩戴檢測(cè)方法。該方法為了減少監(jiān)控錄像的檢測(cè)范圍，采用ViBe背景建模算法分割在前景框架中的運(yùn)動(dòng)對(duì)象，之后提取行人的梯度直方圖（HOG）特征，使用支持向量機(jī)（SVM）來(lái)分類行人，最后利用顏色特征來(lái)確定人員是否佩戴安全頭盔與否。

本文針對(duì)這一需求，提出一種完全基于深度學(xué)習(xí)的施工現(xiàn)場(chǎng)施工人員安全帽佩戴情況的監(jiān)控方法，可自動(dòng)對(duì)施工現(xiàn)場(chǎng)施工人員的安全帽佩戴情況進(jìn)行監(jiān)控。首先采用深度學(xué)習(xí)中的目標(biāo)檢測(cè)算法進(jìn)行行人檢測(cè)，然后對(duì)檢測(cè)的行人的頭部使用深度學(xué)習(xí)進(jìn)行分類，判斷其是否佩戴安全帽。

1 安全帽檢測(cè)算法

將一臺(tái)攝像機(jī)置于變電站戶外作業(yè)區(qū)域內(nèi)與一臺(tái)位于后端的工控機(jī)相連，攝像機(jī)安裝于高于地面8～10m的立桿上，調(diào)整其視角范圍覆蓋整個(gè)現(xiàn)場(chǎng)作業(yè)區(qū)域，攝像機(jī)后端工控機(jī)通過(guò)網(wǎng)絡(luò)相通信，工控機(jī)根據(jù)獲得的圖像和數(shù)據(jù)信息對(duì)作業(yè)現(xiàn)場(chǎng)進(jìn)行監(jiān)控，對(duì)施工人員佩戴的各種安全帽數(shù)量進(jìn)行統(tǒng)計(jì)（圖1）。工控機(jī)進(jìn)行圖像處理時(shí)，首先通過(guò)基于深度學(xué)習(xí)的行人檢測(cè)算法得到代表人的運(yùn)動(dòng)目標(biāo)，然后通過(guò)檢測(cè)行人的上1/3部分進(jìn)行安全帽的檢測(cè)，安全帽的檢測(cè)同樣采用的是基于深度學(xué)習(xí)的方法，使用遷移學(xué)習(xí)對(duì)行人的上1/3部分進(jìn)行檢測(cè)。如此記錄每一幀的圖像，并將檢測(cè)到的施工人員是否佩戴安全帽的情況存入系統(tǒng)日志。

1.1行人目標(biāo)的檢測(cè)

行人檢測(cè)的算法采用SSD（Single Shot MultiBox Detector）目標(biāo)檢測(cè)算法[4]。該算法將邊界框的輸出空間離散為不同高寬比的一組默認(rèn)框以及對(duì)每個(gè)特征圖位置進(jìn)行縮放。在預(yù)測(cè)時(shí)，該網(wǎng)絡(luò)會(huì)對(duì)每個(gè)默認(rèn)框中每個(gè)對(duì)象類別的存在生成分?jǐn)?shù)，并產(chǎn)生對(duì)框的調(diào)整以更好地匹配對(duì)象形狀。另外，該網(wǎng)絡(luò)組合了來(lái)自不同分辨率的多個(gè)特征圖的預(yù)測(cè)，以自然地處理各種尺寸的對(duì)象（圖2）。SSD相對(duì)于需要物體候選的方法而言是簡(jiǎn)單的，因?yàn)樗耆撕蜻x生成以及后續(xù)像素或特征采樣階段，并將所有計(jì)算封裝在單個(gè)網(wǎng)絡(luò)中，這使得SSD易于訓(xùn)練并直接集成到需要檢測(cè)組件的系統(tǒng)中。

PASCAL VOC、COCO和ILSVRC數(shù)據(jù)集的 實(shí)驗(yàn)結(jié)果證實(shí)，SSD相對(duì)于利用額外的物體候選步驟的方法具有競(jìng)爭(zhēng)性的準(zhǔn)確度，并且要快得多，同時(shí)為訓(xùn)練和實(shí)際使用提供了統(tǒng)一的框架。在300×300的圖片輸入中，SSD使用Nvidia Titan X在VOC2008的測(cè)試數(shù)據(jù)集中獲得了74.3%mAP，速度為59FPS，在對(duì)500×500的圖片輸入中獲得了76.9%mAP，這比目前相對(duì)先進(jìn)的Faster R-CNN模型更優(yōu)秀。與其他的單級(jí)方法相比即使使用較小的輸入圖片尺寸，SSD也具有更好的準(zhǔn)確度。所以SSD是一個(gè)綜合檢測(cè)準(zhǔn)確度以及檢測(cè)速度的較好的目標(biāo)檢測(cè)算法，用它來(lái)進(jìn)行行人檢測(cè)可達(dá)到一個(gè)比較好的效果。

1.2 安全帽的檢測(cè)

得到代表人的檢測(cè)目標(biāo)后，為避免冗余信息的干擾，考慮到佩戴安全帽的部位為頭部、即代表人靠頂端的部分，所以選擇在該部分檢測(cè)安全帽。實(shí)驗(yàn)表明，取行人目標(biāo)框的上1/3部分區(qū)域較為合適，能最大程度的減少計(jì)算量。檢測(cè)安全帽使用的是深度學(xué)習(xí)中的遷移學(xué)習(xí)方法，遷移學(xué)習(xí)就是把已學(xué)訓(xùn)練好的模型參數(shù)遷移到新的模型來(lái)幫助新模型訓(xùn)練數(shù)據(jù)集[5]。

遷移學(xué)習(xí)的研究來(lái)源于一個(gè)觀測(cè)：人類可將以前的學(xué)到的知識(shí)應(yīng)用于解決新的問(wèn)題，更快的解決問(wèn)題或取得更好的效果。遷移學(xué)習(xí)被賦予這樣一個(gè)任務(wù)：從以前的任務(wù)當(dāng)中去學(xué)習(xí)知識(shí)或經(jīng)驗(yàn)，并應(yīng)用于新的任務(wù)當(dāng)中。換句話說(shuō)，遷移學(xué)習(xí)目的是從一個(gè)或多個(gè)源任務(wù)中抽取知識(shí)、經(jīng)驗(yàn)，然后應(yīng)用于一個(gè)目標(biāo)領(lǐng)域當(dāng)中去。在這里所使用的用于安全帽檢測(cè)的網(wǎng)絡(luò)Inception v3最初是在ImageNet上訓(xùn)練的[6]。ImageNet數(shù)據(jù)集包含了大約100萬(wàn)張自然圖像和1000個(gè)標(biāo)簽/分類。相對(duì)而言，有標(biāo)注的安全帽數(shù)據(jù)集僅有8000張圖像和2個(gè)標(biāo)簽/分類。因此，安全帽數(shù)據(jù)集不足以用來(lái)訓(xùn)練Inception v3這樣復(fù)雜的網(wǎng)絡(luò)，所以使用了來(lái)自根據(jù)ImageNet訓(xùn)練的Inception v3網(wǎng)絡(luò)的權(quán)重。我們對(duì)所有的層都進(jìn)行了微調(diào)，其原本的分類層classifier可以輸出有1000個(gè)類別的預(yù)測(cè)，將其替換成了一個(gè)二元分類層（圖3）。

2 實(shí)驗(yàn)結(jié)果與分析

為了評(píng)估所提出的方法的性能，對(duì)變電站的實(shí)時(shí)監(jiān)控視頻進(jìn)行安全帽佩戴檢測(cè)實(shí)驗(yàn)，中間結(jié)果可以描述如下。

選取高速攝像機(jī)獲取的某一段施工現(xiàn)場(chǎng)的視頻作為研究對(duì)象進(jìn)行實(shí)驗(yàn)。首先采用行人檢測(cè)的方法將圖片中的行人都檢測(cè)出來(lái)（圖4），將行人都框出來(lái)了。獲取行人的框后，選取行人框的上1/3位置作為待檢測(cè)的頭部區(qū)域（圖5）。緊接著將該頭部區(qū)域作為輸入數(shù)據(jù)輸入之前訓(xùn)練好的遷移網(wǎng)絡(luò)，網(wǎng)絡(luò)分別輸出為帶頭盔和不帶頭盔的概率，當(dāng)預(yù)測(cè)帶頭盔的概率大于0.7時(shí)，認(rèn)為此時(shí)該行人佩戴了頭盔，否則認(rèn)為未佩戴頭盔，此時(shí)系統(tǒng)發(fā)出警告。

對(duì)實(shí)錄某道路施工現(xiàn)場(chǎng)的一段長(zhǎng)15分鐘的視頻進(jìn)行算法驗(yàn)證，對(duì)視頻中施工人員是否佩戴安全帽的情況的檢測(cè)準(zhǔn)確率達(dá)到90%以上。根據(jù)結(jié)果可知，該方法可以實(shí)現(xiàn)檢測(cè)施工人員佩戴安全帽情況的目的，且算法簡(jiǎn)單有效，并且相對(duì)于使用背景建模的方法來(lái)說(shuō)，背景的變化對(duì)檢測(cè)沒(méi)有影響，同時(shí)對(duì)于使用安全帽顏色來(lái)判斷是否佩戴安全帽的檢測(cè)方法來(lái)說(shuō)，使用深度學(xué)習(xí)來(lái)檢測(cè)的效果明顯更好，因?yàn)轭伾珯z測(cè)的方法對(duì)于光照強(qiáng)弱、安全帽本身的顏色以及環(huán)境等都比較敏感，容易出現(xiàn)誤分類，而使用神經(jīng)網(wǎng)絡(luò)的方法可以很好的解決該問(wèn)題，所以它具有更好的魯棒性。但同時(shí)，對(duì)于工人密集通過(guò)以及部分遮擋的情況時(shí)，則并不能很好的檢測(cè)到行人，存在一些干擾，這也將是后續(xù)研究中需要解決的問(wèn)題。