張立藝，武文紅，牛恒茂，石 寶，段凱博，蘇晨陽

1.內(nèi)蒙古工業(yè)大學(xué) 信息工程學(xué)院，呼和浩特 010080

2.內(nèi)蒙古建筑職業(yè)技術(shù)學(xué)院 建筑工程與測繪學(xué)院，呼和浩特 010020

建筑施工現(xiàn)場中因高空墜落、物體打擊導(dǎo)致作業(yè)人員死亡的事故占比達(dá)50%以上，安全帽是保證作業(yè)人員免受致命傷害的一種重要防護(hù)工具。因此在施工現(xiàn)場安全管理中，對施工人員進(jìn)行安全帽佩戴檢測是重要工作，同時(shí)也是未來智能建造平臺或智慧工地應(yīng)用的重要內(nèi)容。

目標(biāo)檢測作為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要研究方向，是很多復(fù)雜計(jì)算機(jī)視覺任務(wù)的基礎(chǔ)，其基本任務(wù)是找出圖像中感興趣的目標(biāo)并給出目標(biāo)的類別和位置信息。安全帽檢測作為目標(biāo)檢測的具體應(yīng)用領(lǐng)域，在施工現(xiàn)場智能化監(jiān)控系統(tǒng)中起關(guān)鍵作用。截至目前，安全帽檢測算法的研究主要分為兩類：一是基于傳感器的安全帽檢測算法；二是基于計(jì)算機(jī)視覺的安全帽檢測算法。其中，基于計(jì)算機(jī)視覺的安全帽檢測算法又分為傳統(tǒng)安全帽檢測算法和基于深度學(xué)習(xí)的安全帽檢測算法。

基于傳感器的安全帽檢測算法主要依靠定位技術(shù)來檢測工人和安全帽，現(xiàn)有的基于傳感器的檢測和跟蹤技術(shù)需要每個(gè)施工人員佩戴物理標(biāo)簽或傳感器，這就會對工人的正常作業(yè)造成干擾，跟蹤設(shè)備通常都會有距離限制，并且投資成本很高。因此，該方法具有一定的局限性。傳統(tǒng)安全帽檢測算法大致可以分為三個(gè)階段：首先通過活動(dòng)窗口提取出候選區(qū)域。其次對這些候選區(qū)域進(jìn)行手工的特征提取，特征提取的方法包括Haar-like特征[1]、方向梯度直方圖（histogram of oriented gradient，HOG）[2]和局部二值模式（local binary pattern，LBP）[3]。最后使用AdaBoost[4]、支持向量機(jī)（support vector machine，SVM）[5]等方法進(jìn)行分類識別，進(jìn)而判斷作業(yè)人員是否佩戴安全帽。傳統(tǒng)安全帽檢測算法主要有三種：背景差法[6]、圓霍夫變換法[7]和DPM（deformable part model）算法[8]。目前，安全帽檢測大多應(yīng)用于監(jiān)控視頻中，由于攝像機(jī)放置位置不同，會產(chǎn)生近場、遠(yuǎn)場以及光照強(qiáng)度、背景復(fù)雜多變的安全帽特征。傳統(tǒng)安全帽檢測算法提取的特征基本都是低層次、人工選定的特征，不能夠很好地表達(dá)大量、多類目標(biāo)。算法基于滑動(dòng)窗口的區(qū)域選擇沒有針對性，使得大量窗口冗余，造成算法的時(shí)間復(fù)雜度高。以上缺陷導(dǎo)致傳統(tǒng)安全帽檢測算法的準(zhǔn)確性差且無法滿足實(shí)時(shí)性要求。

隨著深度學(xué)習(xí)的發(fā)展，利用卷積神經(jīng)網(wǎng)絡(luò)能夠提取更高層、表達(dá)能力更好的安全帽特征，相比于用人工選定的特征，極大地提高了安全帽實(shí)時(shí)檢測的準(zhǔn)確性?；谏疃葘W(xué)習(xí)的目標(biāo)檢測算法已經(jīng)廣泛應(yīng)用于安全帽檢測任務(wù)當(dāng)中，具有很大的應(yīng)用價(jià)值。本文首先簡述了傳統(tǒng)安全帽檢測算法并分析其局限性，提出安全帽檢測面臨的問題；之后簡介了當(dāng)前常用的基于深度學(xué)習(xí)的安全帽檢測算法的應(yīng)用情況，說明了各類算法的優(yōu)缺點(diǎn)，重點(diǎn)闡述了基于深度學(xué)習(xí)的安全帽檢測算法的改進(jìn)、優(yōu)勢以及存在的問題；最后對安全帽檢測未來的研究方向進(jìn)行了分析和討論。

1 基于深度學(xué)習(xí)的兩階段安全帽檢測算法

基于深度學(xué)習(xí)的兩階段安全帽檢測算法按照兩階段目標(biāo)檢測算法的原則進(jìn)行檢測，其最大的優(yōu)點(diǎn)是可以充分提取圖像的特征，對安全帽實(shí)現(xiàn)精確的分類和定位，針對小目標(biāo)安全帽的檢測效果很好，但由于需要分兩步進(jìn)行檢測，檢測效率偏低。目前，在安全帽檢測任務(wù)中用到的兩階段目標(biāo)檢測算法有Faster R-CNN 和Cascade R-CNN。

2015年Ren等[9]提出的Faster R-CNN算法是由生成候選框的區(qū)域建議網(wǎng)絡(luò)（region proposal network，RPN）和Fast R-CNN目標(biāo)檢測算法兩個(gè)模塊組成。Faster RCNN 采用RPN 來代替Fast R-CNN 中使用分割算法生成候選框的方式，節(jié)約計(jì)算成本，真正地實(shí)現(xiàn)了端到端訓(xùn)練，對安全帽的檢測準(zhǔn)確度和檢測速度比傳統(tǒng)的目標(biāo)檢測算法提高很多，但由于兩階段的算法特性，其檢測效率較低。Fang等[10]提出了一種基于Faster R-CNN的自動(dòng)非硬帽使用（non-hardhat-use，NHU）檢測方法，研究分析了建筑工人的各種視覺條件，并根據(jù)視覺條件對圖像幀進(jìn)行分類，根據(jù)不同的視覺類別，將圖像幀輸入到Faster R-CNN 模型中進(jìn)行訓(xùn)練，得到了比傳統(tǒng)安全帽檢測算法精度更高、速度更快、能有效檢測不同施工現(xiàn)場條件下施工人員NHU 的安全帽檢測算法，但由于采用最原始的FasterR-CNN算法，只能運(yùn)用于對實(shí)時(shí)性要求不高的安全帽檢測任務(wù)中。僅僅依靠Faster R-CNN算法不能很好地實(shí)現(xiàn)安全帽佩戴的圖像和視頻檢測。針對該問題，2020 年鄧開發(fā)等[11]通過將Faster R-CNN目標(biāo)檢測模型和深度特征流算法（deep feature flow）[12]相結(jié)合，實(shí)現(xiàn)了對施工現(xiàn)場攝像頭監(jiān)控的視頻中安全帽的檢測，該方法可以較好地實(shí)現(xiàn)安全帽佩戴的圖像和視頻檢測。但是對圖像和視頻中目標(biāo)被遮擋和光線變化多樣的目標(biāo)檢測效果不好，需要進(jìn)一步通過改進(jìn)Faster R-CNN網(wǎng)絡(luò)來提高檢測的準(zhǔn)確度。

針對兩階段目標(biāo)檢測算法中單個(gè)的IOU 閾值設(shè)定使得正負(fù)樣本不均衡導(dǎo)致檢測準(zhǔn)確度低的問題，2018年Cai等[13]提出了Cascade R-CNN算法。該算法將對樣本的單閾值采樣改為多閾值采樣，它的重采樣機(jī)制保證了算法的每一個(gè)R-CNN 階段的檢測器都不會過擬合，提高了檢測效果。Cascade R-CNN與Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)對比圖如圖1所示，其中“I”表示輸入圖片，“Conv”表示骨干卷積神經(jīng)網(wǎng)絡(luò)，“Pool”表示按區(qū)域提取特征，“H”表示檢測頭，“B”表示邊界框，“C”表示分類類別。相比于Faster R-CNN，Cascade R-CNN 很大程度上提高了檢測準(zhǔn)確度，但僅能應(yīng)用于對檢測速度要求較低的安全帽檢測任務(wù)中。

圖1 Cascade R-CNN與Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)對比圖Fig.1 Comparison of network structures between Cascade R-CNN and Faster R-CNN

隨著基于深度學(xué)習(xí)的目標(biāo)檢測算法的發(fā)展，施工現(xiàn)場安全帽檢測領(lǐng)域中所用到的算法也不斷地更新。由于兩階段安全帽檢測算法需要預(yù)先生成候選框，再對候選框進(jìn)行分類和回歸，邊界框經(jīng)過兩次微調(diào)，檢測準(zhǔn)確度比單階段安全帽檢測算法要高，但損失了檢測速度。這就導(dǎo)致兩階段安全帽檢測算法不能夠適用于對速度要求極高的安全帽檢測任務(wù)?；谏疃葘W(xué)習(xí)的兩階段安全帽檢測算法可以精準(zhǔn)地識別遠(yuǎn)處小目標(biāo)安全帽、遮擋的安全帽目標(biāo)以及處理光線變化等因素導(dǎo)致的檢測效果差的安全帽檢測問題。然而面對復(fù)雜場景的施工現(xiàn)場中的安全帽檢測任務(wù)，單階段安全帽檢測算法則體現(xiàn)了更高的應(yīng)用研究價(jià)值。

2 基于深度學(xué)習(xí)的單階段安全帽檢測算法

基于深度學(xué)習(xí)的單階段安全帽檢測算法模型結(jié)構(gòu)簡單且檢測速度快，能夠很好地應(yīng)用于安全帽檢測任務(wù)中，與兩階段安全帽檢測算法相比，單階段安全帽檢測算法的檢測準(zhǔn)確度有所下降。目前，在安全帽檢測任務(wù)中常用的單階段目標(biāo)檢測算法包括YOLO 系列算法、SSD算法、RetinaNet和EfficientDet等。

2.1 YOLO系列安全帽檢測算法

用于安全帽檢測任務(wù)中的YOLO 系列算法包括YOLO、YOLOv2、YOLOv3、YOLOv4和YOLOv5算法。

2015 年Redmon 等[14]提出了YOLO（you only look once），該算法將對目標(biāo)的分類和定位問題轉(zhuǎn)化為回歸問題，YOLO網(wǎng)絡(luò)結(jié)構(gòu)由24個(gè)卷積層和2個(gè)全連接層構(gòu)成，通過整張圖訓(xùn)練網(wǎng)絡(luò)模型，能夠很好地區(qū)分檢測目標(biāo)和背景，通過劃分單元格的方式來檢測目標(biāo)，大大提高了檢測速度。雖然YOLO 的檢測速度獲得了極大的提升，但是由于邊界框定位不準(zhǔn)確導(dǎo)致小目標(biāo)安全帽檢測效果差，存在小目標(biāo)安全帽漏檢的問題。YOLOv2[15]采用YOLO劃分單元格的思想，使用由22個(gè)卷積層和5個(gè)池化層構(gòu)成的完全卷積網(wǎng)絡(luò)提取特征，與原始YOLO相比，去掉了dropout層，引入BN操作和錨機(jī)制，無全連接層，采用K-means聚類方法獲得錨框尺寸，在保持速度的同時(shí)提高了檢測準(zhǔn)確度。YOLOv2 較YOLO 對小目標(biāo)的檢測效果有所提升，但仍沒有解決小目標(biāo)安全帽漏檢、錯(cuò)檢的問題。將YOLOv3 應(yīng)用于安全帽檢測任務(wù)，極大地提高了對小目標(biāo)安全帽的檢測準(zhǔn)確度，同時(shí)檢測速度也有所提升。YOLOv3[16]相比于YOLOv2，采用基于殘差網(wǎng)絡(luò)的DarkNet-53來提取特征，無全連接層和池化層，對特征圖進(jìn)行8、16、32倍下采樣實(shí)現(xiàn)多尺度檢測，使得網(wǎng)絡(luò)的檢測準(zhǔn)確度更高，同時(shí)加快了檢測速度。為了實(shí)現(xiàn)復(fù)雜場景下對工作人員是否佩戴安全帽的實(shí)時(shí)檢測，2019年林俊等[17]提出將YOLOv3應(yīng)用于安全帽檢測，針對未佩戴安全帽單類檢測問題，修改分類器，將輸出修改為18維度的張量，將YOLOv3在ImageNet上進(jìn)行預(yù)訓(xùn)練得到預(yù)訓(xùn)練模型，然后再在自制數(shù)據(jù)集上進(jìn)行訓(xùn)練并優(yōu)化調(diào)參，最終得到的安全帽檢測模型檢測準(zhǔn)確率可達(dá)98.7%，平均檢測速度達(dá)到了35 frame/s，滿足實(shí)時(shí)性的檢測要求?？傮w來說采用YOLOv3 算法作為安全帽檢測的基礎(chǔ)，通過在自制數(shù)據(jù)集上進(jìn)行訓(xùn)練，獲得一個(gè)最優(yōu)的模型，并對作業(yè)人員安全帽佩戴情況進(jìn)行有效的檢測，該方法的檢測準(zhǔn)確率大多超過了90%，滿足實(shí)際需求。雖然YOLOv3 提升了對小目標(biāo)安全帽的檢測效果，但對一些人員密集環(huán)境下重疊安全帽檢測仍然存在漏檢、錯(cuò)檢的問題。2020 年Bochkovskiy 等[18]提出YOLOv4，該算法提高了對重疊安全帽檢測性能，并且在檢測速度和檢測準(zhǔn)確率平衡方面優(yōu)于之前的YOLO系列算法，更適用于安全帽檢測任務(wù)。與YOLOv3 相比，雖然平衡了模型的檢測精度和速度，但YOLOv4 的模型尺寸大，檢測速度要慢，且無法將其應(yīng)用于小型設(shè)備中。2021 年朱夏晗瀟[19]提出一種基于YOLOv4 的安全帽應(yīng)用檢測方法。先通過機(jī)器人進(jìn)行視頻數(shù)據(jù)采集，再經(jīng)過訓(xùn)練好的YOLOv4模型判斷頭部和安全帽位置，之后判斷出行為人是否佩戴安全帽。通過在自制的數(shù)據(jù)集上進(jìn)行訓(xùn)練測試，網(wǎng)絡(luò)模型的平均精度均值可達(dá)91.7%，分別比Faster R-CNN和YOLOv3提高了7.2%和4.1%。YOLOv5沿用了YOLOv4的網(wǎng)絡(luò)結(jié)構(gòu)，同樣采用了Mosaic數(shù)據(jù)增強(qiáng)方法，采用自適應(yīng)錨框，檢測速度很快，集成了YOLOv3 和YOLOv4 的部分特性，檢測速度遠(yuǎn)超YOLOv4，有多種網(wǎng)絡(luò)結(jié)構(gòu)，具有更高的靈活性。為了實(shí)時(shí)監(jiān)控相關(guān)人員是否佩戴安全帽，2021年Yi等[20]采用YOLOv5 目標(biāo)檢測算法檢測復(fù)雜場景中作業(yè)人員安全帽佩戴情況，可以準(zhǔn)確檢測處于運(yùn)動(dòng)狀態(tài)中的作業(yè)人員，對于遮擋的安全帽也有很好的檢測效果，檢測準(zhǔn)確度達(dá)到了92.4%。但將YOLOv5 模型應(yīng)用于小型的嵌入式安全帽檢測設(shè)備中，還需對YOLOv5模型的網(wǎng)絡(luò)結(jié)構(gòu)做進(jìn)一步改進(jìn)。目前，YOLO系列安全帽檢測算法的應(yīng)用比較廣泛，由于YOLO算法的更新，其中YOLOv3及YOLOv4在安全帽檢測領(lǐng)域最為常見。

由于單階段安全帽檢測算法不需要預(yù)先生成候選區(qū)域，直接對圖像的各個(gè)位置進(jìn)行分類和回歸，檢測速度較兩階段安全帽檢測算法有所提升，但同時(shí)也損失了檢測精度。雖然YOLO系列算法經(jīng)過一步步的更新，對小目標(biāo)安全帽檢測效果有所提升，尤其是在檢測速度方面有顯著的進(jìn)步，但是針對遮擋、光線變化環(huán)境中的小目標(biāo)安全帽的檢測準(zhǔn)確度還是不高。SSD 安全帽檢測算法則平衡了兩階段檢測算法檢測精度高但檢測速度慢，和YOLO系列算法檢測速度快但對小目標(biāo)安全帽檢測效果不佳的問題。

2.2 SSD安全帽檢測算法

2016 年Liu 等[21]提出SSD（single-shot multibox detector）算法，該算法結(jié)合了Faster R-CNN和YOLO的思想，采用修改的VGG作為骨干網(wǎng)絡(luò)，有效地運(yùn)用多尺度特征圖預(yù)測的思想，可以有效地檢測到相對較小的目標(biāo)，檢測速度方面可以和YOLO 相媲美，檢測準(zhǔn)確度方面可以和Faster R-CNN相媲美。SSD算法可以很好地解決安全帽檢測中背景復(fù)雜且干擾性強(qiáng)和待檢測目標(biāo)較小的問題。但隨著SSD算法復(fù)雜度增加，檢測速度也會大幅度下降，難以應(yīng)用于檢測速度要求較高的安全帽檢測任務(wù)，并且算法模型難以應(yīng)用到儲存和計(jì)算能力有限的嵌入式設(shè)備中。在現(xiàn)有的SSD安全帽檢測算法中，研究人員大多是將改進(jìn)的SSD 算法應(yīng)用在安全帽檢測任務(wù)中。

2.3 新型的單階段安全帽檢測算法

除了上述單階段目標(biāo)檢測算法之外，一些新型的單階段目標(biāo)檢測算法也逐漸運(yùn)用到了安全帽檢測任務(wù)當(dāng)中。2017 年Lin 等[22]提出的RetinaNet 指出了正負(fù)樣本不平衡的問題是導(dǎo)致單階段目標(biāo)檢測算法的檢測準(zhǔn)確度普遍低于兩階段目標(biāo)檢測算法的原因，采用加權(quán)的交叉熵?fù)p失函數(shù)，稱為焦點(diǎn)損失（focal loss，F(xiàn)L），可以減少正確檢測框的損失。該算法基于ResNet和特征金字塔網(wǎng)絡(luò)（feature pyramid networks，F(xiàn)PN）[23]構(gòu)建特征提取網(wǎng)絡(luò)，實(shí)現(xiàn)了多尺度檢測，達(dá)到了與兩階段目標(biāo)檢測算法相當(dāng)?shù)臋z測準(zhǔn)確度，同時(shí)保持了檢測速度。2021年王雨生等[24]提出一種基于姿態(tài)估計(jì)的安全帽佩戴檢測方法。使用RetinaNet 檢測頭部區(qū)域安全帽的佩戴情況，解決了安全帽與復(fù)雜施工場景類極不平衡的問題，網(wǎng)絡(luò)模型的平均精度均值可達(dá)97.1%，分別比Faster RCNN 和YOLOv3 提高了9.53%和2.8%，但檢測速度要遜于YOLOv3。2019年Duan等[25]提出的CenterNet針對CornerNet[26]不能很好地參考被檢測對象全局信息而產(chǎn)生部分誤檢的問題，在CornerNet 的基礎(chǔ)上增加了感知視覺模式，通過中心點(diǎn)池化來預(yù)測對象的中心點(diǎn)，通過判斷檢測框的中心區(qū)域是否有預(yù)測的中心點(diǎn)來消除錯(cuò)誤的檢測框，提高了檢測準(zhǔn)確度，但難以解決兩個(gè)不同的重合中心點(diǎn)的問題，對重合安全帽檢測效果差。2020年Tan 等[27]提出了EfficientDet，該算法由特征提取網(wǎng)絡(luò)EfficientNet 和面向多目標(biāo)檢測的加權(quán)雙向特征金字塔網(wǎng)絡(luò)構(gòu)成，解決了網(wǎng)絡(luò)的深度、寬度和分辨率值檢測不平衡問題，提高了生成模型的泛化能力。該算法的網(wǎng)絡(luò)結(jié)構(gòu)可以實(shí)現(xiàn)多尺度的特征融合，對小目標(biāo)安全帽的檢測起到了顯著作用，但由于網(wǎng)絡(luò)模型的復(fù)雜度增大，使得檢測速度有所降低。2020 年梅國新等[28]提出了基于EfficientDet 的用于檢測邊緣環(huán)境下面向復(fù)雜監(jiān)控視頻背景的安全帽檢測算法。通過在SHWD公開數(shù)據(jù)集上進(jìn)行訓(xùn)練測試，網(wǎng)絡(luò)模型檢測平均精度均值最高可達(dá)92%，比YOLOv3提高了20%，檢測速度達(dá)到15 frame/s，但檢測速度比YOLOv3 要低。EfficientDet 模型克服了檢測目標(biāo)存在明顯遮擋、重疊度高和圖像分辨率低的問題，取得了比較好的檢測效果，同時(shí)模型所占空間較小，為模型部署在邊緣計(jì)算環(huán)境上提供了可能，但在檢測速度方面還有較大的提升空間。其他未改進(jìn)的單階段安全帽檢測算法的具體應(yīng)用見表1。

表1 無改進(jìn)的基于深度學(xué)習(xí)的安全帽檢測算法Table 1 No improved helmet detection algorithm based on deep learning

3 基于深度學(xué)習(xí)的安全帽檢測算法的改進(jìn)及應(yīng)用

僅僅將原始的基于深度學(xué)習(xí)的目標(biāo)檢測算法應(yīng)用于安全帽檢測任務(wù)中具有一定的局限性，研究人員提出了一系列的改進(jìn)方法。具體方法包括：優(yōu)化Anchor Box、優(yōu)化骨干網(wǎng)絡(luò)、特征融合、引入注意力機(jī)制、優(yōu)化非極大值抑制算法、引入在線困難樣本挖掘策略和優(yōu)化損失函數(shù)等。

3.1 優(yōu)化Anchor Box

優(yōu)化Anchor Box[41]也就是對錨點(diǎn)數(shù)量或錨點(diǎn)尺寸的調(diào)整，在基于深度學(xué)習(xí)的兩階段安全帽檢測算法和單階段安全帽檢測算法中都使用了優(yōu)化Anchor Box的改進(jìn)方法。兩階段安全帽檢測算法中RPN的錨點(diǎn)數(shù)量是網(wǎng)絡(luò)中的一個(gè)超參數(shù)，直接影響后續(xù)候選區(qū)域的生成。由于在安全帽檢測任務(wù)中，需要檢測安全帽、人員等多個(gè)目標(biāo)，尤其是向安全帽這種局部的目標(biāo)檢測，小目標(biāo)是無法避免的，網(wǎng)絡(luò)默認(rèn)的錨點(diǎn)參數(shù)較大，無法對小目標(biāo)安全帽進(jìn)行很好的識別，因此需要對網(wǎng)絡(luò)默認(rèn)的參數(shù)進(jìn)行修改或增加。通過優(yōu)化Anchor Box的改進(jìn)方式可以有效地解決安全帽檢測算法對部分遮擋、尺寸不一和小目標(biāo)存在檢測難度大的問題。2020 年徐守坤等[42]提出了一種改進(jìn)的Faster R-CNN安全帽檢測算法。針對施工現(xiàn)場安全帽檢測任務(wù)中的小目標(biāo)，在網(wǎng)絡(luò)默認(rèn)錨點(diǎn)數(shù)量的基礎(chǔ)上，加入了一組64×64 錨點(diǎn)，使得網(wǎng)絡(luò)可以檢測到更多的小目標(biāo)安全帽。原始的Faster R-CNN使用9 個(gè)錨點(diǎn)，而改進(jìn)之后錨點(diǎn)數(shù)量增加到了12 個(gè)，分別對應(yīng)64×64、128×128、256×256 和512×512 這四個(gè)尺度大小。通過在自制的數(shù)據(jù)集上進(jìn)行訓(xùn)練測試，檢測精確度提升了0.79%。該改進(jìn)方法增強(qiáng)了網(wǎng)絡(luò)檢測不同尺寸目標(biāo)的魯棒性，通過增加錨點(diǎn)數(shù)量和修改錨框的尺寸，使RPN 得到可以覆蓋安全帽佩戴檢測所有尺寸的目標(biāo)框，提高了安全帽的佩戴檢測精度，對多尺寸目標(biāo)和小目標(biāo)均有較好的檢測效果，但由于人員的姿態(tài)有所不同，此模型只能粗略地選取安全帽的相對位置，泛化性不高。在單階段安全帽檢測算法中采用的是K-means聚類算法[43]對安全帽數(shù)據(jù)集進(jìn)行聚類分析，對目標(biāo)框的大小進(jìn)行分類，輸出先驗(yàn)框的尺寸，從而達(dá)到優(yōu)化網(wǎng)絡(luò)內(nèi)部初始錨框的目的。由于在安全帽檢測任務(wù)中收集的安全帽數(shù)據(jù)集有所不同，原網(wǎng)絡(luò)結(jié)構(gòu)中的錨框尺寸參數(shù)不能滿足安全帽數(shù)據(jù)集的檢測要求，這就需要對安全帽數(shù)據(jù)集重新進(jìn)行聚類，選擇合適的先驗(yàn)框。針對施工現(xiàn)場遠(yuǎn)景視野下安全帽目標(biāo)較小的特點(diǎn)，常增加特征圖尺度個(gè)數(shù)，再進(jìn)行聚類得到先驗(yàn)框的尺寸。2021 年鄭曉等[44]設(shè)計(jì)實(shí)現(xiàn)了一種基于深度學(xué)習(xí)的安全帽檢測智能監(jiān)管系統(tǒng)，系統(tǒng)采用YOLOv4 目標(biāo)檢測模型，在數(shù)據(jù)集上使用K-means算法聚類分析生成新的先驗(yàn)框，并使用新的先驗(yàn)框進(jìn)行訓(xùn)練。該模型的檢測精度可達(dá)92%，大大提高了工程現(xiàn)場的生產(chǎn)安全系數(shù)和監(jiān)管效率，但在實(shí)際應(yīng)用當(dāng)中，對數(shù)據(jù)集進(jìn)行聚類分析得到的先驗(yàn)框尺寸不滿足待檢測的安全帽的大小，導(dǎo)致對小目標(biāo)安全帽的檢測效果較差。

由于使用的安全帽檢測數(shù)據(jù)集有較大差異，除了采用原模型中K-means聚類算法在新數(shù)據(jù)集上重新聚類得到先驗(yàn)框的尺寸之外，還可以對聚類算法進(jìn)行優(yōu)化改進(jìn)，應(yīng)用到安全帽檢測算法中，得到更加精確的先驗(yàn)框的尺寸大小，進(jìn)而達(dá)到優(yōu)化Anchor Box的目的，提高模型的檢測效果，優(yōu)化聚類算法是優(yōu)化Anchor Box 的一種有效方式。然而對于密度不均勻的安全帽檢測數(shù)據(jù)集，聚類效果不是很好。原始的K-means聚類算法，是隨機(jī)選取數(shù)據(jù)集中K個(gè)點(diǎn)作為聚類中心，這種隨機(jī)選取的方式導(dǎo)致聚類得到的先驗(yàn)框的尺寸不夠準(zhǔn)確。2021年孫世丹等[45]對網(wǎng)絡(luò)模型中的聚類算法進(jìn)行優(yōu)化，使用加權(quán)核K-means聚類算法對訓(xùn)練數(shù)據(jù)集聚類分析，選取更適合小目標(biāo)檢測的Anchor Box，提高了檢測的平均精度和速度。改進(jìn)之后的網(wǎng)絡(luò)模型檢測的平均準(zhǔn)確率可達(dá)到93.5%，比原YOLOv3 提高了7.6%，檢測速度達(dá)到45 frame/s，但該算法的改進(jìn)同樣是針對安全帽檢測數(shù)據(jù)集的聚類分析，對于現(xiàn)實(shí)中的安全帽并不完全適用，對極端大小的安全帽存在漏檢、誤檢問題。

優(yōu)化Anchor Box的改進(jìn)方式僅僅是通過對安全帽圖像中的目標(biāo)框進(jìn)行尺寸判斷，進(jìn)而細(xì)化特征圖中的錨框，從而提高了對安全帽的檢測效果，但對小目標(biāo)的檢測效果有限，要想真正地提高檢測性能，需對骨干網(wǎng)絡(luò)進(jìn)行改進(jìn)或替換，提高模型的特征提取能力，使小目標(biāo)在特征圖上更好地表達(dá)出來，從而提升模型的檢測準(zhǔn)確率。

3.2 優(yōu)化骨干網(wǎng)絡(luò)

骨干網(wǎng)絡(luò)（backbone）作為目標(biāo)檢測模型中的特征提取器，特征提取的效果往往直接影響目標(biāo)檢測的性能。兩階段目標(biāo)檢測中常見的骨干網(wǎng)絡(luò)有SPPNet[46]、VGG-Net[47]和ResNet[48]等。原始Faster R-CNN 算法的骨干網(wǎng)絡(luò)為VGG，它采用頂層特征做預(yù)測會導(dǎo)致底層的位置信息丟失，對深層次的特征信息學(xué)習(xí)能力不足，降低模型對小目標(biāo)安全帽的檢測準(zhǔn)確度，提高特征提取能力需要更多的網(wǎng)絡(luò)層數(shù)，但增加網(wǎng)絡(luò)層數(shù)會加大模型損耗。RestNet網(wǎng)絡(luò)可以很好地解決由于卷積層加深而導(dǎo)致的模型退化的問題。在安全帽檢測任務(wù)當(dāng)中，研究人員通過優(yōu)化骨干網(wǎng)絡(luò)，采用ResNet代替原來的VGG-Net，從而達(dá)到很好的檢測效果。為了解決Faster R-CNN算法在對小物體檢測性能方面魯棒性差的問題，2019年周展博[49]摒棄了原始的VGG-16 基礎(chǔ)網(wǎng)絡(luò)，提出將101 層堆疊的殘差學(xué)習(xí)模塊組成的ResNet-101 網(wǎng)絡(luò)作為新的基礎(chǔ)網(wǎng)絡(luò)。該改進(jìn)方法提升了安全帽佩戴的檢測精度，但由于采用更深網(wǎng)絡(luò)結(jié)構(gòu)的ResNet以達(dá)到更好的檢測準(zhǔn)確度，網(wǎng)絡(luò)模型的復(fù)雜性更高，在檢測速度上未達(dá)到實(shí)時(shí)性級別。

除了兩階段目標(biāo)檢測算法中常用的VGG、ResNet和SPPNet 骨干網(wǎng)絡(luò)之外，單階段目標(biāo)檢測算法還用到了MobileNet[50]、DenseNet[51]等。YOLO系列算法采用層數(shù)結(jié)構(gòu)不同的DarkNet 來提取特征，網(wǎng)絡(luò)結(jié)構(gòu)變得復(fù)雜，參數(shù)量也會隨之增加，導(dǎo)致檢測速度慢，內(nèi)存消耗大且對硬件性能要求很高的問題，不利于安全帽的實(shí)時(shí)性檢測。深度可分離卷積網(wǎng)絡(luò)將區(qū)域和通道分開計(jì)算，并且對不同的通道進(jìn)行獨(dú)立卷積操作，可以大大減小模型的參數(shù)量和運(yùn)算量，得到一個(gè)輕量化的模型。2020年朱曉春等[52]提出了改進(jìn)的基于YOLOv3 的安全帽檢測算法，通過深度可分離卷積對DarkNet 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，優(yōu)化了骨干網(wǎng)絡(luò)，減少了模型的參數(shù)量，相對于標(biāo)準(zhǔn)卷積運(yùn)算，降低了模型的計(jì)算量，網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。該改進(jìn)算法的檢測準(zhǔn)確率可達(dá)89.67%，檢測速度為105 frame/s，檢測速度提高了兩倍，但由于模型參數(shù)量的減少，網(wǎng)絡(luò)結(jié)構(gòu)相對簡單，并沒有提高模型的檢測準(zhǔn)確率。

圖2 網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Network structure

實(shí)際安全帽檢測環(huán)境下需要把網(wǎng)絡(luò)模型部署在算力有限的移動(dòng)端或嵌入式設(shè)備中，但將體積偏大的原YOLOv5模型嵌入到設(shè)備中，會導(dǎo)致設(shè)備無法支持復(fù)雜的計(jì)算量的問題。2021 年蔣潤熙等[53]提出了一種適合部署在移動(dòng)設(shè)備上的輕量級目標(biāo)檢測網(wǎng)絡(luò)HourGlass-YOLO（HG-YOLO）。該算法以YOLOv5 為基礎(chǔ)模型，重構(gòu)了新的骨干網(wǎng)絡(luò)來替換原骨干網(wǎng)絡(luò)，并使用了通道剪枝技術(shù)，在保證精度的情況下，減少了模型的參數(shù)。通過在公開數(shù)據(jù)集SHWD 上進(jìn)行訓(xùn)練測試，網(wǎng)絡(luò)模型的平均精度均值可達(dá)94.4%，雖然檢測準(zhǔn)確度不如原YOLOv5模型，但檢測速度達(dá)到9.5 frame/s，參數(shù)量達(dá)到了最少，可以更好地將算法部署在低端設(shè)備，然而由于融合卷積層與批量歸一化層，減少了網(wǎng)絡(luò)層數(shù)和參數(shù)量，使得模型對小目標(biāo)安全帽的檢測會出現(xiàn)漏檢情況。VGG作為SSD的基礎(chǔ)網(wǎng)絡(luò)對SSD算法的檢測性能有重要影響，MobileNet網(wǎng)絡(luò)在參數(shù)量、計(jì)算量和訪存量上都要比VGG 小得多，因此在一些特別的安全帽檢測任務(wù)中，MobileNet 更加適合。針對在安全帽檢測任務(wù)中SSD 模型在不使用GPU 加速時(shí)檢測速度緩慢、內(nèi)存消耗大以及計(jì)算復(fù)雜度高的問題，2020年張麗[54]引入輕量型MobileNet來替換SSD中的VGG網(wǎng)絡(luò)，網(wǎng)絡(luò)模型檢測速度比原SSD 提高了兩倍。改進(jìn)的SSD 安全帽檢測算法大幅度提高了檢測速度，但其精度卻有所損失，因此，在檢測速度加快的同時(shí)保持檢測精度還需要進(jìn)一步的研究。

雖然優(yōu)化骨干網(wǎng)絡(luò)后的檢測精度得到了大幅提升，但目前骨干網(wǎng)絡(luò)仍存在模型復(fù)雜等問題，施工現(xiàn)場安全帽檢測大多面臨復(fù)雜背景環(huán)境，僅僅替換骨干網(wǎng)絡(luò)對安全帽小目標(biāo)的特征提取能力還是不足。如果說優(yōu)化骨干網(wǎng)絡(luò)屬于從大結(jié)構(gòu)上來改進(jìn)網(wǎng)絡(luò)模型，從而提高特征提取效果，那么特征融合則屬于從細(xì)節(jié)上進(jìn)一步提高模型的特征提取性能。

3.3 特征融合

基于深度學(xué)習(xí)的目標(biāo)檢測算法一般關(guān)注的是中、大目標(biāo)，利用卷積神經(jīng)網(wǎng)絡(luò)提取深層次的特征，具有很好的檢測性能。但對于安全帽檢測任務(wù)中的小目標(biāo)，深層卷積神經(jīng)網(wǎng)絡(luò)的尺寸小且感受野較大，使得小目標(biāo)會被漏檢，淺層卷積神經(jīng)網(wǎng)絡(luò)雖然感受野小，但目標(biāo)特征不強(qiáng)，置信度較低，在檢測過程中也會被舍棄。特征融合就是將深層和淺層的卷積特征進(jìn)行融合，使得產(chǎn)生的候選區(qū)域特征同時(shí)具有高分辨率特征圖的位置信息和低分辨率特征圖的語義信息，再由RPN 網(wǎng)絡(luò)分別預(yù)測達(dá)到多尺度檢測的目的，從而提高網(wǎng)絡(luò)對小目標(biāo)的檢測能力。但是僅僅采用特征融合的方法都會損失一定的檢測速度，研究人員有時(shí)會將特征融合方法與其他改進(jìn)方法配合使用以達(dá)到最好的檢測效果。2020年吳冬梅等[55]提出了一種基于改進(jìn)的Faster R-CNN的安全帽佩戴檢測及身份識別方法，通過將骨干網(wǎng)絡(luò)中的5個(gè)網(wǎng)絡(luò)階段的特征圖進(jìn)行融合，如圖3 所示，并將多尺寸的特征圖分別輸入到RPN網(wǎng)絡(luò)中，完成特征融合和多尺度檢測，改進(jìn)之后的網(wǎng)絡(luò)的平均精度均值比原模型提高了16.8%。該改進(jìn)方法在安全帽特征提取時(shí)能充分利用所有特征層信息，大大提升了安全帽檢測效果，但由于進(jìn)行了5個(gè)階段的特征融合，增加了模型的復(fù)雜度，使得模型的檢測速度有所降低。針對施工現(xiàn)場作業(yè)場景的復(fù)雜環(huán)境，由于工人所佩戴的安全帽在圖像中所占的像素較少，導(dǎo)致使用卷積神經(jīng)網(wǎng)絡(luò)提取的特征質(zhì)量不高，極大地影響了檢測模型的檢測精度。2021年Jin等[56]采用基于特征融合的Faster R-CNN 算法實(shí)現(xiàn)了工人安全帽佩戴檢測，利用特征映射融合方法獲得特征信息更豐富的特征映射，然后利用特征映射對檢測模型進(jìn)行訓(xùn)練，檢測準(zhǔn)確率可達(dá)96%，能有效地檢測出工人安全帽佩戴情況。

圖3 特征融合金字塔Fig.3 Feature fusion pyramid

在單階段安全帽檢測算法中，采用特征融合使得網(wǎng)絡(luò)可以得到包含豐富位置信息和語義信息的特征，獲得不同尺度的特征圖，從而提高網(wǎng)絡(luò)模型對小目標(biāo)的檢測準(zhǔn)確度，增強(qiáng)網(wǎng)絡(luò)的魯棒性。針對安全帽檢測場景中環(huán)境復(fù)雜、光照不均勻等各類環(huán)境問題，2019 年何超[57]通過對YOLOv3算法進(jìn)行改進(jìn)，提出了一種新的特征融合算法，其主要網(wǎng)絡(luò)結(jié)構(gòu)是深度殘差網(wǎng)絡(luò)，在YOLOv3 的主網(wǎng)絡(luò)之后又增加了1個(gè)卷積層，并同淺層的殘差網(wǎng)絡(luò)做特征融合，從而將網(wǎng)絡(luò)從3 個(gè)尺度擴(kuò)展為4 個(gè)尺度卷積層的特征金字塔，然后對特征金字塔進(jìn)行2 倍上采樣，與前面的深度殘差網(wǎng)絡(luò)進(jìn)行融合，形成深度融合的快速安全帽檢測模型。該網(wǎng)絡(luò)模型的平均精度均值可達(dá)93.61%，比原網(wǎng)絡(luò)提升了4.51%。但由于有些安全帽檢測中的背景較復(fù)雜，多尺度檢測利用高分辨率特征會引入過多的背景噪聲，容易造成模型收斂速度緩慢的結(jié)果。2021年肖體剛等[58]提出一種基于改進(jìn)SSD的安全帽佩戴快速檢測算法。通過將SSD中的骨干網(wǎng)絡(luò)VGG-16替換為輕量型卷積神經(jīng)網(wǎng)絡(luò)MobileNetV3-small，減少了模型的參數(shù)，同時(shí)使用特征金字塔結(jié)構(gòu)將深層特征與淺層特征進(jìn)行融合，提升了檢測精度，網(wǎng)絡(luò)模型的平均精確率可達(dá)91.1%，基于GPU的檢測速度為108 frame/s，該改進(jìn)方法不論是檢測速度還是精度都優(yōu)于原SSD算法。

采用特征融合的方式進(jìn)行安全帽檢測能夠?qū)踩碧卣鲌D中的深層特征和淺層特征結(jié)合起來，得到多尺度的特征，但特征融合使得特征之間的信息交互不完全，提取特征的相關(guān)性不強(qiáng)。而注意力機(jī)制通過分配不同的權(quán)重來獲得安全帽特征信息，具有很好的特征表達(dá)效果，使得提取的特征的相關(guān)性更強(qiáng)，更大程度地提高安全帽檢測性能。

3.4 引入注意力機(jī)制

安全帽檢測算法的特征提取環(huán)節(jié)尤為重要，在神經(jīng)網(wǎng)絡(luò)中，注意力機(jī)制[59]是根據(jù)關(guān)注對象的重要程度進(jìn)行不同的資源分配，注意力分配的資源也就是權(quán)重。在卷積神經(jīng)網(wǎng)絡(luò)當(dāng)中，卷積核是局部的，為了增大感受野，采用堆疊卷積層的方式將卷積核和原始特征進(jìn)行線性組合得到輸出特征，但是這種方式的效率很低。引入注意力機(jī)制可以獲得全局信息并選擇出對當(dāng)前任務(wù)目標(biāo)更關(guān)鍵的信息，具有很好的特征表達(dá)效果，這就使得提取的特征的相關(guān)性更強(qiáng)，捕獲到更豐富的高級語義信息，進(jìn)而提高檢測性能，但引入注意力機(jī)制后模型的參數(shù)量也會隨之增加，加大網(wǎng)絡(luò)的計(jì)算量，進(jìn)而降低模型的收斂速度。2022 年孫國棟等[60]提出了一種基于Faster RCNN的融合注意力機(jī)制的安全帽檢測算法。該算法通過自注意力層來捕獲多個(gè)尺度上的全局信息，得到更豐富的高層特征并將更大的感受野范圍引入模型，采用ResNet-101 代替原來的VGG-16 骨干網(wǎng)絡(luò)，同時(shí)采用錨點(diǎn)補(bǔ)選增強(qiáng)的方法，強(qiáng)化了網(wǎng)絡(luò)對小尺度目標(biāo)的表達(dá)能力。改進(jìn)之后的網(wǎng)絡(luò)模型的平均精度均值可達(dá)94.3%，比傳統(tǒng)的Faster R-CNN提高了6.4%。引入注意力機(jī)制的改進(jìn)方法對不同施工現(xiàn)場的安全帽檢測任務(wù)有著較好的檢測效果，但采用注意力機(jī)制需要矩陣來存儲注意力權(quán)重，增大模型的參數(shù)量，檢測速度有所降低。引入注意力機(jī)制的改進(jìn)方法同樣適用于單階段目標(biāo)檢測算法，自注意力模塊通過計(jì)算輸出特征圖每個(gè)像素點(diǎn)之間的相互影響，改變每個(gè)網(wǎng)絡(luò)層之間的感受野，從而讓網(wǎng)絡(luò)在向前傳播的過程中感受野不斷增加，使得檢測算法具有全局性和可靠性。施工現(xiàn)場的復(fù)雜環(huán)境中存在的弱小目標(biāo)與遮擋目標(biāo)大多難以得到有效檢測，針對該問題，2021年李天宇等[61]在YOLOv3的基礎(chǔ)上建立了一種基于注意力機(jī)制的雙向特征金字塔的安全帽檢測卷積神經(jīng)網(wǎng)絡(luò)。為了準(zhǔn)確檢測戴安全帽的工人，減少網(wǎng)絡(luò)特征損失，引入了雙向特征融合的特征金字塔網(wǎng)絡(luò)PANet，提高了對弱小目標(biāo)的定位準(zhǔn)確性；為了減少遮擋目標(biāo)被誤檢，在特征金字塔網(wǎng)絡(luò)的輸出部分引入了注意力模塊，網(wǎng)絡(luò)模型的平均精度均值可達(dá)91.96%，比原YOLOv3 提升了0.82%，檢測速度可達(dá)21 frame/s，能夠?qū)崿F(xiàn)復(fù)雜環(huán)境下的安全帽精確檢測且滿足實(shí)時(shí)性要求，但由于模型的復(fù)雜度提高，影響了檢測速度。2020年黃勇[62]提出了融入自注意力的SSD 改進(jìn)算法。通過Self-Attention模塊擴(kuò)大了SSD算法的感受野，增強(qiáng)了算法的識別能力。通過在自制的數(shù)據(jù)集上進(jìn)行訓(xùn)練測試，網(wǎng)絡(luò)模型的檢測準(zhǔn)確率可達(dá)71.7%，比原SSD提升了2.37%。該方法對安全帽的目標(biāo)小、易形變以及堆疊的情況有很好的檢測效果。

通過優(yōu)化Anchor Box、優(yōu)化骨干網(wǎng)絡(luò)、特征融合和引入注意力機(jī)制的改進(jìn)方法，一定程度上可以提升對安全帽小目標(biāo)的檢測能力，但還是解決不了候選框被錯(cuò)誤剔除的問題，對一些密集目標(biāo)還是存在漏檢、錯(cuò)檢。

3.5 優(yōu)化非極大值抑制算法

非極大值抑制算法（non-maximum suppression，NMS）[63]的作用是在目標(biāo)框篩選階段剔除部分冗余框，解決一個(gè)目標(biāo)被多次檢測的問題。但NMS算法始終存在兩個(gè)問題：一是對于一些目標(biāo)比較密集的檢測任務(wù)，在剔除部分冗余框的同時(shí)去掉了部分正樣本的檢測框，如圖4所示。二是NMS算法是將大于閾值的目標(biāo)框直接剔除，但是一個(gè)合適的閾值是很難找到的。

圖4 NMS的缺陷Fig.4 Defects of NMS

因此，在一些安全帽檢測任務(wù)中，研究人員通過優(yōu)化非極大值抑制算法來解決上述問題，進(jìn)而提高安全帽檢測算法的檢測效果。具體優(yōu)化算法包括Soft-NMS和DIOU-NMS等，該方法皆適合于解決較密集的安全帽檢測場景下因NMS過程中刪除高度重疊目標(biāo)而造成安全帽漏檢的問題。2019 年金肖瑩[64]針對分布比較密集的安全帽目標(biāo)，使用Soft-NMS[65]來替換后處理過程中的NMS，在不重新訓(xùn)練模型的情況下提高了檢測的準(zhǔn)確性。改進(jìn)之后的網(wǎng)絡(luò)的精確度可達(dá)88.1%，比傳統(tǒng)的Faster R-CNN模型提高了9.5%。通過優(yōu)化非極大值抑制算法之后的安全帽檢測算法在準(zhǔn)確率和泛化能力上表現(xiàn)出了很好的性能，但由于本身是兩階段的算法，即使提高了檢測準(zhǔn)確度，其檢測速度還是較低，仍無法解決檢測速度要求較高的安全帽檢測問題。針對YOLOv5算法檢測小目標(biāo)時(shí)存在的漏檢和模型收斂速度慢的問題，2021 年Tan 等[66]增加檢測規(guī)模，并使用DIOU-NMS代替NMS，利用DIOU-NMS 在對候選框進(jìn)行剔除的同時(shí)考慮了重疊區(qū)域和兩個(gè)目標(biāo)框的中心距離的優(yōu)點(diǎn)，提高了模型對小目標(biāo)的檢測準(zhǔn)確度，模型的檢測準(zhǔn)確度可達(dá)95.68%，檢測速度達(dá)到98 frame/s，但由于YOLO系列算法網(wǎng)絡(luò)檢測目標(biāo)的局限性，對嚴(yán)重遮擋安全帽仍存在一定程度的漏檢、錯(cuò)檢。2020 年邱浩然[67]針對安全帽位置中存在的遮擋和重疊情況，使用Soft-NMS 代替YOLOv3中的NMS算法，提高了模型的檢測效果。

以上五種改進(jìn)方法在兩階段安全帽檢測算法和單階段安全帽檢測算法中都比較常見，為了達(dá)到最好的檢測效果，研究人員常常把多種改進(jìn)方法結(jié)合起來使用，從而在最大程度上提高對安全帽佩戴的檢測效果。除了上述改進(jìn)方法，兩種基于深度學(xué)習(xí)的安全帽檢測算法還有各自的改進(jìn)方法，進(jìn)一步提升了安全帽檢測算法的檢測性能。更多相關(guān)改進(jìn)的安全帽檢測算法見表2。

表2 （續(xù)）

表2 改進(jìn)的基于深度學(xué)習(xí)的安全帽檢測算法Table 2 Improved helmet detection algorithm based on deep learning

3.6 引入在線困難樣本挖掘策略、優(yōu)化損失函數(shù)

在兩階段安全帽檢測算法中，通過引入在線困難樣本挖掘策略，解決了兩階段安全帽檢測算法隨機(jī)挑選正負(fù)樣本并設(shè)置比例導(dǎo)致樣本存在大量無效樣本，以及模型參數(shù)更新緩慢導(dǎo)致檢測效率低的問題。在線困難樣本挖掘策略[88]通過自動(dòng)挖掘損失較高的樣本而不需要人為設(shè)定正負(fù)樣本比例，這樣有針對性地學(xué)習(xí)訓(xùn)練，提高了模型的訓(xùn)練速度和檢測準(zhǔn)確度，但在安全帽檢測中由于安全帽檢測數(shù)據(jù)集本身的問題，無法覆蓋各種場景的安全帽樣本。2020 年王慧[89]針對安全帽數(shù)據(jù)集中難易樣本、正負(fù)樣本不均衡使得網(wǎng)絡(luò)后期損失較高的問題，將在線困難樣本挖掘機(jī)制引入到特征融合后的FasterR-CNN。改進(jìn)之后的網(wǎng)絡(luò)模型的平均精度均值可達(dá)93.3%，比原模型提高了1.8%，在線困難樣本挖掘策略能夠挖掘損失較大的困難樣本，進(jìn)行針對性的訓(xùn)練，增強(qiáng)模型背景分辨能力的同時(shí)降低了漏檢率，但只是基本滿足實(shí)際應(yīng)用中的精度要求，對小目標(biāo)安全帽和遮擋安全帽的檢測準(zhǔn)確度還有待提高。2020 年徐守坤等[90]在原始Faster R-CNN的基礎(chǔ)上使用多層特征融合技術(shù)優(yōu)化區(qū)域建議網(wǎng)絡(luò)產(chǎn)生首選區(qū)域特征圖，使用在線困難樣本挖掘技術(shù)訓(xùn)練ROI網(wǎng)絡(luò)，自動(dòng)挑選出困難樣本使訓(xùn)練更加有效，提高了對部分遮擋和小尺寸目標(biāo)的檢測效果，對環(huán)境變化也有很強(qiáng)的適應(yīng)性。引入在線困難樣本挖掘策略提高了檢測效率，但采用多特征融合技術(shù)增加了模型的復(fù)雜程度和參數(shù)量，最終導(dǎo)致檢測速度有所降低。

在單階段安全帽檢測算法中，YOLOv3利用均方誤差（mean squared error，MSE）作為損失函數(shù)來進(jìn)行目標(biāo)框的回歸，利用均方誤差評價(jià)指標(biāo)有時(shí)候并不能把不同質(zhì)量的預(yù)測結(jié)果區(qū)分開來。比如說，在YOLOv3中采用交并比（intersection over union，IOU）來判斷模型是否檢測到目標(biāo)，模型設(shè)定一個(gè)IOU 閾值，如果檢測目標(biāo)的IOU 大于設(shè)定閾值，則會判斷為檢測到目標(biāo)，反之則反。YOLOv3中回歸質(zhì)量的評價(jià)采用IOU指標(biāo)，但是對于IOU 值不同的檢測目標(biāo)可能得到相同的MSE 損失值，如圖5所示。

圖5 相同MSE下的IOU值Fig.5 IOU value under same MSE

因此，以均方誤差作為衡量預(yù)測邊界框的回歸效果的損失值，不能與IOU 很好地聯(lián)系起來，從而影響了模型的檢測性能。2021 年韓錕等[91]針對損失函數(shù)與模型檢測效果不匹配的問題，使用基于GIOU的損失函數(shù)代替均方誤差損失函數(shù)，更好地匹配了算法損失函數(shù)與目標(biāo)檢測評價(jià)之間的關(guān)系，網(wǎng)絡(luò)模型檢測的平均精度均值可達(dá)93.84%，比未改進(jìn)損失函數(shù)的模型提高了2.57%。改進(jìn)的模型對多樣化場景、多尺度目標(biāo)具有很好的魯棒性，但沒有考慮到天氣對圖像成像質(zhì)量的影響，雨雪、霧霾天氣會造成攝像頭成像質(zhì)量下降，檢測目標(biāo)模糊，模型的檢測性能也會受到影響。在安全帽檢測的實(shí)際應(yīng)用場景中，輕量級算法YOLOv3-Tiny 由于參數(shù)數(shù)量較少，易于在嵌入式設(shè)備中部署，但其檢測精度較低，不適合檢測小目標(biāo)安全帽。2021 年Cheng 等[92]構(gòu)造了一種基于深度可卷積和通道注意機(jī)制的輕量級模塊來代替原有的卷積層，在減少參數(shù)和計(jì)算量的同時(shí)，獲得了更多的特征信息，采用CIOU 損失函數(shù)代替原損失函數(shù)，提高了對小目標(biāo)的檢測效果，與原模型相比，提高了檢測精度，檢測準(zhǔn)確率可達(dá)81.6%，但損失了檢測速度。為了解決基于深度學(xué)習(xí)的安全帽檢測方法因結(jié)構(gòu)復(fù)雜和計(jì)算量大而難以應(yīng)用到嵌入式設(shè)備中的問題，2022年農(nóng)元君等[93]以YOLOv3-Tiny檢測網(wǎng)絡(luò)為基礎(chǔ)，通過優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，引入空間金字塔池化模塊豐富特征圖的多尺度信息，采用K-means聚類算法重新優(yōu)化錨框，最后引入了CIOU 邊界框回歸損失函數(shù)提高了檢測精度。該改進(jìn)方法在光線不佳、小目標(biāo)、密集目標(biāo)等復(fù)雜施工環(huán)境下具有良好的適應(yīng)性和泛化能力，但該改進(jìn)方法為了滿足嵌入式平臺的需要，降低了網(wǎng)絡(luò)參數(shù)，減少了運(yùn)算量，使得檢測準(zhǔn)確度比YOLOv3要低。

優(yōu)化損失函數(shù)的改進(jìn)方法彌補(bǔ)了IOU 損失函數(shù)的不足，解決了當(dāng)檢測框與真實(shí)框沒有重合部分時(shí)，梯度不存在而無法進(jìn)行梯度下降優(yōu)化的問題。但優(yōu)化損失函數(shù)并不是每次都能達(dá)到最好的訓(xùn)練結(jié)果，損失函數(shù)的選擇還得依安全帽檢測的實(shí)際情況而定。

3.7 改進(jìn)算法模型適應(yīng)能力的其他方法

在對基于深度學(xué)習(xí)的安全帽檢測算法研究中，除了上述的改進(jìn)方法之外，研究人員還通過引入其他網(wǎng)絡(luò)、模型壓縮、遷移學(xué)習(xí)、數(shù)據(jù)增強(qiáng)以及選擇合適的優(yōu)化器的方法，進(jìn)一步提高模型的適應(yīng)能力。

3.7.1 引入其他網(wǎng)絡(luò)——提高安全帽檢測準(zhǔn)確度

在將單階段目標(biāo)檢測算法運(yùn)用到具體應(yīng)用中時(shí)，通常也采用與其他網(wǎng)絡(luò)相結(jié)合來改進(jìn)網(wǎng)絡(luò)模型的方法。這種改進(jìn)方式使得原網(wǎng)絡(luò)融合了其他網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)勢，提高模型的泛化能力。2021 年鐘鑫豪等[94]提出了一種基于改進(jìn)Tiny-YOLOv3 算法的安全帽佩戴檢測模型，在該算法的原網(wǎng)絡(luò)中加入殘差網(wǎng)絡(luò)模塊，避免了小目標(biāo)的特征隨著網(wǎng)絡(luò)的加深而導(dǎo)致梯度消失的問題，提高了小目標(biāo)的檢測準(zhǔn)確率。網(wǎng)絡(luò)模型檢測的平均精度均值比原模型提高了4.1%，檢測速度基本與原模型相當(dāng)。雖然檢測精度和速度得到了均衡，但與YOLOv3等大型檢測網(wǎng)絡(luò)相比，小目標(biāo)安全帽的檢測準(zhǔn)確度還有待提高，且增加殘差網(wǎng)絡(luò)模塊影響檢測的實(shí)時(shí)性。在安全帽檢測中，有些檢測對象較小，由于其在圖片中所占的像素較小，使得在特征提取時(shí)會造成特征信息的丟失。針對該問題，2021 年曹燕等[95]將Conv-LSTM 引入到SSD 模型中，改進(jìn)后的模型可以將高特征信息層與低特征信息層分開，使得小目標(biāo)信息特征可以充分利用，提高了對小目標(biāo)檢測的檢測效果，但由于在SSD網(wǎng)絡(luò)的基礎(chǔ)上增加了Conv-LSTM模塊，網(wǎng)絡(luò)的復(fù)雜度提升，降低了檢測速度。

3.7.2 模型壓縮——提升安全帽檢測速度

模型壓縮主要是在保持網(wǎng)絡(luò)精度的前提下，減少模型參數(shù)，從而實(shí)現(xiàn)模型的壓縮，提高模型的檢測速度。模型壓縮最常用的三種方法是參數(shù)量化[96]、模型蒸餾[97]、模型裁剪[98]。為了增加模型的可用性，2019年方明等[99]以YOLOv2 目標(biāo)檢測方法為基礎(chǔ)，借鑒了密集連接網(wǎng)絡(luò)思想，在原網(wǎng)絡(luò)中加入密集快實(shí)現(xiàn)特征融合，利用MobileNet 中的輕量化網(wǎng)絡(luò)結(jié)構(gòu)對網(wǎng)絡(luò)進(jìn)行壓縮，縮減了網(wǎng)絡(luò)，大大提高了檢測速度，改進(jìn)之后的網(wǎng)絡(luò)模型的檢測速度可達(dá)148 frame/s，檢測精度達(dá)到87.42%。該改進(jìn)方法減少了模型的參數(shù)量，增加了模型的可用性，但由于縮減了網(wǎng)絡(luò)結(jié)構(gòu)，模型對安全帽檢測的準(zhǔn)確度有待提高。2021年趙紅成等[100]提出了一種新型輕量的安全帽佩戴檢測模型，通過優(yōu)化骨干網(wǎng)絡(luò)，將原始YOLOv5s主干網(wǎng)絡(luò)更改為MobileNetV2，通過對模型進(jìn)行壓縮，在BN層引入縮放因子進(jìn)行稀疏化訓(xùn)練，采取模型裁剪方法進(jìn)一步減少模型推理計(jì)算量，最后通過模型蒸餾進(jìn)行微調(diào)得到了YOLO-S。改進(jìn)的網(wǎng)絡(luò)模型的檢測平均精度可達(dá)92.1%，比原模型提高了1.4%，浮點(diǎn)數(shù)為YOLOv5s 的1/3，推理速度比其他模型快，可移植性高。模型壓縮降低了模型的參數(shù)量，顯著提升了檢測速度，為將安全帽檢測算法模型應(yīng)用于嵌入設(shè)備提供了可能，但是損失了一定的檢測準(zhǔn)確度。該方法需要和其他方法結(jié)合使用，從而平衡檢測速度和檢測準(zhǔn)確度。

3.7.3 遷移學(xué)習(xí)和數(shù)據(jù)增強(qiáng)——解決安全帽數(shù)據(jù)集規(guī)模小的問題

在安全帽檢測任務(wù)中，往往在自制的數(shù)據(jù)集上進(jìn)行模型訓(xùn)練，為了克服數(shù)據(jù)不足造成的缺陷，通常也采用遷移學(xué)習(xí)和數(shù)據(jù)增強(qiáng)。遷移學(xué)習(xí)[101]是將網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)的權(quán)重從一個(gè)訓(xùn)練好的網(wǎng)絡(luò)遷移到另一個(gè)全新的網(wǎng)絡(luò)。在安全帽檢測任務(wù)中，安全帽數(shù)據(jù)集的樣本數(shù)量是訓(xùn)練網(wǎng)絡(luò)性能的限制因素，神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集數(shù)量往往需要達(dá)到如ImageNet[102]的量級才能有效地避免網(wǎng)絡(luò)過擬合。針對安全帽數(shù)據(jù)集規(guī)模小的問題，使用遷移學(xué)習(xí)策略能夠加快安全帽檢測模型的訓(xùn)練速度，增強(qiáng)模型的泛化能力。為了解決安全帽數(shù)據(jù)集規(guī)模小導(dǎo)致網(wǎng)絡(luò)難以充分?jǐn)M合特征的問題，文獻(xiàn)[103-104]采用遷移學(xué)習(xí)策略克服模型訓(xùn)練困難問題，加快了安全帽檢測模型的訓(xùn)練速度。在網(wǎng)絡(luò)的訓(xùn)練階段，改進(jìn)數(shù)據(jù)增強(qiáng)的方法在擴(kuò)充數(shù)據(jù)集的同時(shí)還可以增加樣本中小目標(biāo)的數(shù)量。2021年趙春暉等[105]提出基于改進(jìn)YOLOv3的安全帽檢測算法，在訓(xùn)練階段利用目標(biāo)可占比數(shù)據(jù)增強(qiáng)方法，增加了小目標(biāo)的數(shù)量，同時(shí)在網(wǎng)絡(luò)中引入了多尺度特征池化模塊，使得網(wǎng)絡(luò)對不同尺度的目標(biāo)更加敏感。該改進(jìn)方法的平均精度可達(dá)88.63%，比原YOLOv3 提升了1.54%，但改進(jìn)方法僅提高了對小目標(biāo)安全帽的檢測精度，對于遮擋的安全帽目標(biāo)檢測有待進(jìn)一步研究，并且模型引入多尺度模塊，使得網(wǎng)絡(luò)參數(shù)量增加，影響了模型的檢測速度。針對不平衡數(shù)據(jù)集導(dǎo)致模型檢測精度下降的問題，2021 年Geng 等[106]在YOLOv3 目標(biāo)檢測算法的基礎(chǔ)上，采用基于加權(quán)的高斯模糊數(shù)據(jù)增強(qiáng)方法對不平衡數(shù)據(jù)集進(jìn)行預(yù)處理，對YOLOv3 算法進(jìn)行改進(jìn)，檢測準(zhǔn)確度可達(dá)98.2%。但由于通過高斯模糊數(shù)據(jù)增強(qiáng)方法對圖像進(jìn)行處理時(shí)，圖像離被處理對象越近，其對該像素的影響就越大，然而使用加權(quán)平均之后，每個(gè)像素使用周圍像素的平均值，這就導(dǎo)致了圖像中點(diǎn)丟失特征細(xì)節(jié)，影響了之后模型的檢測準(zhǔn)確度。

3.7.4 選擇合適的優(yōu)化器——優(yōu)化檢測效果

神經(jīng)網(wǎng)絡(luò)中的優(yōu)化器是用來更新和計(jì)算影響模型訓(xùn)練和模型輸出的網(wǎng)絡(luò)參數(shù)，使其達(dá)到最優(yōu)值。一個(gè)合適的優(yōu)化器可以加快網(wǎng)絡(luò)模型的收斂速度，減少訓(xùn)練時(shí)間。2020年張業(yè)寶等[107]提出基于改進(jìn)SSD的安全帽檢測方法。采用Adam 優(yōu)化器實(shí)現(xiàn)訓(xùn)練過程中神經(jīng)網(wǎng)絡(luò)的快速收斂，同時(shí)對網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)，加快了訓(xùn)練過程并減少了對數(shù)據(jù)量的需求，提高了網(wǎng)絡(luò)模型的檢測準(zhǔn)確度，但檢測速度較原SSD 算法提升不夠明顯，有待進(jìn)一步研究。在基于深度學(xué)習(xí)的目標(biāo)檢測算法中，都會有符合算法的優(yōu)化器，但是在安全帽檢測任務(wù)中，有時(shí)候通過更換優(yōu)化器會有意想不到的效果。

以上對提升安全帽檢測模型適應(yīng)能力的有關(guān)方法進(jìn)行了總結(jié)，更多采用提高模型適應(yīng)能力方法的安全帽檢測算法見表3。

表3 改進(jìn)的增強(qiáng)模型適應(yīng)能力的安全帽檢測算法Table 3 Improved helmet detection algorithm to enhance adaptability of model

4 總結(jié)與展望

本文深入分析了近年來基于深度學(xué)習(xí)的目標(biāo)檢測算法在安全帽檢測領(lǐng)域的研究，總結(jié)了安全帽檢測方法的種類，詳細(xì)闡述了兩階段安全帽檢測算法和單階段安全帽檢測算法及其具體改進(jìn)方法，為智能建造技術(shù)領(lǐng)域相關(guān)科研人員提供借鑒與思路。當(dāng)前安全帽檢測算法雖然已取得了一定的成果，但將其使用在未來智能建造平臺或智慧工地的應(yīng)用維度上還需繼續(xù)努力研究。以下提出當(dāng)前研究過程中的一些問題或建議，同時(shí)給出未來發(fā)展方向，供大家借鑒。

（1）目前安全帽檢測數(shù)據(jù)集還是太少，難以適應(yīng)各種復(fù)雜場景下網(wǎng)絡(luò)模型的訓(xùn)練要求。目前，大多數(shù)研究人員都是根據(jù)安全帽檢測的具體應(yīng)用場景自行構(gòu)建數(shù)據(jù)集。綜合分析施工現(xiàn)場安全帽數(shù)據(jù)集的圖片來源主要包括以下三個(gè)途徑：利用搜索引擎從互聯(lián)網(wǎng)上爬取圖片；從施工現(xiàn)場的監(jiān)控視頻中截取視頻幀；通過攝像機(jī)在施工現(xiàn)場進(jìn)行手工拍攝。未來，還需要研究人員針對安全帽檢測任務(wù)構(gòu)建一套完備的數(shù)據(jù)集。

（2）安全帽檢測數(shù)據(jù)集中的小目標(biāo)還是存在一定的誤檢、漏檢，這是安全帽檢測領(lǐng)域普遍存在的問題。針對該問題，除了本文提到的改進(jìn)方法，還需在對安全帽的檢測當(dāng)中充分利用小目標(biāo)的區(qū)域特征，結(jié)合上下文信息增強(qiáng)對小目標(biāo)的檢測。Transformer 已經(jīng)在計(jì)算機(jī)視覺領(lǐng)域表現(xiàn)出很好的性能，主要運(yùn)用了自注意力機(jī)制，Transformer應(yīng)用于安全帽檢測任務(wù)可能會有很好的效果。

（3）安全帽檢測算法應(yīng)用于嵌入式設(shè)備中還是有些困難。針對該問題，未來可以對輕量級網(wǎng)絡(luò)展開研究，采用模型壓縮、參數(shù)量化等方法減少模型參數(shù)量，使其可以應(yīng)用于嵌入式設(shè)備中。

（4）由于攝像機(jī)位置角度不同使得數(shù)據(jù)集中存在遮擋目標(biāo)，對這種情況同樣存在誤檢、漏檢。未來，隨著5G 網(wǎng)絡(luò)時(shí)代的發(fā)展和硬件技術(shù)的更新，智慧工地也會針對性地設(shè)計(jì)多樣化的視頻設(shè)備來降低誤檢、漏檢概率。

（5）人與安全帽的位置關(guān)系不好判斷的問題，模型不能很好判斷出作業(yè)人員是否正確佩戴安全帽。目前，智能建造技術(shù)領(lǐng)域已經(jīng)將基于姿勢估計(jì)算法的工人關(guān)鍵點(diǎn)提取和基于多目標(biāo)跟蹤算法的工人關(guān)鍵點(diǎn)跟蹤應(yīng)用于工人施工狀態(tài)識別當(dāng)中，盡管還不成熟，但是可以預(yù)計(jì)未來人與安全帽位置關(guān)系不好判斷的問題，可以通過關(guān)鍵點(diǎn)檢測算法和目標(biāo)檢測算法相結(jié)合的方式來解決。

利用智能的方法實(shí)現(xiàn)施工現(xiàn)場實(shí)時(shí)監(jiān)控，既節(jié)省人力成本，又提高施工現(xiàn)場安全性，更為我國智能建造平臺或智慧工地的發(fā)展奠定了良好的基礎(chǔ)。在安全帽檢測任務(wù)中，由于考慮角度不同，有的針對遮擋和小目標(biāo)安全帽的問題，有的需要應(yīng)用于嵌入式設(shè)備中，有的針對數(shù)據(jù)集中檢測目標(biāo)不足的問題，有的則更注重模型的收斂速度，因此改進(jìn)方法有所不同，將基于深度學(xué)習(xí)的目標(biāo)檢測算法應(yīng)用于安全帽檢測任務(wù)中，還需具體問題具體分析。未來，隨著深度學(xué)習(xí)的發(fā)展，將會有更多的研究成果應(yīng)用于安全帽檢測領(lǐng)域中。