摘 要：文中介紹了基于邊緣計(jì)算的拖輪智能安全預(yù)警系統(tǒng)設(shè)計(jì)原理與實(shí)施方案。通過(guò)邊緣計(jì)算實(shí)時(shí)獲取部署在拖輪上的攝像頭數(shù)據(jù)，經(jīng)視頻取流解碼后通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)，實(shí)現(xiàn)駕駛員離崗預(yù)警、人員進(jìn)入危險(xiǎn)區(qū)域預(yù)警和人員定時(shí)巡查預(yù)警等。針對(duì)神經(jīng)網(wǎng)絡(luò)檢測(cè)可能出現(xiàn)的誤檢問(wèn)題，設(shè)計(jì)了一套推理均衡器算法和感興趣區(qū)域檢測(cè)算法，有效減少了因誤檢導(dǎo)致的系統(tǒng)誤報(bào)問(wèn)題。所設(shè)計(jì)的系統(tǒng)最終在福州港務(wù)集團(tuán)的拖輪上得到實(shí)際部署、測(cè)試和驗(yàn)證。結(jié)果表明，設(shè)計(jì)的系統(tǒng)和算法運(yùn)行可靠，可以有效實(shí)現(xiàn)拖輪智能安全預(yù)警功能。

關(guān)鍵詞：拖輪安全；YOLOv5s；嵌入式；推理均衡器；射線法；區(qū)域檢測(cè)

中圖分類(lèi)號(hào)：TP37 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2025）08-00-06

0 引 言

拖輪作為港口船舶作業(yè)的重要輔助設(shè)備，其在船舶運(yùn)輸中的作用越來(lái)越重要。在拖輪作業(yè)中，人工值守時(shí)經(jīng)常會(huì)出現(xiàn)駕駛員離崗、人員進(jìn)入危險(xiǎn)區(qū)域和人員未定時(shí)巡查等問(wèn)題，可能造成碰撞、環(huán)境污染、燃料泄漏以及由此引發(fā)的火災(zāi)事故等，給港口作業(yè)安全和海洋環(huán)境安全帶來(lái)新的挑戰(zhàn)[1]。

近年來(lái)，隨著人工智能、物聯(lián)網(wǎng)、視覺(jué)識(shí)別等技術(shù)的飛速發(fā)展，拖輪智能化也成為航運(yùn)業(yè)的熱點(diǎn)話題[2]。拖輪智能化可以提高拖輪的效率和安全性，減少人為錯(cuò)誤，降低事故的發(fā)生率。拖輪智能化技術(shù)的應(yīng)用已經(jīng)成為拖輪行業(yè)內(nèi)不可忽視的發(fā)展趨勢(shì)[3]。

在機(jī)器視覺(jué)領(lǐng)域，基于深度學(xué)習(xí)算法的YOLO系列算法可以識(shí)別圖像中的不同物體，并標(biāo)記其位置和類(lèi)別，常用于目標(biāo)檢測(cè)任務(wù)，已經(jīng)被逐步應(yīng)用到船舶安全作業(yè)中。文獻(xiàn)[4]提出了一種基于嵌入式的船舶智能預(yù)警系統(tǒng)，介紹了船舶嵌入式智能預(yù)警系統(tǒng)的整體架構(gòu)，采用YOLOv7網(wǎng)絡(luò)和多傳感器數(shù)據(jù)融合技術(shù)，有效對(duì)船舶面臨的潛在威脅做出綜合性判斷。文獻(xiàn)[5]提出一種智能化船舶航行安全風(fēng)險(xiǎn)預(yù)警與防控在油輪安全管理中的應(yīng)用，基于油輪實(shí)測(cè)的大量正負(fù)樣本數(shù)據(jù)，包括人體行為（喝水、撓頭、抹臉、抬手等干擾項(xiàng)），訓(xùn)練YOLOv5網(wǎng)絡(luò)模型，提高船員行為圖像識(shí)別模型的魯棒性。針對(duì)安全帽與反光衣檢測(cè)算法參數(shù)量大、計(jì)算量大和模型體積較大等問(wèn)題，文獻(xiàn)[6]提出了一種基于YOLOv5s的輕量化改進(jìn)檢測(cè)算法，該算法通過(guò)改變網(wǎng)絡(luò)結(jié)構(gòu)中的卷積與C3模塊，既保證了檢測(cè)算法的識(shí)別準(zhǔn)確率，又實(shí)現(xiàn)了檢測(cè)算法的輕量化。這些研究提供了一種基于YOLO系列算法的船舶安全預(yù)警系統(tǒng)設(shè)計(jì)方案，但針對(duì)多路檢測(cè)源在拖輪場(chǎng)景下可能出現(xiàn)的誤檢問(wèn)題，仍缺少有效的解決方案。

本文詳細(xì)介紹了基于邊緣計(jì)算的拖輪智能安全預(yù)警系統(tǒng)設(shè)計(jì)原理與實(shí)施方案，通過(guò)邊緣計(jì)算實(shí)時(shí)獲取拖輪部署的攝像頭數(shù)據(jù)，經(jīng)視頻取流解碼后通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)，實(shí)現(xiàn)駕駛員離崗預(yù)警、人員進(jìn)入危險(xiǎn)區(qū)域預(yù)警、人員定時(shí)巡查預(yù)警，等等。本文針對(duì)神經(jīng)網(wǎng)絡(luò)檢測(cè)可能出現(xiàn)的誤檢問(wèn)題，設(shè)計(jì)了一套推理均衡器算法和感興趣區(qū)域檢測(cè)算法，有效減少了因誤檢導(dǎo)致的系統(tǒng)誤報(bào)問(wèn)題。本文所設(shè)計(jì)的系統(tǒng)最終在福州港務(wù)集團(tuán)的拖輪上得到實(shí)際部署、測(cè)試和驗(yàn)證。結(jié)果表明，本文所設(shè)計(jì)的系統(tǒng)和算法可靠，可以有效實(shí)現(xiàn)對(duì)拖輪事故的預(yù)警。

1 系統(tǒng)的設(shè)計(jì)原理

系統(tǒng)分為邊緣側(cè)、云端和用戶端，系統(tǒng)原理如圖1所示。

邊緣側(cè)通過(guò)嵌入式AI設(shè)備進(jìn)行部署，通過(guò)實(shí)時(shí)獲取拖輪上分別位于駕駛艙、集控室、機(jī)艙、左前舷、左后舷、右前舷、右后舷、前甲板、后甲板共9路網(wǎng)絡(luò)監(jiān)控?cái)z像頭數(shù)據(jù)，在邊緣側(cè)本地完成視頻解碼、AI檢測(cè)、推理資源分配、事件決策、事件預(yù)警、事件上云、結(jié)果顯示。

用戶端的9路視頻監(jiān)控大屏實(shí)時(shí)顯示現(xiàn)場(chǎng)情況，當(dāng)某一路視頻源畫(huà)面出現(xiàn)異常時(shí)，系統(tǒng)會(huì)在該畫(huà)面邊緣顯示閃爍的紅框，提供清晰、醒目的視覺(jué)動(dòng)態(tài)提醒，同時(shí)觸發(fā)全船語(yǔ)音播報(bào)提醒。在用戶端還配有系統(tǒng)配置功能，可對(duì)視頻解碼的視頻源地址、決策中的感興趣區(qū)域和云服務(wù)器地址等進(jìn)行配置。

云端負(fù)責(zé)存儲(chǔ)檢測(cè)結(jié)果、預(yù)警視頻、預(yù)警圖片、預(yù)警事件以及一些必要的配置信息。

1.1 監(jiān)控視頻拉流解碼模塊設(shè)計(jì)

系統(tǒng)基于開(kāi)源項(xiàng)目Live555創(chuàng)建RTSP客戶端，拉取攝像頭的RTSP視頻流進(jìn)行緩存和解碼，其結(jié)構(gòu)如圖2所示。Live555具有跨平臺(tái)性、穩(wěn)定性、靈活性等特點(diǎn)，支持完整的RTSP協(xié)議，既可以作為服務(wù)器也可以作為客戶端，且支持多種音視頻編碼格式的多媒體數(shù)據(jù)的流化、接收和處理，包括H.265、H.264、MPEG、JPEG等視頻編碼格式和多種音頻編碼格式。由于Live555擁有良好的結(jié)構(gòu)化設(shè)計(jì)，支持各類(lèi)多媒體格式，適用于嵌入式設(shè)備或低成本流應(yīng)用。

1.2 AI檢測(cè)模塊設(shè)計(jì)

系統(tǒng)通過(guò)在拖輪上部署固定攝像頭，實(shí)現(xiàn)對(duì)人員及其著裝的實(shí)時(shí)AI檢測(cè)。基于人工智能深度學(xué)習(xí)技術(shù)，通過(guò)自學(xué)習(xí)能力實(shí)現(xiàn)在場(chǎng)景中對(duì)人員的目標(biāo)檢測(cè)，再將人員劃分為頭部和身體兩部分，用于檢測(cè)反光背心和安全帽。

部署攝像頭后，提前通過(guò)攝像頭獲取不同時(shí)間、不同場(chǎng)景下的人員照片和著裝照片，將這些照片進(jìn)行不斷訓(xùn)練與學(xué)習(xí)，得到模型后即可實(shí)現(xiàn)自動(dòng)識(shí)別。

系統(tǒng)利用YOLOv5s網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測(cè)[7]，其結(jié)構(gòu)主要分為Backbone（骨干網(wǎng)）、Neck（頸部）和Head（檢測(cè)頭），如圖3所示。其中，Backbone由CBS（Conv+BN+SiLU）、C3模塊和快速空間金字塔池化SPPF（Spatial Pyramid Pooling-Fast）構(gòu)成，主要用于提取圖像特征；Neck由特征金字塔FPN（Feature Pyramid Network）和路徑聚合網(wǎng)絡(luò)PAN（Perceptual Adversarial Network）構(gòu)成，主要進(jìn)行特征融合；Head主要進(jìn)行圖像的最終預(yù)測(cè)。

針對(duì)可能出現(xiàn)的誤檢情況，在訓(xùn)練的數(shù)據(jù)集中摻入了一定比例的反例數(shù)據(jù)以及工作人員的各種姿態(tài)，例如蹲、趴、坐，等等，并將模型的預(yù)測(cè)框結(jié)合人體的長(zhǎng)寬比和下文的感興趣區(qū)域進(jìn)行過(guò)濾，從而大大降低誤檢率。

1.3 9路視頻源同屏推理顯示設(shè)計(jì)

本系統(tǒng)支持9路不同的視頻源在同一個(gè)嵌入式平臺(tái)上推理并顯示。由于嵌入式平臺(tái)的計(jì)算資源包括CPU、GPU和內(nèi)存等通常較為有限，同時(shí)進(jìn)行9路視頻源的YOLOv5s推理需要大量計(jì)算資源，因此需要合理分配和利用計(jì)算資源，確保推理和顯示畫(huà)面的流暢性和穩(wěn)定性[8]。

為保證推理和顯示畫(huà)面的流暢性和穩(wěn)定性，在軟件層面設(shè)計(jì)了一套均衡器。該均衡器每隔一段時(shí)間先更新所有推理引擎的狀態(tài)，例如使用率、極限推理幀數(shù)等；再更新所有視頻源的狀態(tài)，例如推理百分比、幀率等。按照如下原則計(jì)算每個(gè)源可分配的資源權(quán)重（即新的預(yù)期推理百分比）：首先將每個(gè)引擎的資源均勻分配給每個(gè)源，若資源仍有盈余，則再次進(jìn)行平均分配。例，現(xiàn)有2個(gè)引擎，引擎1的極限推理幀率為100幀/s，引擎2的極限推理幀率為60幀/s。視頻源1的幀率為25幀/s，視頻源2的幀率為60幀/s，視頻源3的幀率為120幀/s。先將總算力160幀/s平均分成3份，大約每路為53幀/s。由于視頻源1的需求是25幀/s，所以剩下的135幀/s算力再平均分成2份，大約每路為67幀/s。

由于視頻源2的需求是60幀/s，所以視頻源3分得75幀/s算力。綜上，視頻源1、2、3各自新的推理百分比應(yīng)為100%、100%和62.5%。

根據(jù)新的推理百分比計(jì)算一組抽幀系數(shù)，抽幀系數(shù)是由0和1組成的一組數(shù)，每讀入一幀則對(duì)應(yīng)一個(gè)數(shù)，1代表推理該幀，0代表忽略該幀。假設(shè)該組數(shù)列無(wú)限長(zhǎng)，則其中1的個(gè)數(shù)占該組數(shù)總長(zhǎng)度的百分比就是推理百分比，并且1要在這組數(shù)中均勻分布才能保證畫(huà)面的流暢性和穩(wěn)定性。

由推理百分比計(jì)算一組抽幀系數(shù)的流程如下：首先，抽幀系數(shù)是離散的，百分比是連續(xù)的。定義百分比的倒數(shù)就是要出現(xiàn)一個(gè)1的碼量閾值，初始碼量為0。接著，在生成一個(gè)碼之前，碼量加1，判斷是否大于碼量閾值。若大于碼量閾值，則生成1，使用碼量減去碼量閾值；若小于碼量閾值，則生成0。計(jì)算流程如圖4所示。

該套算法理論上可以在有限的引擎資源下對(duì)任意個(gè)視頻源進(jìn)行推理資源分配，保證用戶看到的推理畫(huà)面流暢且穩(wěn)定。

1.4 感興趣區(qū)域選擇功能設(shè)計(jì)

本系統(tǒng)支持設(shè)置感興趣區(qū)域來(lái)判斷人員是否在有限區(qū)域內(nèi)。例如在駕駛室內(nèi)，檢測(cè)到有人員存在，但是無(wú)法確定人員是否是在駕駛座位上，由此就可以在駕駛座位上設(shè)置一個(gè)感興趣區(qū)域來(lái)篩選出有效的人員在崗情況[9]。

目標(biāo)檢測(cè)到事件后會(huì)返回兩點(diǎn)坐標(biāo)，分別為目標(biāo)檢測(cè)框的左上點(diǎn)和右下點(diǎn)。借助兩點(diǎn)確定一個(gè)四邊形，用戶設(shè)置的感興趣區(qū)域是由多點(diǎn)組成的多邊形，可以使用射線法判斷四邊形的四個(gè)點(diǎn)是否都在多邊形內(nèi)，若不是，則該目標(biāo)檢測(cè)事件不是有效事件。

射線法原理[10]：當(dāng)一個(gè)點(diǎn)在多邊形外時(shí)，作出的射線經(jīng)過(guò)多邊形邊界時(shí)一定是穿入，而一次穿入對(duì)應(yīng)一次穿出，所以最終的穿越次數(shù)是偶數(shù)。當(dāng)該點(diǎn)在多邊形區(qū)域內(nèi)時(shí)，第一次穿越邊界一定是穿出，下一次如果穿入就又會(huì)對(duì)應(yīng)一次穿出，所以區(qū)域內(nèi)的點(diǎn)會(huì)多出單獨(dú)的一次穿出，因此最終的穿越總數(shù)為奇數(shù)。

射線法結(jié)論：一點(diǎn)沿著任意一個(gè)方向的射線與多邊形的邊相交的點(diǎn)數(shù)若為奇數(shù)，則該點(diǎn)在此多邊形內(nèi)，若為偶數(shù)，則該點(diǎn)不在多邊形內(nèi)。

假設(shè)待判斷點(diǎn)為P（xp， yp），多邊形的某條邊為線段AB，A（x1， y1），B（x2， y2），如圖5所示。以從P點(diǎn)出發(fā)且平行于x軸并沿其正方向延伸的射線p作為參考。首先，判斷線段AB是否平行于射線p，即y1是否等于y2，若平行則不可能相交。接著，判斷AB兩點(diǎn)是否分別在射線p的兩側(cè)，不滿足條件：y1gt;yp，y2gt;yp或y1lt;yp，y2lt;yp即可。然后，根據(jù)公式（1）計(jì)算出過(guò)P點(diǎn)且平行于x軸的直線與線段AB的交點(diǎn)x：

若x≥xp，則射線p和線段AB存在交點(diǎn)，射線p與多邊形的交點(diǎn)數(shù)加1；否則射線p和線段AB不存在交點(diǎn)。

通過(guò)上述方法依次計(jì)算出射線和多邊形各邊的相交總點(diǎn)數(shù)，即可判斷該點(diǎn)是否在多邊形內(nèi)，若目標(biāo)檢測(cè)框的四個(gè)頂點(diǎn)均在多邊形內(nèi)，則保留此目標(biāo)檢測(cè)結(jié)果。

1.5 決策策略的設(shè)計(jì)

系統(tǒng)設(shè)計(jì)了一個(gè)可擴(kuò)展的決策策略池，這是一種面向復(fù)雜場(chǎng)景和業(yè)務(wù)需求的柔性軟件開(kāi)發(fā)方法。本系統(tǒng)策略池是一個(gè)自定義的規(guī)則系統(tǒng)，由一個(gè)通用決策需求派生得到，決策可以和具體的視頻源綁定，比如第1路視頻綁定A、B策略，第2路視頻綁定B、C、D策略。決策滿足軟件設(shè)計(jì)中的開(kāi)閉原則，在增加新功能時(shí)不修改舊類(lèi)。

針對(duì)拖輪的應(yīng)用場(chǎng)景，設(shè)計(jì)了駕駛員離崗決策、人員進(jìn)入危險(xiǎn)區(qū)域決策、人員定時(shí)巡查決策，和視頻源的具體綁定關(guān)系如圖6所示。

通用決策遍歷所有檢測(cè)對(duì)象。首先，判斷目標(biāo)是否在感興趣區(qū)域內(nèi)。然后，在結(jié)果緩存隊(duì)列中檢查是否存在事件類(lèi)型上下文。若存在，則更新計(jì)數(shù)器，并檢查事件是否已經(jīng)消失一段時(shí)間，如果是，則創(chuàng)建一個(gè)CLEAR事件，并從結(jié)果緩存隊(duì)列中移除該事件上下文；若不存在，則更新計(jì)數(shù)器，并檢查事件是否已經(jīng)出現(xiàn)了一段時(shí)間，如果是，則生成一個(gè)帶有唯一標(biāo)識(shí)符的事件上下文。

1.6 語(yǔ)音播報(bào)模塊設(shè)計(jì)

本系統(tǒng)發(fā)現(xiàn)潛在危險(xiǎn)時(shí)會(huì)自動(dòng)發(fā)出聲光報(bào)警。嵌入式處理器將采集的視頻信息、位置信息、事件信息、發(fā)生事件的時(shí)間通過(guò)以太網(wǎng)發(fā)送到云平臺(tái)中，實(shí)現(xiàn)信息的存儲(chǔ)和記錄。發(fā)送控制指令給語(yǔ)音播報(bào)平臺(tái)，語(yǔ)音播報(bào)平臺(tái)采用無(wú)線電傳輸語(yǔ)音信號(hào)，實(shí)現(xiàn)拖輪的報(bào)警提醒。報(bào)警邏輯如圖7所示，該報(bào)警邏輯分為工作模式和停泊模式。在工作模式下主要針對(duì)駕駛艙離崗、機(jī)艙離崗和未安全著裝進(jìn)行告警；在停泊模式下主要針對(duì)未按時(shí)巡檢和外部人員入侵進(jìn)行告警。

2 系統(tǒng)測(cè)試與分析

本系統(tǒng)最終通過(guò)一個(gè)基于ARM的嵌入式Qt軟件呈現(xiàn)。

2.1 AI模型測(cè)試

測(cè)試數(shù)據(jù)集是在拖輪不同場(chǎng)景和不同時(shí)間下采集的監(jiān)控圖片，共3 028張。YOLOv5s有5類(lèi)，分別是0：人；1：安全帽；2：反光背心；3：頭部；4：身體。經(jīng)統(tǒng)計(jì)，AI模型在不同場(chǎng)景和不同時(shí)間下的誤報(bào)率均在2.4%以下，其中安全帽和反光背心的誤報(bào)率在1.6%以下，與目標(biāo)跟蹤SORT算法結(jié)合后，基本達(dá)到工程要求，測(cè)試結(jié)果見(jiàn)表1。不同類(lèi)別違規(guī)操作識(shí)別結(jié)果的平均置信度如圖8所示。

2.2 感興趣區(qū)域選擇功能測(cè)試

在不同場(chǎng)景下，選取形狀各異的感興趣區(qū)域，將經(jīng)過(guò)感興趣區(qū)域選擇前后的結(jié)果進(jìn)行對(duì)比，如圖9所示，線包圍的區(qū)域即為感興趣區(qū)域。

2.3 視頻監(jiān)控大屏

大屏平均分成9塊，用以實(shí)時(shí)顯示拖輪的9路監(jiān)控視頻畫(huà)面，視頻分布位置同拖輪相對(duì)應(yīng)，大屏畫(huà)面如圖10所示。位于大屏上方的三個(gè)畫(huà)面從左到右為左前舷、前甲板、右前舷；位于大屏中間的三個(gè)畫(huà)面從左到右為集控室、駕駛艙、機(jī)艙；位于大屏下方的三個(gè)畫(huà)面從左到右為左后舷、后甲板、右后舷。檢測(cè)框的左上角為目標(biāo)跟蹤號(hào)。

當(dāng)某一處監(jiān)控畫(huà)面出現(xiàn)異常事件時(shí)，大屏上對(duì)應(yīng)的畫(huà)面會(huì)顯示閃爍的紅框，并全船告警提示。

2.4 后臺(tái)設(shè)置界面

在監(jiān)控視頻大屏頁(yè)面上，將鼠標(biāo)上劃到屏幕頂部可引出隱藏菜單欄，點(diǎn)擊左側(cè)設(shè)置按鈕，全屏進(jìn)入設(shè)置畫(huà)面，該畫(huà)面可進(jìn)行視頻源RTSP地址設(shè)置、ROI區(qū)域設(shè)置、模型文件設(shè)置、事件上報(bào)的私有云服務(wù)器地址設(shè)置，如圖11所示。

3 結(jié) 語(yǔ)

本文以拖輪智能化安全預(yù)警為課題研究對(duì)象，介紹了基于邊緣計(jì)算的拖輪智能安全預(yù)警系統(tǒng)設(shè)計(jì)原理與實(shí)施方案。通過(guò)邊緣計(jì)算實(shí)時(shí)獲取拖輪部署的攝像頭數(shù)據(jù)，經(jīng)視頻取流解碼后通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)，實(shí)現(xiàn)駕駛員離崗預(yù)警、人員進(jìn)入危險(xiǎn)區(qū)域預(yù)警、人員定時(shí)巡查預(yù)警，等等。針對(duì)神經(jīng)網(wǎng)絡(luò)檢測(cè)可能出現(xiàn)的誤檢問(wèn)題，設(shè)計(jì)了一套推理均衡器算法和感興趣區(qū)域檢測(cè)算法，有效減少了因誤檢導(dǎo)致的系統(tǒng)誤報(bào)問(wèn)題。本文所設(shè)計(jì)的系統(tǒng)最終在福州港務(wù)集團(tuán)的拖輪上得到實(shí)際部署、測(cè)試和驗(yàn)證。結(jié)果表明，本文所設(shè)計(jì)的系統(tǒng)和算法可靠，可以有效實(shí)現(xiàn)拖輪的安全預(yù)警功能。

參考文獻(xiàn)

[1]趙晶，雷凌云.海上船靠船的常見(jiàn)事故分析及其安全操作措施[J].青島遠(yuǎn)洋船員職業(yè)學(xué)院學(xué)報(bào)，2019，40（1）：39-43.

[2] CHOI J H， JANG J Y， WOO J. A review of autonomous tugboat operations for efficient and safe ship berthing [J]. Journal of marine science and engineering， 2023， 11（6）： 1155.

[3]焦爽. 拖輪智能化發(fā)展探討與展望[J]. 高科技與產(chǎn)業(yè)化，2023，29 （6）：66-69.

[4]裴宇.船舶嵌入式智能預(yù)警系統(tǒng)設(shè)計(jì)[J].艦船科學(xué)技術(shù)，2023，45（17）：178-181.

[5]劉文寶.智能化船舶航行安全風(fēng)險(xiǎn)預(yù)警與防控在油輪安全管理中的應(yīng)用[J].中國(guó)船檢，2023（11）：19-23.

[6]張學(xué)立，賈新春，王美剛，等.安全帽與反光衣的輕量化檢測(cè)：改進(jìn)YOLOv5s的算法[J].計(jì)算機(jī)工程與應(yīng)用，2024，60（1）：104-109.

[7] LI S Y， LV Y C， LI X Y， et al. Detection of safety helmet and mask wearing using improved YOLOv5s [J]. Scientific reports， 2023， 13（1）： 21417.

[8]張俊杰. 基于嵌入式AI處理器的安全場(chǎng)景人工智能應(yīng)用[D].西安：西安電子科技大學(xué)，2022.

[9]莊建軍，徐子恒，張若愚.基于改進(jìn)的YOLOv5模型和射線法的車(chē)輛違停檢測(cè)[J].南京信息工程大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，16（3）：341-345.

[10]章磊，何芬，李鴻赟.一種基于奇異射線法檢測(cè)點(diǎn)在多邊形內(nèi)的方法[J].計(jì)算機(jī)應(yīng)用研究，2020，37（z2）：133-135.