安全帽识别需求项目方案书.docx

安全帽识别需求项目方案书.docx

《安全帽识别需求项目方案书.docx》由会员分享，可在线阅读，更多相关《安全帽识别需求项目方案书.docx（4页珍藏版）》请在冰豆网上搜索。

安全帽识别需求项目方案书

基于计算机视觉的安全帽自动识别技术设计方案

上海交通大学

二零一八年元月

第一章项目研究开发内容及目标

1、申请项目的意义

在施工现场，安全帽作为一种最常见和实用的个人防护用具，能够有效地防止和减轻外来危险源对头部的伤害。

然而，长期以来，我国施工区作业人员普遍存在综合素质低、安全意识不强的问题，尤其缺乏基础防护设施（如安全帽）的佩戴意识，大大增加了作业风险。

传统的人工监管存在如下缺点：

一、人力成本增加；

二、人工长时间监控易疲劳，致使监控的疏忽、遗漏或者误判安全隐患；

三、人工监控和人员情绪、状态、工作经验、性格和生活条件的影响，安全判别带有强烈的主观意识，缺乏客观性。

因此，人工检查存在监管费用高、主观干扰大、不能全程监控等一系列问题。

随着现代科学技术的发展，图像监控系统的应用范围越来越广，各级施工安全监管部门对作业人员的要求逐步提高，许多示范工程已经率先采用各种智能监控手段保障作业人员的人身安全。

该手段能够满足施工单位及各级安全监管部门的实际监管需求，切实保障施工区作业人员的人身财产安全。

近年来，深度学习（Deeplearning）及计算机视觉，在语音识别和图像处理中的成功应用，使其成为机器学习中一个新的方向。

计算机视觉就是给计算机装上眼睛（照相机）和大脑（算法），让计算机可以感知周围的环境。

目前计算机视觉研究主要集中在基础应用场景，像图片分类、物体识别、人脸的3D建模等。

机器学习的本质其实是为了找到一个函数，让这个函数在不同的领域会发挥不同的作用。

基于计算机视觉的安全帽自动识别技术设计通过在施工现场布设视频监控设备或利用现有的施工监控设备，采用机器视觉的相关方法进行安全帽的自动识别，可以实现对作业人员安全帽佩戴情况信息的全程快速识别，在降低监管费用的同时提升了监管信息化水平。

国内外现有的安全帽自动识别技术，大致有以下几种主要方式：

（1）基于小波变换和BP神经网络的安全帽识别，提出了安全帽识别神经网络模型;

（2）基于肤色检测的方法进行人脸定位，再利用支持向量机（SVM）模型实现安全帽的识别;

（3）基于像素点色度值分布情况的安全帽识别，通过检测运动目标1/3部分中的色度值分布情况，判断是否佩戴安全帽及识别安全帽的颜色。

经全面查询分析，这些方法在特定场景下均可实现对安全帽的精确识别，但也存在对环境要求高、识别率波动大、易受环境干扰等一系列问题。

基于计算机视觉的安全帽自动识别技术（Tensorflow检测原理）设计方案，是在对安全帽的识别研究的基础上提出来的，国内外都没有较为成熟的报道。

此项技术的研究，提出了新的施工现场检测技术方案，弥补了现有识别技术的不足，是施工现场自动化检测特别是安全生产急需解决的关键问题。

2、研究内容

（1）图像信息获取。

为项目收集图像，可以从施工现场进行拍摄，也创建了一个施工现场的视频，并使用Opencv从视频中提取图像。

（2）信息加工和预处理。

在对安全帽图像识别之前,要进行图像的预处理。

（3）分类及特征抽取。

由于施工人员和路人有明显的特征，经过样本训练和学习，能够将人物进行分类，主要分为施工人员和路人。

特征提取（如颜色、外形）是进行人体判别和跟踪的关键，也是进行安全帽位置界定的关键，特征提取分为人体判别和安全帽跟踪两部分内容。

（4）识别。

在人体判别的基础上，通过对安全帽位置的估测和安全帽像素统计，实现安全帽的检测识别，同时需要进行神经网络的构建与训练。

3、研究方法与技术路线（基于颜色特征）

（1）在不同复杂环境下（如阴雨天、晴天、拍摄距离等因素造成的不同场景）进行多角度拍摄,以便从不同的角度获取作业工人的正面图像。

由于施工人员和路人有明显区别的特征（如衣服的颜色，动作等），经过样本训练和学习，能够将人物进行分类，主要分为施工人员和路人（此时包含背景）。

（2）通过前景检测将工人和背景分离，再根据人体肤色与其他颜色有很大的区别,通过肤色定位出人脸部位。

（3）定位出人脸后,向上扫描,根据库中已训练好的神经网络,判别头部是否是安全帽的颜色。

如果不是,说明此人没有佩戴安全帽,可以报警提示,记录此人没有佩戴安全帽。

（4）对于佩戴安全帽以外的帽子等同未带安全帽的情况：

由于安全帽常用的颜色包括红、黄、白3种颜色，根据不同色彩的安全帽建立阈值选取范围，各颜色安全帽阈值见表1。

表1安全帽颜色阈值表

红色安全帽

黄色安全帽

白色安全帽

R

[160，220

[205,255]

[205，255]

G

[15，75]

[160，220

[205，255]

B

[0，50]

[0，50]

[205，255]

（5）逐点统计安全帽估测区域的像素点，若像素点的Ｒ，G，B值满足安全帽颜色阈值表中某种安全帽的颜色阈值范围，则说明该点属于安全帽，将该点记录下来。

（6）对统计点进行分类，判断（5）中所记录的安全帽颜色点的数量占整个统计区域像素点数量的比例，若超过某一比例则判定其佩戴相应颜色的安全帽，若均达不到要求，则判定其未佩戴安全帽。

以上研究方法的技术路线如图2所示：

图2安全帽检测流程图

4、项目达到的效果

本项目提出了一种基于机器视觉的施工区安全帽智能识别技术方法，该方法采用混合高斯模型进行前景检测，再根据安全帽的颜色，以及包含安全帽颜色的像素点所占的比例判断是否是否佩戴安全帽实现安全帽的自动识别检测。

该方案具备较高的环境适应性和检测准确率，可以实现对施工区作业人员安全帽佩戴情况的自动识别检测（包括各种天气状况以及复杂场地），可辅助各级施工区安全监管单位进行施工区智能化监管，提高施工区安全监管信息化水平。

同时，能够以较快的速度和较高的识别率进行安全帽佩戴的动态识别和监控,从而保证施工单位用计算机自动识别安全帽的佩戴情况,保障工人安全生产。

但对于地下作业,由于作业环境光线亮度不够,识别的正确率有待提高。

第二章设备选型

技术参数

特性

第三章设备报价清单及预算

第四章项目进行的周期，进度安排