安全帽佩戴检测算法

安全帽佩戴检测算法

安全帽佩戴检测在铁路工程施工人员安全管理中占据重要地位，对检测算法的准确率与检测速度都有较高要求。本文提出一种基于神经网络架构搜索的安全帽佩戴检测算法NAS-YOLO，通过数据驱动的方式自动确定合适的神经网络体系结构。实验结果表明，NAS-YOLO算法在准确率、召回率及平均检测速度方面均优于实时目标检测算法YOLOv3，可以在工程施工中对施工人员安全帽佩戴情况进行实时监控。

安全帽佩戴检测算法的逻辑结构主要分为视频采集、智能视频分析和监控中心3个模块，如图1所示。视频采集模块负责通过摄像机进行视频采集；智能视频分析模块是通过算法实现目标检测、分类，并进行行为和事件检测，同时还负责对违规行为发出报警信息，是安全帽监控系统的核心模块；监控中心与监控人员直接交互，起到对整个监控系统进行监视和管理的作用。

安全帽佩戴检测算法首先由视频采集模块获取视频数据；再由智能视频分析模块利用目标检测技术提取出视频中的动态目标，同时进行分类；然后，将分类得到的目标信息与预先设定好的报警准则进行逻辑判断，如符合预定准则，则智能视频分析模块向监控中心发送预警或报警信息；如不符合预定准则，则继续进行目标检测。目标检测与分类是通过人工智能技术（即深度神经网络）来完成的。与常用的深度神经网络算法不同，这里介绍通过NAS算法自动搜索合适的神经网络架构。

目前主流的目标检测算法是Fast r-cnn系列算法，首先使用神经网络生成待检测预选定位框，再对预选定位框进行调整和分类，属于两阶段算法，虽然精度高，但实时性不强。而YOLO（You Only Look Once）系列的一阶段算法采用了回归的思想，直接在图像上回归出预选定位框，同时预测预选定位框所属类别。YOLO系列算法的检测精度虽然略低于Fast r-cnn系列，但是运行速度块，能够很好地完成实时目标检测任务。另外，还有SSD（Single Shot MultiBox Detector）算法，结合了回归思想和预选定位框机制，使得检测速度和准确率都得到提升。YOLO系列算法经过不断更新，其中YOLOv3结合了多种网络设计技巧，包括了SSD算法中的多尺度特征融合策略，进一步提高了网络的检测性能。因此，本文以YOLOv3为基础框架，设计了基于神经网络架构搜索的YOLO网络，即NAS-YOLO。NASYOLO由2种单元架构组成，分别是下行单元和上行单元，并通过基于单元的搜索方式，确定其最终网络拓扑结构。