基于YOLO算法的智慧工地安全监控系统设计

论文总字数：20856字

摘 要

随着社会人口的不断增长以及经济水平是进步，我国的住房以及交通道路日趋紧张。这是我们当下急需要解决的问题，因此施工场地的数量也因此而增加，所以，工地安全问题就会尤为突出。但是随着监控设施的普及和完善，监控技术已经逐渐有了新的进步，要将这种技术用于智能检测上已经是一种常见的需求了。目前的基于深度学习的目标检测技术已经有了很大的成果，但大多数还是基于公开数据集，因此，在工地安全检测中的准确性和速度上都还存在一些问题。

工地安全检测分为安全帽检测，防护服检测和吸烟检测。以工厂的监控摄像头或视频采集系统为输入对象，构建了一个使用边界框进行标注分类的工地安全检测数据集，本数据集包含了1000张图像，训练集为80%，验证集为20%，使用该数据集在基于YOLOv4卷积神经网络下进行训练以实现工地安全检测。参考本人发表的《AI智慧防疫系统口罩自动识别提醒系统》^[1]文章，最终部署在Jetson Nano上。

使用改进后的数据集训练并测试，最终在相同的配置环境下，相对于原数据集，mAP提高至0.677，但由于标注方式以及测试机具有一定的局限性，对最终训练的模型性能评估不充分，以后可以考虑增加数据集的图片数量和标注精度，以满足工地安全检测任务的精确度，并具有较高的实用性。

关键词：YOLO网络；Darknet；目标检测；深度学习

Design of Intelligent Site Safety Monitoring System Based on Yolo Algorithm

Abstract

With the continuous growth of social population and the progress of economic level, China's housing and transportation roads are becoming increasingly tense. This is our urgent need to solve the problem, so the number of construction sites also increases, so the site safety problem will be particularly prominent. However, with the popularization and improvement of monitoring facilities, monitoring technology has gradually made new progress. It is a common demand to use this technology in intelligent detection. The current target detection technology based on deep learning has made great achievements, but most of them are still based on open data sets. Therefore, there are still some problems in the accuracy and speed of site safety detection.

Site safety testing is divided into helmet testing, protective clothing testing and smoking testing. Taking the monitoring camera or video acquisition system of the factory as the input object, this paper constructs a site safety detection data set using boundary box for annotation and classification. The data set contains 1000 images, the training set is 80%, and the verification set is 20%. The data set is trained based on YOLOv4 convolution neural network to realize site safety detection. Referring to my published article "AI Intelligent Anti Epidemic System Mask Automatic Recognition And Reminder System" , it was finally deployed on Jetson nano.

The improved data set is used to train and test, and the map is improved to 0.677 compared with the original data set in the same configuration environment. However, due to the limitations of labeling method and testing machine, the performance evaluation of the final training model is not sufficient. In the future, we can consider increasing the number of pictures and labeling accuracy of the data set to meet the accuracy of site safety testing tasks, And it has high practicability

Keywords: YOLO Network，Darknet，Target detection，Deep Leaning

目 录

摘 要 I

Abstract II

第一章 绪 论 1

1.1 研究背景及意义 1

1.2 研究内容与技术路线 1

1.2.1 数据集 1

1.2.2 人体检测技术 1

1.2.3存在问题 2

1.3 研究工作 2

1.4 本文的结构安排 3

第二章 基于深度学习的YOLO网络算法 4

2.1 YOLO网络识别算法 4

2.1.1 深度学习概念 4

2.1.2 卷积神经网络 4

2.2 YOLO网络结构及优化 4

2.2.1 YOLO网络损失函数及优化 5

2.2.2 改进的YOLO模型设计 5

2.3 本文网络识别方法与流程 6

2.4 本章小结 7

第三章 算法实现 8

3.1 安全装备识别数据集与模型训练 8

3.1.1 安全装备识别数据集采集 8

3.1.2 安全装备识别数据集标注 8

3.1.3 数据集制作 8

3.2数据集文件目录的建立 9

3.2.1 生成训练集和测试集文件： 9

3.2.2 修改配置文件 9

3.3 安全装备识别模型训练 10

3.3.1 训练环境： 11

3.3.2 训练自己的数据集 11

3.4 工地安全检测结果对比 12

3.4.1 SSD算法下的工地安全检测 12

3.4.2 FPN网络下的算法下的工地安全检测 12

3.4.3 RetinaNet下的工地安全检测 13

3.4.4 YOLO算法下的工地安全检测 13

3.4.5 本文算法下的工地安全检测 14

3.4.6 不同检测算法的实时性对比 15

3.5 本章小结 17

第四章 嵌入式平台在线智能识别效果测试 19

4.1 嵌入式平台 19

4.2 测试识别效果 19

4.3本章小结 21

第五章 总结与展望 22

5.1研究总结 22

5.2 研究展望 22

致 谢 23

参考文献 24

第一章 绪 论

1.1 研究背景及意义

剩余内容已隐藏，请支付后下载全文，论文总字数：20856字