论文总字数：17449字

摘 要

深度学习算法从原理上来讲大体上分为以下两种检测算法：two-stage检测算法和one-stage检测算法。two-stage检测检测算法由于检测目标时实时检测速度较慢，即使检测物体的识别精度很高，也很难达到实时准确检测的效果。而另一种one-stage算法不仅实时检测时识别错误率比较低，实时检测时检测速度也很快，目前已成为目标检测算法的良好发展方向。

本设计从施工工地实际安全头盔检测应用的角度出发，选用的YOLOv4算法就是基于one-stage检测算法设计的施工工地安全帽佩戴检测系统，其中包括系统软件环境和硬件环境的搭建、采集的样本图片的清洗、样本图片的标注、样本模型的训练、最终识别效果的调整等部分，最终能够移植到嵌入式平台上并能够在嵌入式平台上实现对于工地工人头盔佩戴的实时检测。

关键词：深度学习算法；YOLOv4；实时检测

Design and Implementation of Helmet Wearing Detection System Based on Deep Learning Algorithm

Abstract

Deep learning algorithms can be broadly divided into the following two detection algorithms in principle: two-stage detection algorithm and one-stage detection algorithm.Two-stage detection algorithm is difficult to achieve real-time and accurate detection because of its slow real-time detection speed when detecting the target, even if the detection accuracy of the object is very high.However, the other one-stage algorithm not only has a low error rate in real-time detection, but also has a fast detection speed in real-time detection, which has become a good development direction of target detection algorithms.

From the perspective of the actual safety helmet detection application in construction sites, the YOLOV4 algorithm selected is a safety helmet wearing detection system in construction sites designed based on the One-Stage detection algorithm.It includes the construction of the system software environment and hardware environment, the cleaning of the collected sample images, the labeling of the sample images, the training of the sample model, and the adjustment of the final recognition effect. Finally, it can be transplanted to the embedded platform and realize the real-time detection of the site workers' helmet wearing on the embedded platform.

Keywords：Deep Learning Algorithm，YOLOv4，Real-time Detection

目 录

摘 要 I

Abstract II

第一章 绪 论 1

1.1头盔检测研究的背景及意义 1

1.2深度学习研究现状 1

1.3本设计主要研究内容 2

1.4论文的结构安排 2

第二章 深度学习算法的原理与组成 3

2.1深度学习算法简介 3

2.1.1 深度学习算法概要 3

2.1.2 基本原理简介 3

2.2 深度学习算法的发展与选用 4

2.2.1深度学习算法的发展 4

2.2.2深度学习算法的选用 4

2.3深度算法学习的组成 5

2.4本章小结 5

第三章 安全帽佩戴检测系统的设计 6

3.1 常见的数据集及数据集的构建 6

3.1.1 常见的数据集类型 6

3.1.2 数据集的采集与清洗 6

3.2 训练环境的配置 6

3.3数据集制作 7

3.3.1 数据集的标注 7

3.3.2数据集标注文件解读 9

3.4 数据集参数配置与训练 9

3.4.1 数据集参数配置 9

3.4.2 数据集的训练 11

3.5 嵌入式平台的部署 12

3.5.1 软硬件选用 12

3.5.2嵌入式平台优缺点分析 13

3.5.3 模型移植 13

3.6本章小结 14

第四章 结果分析与改进 15

4.1 训练结果性能分析 15

4.2 改进与重新训练 15

4.3本章小结 18

第五章 总结与展望 19

5.1总结 19

5.2展望 19

致 谢 20

参考文献 21

附 录 23

第一章 绪 论

1.1头盔检测研究的背景及意义

随着进入二十一世纪以来人口飞速增长，住房成为人们迫切需要解决的问题，而作为住房建设的主场工地却常常事故频发，其中很重要的一部分原因是施工人员没有正确佩戴安全帽。安全帽作为有效的头部防护工具目前已被广泛使用于各类施工现场，但由于工地现场缺乏有效管理等各种原因，常常发生一些由于未佩戴安全头盔而造成的安全事故。因此，工地现场安全头盔佩戴检测以及对未佩戴安全帽人员进行实时的提醒，有利于施工工地的安全防护管理以及信息化管理。

由于工地建筑施工的特殊性，工地现场常常很容易发生安全事故，且经常发生多起，具有一定偶发性和难预见性，因此防范高空坠物砸伤等安全事故的发生较为有效的措施就是佩戴安全头盔，但工人常常因为各种原因没能正确佩戴安全帽。本课题基于上述考虑，要求基于视频实时检测和深度学习算法，设计一款基于深度学习算法的安全帽佩戴检测系统，要求能够根据实时的现场图像采集，判断工人佩戴安全帽与否，当工人没有正确佩戴安全头盔时要及时进行定位和标示，从而实现安全头盔实时佩戴与否的检测，从而有效保障施工工人的人身安全，有效预防工地安全事故的发生。

1.2深度学习研究现状

深度学习算法大体上分为两种：two-stage算法和one-stage算法。其中R-CNN、faster RCNN^[1] 就是属于two-stage的检测算法，它的基本原理是首先在算法中输入图片，然后在主干网络中完对图片特征的提取，后面通过RPN网络首先要完成产生候选框的任务，其次是要将候选框中分为背景和目标两个种类，并且这时需要候选框完成一个初步的预测。之后是在候选框上进行精确的回归和休整。得到的候选目标的特征之后进行特征表示。最后完成对于候选目标类别的判断和位置的精确修正。

虽然这种方法的置信度比较高，但是识别速度比较慢，很难达到想要的实时检测的效果。基本实现流程如图1.1所示：

剩余内容已隐藏，请支付后下载全文，论文总字数：17449字