摘要：安全帽检测是保障建筑施工现场安全的一个有效手段。为保证暗光条件下图像分辨度,塔机吊钩摄像头夜间经常需采集灰度图像。由于摄像头晃动和人员走动,安全帽目标区域还经常会出现模糊现象。为解决模糊灰度图像中目标特征丢失所导致的检测精度下降问题,以YOLOX为基准模型,提出一种用于夜间安全帽检测的特征增强和回归权重自适应YOLOX(feature enhancement and regression weight adaptive,FERWA-YOLOX)算法。算法在输入层增加了融合不同大小感受野的多尺度残差(multi-scale residuals,MSR)模块,在同层网络中融合更多局部特征,降低目标局部模糊带来的影响;在解耦头的分类分支增加并行池化通道注意力(parallel pooling channel attention,PPCA)模块,弥补因目标颜色特征丢失所导致的网络分类能力的下降;设计了一种带双惩罚项的损失函数(double penalty items-Siou,DPI-Siou),自适应地降低形状固定目标的形状损失和模糊目标在回归时的权重,提高网络的检测精度。实验结果表明,FERWA-YOLOX较原YOLOX算法,mAP提升了4.88个百分点,参数量仅提升0.5 MB,且满足夜间实时检测需求。

摘要：为解决施工现场人员考勤及正确佩戴安全帽检测问题,开发了以K210处理器为核心的工人安全帽佩戴检测及考勤系统。该系统分为主控系统和上位机管理系统两部分,主控系统通过摄像头获取施工现场入口图像信息,识别图像中的人脸及安全帽佩戴情况,如果属于工地工作人员且正确佩戴了安全帽,则计入考勤信息并打开闸门放行,若图像中的人员不属于该工地工作人员或未正确佩戴安全帽则发出警报,闸门不放行。主控系统通过WiFi与上位机通讯,将工地入口的图像和考勤信息上传至上位机管理系统。上位机管理系统具有工地入口图像显示和考勤信息查询、统计等功能。经测试,该系统的人脸识别成功率达到95%,安全帽佩戴检测正确率达到98%。引入该系统后,减轻了管理员对工地工作人员安全帽佩戴监督与考勤管理的工作压力,提高了工作效率。

摘要：由于目标视频中存在目标小、距离远等影响检测效果的因素,对小目标的捕捉难度较大,提出一种面向小目标的多空间层次安全帽佩戴检测算法,该算法将在Yolov5s的网络模型基础上进行个性化改进。设计一种多空间注意力模块,从不同角度考虑空间特征的效果并加以融合,加强显著性特征的空间位置关系;融合多空间尺度的特征,同时结合特征提取过程中的多种特征,适应对不同空间层次目标的捕捉,提高对小目标的检测能力;利用数据增强提高数据集的泛用性,使训练目标适应更多样的情景;优化损失函数,增强回归能力,提高训练效果。实验结果表明,所提算法的平均准确率达到91.5%,明显地减少了漏检情况。除此之外,将其部署到实际施工现场,展现了出对小目标优越的检测性能,具有极大的应用价值。

摘要：为了解决现有算法对工地场景下安全帽和安全背心检测存在的漏检及小目标检测效果差的问题,设计与实现一种基于改进YOLOv7的安全帽及背心检测算法,记为Eff-YOLOv7。首先算法在特征提取阶段中使用EfficientViT Module来强化图像的信息提取;在特征融合阶段提出一种融合全局特征与局部信息的特征融合提取块,使得中间层特征图能更好地结合上下文信息;提出一种新的目标边框定位损失ICIoU Loss,更精细地计算预测目标框与真实目标框之间地位置偏差。为了验证算法的有效性,以通用目标检测数据集MS COCO和自建安全帽和安全背心数据集为基础,大量的实验表明改进算法Eff-YOLOv7在两个数据集上的多个指标如mAP0.5和mAP0.5:0.95上相较于YOLOv7算法均有大幅提升,为高精度安全帽和安全背心检测提供了一种新的方法。

摘要：佩戴安全帽能够保护生产工作者头部免受坠物撞击带来的伤害;轧钢车间存在空间跨度大、作业设备繁多、环境杂乱、昼夜光照差别大、炫光、监控目标尺度变化范围大等问题,增加了安全帽佩戴检测难度;针对上述问题,设计了基于改进YOLOv7模型的轧钢车间安全帽佩戴检测方案;算法基于NWD方法改进损失函数以提高目标检测精度,并在SPPCSPC模块上增加了BiFormer模块,使模型对小目标具有更好的检测精度,同时不会增加运算负担,优于其他注意力机制;在自建安全帽数据集上对改进的YOLOv7模型进行训练,实验表明,改进的YOLOv7模型平均精度均值为99.3%,检测速度达82FPS,与其他主流算法、改进算法对比,改进YOLOv7的mAP指标最高,大大超过了其他模型的指标,同时检测速度基本与改进模型前相差不大,并没有因为精度提高而明显降低检测速度,有较好效果。

摘要：佩戴安全帽是作业安全重要保障,针对电厂环境下基于视觉的安全帽佩戴检测存在遮挡、复杂光照、图像目标对象尺度变化等问题,提出一种基于深度学习的高精度安全帽佩戴自适应检测模型。应用Random-erasing数据增强提升遮挡场景检测精度,构建融合图像双颜色空间信息的双平行网络图像增强模型应对复杂光照影响,设计K-means聚类的目标自适应匹配、前后端融合双注意力的卷积神经网络与模版匹配检测分类模型。在融合施工环境的安全帽数据集开展实验,结果表明,所提模型检测精度为96.61%,高于对比模型,开展的消融实验验证了各模块有效性,在电厂现场环境检测效果良好。

摘要：穿着反光衣与佩戴安全帽是复杂场景下施工工作人员生命安全的保障,而现有的YOLOX算法无法同时兼顾大目标反光衣和小目标安全帽的检测,其精度与速度有待提高。基于此,提出了一种基于CT-YOLOX的反光衣与安全帽检测算法。首先,CT-YOLOX算法引入CAM模块,增强上下文信息和扩充模型的感受野;其次,设计TBCA模块提高特征表达能力,用混合卷积强化模型对不同尺度目标的融合能力;最后,采用Varifocal Loss损失函数缓解样本不均匀和难易样本问题,提高模型的分类准确性和鲁棒性。测试结果表明,CT-YOLOX算法比原始YOLOX算法检测速度提升的同时平均精度均值(mAP)也提高了2.1%,与SSD、CenterNet、YOLOv4、YOLOv5、YOLOv7-tiny与YOLOv8同类型算法相比,CT-YOLOX算法的mAP值分别高于10.27%、17.24%、4.14%、2.63%、6.14%、1.03%。

摘要：针对当前基于目标检测算法的安全帽检测准确率较低,且难以移植到便捷的嵌入式平台实现安全帽检测等问题,提出一种基于深度学习的移动端安全帽检测系统,该系统以YOLOv4网络为算法基础,采用公开安全帽数据集作为训练图片。实验结果表明,在安全帽检测任务过程中,网络的mAP为88.2%,能够正确区分是否佩戴安全帽。且在Jetson Nano嵌入式平台实现每帧图像0.33s的检测速度,满足施工场地实时的需求。

摘要：针对施工作业人员不佩戴安全帽的问题,设计了一种基于计算机视觉的嵌入式智慧工地安全帽检测系统并进行了实用性的算法改进,解决了人力检测效率低下、标准不一的问题,同时提升了在目标检测领域小目标检测的精度。介绍了人工和传统算法在安全帽佩戴监管方面的弊端以及嵌入式系统的优势,详细介绍了算法优化的方法以及本系统的实验结果。

摘要：为有效减小安全帽检测算法的计算复杂度,并提高算法对于小目标的检测精度,提出一种基于Pytorch深度学习框架的轻量化安全帽检测模型。使用轻量化网络设计减小模型的计算量;设计可变形双向聚合网络提高模型对检测对象尺度和形状多样性的适应能力,优化对小目标的检测效果;通过网络收集的施工现场图像验证安全帽检测算法的检测效果。与已有安全帽检测算法相比,该方法检测精度有明显提高、模型参数量显著下降,并以137帧/s的速度运行。可变形双向聚合网络利用深层语义特征和浅层细节特征,并自适应调整感受野,可以适应不同形状和尺寸的检测对象,提高检测精度。