刘思雨　薛劲松　景栋盛

摘  要：目前很多施工场地仍然使用人工方式检测施工人员是否佩戴安全帽。针对此，设计并实现了一个基于分阶段深度神经网的施工违章识别系统，用以检测施工人员是否佩戴安全帽。系统利用深度神经网，通过在视频中采样获得图片，然后将其分割成若干子区域，接着利用预处理后的数据训练模型，不断优化提升识别精度，然后将训练好的模型应用到系统中。在室内、室外和红外线三个场景中进行测试。实验结果表明，系统具有良好的实时检测能力，总体平均正确检出率达86.79%。

关键词：违章识别;深度学习;神经网络;物体识别;视频监控

中图分类号：TP18     文献标识码：A

Construction Safety Violation Recognition based on Staged Deep Neural Network

LIU Siyu， XUE Jingsong， JING Dongsheng

（Suzhou Power Supply Branch， State Grid Jiangsu Electric Power Limited Company， Suzhou 215004， China）

lsy2801@163.com; 6802569@qq.com; jds19810119@163.com

Abstract： In many building sites， people still manually monitor whether the construction crew wear safety helmets or not. To solve this problem， this paper designs a safety-violation identification system based on phased deep neural network in order to locate the construction crews who appear without safety helmets. By using deep neural network， this proposed system samples pictures from videos， divides them into sub-sections， and then uses processed data to train the model. When the identification accuracy is high enough， the model is then applied to practical use. The model is tested respectively in indoor scene， outdoor scene and infrared scene. The experiment results show that this system can achieve good real-time monitoring， with an average correct detection rate of 86.79%.

Keywords： violation recognition; deep learning; neural network; object recognition; video surveillance

1   引言（Introduction）

計算机在众多领域得到了迅速的发展，其中包括计算机视觉技术、图像技术等。不少工作研究如何将计算智能应用于各种领域[1，2]。通过视频监控设备实时监控检测施工场地中人员是否有违章操作就是很重要的一类应用场景。然而，目前大部分还是通过人工方式来查看施工人员是否违章，这种方法比较耗时耗力，而且由于人的工作时间也有限，无法实现全天候实时监控。随着工作时间的增加，效率也会降低。因此，人工方式来检测违章的情况存在一定的局限性。

针对此，本文设计通过深度学习来自动地检测是否存在施工违章情况，生成并保存相应的违章。这种方法和人工方法相比，在识别准确率方面可能会下降，但是这种方式更加高效，并且大大节省了人工的成本。……