邵宇鹰，刘睿丹，鲁 飞，李东宾，彭 鹏，柯 楠

（1.国网上海市电力公司，上海 200122；2.许继电气股份有限公司，河南 许昌 461000；3.华东送变电工程有限公司，上海 201803）

0 引 言

工程施工或作业现场通常都隐藏很多安全隐患，现场作业人员有时安全意识不够、偶尔懒散且抱有侥幸心理，监管人员数量有限，再加之疏忽管理，虽然出台了一系列安全保障措施，但是每年由于不正确佩戴安全帽导致的安全事故依然层出不穷。随着科技创新进步，采用大数据、机器学习算法、智能AI、数字图像处理技术等先进手段，通过机器代替人为监督管理，及时发现现场工作人员未佩戴安全帽违规行为，可以有效解决由于监督体系力量缺乏、全过程监督薄弱、监控水平低的难题。

早期安全帽识别的研究主要基于传统图像处理算法，文献[1]通过Hog特征提取算法检测行人，在行人图像上采用颜色特征提取和霍夫圆形几何识别确定安全帽佩戴情况。文献[2]利用传统机器学习算法检测安全帽，利用从确定人脸的区域中获取Hu矩特征作为安全帽特征信息。文献[3]通过可变形部件模型（Deformable Part Mode）方式构建部件模板匹配到行人特定区域。传统方式的准确度达到瓶颈后很难突破，目前研究方向更热衷于准确率更高的深度学习算法，如：VGG模型[4]，ReNet网络框架[5]和Yolo模型框架[6,7]。文献[8]中的安全帽识别算法采用多尺度特征融合的Faster Rcnn模型框架，可通过融合特征层实现对网络模型的优化。文献[9]提出一种适合部署在移动端的轻量化的Yolov5模型，提取HourGlass特征，通过对模型进行剪枝量化实现运行速度的提升。……