苏州中材建设有限公司 崔 俊

近年来，目标检测主要通过卷积神经网络（CNN）提取图片的特征，根据应用场景相应地诞生了许多目标检测算法。对于安全帽与人体的目标检测这一应用场景，国内外根据各种算法已经有很多实际的应用，并取得了很好的效果。2004年，Alexey等人根据YOLO v3提出了YOLO v4算法，在速度与精度上有了非常好的提升，与YOLO v3相比，YOLO v4的AP和FPS分别提升了10%和12%。

随着建筑行业的发展，无论是企业规模、相关从业者的数量，还是经济总产值都有不同程度的增长。然而在繁荣兴盛的背后，由于疏忽大意而时常发生的建筑事故给工人的生命安全带来了巨大的威胁。本文所提出的工地工人安全帽佩戴监测系统的安全帽监测部分主要基于YOLO v4的图像特征提取处理，通过在工地布置的相关设备获取即时的图像，并以人体识别为前提判断其安全帽的佩戴情况，并且通过后台通知系统进行相应的预警和提醒，保证进入人员的人身安全，后台系统整体是MVC架构，后台进程通过socket与监测部分进程进行通信，同时将实时的结果通知系统管理员，进行及时的提醒。

1 YOLO v4简述

Alexey等人在2020年4月23发表了论文《YOLO v4: Optimal Speed and Accuracy of Object Detection》，提出了YOLO v4算法。从图1的结果来看，相对于YOLO v3在准确率上提升了近10个点，然而速度并几乎没有下降，论文主要贡献如下：提出速度更快、精度更好的检测模型，仅需要单张1080Ti或2080Ti即可完成训练；验证了目前SOTA的Bag-ofFreebies(不增加推理成本的trick)和Bag-of-Specials(增加推理成本的trick)的有效性；修改了SOTA方法，让其更高效且更合适地在单卡进行训练，包括CBN、PAN、SAM等。……