赵艳芹, 何东来， 朱子寒

(黑龙江科技大学 计算机与信息工程学院， 哈尔滨 150022)

0 引 言

在煤炭开采的过程中，由于工人以及管理人员对于安全帽佩戴问题的松懈，导致人员伤亡的事故时有发生。人员未佩戴安全帽轻则矿场整顿、停止生产，影响工程效率，重则出现死伤事故[1]。因此，使用自动化以及数字化技术检测安全帽佩戴情况，尤为必要。

贾峻苏等[2]提出了寻找适合的模型载体，结合形状颜色等特征进行构造检测的方法，该方法虽然可以起到检测效果，但是过程极为复杂。刘晓慧等[3]通过结合图像的频域信息与方向梯度值的方法用于检测，使用支持向量机的方法进行判别，但是在一些特定情况下效果并不理想。

自2012年以来，AlexNet[4]、VGG16等[5]优秀的深度学习模型应用于图像分类问题，打开了深度学习研究的大门，与此同时，将深度学习运用在检测任务中成为了一种极为有效的方案。当前学术界与工业界对于目标检测使用性能最为优秀的模型是基于回归检测的Yolo[6]家族与基于候选框区域检测的RCNN家族，其中YoloV3[7]、Faster RCNN[8]使用最为广泛。

图片中待检测物体较小不易于检测识别是检测问题的难点。安全帽在图片中所占的比例本身不大，在矿井作业中，会有人物在远景的情况，安全帽在原图中所占像素将会变得很小。同时，因为深度学习的特性，图片不断地进行卷积，特征图将会不断缩小，在不理想的情况下，原图中的安全帽可能在最后的特征图中被缩小为一个像素点，甚至消失，导致整体模型检测性能的下降。……