陈响洲 杨余旺 沈兴鑫

（南京理工大学计算机科学与工程学院 南京 210094）

1 引言

生产线上，为了保证生产的效率和安全，对人员进行人数限制自然也是生产安全的一个重要组成部分。随着生产线规模的不断加大，安全问题逐渐凸显，为了弥补人工监控的低下效率和节约人工资源，生产线定员检测成为一个关键问题。

生产线定员检测本质上属于目标检测范畴，目标检测是计算机视觉领域的一个重要研究方向。随着近年来深度学习的快速发展，采用基于深度学习的算法进行目标检测已成为计算机视觉领域的重要方法。

在目标检测领域，传统的目标检测方法通常采用区域选择、特征提取、分类器分类的步骤流程进行检测［1］，但是，传统的目标检测方法存在着两个主要的缺陷［2］：1）基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；2）手工设计的特征对于多样性的变化并没有很好的鲁棒性，因此，传统的目标检测的速度和准确度均较低。近年来，深度学习的快速发展给目标检测领域注入了活力，在准确度和速度方面均取得了突破。Girshick等［3］提出的R-CNN算法采取聚类的方法对图像分组，得到多个候选框的层次组，在PASCAL VOC2007上的mAP比传统目标检测方法高出31.7%。Purkait［4］提 出 的SPP-NET算 法 解 决 了R-CNN区域提名时的偏差问题，大大加快了检测速度。Ren等［5］提出了Faster R-CNN算法引入了多任务损失函数，简化整个网络的训练和测试，提高了检测的速率。Redmon等［6］在YOLO算法基于回归思想，将目标检测任务转变为回归问题，实现了一个可以一次性预测多个Box位置及类别的卷积神经网络，使检测速度有了明显的提升。……