安徽理工大学电气与信息工程学院 张占康

在工地实际施工中，由于工人未佩戴安全帽而时常发生安全事故，基于此现象提出了一种基于YOLOV3的安全帽检测算法。实验结果表明：YOLOV3算法对佩戴安全帽的准确率达到90.6%，对未佩戴安全帽的准确率达到89.5%，检测速率为23fps。

中国作为基建大国，建筑业事故持续保持在高位，安全帽作为保障工人生命安全的重要保障，务必确保每个工人都佩戴安全帽，但是实际作业时不佩戴安全帽的违规行为时有发生，因此需要对是否佩戴安全帽进行检测。目前针对安全帽的检测分为两大类，一类是传统的机器学习算法，但是传统的机器学习难以在大数据集上训练，精度不高。另一类是深度学习的算法，如R-CNN、Fast R-CNN识别准确度虽有提升，但是其网络结构复杂、内存占用大、检测速度慢。Joseph Redmon陆续发表了YOLOV1、YOLOV2、YOLOV3的目标检测算法，YOLO算法使用深度神经网络对对象进行预测和分类，其主要特点是速度快检测准确率高。YOLOV3使用残差模型和FPN结构来进行多尺度测试，优化了网络结构。综上，本文提出了一种基于YOLOV3的安全帽检测算法。采集数据集、将这些数据集按8:2的比例划分训练集和测试集、用LabelImg对原始数据进行标注、用YOLOV3对训练集进行训练与预测、计算未训练过的300张数据的漏检率、错检率、总错误数和准确率。实验结果表明：YOLOV3算法取得的准确率为90%，检测速率为23fps，达到识别速度快与识别准确率高。

1 YOLOv3的网络结构

YOLOv3的主干结构与特征提取层：

YOLOv3是识别与回归的检测算法，对比FAST R-CNN算法中对候选区域提出特征，YOLOv3采用了对整个图片的区域进行提出特征，YOLOv3网络由主干网络DarkNet53和特征提取网络构构成，YOLOv3的主干模型为DarkNet53，如图1所示。DarkNet53的主要特征是采用了残差网络Residual，Residual易优化，并且以增加深度来提升精准度。残差网络所示。YOLOV3的主干网络共有三个特征层进行下一步的特征提取，假设输入的大小为（416，416，3），这些层的特征分别为(52,52,256)、(26,26,512)、(13,13,1024)，特征提取层如图3所示。

图1 DarkNet53主干网络

图3 特征提取层

2 实验流程

2.1 数据采集及标记

在安全帽的检测实验中，不同的数据集会得到不同的检测效果，想要获得高检测准确度，应该包括各种不同环境不同背景的数据集。实验的3200张安全帽、人头检测数据集是从SHWD提供数据集中筛选，以8:2的比例划分2560张训练集和640张测试集。采用标注工具LabelImg对原始数据进行标注如图4所示。

图2 Residual残差网络

图4 数据集的标注

2.2 模型训练

在模型训练时进行两次训练，首先进行学习率（learning rate）1e-3进行训练，轮次（epoch）为30次，每个epoch进行140迭代，第一次训练共进行4200次训练，每次epoch训练16个样本。第二次训练使用减少学习率和提前终止（early stopping），初始学习率（learning rate）为1e-4，最大epoch为30次，每个epoch进行140迭代，最大迭代次数为4200次，把标注好的数据送入YOLOV3模型中进行训练，loss曲线在进行两次训练后便变得平缓不再下降。图5为YOLO v3算法在进行学习率为1e-4的loss。

图5 YOLO v3迭代loss曲线

2.3 实验及结果评价

模型的评价指标采用漏检数（佩戴安全帽未检测到的数量）、错检数（检测实验中检测错的数量）、总错误数（总错误数为漏检数和错检数的总和），本实验中采用准确率%作为安全帽检测算法的评价指标，准确率如公式(1)所示：

采用YOLOV3训练好的权重，选700张测试集用训练好的模型进行测试，在这700张数据集中分别计算佩戴安全帽与为佩戴安全帽的漏检率、错检率、总错误数和准确率，YOLOV3评价指标检测准确率如表1所示。

由表1可以看出YOLOV3算法对佩戴安全帽的准确率达到90.6%，对未佩戴安全帽的准确率达到89.5%。平均检测速度达到了23 fps，满足实时性的要求，安全帽检测结果如图6所示。

表1 模型的评价指标

图6 安全帽检测

为了解决传统的机器学习算法在复杂环境背景下对安全帽检测效果差，和一些深度学习算法的检测速度慢的问题，本文提出了YOLOV3的安全帽检测算法，实验结果表明，YOLOV3算法对佩戴安全帽的准确率达到90.6%，对未佩戴安全帽的准确率达到89.5%，其准确率和实时性都达到了实际应用的需求。故YOLOv3对于安全帽佩戴检测具有可行性。