文瑶瑶,陈浩辰,吴 英,翟 渊

(重庆科技学院 智能技术与工程学院,重庆 401331)

0 引言

随着国家经济的发展,国家对能源的需求逐渐增加,比如:石油、天然气、电力等,因此钻井工人作业的安全备受大众的关注。钻井工人作业时不规范的行为,通常会对施工现场的安全造成极大的影响。根据统计,87%的钻井过程中的安全事故,主要是由于工人不规范的行为导致的。因此如何有效地对作业人员行为进行规范是保证钻井现场安全的关键[1]。

人脸识别一直是机器视觉领域里面关键的研究方向之一。对于护目镜佩戴的识别目前学术界还没有直接的研究,但是对于眼镜的识别有了不错的进展。2000年,Jiang等[2]通过与其他区域对比,进行眼镜的识别,该方法主要是由于眼镜存在着灰度值不连续的区域。另外,Mohammad等[3]使用HOG进行特征提取,并使用ROI进行检测,将融合后的特征送入SVM、MLP以及LDA等分类器,并将多个算法的结果进行融合后作为输出。

通过已有文献的阅读,基于传统检测方法的眼镜识别只能在特定的环境和位置情况下,才能有比较好的检测效果,因此对护目镜佩戴识别的检测采用深度学习的方法。同时,护目镜佩戴的图片,目前还没有公开的数据集,为保证实验结果的准确性,有必要建立一个基于真实情况下的护目镜佩戴的数据集。

1 YOLOv4目标检测算法

YOLOv4主干网络主要采取CSPDarknet53网络结构,能够减少计算量,使得模型更加轻量化。YOLOv4使用PANet进行参数的聚合,能够检测不同level的物体。对于检测头的部分,本研究仍然采用YOLOv3的结构。

YOLOv4的损失函数为:

LOSS=LOSSreg+LOSSconf+LOSScls

(1)

(2)

(3)

(4)

2 实验过程

2.1 数据的采集和标注

护目镜佩戴数据集的采集采用了网络爬虫等方式,总共获取了446张包含不同场景的图片。

采取的数据集的情况有:未被人员佩戴的护目镜,主要指没有佩戴在人眼部位的护目镜,比如:佩戴在额头上、放置在书桌上等;面部佩戴非护目镜的区域,比如:太阳镜、眼镜、防护面具等;佩戴护目镜的同时佩戴了其他物品。

为了方便后续的实验操作,简化数据处理的过程,在标注数据时,本研究简单地分为两类:goggles(佩戴护目镜)和ungoggles(未佩戴护目镜)。将采集好了数据集使用labelImg软件进行标注,得到的标注结果如表1所示。

表1 标注数目情况

为了提高实验的准确性,在数据集中添加了没有出现护目镜且人脸未佩戴护目镜的图片。

2.2 评价指标

本文主要选取精确度P、召回率R和平均值mAP这3种指标衡量模型对钻井工人是否佩戴护目镜的检测性能。

2.2.1 精确度P

精确度P即正确的样本占模型总样本的比例,公式如(5)所示。

(5)

2.2.2 召回率R

R表示有多少正例被预测正确,公式如(6)所示。

(6)

2.2.3mAP

mAP表示为所有目标类的平均精度的平均值,公式如(7)所示。

(7)

2.3 实验结果和分析

佩戴护目镜和未佩戴护目镜的图片一共有671张图片,其中训练集为611张图片,测试集为60张图片,将标注好的图片放入模型中进行迭代50次。每一次迭代的P、R、mAP如图1所示,从图中可以看出P、R、mAP逐渐增加,最后在0.8到0.9之间浮动。

图1 每一次迭代的Precision、Recall、mAP

从实验结果可以看出该模型,对于脸部遮挡较少的情况识别准确率较高,可以达到80%以上,对于脸部遮挡较大的情况识别准确率较低,如图2所示。

图2 佩戴护目镜的实验效果

3 结语

在钻井作业中佩戴护目镜能够有效地抵挡生产过程中产生的粉尘、碎屑等物体,避免其对人们眼睛造成的伤害。但目前在实际生产的过程中,工人常忘记及时佩戴护目镜,且现存的监控系统无法实时对工人的行为进行监督。针对以上问题,本文收集了446张护目镜佩戴的图片,并采用YOLOv4检测模型进行护目镜佩戴的检测,通过实验表明该模型对于脸部遮挡较少的情况识别率较高,精度能够达到80%以上,能够初步满足对钻井工人护目镜佩戴的智能识别。