2024年4月15日发(作者：手机安卓系统最新版本下载)

基于深度学习的安全帽佩戴自动识别检查系统

摘要:在当今的生产生活中，许多工作人员没有足够的安全意识，在施工过程中，不按

规定佩戴安全帽，给自身的安全带来威胁。由于人工监管佩戴安全帽耗时耗力，且随着图

像处理技术的迅速发展，图像识别技术逐渐被用在生产领域，因此，利用深度学习与图像

处理技术相结合，让机器自动识别监督工作人员佩戴安全帽的研究十分具有意义。

首先，本文通过采取工厂进出口的视频监控录像获取安全帽数据集，再运用LBP算法

对数据集进行特征值提取并应用直方图统计特征对安全帽进行统计分布特征描述，再将分

类器和人工神经网络相结合，对训练集进行分类和预测。经过训练集的反复训练。识别率

可达86.39%。

关键词：LBP 直方图统计特征 BP神经网络 最小分类器

1. 背景

在工业生产中，安全帽作为使用最为广泛的头部保护工具，保障着工人们的安全。但

实际工作中大部分工作者的安全意识又较为缺乏，导致因为安全帽的佩戴失误而发生的安

全事故频繁发生，而负责安全检查的工作人员少且工作时间长，人工管理安全帽佩戴耗时

耗力。因此，对于安全帽佩戴的检测研究十分有意义。随着图像处理技术的发展，图像识

别也逐渐应用于工业领域。

传统的算法可以用来辨认物体的形状、颜色等特征，但用于工业生产当中，由于光线

等因素的影响，检测效果大大下降，所以我们决定采用深度学习这项技术来处理这个问题。

本文利用深度学习算法中的卷积神经网络算法，通过大量样本训练，得到安全帽识别

模型，结合计算机视觉的施工现场安全帽佩戴情况监控方法和基于LAB统计特征的低分辨

率安全帽识别技术，设计开发了一套基于深度学习的安全帽佩戴自动识别检查系统，无需

人工监控，仅通过摄像头和自动识别检查系统监控危险区域内的工作者是否佩戴安全帽。

经过实验验证，该系统使安全帽检测的识别率达到了86.39%。在智能系统的监督下，监督

工作人员佩戴安全帽，使工作者的人身安全得以保障，同时也利用AI技术减少人力物力的

支出。

1. 视频采集及处理

2.1 视频采集及预处理

实验所用到的图像源自于工厂进出口处的视频监控录像。由于摄像头一般距出口较远，

因此，通过远程获取到的视频分辨率低。本文首先利用Opencv，对获取视频中的工人的

头部区域每隔5帧进行截取，然后通过人工挑选，对图像进行缩放、平移等操作，将戴有

安全帽的训练图像样本标准化大小为22×22像素的彩色图像，共200张。但由于在现实生

活中，安全帽有红色、白色、黄色等各种颜色，因此，仅仅依靠安全帽的颜色来判断是否

佩戴安全帽是很难实现的，且由于采集到的视频图像受不同自然光照的影响，得到的图像

亮度不一，运用原始的图像难以分析处理。为了得到高质量的图像，对采集到的图像处理

是非常必要的。预处理需要对采集到的图像灰度化、网格化处理。

2.2 特征提取

对低分辨率安全帽的识别，需要用到“特征提取与表达”技术。低分辨率识别技术需

要用到基于局部二进制模型式(LBP, local binary patterns)算法。由于工地上采集得到的安

全帽图像实时受不同光照的影响，其灰度值也会实时变化。由LBP算法的特点可知，LBP

算法不会受不同光照的影响，且其具有计算能力快、分类效率高的优势，因此，若将LBP

算法用于安全帽识别系统中，能取得极好的效果。首先，逐行扫描收集得到的图像并计算

图像中每点的灰度值，将得到的灰度值作为阈值并将其与周围的3×3的领域作比较，如果

周围像素值大于中心点的值，就将该像素点设定为1，若小于则设定为0。再以图像的左上

角为起点，按照顺时针的方向从图像的3×3 邻域内选中8个点并将选中的点组成一个八进

制数，该点的响应值即为此二进制数转化为十进制值(0~255)数的值。设 是图像中心点

的灰度值,设 ,…, 分别表示 的 8 个邻域的像素值,运用LBP编码得到中心点的计算公

式。如公式(1)所示。其中, 规定 为阈值函数, 当z>=0 时, s(z)=1;当 z<0时, s(z)=0。

（1）

2.3直方图统计特征

由于采集得到的图像中安全帽颜色各不相同，因此，需要对不同颜色的安全帽图像进

行区分。本文利用直方图对获取到的安全帽图像进行统计分布特征描述。根据直方图的统

计特征可得，直方图具有尺度、平移、旋转的不变性,因此，本文利用直方图对图像的相似

性进行度量是合适的。首先，由于直方图自身就是一个向量, 因此，可从直方图中提取出能

够描述直方图的统计特征, 再将直方图的统计特征进行组合，得到样本的特征量, 这样可降

低特征图像的维数。

3、BP神经网络的设计

本文首先设计了 3 层神经网络, 并将输入层、输出层的神经元节点个数设定为6和4;

由神经网络的特征可得，隐含层的神经元个数可由输入输出层的节点数所调控, 同时，隐含

层的神经元个数设置不同的值，对实现的效果也会不同。例如，若设置较多的隐含层神经

元,则会使训练集的训练时间长且容错性差；若隐含层神经元个数设定过少,则会使所得的训

练集训练效果较差。 因此通过综合考虑，本文将隐含层的神经元个数设定为32; 将输入层

与隐含层传递函数设定为 logsig回归; 隐含层与输出层之间的关系设定为 purelin 函数。

将网络的训练精度设为 0.01, 最大训练次数为 400 次, 显示训练的迭代过程为 200, 学习速

率为 0.01,最终达到的目标为0.16。利用弹性梯度下降法调整网络中的权值和阈值, 其中，

网络的输出目标为 1 和 2, 其中 1 表示没有佩戴安全帽, 2 表示佩戴安全帽。

4、实现结果

首先，本文对收集到的测试图像进行测试分类。在100组测试样本中,利用BP神经网

络对测试图像进行分类，能够正确判别的测试图像有86张,被错误识别的图像有14张，正

确图像的识别达到86%。

再利用网格提取特征值。通过反复实验，得到二值化图像阈值的最佳值为0.36；将之

前设定为22*22像素的图像更改为20×20像素的图像。对更改像素后的图像提取4×4的

网格特征,得到网格中的黑色像素点数目, 再通过计算的方式得出每一类图像训练集中每个网

格的均值,利用最小距离分类器对图像训练集进行分类, 得到图像的识别率为6.06%。再对

图像训练集利用FastPCA(Fast Principal Commponent Analysis)进行矩阵主成分分析。

本文首先通过图像降维的方法将图像的主成分降到20维, 并将降维后的特征向量组成矩阵

作为图像的输出值。再利用最小分类器对输出值进行分类并识别, 得到识别率为 82.44%。

将LBP和直方图统计特征进行结合, 统计直方图中的32个区间并运用最小分类器进行分类，

分类识别率为 83.35%；将BP神经网络和弹性梯度下降法相结合，调整网路后，得到的识

别率为86.39%。

1. 结语

. 通过采取工地进出口的视频监控录像， 由于采集得到的视频环境复杂且得到的图像分

辨率低，本文利用基于 LBP 的直方图统计特征方法获取图像的特征, 并运用 BP 人工神经网

络对图像进行分类并训练, 识别分类出佩戴安全帽和不佩戴安全帽的工人图像,解决了利用人

工智能技术对工地上工人是否佩戴安全帽实时实时监控的问题,。此方法简单且可行性高, 能

自动、方便的对工地实时监控。 但工地场景较为复杂，图像的识别率还需进一步提高。后

续还需进一步改进系统性能，提高算法的健壮性。

作者简介：刘璐，女，生于2000年7月，汉族，湖北荆门钟祥人，西藏民族大学本

科生在读，网络工程专业（网络安全方向）。