一种建筑工人身份识别及安全帽佩戴检测方法及系统与流程

本发明涉及计算机ai技术领域，具体涉及一种建筑工人身份识别及安全帽佩戴检测方法。

背景技术：

基于几十年来，安全一直是建筑业关注的问题。建筑领域的职业伤害主要来源于不安全行为、不安全的环境和不安全的机械工具，其中不安全的环境和行为被认为是造成建筑事故的主要原因。目前对于建筑领域不安全的行为与环境的检查主要依靠施工现场人力检测，由于建筑工程任务繁重，能够分配到安全检测的人力资源有限。随着计算机和信息技术的发展，越来越多的智能化监测与检测技术被应用到建筑领域安全检测中。

在施工场地，工人的安全行为和安全防护设置的检查，往往取决于安全官员的巡查力度。对进入施工现场人员的身份确认和安全帽检查，主要取决于现场的人力检查，建筑工人流动性大，人力检查并不能确认每个进入施工场地人员的身份，对建筑工人的安全帽检查，往往也疏忽职守。

技术实现要素：

本发明提出的一种建筑工人身份识别及安全帽佩戴检测方法，通过将计算机视觉，引用到施工安全检测中，运用人工智能技术取代传统施工安全中的中的人力检测。

为实现上述目的，本发明采用了以下技术方案：

一种建筑工人身份识别及安全帽佩戴检测方法，包括以下步骤：

包括以下步骤：

下载公共数据集shwd，并收集建筑工人身份信息及实名制入口监控的工人图像；

将公共数据集shwd中的图像添加标签，并把收集到的图像以工人身份信息命名保存，并做归一化处理；

基于yolov3和lightcnn-29神经网络算法，搭建系统架构；

在公共数据集shwd上训练yolov3,并把带标记的shwd数据集图像输入到yolov3；

将经过yolov3检测为人脸区域的图像作为人脸识别训练集，训练lightcnn-29；

分别检测yolov3和lightcnn-29神经网络系统性能，测试各种施工环境下的识别的精度与召回率，并修正；

进一步的，下载公共数据集shwd，并收集建筑工人身份信息及实名制入口监控的工人图像；包括：

首先，收集项目部管理人员和各班组施工人员，在佩戴安全帽情况下的正脸自拍，并将照片信息以：姓名+班组+年龄的方式放入数据库中；

其次，通过安装在建筑工地实名制通道入口的摄像头，截取建筑工人的人脸图像信息，扩大了数据集，并且根据实际的工地情况，对数据集进行分类储存；

最后，下载公共数据集shwd，shwd为用于安全帽佩戴检测的公共数据集。

进一步的，将公共数据集shwd中的图像添加标签，并把收集到的图像以工人身份信息命名保存，并做归一化处理，包括：

将收集到的图像标准化为416*416大小，图像内容最大化的包含人脸与安全帽；

还包括：

对分类样本和位置边界标注的数据样本进行标注；对收集来的数据集，使用labelimg标记工人的面部特征和安全帽特征，这些注释以pascalvoc格式保存为xml文件，供python阅读。

进一步的，所述引入haarcascade级联分类器，包括：

haarcascade级联分类器通过可扩大的窗口，定位人脸的位置，并从预测窗口中取最高分值定位人脸。

另一方面，本发明还公开一种建筑工人身份识别及安全帽佩戴检测系统，包括以下单元：

数据收集单元，用于分别收集建筑工人身份信息及对应的安全帽佩戴图像信息；

数据处理单元，用于将收集到的图像信息添加标签，保存，并做归一化处理；

模型训练单元，用于将添加标签的图像输入卷积神经网络，训练神经网络模型；

模型修正单元，用于检测训练好的训练神经网络模型卷积神经网络性能，在各种环境下测试识别的精度与召回率，并修正；

数据检测单元，用于利用修正后的神经网络模型，对进入施工现场的人员进行身份验证，并对进入施工场地的人员进行安全帽检测。

由上述技术方案可知，本发明的建筑工人身份识别及安全帽佩戴检测方法及系统具有以下有益效果：

综上所述，本发明的一种基于深度学习的建筑工人身份识别及安全帽佩戴检测方法，通过收集建筑工人脸图像，采取监督学习方式，利用python编程语言，yolov3网络框架进行人脸和安全帽特征提取，学习图像信息并进行测试，实现工人的身份验证和安全帽佩戴检测。通过大量的数据采集及训练，所述方法对工人身份验证准确率和安全帽检测识别率均达到90％以上。

与传统的人脸识别方法相比，该方法在各种天气、光照环境下可以识别建筑工人人脸，在有遮挡的情况下，也能达到85％以上的识别路，该算法具有很强的鲁棒性；与一般的安全帽检测算法相比，本发明可以在识别安全帽基础上拓展了工人身份验证的功能，且可以实现实时监测。

附图说明

图1是本发明的方法流程图；

图2是本发明的方法原理图；

图3是本发明的yolov3网络结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

如图1所示，本实施例所述的建筑工人身份识别及安全帽佩戴检测方法，包括：

包括以下步骤：

下载公共数据集shwd，并收集建筑工人身份信息及实名制入口监控的工人图像；

将公共数据集shwd中的图像添加标签，并把收集到的图像以工人身份信息命名保存，并做归一化处理；

基于yolov3和lightcnn-29神经网络算法，搭建系统架构；

在公共数据集shwd上训练yolov3,并把带标记的shwd数据集图像输入到yolov3；

将经过yolov3检测为人脸区域的图像作为人脸识别训练集，训练lightcnn-29；

分别检测yolov3和lightcnn-29神经网络系统性能，测试各种施工环境下的识别的精度与召回率，并修正；

利用修正后的神经网络模型，对进入施工现场的人员进行身份验证，并对进入施工场地的人员进行安全帽检测。

以下具体说明：

应用于建筑工地的安全管理，参见图2所示，包括以下步骤：

步骤1：下载公共数据集shwd，并收集建筑工人身份信息及实名制入口监控的工人图像；

现有的公共数据集不支持本发明的训练要求，我们自己建立一个工人人脸信息和安全帽库。首先，我们收集项目部管理人员和各班组施工人员，在佩戴安全帽情况下的正脸自拍，并将照片信息以：姓名+班组+年龄(例如:李刚施工员31)的方式放入数据库中。其次，我们为保证卷积神经网络的泛化能力，通过安装在建筑工地实名制通道入口的摄像头，截取建筑工人的人脸图像信息，截取图像的标准为可以清晰得到人脸特征且佩戴了安全帽，扩大了数据集，并且根据实际的工地情况，对数据集进行分类储存。

具体的说包括：

首先，收集项目部管理人员和各班组施工人员，在佩戴安全帽情况下的正脸自拍，并将照片信息以：姓名+班组+年龄的方式放入数据库中；

其次，通过安装在建筑工地实名制通道入口的摄像头，截取建筑工人的人脸图像信息，扩大了数据集，并且根据实际的工地情况，对数据集进行分类储存；

最后，下载公共数据集shwd。shwd是用于安全帽佩戴检测的公共数据集，包括7581张图像，其中9044张人脸佩戴安全帽对象(阳性)，111514张正常头部对象(不佩戴或阴性)。

步骤2：将公共数据集shwd中的图像添加标签，并把收集到的图像以工人身份信息命名保存，并做归一化处理；

yolov3神经网络的输入图像大小为416*416，我们将收集到的图像标准化为416*416大小，图像内容最大化的包含人脸与安全帽。需要对分类样本和位置边界标注的数据样本进行标注。对收集来的数据集，使用labelimg标记工人的面部特征和安全帽特征，这些注释以pascalvoc格式保存为xml文件，供python阅读。

步骤3：基于yolov3和lightcnn-29神经网络算法，搭建系统架构；

本发明的神经网络采用基于windows系统的python3.7编程语言的opencv和caffe框架开发的神经网络。首先搭建系统python环境，定义图像描述函数，然后导入训练完成的yolov3和lightcnn-29算法，并引入haarcascade级联分类器，最后定义utils模块，utils模块可以读取yolov3和lightcnn-29识别的结果，并联合输出。

其中，haarcascade级联分类器通过可以扩大的窗口，定位人脸的位置，并从预测窗口中取最高分值定位人脸。

步骤4：在公共数据集shwd上训练yolov3，并把带标记的shwd数据集图像输入到yolov3；

在设备i7-8700k，nvidiagtx10606gb上训练神经网络。

创建voc格式训练集，主要包括：

首先创建annotations文件夹，主要用来储存.xml格式的图像标记，然后创建imagesets文件夹，文件夹中储存test.txt、train.txt、trainval.txt、val.txt，用来确定shwd数据集中训练图像和验证图像，最后创建jpegimages文件夹，用来储存shwd数据集中的所有图像。

步骤5：将经过yolov3检测为人脸区域的图像作为人脸识别训练集，训练lightcnn-29；

主要包括：

采用开源深度学习框架caffe实现lightcnn模型。dropout用于完全连接的层，比例设置为0.7。对于卷积层和除fc2层之外的全连接层，动量设置为0.9，权值衰减设置为5×10⁴。随着训练数据集中identity的增加，fc2包含了大量的参数，这些参数并不用于特征提取。为了避免过拟合，我们增加了fc2层的权值，使其衰减到5×10³。初始学习速率设置为1×10³，然后逐渐减小到5×10⁵。

步骤6：分别检测yolov3和lightcnn-29神经网络系统性能，测试各种施工环境下的识别的精度与召回率，并修正；

在评价目标算法识别算法时，通常使用准确性和召回率两个指标来衡量算法的准确性，首先定义了真正例tp，假正例fp，假阴例fn；tp表示经过算法运行后识别到未戴安全帽的建筑工人的数量，fp表示识别到未戴安全帽的建筑工人对象数量，但结果并不准确。fn是表示不戴安全帽的建筑工人被误判的数量。目标识别准确率表示真正例样本tp与总样本(tp+fp)的比重，用来测量识别性能的可靠性。而召回率表示真正例样本tp占总的正样本(tp+fn)比重，两者为常用的目标识别的评价指标。

其具体计算公式如下：

目标识别的时间也是衡量算法的重要一个性能，在这里我们也将识别时间作为检测算法的一个标准；

其中对在各种环境下测试识别的精度的检测，包括：

不同的天气环境及同一天的不同时间，光照都会改变，对图像的清晰度都会产生影响，人数的改变和面部的遮挡都会对算法的识别精度产生影响，将这两项纳入考虑因素，具体分类如表1所示：

表1数据分类表

人脸识别的表现，主要通过在人脸识别数据集与其他人脸识别算法进行对比，具体表示如下表所示：

其检测结果如下表所示：

表2yolo网络结构性能测试表

本实施例的yolov3，网络各层输入与输出大小各不相同，其网络各层尺寸大小如图3所示。由卷积神经网络的理论小节介绍，得知网络模型接受输入视频流图像的原始像素，最终并以类别与坐标的概率向量形式输出。将原始图像输入卷积层，进行卷积操作，并基于激活函数sigmoid进行特征矩阵，最终提取图像特征。

其中，yolo的工作原理是将输入图像分割成s*s网格，每个网格由(x，y，w，h)和置信度c(object)组成。坐标(x，y)表示检测边界框相对于网格的中心位置。(w，h)是边界框的宽度和高度。如果一个物体的中心落在一个网格单元中，网格单元负责检测该物体。网格的每个单元格预测边界框和该框的置信度。计算公式如下：

c(object)＝pr(object)*iou(pred，truth)

其中pr(object)表示对象是否包含在网格中。如果网格包含对象，则pr(object)＝1，如果网格不包含对象，则pr(object)＝0。iou(交集/并集)表示包含该对象的边界框的精度，即被检测候选边界与地面真值的重叠率，即它们的交集/并集之比。

最终的置信水平计算如下：

在获得每个预测框的置信度后，通过设置阈值来移除一个低得分的预测框，然后对其余的边界框进行非最大限度的抑制。

yolo算法将目标检测作为一个回归问题，使用均值平方损失函数，在不同的地方使用不同的权值。

综上所述，本发明的一种建筑工人身份识别及安全帽佩戴检测方法，通过收集建筑工人脸图像，采取监督学习方式，利用python编程语言，yolov3算法进行人脸和安全帽特征提取，学习图像信息并进行测试，实现安全帽佩戴检测，lightcnn-29算法用来识别工人身份，实现建筑工人身份验证。通过大量的数据采集及训练，所述方法对工人身份验证准确率达到85％，和安全帽检测平均识别率均达到90％以上。

与传统的人脸识别方法相比，该方法在各种天气、光照环境下可以识别建筑工人人脸，在有人员相互遮挡的情况下，也能达到85％以上的识别率，该算法具有很强的鲁棒性；与一般的安全帽检测算法相比，本发明可以在识别安全帽基础上拓展了工人身份验证的功能，且可以实现实时监测。

相应的，本发明实现了建筑工地的智能安全监管。建立了建筑工人的人脸信息和安全帽信息库，为建筑领域的深度学习研究提供了新的数据库。数据库的建立，采集工程项目部管理人员与各班组施工人员佩戴安全帽的正脸图片；采集实名制通道入口监控视频，截取不同光照条件及各种天气环境下的工人图像。对采集的图像，我们标准化为416*416大小，使用labelimg标记工人的面部特征和头盔特征，这些注释以pascalvoc格式保存为xml文件。在深度学习的研究中，图像标签的制作往往是耗时耗力的，本发明的带标签的数据集，可以为后面的学者研究节约很多的时间。

另一方面，本发明实施例还公开一种一种建筑工人身份识别及安全帽佩戴检测系统，包括以下单元：

数据收集单元，用于分别收集建筑工人身份信息及对应的安全帽佩戴图像信息；

数据处理单元，用于将收集到的图像信息添加标签，保存，并做归一化处理；

模型训练单元，用于将添加标签的图像输入卷积神经网络，训练神经网络模型；

模型修正单元，用于检测训练好的训练神经网络模型卷积神经网络性能，在各种环境下测试识别的精度与召回率，并修正；

数据检测单元，用于利用修正后的神经网络模型，对进入施工现场的人员进行身份验证，并对进入施工场地的人员进行安全帽检测。

可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。