基于卷积神经网络的施工人员佩戴安全帽智能判别方法研究
摘要：针对土木工程结构施工现场人员安全帽佩戴情况识别问题，对基于卷积
神经网络的施工人人员佩戴安全帽智能判别方法进行了研究，并设计了一套安全
帽佩戴智能识别软件系统。卷积神经网络模型主要包括 AlexNet 网络和 Faster R-
CNN 网络。网络模型在 Matlab 中进行了训练和验证，训练损失小于 0.2%，验证
了该智能判别方法的有效性。
关键词：卷积神经网络，AlexNet，Faster R-CNN，安全帽
1.引言
在土木工程结构的建设和生产过程中，安全一直是永恒不变的主题。根据大
数据统计，许多施工现场安全生产事故常常是由人为因素造成的。随着信息技术
的发展和人们安全意识的提高，对于智能安防系统中的安全帽佩戴情况检测算法
研究成为了热门的课题。安全帽佩戴检测作为土木工程结构建设和生产过程中施
工作业人员穿戴规范性检测的一个重要研究内容，其安全帽本身具有一些鲜明的
特征，适合被用作检测目标。70 年代后期，Marr 首次提出了计算机视觉理论后，
计算机视觉便成了人工智能领域的热门研究方向之一。它主要的研究内容是如何
将信号输入手段由各种成像系统代替视觉器官，然后对信息的处理和解释再通过
计算机代替大脑来完成。目前，国内外已有一些学者对计算机视觉下安全帽的检
测和识别进行了研究，具体有以下几种：结合目标检测和颜色特征的安全帽检测
方法[1]、结合特征和分类器的安全帽检测方法[2]-[10]、基于颜色区域与目标位置
关系的方法[11]、基于安全帽边缘特征的检测方法。
本文结合计算机视觉中的目标识别技术（Object Detect Techniques），利用多
旋翼无人机搭载高清照相机从施工作业区获取现场图像，设计了一套用于土木工
程结构施工作业现场工作人员安全帽智能识别的软件系统，对其中作业人员的穿
戴进行识别和规范性检测，并对不规范的穿戴行为及时发出警告，进而排除安全
隐患，保障施工现场作业人员的安全。
————————
2.核心算法理论
本文所研究的基于 CNN 和 Faster R-CNN 网络的安全帽智能识别方法，主要内
容包含以下两个模块。
2.1.AlexNet 网络算法理论
本模块主要研究无人机采集图像中施工作业人员的识别分类，主要采用了基
于卷积神经网络 AlexNet CNN 的深度学习算法。
AlexNet 模型主要由五层卷积层、两层全连接层以及一个 Softmax 分类器组成，
其网络架构如图 2-1 所示。本模块对 AlexNet 模型进行了调整，调整后 AlexNet 模
型的输入数据为 500×500 像素的三通道图像，第一个卷积层使用 96 个 11×11 尺
寸的卷积核进行卷积运算，其中步长的选择为 4，第一层的输出为 123×123 像素
的 96 个特征图。然后对数据进行 ReLU 激活函数和归一化处理并将处理后的数据
作为池化层的输入数据，然后对这些数据进行最大池化 Maxpool 运算。在第二个
卷积层中卷积核进行调整，使用 128 个尺寸为 5×5 的卷积核对数据进行卷积池化，
输出 30×30 的特征图。第三层卷积层中的卷积核尺寸为 3×3，卷积池化操作后的
输出为 30×30 的 384 个特征图。第四层卷积层中为尺寸为 3×3 的卷积核，经过
资源评论
