除了愛，AI也能給你安全感

2020-03-09 16:48

深蘭科技

關注

2020年2月14日，這個本該充滿愛意的日子，因為這場已持續了一個多月的疫情，顯得有些失寵。在全民抗疫的目標下，安全和健康成為大家的共同愿望。而AI在這個時期，更凸顯出優勢，為這場沒有硝煙的戰役頻頻助攻。

從病毒基因檢測開放平臺，到AI熱感視覺行為監控系統，到智能消毒洗地機器人，深蘭多維度防疫產品深入前線，為著大家的安全，為了最后的勝利全力以赴。

提到安全保障，計算機視覺作為人工智能的核心技術起到了至關重要的作用，除了特殊時期，在很多日常場景中也舉足輕重。比如，對建筑工地上安全帽佩戴情況的監管。安全帽佩戴檢測對于提高在崗人員的安全意識、降低管理難度以及保障安全生產有著重要的意義。

2020年伊始，深蘭科技就在AI研習社主辦的安全帽佩戴檢測賽中小試牛刀，獲得了冠軍。作為國內專注于AI技術發展的知名平臺，AI研習社主辦的此次比賽也是吸引了眾多專業機構和人士的參與。下文將帶來競賽中技術細節的分享。

安全帽佩戴檢測

賽題介紹：

比賽主辦方提供了6057張圖片作為訓練集，1514張圖片作為測試數據。圖片包括工地照片、某大學監控視頻圖片、普通場景圖片。主辦方對訓練集圖片中人員進行標注，佩戴安全帽的人員標注為＂hat＂，未佩戴安全帽的人員標注為＂person＂。比賽選手需要能夠正確給出測試圖片中佩戴安全帽人員及未佩戴安全帽人員的數量。

評測指標：

對測試數據集的測試結果以csv格式進行提交，csv第一列字段為測試圖片的ID，第二列字段為圖片中佩戴安全帽人員數量，第三列字段為圖片中沒有佩戴安全帽人員數量。根據提交結果的Score進行排名。

其中True表示同時正確預測佩戴安全帽與沒有佩戴安全帽人員數量的圖片張數（因此該賽題如果想取得較好的成績，就必須同時解決誤檢與漏檢問題），Total表示測試圖片的總數。

題目特點以及常用方法

安全帽佩戴檢測屬于目標檢測問題，針對目標檢測問題現在的算法比較多，如以Faster RCNN為代表的二階段檢測網絡，及以YOLO v3為代表的單階段檢測網絡。同時由于本次比賽訓練數據集都是針對人的頭部為標注框進行數據標注（佩戴安全帽人員將人臉與安全帽共同標注為“hat”，沒有佩戴安全帽的人員將頭部標注為“person”），因此也可以考慮先使用人臉檢測算法對人臉進行識別，然后將識別結果送入分類網絡，對佩戴安全帽的情況進行分類。

由于本次比賽要求盡可能提高檢測的準確率，對檢測速度沒有要求，因此針對本次比賽，采用了二階段的檢測網絡。

比賽數據與數據分析

本次比賽的訓練數據集共6057張圖片，首先通過對比賽數據的分析，我們發現數據有以下特點：

類別間數據分布不平衡：訓練數據集中hat的數量為7502，person的數量為87043，person與hat的比例達11：1。檢測框的長寬比基本分布在0．7－1．2之間。訓練數據集中單張圖片目標總個數（person與hat的數量之和）不大于10的圖片，占訓練集總量約64％，因此想要取得較好的成績，必須保證這部分數據檢測的準確率。此外圖片中只包含person的圖片數量為3449，占圖片總數量的57％，只包含hat的圖片數量為2253，占圖片總數的37．2％，圖片中僅含一個類別（只有person或只有hat）的數量占圖片總數的94．2％。

測試數據集無標注信息，根據對測試圖片數據的觀察分析，測試數據集person與hat的分布與訓練數據集相似。

訓練數據集的標注如下圖所示，其中綠色矩形框是對佩戴安全帽人員的標注，紅色矩形框是對沒有佩戴安全帽人員的標注。

實驗中使用的數據增強方法

通過對實驗圖片的分析，發現圖片中包含很多密集的教室場景及人員之間的遮擋情況，因此在正式訓練模型之前，進行數據增強對結果的影響實驗。所使用的數據增強方法如下：

（1）隨機換通道：該方法主要是為了解決部分顏色安全帽在訓練數據集中數量較少，從而引起對該顏色安全帽的漏檢問題。對圖片進行隨機換通道的增強方法如下圖所示，其中左側為原圖，右側為隨機換通道后的結果。

（2）增強圖片亮度：該數據增強方法目的是增強模型對亮度較高或者較低的圖片檢測的泛化能力。對圖片亮度進行改變的數據增強方法結果如下圖所示，左側為原始圖片，右側是亮度增強后的結果。

（3）增強圖片的對比度：該數據增強方法的目的使目標的特征更加清晰。增強圖片對比度的結果如下圖所示，其中左側為原圖，右側是增強對比度之后的結果。

（4）改變圖片的色調：對圖片色調的改變如下圖所示，左側為原圖，右側為色調改變后的結果。

使用以ResNet－50為backbone的Faster RCNN作為baseline，分別使用以上數據增強方法，實驗結果如下表所示。

實驗模型

我們的實驗是以ResNet－50作為backbone的Faster RCNN模型為baseline進行的，在Faster RCNN網絡模型的基礎上，使用了更大的基座網絡、增加可變性卷積，并使用cbnet結構。Faster RCNN網絡結構如下圖所示。

同時為了提升模型效果，我們嘗試了增加級聯結構與使用更大的backbone等方法，同時使用了CBNet網絡結構，如下圖所示。下圖是一個三個backbone的網絡結構示意圖，考慮到顯存與訓練時間成本，本次比賽，我們采用的是雙backbone的CBNet結構。

結果如下表所示（以下結果都是在mmdet預訓練模型的基礎上finetune，并且在模型訓練的過程中都使用了隨機換通道的數據增強方法）：

模型融合

模型融合是算法大賽中常用的提高模型精度方法，有些比賽在競爭激烈的后期用了幾十甚至上百模型。我們最終選擇了單模型得分較高的Cascade RCNN＋ResNeXt－101＋DCN＋CBNet結構，并在該結果做為預訓練模型的基礎上，又使用增強圖片亮度的方法，繼續訓練出一個模型，我們記為Cascade RCNN＋ResNeXt－101＋DCN＋CBNet＋gamma。在對這兩個模型結果可視化時，發現在教室場景上存在部分漏檢情況，因此，針對數據集中的教室圖片重新訓練出一個模型，記為classroom＿only。對以上三個模型進行模型融合，最終得到64．7952的得分，拿下安全帽佩戴檢測賽的冠軍。

模型效果

（1）常見場景模型效果

（2）密集小目標、目標重疊場景模型效果

（3）面部遮擋場景模型效果

（4）光線較差場景模型效果

應用場景

按照規定，正確佩戴安全帽對于安全生產有著重要的意義，但是傳統的安全帽佩戴檢查需要耗費極大的人力與物力，在實際檢查過程中存在諸多不便。使用深度學習網絡模型檢測安全帽的佩戴情況，可以彌補傳統方法的不足。具體的應用場景包括：

（1）門禁系統：在高危區域部署安全帽佩戴檢測與門禁聯動系統，確保工作人員必須佩戴安全帽才能打開門禁進入防護區工作；該應用可以應用在工地入口、一線生產車間門口等處，門禁系統識別工作人員的身份，安全帽佩戴檢測系統在身份確認之后進行檢測識別，確保正確佩戴安全帽的相關工作人員才可以進入高危作業區。

（2）高危工作區域安全生產：在高危工作區域內部署安全帽佩戴檢測系統，通過監控畫面實時監測在崗人員安全帽佩戴情況，若未按規定佩戴安全帽，則輸出報警信息，自動保存工作人員未按規定佩戴安全帽的截圖作為憑證，并通知后臺監控人員。該應用可以通過視頻監控系統，實時監測高危工作區域工作人員的安全帽佩戴情況，既能確保安全生產的平穩進行，又可以降低監管難度和管理成本。

（3）智慧工地：將安全帽檢測系統與高空墜落物檢測、工作人員疲勞程度檢測系統結合起來，打造智慧工地，及時對潛在的危險進行預警，通知相關人員采取措施，從而及時阻斷人身傷害事故，確保安全生產。

總結

安全生產是社會發展永恒的主題，然而傳統的安全生產監督方法存在監控盲區大、監督效率低、外包人員管理困難等缺點。而深度學習的發展，為安全生產帶來新的解決思路。

安全帽佩戴檢測作為安全生產的一項重要檢測項目，是搭建智慧廠區、智慧工地的一項重要工作，同時安全帽佩戴檢測問題又是一項目標檢測任務，網絡模型可擴展性強，可以根據不同需求，同時完成明火檢測、工作區誤入報警、工作區車輛識別等多項任務，搭建一套完整的智能檢測系統。