基于边缘计算的安全帽佩戴检测系统设计.pdf

102 CWT 中国水运 202308摘要：为提升施工现场安全管理能力，针对人员未正确佩戴安全帽的问题，本文设计了基于边缘计算的安全帽佩戴检测系统。首先，通过训练 YOLOv5 目标检测模型，高效准确地识别人员安全帽佩戴情况。其次，通过将训练模型部署在基于 TPU 的 SE5 边缘盒子上，减少数据传输和处理延迟，提高检测系统的整体实时性。实验结果表明，该系统在SHWD 数据集上的平均准确率能够达到 94.8%，处理每帧图像仅需 0.06s，能够快速、准确地识别出作业人员是否佩戴好安全帽。关键词：安全帽检测；YOLOv5；边缘计算；SE5 边缘盒子；深度学习中图分类号：TP391 文献标识码：A 文章编号：10067973（2023）08-0102-03基于边缘计算的安全帽佩戴检测系统设计章翌1，刘道谱1，潘俊杰2，张宇轩2，甘文霞2*（1.武汉光谷建设投资有限公司，湖北 武汉 430205；2.武汉工程大学土木工程与建筑学院，湖北武汉 430074）DOI 编码：10.13646/ki.42-1395/u.2023.08.0391 引言在建筑、采矿等工业生产过程中，存在坍塌、高空坠物等潜在风险，安全帽作为其中常见的防护用具发挥着重要保护作用1。然而在实际施工作业中，仍然存在人员未佩戴好安全帽的情况，存在极大的安全隐患。目前，施工现场主要采用的视频监控和人工观察检测方法存在识别效率低、动态性差、成本高等弊端，无法满足精细化安全管理需求2。因此，实现施工现场安全帽佩戴的智能识别具有重要意义。近年来基于深度学习的目标检测算法迅速崛起，其主要分为两类：一是基于候选区域的两阶段法，如 Fast R-CNN3、Faster R-CNN4等；二是基于回归分类的单阶段法，如 YOLO 系列5-9、SSD10等。两阶段方法的识别精度较为出色，但运行推理速度较慢，并不适合实际应用；单阶段方法的识别精度和运行速度则相对均衡，在工业领域中得到广泛应用。目标检测模型的训练及推理都依赖强大的硬件设备，随着物联网（IoT，Internet of Things）技术的快速发展，大量移动设备和传感器应用于工程领域，但模型却无法适应移动设备有限的内存和算力资源，运行效率和模型大小等方面存在诸多问题。因此，在嵌入式系统领域，需要在保持高精度的前提下，尽可能压缩模型以实现低能耗和低延迟的需求11。为 更 好 地 解 决 上 述 问 题，边 缘 计 算（Edge Computing）作为一种新兴的计算模式和框架应运而生，其核心思想是将数据处理和计算能力下沉到网络边缘。在当前应用中，通常采用云-边协同方式，首先通过云端强大的算力资源进行模型训练以应对大量数据和复杂任务，然后将经过量化的模型迁移至边缘设备进行推理应用。此方式充分利用了云端的计算能力，并将实时推理决策迁移至边缘，实现快速响应11,12。综上所述，针对施工现场人员安全帽佩戴问题，并考虑到云端计算的延时，本文提出了一种基于边缘计算的安全帽佩戴检测系统。利用安全帽数据集训练YOLOv5 目标检测模型，并进行量化转换、迁移部署至SE5 边缘盒子进行推理测试。实验结果表明，该系统能够快速准确的识别施工人员是否佩戴好安全帽，适用于实际施工场景。2 基于边缘计算的施工现场安全帽检测系统设计2.1 YOLOv5 算法YOLOv5 目标检测模型性能均衡，考虑到实际施工现场对安全帽佩戴检测精度和速度的需求，本文选择YOLOv5s 作为目标检测模型，具体结构如图 1 所示。YOLOv5 模型的网络结构由输入端、骨干网络、颈部网络和检测端四部分组成。其中，输入端进行预处理工作；骨干网络进行输入图像的特征提取；颈部网络进行特征融合；最终，检测端预测目标的类别和位置信息并生成检测结果。图 1 YOLOv5s 网络结构图2.2 边缘计算 边缘计算是一种将计算节点部署在数据边缘端的计算方式，相较于传统的云计算，边缘计算在性能响应、可靠性等方面具有较大优势，具体14,15如下：（1）低延迟：边缘计算将数据处理能力迁移至网络边缘端，能够直接对数据进行本地处理和决策，对云端和网络带宽的依赖性小，数据传输快且稳定，满足实时应用需求；（2）高效率：边缘计算距离用户、数据源更近，可以在边缘节点处实现数据的处理分析，从而提升工作效率；（3）安全可靠：边缘计算的本地化的数据处理方式能更好地保障数据隐私，减少敏感数据频繁传输到云端的风险。CWT 中国水运 202308 1032.3 基于边缘计算的施工现场安全帽检测系统本文设计了一种基于边缘计算的安全帽佩戴检测系统，其框架如图 2 所示，通过将 YOLOv5s 模型部署至边缘设备上，系统能够快速准确地识别施工人员是否佩戴好安全帽。图 2 检测系统框架图检测模型从训练到部署测试的整体流程如下：（1）模型训练：在主机端 Pytorch 框架下，采用YOLOv5s 模型对安全帽佩戴数据集进行训练。（2）模 型 预 编 译：通 过 使 用 JIT 工 具 对 原 始Pytorch 模型进行预编译，保证模型量化后的运行效率和性能。（3）模型量化转换：对模型权重文件进行量化转换，将 FP32 模型转换为 INT8 模型，以减少模型的存储和计算开销。然后将量化模型转换为边缘设备支持的特定文件格式，如Sophon系列TPU平台支持的Bmodel文件。本文使用 Sophon SDK 提供的 Auto_cali 一键量化工具进行转换。（4）模型部署推理：通过SSH协议将Bmodel模型、测试数据集以及相关 Python 文件传输至 SE5 边缘端，实现模型部署。然后在适当的Python运行环境加载模型，对数据集进行推理测试，实现实时的安全帽佩戴检测。3 实验验证与结果分析3.1 目标检测数据集本文实验采用两个开源的安全帽佩戴检测数据集，分别为安全帽佩戴数据集和 Safety Helmet Wearing Dataset（SHWD）数据集。安全帽佩戴数据集共 5000张图像，包含安全帽、佩戴安全帽的人员、未佩戴安全帽的人员三类；SHWD 数据集共 7581 张图像，包含安全帽、未佩戴安全帽的人员两类。本文实验将以 4:1 的比例划分训练集和验证集。表 1 YOLOv5s 模型在安全帽佩戴数据集上的性能表 2 YOLOv5s 模型在 SHWD 数据集上的性能3.2 软硬件环境及实验参数本文的模型训练阶段实验采用 Windows 10 系统，GPU 型号为 NVIDIA GeForce RTX 2080 Ti，使用 PyTorch 1.10.0 和 Python 3.8.搭建模型网络。初始学习率设置为0.01,并通过余弦退火算法动态调整学习率,动量因子为 0.937,权重衰减系数为 0.0005,批处理大小为 8,训练轮次为 200。模型迁移部署阶段实验采用 Ubuntu 20.04 系统，边缘设备选择了北京算能科技有限公司的微服务器产品SE5 边缘盒子，该设备搭载算能自主研发的张量处理器（TPU,Tensor Processing Unit）芯 片 BM1684，INT8 算力可达 17.6TOPS(Tera Operations Per Second)，能够同时处理 16 路高清视频，并支持 38 路 1080P 高清视频解码与 2 路编码。此外，SE5 支持主流深度学习框架，如Caffe、TensorFlow、Pytorch 等，其在智慧交通、智慧工地等场景中展现了强大能力，为传统行业实现人工智能赋能提供重要支持16。3.3 性能评价指标本文采用准确率（Precision）、召回率（Recall），平均精度均值（mAP,mean Average Precision）作为检测精度指标，帧率（FPS，Frames Per Second）作为检测速度指标。3.4 实验结果分析依据参数设置对两个数据集进行了模型评估实验。从表 1 和表 2 可以看出，在安全帽佩戴数据集中 mAP可达 88.3%；在 SHWD 数据集中 mAP 可达 94.8%，两者检测速度均满足施工现场需求。检测结果客观地反映了 YOLOv5s 模型在边缘盒子上能够快速、准确地实现施工现场安全帽的佩戴检测。3.5 检测结果可视化分析为了直观展示安全帽佩戴检测的效果，本文对部署了 YOLOv5s 模型的 SE5 边缘盒子进行了实际检测效果的可视化分析。从图 3 和图 4 可以看出，YOLOv5s 模型在 SE5 边缘盒子中可以准确地检测出不同施工场景中人员是否佩戴安全帽，能够充分满足现场的安全管理需求。图 3 安全帽佩戴数据集的可视化检测结果图 4 SHWD 数据集的可视化检测结果104 CWT 中国水运 202308DOI 编码：10.13646/ki.42-1395/u.2023.08.040BIM 技术在船闸工程建设中的应用魏玲（枣庄市港航和机场建设发展中心，山东 枣庄 277800）摘要：随着我国对 BIM 技术研究的逐步深入，在房建、路桥、水利等领域已得到推广应用，在水运工程建设领域也开始尝试。在船闸施工阶段利用 BIM 技术辅助进行技术交底、方案论证、结构应力分析、进度和计量管理等工作，对优化施工工艺、节省施工成本、保证施工安全、提高工程质量和管理水平有重要作用。关键词：BIM 技术；水运工程；船闸施工中图分类号：U641.5 文献标识码：A 文章编号：10067973（2023）08-0104-034 结语针对实际施工场景中的人员安全帽佩戴检测问题，本文设计了一种基于边缘计算的安全帽佩戴检测系统。该系统通过采用 YOLOv5 目标检测模型对数据集进行训练，并对模型权重文件进行编译、量化、转换等处理，将经过处理的模型部署至 SE5 边缘盒子中，实现安全帽检测的推理测试。实验结果表明，该系统在安全帽佩戴数据集和 SHWD 数据集上的 mAP 分别达到了 88.3%和94.8%，推理速度分别可达 14.39 帧/秒和 14.67 帧/秒，能够快速、准确地识别施工人员是否佩戴安全帽，为安全管理提供了可靠的技术支持。参考文献：1 祁泽政,徐银霞.改进 YOLOv5s 算法的安全帽佩戴检测研究 J.计算机工程与应用,2023,1-10.2 乔炎,甄彤,李智慧.改进 YOLOv5 的安全帽佩戴检测算法 J.计算机工程与应用,2023,1-12.3Ross B.Girshick R.Fast R-CNN.J.CoRR,2015,abs/1504.08083.4Ren S Q,He K M,Girshick R,et al.Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks.J.CoRR,2015,abs/1506.01497.5Redmon J,Divvala S,Girshick R,et al.You only look once:unified,real-time object detectionJ.In:Proceedings of the IEEE conference on computer vision and pattern recognition(CVPR),2016,pp 7797886Redmon J,Farhadi A.YOLO9000:better,faster,strongerJ.In:Proceedings of the IEEE conference on computer vision and pattern recognition(CVPR),2017,pp 65176525.7Redmon J,Farhadi A.YOLOv3:an incremental improvementJ.2018,arXiv:1804027678Bochkovskiy A,Wang C Y,Liao H Y.YOLOv4:Optimal Speed and Accuracy of Object DetectionJ.2020.9Wang C Y,Bochkovskiy A,Liao H Y.YOLOv7:Trainable bag-of-freebies sets new state-of-the-art for real-time object detectorsJ.2022.10Liu W,Anguelov D,Erhan D,et al.SSD:Single Shot MultiBox DetectorJ.Computer Vision ECCV,2016:21-37.11 王赛男,郑雄风.基于边缘计算的图像语义分割应用与研究 J.计算机科学,2020,47(S2):276-280.12 曹行健,张志涛,孙彦赞,等.面向智慧交通的图像处理与边缘计算J.中国图象图形学报,2022,27(06):1743-1767.13Liu S,Qi L,Qin H F,et al.Path Aggregation Network for Instance Segmentation.J.CoRR,2018,abs/1803.01534.14 黄成龙,柯宇曦,华向东,等.边缘计算在智慧农业中的应用现状与展望 J.农业工程学报,2022,38(16):224-234.15 郝巨鸣,李斌,徐学才.公路项目资源动态调度系统:从边缘计算和深度学习分析J.综合运输,2022,44(08):105-109.16 陆飞澎,李伯鸣,王燕灵.基于云边协同专用设备的智慧工地管理系统关键技术研究 J.中国建设信息化,2023,(06):74-77.船闸工程具有涉及专业多、施工周期长、交叉施工多、协调工作量大等特点，施工难度与复杂程度相对较高。现将广泛应用于工程建设领域的 BIM 技术引入船闸工程建设管理中，对优化施工组织设计、减少返工与整改、提高工程质量和生产效率、节约成本和缩短工期等具有重要作用。1 项目概况拟建船闸建设标准为级，与现有船闸轴线距离89 米，有效尺度为 230 米 23 米 5 米（长度 宽度 门槛水深），设计年单向通过能力 2900 万吨，上游引航道采用“直线进闸、曲线出闸”，两闸共用引航道；下游引航道采用“曲线进闸、直线出闸”，与原船闸分设引航道，下游靠船墩布置在两闸引航道之间，两闸共用靠船墩。项目主要建设内容包括船闸主体工程、上下游导靠航建筑物、上游导航段桥梁改建、跨两线船闸交通桥及防洪大堤退建等配套和附属设施。