文瑤瑤,陳浩辰,吳 英,翟 淵

(重慶科技學院 智能技術與工程學院,重慶 401331)

0 引言

隨著國家經濟的發(fā)展,國家對能源的需求逐漸增加,比如:石油、天然氣、電力等,因此鉆井工人作業(yè)的安全備受大眾的關注。鉆井工人作業(yè)時不規(guī)范的行為,通常會對施工現(xiàn)場的安全造成極大的影響。根據(jù)統(tǒng)計,87%的鉆井過程中的安全事故,主要是由于工人不規(guī)范的行為導致的。因此如何有效地對作業(yè)人員行為進行規(guī)范是保證鉆井現(xiàn)場安全的關鍵[1]。

人臉識別一直是機器視覺領域里面關鍵的研究方向之一。對于護目鏡佩戴的識別目前學術界還沒有直接的研究,但是對于眼鏡的識別有了不錯的進展。2000年,Jiang等[2]通過與其他區(qū)域對比,進行眼鏡的識別,該方法主要是由于眼鏡存在著灰度值不連續(xù)的區(qū)域。另外,Mohammad等[3]使用HOG進行特征提取,并使用ROI進行檢測,將融合后的特征送入SVM、MLP以及LDA等分類器,并將多個算法的結果進行融合后作為輸出。

通過已有文獻的閱讀,基于傳統(tǒng)檢測方法的眼鏡識別只能在特定的環(huán)境和位置情況下,才能有比較好的檢測效果,因此對護目鏡佩戴識別的檢測采用深度學習的方法。同時,護目鏡佩戴的圖片,目前還沒有公開的數(shù)據(jù)集,為保證實驗結果的準確性,有必要建立一個基于真實情況下的護目鏡佩戴的數(shù)據(jù)集。

1 YOLOv4目標檢測算法

YOLOv4主干網絡主要采取CSPDarknet53網絡結構,能夠減少計算量,使得模型更加輕量化。YOLOv4使用PANet進行參數(shù)的聚合,能夠檢測不同level的物體。對于檢測頭的部分,本研究仍然采用YOLOv3的結構。

YOLOv4的損失函數(shù)為:

LOSS=LOSSreg+LOSSconf+LOSScls

(1)

(2)

(3)

(4)

2 實驗過程

2.1 數(shù)據(jù)的采集和標注

護目鏡佩戴數(shù)據(jù)集的采集采用了網絡爬蟲等方式,總共獲取了446張包含不同場景的圖片。

采取的數(shù)據(jù)集的情況有:未被人員佩戴的護目鏡,主要指沒有佩戴在人眼部位的護目鏡,比如:佩戴在額頭上、放置在書桌上等;面部佩戴非護目鏡的區(qū)域,比如:太陽鏡、眼鏡、防護面具等;佩戴護目鏡的同時佩戴了其他物品。

為了方便后續(xù)的實驗操作,簡化數(shù)據(jù)處理的過程,在標注數(shù)據(jù)時,本研究簡單地分為兩類:goggles(佩戴護目鏡)和ungoggles(未佩戴護目鏡)。將采集好了數(shù)據(jù)集使用labelImg軟件進行標注,得到的標注結果如表1所示。

表1 標注數(shù)目情況

為了提高實驗的準確性,在數(shù)據(jù)集中添加了沒有出現(xiàn)護目鏡且人臉未佩戴護目鏡的圖片。

2.2 評價指標

本文主要選取精確度P、召回率R和平均值mAP這3種指標衡量模型對鉆井工人是否佩戴護目鏡的檢測性能。

2.2.1 精確度P

精確度P即正確的樣本占模型總樣本的比例,公式如(5)所示。

(5)

2.2.2 召回率R

R表示有多少正例被預測正確,公式如(6)所示。

(6)

2.2.3mAP

mAP表示為所有目標類的平均精度的平均值,公式如(7)所示。

(7)

2.3 實驗結果和分析

佩戴護目鏡和未佩戴護目鏡的圖片一共有671張圖片,其中訓練集為611張圖片,測試集為60張圖片,將標注好的圖片放入模型中進行迭代50次。每一次迭代的P、R、mAP如圖1所示,從圖中可以看出P、R、mAP逐漸增加,最后在0.8到0.9之間浮動。

圖1 每一次迭代的Precision、Recall、mAP

從實驗結果可以看出該模型,對于臉部遮擋較少的情況識別準確率較高,可以達到80%以上,對于臉部遮擋較大的情況識別準確率較低,如圖2所示。

圖2 佩戴護目鏡的實驗效果

3 結語

在鉆井作業(yè)中佩戴護目鏡能夠有效地抵擋生產過程中產生的粉塵、碎屑等物體,避免其對人們眼睛造成的傷害。但目前在實際生產的過程中,工人常忘記及時佩戴護目鏡,且現(xiàn)存的監(jiān)控系統(tǒng)無法實時對工人的行為進行監(jiān)督。針對以上問題,本文收集了446張護目鏡佩戴的圖片,并采用YOLOv4檢測模型進行護目鏡佩戴的檢測,通過實驗表明該模型對于臉部遮擋較少的情況識別率較高,精度能夠達到80%以上,能夠初步滿足對鉆井工人護目鏡佩戴的智能識別。