YOLOX从0到1实战——安全帽检测（结合OAK相机）

编辑：OAK中国
首发：oakchina.cn
喜欢的话，请多多👍⭐️✍

前言

Hello，大家好，这里是OAK中国，我是助手君。

我又来给大家带来新的OAK项目啦！本文会讲解一些实践思路，最后会附上源代码。

---

背景

安全生产是社会发展永恒的主题，然而传统的安全生产监督方法存在监控盲区大、监督效率低、外包人员管理困难等缺点。而深度学习的发展，为安全生产带来新的解决思路。

按照规定，正确佩戴安全帽对于安全生产有着重要的意义，但是传统的安全帽佩戴检查需要耗费极大的人力与物力，在实际检查过程中存在诸多不便。使用深度学习网络模型检测安全帽的佩戴情况，可以弥补传统方法的不足。具体的应用场景包括：

• 高危工作区域安全生产：在高危工作区域内部署安全帽佩戴检测系统，通过监控画面实时监测在岗人员安全帽佩戴情况，若未按规定佩戴安全帽，则输出报警信息，自动保存工作人员未按规定佩戴安全帽的截图作为凭证，并通知后台监控人员。该应用可以通过视频监控系统，实时监测高危工作区域工作人员的安全帽佩戴情况，既能确保安全生产的平稳进行，又可以降低监管难度和管理成本。
• 智慧工地：将安全帽检测系统与高空坠落物检测、工作人员疲劳程度检测系统结合起来，打造智慧工地，及时对潜在的危险进行预警，通知相关人员采取措施，从而及时阻断人身伤害事故，确保安全生产。

分析

怎样定义“安全帽佩戴检测”这个问题呢？正常来看是需要判断行人头部区域有没有安全帽，比如有些做法是先用目标检测模型如SSD、Yolo系列及改进系列（各种加速版及适用移动端的网络）检测行人区域，然后再设计一个小的分类网络判断区域内是否存在安全帽。这种做法的好处是比较简单：

• 一来，行人检测算是做的比较多的应用，数据集、算法都比较多；
• 二来，很多数据都是以监控视频的形式存在，标注的时候标注较粗粒度的区域即可，然后做分类。

不过这种做法的劣势也比较明显：

第一，这种做法并不是一个端到端的预测过程，显然要做到先检测出行人，再用分类网络判断是否存在安全帽；
第二，目标检测和分类的区别，如果用这种粗粒度的标注方法，也就是标注出包含安全帽的较大的区域，而不是紧紧包含安全帽的那块区域，分类效果并不会太好；
第三，严谨来说，对于用户更希望得到的是，定位出佩戴安全帽的目标位置，很多情况安全帽虽然在行人区域内，但这时候并不是出于“佩戴”状态。

基于以上分析，这里用的方法是注重安全帽“佩戴”状态，所以业务层面来看，需要的数据是有“佩戴”安全帽和未“佩戴”安全帽的图片。如下图所示：

其中红色的bounding box是未佩戴安全帽的目标，绿色的bounding
box是佩戴安全帽的目标，这样可以更精准、更直接的确定是否佩戴的状态，不过需要覆盖更多场景的正负类目标数据。

实现

基于之前的分析，这里的任务可以看成一个常规的目标检测的情形，目标检测算法发展很快，单阶段的多阶段的，各种anchor及anchor-free的，GIoU，soft-NMS，各种金字塔多尺度预测的等等，不过很多sota的方法很难应用在实际项目中，毕竟速度、功耗、成本等因素均要考虑在内，本文仅用 YOLOX-nano 做示例，效果图如下：

用OAK做安全帽检测

源代码：helmet_yolox
硬件：OpenCV OAK-D相机

参考资料

https://gitee.com/oakchina/depthai-examples/
https://docs.oakchina.cn/en/latest/

---

OAK中国
| OpenCV AI Kit在中国区的官方代理商和技术服务商
| 追踪AI技术和产品新动态

戳「+关注」获取最新资讯↗↗