使用安全装备可以保护他们免受建筑工地的意外事故。据统计,每年有数以万计的工人在建筑工地受到严重伤害,造成终生困难。然而,通过自我监控来确保工人穿戴个人防护装备非常重要。在这方面,需要一个准确和快速的系统来检测工人是否在施工现场使用个人防护装备。
在线工具推荐: 三维数字孪生场景工具 - GLTF/GLB在线编辑器 - Three.js AI自动纹理化开发 - YOLO 虚幻合成数据生成器 - 3D模型在线转换 - 3D模型预览图生成服务
通过众多的对策,与其他行业相比,建筑业的死亡人数仍然更高。个人防护装备 (PPE) 正在不断改进以避免这些事故,尽管工人有意或无意地忘记使用此类安全措施。手动运行安全检查具有挑战性,因为现场的同事数量可能很大;然而,当局的首要职责是为工地上的工人提供最大程度的保护。基于这些动机,我们创建了一个基于计算机视觉 (CV) 的自动 PPE 检测系统,可以检测各种类型的 PPE。这项研究还创建了一个名为CHVG(四色安全帽、背心、安全玻璃)的新数据集,其中包含八种不同的类别,包括四种彩色安全帽、背心、安全玻璃、人体和人头。该数据集包含这 1 类的 699,<> 张图像和相应的注释。对于检测算法,本研究使用了 You Only Look Once (YOLO) 系列的无锚点架构 YOLOX,该架构在令人满意的时间间隔内产生了比其他目标检测模型更好的性能。此外,本研究发现,与其他三个版本的 YOLOX 相比,YOLOX-m 模型的平均精度 (mAP) 最高。
与所有其他行业相比,在建筑工地中,受伤率超过71%(。但是,可以通过穿戴个人防护设备 (PPE) 来保护工人免受这些类型的可怕危险。安全帽、安全眼镜、手套、安全背心、护目镜等都作为个人防护装备包括在内。工人可以使用安全帽来防止轻微的头部受伤。戴安全帽可以减少从高处坠落时颅骨骨折、颈部扭伤和脑震荡的机会。它还可以降低严重脑损伤的可能性。因此,安全帽是建筑工地个人防护装备的重要组成部分。眼外伤是工作场所非常普遍的现象,尤其是在建筑工地。根据美国国家职业安全与健康研究所 (NIOSH) 的数据,美国约有 2,000 名工人患有与工作有关的眼部受伤。
美国劳工统计局(BLS)的一项研究表明,事故发生时,近五分之三的眼部受伤工人没有佩戴任何防护罩。安全背心是另一种个人防护装备,可帮助工人更容易被其他同事看到。背心的反光条线可能有助于推断工人的位置,并减少在低光照条件下和恶劣天气下发生事故的机会(。安全帽颜色可能在区分不同国家的工人方面发挥着至关重要的作用。
在英国 (UK),现场主管佩戴黑色安全帽,投石者/信号员佩戴橙色安全帽,现场经理佩戴白色安全帽,其余人员佩戴蓝色安全帽。在建筑工地,工人有意或无意地忘记穿戴任何可能对他们或整个建筑工地造成危险的个人防护装备。适当的步骤可以降低即将发生危险的风险。工地当局应确保每个工人在施工现场工作时都穿戴个人防护装备。但是,手动检查既不费时又费钱。背景研究发现,正确检测 PPE 是不可避免的,因为检测错误或检测不足会导致严重的问题。出于这一动机,作者认为,对PPE的宝贵检测有助于以工业方式保护工人的安全。此外,额外的 PPE 检测,即增加类号,增加了计算机视觉的检测挑战。这就是为什么这项研究试图识别不同类型的个人防护装备。
最近发表的某论文将用于 PPE 检测的 YOLOv5 架构引入建筑工地,该架构可检测六类,包括四种颜色的头盔、背心和人员。这项研究的作者试图通过检测八类来提高CV的可靠性,并确保在建筑工地中检测更多的安全装备。因此,通过扩展提出的数据集来生成一个新的数据集。引入无锚训练架构,对建筑工地的PPE、人体和人头进行检测。由于上述情况会出现在真实的建筑工地中,因此图像中的几次光度变化可以创建人为的雨天、朦胧和弱光条件图像。YOLOX 架构比其他最先进的方法产生更好的性能。
在本文章,将使用UnrealSynth虚幻合成数据生成器 来生成训练所需要的数据集,用户只需要将PPE安全防护设备D模型导入UnrealSynth中,经过简单的配置就可以自动生成数据集,非常的简单方便:
基于YOLO的实时计算机视觉自动安全帽检测:
1. 场景准备
- 将戴有安全帽、安全绳等PPE安全设备的的工人模型导入到场景。
- 配置场景先关参数,如:生成的图片数据集的图片分辨率、生成的图片的数量等。
2. 生成数据集
设置参数后,点击【确定】后会在本地目录中...\UnrealSynth\Windows\UnrealSynth\Content\UserData 生成本地合成数据集,本地数据包含两个文件夹以及一个 yaml 文件:images、labels、test.yaml 文件;images中存放着生成的图片数据集,labels中存放着生成的标注数据集。
images和labels目录下各有两个目录:train 和 val,train 目录表示训练数据目录,val 表示验证数据目录,标注数据的格式如下所示:
0 0.68724 0.458796 0.024479 0.039815
0 0.511719 0.504167 0.021354 0.034259
0 0.550781 0.596759 0.039062 0.04537
0 0.549219 0.368519 0.023438 0.044444
0 0.47526 0.504167 0.009896 0.030556
0 0.470313 0.69537 0.027083 0.035185
0 0.570052 0.499074 0.016146 0.040741
0 0.413542 0.344444 0.022917 0.037037
0 0.613802 0.562037 0.015104 0.027778
0 0.477344 0.569444 0.017188 0.016667
synth.yaml是数据的配置文件,数据格式如下:
path:
train: images
val: images
test:
names:0: Safety helmet
3、YOLOv5模型训练
生成数据集后,下一步就是利用Yolo来训练模型,第一步,打开 ultralytics hub 在线训练工具,将刚才生成的数据集上传到ultralytics hub
将合成数据上传后,选择YOLO模型版本,确定好YOLO模型版本后,点击【continue】就可以开始使用ultralytics来训练集我们的模型了,如下所示:
选择YOLO模型后点击下一步将会生成用户key值,这个key值将在下一步模型训练时用到
复制【step1】中中的内容,点击【step2】进入到google Colab页面,如下所示:
首先,先点击step中的播放按钮,安装环境依赖,如上图所示;环境安装成功后,接下来将【Start】中的整个内容给都换掉,用在上一步中复制的key值整体替换里面原来的信息,如图:
然后点击播放按钮,开始训练模型,如下图所示:
模型训练需要一段时间...
4、训练模型验证
模型训练完成之后,可以用训练好的模型验证一下,用几张工地工人干活的场景图片,导入用图片来验证一下,操作步骤如图所示:
图片验证结果如下:
转载:基于YOLO模型建筑工地个人防护设备目标检测