1、2023年10 月计算机应用文摘第39 卷第2 0 期基于YOLOv5的高空作业下安全带佩戴检测刘石桥,胡鑫涛,胡玉莹,王礼坤2（1.中核武汉核电运行技术股份有限公司，武汉430 0 0 0；2.海南核电有限公司,海南昌江57 2 7 99)摘要：佩戴安全带是保障高空作业人员安全的重要措施之一，但现有的人工检测法无法对高空场景下安全带的佩戴情况进行实时有效的检测。针对这一现象，文章提出了一种基于高空作业场景的安全带佩戴检测算法，引入YOLOv5目标检测算法，在满足实时检测要求的前提下，提高安全带佩戴检测的精度；采用K-Means十十算法对自制数据集进行重新聚类，从而得到匹配自制数据集的锚框；引
2、入CBAM注意力机制，参考全局信息并重新分配权重，以提升算法对安全带佩戴情况的检测能力。实验结果表明，改进后的安全带佩戴检测算法的平均精度由7 0.9%提升至7 6.1%，帧率提高至6 9FPS。关键词：安全带佩戴检测；YOLOv5;K-Means十十;CBAM中图法分类号：TN209Safety belt wearing detection for high altitude work based on YOLOv5(1.China Nuclear Power Operation Technology Corporation,Ltd.,Wuhan 430o0o,China;2.Hainan
3、Nuclear Power Co.,Ltd.,Changjiang,Hainan 572799,China)Abstract:Wearing safety belt is one of the important measures to ensure the safety of workersworking at height,but the existing manual detection method can not effectively detect the wearing ofsafety belt in real-time.In order to solve this probl
4、em,this paper proposes a safety belt wearingdetection algorithm based on aerial work environment,introduces YOLOv5 target detection model toimprove the detection accuracy of safety belt wearing situation on the premise of meeting therequirements of real-time detection,uses K-Means+algorithm to re-cl
5、uster the self-made dataset,so as to obtain the anchor frame matching the self-made data set,and uses K-Means+algorithm to re-cluster the data set.The CBAM attention mechanism is introduced to improve theability of the model to detect the wearing of seat belts by referring to the global information
6、andredistributing the weights.Experimental results show that the average accuracy of the improvedseatbelt wearing detection algorithm is improved from 70.9%to 76.1%,and the frame rate isincreased to 69 FPS.Key words:safety belt wearing detection,YOLOv5,K-Means+,CBAM1引言作为高空作业场景中最实用的一种个人防护装备,安全带在正确佩戴后
7、能有效降低事故率；但它也是最容易被施工人员忽视的防护装备，未佩戴安全带导致的安全事故比比皆是。监督人员通常采用人工方式检测施工人员的安全带佩戴情况，但在施工过程中无法实现实时监控和及时提醒。为了解决高空作文献标识码：ALIU Shiqiao,HU Xintao,HU Yuying,WANG Likun?业场景中的安全管理问题，提升高空作业的安全性，本文对安全带佩戴检测算法展开了研究。近年来，目标检测法被广泛应用于人脸检测 1、行为识别 2 及安全帽检测 3 等领域。目前，目标检测法可分为两大类：基于传统图像处理的目标检测法和基于深度学习的目标检测法。其中,基于传统图像处理的目标检测法利用滑动窗
8、口确定物体的候选区域,同时采用人工设定的特征抽取物体的特征，并将基金项目：国家自然科学基金（6 2 10 12 0 4)2023 年第 2 0 期被抽取的特征输人分类器中进行检测。基于深度学习的目标检测法采用卷积神经网络结合大量数据样本,通过训练自动提取特征并实现目标检测，可以提高算法的泛化性能,并增强其对复杂场景的适应性。在安全带佩戴检测领域，基于深度学习的目标检测法主要包含一阶段算法、二阶段算法。一阶段算法可以实现目标的直接识别，代表算法为SDD4，YOLO58等。其中，郑福建等 9 对YOLOv3算法的框架进行了剪枝改进,在保持基本检测精度不变的同时提升了检测速度；基于YOLOX的算法,
9、曹捷等 10 计算机应用文摘InputAutoanchorDataAugmentBackboneFoCCRS99Neck:SPP+PANetPredictionYOLOHEADCsP2XupsampleCBSCSP2_XP3/8-smiallYOLOP4/16-mediumCBSHEADConcatUpsample利用Mosaic和Mixup这两种特殊的数据增广方式,丰富了数据集中的场景并提高了算法的泛化能力，以此CSP2,XCSP2XHEADYOLOP5/32-large满足高空电力作业场景的应用需求。二阶段算法的代表算法为 R-CNN1，Fa s t R-CNN 12 ,Fa s t e
10、r R-CNN13 等。在基于Region-proposal 的二阶段算法研究中,冯志珍等 14 采用Mask R-CNN算法,将安全带检测与人体关键点信息检测相结合并对其进行改进，提出了高空作业场景的安全带合规检测算法，具有很强的实用性和高效性。在实际场景中，安全带佩戴检测算法必须同时保证较高的检测精度和较快的检测速度，才能实现实时检测效果。本文将YOLOv5s作为基础算法,改进思路如下：使用K-Means+算法对数据集的目标锚框进行重新聚类，从而得到安全带佩戴检测的适配锚框参数；在YOLOv5s的主干网中加人卷积注意力模块(Convolutional Block Attention Mod
11、ule,CBAM）,并参考通道和空间信息对权重进行重新分配，从而提高安全带佩戴检测算法对安全带的关注度，进而增强其检测能力。2YOLOv5 算法YOLOv5是于2 0 2 0 年提出的一种轻量级算法,基于不同的设置宽度系数与深度系数,可被分为 small,medium和large三种网络，对应命名为YOLOv5s，YOLOv5m和YOLOv5l。为了更好地平衡检测精度与速度,并实现实时检测功能，本文将YOLOv5s作为基础算法，其整体网络结构包含输入端、主干网、多尺度融合特征网络及检测头四个部分，如图1所示。输入端采用Mosaic数据增强、自适应锚框计算、自适应图片缩放等方式对数据进行预处理。
12、Mosaic数据增强能丰富数据集并提高网络的鲁棒性,还能减少GPU的占用,从而降低能耗。借鉴CSPNet15的设计思想,主干网采用了CSP结构和切片技术(Focus），在实现下采样的同时,能降低特征信息的丢失率,还能减少对检测精度的影响。图1YOLOv5s整体结构图多尺度融合特征网络采用SPP+PANet16,其中SPP模块的主要作用是对不同尺度的特征图进行拼接操作,从而有效地增加主干特征的可接受性;PANet由FPN与PAN组成,FPN层传递从上到下的强语义特性,PAN层传递从下到上的强位置信息特征。检测头负责回归分类信息和定位信息，将CIOU_Loss 作为目标坐标框回归的损失函数,能有效
13、提升回归坐标框的精度。3YOLOv5算法改进3.1K-Means+算法YOLOv5s是基于锚框（anchor）和K-Means的算法,其性能容易受到锚框匹配度的影响。其中,K-Means算法流程如图2 所示。A=A,A,.A,.A,从数据集中随机选取个样本作为初始聚类中心计算每个样本到个聚类中心的距离，并把它分到距离最小的聚类中心所在的类中再次计算每个类的聚类中心是聚类中心位置是否变化否结束图2 K-Means算法流程图K-Means算法中需要提前给出k个初始聚类中一组点集合100心，且聚类中心初始值的选取对结果存在较大影响。对此,在YOLOv5s算法中采用K-Means+算法 17 替换K-
14、Means算法，可以对数据集进行重新聚类并生成更优的锚框,且不会产生额外的计算量和参数量 18 。如图3所示,K-Means+算法尽可能将距离更远的点作为聚类中心，生成的锚框能更好地覆盖边缘样本，既不会增加算法的复杂度，也不会降低算法的检测速度。A=A,A,从数据集中随机选取1个样本作为初始聚类中心计算每个样本距离已有聚类中心的最小距离计算每个样本被选为下一个聚类中心的概率，选择概率最大的样本作为下一个聚类中心是否选出个聚类中心是结束图3K-Means+算法流程图3.2（CBAM注意力机制通道注意力机制（Squeeze-and-Excitationattention,SE）19 的实现流程如下
15、：对输入的特征图进行全局池化,从而将特征图变为11；通过全连接层和激活函数对特征图进行调整,得到特征图的权重并将其与输入的特征相乘。相较于SE,卷积注意力机制(Convolutional Block Atention Module,CBAM)20可以在通道和空间中进行注意力机制的构建,从而融合通道注意力和空间注意力，进而有效地消除SE的端。通道注意力关注通道上的特征，其实现流程如下：输人CxHW的特征图，分别进行全局平均池化和最大池化,从而得到两个C11的特征图;将两个Cx1x1的特征图送入全连接神经网络并相加;通过Sigmoid 函数得到通道注意力的权重系数，令其与输人特征图相乘，最终通过通
16、道注意力机制实现对原有特征的权重分配。以上流程的计算方式如公式(1)所示：Mc(F)=(MLP(AvgPool(F)+MLP(MaxPool(F)(1)计算机应用文摘Residual一组点集合Re-weightARe-weightCxHxWLoutput图4CBAM结构图在通道注意力的基础上引人空间注意力，关注空间上的特征。其实现流程如下：输入CHW的特征图，分别进行通道维度的平均池化和最大池化，从而得到两个1xHW的特征图；在通道维度将两个1HW的特征图拼接成2 HW的特征图后,经过一个77卷积核的卷积降为1xHW;通过Sigmoid 函数得到空间注意力的权重系数，令其与输入特征图相乘，最终
17、得到融合通道注意力和空间注意力的特征图。以上流程的计算方式如公式(2)所示：M,(F)=(f*7(AvgPool(F);MaxPool(F)J)经过CBAM注意力机制处理后,最终获得的注意力权重包含通道和空间两个维度的特征，增强了各特征之间的通道关联性和空间关联性，有助于目标特征的提取。4实实验结果与分析4.1数据集与实验环境作为基于深度学习的目标检测法的重要组成部分，数据集的质量将直接影响算法的最终训练效果。基于YOLO算法，吴烈凡 2 1 结合空洞卷积和深度可分离卷积,提出了轻量级特征提取网络。该网络提高了安全带佩戴检测的精度，但其中提供的高空作业场景安全带样本数量较少。基于文献 2 1
18、的公开数据集，本文增加了实际高空作业场景图片，并将图片自制为实验所需的数据集，旨在提高数据集对实际场景的适应性。最终得到的数据集包含30 0 0 张图片,其中训练集图片数量为2 539张，测试集图片为46 1张，2023年第2 0 期InputCxHxWGAP+GMPCx1x1立Conv+ReLU1x1 ConvSigmoidCxHxWChannel Pool7x7ConvBN+SigmoidC/rx1x1Cx1x12xHxW1xHxW(2)2023 年第2 0 期训练集与测试集严格独立。本文实验采用的硬件配置如表1所列。表1硬件配置配置参数CPU17-6700CPUGTX 1060显存/GB
19、6内存/CB8操作系统Windows 10软件环境CUDA 10.2+cudnn 7.6.5+Python 3.8.10+Pytorch 1.7.04.2评价指标本文主要围绕检测精度和速度对算法进行评价。检测精度采用平均精度（AP）及平均精度均值（mAP）进行评价,在计算平均精度时综合考虑了目标检测的精确率和召回率；检测速度采用每秒处理图片的数量(FPS)进行评价。基于自制的安全带佩戴数据集,进行上述指标的评价，各评价指标的计算公式如下：P：FP+TPTPR=TP+FN1AP=P(R)dR0mAP=Z.AP一n4.3实验结果为了验证K-Means+算法和 CBAM对 YOLOv5s改进的有效性
20、，进行了对比实验。计算机应用文摘间关联性,有助于目标特征的提取，从而提高目标检测的精度。表4加入注意力机制前后性能对比ModelParams(M)YOLOv5s7.06SE-YOLOv5s7.10CBAM-YOLOv5s7.10实验3将K-Means+算法与CBAM相融合,对YOLOv5s 进行了改进,并对比了改进前后的性能。实验结果如表5所列，采用融合改进方式后，算法的mAP由7 0.9%提升至7 6.1%;顿率由6 7 FPS提升至69 FPS。由此可见,采用K-Means+算法和 CBAM能有效提高算法的检测精度与速度。表 5YOLOv5s与KC-YOLOv5s的性能对比ModelPar
21、ams(M)YOLOv5s7.06KC-YOLOv5s7.10TP(3)(4)(5)(6)101Bflops(Billion)mAP(%)16.470.916.572.316.574.8Bflops(Billion)mAP(%)16.470.916.576.14.4检测结果对比如图5所示,对比YOLOv5s的检测效果与改进后KC-YOLOv5s的检测效果可以发现,改进后的KC-YOLOv5s算法能够有效降低漏检率和误检率,提高了高空作业场景安全带佩戴检测的精度和速度。2022:年0 5月2 3日16:17:22022年0 5月2 日黑期一15：14：2 3FPS6769202年0 5月2 3日
22、16:47 12 220Z年0 5月2 3日里期一15:14:2实验1对比了K-Means+算法和K-Means 算法对YOLOv5s的改进。其中,使用K-Means+算法生成的锚框数据如表2 所列。相较于使用K-Means算法对YOLOv5s的改进,基于K-Means+算法的改进方法降低了原始YOLOv5算法造成的聚类偏差，同时提高了检测精度,对比结果如表3所列。表2 使用K-Means+算法生成的锚框数据特征图大小767638x381919表3K-Means算法与K-Means+算法的性能对比ModelParams(M)Blops(Billion)K-Means7.06K-Means+7.
23、06加人CBAM可以得到融合通道和空间两个维度的新特征图,能够增强各特征之间的通道关联性和空锚框尺寸19,3327,4739,8556,11280,131118,174mAP(%)16.470.916.472.735,6157,112173,300FPS6772YOLOv5s图 5 检测效果对比5结束语为了实现高空作业场景安全带佩戴情况的实时检测,同时降低现有安全带佩戴检测算法的漏检率与误检率,本文基于YOLOv5s算法进行了改进,提出了新的安全带佩戴检测算法。该算法引人K-Means+算法对锚框进行重新聚类，从而得到更适配自制数据KC-YOLOv5s102集的锚框；在主干网中加人CBAM,使
24、算法能够重新分配权重并提高对安全带的关注度。改进后的算法能够降低高空作业场景安全带佩戴检测的漏检率与误检率，同时其mAP较原YOLOv5s提升了5.2%。此外,改进后的算法已在核电厂检修场景及电网施工场景中得到应用，能够有效监督施工人员的安全带佩戴情况，具有一定的实用性。参考文献：1 NAJIBI M,SAMANGOUEI P,CHELLAPPA R,et al.SSH:Single Stage Headless Face Detector C/2017 IEEEInternational Conference on Computer Vision(ICCV).IEEE,2017:4875-4
25、884.2 姚宗强,陈宏利,闫文虎，等.基于视频图像的电力基建施工违章行为自动识别系统设计 J.自动化与仪器仪表，2021(3):143-145+149.3】王雨生，顾玉宛,庄丽华，等.复杂姿态下的安全帽佩戴检测方法研究 J.计算机工程与应用，2 0 2 2,58（1）：190-196.4 LIU W,ANGUELOV D,ERHAN D,et al.SSD:Single shotmultibox detector C/European Conference on ComputerVision.Springer,Cham,2016:21-37.5 REDMON J,DIVVALA S,GIRS
26、HICK R,et al.You only lookonce:Unified,real-time object detection C/Proceedings ofthe IEEE conference on computer vision and patternrecognition.2016:779-788.6 REDMON J,FARHADI A.YOLO9000:better,faster,strongerC/Proceedings of the IEEE conference on computervision and pattern recognition.2017:7263-72
27、71.7 R ED M O N J,FA R H A D I A.Y o lo v 3:A n i n c r e m e n t a limprovement EB/OL.https:/arxiv.org/pdf/1804.02767.pdf.8 BOCHKOVSKIY A,WANG C Y,LIAO H Y M.Yolov4:Optimal speed and accuracy of object detection EB/OL.https:/arxiv.org/abs/2004.10934.9郑福建,汪彦,左应祥,等.基于剪枝YOLOv3算法的高处作业人员安全带佩戴检测研究 J.信息系统
28、工程，2 0 2 1(10):117-119.10 曹捷,郭志彬,潘立志，等.高空作业场景下的安全带穿戴检测J.湖南科技大学学报（自然科学版），2 0 2 2,37计算机应用文摘(1):92-99.11 CIRSHICK R,DONAHUE J,DARRELL T,et al.Rich featurehierarchies for accurate object detection and semanticsegmentation C/Proceedings of the IEEE conference oncomputer vision and patern recognition.2014
29、:580-587.12 GIRSHICK R.FAST R-CNN C/Proceedings of the IEEEinternational conference on computer vision.2015:1440-1448.13 REN S,HE K,GIRSHICK R,et al.Faster r-cnn:Towardsreal-time object detection with region proposal networksJ.Advances in neural information processing systems.2015,28:91-99.14冯志珍,张卫山
30、,郑宗超.基于MaskR-CNN的高空作业安全带检测J.计算机系统应用,2 0 2 1,30（3）：2 0 2-2 0 7.15 WANG C Y,LIAO H Y M,WU Y H,et al.CSPNet:A newbackbone that can enhance learning capability of cnn C/Proceedings of the IEEE/CVF conference on computer visionand pattern recognition workshops.2020:390-391.16 LIU S,QI L,QIN H,et al.Path
31、aggregation network forinstance egmentation C/Pr o c e e d i n g s o f t h e I EEEconference on computer vision and pattern recognition.2018:8759-8768.17 ARTHUR D,VASSILVITSKII S.K-Means+:The advantagesof careful seeding C/Eighteenth Acm-Siam Symposium onDiscrete Algorithms.2007:1027-1035.18 龙赛，宋晓凤，
32、张苏，等.改进YOLOv5s的航拍图像车辆检测研究 J.激光杂志,2 0 2 2,43（10）：2 2-2 9.19 HU J,SHEN L,SUN G.Squeeze-and-excitation networks C/Proceedings of the IEEE conference on computer visionand pattern recognition.2018:7132-7141.20 WO0 S,PARK J,LEE J Y,et al.Cbam:Convolutional blockattention module C/Pr o c e e d i n g s o f t h e Eu r o p e a nconference on computer vision(ECCV).2018:3-19.21】吴烈凡.基于卷积神经网络的高空作业安全带识别与检测 J.现代计算机,2 0 2 1,2 7(2 4)：12 4-130.作者简介：刘石桥（198 3一），高级工程师，研究方向：核电厂数字化运维、人工智能。胡鑫涛（198 9一），工程师，研究方向：核电厂数字化检修及运维（通信作者）。2023年第2 0 期
