算法介绍

安全帽识别基于大规模安全帽数据识别训练，配合摄像头，实时识别监控区内的工人是否佩戴安全帽。一旦发现有未佩戴者，发出警报提醒监控室查看并及时处理。

工作原理

1、判断工人存在的区域，使用人脸检测模块对人脸进行标记；采用AI算法，其目标检测框架可以实现对多类目标物体的检测。2、提取工人头部子区域；统一在各区域的中部靠上方部分提取，将提取区域固定为正方，将分离出来的头部区域再输入到之后的网络中作后续分析。3、对提取到的图像采用二分类方法，判断工人是否佩戴安全帽。用二分类法完成对是否佩戴了安全帽的情况进行判断。

头盔识别   

基于大规模头盔数据识别训练，配合摄像头，实时识别监控区内的电动车骑行者。一旦发现电动车骑行者没佩戴头盔，则发出警报提醒监控室查看并自动保存骑行者的抓拍信息，用于交通运输领域。

工作原理

1、前端抓高清摄像机录制现场视频并上传至管理系统服务器;2、服务器实时分析视频流，通过深度学习算法准确判定是否有违章行为;3、存储违章行为发生的时间，地点和现场图片并发出警报；4、安全员远程或者现场纠正违章。

数据与模型

数据来源在数据集中含有大量安全帽、头盔数据，采集于各种实际使用场景，有工业工地的安全帽，有防暴力武装的安全帽，有电动车、自行车用户佩戴的头盔。现有的安全帽数据囊括常见的红、橘黄、白、蓝等颜色，可应用：建筑行业 、电力行业、交通运输、骑行旅游等。

· 建筑行业

· 电力行业

· 交通运输

· 骑行旅游

· 日常骑行

数据增强   

针对数据集的来源差异、目标检测尺度变化等问题。在电动车头盔识别项目中，我们采用自动化数据增强方法，该方法包括一种新的搜索空间和一种搜索过程中的估计指标。实验表明，该方法搜索得到的数据增强策略在我们的头盔数据集上带来较大的性能提升，并超越了现有的头盔检测算法性能。

模型设计   

采用AF-FPN替代FPN，AF-FPN在传统特征金字塔网络的基础上，增加了自适应注意力模块(AAM)和特征增强模块(FEM)。前者减少了特征通道，减少了高层特征图中上下文信息的丢失。后一部分增强了特征金字塔的表示，提高了推理速度在电动车头盔检测任务中实现了最先进的性能。

算法特性   

1、轻量级模型结构，计算量小，速度很快；2、采用重参化技术，在提高模型精度的同时而不影响推理速度；3、可识别常见颜色的头盔；可检测大于15*15以上像素的头盔；对光头、救生圈、反光衣等类似头盔颜色的物体，误检率低至5%。