基于YOLOv5s的智慧工地安全管理系统的实现

文章编号：1673-5862（2023）05-0475-06

摘"""要：建筑行业是一种高危行业。在建筑安全中，安全帽的佩戴可以在一定程度上保障施工人员的安全。针对施工人员的安全帽佩戴问题，设计并实现了一款基于YOLOv5s算法模型的智慧工地安全管理系统。将训练好的算法模型通过RT-Thread操作系统部署于嵌入式硬件平台，在施工现场智能识别未佩戴安全帽的人员并提出报警。在进行推理测试后得出结果，基于YOLOv5s的算法模型可以有效地区别出施工人员有无正确佩戴安全帽，测试精度达到92.3%。当IoU为50时，mAP值达到93.1%。实验结果表明，基于YOLOv5s的算法模型在人群密集和小头检测等问题上准确率高，实时性强，均已达到实际使用需求，同时有助于降低施工风险，减少不必要的人力监督，实现工地人员智能安全管理。

关"键"词：安全帽检测; YOLOv5s; RT-Thread; 物联网; 边缘计算

中图分类号：TP391""""文献标志码：A

doi：10.3969/j.issn.1673-5862.2023.05.017

Implementation of a smart construction site safety management system based on YOLOv5s

ZHANG Yong， LI Lingtong， CUI Lili

（Software College， Shenyang Normal University， Shenyang， 110034， China）

Abstract：The construction industry is a high-risk industry， and the wearing of safety helmets by construction workers can ensure their safety to some extent. In response to the issue of safety helmet wearing by construction workers， a smart construction site safety management system based on the YOLOv5s algorithm model was designed and implemented. The trained algorithm model was deployed on an embedded hardware platform through the RT-Thread operating system， which can intelligently recognize personnel who are not wearing safety helmets at the construction site and issue an alarm. After inference testing， it was found that the YOLOv5s-based algorithm model can effectively distinguish whether construction workers are wearing safety helmets correctly， with a test accuracy of 92.3%. Under the condition of IoU=50， the mAP value reaches 93.1%. Based on the experimental results， the YOLOv5s-based algorithm model has high accuracy in problems such as crowded people and small head detection， strong real-time performance， and has met practical usage requirements. It can also help reduce construction risks， reduce unnecessary manual supervision， and achieve intelligent safety management of construction site personnel.

Key words：helmet detection; YOLOv5s; RT-Thread; internet of things; edge calculation

建筑行业是一种生产流动性大、生产周期长、生产事故多发的行业^［1］。由于建筑工地场地大，难以做到人工监控，因而仍存在着安全管理不规范、安全事故频发等问题^［2］。在遇到施工危险时，有效佩戴安全帽对保障人员安全显得格外重要。当前，物联网和人工智能可应用领域越来越多^［3］，通过物联网技术^［4］与智能视频技术^［5］结合，用机器代替人工的方式来解决此类问题成为最优解。本文设计并实现了一款在RT-Thread操作系统上搭载经过训练的YOLOv5s模型、结合物联网和无线通信等技术的智慧工地安全管理系统，能够实时识别现场未正确佩戴安全帽的施工人员，并进行实时干预和报警，确保施工人员安全，实现工地人员智能安全管理。

如何实时识别是否佩戴安全帽是实现整个系统的关键。 近年来，国内外有许多专家针对此类问题进行了不少算法的研究和改进。 文献^［6］采用YOLOv4目标检测网络， 将肤色检测和头部检测相结合， 定位头部位置从而锁定安全帽实现安全帽识别功能， 在一定程度上解决了复杂姿态下检测难的问题。 文献^［7］考虑到模型对边缘设备的兼容性， 基于YOLOv3检测模型实现检测任务。 文献^［8］基于Faster R-CNN目标检测算法建立复杂环境数据集， 用Focal loss替代原本的损失函数并引入ROI Align， 进一步改善了复杂环境下安全帽识别的准确率。 文献^［9］以YOLOv5s为基础进行改进， 在保证目标不被裁剪及信息完整的情况下， 改善了模型在密集人群及远距离小目标场景下的检测功能。 文献^［10］通过在线对困难样本进行挖掘， 搜索拼接数据里的困难样本， 对模型进行再训练， 提高了模型在复杂环境下的鲁棒性和施工环境中安全帽的检测精度。 文献^［11］选择YOLOv3算法作为基础网络， 针对检测中人员姿态变化难以识别、人头等小目标检测能力不足的问题， 对算法结构进行了改进。

本文对比YOLO系列算法， 考量速度与精度，选用RT-Thread操作系统搭载YOLOv5s模型， 使用蓝牙和Wi-Fi分别实现短距离和中距离通信， 以Draco K210作为主控单元， 接收并处理图像信息并将数据上传至基于AIRIOT物联网平台搭建的用户交互平台， 从而做到对工地的智慧化精细化管理。

1"系统结构设计

本文提出的智慧工地安全管理系统分为2个子系统：现场监测系统和用户交互系统。系统整体结构如图1所示。

1.1"现场监测系统

现场监测系统分为3个部分：监控部分、主控部分及终端部分。

监控部分采用GC0308摄像头，实现图像采集功能。各个摄像头将整个施工现场分割成不同的监控区域，对各自区域的现场按照一定频率进行图像采集，不断地将采集的数据送至主控部分处理，实现施工现场的实时监控。

主控部分采用Kendryte K210处理器，主要负责搭载YOLOv5s算法模型进行图像处理、控制分级报警及传输数据到上位机。主控部分通过RT-Thread操作系统将训练好的算法导入硬件平台，实时接收前端传来的图像，判断图像中是否存在未正确佩戴安全帽的人员。图像经过处理后，主控部分将图中出现的施工人员分为正确佩戴安全帽和未正确佩戴安全帽2类。若出现未正确佩戴安全帽的人员，通过图像来源区域及出现该区域的人员锁定报警对象，主控设备通过蓝牙给未正确佩戴安全帽人员发送报警信号，并将该信息通过Wi-Fi模块上传至上位机。

终端部分主要由GPS定位模块、蓝牙模块及报警模块组成，与施工人员实名绑定，拥有固定编号，佩戴至施工人员身上，施工期间不得取下。当该终端被锁定后，启动报警机制。报警机制采用分级报警模式，分为一级预警与二级警告。一级预警时，控制报警模块启动报警来提醒施工人员正确佩戴安全帽，并对该终端进行3min的持续跟踪模式。若3min过后，施工人员仍未正确佩戴安全帽，立即启动二级预警模式，将人员信息汇总至监管部门，以监管部门线下干预的方式监督施工人员正确佩戴安全帽后再取消报警。

1.2"用户交互系统

用户交互系统主要是负责接收数据和统计分析，将现场实时数据信息同步给用户，便于用户对施工现场进行动态监控和管理。AIRIOT由航天科技智慧物联事业部推出，具有低代码、成本低等优点，在数据分析、数据可视化等方面均具有良好的能力，故采用AIRIOT搭建本系统的云平台，实现用户交互功能。

用户交互系统主要分为施工现场管理模块、安全报告模块及人员信息模块。

施工现场管理模块主要显示监控点的实时情况、施工人员实时轨迹及报警情况。安全报告模块会周期性将违规人员信息及违规图片汇总形成安全报告，用户可以随时查看和打印安全报告。人员信息模块提供随时查看施工人员位置及其违规记录。

2"图像处理算法

2.1"算法介绍

YOLO算法^［12］的核心思想是把物体检测问题处理成回归问题，用一个卷积神经网络结构就可以从输入图像直接预测bounding box和类别概率。选用的YOLOv5s由输入端，Backebone，Neck，Head 4个部分构成，按照不同的模型大小分为s，m，l，x 4个模型^［13］。4个模型在深度和宽度上均有所不同，随着模型的大小、深度与宽度逐级增加。

本文要求将算法模型部署在嵌入式设备上，对算法模型大小要求较高，因而选用YOLOv5s为基础模型对精度和准确度进行训练。

2.2"评估方法

YOLO算法拥有多个评估指标^［14］，从各纬度评估一个模型的优劣。本文选用最为直观的精度（precision）、召回率（recall）及不同重叠度（intersection over union）下的平均精度来评估。

表1各式中：TR表示真阳性（true positive）;TN表示真阴性（true negative）;FP表示假阳性（1 positive）;FN表示假阳性（1 negative）^［15］。

2.3"模型训练

2.3.1"实验条件

模型训练选择Python 3.8.16解释器，采用Pytorch框架。根据网络搜索和利用Labelme手工已标注的数据集2738张图片，未标注的图片3000张，共5738张。其中将佩戴安全帽的人员的整个头部区域记为helmet，未佩戴安全帽人员的头部区域标记为head，留取了700张图片作为测试集。部分数据集展示如图2所示。

采用的数据集图片大多为复杂场景下的安全帽识别，提高了模型在复杂场景中识别安全帽的能力。

2.3.2"训练过程

训练共分为6个阶段。首次训练100张，逐次递增至200，400，800，1600，2400张，观察并记录数据。每次完整训练过程如图3所示。

首先以8∶2的比例随机划分训练集和验证集，持续训练100轮，训练结束后记录此次训练的各项数据，进行推理测试，得出此次训练后模型的效果，然后进行下一次训练，训练结束后，整理训练数据，并对比分析。

2.3.3"训练结果

第6次训练共导入2400张照片，以8∶2的比例随机划分为训练集和验证集，最终模型各项具体数据见表2。

表2中，P代表精度，R代表回归率。mAP代表平均精度，后面的数字代表不同的重叠度。例如：mAP50代表重叠度为0.5时模型的平均精度。由表2中可以看出，最终模型在各方面的数据都稳定在一个良好的水平。图4和图5为最后一次训练的结果展示。图4为PR曲线图，其中横坐标为回归率，纵坐标为精度。

由图6（b）与图6（c）对比可以看出，模型在第一次训练结束后，出现了不少漏检、误检的情况，但在多次训练结束后，漏检与误检的情况均有所改善，且检测精度均有所提高。

最终模型在检测小头与密集人群问题上取得的效果达到了预期理想状态。部分最终训练成果如图7所示。

3"结""语

本文中的系统利用RT-Thread操作系统搭载YOLOv5s模型，在嵌入式硬件平台完成实时图像处理，实现边缘计算，实现了采集图像、报警、安全报告和可视化交互等多种功能，提高了工地安全管理的效率，实现了工地人员安全的智能化管理。

参考文献：

［1］张锦，屈佩琪，孙程，等. 基于改进YOLOv5的安全帽佩戴检测算法［J］. 计算机应用， 2022，42（4）：1292-1300.

［2］陈巨坤. 智慧工地中的智能安全帽及其管理平台研究［D］. 广州： 华南理工大学， 2019.

［3］HAN K，ZENG X. Deep learning-based workers safety helmet wearing detection on construction sites using multi-scale features［J］. IEEE Access， 2022（10）：718-729.

［4］徐友全，贾美珊. 物联网在智慧工地安全管控中的应用［J］. 建筑经济， 2019，40（12）：101-106.

［5］吕基平，熊政华，邹容芳，等. 智能视频分析技术在智慧工地安全监管中的应用研究［J］. 施工技术（中英文）， 2022，51（11）：12-17.

［6］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， 2022，58（1）：190-196.

［7］郭普特，郑斌，黄敏，等. 基于深度学习的安全帽智能识别系统设计与实现［J］. 中阿科技论坛（中英文）， 2022（4）：137-141.

［8］李华，王岩彬，益朋，等. 基于深度学习的复杂作业场景下安全帽识别研究［J］. 中国安全生产科学技术， 2021，17（1）：175-181.

［9］赵睿，刘辉，刘沛霖，等. 基于改进YOLOv5s的安全帽检测算法［J/OL］. ［2023-04-24］. https：∥doi.org/10.13700/j.bh.1001-5965.2021.0595.

［10］吕志轩，魏霞，马志钢. 改进YOLOX的轻量级安全帽检测方法［J］. 计算机工程与应用， 2023，59（1）：61-71.

［11］张学锋，王子琦，汤亚玲. 基于YOLO-CDF神经网络的安全帽检测［J］. 重庆工商大学学报（自然科学版）， 2022，39（4）：32-41.

［12］张伟，庄幸涛，王雪力，等. DS-YOLO： 一种部署在无人机终端上的小目标实时检测算法［J］. 南京邮电大学学报（自然科学版）， 2021，41（1）：86-98.

［13］邱天衡，王玲，王鹏，等. 基于改进YOLOv5的目标检测算法研究［J］. 计算机工程与应用， 2022，58（13）：63-73.

［14］邵延华，张铎，楚红雨，等. 基于深度学习的YOLO目标检测综述［J］. 电子与信息学报， 2022，44（10）：3697-3708.

［15］胡均平，王鸿树，戴小标，等. 改进YOLOv5的小目标交通标志实时检测算法［J］. 计算机工程与应用， 2023，59（2）：185-193.

收稿日期：2023-04-25

基金项目：辽宁省教育厅科学研究经费项目（LJKZ0999）;大学生创新创业项目（202210166001）。

作者简介：张"勇（1978—），男，辽宁阜新人，沈阳师范大学副教授，硕士。