基于边缘计算的安全帽佩戴检测系统设计.pdf
《基于边缘计算的安全帽佩戴检测系统设计.pdf》由会员分享,可在线阅读,更多相关《基于边缘计算的安全帽佩戴检测系统设计.pdf(3页珍藏版)》请在咨信网上搜索。
1、102 CWT 中国水运 202308摘要:为提升施工现场安全管理能力,针对人员未正确佩戴安全帽的问题,本文设计了基于边缘计算的安全帽佩戴检测系统。首先,通过训练 YOLOv5 目标检测模型,高效准确地识别人员安全帽佩戴情况。其次,通过将训练模型部署在基于 TPU 的 SE5 边缘盒子上,减少数据传输和处理延迟,提高检测系统的整体实时性。实验结果表明,该系统在SHWD 数据集上的平均准确率能够达到 94.8%,处理每帧图像仅需 0.06s,能够快速、准确地识别出作业人员是否佩戴好安全帽。关键词:安全帽检测;YOLOv5;边缘计算;SE5 边缘盒子;深度学习中图分类号:TP391 文献标识码:A
2、 文章编号:10067973(2023)08-0102-03基于边缘计算的安全帽佩戴检测系统设计章翌1,刘道谱1,潘俊杰2,张宇轩2,甘文霞2*(1.武汉光谷建设投资有限公司,湖北 武汉 430205;2.武汉工程大学土木工程与建筑学院,湖北武汉 430074)DOI 编码:10.13646/ki.42-1395/u.2023.08.0391 引言在建筑、采矿等工业生产过程中,存在坍塌、高空坠物等潜在风险,安全帽作为其中常见的防护用具发挥着重要保护作用1。然而在实际施工作业中,仍然存在人员未佩戴好安全帽的情况,存在极大的安全隐患。目前,施工现场主要采用的视频监控和人工观察检测方法存在识别效率低
3、、动态性差、成本高等弊端,无法满足精细化安全管理需求2。因此,实现施工现场安全帽佩戴的智能识别具有重要意义。近年来基于深度学习的目标检测算法迅速崛起,其主要分为两类:一是基于候选区域的两阶段法,如 Fast R-CNN3、Faster R-CNN4等;二是基于回归分类的单阶段法,如 YOLO 系列5-9、SSD10等。两阶段方法的识别精度较为出色,但运行推理速度较慢,并不适合实际应用;单阶段方法的识别精度和运行速度则相对均衡,在工业领域中得到广泛应用。目标检测模型的训练及推理都依赖强大的硬件设备,随着物联网(IoT,Internet of Things)技术的快速发展,大量移动设备和传感器应用
4、于工程领域,但模型却无法适应移动设备有限的内存和算力资源,运行效率和模型大小等方面存在诸多问题。因此,在嵌入式系统领域,需要在保持高精度的前提下,尽可能压缩模型以实现低能耗和低延迟的需求11。为 更 好 地 解 决 上 述 问 题,边 缘 计 算(Edge Computing)作为一种新兴的计算模式和框架应运而生,其核心思想是将数据处理和计算能力下沉到网络边缘。在当前应用中,通常采用云-边协同方式,首先通过云端强大的算力资源进行模型训练以应对大量数据和复杂任务,然后将经过量化的模型迁移至边缘设备进行推理应用。此方式充分利用了云端的计算能力,并将实时推理决策迁移至边缘,实现快速响应11,12。综
5、上所述,针对施工现场人员安全帽佩戴问题,并考虑到云端计算的延时,本文提出了一种基于边缘计算的安全帽佩戴检测系统。利用安全帽数据集训练YOLOv5 目标检测模型,并进行量化转换、迁移部署至SE5 边缘盒子进行推理测试。实验结果表明,该系统能够快速准确的识别施工人员是否佩戴好安全帽,适用于实际施工场景。2 基于边缘计算的施工现场安全帽检测系统设计2.1 YOLOv5 算法YOLOv5 目标检测模型性能均衡,考虑到实际施工现场对安全帽佩戴检测精度和速度的需求,本文选择YOLOv5s 作为目标检测模型,具体结构如图 1 所示。YOLOv5 模型的网络结构由输入端、骨干网络、颈部网络和检测端四部分组成。
6、其中,输入端进行预处理工作;骨干网络进行输入图像的特征提取;颈部网络进行特征融合;最终,检测端预测目标的类别和位置信息并生成检测结果。图 1 YOLOv5s 网络结构图2.2 边缘计算 边缘计算是一种将计算节点部署在数据边缘端的计算方式,相较于传统的云计算,边缘计算在性能响应、可靠性等方面具有较大优势,具体14,15如下:(1)低延迟:边缘计算将数据处理能力迁移至网络边缘端,能够直接对数据进行本地处理和决策,对云端和网络带宽的依赖性小,数据传输快且稳定,满足实时应用需求;(2)高效率:边缘计算距离用户、数据源更近,可以在边缘节点处实现数据的处理分析,从而提升工作效率;(3)安全可靠:边缘计算的
7、本地化的数据处理方式能更好地保障数据隐私,减少敏感数据频繁传输到云端的风险。CWT 中国水运 202308 1032.3 基于边缘计算的施工现场安全帽检测系统本文设计了一种基于边缘计算的安全帽佩戴检测系统,其框架如图 2 所示,通过将 YOLOv5s 模型部署至边缘设备上,系统能够快速准确地识别施工人员是否佩戴好安全帽。图 2 检测系统框架图检测模型从训练到部署测试的整体流程如下:(1)模型训练:在主机端 Pytorch 框架下,采用YOLOv5s 模型对安全帽佩戴数据集进行训练。(2)模 型 预 编 译:通 过 使 用 JIT 工 具 对 原 始Pytorch 模型进行预编译,保证模型量化后
8、的运行效率和性能。(3)模型量化转换:对模型权重文件进行量化转换,将 FP32 模型转换为 INT8 模型,以减少模型的存储和计算开销。然后将量化模型转换为边缘设备支持的特定文件格式,如Sophon系列TPU平台支持的Bmodel文件。本文使用 Sophon SDK 提供的 Auto_cali 一键量化工具进行转换。(4)模型部署推理:通过SSH协议将Bmodel模型、测试数据集以及相关 Python 文件传输至 SE5 边缘端,实现模型部署。然后在适当的Python运行环境加载模型,对数据集进行推理测试,实现实时的安全帽佩戴检测。3 实验验证与结果分析3.1 目标检测数据集本文实验采用两个开
9、源的安全帽佩戴检测数据集,分别为安全帽佩戴数据集和 Safety Helmet Wearing Dataset(SHWD)数据集。安全帽佩戴数据集共 5000张图像,包含安全帽、佩戴安全帽的人员、未佩戴安全帽的人员三类;SHWD 数据集共 7581 张图像,包含安全帽、未佩戴安全帽的人员两类。本文实验将以 4:1 的比例划分训练集和验证集。表 1 YOLOv5s 模型在安全帽佩戴数据集上的性能表 2 YOLOv5s 模型在 SHWD 数据集上的性能3.2 软硬件环境及实验参数本文的模型训练阶段实验采用 Windows 10 系统,GPU 型号为 NVIDIA GeForce RTX 2080
10、Ti,使用 PyTorch 1.10.0 和 Python 3.8.搭建模型网络。初始学习率设置为0.01,并通过余弦退火算法动态调整学习率,动量因子为 0.937,权重衰减系数为 0.0005,批处理大小为 8,训练轮次为 200。模型迁移部署阶段实验采用 Ubuntu 20.04 系统,边缘设备选择了北京算能科技有限公司的微服务器产品SE5 边缘盒子,该设备搭载算能自主研发的张量处理器(TPU,Tensor Processing Unit)芯 片 BM1684,INT8 算力可达 17.6TOPS(Tera Operations Per Second),能够同时处理 16 路高清视频,并支
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 边缘 计算 安全帽 佩戴 检测 系统 设计
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。