【摘要】：現如今,生產安全越來越受到企業(yè)的重視,然而與企業(yè)高度現代化的生產水平不同,安全防護措施依然還很落后。比如對安全帽佩戴的監(jiān)管工作大多都是由人工完成,監(jiān)管成本高且效率低。近年來,深度學習技術有著跨越式的發(fā)展,所以一些研究人員開始了基于深度學習的安全帽檢測研究,但大多采用安全帽顏色特征進行檢測,從而受背景色干擾較大,精度較低。根據以上問題,本文設計并實現了一套基于深度學習的智能安防系統(tǒng)。該系統(tǒng)的主要功能是對攝像頭監(jiān)控區(qū)域進行實時安防預警,實現了行人檢測、安全帽佩戴檢測、智能報警和系統(tǒng)管理等功能。本文利用SSD(Single Shot MultiBox Detector)模型分別訓練了行人檢測模型和安全帽檢測模型,用來實現相關的檢測功能,本文主要以安全帽檢測的角度對該系統(tǒng)的設計與實現進行敘述。由于傳統(tǒng)的安全帽佩戴檢測的方法速度慢、精度低,本系統(tǒng)安全帽檢測模塊針對此問題設計并實現了在行人區(qū)域進行安全帽檢測。首先利用行人檢測模型檢測視頻中出現的行人,再通過安全帽檢測模型對得到的行人區(qū)域進行安全帽檢測。這種檢測方法大大提高了對安全帽佩戴的檢測精度,同時有效的減少了檢測時間,使系統(tǒng)更具可靠性和實時性。最后,將系統(tǒng)與監(jiān)控設備對接,達到對監(jiān)控范圍內行人佩戴安全帽的檢測。本文主要完成以下工作:1.在Tensorflow框架下,利用SSD算法進行行人檢測模型和安全帽檢測模型的訓練,包括獲取、增強和標注數據集,訓練模型及測試模型。2.根據實際需求,對智能安防系統(tǒng)進行詳細設計。闡述了該系統(tǒng)的需求分析、架構設計、功能模塊設計、業(yè)務流程設計和數據庫設計。3.智能安防系統(tǒng)的具體實現,根據設計實現系統(tǒng)各功能模塊,將訓練好的檢測模型整合至系統(tǒng)實現對行人和安全帽的檢測,最后完成與監(jiān)控設備的對接,并進行測試。通過測試,該系統(tǒng)可以根據設置的報警參數,分別對報警區(qū)域出現行人和未佩戴安全帽進行報警,準確度較高,達到了預期效果,可以滿足實際的監(jiān)管需求。
【學位授予單位】：內蒙古大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP181;X924
【圖文】：

圖 1. 1 主流檢測算法性能比較ure 1.1 Comparison of mainstream detection algorithm performance標檢測的發(fā)展和生產安全越來越受到人們的重視，所以的技術進行了研究，以下是近年的一些關于安全帽檢測膚色檢測的方法定位到人臉，然后將臉部以上區(qū)域截取u 矩特征向量通過支持向量機模型實現對安全帽的檢測

圖 2. 1 SSM 運行流程re 2.1 SSM running flow chaJava 開發(fā)框架，其創(chuàng)建提供了集成框架，同時選擇使用何種構件�？豶ing 的主要特性，控制及管理對象[18]。依賴注制反轉在運行時給某個式，它首先定義一個通方應用，從而不需要修

基于深度學習的安全帽檢測系統(tǒng)設計與實現聚低耦合以及封裝了許多 API 方便使用等[20]。Spring 的整體架構是一個包含控制反轉和面向切面Container）是 Spring 的核心，它實現了基于控制上層的 AOP 和 Aspects 都是基于它的基礎上實現ring 的核心功能。最后在控制反轉和面向切面編程層。

【相似文獻】

相關期刊論文 前10條

1 賈蓓;李敬華;肖飛;;基于復雜電磁環(huán)境的信號檢測模型構建分析[J];信息技術與信息化;2015年09期

2 蔡靜;;考慮檢測影響的貯存-檢測模型及其參數估計[J];湖北民族學院學報(自然科學版);2012年02期

3 董斯維;郭斌;余力;;個性化推薦攻擊檢測模型研究[J];農業(yè)網絡信息;2006年12期

4 任涵;李勇;呂天雯;;基于自適應遺傳算法的獼猴桃組培檢測模型[J];計算機與應用化學;2016年12期

5 李一男;劉永平;王汝琳;;一種礦用紅外瓦斯傳感器的檢測模型[J];工礦自動化;2010年01期

6 張強;;一種利用特征選擇改進的行人檢測模型[J];微型機與應用;2016年02期

7 楊浩;謝昕;李卓群;章玲玲;;網絡中隱蔽信道數據安全檢測模型研究與仿真[J];計算機仿真;2016年10期

8 嚴侃;雷江濤;;基于時頻分析的水聲目標被動檢測模型研究[J];魚雷技術;2015年01期

9 李世淙;云曉春;張永錚;;一種基于分層聚類方法的木馬通信行為檢測模型[J];計算機研究與發(fā)展;2012年S2期

10 孫飛帆;施勇;薛質;;基于權重分析的網頁木馬檢測模型[J];信息安全與通信保密;2012年12期

相關會議論文 前10條

1 劉俊榮;王文槿;劉寶旭;;一種基于網絡行為分析的木馬檢測模型[A];第十六屆全國核電子學與核探測技術學術年會論文集（下冊）[C];2012年

2 王建平;張自立;魏華;;戰(zhàn)術空域沖突檢測模型研究[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

3 李京鵬;楊林;劉世棟;;防火墻狀態(tài)檢測模型研究[A];第十八次全國計算機安全學術交流會論文集[C];2003年

4 孫璐;馬兆豐;黃勤龍;;基于權限分析的安卓應用程序風險檢測模型[A];第十屆中國通信學會學術年會論文集[C];2014年

5 范淵;凌霄;;Android程序安全檢測模型[A];第28次全國計算機安全學術交流會論文集[C];2013年

6 武照東;劉英凱;劉春;吳秀峰;;Overlay網絡的鏈路故障檢測模型[A];2008通信理論與技術新發(fā)展——第十三屆全國青年通信學術會議論文集（下）[C];2008年

7 劉賽娥;;基于ARP欺騙的以太網檢測模型的設計與實現[A];《教師教學能力發(fā)展研究》科研成果集（第六卷）[C];2017年

8 周雙娥;熊國平;;基于Petri網的故障檢測模型的設計與分析[A];第六屆中國測試學術會議論文集[C];2010年

9 廖鵬;;基于異常特征的DDoS檢測模型[A];經濟發(fā)展方式轉變與自主創(chuàng)新——第十二屆中國科學技術協(xié)會年會（第四卷）[C];2010年

10 王心覺;;應用LabVIEW的建筑結構健康檢測模型和預警系統(tǒng)實驗[A];2015年上海-西安聲學學會第四屆聲學學術交流會論文集[C];2015年

相關重要報紙文章 前3條

1 賽迪出版?zhèn)髅绞紫浾?郭濤;預見性安全“又快又好”[N];中國計算機報;2018年

2 中聯(lián)綠盟、李群;IDS的關鍵：解決好誤報和漏報[N];中國計算機報;2002年

3 ;文化力是決定成敗的關鍵因素[N];常州日報;2009年

相關博士學位論文 前10條

1 周曉飛;基于機器學習的視覺顯著性檢測研究[D];上海大學;2018年

2 王燕;基于用戶感知與業(yè)務特征的電信網絡性能監(jiān)控與檢測模型研究[D];西安電子科技大學;2018年

3 鄧濤;基于視覺注意的駕駛場景顯著性檢測模型研究[D];電子科技大學;2018年

4 趙靜;網絡協(xié)議異常檢測模型的研究與應用[D];北京交通大學;2010年

5 唐赫;基于生物啟發(fā)和統(tǒng)計分析相結合的圖像顯著性檢測模型研究[D];華中科技大學;2017年

6 蔣鵬;圖像內容顯著性檢測的理論和方法研究[D];山東大學;2016年

7 李濤;基于上下文的目標檢測研究[D];電子科技大學;2016年

8 陳林潔;褪黑激素受體MT1活化的信號轉導機制研究及內含肽介導的新型GPCR活化檢測模型構建[D];浙江大學;2013年

9 王穎;僵尸網絡對抗關鍵技術研究[D];北京郵電大學;2014年

10 高洪燕;生菜生長信息快速檢測方法與時域變量施肥研究[D];江蘇大學;2015年

相關碩士學位論文 前10條

1 梁躍;基于機器學習的電力用戶用電異常檢測技術研究[D];北京郵電大學;2019年

2 闞澤亮;基于深度學習的PC惡意代碼檢測技術的研究與實現[D];北京郵電大學;2019年

3 左雯;基于深度學習的惡意URL檢測算法研究與設計[D];北京郵電大學;2019年

4 李艷;基于抗混淆技術的JavaScript惡意代碼檢測模型研究[D];北京郵電大學;2019年

5 張圣昌;基于深度學習的異常檢測模型研究[D];河北大學;2019年

6 李輝;面向航運船舶的檢測與跟蹤方法研究[D];武漢科技大學;2019年

7 徐晨玉;基于YOLOv3的危險物品檢測模型研究與改進[D];蘭州大學;2019年

8 樊鈺;基于深度學習的安全帽檢測系統(tǒng)設計與實現[D];內蒙古大學;2019年

9 邢召龍;基于深度學習的肺癌檢測模型[D];吉林大學;2018年

10 許友昌;云環(huán)境下面向智能運維的KPI異常檢測研究[D];廣西大學;2018年

本文編號：2791142